L'IA gratuite a quand même une facture

La version courte

Le marché de l'IA traverse un moment très classique du logiciel :

Tout le monde donne des choses gratuitement.

Quelle générosité.

Google explique maintenant l'accès à Gemini avec des limites d'usage et des ressources de calcul, pas seulement avec un nombre propre de requêtes. Wired souligne qu'un même abonnement peut se comporter différemment selon que l'on fait du texte, de l'image, de la vidéo, de la recherche ou du raisonnement plus lourd.

OpenAI vient aussi de publier un guide sur la manière de piloter les investissements IA à l'ère agentique. C'est la version adulte du même sujet : quand l'IA quitte le chat pour entrer dans les workflows, la question n'est plus "est-ce qu'on peut essayer ?" mais "combien ça coûte quand cela devient une partie de l'entreprise ?"

Côté startups, le marché regorge aussi de crédits, de programmes et d'accès subventionnés. OpenAI propose un programme startups avec des crédits API. Anthropic a Claude for Startups. Google Cloud met en avant des crédits pour startups utilisables sur son infrastructure et sa pile IA.

Rien de tout cela n'est mauvais.

Les crédits gratuits sont utiles. Les expériences subventionnées sont utiles. Les limites d'usage sont plus honnêtes que l'idée selon laquelle toutes les requêtes IA coûteraient la même chose.

Mais la conclusion utile est simple :

L'IA gratuite n'est pas gratuite.

C'est une stratégie d'acquisition, une boucle d'apprentissage produit, et parfois une manière d'amener une équipe à construire autour d'un fournisseur avant d'avoir appris à mesurer la facture.

Le problème n'est pas que les entreprises d'IA fassent payer.

Évidemment qu'elles font payer.

Le problème est que la vraie facture arrive souvent après que le workflow a déjà changé.

Mise à jour : l'abonnement devient un budget de calcul

OpenAI rend le compteur beaucoup plus explicite.

À partir de décembre, l'entreprise indique que les plans Plus, Pro et Business partageront un même quota entre ChatGPT et Codex, au moment où les capacités agentiques de Work entrent dans l'expérience ChatGPT principale.

Ce quota sera mesuré en tokens.

Les modèles avancés et les tâches complexes en consommeront davantage. Le chat instantané ne puisera pas dans ce quota commun. Les utilisateurs verront le solde combiné et la date de réinitialisation dans les réglages. Une fois le quota épuisé, les options sont familières : attendre, changer de plan ou acheter des crédits pour les fonctions éligibles.

Cela ressemble à une mise à jour de facturation.

C'est aussi l'architecture produit qui devient visible.

La conversation et le travail agentique donnaient jusqu'ici l'impression d'appartenir à deux catégories séparées. L'une répondait aux questions. L'autre ouvrait des fichiers, utilisait des outils, écrivait du code, naviguait sur le web et exécutait des tâches plus longues. Un quota commun les transforme en usages concurrents du même budget de calcul.

C'est économiquement honnête.

Cela change aussi le contrat de l'abonnement.

Le plan n'achète plus un nombre propre de conversations ou d'exécutions agentiques. Il donne accès à un réservoir dont la capacité utile dépend du modèle, du contexte, du niveau de raisonnement, des outils, de la durée et du lieu d'exécution. La documentation plus large sur l'usage de Codex indique déjà que Codex, ChatGPT Work, ChatGPT pour Excel et les agents d'espace de travail éligibles peuvent puiser dans le même quota ou la même réserve de crédits.

Les noms fusionnent parce que l'économie l'avait déjà fait.

Le chiffre important qui manque encore est la règle de conversion entre usage et quota.

OpenAI explique que les modèles et tâches plus lourds consomment davantage, mais l'annonce ne publie pas un tableau simple indiquant combien de travail chaque plan achète selon les modèles et les interfaces. Les tokens sont plus précis que les requêtes. Un compteur de tokens ne dit pourtant pas à un utilisateur normal si le solde restant suffira à finir la migration d'un repo, analyser un tableur ou terminer une recherche.

Il faut deux vues :

Le compteur brut.

Et une estimation de ce qu'il permet encore d'accomplir.

Pour les équipes, la leçon opérationnelle est immédiate. Une longue exécution Codex peut entrer en concurrence avec un autre workflow agentique pour le même quota. Les alertes de budget, la visibilité du coût par tâche, les modèles par défaut et les solutions de repli ne sont plus de simples finitions administratives. Ils décident quel travail se terminera avant la réinitialisation.

Un abonnement.

Plusieurs produits.

Un seul budget de calcul en dessous.

C'est la facture qui devient l'interface.

Mise à jour : la facture devient le produit

La facture n'est plus théorique.

Le 11 août, OpenAI a indiqué que ChatGPT Ads avait été lancé au Royaume-Uni, au Mexique, au Brésil, au Japon et en Corée du Sud, après les premiers pilotes. Les ads concernent les utilisateurs Free et Go, pas Plus, Pro, Business, Enterprise ou Education. OpenAI dit que les ads n'influencent pas les réponses de ChatGPT, qu'elles sont labellisées et séparées visuellement, et que les annonceurs n'ont pas accès aux conversations, memories, historiques ou informations personnelles.

Très bien.

Mais c'est la facture.

Une semaine plus tôt, OpenAI disait faire de GPT-5.6 Luna le modèle par défaut des utilisateurs Free et Go, ajouter des chats texte illimités et proposer un bouton Think pour les questions plus difficiles, tout en gardant des limites sur les fichiers, les images et les autres outils. Le produit gratuit devient plus capable. Les parties coûteuses gardent des compteurs. La couche publicitaire s'étend. Les plans payants restent plus propres.

C'est un contrat très familier.

La version gratuite obtient plus d'accès.

La version payante obtient moins d'interruptions, plus de capacité et plus de contrôle.

La plateforme obtient de l'usage, des signaux produit, de l'inventaire publicitaire, de la pression d'upgrade et une meilleure histoire sur la démocratisation de l'accès.

Très généreux. La subvention vient de découvrir un plan média.

Les ads font entrer la confiance dans le prix

OpenAI essaie de tracer une ligne claire :

La réponse est la réponse.

L'ad est l'ad.

L'annonceur ne voit pas la conversation.

Cette ligne compte.

Mais dans un produit conversationnel, elle est plus difficile à maintenir que sur une page de résultats ou dans un feed social. Les gens utilisent ChatGPT pendant qu'ils décident : quoi acheter, où voyager, comment étudier, quel outil choisir, quel fournisseur comparer, quelle recette cuisiner, quelle question de santé poser ensuite à un vrai médecin.

Une ad à côté de ce workflow n'est pas seulement une bannière.

C'est du contexte commercial à l'intérieur d'un assistant de décision.

OpenAI dit que les ads ne sont pas éligibles près de sujets sensibles ou régulés comme la santé, la santé mentale ou la politique, et que l'entreprise construira des protections contre les scams et le ciblage trop étroit. Nécessaire. Le problème, c'est que les catégories se mélangent dans la vraie vie. Un plan repas peut devenir une question de santé. Une conversation budget peut révéler une vulnérabilité financière. Un devoir scolaire peut révéler un mineur. Une recherche voyage peut révéler une situation familiale, un revenu, une localisation ou une religion.

Le produit publicitaire ne sera pas jugé sur la page de principes.

Il sera jugé sur les cas limites.

Le niveau gratuit devient un routeur économique

La même semaine, OpenAI a aussi annoncé des sièges Premium pour ChatGPT Business : 5x plus d'usage que Standard, plus de limite de cinq heures, et un prix mensuel plus élevé. C'est la version enterprise du même compteur.

Les utilisateurs gratuits voient le contrat financé par les ads.

Les power users voient le contrat de capacité.

Les entreprises voient le contrat par type de siège.

Les développeurs voient le contrat par tokens et appels d'outils.

Tout pointe vers la même réalité produit : le pricing IA devient un routeur. Le système classe les gens selon le workload, la tolérance aux ads, le besoin de confidentialité, le besoin de capacité, le besoin d'admin, et la volonté de payer quand la tâche devient importante.

Ce n'est pas forcément mauvais.

C'est probablement la seule manière de faire tenir l'économie.

Mais cela veut dire que les builders devraient arrêter de dire "on utilise ChatGPT" comme si cela décrivait un objet stable. Quel plan ? Quel modèle ? Quels outils ? Quels quotas ? Quelles conditions de données ? Quelles ads ? Quels contrôles admin ? Quel pays ? Quel âge utilisateur ? Quelles règles sur les sujets sensibles ?

Le produit IA n'est plus seulement le modèle.

C'est la politique commerciale autour du modèle.

Mise à jour : la guerre des prix a atteint les modèles frontier

Le compteur a encore bougé.

Cette fois, deux labs l'ont déplacé le même jour.

Le 22 septembre, Anthropic a présenté Claude Opus 5.5, sa première sortie de modèle depuis son appel à ralentir la course à la frontier. Anthropic affirme qu'il atteint environ le niveau de Claude Fable 5.1 sur la plupart des tâches, génère ses sorties plus de 30% plus vite qu'Opus 5 et coûte environ 40% de moins sur des workloads typiques.

OpenAI a lancé GPT-6 Sol et GPT-6 Luna quelques heures plus tard. Son catalogue de modèles positionne Sol sur le code complexe et les workflows agentiques, et Luna sur les tâches ciblées à fort volume. Sa page de pricing API affiche, en mode standard et contexte court, $2 par million de tokens en entrée et $10 en sortie pour Sol, contre $0.10 et $0.50 pour Luna.

Ce n'est pas une journée normale de lancements.

C'est le marché des modèles qui nous montre ce que devient la compétition.

La frontier compte toujours.

Mais les capacités descendent la courbe des prix assez vite pour que la question centrale ne soit plus seulement « quel modèle est le plus intelligent ? »

C'est :

Quelle quantité de travail utile survit à la facture ?

Quarante pour cent moins cher n'est pas un prix au token

Les chiffres d'Anthropic rendent la distinction inhabituellement claire.

Les tarifs affichés d'Opus 5.5 sont 20% sous ceux d'Opus 5 : l'entrée passe de $5 à $4 par million de tokens, et la sortie de $25 à $20. Anthropic obtient son affirmation plus large de 40% de baisse sur un workload typique en ajoutant un second facteur : Opus 5.5 utiliserait moins de tokens pour terminer le travail.

C'est peut-être vrai.

C'est aussi une estimation du fournisseur, fondée sur les tests d'Anthropic, ses réglages par défaut et sa définition d'un workload typique. Votre codebase, vos outils, vos prompts, vos tentatives répétées, vos étapes de validation et vos modes d'échec n'ont pas participé à cette moyenne.

Le point utile n'est pas le pourcentage marketing exact.

C'est le modèle comptable.

Un modèle plus puissant peut coûter moins cher, même si son prix nominal au token est plus élevé, s'il termine en moins d'étapes, évite les tentatives répétées, appelle moins d'outils, produit moins de texte inutile et crée moins de reprise pour un humain.

Un modèle bon marché peut devenir cher s'il emprunte le chemin touristique avec beaucoup d'assurance.

C'est pourquoi le coût par token devient le chiffre honnête le moins intéressant de la page de pricing.

Le prix du cache est une stratégie produit

La baisse la plus révélatrice d'Opus 5.5 ne concerne ni l'entrée ni la sortie.

Elle concerne les lectures de cache.

Anthropic les fait passer de $0.50 à $0.20 par million de tokens, soit une baisse de 60%.

Cela compte parce que le travail agentique se répète d'une manière très précise. Un agent de code relit les instructions du repo, les notes d'architecture, les définitions d'outils, les fichiers, les résultats de tests et l'historique de la conversation. Un agent de recherche transporte ses sources et un espace de travail qui grandit. Un agent de bureau garde les mêmes politiques, templates, contextes clients et règles d'approbation sur de nombreuses étapes.

L'utilisateur voit une tâche.

L'agent repasse avec le même sac à dos à chaque tourniquet.

Des lectures de cache moins chères rendent les longues sessions, le contexte persistant et l'usage répété d'outils plus économiques. Elles récompensent aussi les produits qui structurent proprement un contexte réutilisable au lieu de renvoyer un tas de texte improvisé à chaque appel.

Ce n'est pas seulement une optimisation d'infrastructure.

Cela change quels produits agentiques peuvent avoir une marge.

Le modèle premium devient une étape du workflow

La nouvelle gamme d'OpenAI rend la logique de routage impossible à ignorer.

GPT-6 Sol et Luna prennent tous deux en charge les outils, les niveaux de raisonnement, un contexte de plus d'un million de tokens et de grandes sorties. Mais le prix affiché de Luna en entrée représente un vingtième de celui de Sol, alors que Sol vise le travail agentique plus difficile.

Cela ne veut pas dire que Luna est la bonne réponse partout.

Cela veut dire que « utiliser le meilleur modèle » n'est plus une architecture sérieuse.

Un vrai workflow peut utiliser un modèle bon marché pour classer des requêtes, extraire des champs, surveiller des changements et préparer le contexte. Il peut appeler un modèle plus fort pour la planification, un jugement ambigu ou une modification de code difficile. Il peut escalader une décision importante vers un modèle frontier, puis exiger une approbation humaine avant toute action externe.

Le modèle premium devient une étape du workflow, pas le workflow lui-même.

C'est ainsi que l'IA devient moins chère en production sans que chaque tâche devienne moins bonne.

C'est aussi ainsi que le pricing devient du design produit.

Ralentir le rythme n'est pas un cessez-le-feu commercial

Anthropic souligne qu'Opus 5.5 a été testé par des évaluateurs externes avant sa sortie et qu'il a obtenu de meilleurs résultats dans son audit comportemental interne. C'est pertinent après l'appel de l'entreprise à ralentir le développement à la frontier.

Mais « ralentir le rythme » ne signifie clairement pas geler la gamme de produits.

Anthropic et OpenAI ont lancé des modèles agentiques concurrents et moins chers à quelques heures d'intervalle. La course commerciale continue. La version pratique de ce ralentissement sera donc jugée sur les critères de sortie, l'accès des évaluateurs indépendants, les garde-fous de déploiement, le monitoring et ce qui se passe lorsqu'une évaluation trouve un problème.

Pas sur l'absence de lancements.

C'est un autre débat de gouvernance.

Pour les acheteurs, la leçon immédiate est plus simple :

Ne confondez pas baisse de prix et coût stable.

Mesurez le workflow avant de célébrer la remise

Ces sorties sont réellement de bonnes nouvelles pour les builders.

Des modèles plus capables à des prix plus bas rendent davantage d'automatisations viables. Ils donnent aux équipes plus de marge pour lancer de meilleures évaluations, tester plusieurs routes, garder davantage de contexte et automatiser du travail qui ne survivait pas économiquement il y a six mois.

Ils facilitent aussi la dissimulation d'une mauvaise économie derrière des tokens bon marché.

La checklist pratique devient :

• mesurer le coût par workflow réussi, pas le coût par appel API
• séparer l'entrée fraîche, le contexte en cache, la sortie, les frais d'outils et les suppléments des modes rapides
• enregistrer les tentatives répétées, les demandes de précision et les runs échoués
• ajouter le temps de validation et de correction humaine
• tester plusieurs niveaux d'effort au lieu de choisir le raisonnement maximal par défaut
• router les étapes routinières vers des modèles moins chers seulement après des evals de qualité
• épingler les versions de modèles et relancer les evals avant une migration
• modéliser la facture lorsque l'usage sera multiplié par dix

Si un fournisseur dit qu'un modèle est 40% moins cher, très bien.

Lancez maintenant votre tâche.

La page de pricing est une donnée d'entrée.

Le workflow terminé est le reçu.

Ce que les acheteurs doivent retenir

Pour les utilisateurs ordinaires, la leçon pratique est simple :

si un produit IA gratuit devient beaucoup meilleur, demandez ce qui le finance.

Peut-être que la réponse est la publicité.

Peut-être que c'est la conversion vers un plan payant.

Peut-être que c'est un bundle cloud.

Peut-être que c'est une subvention enterprise.

Peut-être que c'est de l'argent investisseur qui veut de l'usage maintenant et de la marge plus tard.

Pour les entreprises, la leçon est plus stricte :

ne laissez pas des employés construire des workflows importants sur un plan consumer dont l'économie, les ads, les limites et les contrôles de données ne sont pas conçus pour votre modèle de risque. Et ne supposez pas qu'un plan payant supprime tous les compteurs. Il peut simplement déplacer le compteur vers les sièges, les crédits workspace, les limites d'outils, le routage modèle ou la capacité premium.

L'IA gratuite peut rester très utile.

Elle a simplement arrêté de prétendre que la facture était imaginaire.

Les crédits sont de la distribution, pas de la charité

Dans le logiciel, "gratuit" veut souvent dire "nous sommes encore en train de décider qui capte la valeur."

Avec l'IA, ce contrat devient plus compliqué parce que l'unité marginale n'est pas seulement un siège. Elle peut être des tokens, des images, des générations vidéo, des appels d'outils, de la recherche documentaire, de la mémoire, des agents longs, des évaluations, des garanties de latence, des fonctions de conformité et du temps de relecture humaine.

C'est pour cela que les crédits comptent.

Ils permettent à une startup de tester un modèle sans surveiller chaque expérimentation au centime près. Ils peuvent aussi rendre un fournisseur par défaut au moment le plus formateur du produit. La première architecture colle. Le premier jeu d'évaluations devient le tableau de bord. Les bizarreries du premier modèle deviennent le comportement du produit. Le premier workflow qui marche devient ce que les clients attendent.

Quand les achats ou la finance arrivent enfin, la partie "gratuite" est peut-être terminée.

Mais la dépendance est là.

Ce n'est pas un complot. C'est de la distribution.

Les clouds l'ont fait. Les SaaS l'ont fait. Les plateformes développeurs l'ont fait. Les labs IA le font avec une matière première plus coûteuse et un rôle plus intime dans le workflow.

La différence, c'est que l'IA ne se contente pas d'héberger le produit.

Elle peut le façonner.

Le compteur devient plus honnête

La page de Google sur les limites d'usage de Gemini est un petit signal utile, parce qu'elle rend l'abstraction visible.

Une requête n'est pas une requête.

Demander un résumé d'e-mail n'est pas le même objet économique que générer une vidéo, lancer une recherche approfondie, utiliser un modèle de raisonnement lourd ou laisser un agent enchaîner beaucoup d'étapes avec des outils.

C'est évident jusqu'au moment où une équipe essaie de le budgéter.

L'ancien modèle mental côté consommateur ressemblait à ceci :

Je paie mon abonnement IA, donc j'utilise l'IA.

Le nouveau modèle ressemble plutôt à ceci :

Je paie pour accéder à un panier mouvant de capacités, et chaque capacité consomme une quantité différente de calcul rare.

C'est une meilleure description de la réalité.

C'est aussi moins confortable.

Parce que cela veut dire que les prix de l'IA vont continuer à se rapprocher de compteurs, de quotas, de files prioritaires, de niveaux de modèles et de conditions d'usage raisonnable qui dépendent de ce que le modèle fait réellement.

Pour les particuliers, le produit paraît moins magique quand le compteur apparaît.

Pour les entreprises, cela veut dire que la finance et l'ingénierie doivent comprendre le même tableau de bord.

Bon courage à tout le monde.

La question des données n'est pas une seule question

Il y a une autre facture cachée derrière les crédits :

les conditions de données.

Les équipes posent souvent une question trop vague : "Est-ce qu'ils entraînent leurs modèles sur nos données ?"

Cette question est nécessaire.

Elle ne suffit pas.

OpenAI indique sur sa page de confidentialité entreprise ne pas entraîner ses modèles sur les données business par défaut. Anthropic indique dans son centre de confidentialité ne pas utiliser les entrées et sorties commerciales de Claude pour entraîner ses modèles par défaut, sauf opt-in du client ou feedback fourni dans un cadre couvert par sa politique.

Ces contrôles comptent.

Mais les acheteurs doivent poser des questions plus précises :

• Qu'est-ce qui compte comme contenu client ?
• Qu'est-ce qui compte comme métadonnée ?
• Qu'est-ce qui est conservé ?
• Peut-on désactiver ou raccourcir les logs ?
• Les prompts, sorties, fichiers, traces d'outils, évaluations ou retours utilisateurs sont-ils traités différemment ?
• L'entreprise peut-elle exporter son historique d'usage ?
• Peut-on prouver quel modèle a traité quelle requête ?
• Qu'est-ce qui change quand un produit passe d'un programme gratuit à un plan entreprise payant ?

La réponse peut être parfaitement raisonnable.

Mais "raisonnable" ne veut pas dire "compris."

La plupart des équipes ne se font pas piéger parce qu'un fournisseur fait quelque chose de caricaturalement malveillant en secret.

Elles se font piéger parce que personne n'a écrit les détails opérationnels ennuyeux avant que le workflow devienne important.

Le ROI arrive après le pilote

La vérité gênante, c'est que les crédits gratuits peuvent rendre l'IA meilleure qu'elle ne l'est.

Pas parce que le modèle est faux.

Parce que le pilote est faux.

Un pilote ignore souvent la moitié du coût :

• l'intégration
• la maintenance des prompts et des évaluations
• la revue sécurité
• les boucles d'approbation humaine
• les exécutions ratées
• la gestion du contexte
• les coûts de changement de fournisseur
• le support interne
• les mises à jour de modèles qui changent le comportement
• la gouvernance de qui peut utiliser quoi

C'est acceptable quand l'objectif est l'exploration.

C'est dangereux quand le pilote devient le business case.

L'IA agentique aggrave le sujet parce qu'un agent transforme une demande utilisateur en plusieurs appels modèle. Un workflow qui ressemble à une seule action peut inclure de la planification, de la recherche dans des fichiers, du web, des appels d'outils, des tentatives, de l'exécution de code, de la synthèse et de la relecture.

L'utilisateur voit un bouton.

La facture voit une petite expédition.

C'est pour cela que le cadrage d'OpenAI sur le pilotage des investissements est plus intéressant qu'un blog post de lancement classique. Le marché passe de "essayons l'IA" à "opérons l'IA." Les contrôles d'usage, refacturations internes, validations, évaluations, politiques de données et routage de modèles ne sont donc plus du théâtre d'entreprise.

Ils deviennent le produit.

La checklist acheteur

Si vous êtes une startup, les crédits gratuits sont très utiles.

Prenez-les.

Mais ne les laissez pas réfléchir à votre place.

Avant de construire un vrai workflow autour d'une IA subventionnée, une équipe devrait savoir :

• Que se passe-t-il quand les crédits expirent ?
• Quelles fonctions sont incluses dans l'offre gratuite ou startup ?
• Les protections de données sont-elles les mêmes entre les plans gratuit, startup, team et enterprise ?
• Le workflow peut-il tourner sur un autre modèle sans réécrire le produit ?
• Les prompts, évaluations, traces et logs d'usage sont-ils portables ?
• Quel est le coût par tâche réussie, pas par requête ?
• Quelles tâches nécessitent le modèle cher ?
• Quelles tâches peuvent utiliser un modèle moins cher ou un système local ?
• Qui peut approuver les exécutions plus coûteuses ?
• Que voit l'utilisateur quand le quota est atteint ?

Ce dernier point est sous-estimé.

Les utilisateurs se moquent du raffinement économique de votre modèle de quotas.

Ils savent seulement que la fonction marchait hier et ne marche plus aujourd'hui.

Gratuit est une phase, pas une stratégie

Le marché de l'IA est encore en mode conquête.

Les entreprises de modèles veulent de l'usage. Les clouds veulent des workloads. Les startups veulent de la runway. Les entreprises veulent de la productivité sans admettre qu'elles ne savent pas encore la mesurer.

Le marché va donc continuer à produire des remises, bundles, pilotes, crédits, offres gratuites et promotions étonnamment généreuses.

Utilisez-les.

Mais traitez-les comme un environnement de prix temporaire, pas comme une loi de la physique.

La vraie facture de l'IA n'est pas seulement la ligne de facturation.

C'est le compteur, la politique de données, la dépendance workflow, le coût de sortie, la charge d'évaluation, la revue humaine et le moment où une expérience subventionnée devient une infrastructure.

L'IA gratuite peut être une excellente affaire.

À condition de savoir ce que vous achetez avant que le prix apparaisse.