Durant la semaine à cheval sur fin août et début septembre, plusieurs laboratoires d'IA ont lancé des modèles les uns après les autres : Anthropic a mis à jour Claude Fable 5.1 et Mythos 5.1, Meta a publié Muse Spark 1.3, Google a mis en ligne Gemini 3.8 Flash, OpenAI a lancé GPT-6 Astra, et Nvidia a sorti Nemotron 3.5 Lightning. Dans un article du 6 septembre, CNBC a donné un nom à la réaction des entreprises face à cette semaine : la fatigue des modèles.
Cette fatigue ne vient pas des capacités des modèles eux-mêmes. Selon l'article, ce que les dirigeants et les responsables informatiques doivent comparer en permanence ne se limite plus aux scores de benchmarks : il s'agit du prix, de la vitesse, de la fiabilité, et de savoir si, appliqué à leur propre cas d'usage, le modèle permet vraiment d'économiser de la main-d'œuvre. À chaque nouvelle vague de modèles, toute cette comparaison doit être refaite. Un dirigeant interrogé a déclaré que, sur dix nouveaux modèles, il n'avait réellement eu le temps d'en évaluer que cinq.
Les dépenses continuent de grimper
Gartner prévoit des dépenses mondiales en IA de 2 590 milliards de dollars cette année, soit 47 % de plus qu'en 2025. Plus de la moitié de cette somme va à l'infrastructure ; le reste — services, logiciels, cybersécurité, modèles et outils associés — dépasse au total 1 000 milliards de dollars.
En décomposant ces 1 000 milliards de dollars, les frais d'appel aux modèles ne sont qu'un poste parmi d'autres. Ce que le choix d'un modèle consomme vraiment, ce sont des éléments absents de tout devis : environnements d'évaluation, benchmarks internes, effort de migration et tests de non-régression. Si une entreprise de taille moyenne réévalue son modèle principal chaque trimestre, cela fait quatre cycles par an ; chaque cycle implique de réécrire les prompts, de relancer les jeux d'évaluation et de tester l'intégration en amont et en aval — en heures de travail, cela pèse souvent plus lourd que la facture d'API elle-même. Il s'agit d'une estimation approximative fondée sur les tarifs publics et les processus d'ingénierie courants ; aucune entreprise n'a publié le coût réel de son propre choix de modèle.
Pourquoi l'offre ne s'arrête pas
Du point de vue des fournisseurs de modèles, ce rythme de lancements serré vise à capter une plus grande part du portefeuille client. Ahmed Abbasi, de la Mendoza College of Business de l'université de Notre Dame, parle de « share of wallet » : les laboratoires doivent non seulement suivre le rythme les uns des autres, mais aussi prouver en permanence aux développeurs qu'ils ne prennent pas de retard. Anthropic et OpenAI se dirigent toutes deux vers les marchés publics, avec des valorisations privées proches de 1 000 milliards de dollars chacune, et le rythme des lancements est étroitement lié au récit de leurs levées de fonds.
De l'autre côté, il y a l'attention des acheteurs. Plus les modèles se succèdent vite, plus les entreprises ont tendance à repousser leur choix, ou tout simplement à se fixer tôt sur un fournisseur et à s'y tenir — ces deux réactions affaiblissent l'effet des nouveaux lancements. L'article de CNBC ne s'appuie sur aucune enquête quantitative ; les propos rapportés reflètent le ressenti des personnes interrogées.
Ce qui pourra être vérifié viendra plus tard. Les 2 590 milliards de dollars sont une prévision annuelle établie par un cabinet d'études ; le résultat réel ne sera connu que l'an prochain. Quant à savoir si les entreprises accélèrent ou retardent leur changement de modèle, cela ne se verra que dans la composition des revenus liés aux services d'IA publiée dans les résultats trimestriels des fournisseurs de cloud. Pour l'instant, seul le rythme des lancements est certain.
Sources : CNBC, CocoLoop, données de prévision de Gartner, Digital Today ; la prévision de dépenses de 2 590 milliards de dollars et la hausse de 47 %, la part de l'infrastructure ainsi que le chiffre de 1 000 milliards de dollars pour les services et logiciels, de même que la liste des cinq modèles lancés cette semaine-là, ont été vérifiés point par point.