La guerre des prix
de l'IA chinoise

Pourquoi DeepSeek facture-t-il jusqu'à 34 fois moins cher que GPT-5.5 ?

Sur le prix des réponses générées, celui qui pèse le plus lourd dans une facture d'API, GPT-5.5 coûte environ 30 dollars par million de tokens quand DeepSeek V4 Pro facture 0,87 dollar. Le rapport entre les deux tarifs, calculé sur les grilles publiées cet été, tourne autour de 34. Pas 34 %, 34 fois.

Côté prix d'entrée (le texte qu'on envoie au modèle), l'écart est moins vertigineux mais reste net : environ 5 dollars par million de tokens pour GPT-5.5, contre 0,435 dollar pour DeepSeek V4 Pro. Et DeepSeek propose une version encore moins chère, V4 Flash, à 0,14 dollar en entrée et 0,28 dollar en sortie, avec un tarif réduit à 0,003 dollar sur les tokens mis en cache.

Qui d'autre participe à cette guerre des prix ?

DeepSeek n'est pas seul sur ce terrain. Alibaba facture son modèle Qwen3.8-Max à 2 dollars en entrée et 6 dollars en sortie. Moonshot, avec son Kimi K3 sorti à la mi-juillet, vise carrément les performances des meilleurs modèles occidentaux à un tarif qui reste très en dessous : sa sortie a fait chuter plusieurs valeurs du secteur des semi-conducteurs le jour de son annonce. Z.ai facture son GLM-5.2 autour de 4,40 dollars la sortie. À titre de comparaison, un modèle haut de gamme comme le Fable d'Anthropic facture environ 50 dollars par million de tokens en sortie.

Mi-juillet 2026, les modèles chinois occupaient 6 des 10 premières places du classement OpenRouter, et leur part dans les tokens consommés par des entreprises américaines a atteint 57 % sur une semaine. Le patron de Coinbase a annoncé avoir divisé par deux ses dépenses IA en utilisant davantage Kimi et GLM, et DoorDash a délégué une partie de son travail moins critique à des modèles chinois, avec, selon l'entreprise, un meilleur rapport qualité-prix.

Le prix le plus bas n'est jamais le seul critère à regarder, mais il change qui peut se permettre d'expérimenter avec l'IA aujourd'hui.

Le prix le plus bas garantit-il le meilleur résultat ?

Non, et c'est le point le plus souvent oublié dans ce genre de comparatif. Le cabinet Artificial Analysis a mesuré le coût réel d'un même lot de tests : environ 3 centimes de dollar pour DeepSeek V4 Flash, 86 centimes pour Kimi K3, et 3,15 dollars pour Claude Fable 5. L'écart suit globalement le prix par token, mais un tarif bas ne suffit pas si le modèle a besoin de plus d'échanges ou de tokens pour arriver au même résultat.

Beaucoup de tâches d'entreprise n'ont de toute façon pas besoin du modèle le plus performant du marché. Elles ont besoin d'un modèle suffisamment bon, transparent sur ses conditions, et accessible sans dossier d'engagement. C'est exactement la case que cochent la plupart de ces modèles chinois pour un usage quotidien de TPE.

Qu'est-ce que ça change concrètement pour une TPE ou un indépendant ?

Automatiser la relecture de documents, faire tourner un assistant client en continu, générer des premières versions de contenu à retravailler ensuite : ce sont des usages qui coûtaient trop cher à l'échelle il y a un an et qui deviennent aujourd'hui testables avec un budget modeste. Ce n'est pas une question de suivre une mode technologique, c'est une question de calcul, poste par poste.

C'est le même mécanisme que celui décrit dans l'article sur le tertiaire et l'IA : ce qui change vraiment, ce n'est pas seulement la capacité des modèles, c'est qui peut désormais se permettre de les utiliser.

1. 1
   Tester sur une tâche précise avant de généraliser

   Choisir un usage concret, mesurer le résultat et le coût réel, avant de basculer un pan entier de son activité sur un nouveau modèle.

2. 2
   Comparer le coût total, pas le prix affiché

   Un modèle moins cher au token peut coûter plus cher à la tâche s'il a besoin de plus d'allers-retours pour livrer un résultat correct.

3. 3
   Vérifier la licence et l'hébergement

   Plusieurs modèles chinois sont proposés en open-weight sous licence permissive : ça permet de les héberger sur une infrastructure choisie, ce qui compte pour la confidentialité des données.

Faut-il basculer tous ses outils vers le modèle le moins cher ?

Non, et ce n'est d'ailleurs pas ce que font les entreprises citées plus haut : elles répartissent les tâches selon leur criticité, en gardant les modèles les plus chers pour ce qui exige le plus de fiabilité, et en confiant le reste à des modèles moins coûteux. C'est une logique de répartition, pas de remplacement total.

Sur la manière de rester visible dans les réponses de ces mêmes IA une fois qu'on les utilise, l'angle est différent mais complémentaire : voir l'article sur le référencement IA en 2026.