Le prix du jeton s'effondre. Votre facture, non.

Le prix de l'intelligence artificielle baisse plus vite que celui de presque tout ce que l'industrie a connu. Cette baisse est réelle, mais elle ne mesure pas ce que vous payez. Un projet d'IA en entreprise n'achète pas des jetons : il achète des tâches réussies, et chaque tâche réussie porte le coût de celles qui ont échoué. Plus le jeton devient bon marché, plus la rentabilité d'un projet se joue ailleurs que sur la facture d'API : dans son taux de réussite, et dans le travail humain qu'il faut pour rattraper ses échecs.

Le jeton n'est pas un baril de pétrole

Les chiffres de baisse sont spectaculaires. En septembre 2026, l'institut de recherche Epoch AI estimait que le coût pour atteindre un niveau de performance donné avait baissé d'environ 47 % par trimestre depuis 2023, soit une division par 13 chaque année. C'est six fois plus rapide que la baisse du coût du calcul informatique lui-même.

Il y a pourtant un détail qui compte : Epoch AI ne mesure pas le prix du jeton. Elle mesure ce que coûte l'atteinte d'un résultat sur un banc d'essai, et prend soin de distinguer ces deux grandeurs. La nuance n'est pas académique, car le jeton n'a rien d'une matière première.

Il n'a pas de prix universel. Un baril de pétrole se compare à un autre baril. Le jeton d'un modèle ne vaut pas celui d'un autre : les tarifs varient d'un facteur dix ou plus selon le modèle, et les forfaits exprimés en « jetons inclus » sont à peu près illisibles pour un acheteur.

Sa quantité n'est pas prévisible. Personne ne sait, avant de lancer une tâche, combien de jetons elle consommera. Le même modèle peut produire une réponse parfaite du premier coup, ou s'égarer dans des développements inutiles et des relances. D'un modèle à l'autre, l'écart est considérable. En février 2026, le cabinet d'évaluation Artificial Analysis relevait qu'à tarif strictement identique, Claude Opus 4.6 avait consommé deux fois plus de jetons de sortie que son prédécesseur Opus 4.5 pour passer la même batterie de tests (58 millions contre 29 millions). Même prix unitaire, deux fois plus de jetons de sortie à payer. Dans le même relevé, GPT-5.2 consommait 130 millions de jetons de sortie, plus du double d'Opus 4.6, pour une facture totale pourtant comparable : 2 304 dollars contre 2 486. Le prix du jeton et le nombre de jetons varient ensemble, et dans des sens imprévisibles. Pris isolément, aucun des deux ne dit ce que coûte le travail.

Une image venue de l'atelier

Dans l'industrie, ce problème est résolu depuis longtemps. Aucun directeur d'usine ne juge une fonderie sur le prix du kilo de métal. Il la juge sur le coût de la bonne pièce : ce que coûte une pièce conforme, rebuts et retouches compris. Une fonderie qui vend son métal deux fois moins cher, mais rebute une pièce sur quatre et mobilise un régleur pour reprendre les autres, coûte plus cher que sa concurrente. L'indicateur qui compte est le rendement au premier passage : la part des pièces qui sortent conformes du premier coup, sans retouche.

L'IA générative relève exactement de cette logique. Le jeton est le kilo de métal. Ce que l'entreprise achète, c'est la bonne pièce.

Le cas : deux devis pour 1 000 notes de frais

Prenons un cas simulé, mais réaliste. Le directeur administratif et financier d'une entreprise de taille intermédiaire veut confier à un agent IA le contrôle des notes de frais : environ 1 000 par mois. L'agent enchaîne trois étapes : lire le justificatif, vérifier la conformité à la politique de remboursement, rédiger la décision.

Deux offres sont sur la table. Le modèle « économique » est affiché à 0,50 € le million de jetons ; le modèle « frontière » à 5 €, dix fois plus. Sur le papier, la décision paraît évidente.

Un pilote d'un mois corrige une première fois ce calcul. Le modèle économique, moins capable, boucle davantage, relit, se reprend et produit des réponses plus longues : il consomme en moyenne 60 000 jetons par note, contre 15 000 pour le modèle frontière. Le coût de calcul par note s'établit donc à 0,03 € contre 0,075 €. L'écart de prix, qui était de un à dix, n'est plus que de un à deux et demi.

Ce n'est pourtant que la moitié de l'histoire. La question qui décide de tout reste ouverte : combien de ces notes sont justes ?

Chaque réussite paie pour les échecs

Un agent IA est probabiliste. Il peut se tromper sans le signaler, et produire une décision fausse avec la même assurance qu'une décision juste.

Sur une chaîne de trois étapes, les erreurs s'accumulent.

Si le modèle économique réussit chaque étape dans 90 % des cas, les trois étapes réussissent ensemble dans environ 73 % des cas (0,90 × 0,90 × 0,90). Pour le modèle frontière, fiable à 97 % par étape, on obtient environ 91 %. Les industriels connaissent ce calcul sous le nom de rendement cumulé : la conformité d'une ligne est le produit de la conformité de chacun de ses postes. Ce n'est qu'un ordre de grandeur, valable si les erreurs sont indépendantes d'une étape à l'autre ; seul le pilote dit le chiffre réel. Mais il explique pourquoi une fiabilité qui semble élevée à chaque étape s'effondre sur la chaîne entière.

Les ingénieurs résument la conséquence économique d'une formule : le coût d'une tâche réussie est le coût d'une tentative divisé par la probabilité de succès. Traduit en langage de gestion : si une note sur quatre échoue, chaque note réussie paie sa propre tentative, plus une part de celles qui ont raté.

Reste à savoir comment on paie un échec. Il existe deux manières.

• Relancer la machine. Le coût est dérisoire : pour le modèle économique, 0,03 € divisé par 73 % donne environ 0,04 € par note réussie. Si l'histoire s'arrêtait là, le modèle économique gagnerait.
• Faire reprendre la note par un comptable. Une décision de remboursement erronée ne se relance pas à l'aveugle : quelqu'un doit reprendre le dossier, vérifier, trancher. Comptons un quart d'heure à 60 € de l'heure, soit 15 € par reprise.

Dans la plupart des processus métier, c'est la seconde voie qui s'impose. Et elle change tout.

Le verdict : le modèle le moins cher coûte trois fois plus

Le modèle dix fois moins cher au jeton revient trois fois plus cher par note acceptée. Les jetons pèsent moins de 1 % du coût pour le modèle économique, environ 5 % pour le modèle frontière. Tout le reste correspond à ce que la facture d'API ne montre jamais : le travail humain qui rattrape les échecs.

Ce tableau est même optimiste. Il suppose que chaque échec est repéré. En pratique, pour trouver les notes fausses, il faut un contrôle, et ce contrôle a lui aussi un coût. Il ne compte pas non plus les serveurs, l'orchestration ni la maintenance des règles. On ne paie pas un modèle : on paie un dispositif.

La règle de décision tient en une ligne :

Coût d'une tâche réussie = tout ce qu'on a dépensé pour l'obtenir (tentatives, relances, reprises) ÷ nombre de tâches réussies.

C'est le coût de la bonne pièce, appliqué à l'IA.

La dérive silencieuse : quand la baisse de prix masque une hausse de coût

Supposons que le DAF ait fait le bon choix et retenu le modèle frontière. Six mois plus tard, le fournisseur publie une nouvelle version et divise son prix par deux. La facture d'API passe de 75 € à 37,50 € par mois. Le tableau de bord affiche une économie de 50 %.

Mais un système probabiliste ne tombe pas en panne : il s'érode. La nouvelle version se comporte un peu différemment, les justificatifs changent de format, la politique de remboursement évolue. Sans qu'aucune alerte ne se déclenche, le taux de réussite passe de 91 % à 85 %. Cela fait 150 reprises au lieu de 87, soit 2 250 € de travail humain. Le coût par note acceptée passe d'environ 1,38 € à 2,29 € : +66 %, au moment même où le prix du jeton a baissé de moitié.

Ces chiffres sont une illustration, pas une loi : une dérive peut être plus lente, plus rapide, ou nulle. C'est précisément la raison pour laquelle on ne peut pas la supposer et qu'il faut la mesurer. Celui qui ne suit que la facture de jetons célébrera une économie. Seule la mesure régulière du taux de réussite révèle la hausse.

Ce qu'il faut exiger avant de signer

La baisse du prix du jeton est une bonne nouvelle pour l'industrie. Pour un décideur, elle déplace la question : plus le calcul devient bon marché, plus le coût d'une tâche se réduit au coût de ses échecs. Trois questions suffisent à remettre un projet sur ses pieds.

1. Quel est le coût d'une tâche réussie, échecs et reprises compris ? Non le prix du jeton, ni le prix d'une requête.
2. Quel taux de réussite a été mesuré sur nos propres dossiers ? Non celui d'un banc d'essai public, ni celui qu'annonce le fournisseur.
3. Qui mesure ce taux chaque mois, et en particulier après chaque mise à jour du modèle ?

Ne construisez plus vos dossiers d'investissement sur le coût théorique d'une requête. Évaluez le dispositif complet, et exigez la mesure du coût unitaire par tâche validée. Dans une usine, personne n'accepterait de piloter une ligne au prix du kilo de métal. Il n'y a aucune raison de le faire avec l'IA.

Pour aller plus loin, le livre blanc gratuit La facture fantôme de l'IA examine pourquoi les gains annoncés ne produisent pas toujours les économies attendues. Le Volume 1 de SAGA-IA permet d'éprouver la viabilité économique de votre propre projet, avec des cas et des exercices corrigés.

Le cas des notes de frais est une simulation construite pour cet article ; ses montants et ses taux sont des conventions explicites, non des observations.