OpenAI, Meta et SpaceXAI misent sur le prix face à Anthropic

Trois annonces coup sur coup ont fait basculer la conversation sur les modèles d'IA d'un débat de qualité pure vers une bataille de facture. Bloomberg rapporte que la semaine écoulée a vu OpenAI, Meta et SpaceXAI pousser des modèles dont le principal argument de vente immédiat n'est plus ce qu'ils font mais combien ils coûtent pour le faire.

Le nouveau GPT-5.6 d'OpenAI arrive en trois versions, Sol en haut de gamme, Terra au milieu et Luna en version bas coût, et vise à produire davantage de travail en consommant nettement moins de tokens. Sol atteint 88,8 % sur le benchmark de code Terminal-Bench 2.1, devant le Fable5 d'Anthropic à 88 %, et marque 59 points sur l'Artificial Analysis Index, un point derrière Fable5 à 60. SpaceXAI, l'ex-xAI, sort Grok 4.5 avec une tarification API entre 2 et 6 dollars par million de tokens et se classe sixième du même index à 54 points, derrière cinq modèles d'OpenAI et d'Anthropic. Meta pousse Muse Spark 1.1, qui plafonne à 69,2 % sur Terminal-Bench 2.1, très en retrait sur la qualité brute, mais facturé 1,25 à 4,25 dollars par million de tokens, soit environ un dixième du prix de Fable5 (10 dollars en entrée, 50 en sortie).

L'enjeu pour les acheteurs entreprise devient lisible. La pointe des benchmarks reste à Anthropic et OpenAI, tandis que Google, Meta et SpaceXAI attaquent par la facture d'inférence. Si un workload tolère une qualité inférieure, l'écart de coût entre Muse Spark et Fable5 devient difficile à ignorer sur des volumes importants, et Bloomberg pose l'idée que cette mise en avant du prix pèse d'abord sur Anthropic, souvent perçu comme le leader du moment.

Le caveat honnête, c'est que le reportage ne quantifie pas la migration effective des clients vers ces modèles moins chers, ni les marges derrière les prix affichés, ni la réponse commerciale d'Anthropic. Un score de 69,2 % sur Terminal-Bench 2.1 n'est pas interchangeable avec 88 % et les cas d'usage exigeants continueront de gouverner le choix du modèle. Ce qui change vraiment, c'est que la ligne d'inférence redevient un axe de compétition à part entière, et les équipes qui savent router leurs workloads entre modèles selon la difficulté sont celles qui vont capter la valeur.