Économie de l'inférence : pourquoi les agents de production always-on sont désormais abordables

Mise à jour — 2026-08-18 : Anthropic 65Mds$ run-rate avec cible IPO 2MdsM$, OpenRouter 50% GPT-5.6 Sol, Stripe acquiert OpenRouter 7Mds$+ — le point de preuve de rentabilité à échelle corporate et le routage de modèles comme catégorie d'achat

Trois développements redéfinissent la thèse d'économie d'inférence : Anthropic 65Mds$ run-rate avec cible IPO 2MdsM$, OpenRouter 50% GPT-5.6 Sol à 2,50$/15$, et Stripe acquérant OpenRouter pour 7Mds$+.

1. Anthropic 65Mds$ run-rate avec cible IPO 2MdsM$. Le taux de revenu annualisé a dépassé 65 milliards de dollars fin juillet 2026, contre 9 milliards fin 2025 — 7× en 7 mois. Cible IPO 2 billions de dollars. La courbe de coût de calcul (71→56 cents par dollar de revenu) produit un labo de frontière avec 65Mds$ et cible IPO 2MdsM$.

2. OpenRouter 50% GPT-5.6 Sol à 2,50$/15$. Le prix du modèle de frontière #1 SWE-bench est désormais à moins de 2× de Gemini 3.7 Flash. Cinquième vecteur d'optimisation : routage via passerelles.

3. Stripe acquiert OpenRouter pour 7Mds$+. L'infrastructure de paiement veut posséder la couche de sélection de modèles IA. Le routage de modèles se consolide en infrastructure de paiement.

Mise à jour — 2026-08-17 : Anthropic premier bénéfice d'exploitation, OpenAI perte de $14B, GPT-5.6 Ultrafast, DeepSeek renversement de prix — la courbe d'efficacité et le marqueur d'honnêteté

Quatre développements redéfinissent la thèse d'économie d'inférence : la première preuve de rentabilité d'un laboratoire frontière, le contraste définissant de l'économie IA, la première accélération d'inférence à l'échelle de tranche sur un modèle frontière, et la première hausse de prix d'un fournisseur low-cost.

1. Anthropic a atteint son premier bénéfice d'exploitation — environ $559 millions sur $10.9 milliards de revenus Q2 2026, plus du double des $4.8 milliards de Q1. Le principal moteur a été la baisse des coûts de calcul : 71 cents par dollar de revenu en Q1 → 56 cents en Q2 — une amélioration de 15 points en un trimestre. Réduire les coûts de service de 71 à 56 cents par dollar de revenu en un seul trimestre est ce qui a produit le passage à la rentabilité.

2. Le dépôt IPO d'OpenAI a surface — environ $2 milliards/mois de revenus (~$25B annualisés) avec une perte projetée de $14 milliards pour 2026, ciblant une valorisation au-dessus de $1T. Le contraste OpenAI-Anthropic est l'argument économique IA définissant : $25B de revenus avec $14B de pertes (OpenAI) vs. $10.9B de revenus avec $559M de bénéfice (Anthropic). L'économie IA n'est pas déterministe — la courbe de coût de calcul (71→56 cents par dollar de revenu) est le différenciateur, non l'échelle de revenus.

3. GPT-5.6 Sol Ultrafast — jusqu'à 14× de vitesse sur matériel Cerebras. OpenAI a présenté le mode Ultrafast — GPT-5.6 Sol à jusqu'à 14× la vitesse du traitement Standard, sur matériel Cerebras à échelle de tranche. Le premier point de données de production concret pour l'accélération d'inférence à échelle de tranche sur un modèle frontière. La frontière de coût a maintenant quatre vecteurs d'optimisation : routage de modèles (Nemotron Switchyard), optimisation d'infrastructure (Dynamo 0.4 disaggregated serving), spécialisation matérielle (Cerebras 14×), concurrence de prix plancher (Luna $0.20, renversement DeepSeek).

4. Hausse de prix DeepSeek V4 Flash — $0.14 → $0.27 par million de tokens le 14 août, presque doublé. La première hausse de prix d'un fournisseur de modèles ouverts low-cost. Marqueur d'honnêteté : l'histoire d'économie d'inférence n'est pas monotone à la baisse. DeepSeek a augmenté le prix de V4 Flash de $0.14 à $0.27/M. Le renversement n'invalide pas la thèse d'effondrement des coûts — il confirme que la frontière de coût est fixée par la concurrence, non par la stratégie de prix d'un seul fournisseur.

La thèse est renforcée sur quatre axes : la courbe d'efficacité a atteint le P&L d'un laboratoire frontière (Anthropic 71→56 cents), le contraste d'économie IA a prouvé la non-déterminisme (perte $14B d'OpenAI vs. bénéfice $559M d'Anthropic), le vecteur de spécialisation matérielle a obtenu un point de données concret (Cerebras 14×), et la frontière de coût a connu sa première hausse de prix (DeepSeek $0.14→$0.27). La contrainte reste la couche d'intégration — $10 de travail de processus et de gouvernance pour chaque $1 de dépense de modèle.

Mise à jour — 2026-08-16 : Valorisation $190B de Databricks — la thèse de fondation d'infrastructure de données validée

Databricks a clôturé un tour de financement stratégique à environ $190B de valorisation (août 2026) avec un run rate de revenus annualisé de $7B — contre $5.4B en février, une accélération de 65% à plus de 80% de croissance annuelle. Pour la thèse d'économie d'inférence, la valorisation de Databricks est la validation commerciale la plus forte de l'argument de fondation d'infrastructure de données : la couche de plateforme de données capitalise des revenus plus rapidement que la couche de modèles. Le modèle est 10% du coût, l'intégration est 90%.

Un agent d'arrière-plan qui surveille une boîte de réception procurement 24/7 et rédige des réponses de devis était autrefois une expérience au coût prohibitif. En janvier 2026, l'inférence seule aurait coûté plus de 2 000 $ par semaine. Fin juillet, elle coûte moins de 50 $. Le modèle n'est plus la partie onéreuse d'un agent de production — et ce changement s'est produit plus vite que toute prévision, dans des baisses de prix en temps réel à l'intérieur d'une seule génération de modèle. Mais l'effondrement du coût n'a pas débloqué la construction : 10 $ de travail de processus, de gouvernance et d'intégration sont encore requis pour chaque 1 $ de dépense de modèle. Cet article cartographie ce que l'effondrement de 1 000× du coût d'inférence signifie pour la décision d'architecture que chaque équipe B2B affronte : construire ou non des agents de production always-on, et ce qui bloque réellement cette construction maintenant que le modèle n'est plus la partie onéreuse.

Mise à jour — 2026-08-15 : DeepSeek Harness Code mode et tarifs par crédit publiés HubSpot Q2 2026

1. DeepSeek Harness Code mode — cinq allers-retours compressés en un appel. 2. HubSpot Q2 2026 tarifs par crédit publiés. 1 crédit = $0.01. Customer Agent 50 crédits/conversation résolue ($0.50). Prospecting Agent 100 crédits/lead ($1.00). Data Agent 10 crédits/prompt ($0.10). Content Agent 1.000 crédits/pièce ($10).

Points clés

• OpenAI a réduit Luna de 80 % à 0,20 $/1,20 $ par million de tokens le 30 juillet 2026 — la plus grande réduction de prix frontière en un seul jour jamais enregistrée. Amazon Bedrock a reflété les baisses le même jour, et le mode Fast de Sol offre 2,5× la vitesse pour 2× le prix. L'effondrement des coûts de 1 000× n'est plus un arc pluriannuel ; il se produit en temps réel dans des baisses de prix au sein d'une seule génération de modèles.
• 29 % du volume de tokens en production s'exécute sur des modèles open-weight pour moins de 4 % des dépenses (Vercel AI Gateway Production Index, juillet 2026) — la discipline de routage est déjà visible dans les données de production. Le modèle le moins cher et capable par tâche est une décision de configuration, pas un projet de recherche.
• L'inférence représente 67 % du calcul IA, contre 33 % en 2023, et 55 % des dépenses cloud IA (37,5 MM$) — le centre de coût est passé de l'entraînement à la distribution, là où les baisses de prix s'accumulent. Les agents always-on prohibitivement coûteux il y a un an sont désormais économiquement viables.
• 10 $ de travail de processus, gouvernance et intégration pour chaque 1 $ de dépense de modèle (xccelera.ai, 2026) — le modèle représente 10 % du coût d'un système d'agent de production. Les 90 % restants sont la couche d'intégration : modules MCP, graphes de connaissances, pistes d'audit, points de contrôle human-in-the-loop, récupération d'erreurs. Des modèles moins chers ne résolvent pas cela.
• Fiddler AI rapporte des taux d'échec d'agents de 70–95 % en production — une inférence moins chère ne réduit pas les taux d'échec ; elle rend les échecs moins coûteux à produire. L'investissement en gouvernance et observabilité est ce qui distingue un agent qui est livré d'un agent qui échoue silencieusement.

L'effondrement des coûts est en temps réel, pas rétrospectif

Le cadre standard de l'économie de l'inférence retrace un arc pluriannuel : 20 $ par million de tokens début 2023 à moins de 1 $ aujourd'hui, soit une baisse de 20 à 50×. Ce cadre est désormais trompeur. La baisse s'accélère, ne ralentit pas. En une seule semaine fin juillet 2026, trois mouvements de prix ont touché la frontière simultanément :

1. OpenAI Luna -80 % (30 juillet) : 0,20 $/1,20 $ par million de tokens. Luna est le modèle d'agent d'arrière-plan par défaut chez Ramp, Cognition (Devin Fusion) et Dust. Un agent d'arrière-plan qui surveille une file d'attente d'approvisionnement 24/7 coûte désormais quelques centimes par jour en inférence.
2. Claude Opus 5 à 5 $/25 $ (24 juillet) : la moitié des 10 $/50 $ de Fable 5. La couche frontière est devenue moins chère sans régression de capacité — Opus 5 mène sur SWE-bench Verified à 97,00 %.
3. Gemini 3.6 Flash à 1,50 $/7,50 $ (21 juillet) : 17 % de tokens de sortie en moins que 3.5 Flash sur le travail agentic, jusqu'à 65 % de moins sur les tâches à long horizon. Même Intelligence Index 50 — moins cher et plus rapide, pas plus intelligent.

Le schéma entre les fournisseurs est cohérent : chaque version optimise le rapport prix-performance au même ou à un niveau d'intelligence supérieur. La frontière devient moins chère simultanément en haut (Opus 5) et en bas (Luna) de la gamme. Une équipe qui budgétisait 50 000 $/mois pour l'inférence d'agents en janvier 2026 peut exécuter la même charge de travail pour moins de 5 000 $ en août 2026 — sans changer l'architecture du modèle, le prompt ou la définition de la tâche.

Ce qui a changé : l'inférence est passée de l'entraînement à la distribution

En 2023, le calcul IA était à 67 % de l'entraînement et 33 % de l'inférence. En 2026, ce ratio s'est inversé : l'inférence représente désormais 67 % du calcul IA et 55 % des dépenses cloud IA. La révision des prévisions de Gartner du 27 juillet place les dépenses IT mondiales à 6,37 T$ en 2026 (+14,2 %), avec les systèmes de centres de données en croissance de 62,5 % pour atteindre 822 MM$ et l'IaaS en croissance de 29,3 % pour atteindre 287 MM$. John-David Lovelock de Gartner a qualifié le déploiement du calcul IA de « plus grand projet d'infrastructure jamais tenté par l'humanité ».

Le passage des dépenses de l'entraînement à la distribution est structurellement significatif pour l'architecture d'agents. Les coûts d'entraînement sont irrécupérables — un modèle frontière coûte des centaines de millions à entraîner, que vous l'utilisiez ou non. Les coûts de distribution sont variables — ils s'adaptent à chaque invocation d'agent, chaque appel d'outil, chaque étape de récupération. Lorsque la distribution domine la structure de coût et que les prix de distribution chutent de 80 % en un seul jour, l'économie des agents always-on s'inverse. Un agent qui surveille 200 RFQ par semaine, interroge trois catalogues de fournisseurs et rédige des réponses de devis était marginalement rentable à 20 $/M de tokens. À 0,20 $/M de tokens, le coût d'inférence est une erreur d'arrondi par rapport au temps de personnel qu'il remplace.

Le ratio 10:1 : pourquoi des modèles moins chers ne débloquent pas la construction

L'effondrement des coûts d'inférence résout le problème le plus simple du déploiement d'agents en production. Le problème le plus difficile est la couche d'intégration.

Les données de xccelera.ai de 2026 quantifient le ratio : pour chaque 1 $ investi dans la technologie IA, les entreprises dépensent jusqu'à 10 $ en refonte des processus, cadres de gouvernance, restructuration du personnel et intégration opérationnelle. Le modèle représente 10 % du coût d'un système d'agent de production. Les autres 90 % sont :

• Modules MCP qui connectent l'agent à NetSuite, HubSpot, BigCommerce, ShipStation et aux catalogues de fournisseurs — chacun avec sa propre authentification, ses limites de débit et son écart sémantique entre la surface de l'API et ce que l'agent doit réellement savoir.
• Graphes de connaissances qui donnent à l'agent la compatibilité des produits, les pièces de substitution et l'historique des fournisseurs — un contexte structuré qu'un LLM brut n'a pas.
• Points de contrôle human-in-the-loop pour les actions sensibles : approbation des devis, émission des commandes, communication fournisseurs. Le modèle kill-switch n'est pas optionnel pour les flux B2B.
• Pistes d'audit et observabilité : chaque appel d'outil, chaque invocation de modèle, chaque décision journalisée et attribuable. OWASP MCP08 (manque d'audit et de télémétrie) est un risque top-10 de MCP pour une raison.
• Récupération d'erreurs : logique de retry, chaînes de fallback, stratégies de timeout pour les tâches longues. Le taux d'échec de 70–95 % de Fiddler AI en production est dû aux erreurs cumulées, aux pannes d'outils et aux hallucinations — pas au coût du modèle.

Une inférence moins chère rend chaque échec moins coûteux à produire, pas moins probable. L'investissement en gouvernance et intégration est ce qui distingue un agent qui est livré d'un agent qui échoue silencieusement. Une équipe qui traite la baisse de Luna comme une permission d'ignorer le travail d'intégration obtiendra des échecs moins chers, pas moins d'échecs.

Cet article inclut un explicatif d'une minute montrant où se situe réellement le coût d'un système d'agent de production :

La construction model-flexible : router par tâche, permuter sans déploiement de code

L'effondrement des coûts d'inférence change la question de sélection de modèle. Quand l'inférence était chère, la question était « quel modèle unique pouvons-nous nous permettre ? » Quand l'inférence est bon marché, la question devient « quel modèle par tâche, et comment permuter sans réécrire l'agent ? »

La réponse est la construction model-flexible : une architecture où la sélection de modèle est un enregistrement de configuration, pas un déploiement de code. Le modèle a trois composants :

1. Une couche de routage qui sélectionne le modèle par tâche. La surveillance en arrière-plan utilise Luna à 0,20 $/1,20 $. La rédaction de devis utilise Opus 5 à 5 $/25 $. La recherche de produits utilise Gemini 3.6 Flash à 1,50 $/7,50 $. La décision de routage est basée sur la complexité de la tâche, les exigences de latence et le coût par invocation — pas sur le fournisseur que l'équipe a choisi en premier. Les données de production de Vercel confirment que cela se produit déjà : 29 % du volume de tokens sur des modèles open-weight pour moins de 4 % des dépenses.

2. Des modules MCP qui sont model-agnostic. Les outils que l'agent appelle — interroger NetSuite pour l'inventaire, récupérer un catalogue de fournisseur, rédiger une réponse de devis, interroger un graphe de connaissances pour la compatibilité — sont définis une fois dans la couche MCP. Le modèle change ; les outils ne changent pas. C'est pourquoi le MCP Module Code Standard traite la structure du module comme l'interface stable et la sélection de modèle comme une préoccupation d'exécution.

3. Une couche de gouvernance qui ne dépend pas de la fiabilité du modèle. Les points de contrôle human-in-the-loop, les pistes d'audit et l'architecture kill-switch sont model-independent. Le modèle de gouvernance proportionnelle — faire correspondre les niveaux d'autonomie au risque — fonctionne de la même manière que l'agent tourne sur Luna ou Opus 5. Le taux d'échec de 70–95 % de Fiddler n'est pas un problème de modèle ; c'est un problème de système. La solution est l'observabilité et la gouvernance, pas un modèle plus cher.

Ce que les données de financement confirment sur le marché

Le financement mondial des startups au S1 2026 a atteint 510 MM$, avec OpenAI et Anthropic à eux seuls représentant 217 MM$ — 43 % de tout le financement de startups. Anthropic a levé 65 MM$ à une valorisation de 965 MM$. Environ 80 % des investissements du Q2 sont allés à des startups axées sur l'IA. Le capital se dirige vers la couche modèle.

L'analyse de marché de CRV pour 2026 confirme que la couche applicative est « éliminée » — les wrappers IA minces sans profondeur d'intégration perdent leur financement. L'implication pour les équipes B2B est directe : les fournisseurs de modèles sont financés pour rendre l'inférence moins chère, et les entreprises de la couche applicative qui survivent sont celles qui résolvent le problème d'intégration, pas celles qui enveloppent une API de modèle. Le positionnement d'IdeaBosque — plateforme plus solutions, avec propriété du code optionnelle — se situe dans les 90 % de la structure de coût que la couche modèle n'aborde pas.

Mise à jour — 2026-08-03 : Tarification Claude Managed Agents — un nouvel axe de coût pour l'économie d'inférence

Anthropic a lancé Claude Managed Agents le 3 août 2026 — le premier modèle de tarification de plateforme d'agents gérés d'un laboratoire de frontière. La tarification ajoute une nouvelle dimension à l'économie d'inférence : le coût d'un agent géré n'est pas seulement les tokens mais aussi le temps qu'il fonctionne.

1. $0,08 par session-heure, plus les tokens. La dimension session-runtime ($0,08/heure) est un nouvel axe de coût. Un agent géré qui fonctionne 24/7 accumule ~$19,20/semaine en frais de session avant tout coût de tokens ; un qui fonctionne 8 heures/jour accumule ~$6,40/semaine. L'implication pour le routing : les agents long-courants sont désormais tarifés par durée, pas seulement par débit de tokens, et le coût session-heure peut dominer le coût de tokens pour les charges de faible volume mais always-on (surveillance de boîte de réception, guet de file).

2. L'estimation d'Anthropic lui-même : $37 pour 10 000 tickets de support à ~3 700 tokens par conversation. C'est le premier benchmark de coût B2B concret pour une plateforme d'agents gérés. À $37/10 000 tickets, le coût par ticket de l'agent est de $0,0037 — bien en dessous du coût par ticket d'un agent de support humain. Le benchmark est un point de référence pour toute équipe modélisant le coût d'un agent de support always-on : la plateforme gérée regroupe le modèle, le runtime et l'orchestration, et tarife le bundle par session-heure plus tokens.

3. Tarification des tokens (entrée/sortie par MTok) : Claude Opus 5 à $5/$25, Claude Sonnet 5 à $2/$10 (tarification introductive jusqu'au 31 août 2026), Claude Haiku 4.5 à $1/$5. Les frais de session de l'agent géré sont additifs au coût des tokens. Pour une charge de support à ~3 700 tokens/conversation, le coût des tokens sur Sonnet 5 (introductif) est ~$0,037/ticket en entrée + ~$0,037/ticket en sortie (en supposant une répartition à peu près égale), et le coût session-heure amorti sur 10 000 tickets dans une fenêtre de 8 heures est ~$0,0064/ticket. La proposition de valeur de la plateforme gérée est que l'orchestration, la gestion d'état et l'infrastructure d'appel d'outil sont groupés — les $0,08/heure sont le prix de ne pas construire cette couche vous-même.

4. Ce qui change dans la décision de routing. L'argument du build model-flexible obtient une nouvelle option : louer la plateforme gérée (session-heure + tokens, sans travail d'intégration) vs. self-hoster le modèle sur une couche de routing (tokens seulement, travail d'intégration complet). Le ratio de $10 d'intégration pour $1 de dépense de modèle est la frontière de décision. Une équipe dont le coût d'intégration dépasse les frais session-heure de la plateforme gérée devrait évaluer la route gérée ; une équipe dont l'intégration est déjà construite devrait router les tokens vers le modèle le moins cher capable et ne pas payer de frais de session. La plateforme gérée est le côté « buy » de la décision build-vs-buy concrétisé avec une étiquette de prix.

La thèse est renforcée : l'économie d'inférence a désormais trois axes de coût — tokens, sessions-heures et intégration. L'effondrement du coût des tokens de 1 000× a rendu les agents always-on abordables ; la tarification session-heure de l'agent géré rend la décision build-vs-buy quantifiable. La contrainte liante reste la couche d'intégration, et la plateforme gérée est une réponse à celle-ci — à $0,08/heure, la plateforme facture exactement le travail d'orchestration que le ratio $10:$1 dit être la partie coûteuse.

---

Mise à jour — 2026-10-17 : DeepSeek-V4.1-Flash-1017 — un succès de cache de 91,5 % est la grille tarifaire effective

Le snapshot du 17 octobre de DeepSeek a mis à niveau le modèle derrière l’alias deepseek-flash vers V4.1-Flash-1017 sans toucher à la grille tarifaire — et a déplacé le prix effectif : l’endpoint officiel rapporte un taux de succès de cache de 91,5 %, qui place le prix d’entrée réellement payé près de 0,017 $ par million de tokens contre le prix d’échec hors pointe de 0,15 $ — le coût d’exploitation le plus bas que les tableaux de cet article aient suivi, obtenu sans une seule baisse de prix (carte Hugging Face). L’entrée avec succès de cache est 0,003/0,006 $ (hors pointe/pointe) — un succès coûte 2 % d’un échec — le prix d’entrée pondéré est donc désormais une fonction de la réutilisation de contexte de la charge, pas de la grille. La discipline d’achat que cet article enseigne gagne une clause : la part de cache est une propriété achetable de la conception des prompts (préfixes stables, schémas stables, contexte récupéré devant le contenu volatil). La même release a ouvert les APIs Search & Fetch de DeepSeek à 0,75 $ par 1 000 appels. L’analyse complète du snapshot porte les lignes de la carte, l’arithmétique du cache et les quatre leviers contrôlables par une équipe.

Lecture associée

• L’agent à 0,017 $ : le snapshot 1017 de DeepSeek réduit le coût par tâche sans toucher aux prix — l’article compagnon qui porte les lignes d’économie de cache du 17 octobre : un taux de succès de cache de 91,5 % sur l’endpoint officiel place l’entrée effective près de 0,017 $/1M à prix inchangés
• Les modèles Open-Weight ont franchi la frontière agéntique — l'argument de construction model-flexible du côté open-weight, avec les données de routage de production de Kimi K3 et GLM 5.2
• [30 % moins cher par tâche, 7x plus de tokens : au cœur du piège d'efficacité de Sonnet 5.5 — la lecture du lancement du 28 septembre sur l'arithmétique du coût par tâche : 193k tokens/tâche à effort maximal fait du modèle « 30 % moins cher » la tâche mesurée la plus chère du tableau de septembre
• Standard de code de module MCP — le modèle structurel qui rend les modules custom production-ready sur tous les connecteurs et permutations de modèle
• Gouvernance proportionnelle des agents : pourquoi la confiance binaire échoue — le cadre de niveaux d'autonomie qui distingue « économique à exécuter » de « sûr à exécuter »

Mise à jour — 2026-08-05 : NVIDIA Groq 3 LPU — la dimension matérielle de l'effondrement du coût d'inférence

L'effondrement du coût d'inférence se produit maintenant à travers toute la pile matérielle, pas seulement la pile des prix des modèles. Le Groq 3 LPU de NVIDIA (annoncé au GTC 2026, associé au système Vera Rubin NVL72) revendique 35× plus de débit d'inférence par mégawatt comparé aux GPU basés HBM — environ 150 tokens par watt pour des tailles de modèle comparables.

1. 35× débit d'inférence par mégawatt. Le Groq 3 LPU cible l'inférence IA agentic à 1 500 tokens par seconde. Un rack complet délivre 315 PFLOPS, 128 GB de SRAM et 40 PB/s de bande passante mémoire.

2. L'effondrement des coûts est maintenant une histoire de deux piles. Le Groq 3 LPU ajoute la dimension matérielle — la même charge d'inférence coûte moins à exécuter car la puce délivre plus de tokens par watt.

3. Ce qui change dans la décision de routage. La couche de routage sélectionne le modèle par tâche, et le matériel d'inférence détermine le coût par token. Une équipe exécutant des Groq 3 LPU peut servir un modèle à 35× coût énergétique moindre.

---

Update — 2026-08-06: BenchLM August 2026 leaderboard — Grok 4.5, Nemotron 3 Nano Omni, LFM2.5-2.6B

The BenchLM leaderboard refreshed August 5, 2026, adding three decision-ready data points to the cost-frontier section of this article:

1. Grok 4.5 — 91% of frontier quality at 88% lower output cost. Grok 4.5 earns "best near-frontier value" on the BenchLM August refresh: 91% of the top score at 88% lower output cost. The 91%/88% ratio is the price-to-performance data point that reshapes deployment decisions — a model that delivers near-frontier quality at near-open-weight cost. For the model-flexible build, this is the routing sweet spot: tasks that need frontier-class quality but not frontier-class cost route to Grok 4.5 instead of Opus 5. The gap between Grok 4.5 (91% at 88% lower cost) and the open-weight frontier (DeepSeek V4-Flash 0731 at Intelligence Index 50, ~60% cheaper than Luna) is the decision space the routing layer operates in.

2. Nemotron 3 Nano Omni — fastest at 323 tok/s, 30B total / 3B active MoE. Nemotron 3 Nano Omni is the fastest model on the BenchLM leaderboard at 323 tokens per second. The architecture is a sparse Mixture-of-Experts (30B total parameters, 3B active) — the same architecture pattern (sparse MoE) that DeepSeek V4-Flash 0731 uses (284B total / 13B active). The 323 tok/s figure is the architecture-level cost collapse this article's NVIDIA Groq 3 update describes, but at the model layer: sparse MoE delivers frontier-adjacent quality at a fraction of the active-parameter cost. The inference-cost-collapse-from-architecture thesis this article makes is now validated at two layers — the hardware layer (Groq 3 at 35× per megawatt) and the model architecture layer (sparse MoE at 3B active parameters delivering 323 tok/s).

3. LFM2.5-2.6B — agents on-device. LFM2.5-2.6B runs agents entirely on-device — the edge deployment dimension of the inference cost collapse. A 2.6B-parameter model that can run an agent loop on a laptop or a phone is the extreme of the cost frontier: zero per-token cost, zero latency, zero data egress. For the routing decision, LFM2.5-2.6B is the option for workflows where data residency (the inference never leaves the device) or latency (sub-millisecond local inference) is the binding constraint, not throughput. The model-flexible build now has a device-tier routing option alongside the cloud tiers.

The BenchLM BenchAlign leaderboard shows the open-weight/frontier gap at ~17% (MiniMax M3 at 68.8 vs Claude Mythos 5 at 83.04) — wider than the ~11-point gap on the Intelligence Index. The gap is narrowing at the capability frontier (Grok 4.5 at 91%) while the cost frontier drops across every tier simultaneously. The cost-frontier section now has eight data points: Luna at $0.20/$1.20, DeepSeek V4-Flash 0731 at $0.14/$0.28, Claude Managed Agents at $0.08/session-hour, Qwen3.8-Max at $2/$6, Grok 4.5 at 91%/88%-lower-cost, Nemotron 3 Nano Omni at 323 tok/s, LFM2.5-2.6B on-device, and the NVIDIA Groq 3 LPU at 35× per megawatt. The pattern is consistent across all eight: every release optimizes price-performance at the same or higher intelligence level, and the cost collapse is happening at the model layer, the hardware layer, and the platform layer simultaneously.

---

Mise à jour — 2026-08-04 : Prix de Qwen3.8-Max — la frontière de coût open-weight baisse encore

Le prix de l'API Qwen3.8-Max a été confirmé à $2 par 1M tokens d'entrée et $6 par 1M tokens de sortie, avec cache implicite à $0.25/M (QwenCloud, OpenRouter, glbgpt.com, windowsforum.com, 4 août 2026). Cela sous-cote significativement Kimi K3 ($3/$15) — 33% moins cher en entrée et 60% moins cher en sortie — et ajoute un nouveau point de données à la section frontière de coût.

1. $2/$6 par million de tokens pour un modèle de 2.4T paramètres (95B actif MoE). Qwen3.8-Max est la première release open-weight à échelle Max de tout labo majeur, et le prix en fait le modèle à échelle Max le moins cher sur le marché des API. La frontière de coût a maintenant quatre options open-weight à des points de prix distincts : DeepSeek V4-Flash 0731 à $0.14/$0.28 (Intelligence Index 50, le modèle capable le moins cher), Qwen3.8-Max à $2/$6 (échelle Max, travail autonome long-terme), GLM-5.2 à $0.60/$2.20 (utilisation défensive), et Kimi K3 à $3/$15 (capacité brute, 93.40% SWE-bench). La décision de routage est maintenant across quatre niveaux de prix, pas entre open-weight et frontière fermée.

2. L'avantage de coût open-weight se cumule contre la frontière fermée. Claude Opus 5 à $5/$25 est 2.5× plus cher que Qwen3.8-Max en entrée et 4.2× en sortie — pour un modèle qui mène SWE-bench Verified à 97.00% vs les 93.40% de Kimi K3 (Qwen3.8-Max n'a pas encore été évalué par Artificial Analysis). L'écart de coût se réduit plus vite que l'écart de benchmark : la frontière open-weight est à 3.6 points sur SWE-bench tout en étant 60-75% moins chère. Pour une construction model-flexible, la couche de routage peut maintenant sélectionner Qwen3.8-Max pour le travail autonome long-terme (10+ jours de codage autonome, 125 heures de reproduction de recherche) à une fraction du coût frontière.

3. Ce qui change dans la décision de routage. La section frontière de coût de cet article a maintenant cinq points de données : Luna à $0.20/$1.20 (réduit de 80% le 30 juillet), DeepSeek V4-Flash 0731 à $0.14/$0.28 (Intelligence Index 50, 31 juillet), Claude Managed Agents à $0.08/session-hour (3 août), et Qwen3.8-Max à $2/$6 (4 août). Le pattern est consistant : chaque release optimise le prix-performance au même ou à un niveau d'intelligence supérieur. La frontière devient moins chère en haut (Opus 5) et en bas (DeepSeek V4-Flash) simultanément, et les options open-weight ajoutent de nouveaux niveaux de prix (Qwen3.8-Max à échelle Max) qui n'existaient pas il y a une semaine. Une équipe qui a budgétisé $50,000/mois pour l'inférence d'agents en janvier 2026 peut maintenant router across cinq modèles à cinq points de prix — le modèle capable le moins cher par tâche est une décision de configuration, pas un projet de recherche.

Mise à jour — 2026-10-26 : la correction de l'auto-routage et la ligne de bilan des 15 milliards $ de DeepSeek

Une correction de péremption à la mise à jour du 10 septembre ci-dessus : l'auto-routage annoncé n'est jamais entré en vigueur. Le change log de DeepSeek (section du 10 septembre, relu le 26 octobre 2026) enregistre : « In response to user demand, we have decided to continue providing API services for DeepSeek V4 Pro after September 14, 2026, with the billing method remaining unchanged » (change log), tandis que la page d'annonce toujours en ligne conserve l'ordre de routage d'origine sans aucune rétractation sur la page elle-même (api-docs.deepseek.com) — les deux surfaces du fournisseur se contredisent à leur face même. Pour la thèse de gouvernance des coûts, la correction est une mise à niveau, pas un repli : un fournisseur peut annoncer une substitution, la révoquer unilatéralement et laisser les deux registres se tenir ; le modèle servi dans la réponse reste la vérité de référence, et la couche de routage (l'article sur l'échange de modèle) reste le contrôle. Ensuite, la ligne de financement, désormais dérisquée vers des sources nommées : DeepSeek a levé environ 15 milliards $ dans un second tour privé — environ 100 milliards de yuans, avec Tencent et CATL parmi les plus grands investisseurs — à une valorisation pre-money d'environ 74 milliards $ (environ 89 milliards $ post-money, tel qu'annoncé) ; le fondateur Liang Wenfeng a dit aux investisseurs en septembre que la société génère des revenus à un rythme annualisé de 1 milliard $ et vise une introduction en bourse sur le STAR Market de Shanghai, tout en s'associant à Huawei pour déplacer l'entraînement sur des puces chinoises (qz.com ; TechStartups — relais de reportages WSJ/Bloomberg). Le fournisseur le moins cher et crédible de compute pour agents always-on a désormais une profondeur d'investisseurs stratégiques, une piste d'introduction en bourse et un chemin de diversification des puces — le risque de continuité fournisseur de cette voie baisse, et l'épisode d'identité de modèle de septembre reste l'avertissement permanent.

Mise à jour — 2026-09-30 : Gemini 4 Argon complète le jeu de données coût-par-tâche à trois labs

Le jeu d'exhibits que cet article assemble depuis un mois a gagné son troisième lab : Google a lancé Gemini 4 Argon le 30 septembre 2026 — son premier modèle frontière non-Flash depuis plus de sept mois — scorant 53 au AA Intelligence Index, à égalité avec GPT-6 Astra. Au tarif promotionnel ($4/$20 actuellement réduit de 50 % à $2/$10), AA mesure Argon à $1.99 par tâche du Intelligence Index — 60 % des $3.26 d'Astra mais 2,7× les $0.74 de GPT-6.1 Sol, qui lui-même égale Astra pour un cinquième du coût. Sonnet 5.5 complète le jeu par le versant efficacité-tokens : 56 à l'Index avec la grille $2/$10 inchangée, mais ~193 000 tokens de sortie par tâche d'Index à effort maximal facturent $7.60 — environ 50 % au-dessus de Sonnet 5. La lecture à trois labs pour un acheteur d'inférence : la même intelligence de classe 50 facture désormais $0.74, $1.99 ou $7.60 par tâche selon la stratégie de release — price-led, capacité-avec-remise, capacité-avec-facture-de-tokens. L'entrée en cache d'Argon à 95 % de réduction ($0.10/1M) est le point de donnée compagnon de la voie cache-led, et sa limite de sortie inédite de 1M de tokens inverse l'économie always-on : une boucle de raisonnement continue ne se fragmente plus contre un plafond de 64K, si bien que la facture côté sortie d'un agent à long horizon peut désormais se concentrer au lieu de s'éparpiller.

Une mise en garde qui fait écho à la leçon de Sonnet 5.5 : le tarif promotionnel n'est pas une grille. Les $2/$10 d'Argon sont une remise que Google ne s'est pas engagé à maintenir ; son coût post-promotion se mesure à $3.98 par tâche (environ 1,2× Astra). Contractez sur le chiffre post-promotion ou inscrivez l'expiration de la promotion au calendrier d'approvisionnement — la structure de remise est elle-même la décision de routage d'un quatrième lab, le même risque de substitution adjacente à l'auto-routage que documentait l'épisode DeepSeek V4.1-Flash.

Mise à jour — 2026-10-01 : la thèse always-on obtient son exhibit frontalier — des agents Argon libèrent 300 TiB de mémoire de façon autonome

Le cross-post MENA du 1er octobre de l'annonce Argon (blog.google) ajoute le détail de cas d'usage interne dont la thèse always-on de cet article manquait : les agents Argon ont analysé la télémétrie de profilage à l'échelle de la flotte et ont identifié et appliqué de façon autonome des optimisations mémoire dans les centres de données de Google, libérant plus de 300 TiB de mémoire, avec une économie totale estimée entre 500 TiB et 1 PiB. Argon a également battu une base de référence publiée d'optimisation algorithmique quantique de 40 % en ressources spacetime (qubits × gates) « en quelques minutes ». C'est l'exhibit concret de l'affirmation selon laquelle les agents always-on se rentabilisent à l'échelle de l'infrastructure : la tâche des agents n'était pas de répondre à des utilisateurs mais de lire en continu la télémétrie et d'appliquer des optimisations — exactement le profil opérationnel de la boucle always-on que cet article chiffre. Le blog indique aussi qu'Argon mène sur le benchmark Indirect Prompt Injection (IPI) de Gray Swan grâce à la red-teaming automatisée et à l'entraînement adverse — le point de donnée au niveau modèle sur l'injection de prompt pour la famille de checklists de sécurité MCP.

Mise à jour — 2026-10-02 : les modèles de décision productisent le palier de classification à bas coût — Cloudflare Clef + AWS Strands Decider 2B

Le vecteur de réduction des coûts vers lequel l'arithmétique de cet article pointe — décharger de la classification à haut volume et à faible ambiguïté depuis les appels LLM — s'est productisé deux fois en une seule journée : Clef et Clef-flash de Cloudflare (open source, Apache-2.0) et le Decider 2B d'AWS Strands Labs rejoignent le Jev de TypeSafe comme couches de décision disponibles commercialement (TREND-02 §3.1). Pour la boucle always-on que cet article chiffre, les appels de routage et de garde-fous qui circulent actuellement sur des paliers LLM tarifiés peuvent passer à un modèle de décision qui renvoie des choix structurés à une fraction de la latence et du coût — ce qui change l'architecture de la pile de coûts : la dépense LLM frontal se concentre sur les jugements, et le périmètre de classification (routage, seuils de sécurité, évaluation des traces) passe à la couche la moins chère capable de tenir une calibration. Avec trois fournisseurs qui livrent en onze jours, le palier décisionnel cesse d'être une curiosité et devient une ligne d'approvisionnement — et les plafonds par tâche du contrat d'acheteur de cet article gagnent une classe de modèle conçue pour les atteindre.

Mise à jour — 2026-10-04 : les modèles de décision en local — l'aller-retour API quitte le palier le moins cher

Le modèle de coûts d'inférence que cet article maintient gagne un point de donnée au palier le moins cher : llama.cpp sert désormais la classe des modèles de décision (Julia-1, Laya, Kev-4B, lev, OpenJev en GGUF, via un endpoint de type /v1/systemone), ce qui retire l'aller-retour API d'une couche dont la raison d'être était précisément d'éviter la dépense API. Le palier décisionnel était déjà le coût marginal le plus bas de la pile ; le runtime local pousse son coût vers zéro marginal et déplace la dépense restante vers le provisionnement RAM/CPU. L'arithmétique du routage change pour les agents always-on à l'échelle : les modèles de décision locaux rendent le contrôle à chaque action abordable à des volumes où la tarification API par appel était la contrainte de conception.

Mise à jour — 2026-10-02 : le calcul financé par le fournisseur — Broadcom prête jusqu'à 42 milliards de dollars à Anthropic

L'arithmétique de prix que cet article suit possède désormais une dimension de financement : Broadcom a convenu de prêter jusqu'à 42 milliards de dollars à Anthropic pour leasing des puces de Broadcom — le plus grand arrangement de prêt de matériel IA divulgué à ce jour (Reuters, 1er octobre 2026). Pour la pile de coûts, cela crée un vecteur que les colonnes par token et par tâche ne capturent pas : du calcul sécurisé au bilan du fournisseur, remboursé sur les revenus futurs. La lecture stratégique pour un acheteur est inchangée en direction mais plus affûtée dans le mécanisme — la capacité frontale d'Anthropic repose désormais sur un financement fournisseur fermé, ce qui concentre le risque de continuité fournisseur que cet article documente (l'épisode d'auto-routage de DeepSeek, la fermeture de Relay) sous une forme spécifique : un laboratoire dont l'offre de calcul est un passif sur son propre bilan est un laboratoire dont le comportement de prix est contraint par le service de la dette autant que par la marge. Quand la prochaine comparaison de coût par tâche tombera, la structure de financement derrière la capacité de chaque laboratoire fera partie de l'arithmétique.

Mise à jour — 2026-09-29 : le registre hebdomadaire de la guerre des prix — trois stratégies de release, un tableau de coût par tâche

La cadence des prix que cet article suit est maintenant hebdomadaire, et les releases de septembre se résolvent en trois stratégies qu'un acheteur d'inférence doit chiffrer côte à côte (le registre de septembre de pricepertoken compte 181 changements de prix sur 671 modèles suivis ce mois-ci) : pilotée par le prix — GPT-6 Sol d'OpenAI à 2 $/10 $, son palier Luna à 0,10 $/0,50 $, et GPT-6.1 Sol une semaine plus tard au même 2 $/10 $ avec une intelligence proche d'Astra (OpenAI) — achète de la capacité frontière à prix de matière première. Pilotée par le cache — Opus 5.5 d'Anthropic à 4 $/20 $ avec des lectures de cache à −60 % — achète aux boucles d'agents intensives en écriture une revalorisation de la ligne de coût dominante. Pilotée par la capacité — la release du 28 septembre de Claude Sonnet 5.5 à la grille tarifaire inchangée de 2 $/10 $ mais avec Artificial Analysis mesurant ~193 000 tokens de sortie par tâche de l'Intelligence Index à effort maximal — la facture de tokens la plus élevée jamais enregistrée par AA, environ 7× celle d'Astra par tâche — montre le piège d'efficacité : « jusqu'à 30 % moins cher par tâche » se compare à un coût réel mesuré par tâche de 7,60 $, environ 50 % au-dessus de Sonnet 5 (AA ; l'arithmétique complète est dans l'analyse Sonnet 5.5). Deux démonstrations d'intégrité du routage complètent le mois : Smart Route d'OpenAI (25 septembre) sélectionne automatiquement parmi les paliers tarifés — le routeur côté fournisseur que couvrent les recommandations de journal d'audit de cet article, désormais par défaut plutôt qu'incident ; et MiMo-V2.6-Pro (1,02 T au total / 42 B actifs, licence MIT) est devenu le modèle open-weight au score le plus élevé jamais mesuré sur l'Intelligence Index d'AA à 46, revalorisant le plancher open-weight sur lequel 29 % du volume de tokens roule déjà. Une mise en garde gouverne chaque comparaison entre modèles de cette mise à jour : les scores de l'Intelligence Index d'AA sont rebasés entre releases, donc un score cité d'un rebasage différent n'est pas comparable — ne mélangez jamais les indices entre rebasages. Le contrat de l'acheteur n'a pas changé depuis la lecture du 11 septembre ; le prix de l'ignorer, oui : épinglez les identifiants de modèle, contractez sur le coût par tâche avec un plafond hebdomadaire, et refaites l'arithmétique avant la prochaine permutation de modèle — qui, à la cadence actuelle, est à quelques jours.

Mise à jour — 2026-10-06 : le registre d'économie d'inférence gagne trois lignes souveraines à poids ouverts — ML4, Beam, Kolibri-1

Mistral Large 4 (ML4, aperçu public le 6 octobre 2026). Un MoE nativement multimodal de 1T de paramètres / 49B actifs de Mistral, entraîné sur 3 800 GPU NVIDIA Grace Blackwell dans les datacenters européens propres à Mistral (série D de 3 Md€ — la plus grande levée de fonds en fonds propres de l'histoire d'une entreprise technologique européenne). Tarification $1.36/M en entrée, $4.18/M en sortie — une nouvelle ligne souveraine européenne à poids ouverts que le registre doit évaluer à côté des stratégies de septembre. Mais le point que cet article évalue le plus soigneusement est la capacité par dollar à effort maximal : ML4 affiche 82 % sur reproduce-and-patch (le score de cybersécurité le plus élevé de tous les modèles mesurés ; Claude Opus 5.5 et GPT-6 Astra marquent quasi zéro parce qu'ils refusent la tâche) — le datapoint sécurité-par-dollar que l'acheteur souverain évalue différemment de l'acheteur d'API de consommation. Les poids arrivent fin de mois ; une route d'auto-hébergement remplace entièrement la grille tarifaire.

Reflection AI Beam. Un MoE épars de 501B / 23B actifs, entraîné via plus de 100M de rollouts RL sur 10,5K GPU NVIDIA GB300 — compétitif avec GLM-5.2 et proche de Qwen 3.8-Max sur le codage et les tâches agentiques avec 3–4× moins de calcul d'inférence(SWE-Bench Verified 80,9 %, Terminal-Bench v2.1 80,1 %, MCP Atlas 78,7 %). C'est le datapoint d'efficacité de calcul que les lignes capacité-par-tâche du registre n'avaient pas d'un fournisseur occidental : un modèle de 501B qui se comporte comme une empreinte active bien plus petite, soutenu par Nvidia ($4.7B levés, $25B pré-money), poids Apache 2.0 ce mois, avec un pitch de déploiement souverain « usine d'IA » (partenariat avec Shinsegae en Corée du Sud).

Kolibri-1 (Aleph Alpha, 3 octobre). Un MoE de 78,1B totaux / 3,46B actifs, 384 experts routés (6 actifs par token), bilingue allemand/anglais, contexte de 262K extensible à 1M, Apache 2.0, construit et entraîné en Allemagne et en Finlande — la ligne souveraine allemande, à côté de la française.

Pour la structure du registre : les trois stratégies de release de septembre (price-led, cache-led, capability-led) restent le cadre, mais une quatrième dimension de sourcing se valorise désormais de façon indépendante — la souveraineté : où vivent les poids, qui peut refuser votre charge de travail, et ce que coûte l'auto-hébergement face à la grille tarifaire. Un acheteur qui confronte le $1.36/$4.18 de ML4 à l'arithmétique coût-par-tâche de classe Sonnet, et l'efficacité 3–4× de Beam à la classe GLM-5.2, exerce exactement la discipline que cet article exige : refaire l'arithmétique avant le prochain swap de modèle — et les swaps arrivent désormais chaque semaine depuis trois régions.

Mise à jour — 2026-10-15 : Muse Spark Open + Apple MLX — la ligne de topologie cluster de bureau

Les vecteurs d'optimisation des coûts de cet article incluent désormais un datapoint de topologie cluster de bureau. Muse Spark Open de Meta (15 octobre 2026) publie un checkpoint NVFP4 d'environ 530 Go, et le post de recherche MLX d'Apple a démontré l'inférence distribuée par RDMA de ce checkpoint sur des grappes de Mac Studio — environ 38 000 dollars de silicium Apple (quatre Mac Studio M5 Ultra de 256 Go, selon Engadget) achètent une capacité frontière partielle sur du matériel possédé, le même axe que la ligne locale 24 Go du RTX Spark ouvre au bas de l'échelle. Lisez-le comme une ligne de topologie, pas comme une victoire de coût : 38 k$ de capital achètent une amplitude de capacité sans facture par token, tandis que le comptage API achète la frontière complète — la décision de build de l'agent toujours actif a désormais un exemple éprouvé de cluster de bureau entre ces deux pôles. Les références d'API remontées par les agrégateurs placent Muse Spark Open près de 1,25 $ par million de tokens — non vérifié contre une source primaire de Meta, étiquetez avant de citer.

Update — 2026-10-19: MiniMax M3.1 Flash — la ligne de tarif de cache publiée

La ligne d'entrée en cache à 0,015 $/1M arrive publiée par le fournisseur. MiniMax (HKEX : 0100.HK) a lancé M3.1 Flash le 19 octobre 2026 à un prix plat de 0,15 $ en entrée / 0,60 $ en sortie / 0,015 $ en entrée cachée par 1M de tokens — sans fenêtres pointe/hors pointe — faisant de la ligne de cache un poste de procurement qu'un devis peut référencer (MiniMax ; Reuters). Elle se place à côté de la ligne effective à 91,5 % d'occurrences ci-dessus : DeepSeek publie l'entrée avec occurrence à 0,003–0,006 $ contre un prix sans occurrence de 0,15–0,30 $ (2 % du prix hors pointe, conditionné aux fenêtres horaires), tandis que MiniMax publie directement le tarif plat de 10 % de la liste. Les deux régimes obéissent à la même arithmétique : entrée effective = taux d'occurrences × tarif caché + taux d'échecs × tarif de liste — à un taux d'occurrences illustratif de 91,5 %, la grille de DeepSeek donne ≈0,017 $/1M et celle de MiniMax ≈0,0265 $/1M (tarifs DeepSeek ; comparaison complète dans l'analyse des coûts de cache et l'article sur M3.1 Flash). Les poids ne sont pas publiés au moment de la rédaction (les fils communautaires évoquent le 23 octobre ; le chiffre du MoE à 428B est un rapport d'agrégateur non confirmé) — citez la grille de prix, retenez la ligne des paramètres.

---

Un distributeur de taille intermédiaire utilisant NetSuite et BigCommerce traite 200 RFQ par semaine. Aux prix de Luna, un agent qui surveille la boîte de réception, interroge trois catalogues de fournisseurs via des modules MCP, vérifie un graphe de connaissances pour les pièces de substitution et rédige des réponses de devis coûte moins de 50 $ par semaine en inférence. La même charge de travail aux prix de janvier 2026 aurait coûté plus de 2 000 $. La question du distributeur n'est plus de savoir si l'agent est abordable — c'est de savoir si la couche d'intégration est construite. Les modules MCP, le graphe de connaissances, le point de contrôle d'approbation humaine pour l'émission de devis et la piste d'audit pour chaque appel d'outil représentent 90 % de la construction. C'est ce que livre un engagement à portée définie : la couche d'intégration et de gouvernance qui transforme un modèle bon marché en un agent de production.

Mise à jour — 2026-10-07 : GLM-5.3-Flash — capacité quasi-frontière pour un dixième de la grille du fleuron

La ligne d'effondrement des coûts la plus forte du registre est arrivée le 7 octobre 2026 : GLM-5.3-Flash de Z.ai, un MoE nativement multimodal de 320B totaux / 18B actifs à 0,15 $/M en entrée, 0,50 $/M en sortie — un dixième des 1,40/4,40 $ de GLM-5.3 (Z.AI blog). L'arithmétique par dollar est la thèse que cet article tarifé : Intelligence Index v4.1.1 57 à 0,045 $/tâche (tarif réduit) — un niveau de capacité que Z.ai note était auparavant accessible uniquement à un coût environ 10× supérieur — avec Terminal Bench 2.1 à 84.3 (à moins d'un point de Claude Opus 4.8) et AutomationBench à 48.8, surpassant Claude Opus 4.8 (41.0) et GPT-5.6 Terra (37.2) sur le benchmark de flux agentiques. Servi à l'échelle sur des puces IA chinoises avec un moteur d'inférence dédié sur SGLang et une amélioration revendiquée de 3× — la ligne d'efficacité matérielle du registre gagne un datapoint non-NVIDIA. Le côté demande est déjà visible : MarketScale rapporte des budgets IA entreprise à sec en 1–2 mois alors que le coût par token s'envole, et AI Business Weekly compte une croissance des dépenses d'infrastructure IA de 62,5 % à 822Md$ en 2026 avec seulement 6 % des adoptants capturant un bénéfice mesurable — les datapoints d'épuisement budgétaire qui font de l'arithmétique par tâche une contrainte d'achat, pas une optimisation. La discipline contractuelle de l'acheteur ne change pas : épingler les IDs de modèles (GLM-5.3-Flash est une grille différente de GLM-5.3 — vérifier laquelle votre gateway route), contracting sur le coût par tâche avec plafond hebdomadaire, et relancer l'arithmétique avant le prochain swap. Les poids sont sur Hugging Face sous la même famille de licence évolutive, donc pour les opérateurs au-dessus du seuil de volume, la route d'auto-hébergement retire cette ligne de la grille entièrement. L'analyse compagne de GLM-5.3-Flash porte le décompte complet prix et gouvernance.

La structure de marché autour des grilles accélère en parallèle : le T4 2026 s'est ouvert avec 260M$ de levées de fonds agents IA divulguées — la série B de 255,5M$ d'Armadin (cybersécurité native IA, a16z + Accel, valorisation 2,5Md$+) et la série C d'1Md$ d'Instinct à une valorisation de 10Md$ pour un assistant IA personnel — la demande d'inférence se capitalise au même rythme que les prix s'effondrent.