Pourquoi l'IA chinoise est-elle si bon marché ? Au cœur de la guerre des prix

L'IA chinoise est-elle bon marché parce que l'État paie la facture ? Non. Les subventions existent, et elles n'expliquent presque rien de l'écart. La sortie de V4.1-Flash par DeepSeek en septembre a rendu le contre-exemple particulièrement concret : son tarif API officiel est de 0,15 $ par million de jetons d'entrée hors cache et 0,60 $ par million de jetons de sortie en heures creuses, doublant à 0,30 $ et 1,20 $ en heures pleines, tandis que les poids téléchargeables sont sous licence MIT. On n'arrive pas à cela avec de l'argent facile. Il faut bien concevoir, n'activer qu'une petite part d'un grand modèle et le servir sur une pile moins coûteuse. Ce faible coût est réel, il est surtout structurel, et il vient de cinq facteurs qui s'additionnent. Un seul des cinq est temporaire.

Points clés à retenir- L'IA chinoise est bon marché pour cinq raisons qui s'additionnent, pas seulement à cause des subventions : poids ouverts, efficacité réelle, guerre des prix, énergie bon marché et vivier de talents profond.- Les poids ouverts suppriment entièrement la marge d'API. Vous auto-hébergez, il n'y a donc aucune rente par jeton à verser à un fournisseur.- Bon marché ne veut pas dire petit ni ancien. DeepSeek V4.1-Flash est un modèle à mélange d'experts de 552 milliards de paramètres qui n'en active que 8 milliards par jeton pendant la lecture d'une requête, avec une fenêtre de contexte d'un million de jetons et une vision native.- Tous les modèles chinois de pointe ne sont pas bon marché de la même façon. Le tarif API officiel de Kimi K3 hors cache est de 3 $ en entrée et 15 $ en sortie par million de jetons : l'architecture, le déploiement et le positionnement commercial comptent tous.- L'énergie bon marché est le facteur le plus structurel : la production solaire mensuelle de la Chine a atteint un record de 96 TWh en avril 2025, comparable à un mois complet de production nucléaire américaine.- Pour les acheteurs, « largement suffisant à une fraction du coût » réécrit le calcul faire-ou-acheter pour la plupart des charges de travail.

Le facteur sur lequel tout le monde se focalise est la guerre des prix, et c'est celui des cinq qui m'intéresse le moins. J'écris ces lignes depuis Hangzhou, où se trouvent les laboratoires derrière DeepSeek et Qwen, et on y parle rarement de qui a cassé les prix de qui ce mois-ci. On y parle de ce que la prochaine architecture vous apporte. Pour le débat plus large, cet article se rattache à mon dossier pilier sur la question de savoir si la Chine est en train de gagner la course à l'IA. La question plus étroite est la plus concrète : pourquoi cela coûte-t-il si peu, et quelle part de cet avantage survivra une fois le bruit retombé ?

Facteur 1 : les poids ouverts tuent la marge d'API

La raison la plus importante est aussi la plus banale. Les principaux modèles chinois sont en poids ouverts, il n'y a donc aucune marge d'API à payer au départ. En août 2026, le décompte estival de Hugging Face évaluait Qwen, la gamme de modèles d'Alibaba, à environ 2,045 milliards de téléchargements sur le Hub sur les seuls sept premiers mois de 2026, et 151 448 modèles dérivés, tandis que le décompte d'Alibaba revendique plus de 3 milliards de téléchargements et 300 000 dérivés toutes plateformes confondues. Quelques mois plus tôt, le MIT Technology Review comptait plus de 600 millions de téléchargements et plus de 40 % de l'ensemble des nouveaux dérivés sur Hugging Face. Vous téléchargez les poids et vous les exécutez vous-même.

Il vaut la peine d'être précis sur ce qu'une API fermée vous facture. Le calcul, évidemment. Mais aussi la marge du fournisseur, l'amortissement de ses dépenses de recherche, et une prime de risque discrètement ajoutée par-dessus. Les poids ouverts condensent tout cela en une seule ligne sur votre facture : le coût brut du matériel sur lequel vous exécutez le modèle.

On ne le sent vraiment qu'en voyant bouger sa propre facture. Quand je bascule une charge de travail d'une API de pointe hébergée vers un modèle chinois ouvert sur mes propres GPU, je ne négocie pas un meilleur tarif, je supprime le tarif. Le coût par jeton ne se contente pas de diminuer, il change de catégorie : vous payez désormais de l'électricité, plus un loyer.

Les poids ouverts produisent aussi un effet cumulatif à la baisse. Les modèles chinois en poids ouverts ont dépassé les américains en part des téléchargements mondiaux sur Hugging Face au cours de 2025, et le rapport du printemps 2026 de Hugging Face les place à 41 % de tous les téléchargements de la plateforme. Chaque dérivé et chaque quantification, chaque tutoriel communautaire écrit à deux heures du matin par quelqu'un qui voulait simplement faire tourner la bête, rend le déploiement suivant moins cher. Une API fermée ne vous donne rien de tout cela. Vous continuez simplement à payer le loyer.

Les principaux modèles chinois sont diffusés en poids ouverts, ce qui retire entièrement la marge d'API du coût. En août 2026, Qwen seul avait dépassé les 2 milliards de téléchargements et les 151 448 dérivés sur Hugging Face, et les modèles chinois en poids ouverts ont dépassé les modèles américains en part des téléchargements mondiaux sur Hugging Face, atteignant 41 % de tous les téléchargements de la plateforme au printemps 2026. L'auto-hébergement remplace un tarif par jeton versé à un fournisseur par le coût brut du matériel.

Si vous voulez le face-à-face, je compare les principales options dans Qwen vs DeepSeek vs Llama.

Facteur 2 : une efficacité réelle, pas seulement des subventions

C'est là que le récit des subventions s'effondre. Une grande part de l'avantage de coût relève d'une véritable ingénierie. V4.1-Flash a une ossature de 552 milliards de paramètres mais n'en active que 8 milliards par jeton pendant la lecture d'une requête, 16 milliards pendant la génération. V4 Pro est bien plus grand, avec 1,6 billion de paramètres au total et 49 milliards actifs. La photographie de mars 2026 dans l'AI Index de Stanford HAI montrait déjà les principaux modèles américains et chinois au coude-à-coude sur un classement public, mais elle est antérieure à V4, Qwen3.8, Kimi K3, GLM-5.2 et MiniMax M3. C'est une preuve de tendance, pas un classement actuel ajusté des prix.

Le levier le plus net est l'architecture. Les conceptions à mélange d'experts n'acheminent chaque jeton qu'à travers une fraction des paramètres du modèle : vous obtenez la capacité d'un modèle immense pour le coût d'inférence d'un modèle bien plus petit. Plusieurs grands modèles chinois misent fortement là-dessus. C'est une réduction du coût par jeton intégrée au modèle plutôt que boulonnée après coup.

Vient ensuite l'histoire de DeepSeek, d'où vient l'expression « le moment DeepSeek ». Je considérerais les chiffres phares du coût d'entraînement comme rapportés plutôt qu'audités. Les valeurs exactes sont contestées, et quiconque les cite avec trois chiffres significatifs devine. La direction, elle, ne fait aucun doute : des modèles compétitifs construits avec une fraction du budget de calcul que tous pensaient être le prix d'entrée.

L'angle de l'efficacité compte plus que le débat sur les subventions pour une raison simple : l'efficacité voyage, pas la subvention. Une subvention soutient un prix sur un marché tant que l'argent coule. Une victoire architecturale, moins de paramètres actifs par jeton ou une meilleure recette d'entraînement, abaisse le véritable plancher de coût partout, pour tous ceux qui la copient. C'est pourquoi la diffusion en poids ouverts de ces modèles efficaces est la partie qui compte. Elle exporte l'avantage de coût, pas seulement le produit.

Les données d'adoption disent que ça marche. Les modèles chinois ont dépassé les américains dans le top 10 d'OpenRouter fin février 2026, prenant environ 61 % de la consommation de jetons du top 10, et ont atteint une majorité sur l'ensemble de la plateforme vers avril 2026 dans les classements d'OpenRouter. Les jetons représentent du travail réel plutôt que des communiqués de presse, et les développeurs ont déplacé les leurs.

Une grande part de l'avantage de coût relève d'une efficacité réelle, pas d'une subvention. DeepSeek V4.1-Flash active 8 milliards de ses 552 milliards de paramètres par jeton pendant la lecture d'une requête, et son tarif API officiel hors cache est de 0,15 $ par million de jetons d'entrée et 0,60 $ par million de jetons de sortie en heures creuses, doublant en heures pleines, avec l'architecture sur la fiche du modèle. La conception à mélange d'experts réduit le calcul utilisé pour chaque jeton même quand le modèle complet est grand.

Facteur 3 : une guerre des prix intérieure

Une part de ce faible coût n'est pas du tout intégrée aux modèles. Elle est martelée par la concurrence. Le marché intérieur est une bagarre : Alibaba, DeepSeek et plusieurs autres, tous bien financés, tous à la poursuite des mêmes développeurs. Ce combat tire les coûts d'API et d'hébergement vers le bas sur toute la ligne. Une bonne part de ce faible coût, ce sont simplement des rivaux qui cassent les prix des rivaux, et c'est la partie que le récit des subventions n'explique jamais.

Le mécanisme est assez limpide. Quand tout le monde propose un modèle en poids ouverts comparable, les seuls leviers qui restent sont le prix et la commodité. Personne ne peut facturer une prime pour une capacité que le laboratoire d'à côté égale avant de l'offrir gratuitement. Le plancher continue donc de baisser, et l'économie profite à quiconque héberge ces modèles, en Chine ou ailleurs.

Les diffusions en poids ouverts sont en partie une arme dans ce combat. Publier gratuitement des poids performants fait gagner en notoriété, amorce un écosystème et prive un rival de la possibilité de monétiser. Les 151 448 dérivés de Qwen sur le Hub sont en partie le fruit d'exactement cette stratégie, et personne parmi ses artisans ne parlerait de charité.

C'est le facteur auquel je me fierais le moins, et les acheteurs devraient prévoir qu'il s'estompe. Les guerres des prix ne durent pas. Certains laboratoires se consolident, d'autres échouent, et les survivants finiront par tenter de regagner de la marge. Ce qui maintient le plancher bas, c'est qu'on ne peut pas « dé-diffuser » des poids ouverts. Les modèles déjà dans la nature restent bon marché à exécuter, quoi que fasse ensuite le marché.

Le marché intérieur chinois de l'IA est intensément concurrentiel, et cette guerre des prix fait baisser les coûts d'hébergement et d'API pour tout le monde, pas seulement pour les acheteurs en Chine. Les diffusions gratuites en poids ouverts sont en partie une arme concurrentielle, qui aide à bâtir des écosystèmes comme les 151 448 dérivés de Qwen sur le Hub. La guerre des prix est temporaire ; les poids ouverts qu'elle produit sont permanents.

Je compare les survivants sur lesquels il vaut la peine de bâtir dans Qwen vs DeepSeek vs Llama.

Facteur 4 : énergie bon marché et échelle industrielle

Sous le logiciel se trouve la physique, et c'est le facteur le plus structurel de tous. Un jeton servi est, au bout du compte, une petite quantité d'électricité. La production solaire mensuelle de la Chine a atteint un record de 96 TWh en avril 2025, comparable aux quelque 65 TWh par mois que les États-Unis tirent du nucléaire, environ 775 TWh par an. Une énergie moins chère et plus abondante signifie un plancher plus bas sous l'entraînement comme sous l'inférence.

C'est l'intrant qu'aucune sortie de modèle ne peut égaler. Si votre électricité est moins chère et que votre réseau croît plus vite, chaque couche de la pile devient moins chère en même temps : les cycles d'entraînement, le service d'inférence, les bâtiments qui abritent les baies. C'est un avantage discret et cumulatif plutôt qu'un titre de une de presse, ce qui explique sans doute pourquoi on en parle le moins alors qu'il compte le plus.

L'échelle industrielle s'ajoute par-dessus. La base industrielle qui rend le matériel bon marché rend aussi la construction de centres de données bon marché. La Chine ne se contente pas d'exécuter des modèles avec une énergie bon marché, elle construit les baies, le refroidissement et les installations au coût de sa chaîne d'approvisionnement nationale. C'est un avantage en dépenses d'investissement, et il se répercute directement sur le prix d'un jeton.

Des cinq, c'est celui que je m'attendrais encore à voir vérifié dans cinq ans. On peut copier une architecture en un trimestre et mettre fin à une guerre des prix en un an. Doubler la production nationale d'électricité prend beaucoup plus longtemps, et une base industrielle nationale ne surgit pas sur commande. Si je devais bâtir un plan de long terme autour d'un seul de ces facteurs, ce serait celui-ci, parce que c'est le plus difficile à inverser pour quiconque.

Le facteur de coût le plus structurel est l'énergie. La production solaire mensuelle de la Chine a atteint un record de 96 TWh en avril 2025, comparable à un mois complet de production nucléaire américaine (environ 65 TWh). Une énergie moins chère abaisse le plancher de coût pour l'entraînement et l'inférence à la fois, et l'échelle industrielle rend aussi la construction de centres de données moins chère. Cet avantage est le plus difficile à inverser.

Je creuse l'histoire du réseau électrique dans l'avantage énergétique de la Chine en IA.

Facteur 5 : un vivier de talents profond

Le dernier facteur, ce sont les personnes, et les chiffres de l'offre sont frappants : la Chine forme 38 % des meilleurs chercheurs en IA du monde, mesuré d'après les auteurs de NeurIPS 2024, contre 27 % en 2017. Un vivier profond et abordable d'ingénieurs d'élite est précisément ce qu'il faut pour traquer les gains d'efficacité qui rendent les modèles bon marché à exécuter.

Le travail d'efficacité est gourmand en main-d'œuvre d'une manière bien précise. Extraire du coût d'un modèle, que ce soit par de meilleures architectures, un entraînement plus astucieux ou une optimisation agressive, demande beaucoup de chercheurs compétents qui itèrent vite. Un pays doté d'une offre nationale profonde peut mettre plus de personnes capables sur le problème, à moindre coût, qu'un pays qui importe des spécialistes rares. Le vivier de talents alimente directement le facteur 2.

Quand je lis les rapports techniques derrière ces modèles, ce qui frappe n'est pas une percée unique. C'est le volume d'ingénierie minutieuse et incrémentale. Des dizaines de petites optimisations qui ne se font que lorsqu'on a assez de bras pour les réaliser. C'est une histoire de profondeur de talents, et c'est une grande part de la raison pour laquelle l'efficacité continue de s'améliorer version après version.

Une réserve que je ne passerai pas sous silence : une grande part des chercheurs d'élite formés en Chine ont historiquement travaillé à l'étranger, ce n'est donc pas un avantage à domicile pur. Mais la tendance est à la hausse, de 27 % à 38 % en sept ans, et une liste croissante de laboratoires de classe mondiale au pays offre à ces talents un endroit où atterrir.

Le vivier de talents profond de la Chine alimente le moteur de l'efficacité. Elle forme 38 % des meilleurs chercheurs en IA du monde, contre 27 % en 2017. Le travail de réduction des coûts sur les modèles est gourmand en main-d'œuvre, un vivier d'ingénierie vaste et compétent est donc précisément ce qui permet aux laboratoires chinois de continuer à abaisser le coût réel par jeton, version après version.

Évaluation illustrative et directionnelle, et non des valeurs mesurées précises. Les positions reflètent la tendance rapportée : les modèles chinois en poids ouverts se regroupent dans le quadrant haute capacité et faible coût, tandis que les meilleurs modèles américains fermés de pointe restent les plus élevés en capacité mais à un coût supérieur. Contexte de l'écart de capacité : Stanford HAI AI Index 2026.

Ce que cela change pour votre décision d'achat

C'est là que cela cesse d'être de la trivia et commence à changer des décisions. Quand un modèle doté d'une fenêtre de contexte d'un million de jetons est proposé aux tarifs de DeepSeek V4.1-Flash, le calcul faire-ou-acheter bascule pour beaucoup de charges de travail courantes. Vous ne payez plus une grosse prime par défaut. Vous décidez si un modèle plus cher produit un travail suffisamment meilleur sur votre propre évaluation pour le justifier.

Faites le lien avec le travail réel. Résumé, extraction, classification, rédaction, routage : aucune de ces tâches n'exige le meilleur modèle de la planète. Elles exigent un modèle fiable, assez bon marché pour qu'on cesse d'y penser, et qui tourne quelque part que vous contrôlez. Les modèles chinois en poids ouverts cochent cette case, et comme vous les auto-hébergez, le coût récurrent est le matériel plutôt qu'un compteur par jeton qui grimpe avec votre propre succès.

Dans ma propre pile, ce faible coût a discrètement changé la liste des projets qui valent même la peine d'être tentés. Des charges de travail que j'aurais rangées comme trop coûteuses à exécuter à l'échelle sur une API de pointe sont désormais d'un abordable trivial sur un modèle ouvert que j'héberge moi-même. Le bon marché ne fait pas qu'économiser de l'argent sur le travail que vous faites déjà. Il rend du travail nouveau viable, et c'est cet effet de second ordre autour duquel je bâtirais mon plan.

Rien de tout cela n'est une raison de sauter la diligence. Provenance, gouvernance des données, comportement de censure, licences : tout doit être vérifié avant que quoi que ce soit ne touche à la production. Le bon marché est une raison d'évaluer quelque chose sérieusement, pas de le laisser passer sans regarder. Ce qu'il vous faut, c'est une décision structurée. Quelle charge de travail, quelle qualité elle tolère, et ce que l'évaluation des risques dit du modèle précis que vous visez.

Quand des modèles ouverts capables coûtent une fraction de beaucoup d'API de pointe, le faire-ou-acheter bascule pour les charges de travail courantes. DeepSeek V4.1-Flash combine une fenêtre de contexte d'un million de jetons avec des tarifs officiels de 0,15 $ par million de jetons d'entrée hors cache et 0,60 $ par million de jetons de sortie en heures creuses, doublant en heures pleines. L'auto-hébergement remplace le compteur du fournisseur par un coût matériel et opérationnel, après une évaluation des risques en bonne et due forme.

Pour le cadre complet, voyez DeepSeek est-il sûr pour l'entreprise ?, puis comparez les principales options dans Qwen vs DeepSeek vs Llama.

FAQ

Pourquoi l'IA chinoise est-elle si bon marché, en une phrase ? Les poids ouverts suppriment la marge d'API, les architectures efficaces réduisent le coût par jeton, une guerre des prix tire les prix vers le bas, l'énergie bon marché abaisse le plancher, et un vivier de talents profond entretient l'amélioration continue. Les subventions sont un facteur mineur, pas le principal.

Pourquoi DeepSeek est-il si bon marché ? Deux raisons s'additionnent. Il est diffusé avec des poids téléchargeables sous licence MIT, il n'y a donc aucune marge d'API obligatoire si vous l'auto-hébergez, et ses modèles à mélange d'experts n'activent qu'une fraction de leurs paramètres totaux par jeton. V4.1-Flash active 8 milliards de paramètres sur 552 milliards pendant la lecture d'une requête ; V4 Pro en active 49 milliards sur 1,6 billion, selon les fiches officielles des modèles. Considérez les chiffres historiques de coût d'entraînement comme rapportés plutôt qu'audités, mais l'architecture d'inférence actuelle et les tarifs API publiés sont concrets.

Les modèles d'IA chinois sont-ils moins chers qu'OpenAI ? Certains le sont, souvent nettement, mais le nom de la famille ne suffit pas. DeepSeek V4.1-Flash est extrêmement bon marché sur son API officielle, tandis que Kimi K3 est tarifé bien plus haut. L'auto-hébergement supprime un tarif par jeton versé à un fournisseur mais le remplace par du matériel, de l'énergie et des opérations. Comparez le coût total sur la charge de travail exacte plutôt que de citer un multiple universel.

L'IA chinoise bon marché est-elle de moindre qualité ? Le prix seul ne peut pas vous le dire. Les principales familles chinoises comptent désormais d'immenses modèles multimodaux à long contexte, mais leurs points forts diffèrent et les tableaux de benchmarks des fournisseurs ne sont pas des comparaisons neutres. DeepSeek V4.1-Flash est exceptionnellement bon marché ; Kimi K3 est nettement plus cher, à 3 $ par million de jetons d'entrée hors cache et 15 $ par million de jetons de sortie. Testez le modèle exact sur votre charge de travail.

L'IA chinoise restera-t-elle aussi bon marché ? Pour l'essentiel, oui, pour des raisons structurelles. La guerre des prix est temporaire et pourrait s'apaiser, mais les poids ouverts, les architectures efficaces et l'énergie bon marché ne sont pas faciles à inverser. Une fois qu'un modèle performant est diffusé ouvertement, il reste bon marché à exécuter pour toujours, quoi que fasse ensuite le marché. Je parierais sur la poursuite du bon marché.

L'essentiel

L'IA chinoise est bon marché pour cinq raisons qui s'additionnent, et « tout n'est que subventions » n'en explique presque aucune. Les poids ouverts suppriment la marge d'API. Une efficacité réelle, c'est-à-dire le mélange d'experts et l'histoire de DeepSeek, abaisse le véritable coût par jeton. Une guerre des prix intérieure tire encore les prix vers le bas. L'énergie bon marché et l'échelle industrielle fixent un plancher bas. Un vivier de talents profond entretient l'amélioration de l'efficacité. La guerre des prix est la partie qui s'estompe. Le reste est structurel.

Les sorties actuelles tuent aussi la version paresseuse de cet argument. « L'IA chinoise est bon marché » n'est pas un prix unique. DeepSeek V4.1-Flash est tarifé comme de l'infrastructure. Kimi K3 est tarifé comme un modèle agentique premium. Les poids ouverts de Qwen3.8 sont arrivés en août sous une licence personnalisée, tandis que le Qwen3.8-Max hébergé est lié à un forfait de jetons. Comparez le checkpoint exact, la licence, la voie de service et la qualité mesurée sur la tâche, pas le drapeau du laboratoire.

Pour votre entreprise, la conclusion est claire. Certains des modèles capables les moins chers sont chinois et téléchargeables, tandis que d'autres modèles chinois de pointe sont des services premium ou d'énormes projets d'auto-hébergement. Je ne les adoptera donc pas aveuglément par défaut, mais le checkpoint exact mérite un examen sérieux, parce que le calcul faire-ou-acheter a vraiment changé.

Si vous voulez le contexte stratégique, commencez par la question de savoir si la Chine est en train de gagner la course à l'IA. Quand vous serez prêt à agir, DeepSeek est-il sûr pour l'entreprise ? est l'endroit où cela débouche sur la vraie décision.