Trois marchés plutôt qu'un classement mondial : le nouveau paysage de l'IA générative

L'automatisation en entreprise : comment l'IA transforme la création de valeur

D’ici octobre 2026, le marché de l’intelligence artificielle générative connaîtra une transformation profonde qui ne pourra plus être appréhendée par de simples classements. L’analyse de différents indicateurs révèle une image complexe des évolutions actuelles : si ChatGPT demeure l’interface utilisateur principale, les modèles chinois à bas coût dominent le trafic de données via les API, et Anthropic s’est imposé comme un acteur majeur du segment des entreprises. Ce marché diversifié se divise en plusieurs sous-marchés économiquement distincts, chacun présentant sa propre dynamique et ses propres défis.

Une analyse approfondie de l'utilisation des modèles d'IA exige une définition précise des indicateurs sous-jacents : nombre d'utilisateurs, jetons, dépenses ou flux de travail productifs. Cette distinction est cruciale pour identifier les fournisseurs réellement rentables et les sources de pression sur les prix. OpenAI et Google dominent toujours le marché grand public, mais en coulisses, la charge opérationnelle se déplace vers des modèles à bas coût provenant de Chine et des systèmes spécialisés de programmation et d'automatisation. Dans ce contexte complexe, il sera essentiel pour les entreprises de repenser leurs stratégies et d'adopter une utilisation concertée de différents modèles afin de répondre à l'évolution de la demande.

Le changement de pouvoir invisible sur le marché de l'IA

Ceux qui ne s'intéressent qu'à ChatGPT ne comprennent pas la nouvelle économie de l'IA

Le marché mondial de l'intelligence artificielle générative ne peut plus se résumer à un simple classement en octobre 2026. Selon les critères retenus, le tableau se dessine différemment : ChatGPT domine largement en termes de portée auprès des utilisateurs finaux, les modèles chinois, particulièrement économiques, se distinguent par leur volume de données traitées via les API, et Anthropic occupe une position exceptionnellement forte en termes de dépenses des grandes entreprises. Ces trois niveaux ne sont pas contradictoires. Ils témoignent plutôt de la fragmentation du marché de l'IA en plusieurs sous-marchés économiquement distincts.

L'interface utilisateur la plus populaire n'est pas forcément le modèle le plus répandu. Le modèle avec le plus grand volume de jetons ne génère pas nécessairement les revenus les plus élevés. Et le fournisseur disposant des plus gros budgets d'entreprise n'atteint pas forcément le plus grand nombre de personnes directement. Par conséquent, quiconque souhaite évaluer sérieusement l'utilisation globale des modèles d'IA doit d'abord préciser s'il se réfère aux utilisateurs, aux visites, aux requêtes, aux jetons, aux dépenses, aux systèmes installés ou aux flux de travail productifs.

Cette distinction méthodologique est loin d'être une simple note de bas de page statistique. Elle détermine quels fournisseurs rencontrent un véritable succès économique, où se manifestent les pressions sur les prix et quels modèles économiques sont viables. Le marché grand public reste dominé par OpenAI et Google. Cependant, en coulisses, la charge opérationnelle se déplace vers des modèles à bas coût venus de Chine et vers des systèmes spécialisés pour la programmation, les agents et les processus automatisés. Sur le marché des entreprises, une part importante de la demande génératrice de revenus se concentre sur quelques fournisseurs américains performants, dotés d'outils de développement profondément intégrés.

Trois marchés au lieu d'un classement mondial

Le premier sous-marché concerne l'accès direct des utilisateurs finaux. Cela inclut les visites de sites web, les utilisateurs actifs, l'utilisation d'applications, les requêtes de recherche et l'utilisation quotidienne du service. ChatGPT demeure la référence mondiale dans ce segment. Selon la méthode de mesure, sa part de trafic enregistré pour les chatbots IA varie d'environ 55 % à 80 %. Google Gemini suit de loin, mais selon la source des données, il atteint déjà environ 11 % à 28 %. Cet écart considérable illustre la forte dépendance du résultat au type de données mesurées : sites web référents, visites web directes, applications, programmes de bureau ou activité utilisateur globale.

Le second segment de marché concerne l'accès via des interfaces de programmation d'applications (API). Dans ce cas, l'interaction humaine directe avec le modèle est souvent absente. Des agents logiciels écrivent ou révisent du code, analysent des documents, génèrent des données structurées, traitent les demandes d'assistance ou exécutent des flux de travail complexes. Ces systèmes peuvent traiter des milliards, voire des billions de jetons, en un temps record. Un seul développeur ou agent automatisé peut donc générer un trafic supérieur à celui de milliers d'utilisateurs occasionnels de chatbots. C'est pourquoi le volume de jetons ne constitue pas un indicateur fiable du nombre d'utilisateurs.

Le troisième sous-marché concerne la création de valeur opérationnelle. Ici, la portée ou le volume brut ne sont pas les facteurs déterminants, mais plutôt les budgets, les intégrations, les exigences de sécurité, la fiabilité et la rentabilité de l'application. Les entreprises investissent dans des modèles qui résolvent efficacement les tâches de programmation, garantissent la sécurité des outils, exécutent des flux de travail longs de manière stable ou réduisent les coûts liés aux corrections manuelles. Par conséquent, un modèle coûteux avec une part de jetons plus faible peut s'avérer plus avantageux économiquement qu'un modèle extrêmement bon marché avec un volume de données considérablement plus élevé.

Un quatrième niveau complète ce tableau : l’exploitation sur infrastructure privée. Les familles de modèles ouvertes ou librement personnalisables comme Llama, Mistral et certains éléments de l’écosystème Qwen sont fréquemment déployées dans des environnements de cloud privé, des centres de données ou des réseaux d’entreprise isolés. Cet usage semble sous-représenté dans les classements des plateformes publiques. Pourtant, notamment dans les secteurs réglementés, avec des données de production sensibles, et dans les applications gouvernementales, il peut s’avérer stratégiquement plus important que le trafic de chat visible publiquement.

ChatGPT contrôle l'interface

Sur le marché B2C, ChatGPT reste le leader incontesté. Les études statistiques qui suivent les visites sortantes des chatbots IA vers les sites web attribuent à OpenAI une part d'environ 80 %. En revanche, les analyses du trafic web global aboutissent à environ 55 %. Ces deux chiffres peuvent être corrects simultanément car ils mesurent des comportements différents. Les visiteurs qui accèdent à un nombre particulièrement élevé de pages externes via ChatGPT sont davantage pris en compte dans les statistiques de référencement que dans la mesure du trafic web pur.

Il est également important de définir le produit. ChatGPT n'est pas un modèle unique, mais une plateforme sur laquelle différentes variantes de GPT sont utilisées en fonction du plan, de la tâche et de la disponibilité. Affirmer que « ChatGPT est le modèle d'IA le plus utilisé » est donc pratique sur le plan linguistique, mais techniquement inexact. Il serait plus juste de dire que ChatGPT est le service d'IA généraliste le plus utilisé par les utilisateurs finaux, ce qui confère à la famille GPT une distribution unique.

Cette distribution représente un avantage économique considérable. Elle crée des habitudes, renforce la confiance envers la marque, fournit des données sur des cas d'utilisation concrets et constitue une vaste base d'abonnés potentiels. Les estimations d'environ un milliard d'utilisateurs hebdomadaires illustrent l'ampleur du phénomène, mais il ne faut pas confondre ce chiffre avec un nombre comparable d'utilisateurs payants ou actifs quotidiens. De même, une large diffusion ne signifie pas automatiquement qu'OpenAI est leader dans tous les secteurs d'activité ou pour tous les processus techniques.

OpenAI bénéficie néanmoins d'un système de rétroaction performant. Une large base d'utilisateurs facilite la diffusion des nouvelles fonctionnalités, attire les développeurs et fait de ChatGPT le point d'accès standard pour les personnes découvrant l'IA générative. La plateforme se transforme ainsi en une sorte de système d'exploitation pour l'interaction avec l'IA en général. Cet avantage est réel, mais non insurmontable, car des services concurrents peuvent être directement intégrés aux moteurs de recherche, aux smartphones, aux logiciels bureautiques et aux plateformes d'entreprise.

Gemini se développe grâce à la distribution

Google Gemini se classe clairement deuxième auprès des utilisateurs finaux. Selon la méthode de mesure, Gemini représente environ 11 % des visites sur les sites web provenant de systèmes d'IA, soit plus d'un quart des visites sur les services autonomes basés sur l'IA. Cet écart s'explique par des différences méthodologiques. L'important n'est pas tant le chiffre exact que la tendance : Gemini a considérablement augmenté sa part de marché et bénéficie de l'immense portée de Google sur la Recherche, Android, Workspace, le Cloud et d'autres services.

La force économique de Gemini réside dans cette intégration. Google n'a pas besoin d'acquérir des utilisateurs uniquement via une interface de chat indépendante. L'entreprise peut intégrer l'IA générative à ses produits existants. Cela brouille les frontières entre la recherche traditionnelle, les assistants vocaux, les logiciels bureautiques et les agents IA. Par conséquent, une partie de l'utilisation de Gemini n'est pas pleinement reflétée dans les statistiques des chatbots indépendants.

Cette évolution est stratégiquement importante pour OpenAI. Bien que ChatGPT conserve sa position dominante, l'écart se réduit sur certains indicateurs. Parallèlement, l'utilisation de plusieurs assistants se développe : de nombreux utilisateurs ne se fient plus à un seul, mais choisissent entre ChatGPT, Gemini, Claude, Perplexity, Grok ou des outils spécialisés en fonction de la tâche. Le marché évolue ainsi d'un produit unique dominant vers un portefeuille de services interchangeables et parfois complémentaires.

Gemini présente également un avantage dans les applications multimodales et liées aux produits. Lorsqu'un modèle a accès aux courriels, aux documents, aux calendriers, aux données de recherche, aux vidéos ou aux fonctionnalités d'un smartphone, le bénéfice provient non seulement de la qualité du modèle de langage, mais aussi du contexte et de l'intégration. La concurrence se déplace donc de l'intelligence du modèle isolé vers le contrôle de l'interface utilisateur, de l'accès aux données et des flux de travail.

DeepSeek est à la pointe de l'économie des machines

Bien que ChatGPT domine le paysage utilisateur visible, DeepSeek V4.1 Flash est en tête en termes de volume de jetons traités via OpenRouter. Actuellement, environ un quart du trafic de données mesuré est attribuable à ce seul modèle ; il est arrivé que plus de 40 000 milliards de jetons soient traités en une seule semaine. Ainsi, DeepSeek n’est pas nécessairement le service comptant le plus d’utilisateurs, mais il est assurément un acteur clé de l’économie automatisée.

Le suffixe « Flash » décrit une tendance majeure du marché. De nombreuses tâches productives ne nécessitent pas le modèle le plus performant et le plus coûteux à chaque étape. La classification, l'extraction de données, les modifications de code simples, la synthèse, la traduction, la pré-vérification et les étapes répétitives d'un agent peuvent souvent être gérées par des systèmes rapides et économiques. Lorsqu'un flux de travail implique des centaines d'appels de modèle, le prix par jeton devient un facteur de compétitivité crucial.

DeepSeek marque ainsi un passage d'une intelligence maximale à une intelligence économiquement suffisante. Les entreprises et les développeurs optimisent non seulement la qualité d'une réponse isolée, mais aussi le rendement global d'un processus. Un modèle légèrement moins performant, mais nettement moins cher et plus rapide, peut générer une plus grande valeur ajoutée pour l'entreprise face à des volumes importants de données. Cela est particulièrement vrai lorsque les cas complexes sont automatiquement redirigés vers un modèle plus puissant.

Cette approche en cascade transforme le marché. Le modèle haut de gamme devient le service d'escalade pour les tâches complexes, tandis que les modèles moins coûteux prennent en charge la majeure partie des tâches courantes. Dans une telle architecture, la part des systèmes les plus onéreux dans le volume total diminue, sans pour autant que leur importance stratégique disparaisse complètement. Ils continuent de définir la limite de performance, mais la production de masse s'oriente vers des modèles plus abordables.

L'offensive chinoise sur les prix modifie la courbe des coûts

Le changement économique le plus marquant de 2026 est la montée en puissance des modèles chinois dans le trafic API. En septembre, on estimait que 65 % des jetons traités via OpenRouter provenaient de fournisseurs chinois, mais seulement 30 % environ des dépenses correspondantes. En début d'année, la situation était presque inversée : les fournisseurs américains détenaient une part nettement plus importante du volume et la quasi-totalité des revenus.

La raison réside dans un écart de prix d'environ 80 % par rapport aux offres américaines similaires. Cet écart est si important qu'il entraîne non seulement une rotation des fournisseurs, mais aussi une augmentation de la demande. Dès que l'inférence devient nettement moins coûteuse, les processus auparavant non rentables sont automatisés. Les développeurs exécutent les agents plus longtemps, génèrent plusieurs propositions de solutions, examinent les résultats plus fréquemment et traitent des ensembles de données plus volumineux. Par conséquent, la baisse des coûts unitaires n'entraîne pas automatiquement une diminution des dépenses globales, mais peut au contraire accroître la consommation de manière disproportionnée.

Ce schéma correspond au paradoxe de Jevons : les gains d’efficacité ne réduisent pas nécessairement la consommation de ressources si une utilisation moins coûteuse conduit à de nouvelles applications. Cet effet est particulièrement marqué en IA car les jetons ne constituent pas une unité physiquement rare au sens classique du terme. Ils représentent une puissance de calcul dont le coût marginal peut diminuer continuellement grâce à l’amélioration des puces, à la quantification, aux architectures de modèles et à une concurrence accrue. Plus une étape de traitement intelligent devient économique, plus elle est intégrée aux logiciels.

Pour les fournisseurs chinois, cela engendre un modèle économique axé sur le volume. Les prix bas accélèrent l'adoption, renforcent la dépendance aux interfaces et génèrent des données empiriques issues d'applications concrètes. Toutefois, l'écart de revenus avec les fournisseurs américains demeure important. Un trafic de données élevé ne se traduit donc pas automatiquement par une rentabilité équivalente. À long terme, la clé du succès résidera dans la capacité des fournisseurs à stabiliser leurs prix, à vendre des services additionnels et à gagner la confiance des entreprises internationales.

GLM, Qwen, MiMo et Hy4 forment la deuxième ligne d'attaque

DeepSeek n'est pas le seul gagnant chinois. Z.ai, avec sa clé USB GLM 5.3 Flash, a temporairement capté environ 13 % des requêtes, soit un pourcentage élevé du volume de jetons, et a connu une forte croissance en peu de temps. La clé USB Xiaomi MiMo V2.6 Flash figurait également parmi les cinq modèles les plus utilisés sur OpenRouter. Tencent Hy4 a obtenu un excellent classement lors des évaluations sur 30 jours, tandis qu'Alibaba Qwen bénéficie d'une large base de développeurs et d'une expertise particulière dans les applications multimodales.

Cette diversité revêt une importance stratégique majeure. La concurrence ne se joue plus uniquement entre un fournisseur américain de premier plan et un fournisseur chinois de premier plan. Désormais, un écosystème dense d'entreprises internet, de fabricants d'appareils, de sociétés spécialisées en IA et de projets pilotes ouverts est en train d'émerger en Chine. Les fournisseurs peuvent diffuser leurs modèles via des services cloud, des smartphones, des logiciels d'entreprise, le commerce électronique, les plateformes sociales ou les communautés de développeurs.

Qwen illustre l'étendue du domaine. Cette famille de modèles est utilisée pour des tâches de traitement de texte et de programmation, ainsi que pour des applications d'image et de vidéo. Dans les analyses de plateformes individuelles, Qwen se positionne en leader dans le domaine des médias génératifs. Cela étend la concurrence des modèles de langage aux chaînes de production pour le marketing, le design, la visualisation de produits et le contenu vidéo.

Xiaomi, de son côté, peut connecter l'IA à un vaste écosystème d'appareils. MiMo n'a donc pas besoin d'être rentable uniquement en tant qu'API indépendante. Ce modèle peut améliorer les smartphones, les véhicules, les appareils électroménagers et les assistants personnels. Tencent, avec Hy4, a également accès aux services de communication, de divertissement, de cloud et aux services aux entreprises. Cette distribution verticale réduit les coûts d'acquisition de clients et signifie que les classements basés uniquement sur les API ne représentent qu'un instantané de la position réelle sur le marché.

La solution quasi-interne : comment Xpert.Digital comble les lacunes opérationnelles du marketing et des ventes B2B – Entreprise axée sur le contenu intelligent – ​​Image : Xpert.Digital

Xpert.Digital est une plateforme B2B axée sur les données, dirigée par Konrad Wolfenstein . L'entreprise propose aux partenaires industriels une solution externe quasi intégrée, comblant leurs lacunes opérationnelles en matière de marketing, de contenu et de ventes, sans nécessiter de ressources supplémentaires de leur côté.

Plus d'informations ici :

• La solution quasi-interne : comment Xpert.Digital comble les lacunes opérationnelles du marketing et des ventes B2B – Smart Content-Driven Business

Anthropic privilégie la qualité à la quantité

Anthropic constitue le contre-exemple le plus convaincant à l'idée d'assimiler volume et leadership économique. Sur le marché grand public, Claude est nettement distancé par ChatGPT et Gemini. Même en termes de volume total de jetons OpenRouter, les modèles les moins chers dominent. Cependant, concernant les dépenses des entreprises américaines en interfaces LLM déployées en production, Anthropic a atteint environ 40 %, devançant OpenAI (environ 27 %) et Google (environ 21 %).

Cette position s'explique principalement par la programmation et les flux de travail basés sur les agents. Les modèles Claude sont désormais largement intégrés aux environnements de développement, aux assistants de codage et aux chaînes d'outils. Selon les études de marché menées auprès des entreprises, Anthropic représente plus de la moitié des dépenses liées aux tâches de programmation, tandis qu'OpenAI en représente environ un cinquième. Les entreprises ne recherchent pas des scores de performance abstraits, mais plutôt des délais de développement plus courts, une réduction des erreurs et des flux de travail fiables.

La logique économique diffère de la stratégie des modèles Flash. Anthropic mise sur la création de valeur élevée par appel pour être compétitif. Si un modèle coûteux permet d'accomplir une tâche avec moins d'itérations de correction ou d'obtenir un résultat une heure plus tôt, un prix élevé du jeton peut s'avérer économiquement insignifiant. Le critère le plus pertinent n'est alors pas le prix par million de jetons, mais le prix par tâche menée à bien.

Cependant, les chiffres connus de l'entreprise reposent sur des enquêtes menées auprès de décideurs américains et sur des modélisations de dépenses. Ils ne sauraient être interprétés comme une part de marché mondiale. En Europe, en Chine, en Inde ou au Moyen-Orient, la protection des données, les offres cloud locales, la réglementation et la sensibilité aux prix peuvent engendrer des résultats différents. Néanmoins, l'essor d'Anthropic démontre qu'une expertise pointue dans un domaine d'application porteur peut constituer un modèle économique plus viable qu'une stratégie de diffusion maximale.

Les agents de programmation faussent tout classement simple

Une part importante de la croissance des API provient des agents de programmation. Ces systèmes analysent de vastes bases de code, planifient les modifications, génèrent des fichiers, exécutent des tests, analysent les messages d'erreur et répètent le processus. Chaque étape peut générer un volume considérable d'entrées et de sorties. Une seule tâche peut donc potentiellement générer des millions de jetons, même si une seule personne y participe.

Le classement d'OpenRouter mesure précisément le volume de données traitées, et non le nombre d'utilisateurs. Il reflète l'utilisation réelle, mais uniquement celle qui transite par la plateforme. Aucun contrat direct avec OpenAI, Anthropic, Google ou les fournisseurs de cloud chinois n'est établi, de même que l'utilisation de modèles exécutés localement. Les versions gratuites permettent d'accroître encore le volume de données sans pour autant générer de revenus proportionnels.

La plateforme constitue néanmoins un indicateur précoce précieux. Elle révèle les modèles que les développeurs privilégient lorsque les prix et les fournisseurs sont relativement faciles à comparer. Notamment dans les écosystèmes d'agents ouverts, les utilisateurs optent rapidement pour un modèle moins cher ou plus performant. Les changements sont ainsi visibles plus tôt que dans le cadre de contrats d'entreprise à long terme.

Cependant, cette interprétation présente une limite évidente : un jeton n’est pas une unité standardisée de performance économique. Les modèles segmentent les textes différemment, les tâches ont des niveaux de difficulté variables et la longueur des résultats peut varier considérablement. La mise en cache, le traitement par lots et les processus de raisonnement internes influent également sur les coûts et le volume. Un classement basé sur les jetons mesure l’activité, et non automatiquement la productivité.

Les top models perdent du travail routinier

Il convient de souligner la baisse de la part des modèles les plus performants dans le trafic de données total. Au troisième trimestre 2026, certaines analyses ont montré que seulement 14 % environ de l'utilisation était attribuable aux dix modèles les plus puissants. Au premier trimestre de l'année précédente, ce chiffre avoisinait les 55 %. Cette évolution ne traduit pas une perte d'importance des modèles haute performance, mais plutôt une maturation du marché.

Aux débuts de l'IA générative, le meilleur modèle disponible était utilisé pour presque toutes les tâches. L'incertitude était élevée, les outils d'optimisation faisaient défaut et les entreprises privilégiaient initialement la qualité maximale. Avec l'expérience, les développeurs décomposent désormais les applications en sous-tâches et attribuent un modèle adapté à chaque étape. Les tâches simples migrent vers les systèmes Flash, Mini ou OpenWeight, tandis que la planification complexe, l'analyse d'erreurs pointue et la communication de haute qualité restent du ressort des modèles Frontier.

Ce processus est similaire à l'évolution du cloud computing. Les entreprises n'utilisent pas l'instance de calcul la plus coûteuse pour chaque charge de travail. Elles combinent des systèmes haute performance pour les pics de charge avec des ressources plus abordables pour les tâches courantes. En intelligence artificielle, cela se traduit par un routage des modèles qui équilibre dynamiquement la qualité, la vitesse, la confidentialité des données et le coût.

Il en résulte une forte pression sur les prix dans le segment des performances moyennes, où les modèles sont les plus facilement interchangeables. Les fournisseurs doivent se différencier par la latence, la durée des fenêtres de contexte, l'utilisation d'outils spécifiques, les langages spécialisés ou une expertise sectorielle. Ceux qui proposent une qualité de texte moyenne risquent de se retrouver sur un marché de masse aux marges de plus en plus réduites.

L'open source demeure l'adversaire invisible

Meta Llama, Mistral et d'autres familles de tokens open source sont systématiquement sous-représentées dans les statistiques d'utilisation publiques. Les entreprises peuvent les télécharger, les personnaliser et les exécuter sur leur propre infrastructure. Chaque token traité localement disparaît des classements des interfaces commerciales. Par conséquent, l'affirmation selon laquelle Llama est l'une des plateformes les plus répandues pour les tokens auto-hébergés est plausible, mais difficile à quantifier précisément à l'échelle mondiale.

Les avantages économiques des modèles internes résident dans le contrôle et la prévisibilité. Les entreprises conservent leurs données sensibles au sein de leur propre réseau, peuvent adapter les modèles à leur terminologie métier spécifique et éviter une dépendance totale aux interfaces externes. Avec un taux d'utilisation élevé et constant, l'exploitation en interne peut s'avérer plus rentable. Toutefois, cet avantage est contrebalancé par les investissements en matériel, énergie, personnel, maintenance et mises à jour.

Ce domaine revêt une importance particulière pour l'Europe. Mistral peut tirer parti des exigences en matière de souveraineté des données, d'infrastructures européennes et de traçabilité réglementaire. Le fournisseur se distingue non seulement par la qualité de ses modèles, mais aussi par sa proximité géographique et juridique. Dans les secteurs public, privé, de la défense, de la finance et des infrastructures critiques, cet avantage peut s'avérer plus déterminant qu'un léger écart par rapport aux normes de référence.

Les modèles à pondération ouverte accentuent la pression sur les fournisseurs propriétaires. Même si les entreprises ne les exploitent pas entièrement elles-mêmes, ils constituent une alternative crédible. Cela limite les prix, facilite les stratégies multimodèles et empêche un seul fournisseur de contrôler l'intégralité de la chaîne de valeur.

Les dix tops les plus judicieux sur le plan économique

Un classement combiné doit prendre en compte plusieurs critères et reste donc une évaluation globale raisonnée plutôt qu'un résultat final objectivement mesuré. La famille OpenAI GPT domine le classement grâce à la portée de ChatGPT, sa forte présence dans le monde de l'entreprise et sa large communauté de développeurs. Google Gemini suit grâce à son orientation utilisateur et sa distribution unique au sein de l'écosystème Google.

DeepSeek se classe troisième grâce à son volume d'API visible le plus élevé. Anthropic Claude suit de près, malgré une portée grand public plus restreinte, car elle capte une part particulièrement importante des dépenses des entreprises et des projets de programmation de haute qualité. Z.ai GLM se hisse parmi les leaders grâce à la croissance rapide de son volume d'utilisation de Flash.

Alibaba Qwen se distingue par sa large gamme de modèles, sa communauté de développeurs et sa maîtrise des applications multimodales. Meta Llama, ou plutôt l'écosystème étendu Muse, conserve une importance stratégique grâce à son infrastructure dédiée et au rôle des modèles ouverts. Xiaomi MiMo figure parmi les dix premiers grâce à son important volume d'API et à sa connexion à un vaste écosystème d'appareils.

xAI Grok bénéficie d'une base d'utilisateurs importante, notamment aux États-Unis, et tire profit de son intégration à une plateforme sociale à forte audience. Tencent Hy4 et Mistral se partagent la dernière place du classement général : Hy4 impressionne par son volume de tokens élevé, tandis que Mistral se distingue par sa position en Europe, ses modèles ouverts et ses solutions d'entreprise robustes. Un classement rigide de ces fournisseurs serait artificiel compte tenu des différents critères utilisés.

Microsoft Phi, en revanche, ne devrait pas figurer dans un top 10 mondial sans données d'utilisation fiables. La gamme de modèles est pertinente sur les plans technique et stratégique, mais la pertinence seule ne saurait remplacer la preuve d'une utilisation réelle importante. Cette distinction est cruciale, car sans cela, les classements risquent de mêler notoriété de la marque, qualité et utilisation réelle.

Les ventes, le volume et la valeur divergent

L'enseignement économique majeur est que l'usage et la monétisation se dissocient de plus en plus. Les fournisseurs chinois captent des volumes considérables grâce à des prix bas, tandis que les fournisseurs américains s'accaparent une part disproportionnée des dépenses. Anthropic parvient à générer davantage de valeur pour les entreprises avec un nombre de jetons nettement inférieur à celui de nombreux leaders du marché. OpenAI, quant à elle, monétise à la fois les abonnements des consommateurs, les API et les contrats d'entreprise.

Cette structure engendre des risques différents. Les fournisseurs de solutions de volume doivent maintenir des coûts unitaires constamment bas tout en générant un revenu suffisant par client. Les fournisseurs de solutions haut de gamme doivent prouver que leur qualité supérieure justifie les prix plus élevés. Les fournisseurs de plateformes comme Google peuvent subventionner partiellement l'IA afin de protéger leurs activités existantes dans la publicité, le cloud ou la productivité.

Pour les investisseurs et les stratèges d'entreprise, la part de marché pure a donc une importance limitée. Le revenu par jeton, la marge brute, la fidélisation client, le taux d'intégration et le coût du changement de fournisseur sont bien plus importants. La part d'utilisation intégrée aux processus de production est tout aussi pertinente. Un chat expérimental génère moins de valeur durable qu'un modèle qui vérifie quotidiennement les commandes, teste les logiciels ou analyse les données de production.

À long terme, le marché devrait se diviser en trois segments tarifaires. Les modèles de pointe facturent des prix élevés pour les tâches complexes. Les modèles axés sur l'efficacité misent sur la rapidité et le coût. Les modèles locaux ou spécialisés offrent contrôle et personnalisation. Les entreprises performantes ne considéreront pas ces segments séparément, mais les intégreront au sein d'une architecture commune.

Ce que la lutte de pouvoir signifie pour les entreprises

Pour les entreprises, la principale conséquence est l'abandon de la stratégie du modèle unique. Celles qui confient toutes leurs tâches à un seul fournisseur risquent de payer trop cher, d'accepter des dépendances inutiles et de se priver des avantages qualitatifs des systèmes spécialisés. Une approche plus judicieuse consiste à mettre en place un environnement coordonné où différents modèles sont sélectionnés en fonction de la tâche, du niveau de risque et du coût.

Par exemple, un flux de travail logistique peut classer les documents entrants à l'aide d'un modèle Flash économique, extraire localement les données sensibles et ne transmettre les écarts complexes qu'à un modèle Frontier haute performance. Un agent de programmation peut effectuer les modifications courantes à moindre coût, tandis que les problèmes d'architecture complexes sont gérés par Claude, GPT ou un autre modèle de pointe. Ceci permet de réduire les coûts sans compromettre la qualité des décisions critiques.

La sélection doit reposer sur des indicateurs de processus concrets. Il s'agit notamment du taux de réussite des tâches accomplies, des reprises humaines nécessaires, de la latence, du risque d'échec, de la protection des données et du coût total par opération. Un prix d'entrée faible peut être trompeur si le modèle requiert davantage d'itérations. Inversement, un modèle coûteux n'est pas rentable si sa valeur ajoutée n'apporte aucun avantage mesurable pour une tâche simple.

Les entreprises ont donc besoin de leurs propres systèmes d'évaluation. Les référentiels publics fournissent des indications, mais ne remplacent pas les tests sur des documents réels, dans des langages spécialisés, et l'analyse des conséquences des erreurs. Dans les secteurs de l'industrie, de la logistique et de la communication B2B notamment, les résultats dépendent fortement de la qualité des données, de l'intégration des processus et de la connaissance du domaine. Le meilleur modèle général n'est pas forcément le meilleur modèle pour une entreprise donnée.

La géopolitique devient partie intégrante de l'architecture du modèle

L'essor des modèles d'IA chinois transforme l'acquisition de ces technologies en un enjeu géopolitique. Leurs prix bas et leurs hautes performances les rendent particulièrement attractifs. Parallèlement, les entreprises doivent évaluer la protection des données, les contrôles à l'exportation, les juridictions compétentes, les capacités d'approvisionnement et les risques politiques. Ces facteurs varient considérablement selon le secteur et le pays.

Rejeter systématiquement les modèles chinois serait une erreur économique, car cela reviendrait à ignorer d'importants avantages en termes de coûts et d'innovation. Une dépendance aveugle à leur égard serait tout aussi problématique. La solution appropriée consiste à adopter une architecture basée sur les risques : les tâches non critiques à fort volume peuvent être exécutées sur des modèles peu coûteux, tandis que les données sensibles et les processus stratégiques restent dans des environnements contrôlés.

Même les fournisseurs américains ne sont pas à l'abri des risques liés à la dépendance. Les variations de prix, les mises à jour techniques, les quotas ou les nouvelles conditions générales de service peuvent impacter directement les modèles économiques. La capacité à gérer plusieurs clouds et modèles devient donc un gage de résilience numérique. Les entreprises doivent abstraire les interfaces, standardiser les formats de données et tester régulièrement la migration entre les différents modèles.

L'Europe occupe une position difficile, mais non désespérée, dans cette compétition. Le continent ne dispose ni de la même puissance de plateforme que les États-Unis, ni de la même capacité d'adaptation aux prix que la Chine. Cependant, il peut se différencier grâce à ses données industrielles, ses applications spécialisées, son infrastructure fiable et sa sécurité juridique. Mistral et les fournisseurs de cloud européens doivent donc être perçus moins comme de simples copies des plateformes mondiales de chatbots que comme les éléments constitutifs d'une architecture d'entreprise souveraine.

Le nouveau centre est situé au sein du processus automatisé

Le débat public se concentre encore largement sur les chatbots et leurs réponses. Pourtant, le véritable potentiel économique réside dans des processus que les utilisateurs voient rarement. Les agents vérifient les factures, planifient les transports, analysent les rapports de machines, développent des logiciels, créent des offres et supervisent les chaînes d'approvisionnement. Dans ces situations, ce qui compte, ce n'est pas la notoriété de la marque, mais la fiabilité, la rapidité et la rentabilité du système.

Cette évolution est particulièrement pertinente pour la logistique et l'industrie. Ces deux secteurs génèrent d'importants volumes de données structurées et non structurées, fonctionnent avec des marges réduites et impliquent de nombreuses décisions récurrentes. Des modèles économiques permettent de prétraiter les documents, les courriels, les données de capteurs et les informations de commande. Les modèles haute performance gèrent les exceptions, les négociations et les problématiques de planification complexes.

Cela modifie également le rôle de l'IA gérée. La valeur économique ne réside plus uniquement dans l'accès à un modèle, mais aussi dans sa sélection, son routage, sa surveillance, sa sécurité et son optimisation continue. Un prestataire de services qui combine les modèles avec souplesse et mesure leurs performances dans des processus réels peut créer davantage de valeur qu'un prestataire qui se contente de revendre une interface unique.

La concurrence entre les modèles engendre ainsi un nouveau niveau d'abstraction. À terme, les entreprises achètent moins un modèle en soi et davantage une qualité de résultats garantie. Le fournisseur de technologie peut être changé en coulisses, pourvu que les coûts, la protection des données et les performances soient respectés. Cette évolution réduit la dépendance aux noms de modèles individuels et renforce les plateformes d'orchestration et les applications sectorielles.

Le leader du marché dépend de la question

Pour répondre de manière fiable à la question des modèles d'IA les plus utilisés, une approche multidimensionnelle est nécessaire. ChatGPT domine auprès des utilisateurs finaux, suivi de Gemini. DeepSeek V4.1 Flash est en tête en termes de volume de jetons API visibles, suivi d'autres modèles chinois peu coûteux tels que GLM, MiMo et Hy4. Anthropic occupe une position de premier plan en termes de dépenses des entreprises pour les API de modèles, principalement grâce à ses solides compétences en programmation.

Les différences entre les mesures ne constituent pas un défaut, mais au contraire une information essentielle. Statcounter et Similarweb mesurent des actions différentes. OpenRouter suit une plateforme de développement spécifique, et non un recensement mondial. Les études de marché reflètent les budgets de décideurs ciblés, et non l'ensemble de l'économie mondiale. Chaque chiffre répond à une question différente.

La logique est donc la suivante : OpenAI domine en termes de notoriété et de portée directe, Anthropic en matière de monétisation d'entreprise de haute qualité, Google en matière de distribution intégrée et les fournisseurs chinois en matière de montée en puissance des tâches automatisées grâce à une politique de prix avantageuse. Meta, Mistral et les familles de modèles ouverts garantissent l'alternative stratégique d'une exploitation en interne.

Le véritable bouleversement ne réside pas dans la disparition de ChatGPT au profit d'un seul fournisseur. Il tient au fait que l'essentiel du travail des machines est de plus en plus effectué par des modèles autres que ceux qui dominent l'imaginaire collectif. Ceux qui s'intéressent uniquement à l'interface la plus familière négligent la partie du marché où les coûts, l'automatisation et la création de valeur industrielle sont en pleine redistribution.

De la visibilité à la confiance : votre parcours évolutif avec Xpert.Digital - Image : Xpert.Digital

Dans le secteur B2B industriel, les relations commerciales durables se construisent rarement du jour au lendemain. Elles se développent progressivement, grâce à la visibilité, la pertinence professionnelle, des échanges réguliers et une confiance grandissante. Le modèle en quatre étapes de Xpert.Digital répond précisément à ce besoin : il propose un parcours structuré qui débute par une approche simple et peut évoluer vers une collaboration plus approfondie en matière de développement commercial, si nécessaire.

Au lieu de miser sur des promesses marketing tapageuses, ce modèle privilégie la relation. Les entreprises commencent par des indicateurs clairement définis et facilement mesurables, puis décident, en fonction de leur propre expérience, du niveau d'approfondissement de leur collaboration. Un facteur clé de ce processus de construction de la confiance sans interruption : la plateforme exclut toute publicité intrusive, permettant ainsi au contenu éditorial de se concentrer exclusivement sur l'expertise des entreprises.

Plus d'informations ici :

• De la visibilité à la confiance : votre parcours évolutif avec Xpert.Digital

☑️ Notre langue de travail est l'anglais ou l'allemand

☑️ NOUVEAU : Correspondance dans votre langue maternelle !

Konrad Wolfenstein

Mon équipe et moi-même sommes heureux de pouvoir vous accompagner en tant que conseiller personnel.

Vous pouvez me contacter en remplissant le formulaire de contact ici [email protected] :ou simplement m'appeler au +49 7348 4088 965. Mon adresse e-mail est

J'attends avec impatience notre projet commun.

☑️ Accompagnement des PME en matière de stratégie, de conseil, de planification et de mise en œuvre

☑️ Création ou réalignement de la stratégie numérique et de la numérisation

☑️ Expansion et optimisation des processus de vente internationaux

☑️ Plateformes de commerce B2B mondiales et numériques

☑️ Développement commercial pionnier / Marketing / Relations publiques / Salons professionnels