En mars 2023, faire tourner GPT-4 coûtait 30 dollars par million de tokens en entrée1. En avril 2026, Gemini 3.1 Flash demande 0,10 dollar pour le même volume, soit une baisse de 99,7 % en trois ans1. Aucun marché industriel n'a connu une déflation aussi rapide. Et dans Odoo 19, vous choisissez d'un menu déroulant si votre agent tourne sur ChatGPT ou sur Gemini, comme on choisit un fournisseur d'électricité.
Quand l'intelligence devient aussi bon marché et aussi interchangeable, une question s'impose. Si tout le monde loue le même cerveau, au même prix dérisoire, où reste l'avantage ?
Le modèle est devenu une commodité
La réponse commence par un constat désagréable pour qui a investi dans « l'IA » comme dans un trophée. Le modèle brut ne différencie plus personne. Les coûts d'API ont baissé de plus de 90 % depuis 2023, les fournisseurs proposent des capacités comparables, et l'open source comble l'écart avec le propriétaire12. Quand la distance entre les trois meilleurs modèles devient marginale, le prix d'accès tend vers zéro et le fossé du fournisseur s'efface2.
Soyons honnêtes sur la nuance. Les modèles ne sont pas parfaitement interchangeables, et celui qui garde une vraie avance qualitative conserve un pouvoir de prix2. Mais pour l'entreprise moyenne, qui consomme du « assez bon », le modèle est une utilité que l'on branche, pas un actif que l'on possède. La valeur se déplace alors vers la couche au-dessus, non pas l'accès au modèle, mais l'usage qu'on en fait2.
Et cet usage repose sur vos données
Un agent ne pense pas dans le vide. Il agit sur quelque chose. Il lit un devis fournisseur pour créer une demande de prix, il rapproche un relevé bancaire, il met à jour une fiche client. Ce quelque chose, c'est votre donnée. La qualité de ce qu'il produit ne dépend plus du modèle, qui est excellent et partagé par tous, mais de la matière sur laquelle il travaille, qui n'appartient qu'à vous.
C'est là que le récit se fracasse sur le réel. Chez la plupart des entreprises, cette matière n'est pas prête.
Le mur, c'est la donnée
Les chiffres sont sévères et convergents. Entre 70 et 85 % des échecs de projets IA sont imputables à des problèmes de données, pas à la sophistication de l'algorithme3. 87 % des projets de data science n'atteignent jamais la production3. 96 % des organisations rencontrent des problèmes de qualité de données en entraînant leurs modèles3. Et seulement 7 % des entreprises affirment que plus de la moitié de leurs données non structurées sont prêtes pour l'IA4.
La cause profonde tient en une phrase, signée par un acteur du secteur : l'IA d'entreprise échoue quand la donnée en dessous n'est pas prête4. Le vieux principe n'a pas pris une ride. Garbage in, garbage out reste vrai, sauf que le déchet nourrit désormais un transformeur4. Pire, un agent qui agit en autonomie industrialise l'erreur. Là où un humain hésitait devant une fiche douteuse, l'agent l'écrit, vite, et à grande échelle.
On comprend mieux où part l'argent. Les data scientists passent encore 60 à 80 % de leur temps à nettoyer la donnée plutôt qu'à construire des modèles3, et une mauvaise qualité de données coûte en moyenne 12,9 millions de dollars par an à une organisation, selon Gartner3.
Pourquoi la donnée est le seul vrai fossé
Mettons les deux faits côte à côte. Le modèle se loue par tout le monde, au même prix qui s'effondre. La donnée propre, structurée et intégrée, ne se télécharge pas, ne s'achète pas chez un fournisseur, et se construit lentement. Un concurrent peut s'abonner au même modèle que vous l'après-midi même. Il ne peut pas s'abonner à dix ans de votre historique client correctement tenu.
Le fossé a donc changé de place. Il n'est plus dans l'outil, qui est commun, il est dans le terrain, qui est à vous. Et ce terrain se défend précisément parce qu'il est ingrat. Peu d'entreprises font le travail, parce qu'il n'a rien de spectaculaire. Nettoyer un référentiel articles, fusionner des fiches clients en double, écrire noir sur blanc les règles de gestion que tout le monde croit connaître, rien de cela ne fera une belle démonstration en réunion. C'est exactement ce qui le rend rare.
Ce que ça change pour une PME ou une ETI
La tentation, quand un éditeur agite une fonction IA clinquante, est de l'acheter et de la brancher sur l'existant. Si l'existant est un amas de données incohérentes, l'IA ne fera qu'accélérer le désordre avec assurance. L'investissement qui dure n'est pas la fonction, c'est le socle : un système de référence cohérent, des données maîtres propres, des règles de gestion explicites et un minimum de gouvernance. Sur ce dernier point, le retard est béant, puisque seules 20 % des organisations disposent d'un modèle de gouvernance mûr pour des agents autonomes4.
La bonne nouvelle, c'est que ce travail ne dépend d'aucune mode. Un référentiel propre servait déjà avant l'IA, et il servira après. La différence, c'est qu'il est passé du statut de confort à celui de condition. Sans lui, l'agent le plus avancé du marché reste un moteur de course posé sur un châssis tordu.
Notre lecture
Nous construisons de l'IA sur un système de gestion propre, pas des fonctions IA greffées sur le chaos. L'ordre des opérations compte. D'abord la colonne vertébrale, la donnée et l'intégration, ensuite l'agent qui vient agir dessus. La leçon technique de la semaine, un agent qui lit vos droits et vos données au pied de la lettre, n'est que la version miniature d'une vérité plus large. Le modèle, tout le monde finira par l'avoir au même prix. La donnée bien tenue restera l'avantage de ceux qui auront fait le travail ingrat avant les autres.
Sources
- AI Magicx, The LLM Pricing Collapse of 2026 : https://www.aimagicx.com/blog/llm-pricing-collapse-developer-guide-building-cheap-ai-2026
- Shan Valleru, Commodity or Moat? Three Bets on the Future of LLMs : https://svalle.ru/posts/business/llm-pricing-microeconomics/
- AIMultiple, AI Data Quality in 2026 : https://aimultiple.com/data-quality-ai
- IOMETE, Why Enterprise AI Fails: It's the Data, Not the Model : https://iomete.com/resources/blog/why-enterprise-ai-fails-data-not-models
Footnotes
-
AI Magicx, « The LLM Pricing Collapse of 2026 ». GPT-4 au lancement (mars 2023) : 30 $/M tokens en entrée, 60 $ en sortie. Gemini 3.1 Flash (avril 2026) : 0,10 $/M en entrée, soit une baisse de 99,7 % en trois ans. « LLM API costs have dropped over 90 % since 2023. » https://www.aimagicx.com/blog/llm-pricing-collapse-developer-guide-building-cheap-ai-2026 ↩ ↩2 ↩3
-
Shan Valleru, « Commodity or Moat? Three Bets on the Future of LLMs ». Commoditisation du modèle brut (open source qui comble l'écart, fournisseurs comparables, fossé qui s'efface), nuance sur l'interchangeabilité imparfaite (un vrai avantage qualitatif conserve un pouvoir de prix), valeur qui migre vers l'usage et la couche applicative. https://svalle.ru/posts/business/llm-pricing-microeconomics/ ↩ ↩2 ↩3 ↩4
-
AIMultiple, « AI Data Quality in 2026 ». 70-85 % des échecs de projets IA imputables aux données ; 87 % des projets de data science n'atteignent jamais la production (VentureBeat) ; 96 % des organisations rencontrent des problèmes de qualité de données en entraînant leurs modèles (Dimensional Research) ; data scientists 60-80 % du temps au nettoyage ; coût moyen d'une mauvaise qualité de données 12,9 M$/an (Gartner). https://aimultiple.com/data-quality-ai ↩ ↩2 ↩3 ↩4 ↩5
-
IOMETE, « Why Enterprise AI Fails: It's the Data, Not the Model ». « Enterprise AI fails when the data underneath isn't ready. » 7 % des entreprises affirment que plus de la moitié de leurs données non structurées sont prêtes pour l'IA (Snowflake, 2026) ; 20 % seulement disposent d'un modèle de gouvernance mûr pour les agents autonomes (Deloitte, 2026) ; 68 % citent les silos de données comme principal obstacle (DATAVERSITY, 2026). https://iomete.com/resources/blog/why-enterprise-ai-fails-data-not-models ↩ ↩2 ↩3 ↩4