Tu regardes les gros titres sur l'IA et tu reconnais un schéma familier : des clusters toujours plus gros, plus de GPU, encore un budget de cent milliards de dollars. L'entraînement — le processus qui enseigne à un modèle tout ce qu'il sait — monopolise le spectacle. L'idée reçue : celui qui entraîne le plus gros modèle gagne.

Mais l'économie a déjà basculé sous cette hypothèse.

Avril a rendu le changement structurel impossible à ignorer. Le 2 avril, OpenAI a basculé Codex vers une facturation au token (les tokens — ces fragments de mots que l'IA traite, environ trois quarts d'un mot anglais). Le 8 avril, Anthropic a lancé Managed Agents à 0,08 $ par heure de session. Les deux faisaient suite au passage de Google Vertex AI à la facturation à la seconde en février — un signal qui semblait incrémental à l'époque et qui se lit comme structurel aujourd'hui. Trois entreprises, trois formats, une seule direction : le compute d'inférence — la puissance de calcul consommée chaque fois qu'une IA réfléchit, écrit ou agit — est devenu le coût dominant de l'industrie.

Entraîner un modèle de frontière coûte des milliards, mais ça n'arrive qu'une fois. L'inférence, elle, tourne chaque seconde. Au 27 février, ChatGPT seul traitait plus de 2 milliards de requêtes quotidiennes pour 900 millions d'utilisateurs hebdomadaires — un chiffre presque certainement plus élevé sept semaines plus tard. Les agents amplifient la charge : une réponse en chat se termine en millisecondes, une session d'agent tourne pendant des heures. Les TMT Predictions 2026 de Deloitte (publiées en décembre 2025) projetaient que l'inférence consommerait les deux tiers de tout le compute IA cette année, contre un tiers en 2023. Les signaux tarifaires d'avril confirment cette trajectoire.

L'avantage compétitif vit désormais dans la stack de service, pas dans le cluster d'entraînement. Le 4 février, Sundar Pichai a révélé lors de la présentation des résultats Q4 d'Alphabet que Google avait réduit les coûts de service de Gemini de 78 % grâce à l'optimisation des modèles et aux TPU maison (les puces d'inférence conçues par Google). Cet écart d'efficacité fixe des prix que les concurrents ne peuvent pas égaler : Gemini 2.5 Flash à 0,15 $ par million de tokens en entrée contre Sonnet 4.6 d'Anthropic à 3,00 $. Un écart de 20x dicté par le silicium, pas par la qualité du modèle. La réduction de Google ne venait pas d'un cluster d'entraînement plus gros. Elle venait de matériel d'inférence sur mesure, de distillation et d'optimisation de la stack de service — la plomberie ingrate qui détermine le coût réel d'un appel API.

Mais l'inférence bon marché a un coût caché. Comme Gartner l'a souligné dans une analyse du 14 mars sur les structures de coûts de l'IA : "Ne confondez pas la déflation des tokens commoditisés avec la démocratisation du raisonnement de frontière." Les tokens bon marché viennent de modèles distillés — des versions allégées qui troquent l'intelligence contre la vitesse. Flash n'est pas Opus. L'optimisation de l'inférence pousse naturellement vers une IA "suffisamment bonne", pas vers la plus intelligente.

Le marché reflète déjà cette fracture. Les données présentées à HumanX 2026 (25-27 mars) montraient que les budgets IA des entreprises passaient de 1,2 M$ à 7 M$ entre 2024 et 2026 — malgré une chute de 280x du prix des tokens — parce que les équipes continuent de choisir les modèles les plus capables pour les tâches à haute valeur ajoutée. L'inférence bon marché absorbe le volume. L'inférence coûteuse traite la valeur. Les deux marchés croissent, mais ils récompensent des paris d'infrastructure complètement différents.

Et c'est ici que la mauvaise allocation du capital devient criante. Les fournisseurs cloud ont engagé environ 660 à 690 milliards de dollars en infrastructure IA pour 2026, ciblant majoritairement la capacité d'entraînement — du matériel pour produire la prochaine génération de modèles. Mais un entraînement à 5 milliards de dollars produit un modèle qui sert pendant des mois, voire des années. La charge d'inférence qu'il génère tourne chaque seconde, se multipliant à mesure que les agents allongent les sessions de millisecondes à des heures. Les entreprises qui ont investi tôt dans le silicium spécifique à l'inférence fixent désormais les prix. Celles qui ont tout misé sur les méga-clusters d'entraînement possèdent des modèles impressionnants et une économie unitaire ruineuse.

Pour les équipes qui choisissent une plateforme aujourd'hui, cela recadre la décision. L'écart de qualité entre les meilleurs modèles ne cesse de se réduire — Sonnet, GPT-4.1 et Gemini Pro se tiennent à quelques points sur les benchmarks standards. L'écart de coût d'inférence, lui, ne cesse de se creuser. Ta facture annuelle dépend davantage du silicium qui fait tourner le modèle que du modèle lui-même.

La course au matériel IA a bifurqué. Près de 700 milliards de dollars affluent vers une infrastructure d'entraînement qui gagne une guerre déjà en train de se terminer. L'efficacité d'inférence gagne la prochaine. L'essentiel de ce capital a atterri du mauvais côté de la fracture.