Le mix de modèles est désormais incontournable.

Prix vérifiés le 15 juillet 2026. Une réserve sur cette ligne GLM, et elle vaut en général. Les poids ouverts n’ont pas un prix, ils ont un marché. Une vingtaine d’hébergeurs servent GLM-5.2, et un seul jour du début juillet, leurs tarifs d’entrée affichés allaient de 0,93 $ à 3,00 $, la sortie atteignant 10,25 $ sur les paliers de latence premium. La route la moins chère imposait aussi le plafond de sortie le plus serré, 32 768 tokens, ce qui tronque en silence une longue exécution d’agent. L’étiquette n’est pas la facture. Confrontez les deux à votre propre charge de travail avant de bâtir une analyse de rentabilité sur l’une ou l’autre, et revérifiez-les dans un mois, car ce plancher d’entrée de GLM a chuté d’un tiers en quatre-vingt-dix jours.

Quand l’écart entre segments grimpe à 50 fois, le routage devient le premier levier de coût de la plupart des équipes. Plus puissant que la mise en cache. Plus puissant que la compression de prompt, et bien moins casse-tête que l’une ou l’autre.

Vous pouvez faire ce calcul vous-même, ce qui vaut toujours mieux que de gober le pourcentage d’économies annoncé par le premier venu. Prenez un million de tokens en entrée au tarif de 5,00 $ d’Opus 4.8 : la facture est de 5,00 $. Basculez-en 70 % vers GLM-5.2 à 0,93 $ et vous payez 0,65 $ plus 1,50 $, soit 2,15 $. C’est 57 % de moins pour une seule décision de routage, avant même de toucher à la mise en cache. Portez la part bon marché à 80 % et l’on approche des deux tiers.

Le routage n’est pas gratuit, et toute version honnête de cet argument le dit d’emblée. Vous ajoutez un maillon au trajet de la requête : une couche de classification ou de règles qui coûte quelques millisecondes, se trompe parfois de destination et devient une chose de plus susceptible de lâcher à 3 heures du matin. Face à un écart de prix de 50 fois, l’arbitrage vaut généralement la peine. Cela reste un arbitrage.

Le plus gênant, c’est le peu d’équipes qui le font.

Mettez ces deux constats côte à côte. Le secteur connaît la réponse et n’en a rien fait. Ce n’est pas vraiment un problème de technologie. Personne n’est promu pour avoir fait passer un pipeline qui marche à un modèle moins cher, et tout le monde écope d’un mauvais trimestre quand la bascule tourne mal. L’écart est organisationnel, et c’est là qu’est l’argent.

Les analystes voient venir la même chose.

Le segment bon marché n’est pas apparu de nulle part. Il a été publié, délibérément, sous des licences permissives.

Qualifier la Chine d’exportatrice de tokens mérite une précision, car elle n’exporte pas des tokens comme elle exporte de l’acier. Elle publie des poids. N’importe qui peut les télécharger, et l’inférence se fait sur le matériel que l’acheteur choisit, dans le pays qu’il veut. Ce qui franchit la frontière, c’est la capacité, une fois, gratuitement. Les revenus arrivent plus tard et ailleurs : contrats cloud, déploiement en entreprise, points d’accès payants pour les équipes qui préfèrent ne pas héberger elles-mêmes.

DeepSeek à lui seul a doublé, de 9 % à 18 % de la part de tokens de la plateforme entre janvier et juin. La semaine du basculement fut celle du 9 au 15 février, quand les systèmes chinois ont traité plus de tokens que les américains pour la première fois. Ce qui mérite votre attention, ce n’est pas le drapeau. C’est que les développeurs ont basculé vite, en production, sur le prix, ce qui indique que le coût de bascule est plus faible que ne le supposent la plupart des discussions d’achat.

La stratégie qui la sous-tend n’a rien d’une œuvre de charité. Alibaba se sert de Qwen comme d’un produit d’appel pour Alibaba Cloud : les poids ouverts amorcent l’adoption, l’inférence payante capte le reste. Qwen a franchi le milliard de téléchargements cumulés sur Hugging Face, dépassant Llama. Zhipu, désormais cotée à Hong Kong, livre GLM sous licence MIT et vend du déploiement en entreprise.

Exportation reste le mot juste. Un modèle publié sous licence MIT et servi par n’importe quel hébergeur, n’importe où, est un produit d’inférence qui a franchi une frontière sans déclaration en douane, sans laisser à Washington le moindre interrupteur à actionner.

Si vous avez lu jusqu’ici, vous avez sans doute vu un graphique de cette bascule avec une courbe rouge qui monte. Voici ce que ces graphiques omettent, et cela change la conclusion.

Il y a ici deux marchés, pas un seul. Une voie standard, où le modèle capable le moins cher absorbe le gros du travail : classification, extraction, recherche, les tâches qui se comptent en milliards de tokens par mois. Et une voie premium, où la fiabilité et un raisonnement vraiment difficile justifient encore un surcoût que les acheteurs continuent de payer. Les gros titres sur l’effondrement de la part américaine mesurent la première voie tout en laissant entendre quelque chose sur la seconde.

Votre charge de travail vit dans l’une d’elles. En réalité, dans les deux.

Un prix de token bas ne dit rien de la gouvernance des données. Et avec les modèles chinois, une décision domine toutes les autres : la façon dont vous les exécutez.

Des poids ouverts auto-hébergés ne renvoient rien au concepteur du modèle. Appeler une API hébergée en Chine peut placer vos données sous le droit chinois, car les entreprises chinoises sont soumises à la loi sur le renseignement national et peuvent être contraintes de prêter assistance au travail de renseignement de l’État.

Cela se décline en trois voies concrètes :

C’est la licence ouverte qui rend la première voie possible, et cette première voie explique pourquoi les poids ouverts comptent davantage qu’un point d’accès hébergé bon marché.

Cette section n’est pas une mise en garde contre la Chine. C’est une mise en garde contre les points de défaillance uniques, et il se trouve qu’elle s’applique de façon symétrique.

Des discussions de politique publique avec des laboratoires nommés, pas un décret signé, et aucun commentaire des ministères ni des entreprises quand Reuters les a sollicités. À prendre pour de la météo, pas du climat.

La symétrie reste l’essentiel. En juin, Washington a soumis deux modèles Anthropic au contrôle des exportations et placé le GPT-5.6 Sol d’OpenAI derrière une approbation client par client. Les deux capitales traitent désormais les modèles de pointe comme des actifs stratégiques, et toutes deux ont montré qu’elles agiraient en ce sens sans préavis.

Ce qui oriente la planification d’une façon précise. Des poids déjà publiés ne se rappellent pas : DeepSeek V4 et GLM-5.2 sont sur les disques, partout dans le monde, pour de bon. Les prochains peuvent être retenus par l’un ou l’autre gouvernement. Bâtissez donc sur le segment que vous avez déjà téléchargé et traitez les versions de l’an prochain comme un bonus, pas comme une dépendance. C’est une tout autre posture que de miser votre feuille de route sur la poursuite d’une tendance de prix.

1. 1

   Mesurer avant de migrer

   Commencez par une mesure, pas par une migration. Sortez la facture d’inférence du mois dernier, segmentez-la par type de tâche et regardez ce que l’argent achète vraiment. La plupart des équipes découvrent que l’essentiel de leurs appels relève de la classification, de l’extraction ou de la recherche, le tout tournant sur des modèles de pointe sans meilleure raison que d’avoir été câblé ainsi au départ.

2. 2

   Évaluer sur votre propre trafic

   Menez ensuite votre propre évaluation, et menez-la sur votre trafic plutôt que sur un classement. La version à copier est volontairement rudimentaire. Tirez 200 requêtes réelles des journaux du mois dernier, en surpondérant le type de tâche qui domine votre facture. Passez chacune dans le modèle en place et dans le candidat. Confiez à quelqu’un qui connaît le domaine la notation des deux sorties en aveugle, sur une échelle qui a du sens pour votre activité, pas sur une échelle de un à cinq. Comptez les désaccords. Si le modèle bon marché perd sur une poignée de cas à peine et qu’aucun de ces cas n’est coûteux à rater, vous avez votre réponse, et vous la tenez de votre propre trafic plutôt que d’une évaluation comparative menée par un autre.

   Les évaluations comparatives publiées vous disent qu’un modèle est capable en général. Que GLM-5.2 domine l’Artificial Analysis Intelligence Index parmi les poids ouverts est un fait sur GLM-5.2. Ce n’est pas un fait sur votre pipeline.

3. 3

   Router la majorité facile vers le bas

   Faites descendre la majorité facile et laissez la minorité difficile là où elle est. Mesurez la qualité des deux côtés, car la régression silencieuse de qualité est le vrai risque du routage en production et elle ne s’annonce pas dans la facture. Elle se manifeste dans les reprises, dans les tickets de support, dans un relecteur qui réécrit discrètement une sortie que personne n’a journalisée. C’est la partie Référence et Relèvement de notre méthode AZIMUTH à l'œuvre dans son travail ordinaire : on ne peut pas router sur des preuves qu’on n’a jamais recueillies.

   Combien coûte l’exercice lui-même ? Pour une équipe dotée d’un seul pipeline de production, la réponse réaliste tient en une semaine : un jour pour segmenter la facture, deux pour constituer et noter le jeu d’évaluation, deux pour brancher une route et la surveiller. Le poste coûteux n’est pas l’ingénierie, c’est de trouver la personne dont la connaissance du domaine permet de noter les sorties sans broncher, et cette personne est en général débordée. Prévoyez du budget pour son temps, pas pour l’outillage.

4. ■

   Écrire le critère d’arrêt d’abord

   Écrivez le critère d’arrêt avant de commencer, pas après la première mauvaise semaine. Le nôtre, pour ce genre de travail, dit à peu près ceci : si le segment bon marché coûte plus en reprises, en temps de relecture et en escalades qu’il n’économise en tokens, nous arrêtons, nous expliquons pourquoi par écrit, et le modèle en place conserve le trafic. Décider cela à l’avance, c’est ce qui empêche un projet de routage de virer, trois mois plus tard, en débat de coûts irrécupérables, quand quelqu’un a un tableau de bord à défendre.