La vérité terrifiante derrière l’effondrement du prix de l’IA

SYNTHÈSE STRUCTURÉE

Le paradoxe de Jevons, une loi oubliée qui gouverne l’IA

En 1865, l’économiste William Stanley Jevons, âgé de 29 ans, publie The Coal Question, un livre qui analyse pourquoi la consommation de charbon britannique explose alors que les machines à vapeur deviennent plus efficaces. Sa conclusion, citée dans la vidéo, est restée célèbre : « C’est une confusion totale des idées de supposer que l’usage économe du combustible équivaut à une consommation réduite. C’est tout le contraire qui est vrai. » Le mécanisme est simple : chaque gain d’efficience fait baisser le prix d’une unité de travail utile, ce qui rend la vapeur rentable dans de nouveaux domaines, élargissant ainsi le territoire de son usage. Jevons avait raison sur le mécanisme, mais il s’est trompé sur la suite, prédisant un épuisement du charbon qui n’a jamais eu lieu grâce au pétrole et à l’électricité.

Le choc DeepSeek de janvier 2025

Le 21 janvier 2025, Donald Trump annonce Stargate, un programme de 500 milliards de dollars pour l’infrastructure IA américaine. La veille, un laboratoire chinois inconnu, DeepSeek, publie un modèle de raisonnement gratuit et ouvert, R1, qui rivalise avec les meilleurs modèles d’OpenAI. Le coût d’entraînement annoncé, 5,6 millions de dollars, terrifie le secteur, alors que GPT-4 aurait coûté plus de 100 millions. Le week-end suivant, l’application DeepSeek détrône ChatGPT en tête de l’App Store américain. Marc Andreessen, figure tutélaire de la Silicon Valley, lâche la formule qui met le feu aux poudres : « DeepSeek R1, c’est le moment Spoutnik de l’IA. »

Le lundi noir de Nvidia

Le 27 janvier, les marchés ouvrent et la logique s’impose : si l’intelligence de pointe coûte 20 fois moins cher à produire, les montagnes de GPU sont surdimensionnées. Nvidia perd près de 17 % en une séance, soit environ 600 milliards de dollars de valeur évaporée, la plus grande destruction de valeur en une journée pour une entreprise cotée. Le Nasdaq plonge de 3 %, et la fortune de Jensen Huang recule de plus de 20 milliards de dollars sur le papier. Mais dans la nuit, Satya Nadella, patron de Microsoft, publie un message qui contredit la panique : « Le paradoxe de Jevons frappe encore. À mesure que l’IA devient plus efficiente et plus accessible, son usage va exploser au point d’en faire une commodité dont nous ne pourrons jamais nous rassasier. »

L’effet rebond, une exception plus qu’une règle

Les économistes ont testé le paradoxe de Jevons sur un siècle et demi de données, notamment après les chocs pétroliers, sous le nom d’« effet rebond ». Leur verdict est embarrassant pour Nadella : le rebond direct est généralement partiel, grignotant 10 à 30 % de l’économie réalisée, pas 100 % ni 150 %. Deux raisons principales : la saturation des besoins (une fois le salon à 20°, un chauffage moins cher ne donne aucune raison de monter à 35°) et le poids limité de la ressource dans les dépenses totales. L’économiste Steve Sorrell résume : les preuves d’un rebond supérieur à 100 % sont « suggestives plutôt que définitives ».

Trois conditions pour que le paradoxe s’applique à l’IA

La littérature identifie une configuration rare où le rebond peut devenir total : l’efficience doit toucher le cœur du coût, la demande doit rester loin de toute saturation, et chaque gain doit ouvrir de nouveaux usages. Le système charbon-vapeur de 1865 remplissait ces trois conditions. Pour l’IA, la première est remplie : le calcul lié à l’inférence domine le coût de l’intelligence servie, environ les deux tiers. La deuxième aussi : les volumes de tokens traités par Google sont passés de 10 000 milliards par mois en mai 2024 à 3,2 millions de milliards en mai 2026, soit une multiplication par 330 en deux ans, pendant que le coût par unité de capacité était divisé par 5 à 10 chaque année. La troisième est également remplie : chaque gain d’efficience rend abordables des usages nouveaux, comme la recherche approfondie ou les agents autonomes qui travaillent pendant des heures.

L’ironie de DeepSeek : l’efficience qui dépense plus

Le modèle R1, qui a fait plonger les marchés au nom de l’efficience, appartient précisément à la génération de modèles conçus pour dépenser davantage de calcul au moment de répondre. L’efficience n’a pas supprimé la dépense, elle a rendu abordable une nouvelle manière beaucoup plus gourmande de produire de l’intelligence. C’est l’exacte réplique de la vapeur victorienne : les nouvelles applications du charbon étaient « d’un caractère illimité », selon Jevons. Pour l’IA, chaque baisse de coût unitaire ouvre la porte à des usages plus longs, plus autonomes et plus gourmands, absorbant puis dépassant l’économie réalisée sur chaque token.

La facture qui monte malgré la chute des prix

Le prix du token s’effondre, mais les requêtes les plus avancées en consomment beaucoup plus. Résultat : servir un abonné peut coûter de plus en plus cher, et le forfait illimité à prix fixe devient un pari perdant. C’est l’histoire de Cursor, qui a changé brutalement sa tarification en juin 2025, provoquant la colère des utilisateurs et des excuses publiques du CEO. C’est aussi le cas de ChatGPT, qui impose des limites hebdomadaires même à ses abonnés à 200 dollars par mois. Sundar Pichai, patron de Google, a déclaré sur scène en mai 2026 : « Beaucoup d’entreprises ont déjà explosé leur budget annuel de tokens et nous ne sommes qu’en mai. »

La rareté descend dans la pile

Quand le prix ne suffit plus à calmer la demande, la file d’attente se paie en puces, en usines et en watts. La valeur remonte vers les GPU, les réseaux électriques, les data centers, la mémoire et le refroidissement — toutes les couches physiques qui ne peuvent pas être copiées d’un clic. Le produit devient presque gratuit, mais ce qui permet de le produire devient stratégique. C’est la leçon de Jevons revisitée : l’efficience ne supprime pas la contrainte, elle la déplace. Le pétrole n’a pas remplacé le charbon, il a débloqué des capacités que le charbon ne permettait pas.

Le travail humain, première victime de la commoditisation

La vidéo soulève un point plus large : si l’intelligence se commoditise, la valeur du travail humain suit le même chemin. « Le travail humain est grignoté par les avancées de l’IA et de tous les outils que l’on déploie autour », observe l’intervenant. Cette commoditisation de la valeur du travail humain poussera mécaniquement à une reconfiguration de nos sociétés. C’est le véritable paradoxe : plus l’intelligence devient abondante, plus la valeur se concentre dans ce qui limite encore cette abondance — et le travail humain n’en fait pas partie à l’échelle de la masse de travail disponible sur Terre.

Deux scénarios pour briser la trajectoire

Le premier scénario : la demande finit par saturer. Peut-être que le thermostat de l’intelligence existe, qu’à un moment il n’y a plus rien à découvrir, ou que les entreprises et consommateurs n’auront plus besoin de multiplier indéfiniment les tokens. Dans ce cas, le paradoxe s’éteint et les centaines de milliards investis pourraient se révéler être l’un des plus grands épisodes de surcapacité de l’histoire. Le second scénario : un substrat de calcul radicalement différent, comme le calcul réversible qui recycle l’énergie dissipée en chaleur, contourne le mur énergétique actuel. La demande d’intelligence continuerait alors de flamber, mais par le haut, débloquant des niveaux de productivité toujours plus élevés.

CONCEPTS CLÉS

Paradoxe de Jevons : Loi économique formulée en 1865 par William Stanley Jevons, selon laquelle les gains d’efficience dans l’utilisation d’une ressource entraînent une augmentation de sa consommation totale, car ils rendent la ressource économiquement viable pour de nouveaux usages.

Effet rebond : Terme moderne utilisé par les économistes pour désigner le même phénomène, mesuré après les chocs pétroliers. Il est généralement partiel (10 à 30 %), sauf dans des configurations rares où la demande est loin de la saturation et où l’efficience touche le cœur du coût.

Token : Unité de base de traitement d’un modèle de langage, correspondant approximativement à un morceau de mot. Le coût de l’IA se mesure en dollars par million de tokens, et ce coût a chuté de 60 dollars à 6 centimes en trois ans pour une qualité équivalente à GPT-3.

Inférence : Phase d’utilisation d’un modèle d’IA pour générer une réponse, par opposition à l’entraînement. Le coût de l’inférence domine le coût total de l’intelligence servie, environ les deux tiers.

Commoditisation : Processus par lequel un produit ou service devient une commodité, c’est-à-dire un bien standardisé dont le prix tend vers zéro. L’intelligence artificielle suit ce chemin, mais la rareté se déplace vers les couches physiques qui la produisent.

CONCLUSION

Le message principal est que la baisse spectaculaire du coût unitaire de l’IA ne profite pas aux consommateurs, car elle déclenche une mécanique économique implacable : l’efficience stimule la demande jusqu’à saturer les infrastructures physiques. La facture des utilisateurs monte parce que les usages deviennent plus longs, plus autonomes et plus gourmands, absorbant puis dépassant l’économie réalisée sur chaque token. Ce qui compte, ce n’est pas le prix du token, mais la rareté qui descend dans la pile : les GPU, les réseaux électriques, les data centers. Et la première victime de cette commoditisation pourrait être la valeur du travail humain, ce qui nous poussera mécaniquement à reconfigurer nos sociétés. Le paradoxe de Jevons n’est pas une anecdote victorienne, c’est le moteur de la décennie qui s’ouvre.