Comment fixer le prix de l'IA ?

Pourquoi la tarification des LLM représente-t-elle un tel défi ?

Les LLM sont des produits atypiques, car leur utilisation et la valeur qu’ils représentent varient d’un consommateur à l’autre. Un programmeur peut s’appuyer sur un assistant IA pour générer du code, un avocat peut l’utiliser pour analyser des documents, tandis qu’un étudiant peut lui demander d’expliquer un concept ou de résumer un manuel. Même pour un même utilisateur, la valeur de l’IA varie. Certaines demandes sont anodines, tandis que d’autres peuvent faire gagner des heures de travail ; chaque consommateur a donc sa propre combinaison de tâches et sa propre disposition à payer.

Cela crée un niveau de complexité redoutable pour tout fournisseur chargé de concevoir un système de tarification. Parallèlement, une fois qu’un utilisateur a acheté un accès à un LLM, le fournisseur ne peut pas savoir comment il l’utilise pour différentes tâches. Les économistes qualifient cette combinaison de préférences cachées et de comportements cachés de « sélection adverse » et d’« aléa moral ».

En quoi les « budgets de jetons » contribuent-ils à résoudre ce problème ?

La plupart des services de LLM mesurent l’utilisation en jetons, qui correspondent approximativement à des fragments de texte. Lorsque vous saisissez une requête et recevez une réponse, le système traite les jetons d’entrée provenant de votre requête et les jetons de sortie générés par le modèle. 

L’un des principaux enseignements de nos recherches est que la valeur créée par les jetons tend à évoluer de manière prévisible. Cela signifie que même si les utilisateurs de LLM effectuent de nombreux types de tâches différentes, leur comportement peut souvent être résumé par un seul chiffre : leur demande globale en capacité de calcul IA. Ainsi, plutôt que de devoir connaître chaque tâche effectuée par un utilisateur, les fournisseurs peuvent se concentrer sur le nombre total de jetons que celui-ci est susceptible de consommer.

Dans notre cadre, cette propriété permet aux entreprises de concevoir des menus simples de forfaits de jetons. Les utilisateurs sélectionnent alors le forfait qui correspond le mieux à leur demande prévue, révélant ainsi des informations les concernant par leur choix.

Comment les fournisseurs devraient-ils donc tarifer l’accès aux LLM ?

Notre cadre suggère que plusieurs mécanismes de tarification peuvent s’avérer optimaux. Le premier est une formule à dépense maximale, dans laquelle les utilisateurs achètent un crédit et le dépensent à leur guise jusqu’à épuisement du solde. Le deuxième est une formule à dépense minimale qui engage les utilisateurs à dépenser au moins un certain montant par mois en échange de prix par jeton plus bas. Le troisième est un tarif en deux parties qui combine un abonnement forfaitaire et un prix par jeton basé sur l’utilisation.

En général, le prix efficace d’un jeton d’IA est égal à son coût marginal (le coût de traitement d’un jeton supplémentaire). Mais les entreprises qui cherchent à maximiser leurs profits ont généralement recours à une tarification non linéaire. Les gros utilisateurs paient globalement plus cher, mais leur prix moyen par jeton peut être inférieur à celui payé par les petits utilisateurs. 
 

Anthropic, OpenAI et Google proposent chacun une gamme de modèles. Votre théorie correspond-elle à leurs structures tarifaires ?

De nombreux systèmes de tarification sur le marché actuel des LLM ressemblent fortement aux stratégies prédites par notre modèle théorique.
La structure par niveaux d’Anthropic - allant du forfait Pro à 20 $ par mois au forfait Max 20x à 200 $ - donne à tous les utilisateurs payants accès à la même famille de modèles, mais différencie les forfaits en fonction de la quantité de ressources de calcul que l’utilisateur peut consommer. Les modèles plus avancés ont tendance à utiliser les jetons plus rapidement. Par exemple, une requête Opus peut épuiser le budget d’un utilisateur plus rapidement qu’une requête Sonnet.

La grille tarifaire d’OpenAI combine deux stratégies de sélection. Les formules supérieures donnent accès à la fois à des quotas d’utilisation plus importants et à des modèles plus puissants. Par exemple, l’entreprise réserve les capacités de raisonnement avancées à sa formule d’abonnement premium à 200 $.

Notre théorie tient également compte de plateformes telles que Poe de Quora et GitHub Copilot, qui revendent l’accès à des modèles d’IA développés par d’autres fournisseurs. Toutes deux offrent à leurs abonnés un budget mensuel de « points de calcul » qu’ils peuvent utiliser sur de nombreux modèles différents, mais Copilot permet également aux utilisateurs de dépasser ce quota à un prix fixe par requête.

Qu'en est-il de l'accès aux LLM pour les développeurs ?

Les développeurs accèdent généralement aux LLM via des interfaces de programmation d’applications (API), qui permettent aux logiciels d’interagir directement avec un modèle. Sur ces marchés, la tarification est très différente. Anthropic, OpenAI et Google facturent aux développeurs un prix linéaire simple par jeton, sans frais d’abonnement, sans remises sur volume ni allocations groupées.

Notre théorie prévoit cela également, mais pour une raison différente. La tarification linéaire correspond à une stratégie visant à maximiser la valeur totale, ce qui suggère que les fournisseurs privilégient l’adoption et la croissance plutôt que les profits à court terme. La chute rapide des prix des API corrobore cette interprétation : le coût d’une capacité de type GPT-4 a baissé d’environ 90 % au cours de ses 16 premiers mois sur le marché.

Comment les nouveaux acteurs open source changent-ils la donne ?

L’arrivée de DeepSeek l’année dernière, proposant des modèles d’IA hautement performants à un coût nettement inférieur, a démontré à quel point la concurrence des modèles open source est susceptible de redéfinir les stratégies de tarification actuelles.

Notre modèle suggère que les utilisateurs à faible valeur adopteront l’alternative open source bon marché, tandis que les utilisateurs à forte valeur resteront fidèles aux modèles haut de gamme. Pour réduire la tentation des utilisateurs intermédiaires de se détourner ou de répartir leur demande entre plusieurs fournisseurs, la réponse optimale pour une entreprise propriétaire consiste à baisser ses prix pour les utilisateurs de milieu de gamme.

POINTS CLÉS

• La tarification de l’IA obéit à une logique économique – Les systèmes de tarification par abonnement et par jetons observés dans la réalité correspondent étroitement aux stratégies prédites par la théorie économique.
• Les jetons simplifient la complexité – Même si les utilisateurs effectuent de nombreuses tâches différentes, leur comportement peut être résumé par la demande globale de capacité d’IA.
• Les gros utilisateurs paient moins par jeton – La tarification non linéaire signifie que les gros clients paient souvent un prix moyen inférieur, même s’ils dépensent globalement davantage.
• Point d'inflexion – Alors que le secteur des grands modèles linguistiques (LLM) passe d'une phase de croissance rapide à celle de la rentabilité, la recherche économique peut mettre en lumière les stratégies de tarification les plus efficaces.

POUR ALLER PLUS LOIN

Depuis sa création en 2018, les chercheurs du Centre Digital TSE mènent des travaux visant à comprendre les aspects économiques des plateformes numériques, du Big Data et de l’IA. L’article « Menu Pricing of Large Language Models » (coécrit par Dirk Bergemann et Alessandro Bonatti) ainsi que d’autres publications d’Alex Smolin sont disponibles sur le site web de TSE.

Article publié dans TSE Reflect, mars 2026