La même quantité de texte généré : 50 dollars chez Anthropic, 87 centimes chez DeepSeek
Des entreprises américaines remplacent le tokenmaxxing par le thrift-maxxing : elles intègrent des modèles chinois bon marché et réservent les coûteux aux étapes difficiles. Pendant une semaine de juillet, les modèles chinois représentaient 57 % des tokens américains sur OpenRouter.
Voici le calcul qui a changé le comportement des entreprises ce mois-ci. Environ 750 000 mots générés coûtent près de 50 dollars avec Fable d’Anthropic, selon la comparaison de Fortune. Le même volume coûte environ 87 centimes avec V4-Pro de DeepSeek, 4,40 dollars avec GLM-5.2 de Z.AI et 15 dollars avec Kimi K3 de Moonshot, cher selon les normes chinoises. Le Wall Street Journal appelle la réaction « thrift-maxxing ». L’an dernier, le signe de prestige était le tokenmaxxing, brûler autant de tokens que possible. Désormais, il s’agit de terminer avec le modèle le moins cher capable de le faire.
Un token est approximativement un fragment de mot et l’unité de facturation. La première réaction aux factures croissantes fut le rationnement, en plafonnant les dépenses des employés. La seconde est la substitution, celle qui fait mal aux laboratoires. Il ne s’agit généralement pas d’un remplacement total. Telnyx fait tourner 1 400 agents sur des modèles Z.AI, avec Fable d’Anthropic comme chef d’orchestre et Sol d’OpenAI pour contrôler. La start-up juridique Harvey a entraîné GLM-5.2 elle-même et lui a donné un bouton pour appeler Fable 5 lors d’une tâche vraiment difficile. Coinbase a déclaré en juin avoir divisé ses dépenses par deux en orientant le personnel vers Kimi et GLM. Airbnb a utilisé Qwen d’Alibaba au service client. Pendant une semaine de juillet, les modèles chinois ont représenté 57 % des tokens consommés par des entreprises américaines sur OpenRouter ; une enquête IDC auprès de 260 décideurs de grandes entreprises américaines a trouvé que 47 % employaient un modèle chinois dans au moins un cas.
L’écart de prix n’est pas de la générosité. L’électricité est moins chère en Chine, les nouveaux centres y rencontrent moins d’opposition locale et les laboratoires acceptent de faibles marges pour devenir la norme. Les contrôles à l’exportation ont peut-être aidé : privés des meilleures puces Nvidia, ils ont dû tirer davantage d’un matériel inférieur. La conséquence est gênante pour OpenAI et Anthropic, qui ont passé des années à viser le modèle le plus puissant avant de découvrir que beaucoup de clients en voulaient un simplement suffisant. Toutes deux préparent leur introduction en Bourse et le Journal affirme que ce changement pèse sur leurs valorisations. Anthropic a répondu vendredi avec Opus 5, un modèle haut de gamme moins cher. Gardons des attentes réalistes : Sean O’Kane de TechCrunch rappelle que le secteur panique à chaque cycle, et une semaine après le choc Kimi K3 l’ambiance s’était déjà calmée. Des obstacles subsistent : Amazon Bedrock, Microsoft Azure Foundry et Google Vertex AI ne proposent toujours pas ces modèles chinois à poids ouverts.
Ce que cela signifie pour vous : Si vous payez un abonnement, cette concurrence explique pourquoi prix et limites bougent, généralement en votre faveur. Si vous construisez avec une API, faites comme ces entreprises : cessez d’utiliser par défaut le modèle le plus puissant et ne lui confiez que les étapes réellement difficiles. Vous pouvez tester les alternatives en un après-midi sur OpenRouter. Pour les données sensibles, la prudence n’est pas seulement géopolitique : des chercheurs mettent en garde contre l’envoi de code propriétaire à n’importe quel fournisseur étranger, raison pour laquelle les modèles à poids ouverts hébergés chez soi sont attrayants.
Sources
Sources: https://thenextweb.com/news/thrift-maxxing-chinese-models-openai-anthropic-ipo-valuations
Les enseignants en informatique réécrivent discrètement leurs examens à cause de l’IA
Une enquête menée auprès de 763 enseignants dans 49 pays révèle que 68 % d’entre eux ont déjà changé leur manière d’évaluer les étudiants. Les oraux et les soutenances de code reviennent, tandis que l’évaluation porte désormais moins sur l’écriture du code que sur sa compréhension.
