OpenAI ajuste sa stratégie de tarification et recommande des modèles moins coûteux pour les tâches courantes

Si quelqu'un dépense encore le plus d'argent pour appeler le modèle le plus puissant d'OpenAI aujourd'hui.

OpenAI lui suggérerait plutôt d'en choisir un autre.

Le 30 juillet, OpenAI a publié une annonce de modification des prix.

Le modèle GPT-5.6Luna est réduit de 80 %, le modèle Terra est réduit de 20 %.

En voyant ce message, il est facile de se concentrer sur le fait que la Silicon Valley a commencé une guerre des prix.

Cependant, après avoir soigneusement lu la documentation technique officielle et le guide d'appel API, on réalise que les véritables actions à surveiller ne se trouvent pas dans les chiffres de prix eux-mêmes.

C'est essentiellement la première fois qu'OpenAI informe les utilisateurs que de nombreuses tâches n'ont pas besoin d'être traitées par le modèle le plus puissant.

L'officiel a donné une recommandation très précise. Pour une tâche complexe, commencez par utiliser GPT-5.6Sol pour l'analyse des besoins et la conception de la solution, puis confiez l'exécution, l'écriture du code et les tests à Luna.

Le modèle le plus coûteux est chargé de réfléchir, le modèle le moins coûteux est chargé d'effectuer les tâches. Cette stratégie semblait, il y a deux ans, équivaloir à un renoncement commercial.

Sachez que, par le passé, toute l'industrie de l'IA s'est efforcée de convaincre le marché que son modèle était le plus intelligent.

Aujourd'hui, OpenAI a déclaré qu'il n'était pas nécessaire d'acheter toujours le plus cher.

This matter is much more important than a price reduction.

Regardez d'abord ce qui s'est passé au cours des deux dernières semaines.

Le 30 juillet, OpenAI a ajusté ses prix. Luna baisse de 80 %. Terra baisse de 20 %. Sol n'a pas réduit ses prix, mais a ajouté un mode Rapide, jusqu'à 2,5 fois plus rapide que le mode standard, avec un prix doublé, tout en conservant le même niveau d'intelligence.

Les modèles haut de gamme restent en place. Ceux qui commencent vraiment à connaître un volume élevé, ce sont les modèles moyens et bas de gamme.

Une semaine en arrière.

Le 24 juillet, Anthropic a fait à peu près la même chose. Claude Opus 5 est sorti, avec une entrée de un million de tokens à 5 dollars et une sortie à 25 dollars — exactement la moitié du prix de Fable 5.

Plutôt que de mettre l'accent sur les percées de performance, Anthropic souligne davantage son économie : pour seulement la moitié du prix, vous obtenez des capacités de raisonnement de pointe quasi identiques à celles de Fable 5.

Il y a juste un mois, Fable 5 était le produit phare mis en avant par Anthropic : la meilleure raisonning, le contexte le plus long, le prix le plus élevé. Un mois plus tard, Anthropic a lui-même proposé une alternative à moitié prix pour son produit phare.

Si une seule entreprise le fait, on peut le considérer comme un ajustement de produit. Mais si deux entreprises le font presque simultanément, ce n'est plus une coïncidence.

Ils ont tous commencé à réduire activement l'importance des modèles phares.

J'ai ensuite continué à me demander pourquoi précisément maintenant.

La réponse n'est pas compliquée.

La plus grande valeur des modèles phares précédents n'était pas de générer des profits, mais de démontrer un avantage technologique. Après la sortie de GPT-4, la valorisation d'OpenAI n'a cessé d'augmenter. Chaque mise à jour de Claude permet à Anthropic de redéfinir sa position technologique. Les modèles phares assument une valeur de marque.

Mais les endroits où les entreprises dépensent réellement de l'argent, ce n'est pas ici.

Une entreprise effectue plusieurs millions d'appels API par jour. Les tâches à haut volume, telles que le service client, la recherche, l'approbation, la génération de code et l'exécution d'agents, consomment la majeure partie des tokens. Ce qui intéresse le plus les entreprises lors de leur achat, ce n'est pas d'être en tête des benchmarks, mais le coût par tâche, la stabilité suffisante et le retour sur investissement élevé.

Lorsque l'échelle d'appel atteint des dizaines de millions par jour, le léger avantage intelligent des modèles phares est immédiatement annulé par les coûts énormes de calcul.

Les actions et déclarations d'OpenAI marquent un tournant : les produits phares de haut niveau ne sont plus tenus de générer des revenus.

Cette scène, l'industrie automobile l'a déjà vécue.

Il y a vingt ans, la série 7 définissait le niveau de BMW, la classe S établissait le positionnement luxueux de Mercedes, et l’A8 posait les fondations de l’image de véhicule phare d’Audi : les modèles phares déterminaient la limite supérieure de la marque. Toutefois, les bases réelles qui soutenaient les ventes et généraient les bénéfices étaient toujours la série 3 de BMW, la classe C de Mercedes et l’A4 d’Audi.

Plus tard, cela est devenu plus évident. La Model S a prouvé que Tesla pouvait fabriquer des voitures. Ce qui l’a véritablement transformée en constructeur automobile mondial, ce sont la Model 3 et la Model Y.

Le modèle phare assure la preuve de capacité, tandis que les modèles grand public assurent l'échelle.

L’IA commence également à entrer dans cette phase aujourd’hui. Sol et Fable continueront d’exister, ils sont chargés de pousser les limites technologiques et de mettre à jour les benchmarks. Ceux qui assumeront réellement la commercialisation deviendront de plus en plus Luna, Terra, Opus.

OpenAI a même publié publiquement le processus de recommandation, avec Sol chargé de la planification et Luna de l'exécution.

Ce n'est plus simplement un modèle ; OpenAI conçoit un système de répartition des modèles. À l'avenir, les entreprises n'achèteront pas un seul modèle, mais un ensemble complet de modèles. Ce qui détermine réellement le coût, ce n'est pas le directeur général, mais l'équipe de chantier qui travaille quotidiennement.

Il y a encore un détail que je trouve plus intéressant que la baisse de prix elle-même.

OpenAI mentionne dans sa note technique que cette réduction de prix n'est pas uniquement due à l'achat de plus de GPU ni à une augmentation de l'échelle. La véritable raison est que le modèle commence à participer à son propre optimisation.

Plus précisément, sous la direction d'ingénieurs humains, Sol a réécrit et optimisé automatiquement le noyau de production sous-jacent. Il a conçu lui-même des centaines d'expériences pour améliorer l'efficacité de la génération de tokens, et a même participé à la surveillance du processus d'entraînement du modèle, en intervenant directement dès qu'un problème était détecté.

En conséquence, le coût d'exécution de bout en bout a diminué de 20 %, et l'efficacité de génération de tokens a augmenté de 15 %.

Ce message est facile à ignorer, mais il revêt une grande importance.

Par le passé, l’efficacité était améliorée par les ingénieurs. Une fois le modèle en ligne, la personne un Cliquez ici Optimiser le cadre d'inférence, CUDA, les stratégies de cache et les algorithmes d'ordonnancement. Sur une année, obtenir une amélioration d'efficacité de plusieurs pourcents est déjà remarquable.

La technologie emprunte désormais une nouvelle voie. Les modèles prennent en charge l'optimisation ingénierie du code sous-jacent et de la planification des ressources de calcul, en continuant leur itération 24/7.

C'est un cycle qui s'accélère constamment. Plus le modèle est intelligent, plus il est capable de participer à l'optimisation. Plus l'optimisation est rapide, plus les coûts diminuent rapidement. Plus les coûts sont bas, plus le volume d'appels augmente. Plus le volume d'appels est élevé, plus de données sont générées pour continuer à entraîner le modèle.

J'ai examiné l'évolution des prix d'OpenAI au cours des deux dernières années et demie. L'entrée initiale de GPT-4 était à 30 $ par million de tokens, GPT-4o est descendu à 5 $, et GPT-4o mini est arrivé à 0,15 $. Aujourd'hui, Luna est tarifée à un niveau proche de la fourchette bon marché d'il y a quelques années pour les modèles mini, mais son niveau global d'intelligence dépasse largement celui du coûteux GPT-4 d'il y a deux ans.

Plus de deux ans, le prix a diminué d’environ deux ordres de grandeur. Si le modèle continue à s’optimiser lui-même, cette courbe aura probablement tendance à continuer de baisser.

Ce qui est vraiment effrayant, ce n'est pas que le prix ait chuté de 80 % aujourd'hui, c'est que le coût ait commencé à acquérir une capacité d'auto-entretien.

Je sens de plus en plus que, lorsqu'on discute aujourd'hui de la concurrence dans l'IA, on utilise parfois encore le cadre de la phase précédente.

Par exemple, on demande souvent : Qui est le plus intelligent ? GPT, Claude, Gemini, DeepSeek , chaque fois qu'un nouveau modèle est publié, les médias regardent immédiatement le classement. Qui est premier, gagne.

Cependant, les nouvelles actions d'OpenAI et d'Anthropic brisent cette tendance, envoyant un nouveau signal au marché : l'attrait des champions en performance isolée diminue.

OpenAI mentionne dans son annonce une phrase que je trouve particulièrement cruciale : il recommande aux développeurs de faire correspondre les modèles en fonction de l'importance de la tâche, du coût des erreurs, de l'urgence et de l'échelle.

Notez qu'il ne s'agit plus du modèle, mais de la tâche.

Par le passé, lorsqu'une entreprise déployait une IA, elle n'avait généralement qu'une seule option. À partir d'aujourd'hui, il s'agit plutôt de construire une organisation : les tâches les plus importantes sont confiées à Sol, les exécutions quotidiennes à Luna, et de futurs modèles plus légers pourraient prendre en charge des tâches plus simples.

C’est très similaire à ce qui s’est passé avec le cloud computing. Personne ne stocke toutes ses données sur le SSD le plus cher. Les données chaudes vont sur le SSD, les données ordinaires sur le HDD, et les données froides sur le stockage d’objets. Ce dont on discute, ce n’est jamais quel disque dur est le plus rapide, mais comment construire tout le système de la manière la plus rentable.

DeepSeek En réalité, il a senti cette direction avant même la Silicon Valley. Au cours des six derniers mois, il a à peine insisté sur le fait d’être le plus intelligent au monde, se contentant de répéter quelques mots : bon marché, suffisamment rapide, suffisamment performant.

Après un hit de cache, le coût par million de tokens devient presque négligeable. Il mise constamment sur un seul point : les entreprises n'ont pas besoin du champion du monde, mais de l'option de déploiement offrant le ROI global le plus élevé.

Ce n'est pas une guerre des prix à court terme ; la réaction actuelle de ces deux géants de la Silicon Valley confirme l'inévitable nature de cette stratégie commerciale.

À ce jour, la stratégie d'OpenAI est claire : ce qu'elle veut vraiment vendre, ce n'est plus le modèle, mais le volume d'appels.

Autrefois, les fabricants de modèles dépendaient d'une prime technologique élevée pour obtenir des marges élevées ; aujourd'hui, leur logique commerciale a évolué vers l'adoption de seuils extrêmement bas pour acquérir un écosystème de trafic à très grande échelle.

Microsoft ne gagne vraiment de l'argent pas parce que Windows est cher, mais parce que tous les ordinateurs ont Windows installé. AWS ne gagne pas non plus parce que le profit par serveur est élevé, mais parce que des millions d'applications fonctionnent dessus chaque jour dans le monde entier.

Les revenus de la plateforme proviennent toujours de la pénétration.

Cela explique pourquoi le prix de SOL n'a pas bougé. SOL assume le rôle de marque, prouvant que OpenAI reste l'entreprise avec la plus haute limite technologique. Luna est le moteur de revenus.

OpenAI souhaite que les développeurs adoptent une nouvelle habitude par défaut : écrire des agents avec Luna, exécuter des flux de travail avec Luna, et effectuer des exécutions en lot avec Luna. Seuls les problèmes véritablement difficiles justifient un appel à Sol.

Une fois ce choix par défaut établi, la concurrence devient extrêmement difficile. Le déplacement d’un modèle sous-jacent pour une entreprise implique de retester, valider et adapter l’ensemble du flux de travail. Le coût de migration augmentera de plus en plus.

Le véritable avantage concurrentiel commence à passer d'une supériorité des capacités à une fidélité écologique.

Sur le long terme, l'industrie de l'IA traverse un point de bascule typique d'économies d'échelle.

Lorsque le coût unitaire de la puissance de calcul devient extrêmement bas, la demande totale pour le token n'diminue pas avec la baisse du prix unitaire, mais explose au lieu de cela de manière exponentielle.

Le modèle phare ne détermine plus la direction, car l'accent de l'évolution technologique a basculé de l'exploration des limites de l'intelligence vers l'industrialisation des ressources informatiques pour réduire les coûts. Lorsque le coût d'appel à l'API devient négligeable, la forme et les frontières des modèles commenceront à s'estomper.

Les développeurs d'entreprises ne se concentrent plus sur la consommation de chaque token, mais intègrent l'IA de manière fluide dans chaque processus métier.

Le point le plus profond de cette transition réside dans le fait que l'effondrement des prix des API pousse à augmenter le coût de migration de l'ensemble de l'ingénierie logicielle. Une fois que les flux de travail des entreprises, les réseaux d'orchestration d'agents et les pipelines de données automatisés sont tous construits sur des combinaisons de modèles à faible coût, le fournisseur du modèle sous-jacent verrouille les canaux de calcul pour les dix prochaines années.

Au cours des dernières années, les entreprises de grands modèles vendaient de l'intelligence. À partir d'aujourd'hui, elles commencent à vendre de l'efficacité.

Ce sont deux histoires complètement différentes.

[Hors du cadre] :

Par le passé, nous avions l'habitude de comparer le développement de l'IA à l'électronique grand public, en attendant régulièrement de nouveaux modèles phares qui battent des records.

Mais peut-être que la véritable forme de victoire de l'IA n'est pas de devenir un produit à la mode.

Lorsque la machine à vapeur a été inventée, les gens s'émerveillaient de sa productivité ; aujourd'hui, l'électricité coule partout, alimentant le fonctionnement de toute la civilisation, mais personne ne la discute plus spécifiquement.

Lorsque les humains ne discutent plus avec enthousiasme de la dernière note d'intelligence d'un modèle phare, l'IA s'insère silencieusement dans chaque système, chaque commande, devenant l'eau et l'électricité par défaut derrière tous les processus automatisés.

La véritable ère qui lui appartient vient tout juste de commencer.

Cet article provient du compte WeChat « Hors page », auteur : Hua Hua