Les entreprises technologiques se montrent intéressées par les modèles d'intelligence artificielle économiquement avantageux

L’essor de l’intelligence artificielle s’est basé sur une hypothèse fondamentale : les modèles plus grands sont plus performants, et ce sont ceux-ci qui gagnent. À présent, l’industrie est sur le point de découvrir ce qu’il se passe lorsque cette hypothèse commence à vaciller.

Les coûts croissants ont déjà poussé les utilisateurs à réfléchir à l’utilisation de modèles plus petits et moins chers. Cette approche axée sur les coûts dans le choix des modèles est nouvelle, et il reste à voir comment elle va transformer l’industrie – mais son impact pourrait être significatif.

L’une des prédictions, formulée de manière particulièrement claire par Brian Armstrong, cofondateur de Coinbase, est que la grande majorité des tâches sera assurée par des modèles moins chers.

“La demande en intelligence artificielle est presque infinie, mais dans 12 à 18 mois, 80 % des travaux seront effectués avec des modèles qui coûtent 99 % de moins”, a écrit Armstrong sur X. “Les 20 % restants nécessiteront toujours les modèles de dernière génération, où l’optimisation des performances est cruciale.”

Il est difficile de surestimer l’importance d’un tel changement pour l’industrie de l’intelligence artificielle si la prévision d’Armstrong se réalise.

Jusqu’à présent, la plupart des entreprises spécialisées en intelligence artificielle se sont affrontées sur la qualité, ce qui signifiait utiliser les modèles les plus avancés disponibles. Si les mêmes tâches peuvent être effectuées par des modèles moins chers sans aucune perte de qualité, cela marquerait un changement majeur dans l’économie de l’intelligence artificielle. De plus, une grande partie des économies réalisées proviendrait directement des revenus des grandes entreprises, ce qui aurait un impact financier négatif pour OpenAI et Anthropic à l’approche de leurs introductions en bourse.

Il s’agit d’un changement potentiellement révolutionnaire pour l’industrie, qui dépend d’une question fondamentale : les entreprises sont-elles prêtes à passer à des modèles plus petits ?

Les premiers tests suggèrent que, avec la bonne configuration, les modèles moins chers peuvent remplir leur rôle sans aucune perte de qualité. Dans un test récent mené par l’outil d’intelligence artificielle juridique Harvey, l’entreprise a réussi à réduire de trois fois les coûts d’inference sans baisser la qualité. Le test, réalisé en collaboration avec la plateforme Fireworks AI, a combiné Claude Opus et le modèle GLM 5.1 de Fireworks, et a utilisé Opus pour les tâches les plus exigeantes. Le résultat a été une charge beaucoup moins lourde sur les serveurs et des coûts globalement réduits.

“La qualité est toujours prioritaire, surtout dans le domaine juridique”, a déclaré Gabe Pereyra, cofondateur de Harvey, à TechCrunch, en parlant des services juridiques basés sur l’intelligence artificielle de son entreprise. “Cependant, la définition de la qualité évolue : il ne s’agit plus simplement d’utiliser le modèle le plus puissant pour tout, mais de choisir le meilleur modèle capable de fournir les bonnes réponses de manière la plus efficace.”

Cette tendance est souvent présentée comme un affrontement entre les grandes entreprises et les modèles chinois ou open-source, mais cela manque de perspective. Le véritable clivage n’est pas entre les modèles propriétaires et ceux open-source, mais entre les grands modèles et les petits. Vous pouvez économiser de l’argent en passant de GPT-5.5 à DeepSeek’s V4Flash, mais passer à GPT-5.4-mini fonctionne tout aussi bien.

Il existe une véritable guerre des prix entre les services d’inference internes des grandes entreprises et les modèles open-source proposés indépendamment. Concernant la question fondamentale du rapport entre petits et grands modèles, il n’est pas vraiment important de savoir quel type de modèle petit l’emportera.

Tout cela peut sembler évident : bien sûr, il ne faut pas utiliser plus de ressources informatiques que nécessaire – mais cela va à l’encontre de l’approche axée sur l’échelle qui a dominé l’industrie jusqu’à présent. Inspirées par cette leçon douloureuse, les grandes entreprises se sont concentrées sur la formation de modèles nécessitant un grand nombre de ressources informatiques, poussant ainsi les limites de ce que les modèles d’intelligence artificielle peuvent accomplir. Avec les prix fortement subventionnés par les investisseurs, les clients n’avaient aucune raison de choisir autre chose que le modèle le plus avancé.

Avec la hausse des prix des jetons et la réduction des subventions, les utilisateurs font face à des pressions financières pour la première fois. Nous ne savons pas encore si cette nouvelle pression financière poussera les entreprises vers l’utilisation de modèles plus petits. Elles pourraient tout aussi bien économiser en effectuant moins d’appels, en utilisant des fenêtres contextuelles plus courtes, ou simplement en abandonnant les déploiements les moins prometteurs.

Mais si il s’avère que la plupart des déploiements fonctionnent tout aussi bien avec des modèles plus petits, cela pourrait freiner sérieusement la croissance de la demande en services d’inference – et soulever de nouvelles questions sur la justification des coûts de formation des modèles les plus avancés.