À quelle vitesse l'IA progresse-t-elle ?

La vitesse de l'IA se mesure de plusieurs façons : le prix d'un même service, le prix du matériel qui le rend, ce que les modèles savent faire, la quantité de calcul qu'on y met. Pour comparer des prix qui baissent à des rythmes très différents, cette page ramène chacun au temps qu'il met à être divisé par 10, avec 2 repères plus anciens : la lumière, dont l'économiste William Nordhaus a reconstruit le prix sur 2 siècles, et le calcul des cartes graphiques. Ces rythmes sont nos calculs, à partir des séries publiées.

Epoch AI a relevé, pour 6 tests et plusieurs seuils de score, le prix le plus bas auquel un modèle atteint ce seuil, mois après mois. La baisse va de 9 à 900 fois par an selon le seuil. Pour obtenir le score de GPT-4 à un test de questions scientifiques de niveau doctorat, le prix a baissé de 40 fois par an. Epoch AI note que les baisses les plus rapides datent de la dernière année et qu'il est moins sûr qu'elles durent.

L'AI Index de Stanford donne un exemple : un modèle aussi bon que GPT-3.5 au test de culture générale MMLU coûtait 20 dollars le million de tokens en novembre 2022, et 0,07 dollar en octobre 2024, 280 fois moins.

Ces prix sont ceux que les éditeurs affichent. Ils suivent le coût du service, mais aussi la concurrence et les choix commerciaux ; ils ne disent pas l'énergie consommée.

Le matériel progresse beaucoup moins vite. Epoch AI mesure que le nombre d'opérations par seconde qu'on achète avec un dollar de carte graphique double tous les 2,5 ans, et que le nombre d'opérations par watt double tous les 2,4 ans depuis 2008 : il faut environ 8 ans pour diviser par 10 l'électricité d'un même calcul. Pour les puces d'IA les plus récentes, le calcul par dollar double tous les 1,7 an depuis 2023.

Le matériel n'explique donc qu'une partie de la baisse du prix des réponses ; le reste tient aux modèles, au logiciel de service et aux prix que fixent les éditeurs. Notre analyse sur la décarbonation de l'IA mesure ces leviers, et notre explication sur les cartes graphiques dit pourquoi la mémoire limite le débit d'une carte.

L'association METR mesure les capacités par la durée des tâches qu'un modèle réussit une fois sur 2, comptée en temps qu'y passerait un professionnel. Sur des tâches de logiciel et de recherche en apprentissage automatique, cette durée double environ tous les 7 mois depuis 2019. Dans sa mise à jour de janvier 2026, METR trouve un doublement en 131 jours, environ 4 mois, pour les modèles sortis depuis 2023, avec une fourchette de 107 à 161 jours, et en 89 jours depuis 2024. METR écrit que l'incertitude de son modèle est grande, et se dit assez sûr que la tendance se situe entre 1 et 4 doublements par an. Les tâches sont surtout logicielles ; la mesure ne dit rien des autres métiers.

La quantité de calcul utilisée pour entraîner les plus grands modèles de langage est multipliée par 5 chaque année depuis 2020, selon Epoch AI, soit un doublement tous les 5 mois environ. Elle croît plus vite que l'efficacité énergétique des cartes, multipliée par environ 1,3 par an : l'électricité de l'entraînement des plus grands modèles augmente d'une génération à l'autre, selon notre calcul à partir de ces 2 rythmes.

Chez Google, l'énergie d'une question médiane à Gemini a été divisée par 33 en un an, pendant que le texte traité était multiplié par 50 ; notre analyse sur la consommation de l'IA dans le temps suit ces 2 séries et l'électricité totale de Google.