Adoption et dépenses des consommateurs
Le rapport State of Markets d’Andreessen Horowitz, basé sur une étude de PNC, indique que seulement 2,2 % des consommateurs payaient pour un service d’IA en mai, avec une dépense moyenne de 31 $ par mois. Une enquête de Bank of America montre un taux légèrement supérieur aux États‑Unis, 3 %, en hausse de 40 % d’une année sur l’autre. Un sondage Menlo de septembre signale que 25 % des adultes utilisent l’IA quotidiennement, dont la moitié paie pour le service. Malgré ces chiffres, la progression reste linéaire : même l’écart de performance entre GPT‑5.2 et le modèle Astra n’apparaît que marginalement dans les courbes d’adoption.
Coûts d’exploitation des modèles IA
Les modèles de grande taille restent coûteux à faire tourner. En comparant à Netflix, qui génère environ 34 $ par abonné pour 325 millions d’utilisateurs, le revenu total s’élèverait à 11 milliards de dollars annuels. Ce chiffre représente moins d’un tiers des dépenses opérationnelles d’OpenAI, qui dépasse largement ce seuil. Ainsi, même un volume de plusieurs centaines de millions d’utilisateurs payants ne garantit pas la rentabilité. La structure de coût inclut le matériel GPU, l’énergie des data‑centers et les dépenses de recherche continue, ce qui crée un plafond économique pour les services purement grand public.
Stratégies de monétisation et limites de croissance
OpenAI a réorienté son modèle vers l’entreprise : les réservations d’entreprise ont doublé depuis juillet, et le lancement de Dots cible explicitement les ingénieurs logiciels et les créatifs d’agence. Cette approche « consumer‑to‑enterprise » permet de vendre un service déjà populaire à un tarif majoré. Meta, avec son assistant Muse et la mascotte Jolly, bénéficie du ciblage publicitaire personnalisé, offrant une source de revenus additionnelle et retardant la pression de rentabilité. Instinct, valorisé à 10 milliards de dollars après une levée de 1 milliard de dollars, prévoit de prélever une commission sur les achats effectués via l’assistant, réduisant ainsi le besoin d’entraîner son propre modèle de pointe. Ces deux cas illustrent que la viabilité à long terme des assistants IA grand public dépend davantage de la capacité à monétiser indirectement (publicité, commissions, ventes aux entreprises) que de la simple augmentation du nombre d’abonnés payants.
