« Tokenomics » : l’économie du boom de l’IA

Par iCapital

• Une IA moins chère n’est pas nécessairement une mauvaise nouvelle pour la théorie d’investissement liée à l’IA. La question essentielle est de savoir si l’augmentation de l’utilisation peut compenser la baisse du prix des tokens et soutenir les investissements dans l’IA.

• La pression sur les prix s’intensifie dans l’ensemble de l’écosystème de l’IA. Les modèles ouverts, la discipline budgétaire des entreprises et les gains d’efficacité contribuent tous à faire baisser le prix des tokens, ce qui pourrait redéfinir les mécanismes de création de valeur.

• La construction de portefeuille devient de plus en plus importante à mesure que le secteur de l’IA arrive à maturité. Si la demande continue de progresser, les dépenses en infrastructures pourraient rester solides. Dans le cas contraire, les entreprises qui financent le déploiement de ces infrastructures pourraient être plus vulnérables que celles qui utilisent l’IA.

Le cycle d’investissement dans l’IA a été porté par l’hypothèse d’une augmentation continue des dépenses liées aux modèles, aux centres de données, à l’électricité, aux semi-conducteurs et à la puissance de calcul. Toutefois, la baisse des prix des tokens des modèles les plus avancés pourrait remettre en question cette hypothèse. Des prix plus faibles pourraient accélérer l’adoption globale de l’IA et élargir le champ des cas d’usage économiquement viables. Mais une adoption accrue pourrait ne pas se traduire automatiquement par une hausse des profits pour tous les acteurs.

Pour les investisseurs, la question est de savoir si l’utilisation augmentera suffisamment rapidement pour compenser la baisse des prix. La réponse déterminera la manière dont la valeur circulera à travers l’écosystème de l’IA, les maillons de la chaîne qui en bénéficieront, et ceux qui pourraient se trouver sous pression.

La chaîne de valeur de l’IA : comment circule un dollar

Pour comprendre où la baisse du prix des tokens a le plus d’impact, il est utile de suivre les flux financiers à travers la chaîne de valeur de l’IA.

La figure 2 illustre la façon dont 1 dollar de dépenses pour les modèles fondamentaux d’IA se répartit entre les sociétés de modèles, les fournisseurs de cloud, les centres de données, l’énergie, les puces, la mémoire et la fabrication.

Les profils se répartissent différemment selon la chaîne de valeur de l'IA

L’analyse de ces flux montre rapidement que tous les maillons de la chaîne ne participent pas de la même manière à l’économie de l’IA. La couche des modèles fondamentaux, pourtant la plus proche de l’utilisateur final, fonctionne à perte d’exploitation et est financée par des capitaux extérieurs plutôt que par ses revenus [Figure 4]. Les fournisseurs de cloud et de « neocloud »¹  dégagent des marges limitées, les acteurs indépendants du neocloud ne générant presque pas de bénéfices une fois les coûts de financement intégrés [Figure 4].

Les principaux pôles de profit se situent plus en amont, au niveau des semi-conducteurs : les concepteurs de puces tels que Nvidia, AMD et Broadcom, les fabricants de mémoire comme Micron et SK Hynix, ainsi que les producteurs des puces affichent des marges bien supérieures au reste de la chaîne [Figure 4]. Autrement dit, à mesure que les dépenses liées à l’IA se diffusent dans l’écosystème, la valeur se concentre non pas dans les couches les plus proches de l’utilisateur, mais chez les fournisseurs de matériel situés à la base de la chaine de valeur.

Pourquoi les prix des tokens baissent-ils ?

Trois facteurs semblent alimenter cette baisse des prix, chacun ayant des implications différentes pour la chaîne de valeur de l’IA. Une guerre des prix n’a pas les mêmes conséquences qu’une réduction des coûts liée à une amélioration de l’efficacité informatique.

L’impact des modèles “open-weight”

Le facteur le plus visible est la concurrence. Les modèles « open-weight » ², portés notamment par les laboratoires chinois, réduisent progressivement l’écart de performance avec les laboratoires propriétaires des modèles fermés2 les plus avancés tout en proposant des coûts nettement inférieurs ³. Les performances des modèles ouverts accusent désormais seulement quelques mois de retard par rapport aux modèles fermés, et le coût d’entraînement de DeepSeek aurait été environ 30 fois inférieur à celui du modèle o1 d’OpenAI [Figure 5].⁴  À mesure que les modèles deviennent plus performants et mieux intégrés aux flux de travail, les principaux utilisateurs de l’IA orientent de plus en plus leurs tâches vers des modèles moins coûteux, mais dont les capacités restent suffisantes pour répondre à leurs besoins.

Les modèles open-weight deviennent de plus en plus compétitifs

Au-delà des coûts, les modèles open-weight offrent du contrôle, de la personnalisation et de la propriété des données, ce qui les rend attractifs pour les organisations disposant de processus métiers spécialisés pour lesquels ces attributs peuvent être aussi importants que la capacité pure du modèle. Le partenariat récemment annoncé entre Palantir et Nvidia, centré sur le déploiement de modèles ouverts dans des environnements gouvernementaux sensibles au titre de la sécurité, illustre bien ce compromis. ⁶

Selon Ramp, les modèles ouverts représentent encore une faible part de l’usage des tokens en entreprise, avec un peu plus de 5 %. Toutefois, les plus gros consommateurs de tokens figurent déjà parmi les utilisateurs les plus actifs de ces modèles, ce qui laisse penser que leur adoption devrait s’étendre à mesure que l’usage de l’IA en entreprise se généralise [Figure 6].

L’impact des entreprises clientes

Le deuxième facteur qui pèse sur la tarification des tokens provient de la demande. Les entreprises semblent commencer à contester la hausse rapide des coûts liés à l’IA. À mesure que les usages passent de projets pilotes à des déploiements mis en production, les acheteurs pourraient évaluer de plus en plus les modèles sur la base du coût par tâche réalisée plutôt que sur leur seule performance comparative. Pour de nombreuses entreprises, un modèle offrant 95 % des capacités d’un modèle de pointe à la moitié du coût représente une option économiquement plus attrayante. L’indice Silicon Data Large Language Model (LLM) Token Expenditure Index, qui mesure le montant que les utilisateurs sont prêts à payer pour accéder aux LLM pondéré par leur utilisation, a fortement reculé ces derniers mois, suggérant une sensibilité accrue aux prix de la part des clients [Figure 8].

L’impact des gains d’efficacité

Dans le contexte de l’IA, l’efficacité peut prendre deux formes distinctes. La première consiste à réduire le nombre de tokens nécessaires pour accomplir une tâche donnée. Par exemple, une entreprise pourrait diminuer de 30 % sa consommation de tokens par tâche, mais utiliser l’IA sur trois fois plus de tâches, ce qui entraînerait malgré tout une hausse de la demande globale de calcul.

La seconde provient des fournisseurs eux-mêmes, qui ont besoin de moins de ressources informatiques pour générer chaque token. Récemment, les coûts d’inférence ont diminué rapidement grâce aux progrès technologiques et aux améliorations du matériel [Figure 9]. Par exemple, à mesure que l’IA passe de la recherche avancée aux usages de production, les entreprises utilisent davantage de puces spécialisées, appelées ASICs (Application-Specific Integrated Circuits), capables d’exécuter certaines tâches à moindre coût que les GPU polyvalents.

Ces deux formes d’efficacité contribuent à réduire les coûts de fourniture des services d’IA et exercent une pression à la baisse sur le prix des tokens. La sensibilité au prix des utilisateurs déterminera si cette baisse des prix réduira l’investissement dans les infrastructures. Si la baisse des prix incite à plus d’utilisation, la capacité de calcul totale peut continuer à croître malgré la baisse des prix. A défaut, les gains d’efficacité pourraient réduire les investissements le long de la chaîne de valeur.

Lire la suite sur le site d’iCapital (en anglais)

1 Un néo-cloud (neocloud) est un fournisseur de services cloud spécialisé, conçu avant tout pour l’intelligence artificielle, dont l’activité consiste à louer des capacités de calcul GPU haute performance destinées à l’entraînement et à l’exécution de modèles d’intelligence artificielle.

2 Les modèles open-weight sont des modèles d’IA dont les composants fondamentaux sont publiés librement et accessibles au public. Toute personne peut ainsi les télécharger, les exécuter sur ses propres infrastructures, comprendre leur fonctionnement et les adapter à des besoins spécifiques.

3  Organisations qui entraînent et développent des modèles d’IA de pointe à partir de zéro. OpenAI et Anthropic en sont des exemples.

4 Epoch AI, What Went Into Training DeepSeek-R1?, 31 janvier 2025.

5  Nvidia, Open Models, Closed Environments: Palantir Brings Secure AI to US Agencies With NVIDIA Nemotron, 29 juin 2026.

6  Ramp, données arrêtées au 1er juin 2026.

Lire aussi :

La géographie des data centers pourrait être bouleversée

Les data centers deviennent les autoroutes de l’IA

Le talon d’Achille de l’IA : une équation financière qui se dégrade