L'IA générative devient-elle un outil pour les riches?

Je ne suis ni devin ni magicien. Cependant, j’ai la perception que si on se projette dans quelques mois ou années, seules les entreprises riches pourront se payer le pouvoir des meilleurs modèles d’IA générative et possiblement détenir un avantage compétitif indéniable : optimisation de leur chaine de valeur, accélération R&D, innovation, etc. Les forts rendements attendus sur les milliards de dollars investis en bourse auprès des grands acteurs de l’IA ne peuvent qu’obliger ces derniers à remodeler leurs modèles de revenus. Du moins, c’est l’hypothèse que je pose comme source de réflexion pour écrire ce texte.

Il y a deux ans, l'argument de vente de l'IA générative reposait surtout sur son accessibilité. En discutant avec des collègues, on fait souvent référence à la vieille technique du revendeur de stupéfiants qui, désireux de fidéliser sa clientèle, refilait un produit très addictif gratuitement ou à bas prix pour la rendre complètement dépendante. On a l’impression que les géants de l’IA se sont inspirés de cette approche douteuse pour lancer leur modèle multimodal et nous menotter. Vingt dollars par mois donnaient à n'importe qui le même modèle qu'une multinationale. En 2026, cette promesse semble se fissurer. Les fournisseurs abandonnent un à un leurs forfaits fixes au profit d'une facturation à l'usage, les prévisions sérieuses annoncent une explosion de la consommation de jetons, et des entreprises comme Microsoft ou Uber découvrent que leurs factures d'IA dépassent parfois le coût des employé(e)s que l'IA devait remplacer. La question mérite donc d'être posée sans détour : à l'avenir, est-ce que seuls les individus et les entreprises fortunés pourront profiter pleinement de la puissance et des grandes capacités de l'IA générative?

Pour y répondre, il faut d'abord essayer de comprendre comment cette facture se construit.

Comment se calcule le prix d'un modèle multimodal?

1. La structure de coûts

N’ayant trouvé que peu de ressources sur le sujet, j’ai demandé à Claude – Sonnet 5 de me monter un tableau qui illustre la structure de coûts d’un modèle d’IA générative. Décortiquons un peu les grands postes de frais d’Anthropic. Faisons preuve de prudence quant à l’analyse qui suit.

Postes de coûts et impact sur le modèle de facturation des fournisseurs d’IA génératives

Il serait normal à ce moment-ci de la réflexion de vouloir extrapoler l’évolution de ces coûts à moyen et long terme.

Voici la réponse de Claude sur ce point : sur papier, l'IA devient de moins en moins chère à produire, chaque dollar investi en calcul permettant de faire toujours plus. Mais cette économie ne se traduit pas par une facture totale plus basse pour des entreprises comme Anthropic, parce que deux effets s'annulent : pendant que le coût baisse pour une même tâche, les tâches elles-mêmes deviennent plus lourdes (des agents qui travaillent seuls pendant des heures consomment beaucoup plus qu'une simple question-réponse), et chaque nouvelle génération de modèle coûte plus cher à construire que la précédente. Concrètement, ce sont surtout l'entraînement des modèles et cette escalade d'une génération à l'autre qui vont continuer de faire grimper la facture, alors que l'énergie et l'approvisionnement en puces restent les deux freins physiques qui pourraient, à moyen terme, empêcher les prix de continuer à baisser.

Au net, la flèche d’évolution des coûts semble vouloir pointer vers le ciel. Rien de surprenant.

2. Maintenant, parlons du modèle de revenus ou de facturation

Chaque grand modèle de langage, que ce soit ChatGPT d'OpenAI, Claude d'Anthropic, Gemini de Google, Grok de xAI ou Perplexity, fonctionne selon deux systèmes de facturation parallèles :

• Le premier est l'abonnement grand public, un forfait fixe mensuel (souvent 20 dollars) qui donne accès à l'interface Web ou à l'application, avec des limites d'usage floues plutôt qu'un compteur visible. C'est le modèle que la plupart des gens connaissent.
• Le second est la facturation par jeton, réservée aux spécialistes du développement et aux entreprises qui utilisent l'interface de programmation (API) de ces mêmes fournisseurs. Un jeton correspond approximativement à un mot ou une fraction de mot. Chaque requête consomme des jetons en entrée (ce qu'on soumet au modèle) et en sortie (ce que le modèle génère), facturés séparément, la sortie coûtant généralement trois à six fois plus cher que l'entrée. Le prix varie aussi énormément selon l'échelon de modèle choisi : un modèle économique comme Claude Haiku ou GPT-5.4 Nano coûte une fraction du prix d'un modèle de pointe comme Claude Opus ou GPT-5.5, lequel coûte lui-même une fraction du prix des nouveaux modèles de type « raisonnement long » qu'Anthropic a lancés en juin 2026 sous l'appellation Fable et Mythos, facturés le double d'Opus.

Ces deux systèmes ne sont pas parfaitement étanches. Les outils de programmation assistée comme Claude Code ou Codex d'OpenAI fonctionnent sous abonnement, mais consomment en coulisses une enveloppe de jetons bien réelle. Choisir un modèle plus puissant pour une tâche donnée épuise cette enveloppe plus rapidement, même si l'utilisateur ne voit jamais de facture au jeton tant qu'il reste dans les limites de son forfait. Le tableau suivant résume comment chaque grand fournisseur gère cette zone grise entre forfait fixe et facturation réelle.

Le tableau ci-dessous propose, en date du 3 juillet 2026, une vigie comparative des modèles de tarification des plus importants fournisseurs de modèles multimodaux.

Ce tableau illustre un point central pour la suite de l'analyse : plus le mécanisme d'un fournisseur ressemble à une vraie enveloppe de jetons (Claude, ChatGPT), plus l'utilisateur avancé qui choisit ses modèles avec soin peut optimiser sa facture. À l'inverse, un système fondé sur le compte de requêtes (Gemini) ou de messages (Grok) laisse moins de prise à ce genre d'arbitrage, et pousse plus vite vers la facturation au jeton pur dès que l'usage devient soutenu.

Cette mécanique en apparence technique a une conséquence directe : plus une organisation ou un individu a besoin de puissance de calcul soutenue (agents autonomes, longues sessions de programmation, analyse de gros volumes de documents), plus elle risque de sortir du confort du forfait fixe pour entrer dans l'univers, potentiellement illimité, de la facturation à l'usage.

Ce que prédisent les sources les plus sérieuses

C'est précisément ce basculement que documentent les analyses les plus rigoureuses parues récemment.

• Epoch AI, organisation de recherche indépendante spécialisée dans l'analyse quantitative de l'IA, a établi que le prix pour atteindre un niveau donné de performance chute environ 50 fois par année en médiane depuis 2024, une déflation spectaculaire. En revanche, une étude plus récente nuance cette lecture optimiste : le coût pour faire fonctionner les modèles les plus capables sur des tâches réelles a paradoxalement augmenté, précisément parce que ces modèles réfléchissent plus longtemps et consomment davantage de jetons de raisonnement par requête.
• Gartner, cité par Fortune en mai 2026, pousse cette nuance plus loin encore. Le cabinet prévoit que le coût d'inférence d'un modèle à un milliard de paramètres chutera de près de 90 % d'ici 2030, mais avertit explicitement que cette déflation ne se traduira pas par une IA d'entreprise moins chère. La raison : les modèles agentiques consomment beaucoup plus de jetons par tâche que les modèles conversationnels classiques, la consommation totale augmente plus vite que ne baisse le prix unitaire, et les fournisseurs ne répercuteront pas intégralement leurs économies sur les clients. Un analyste de Gartner résume la mise en garde en une phrase destinée aux dirigeant(e)s d'entreprise : il ne faut pas confondre la déflation du prix des jetons de base avec la démocratisation du raisonnement de pointe.
• Goldman Sachs va dans le même sens avec une prévision encore plus frappante : une multiplication par 24 de la consommation mondiale de jetons d'ici 2030, principalement attribuable à la montée des agents autonomes qui exécutent des tâches entières plutôt que de simplement répondre à des questions. Attention, dans l’article cité, Goldman y voit surtout une opportunité de marges favorisant l’économie, non pas un fardeau.
• Sur le terrain, cette tension se matérialise déjà. La Presse rapportait le 1er juin 2026 que plusieurs entreprises comme Microsoft ont commencé à limiter l'accès de leurs employé(e)s aux outils d'IA les plus performants après avoir constaté l'ampleur réelle de la facture, Microsoft ayant réduit l'accès direct à Claude Code au profit d'un outil interne. L'expert montréalais Jean-Luc Sanscartier, cité dans cet article, note que les budgets d'entreprise ont été calibrés sur la base d'abonnements par utilisateur, pas sur une consommation au volume, et prédit un retour paradoxal des postes juniors pour des tâches que l'IA devait éliminer, simplement parce que la main-d'œuvre humaine junior coûte parfois moins cher que l'IA à haut volume. Fortune rapportait le même mois qu'un vice-président de Nvidia, Bryan Catanzaro, avait admis que, pour sa propre équipe, le coût du calcul dépassait désormais celui des employé(e)s.

Qui en profite et qui paie le prix?

De ces sources émerge un portrait plus nuancé de la situation. La démocratisation existe bel et bien à la base de la pyramide : les modèles économiques comme Haiku, GPT-5.4 Nano ou Gemini Flash-Lite coûtent aujourd'hui des fractions de cent par tâche courante, largement à la portée d'un individu ou d'une petite entreprise pour de la rédaction, du résumé ou de la classification simple.

Le problème se situe au sommet de la pyramide, là où se crée la valeur la plus perturbatrice : l'automatisation de tâches complexes et longues via des agents autonomes. C'est précisément là que les prix explosent, que la consommation de jetons devient imprévisible, et que seules les organisations disposant de budgets substantiels, ou de contrats négociés directement avec les fournisseurs, peuvent absorber la facture sans plafonner l'usage. Une grande entreprise peut négocier des tarifs préférentiels, répartir le risque sur des milliers d'employé(e)s, et absorber les pics de consommation. À l’inverse, une personne travailleuse autonome ou une PME subit le plein tarif public et doit choisir entre plafonner son usage ou accepter une facture imprévisible. Dans une économie québécoise qui repose principalement sur la présence des PME, on peut se demander si notre économie risque de prendre du retard par rapport aux plus grandes organisations.

Ce n'est donc pas tant une barrière d'accès binaire (riches dedans, pauvres dehors) qu'un écart de capacité qui se creuse. Tout le monde peut utiliser l'IA générative de base. Mais l'usage le plus transformateur, celui qui permet de déléguer des projets entiers plutôt que des tâches ponctuelles, devient un avantage compétitif réservé à celles et ceux qui peuvent se permettre d'en payer le prix fort et d'en absorber la variabilité.

La réponse honnête à la question posée dans ce texte est donc double. Non, l'IA générative de base ne devient pas un luxe : elle continue de se démocratiser rapidement, et cette tendance est solidement documentée. En revanche : oui, le sommet de la capacité de l’IA générative, celui qui produit le gain de productivité le plus radical, est de plus en plus réservé aux organisations capables d'en absorber le coût réel et la volatilité.

Si cette dynamique se maintient, l'IA générative ne créera pas un monde à deux vitesses entre les personnes qui y ont accès et celles qui n'y ont pas accès, mais plutôt entre les organisations qui peuvent se permettre de la pousser à son plein potentiel et celles qui devront se contenter de ses miettes les moins chères. Cette perspective reste bien représentative et cohérente avec le modèle capitaliste dans lequel nous vivons et le phénomène de clivage des chances entre les sociétés les mieux et moins nanties.

Je souhaite toutefois terminer cet article sur une note positive. Le Québec et le Canada peuvent, dès aujourd’hui, saisir l’opportunité de se positionner comme puissance énergétique mondiale. Hydro-Québec est l’un des leaders mondiaux en hydroélectricité. Pourquoi ne pas se positionner et investir massivement dans ce domaine dès aujourd’hui? Cet atout, à long terme, pourrait permettre à notre société de bénéficier de revenus substantiels quant à la demande mondiale d’énergie, et ainsi donner un avantage concurrentiel indéniable à nos entreprises en réinvestissant une partie des revenus énergétiques en subvention à l’utilisation de l’IA.

Comme dirait une chère collègue : tout est dans tout!

Médiagraphie

Les sources suivantes sont classées par nature. Les URL ont été vérifiées le 3 juillet 2026. Les affirmations chiffrées de l'article renvoient aux sources ci-dessous.

Sources primaires (données d'origine et documents officiels)

Anthropic. « Claude Fable 5 and Claude Mythos 5 ». Anthropic (blogue officiel), 9 juin 2026. https://www.anthropic.com/news/claude-fable-5-mythos-5

Anthropic. « Covering electricity price increases from our data centers ». Anthropic (blogue officiel), 11 février 2026. https://www.anthropic.com/news/covering-electricity-price-increases

Anthropic. « Pricing » (page de tarification officielle de l'API Claude). Consultée le 3 juillet 2026. https://platform.claude.com/docs/en/about-claude/pricing

Cottier, Ben, Ben Snodin, David Owen et Tom Adamczewski. « LLM inference prices have fallen rapidly but unequally across tasks ». Epoch AI, 12 mars 2025. https://epoch.ai/data-insights/llm-inference-price-trends

Études et rapports de recherche

Gartner. Rapport sur le coût d'inférence des grands modèles de langage à l'horizon 2030 (cité par Fortune ; analyste : Will Sommer). Mai 2026.

Goldman Sachs. Prévision sur la consommation mondiale de jetons d'ici 2030 (multiplication par 24 ; citée par Fortune). Mai 2026.

Presse et médias

McKenna, Alain. « Intelligence artificielle : en fin de compte, l'IA coûte trop cher » (dossier de trois articles, incluant « Victime de son succès »). La Presse, 1er juin 2026. https://www.lapresse.ca/affaires/techno/intelligence-artificielle/en-fin-de-compte-l-ia-coute-trop-cher/2026-06-01/intelligence-artificielle/victime-de-son-succes.php

Fortune. « Microsoft reports are exposing AI's real cost problem: Using the tech is more expensive than paying human employees ». Fortune, 22 mai 2026. https://fortune.com/2026/05/22/microsoft-ai-cost-problem-tokens-agents/

Note sur les sources

Les prévisions de Gartner et de Goldman Sachs sont citées ici telles que rapportées par Fortune ; les rapports intégraux de ces cabinets n'ont pas été consultés à la source. Epoch AI est une organisation de recherche indépendante dont le financement inclut des bailleurs liés à l'industrie de l'IA (notamment Open Philanthropy et, selon PitchBook, OpenAI) ; ses données quantitatives sont toutefois publiques et vérifiables. Le tableau de la structure de coûts d'Anthropic repose en partie sur des estimations d'analystes (Anthropic étant une entreprise privée), à l'exception des lignes « énergie » et « sécurité », appuyées par des communications officielles d'Anthropic.