Anthropic moins cher que les modèles chinois pour certains usages, selon une étude
Une étude publiée plus tôt ce mois-ci par AlphaSense, une société qui vend des outils de recherche et d'analyse de marché dotés d'intelligence artificielle, remet en question l'idée selon laquelle les modèles chinois seraient moins chers à utiliser que ceux d'OpenAI et d'Anthropic. AlphaSense a testé plusieurs modèles, accédés via les plateformes cloud d'Amazon, Google, Microsoft et Cerebras, pour analyser sa base de données financières. L'étude montre que GPT-5.6 Sol, le modèle le plus avancé d'OpenAI, et Opus 4.8, l'un des modèles phares d'Anthropic, produisent de meilleures réponses à un coût inférieur à celui de Kimi K3, du laboratoire chinois Moonshot, et de GLM-5.2, développé par Z.ai. Sur 246 questions d'analyse financière portant sur des rapports de résultats, des transcriptions d'appels avec les investisseurs, des documents déposés auprès de la SEC et des articles de presse, le coût médian de GPT-5.6 Sol s'est révélé environ 13 % inférieur à celui de Kimi K3, pour un score de qualité supérieur d'environ 20 %. Opus 4.8, de son côté, coûtait environ deux fois moins cher que Kimi K3 tout en obtenant un score de qualité supérieur de 13 %. GLM-5.2, à l'inverse, coûtait environ deux fois plus cher que Kimi K3 pour des résultats jugés moins bons, alors même que Moonshot facture Kimi K3 15 dollars par million de tokens générés, contre 25 dollars pour Opus 4.8 et 30 dollars pour Sol.
Résumé et traduction réalisés par Le Fil IA à partir de The Information AI. Lire l'article original →
Ce résultat vient nuancer un argument largement répandu, selon lequel les modèles ouverts chinois, moins chers au token, permettraient de réduire significativement les factures d'intelligence artificielle des entreprises. Le cabinet Artificial Analysis classe d'ailleurs Kimi K3 et GLM-5.2 comme nettement plus économiques que leurs équivalents américains pour un même ensemble de tâches. Mais l'étude d'AlphaSense rejoint les arguments avancés par plusieurs dirigeants du secteur, comme Bret Taylor, président du conseil d'administration d'OpenAI et cofondateur de la startup Sierra, qui affirmait fin juillet sur CNBC que les modèles de pointe restent en réalité plus économiques et efficaces, car ils nécessitent moins de tokens pour répondre à une question ou accomplir une tâche. Cette prise de position intervient alors que la sortie de Kimi K3, dont les performances rivalisent avec celles des meilleurs modèles américains sur certains benchmarks, avait ravivé les craintes de voir les modèles ouverts éroder la position dominante d'OpenAI et d'Anthropic, dont les outils de codage et les tarifs élevés pèsent de plus en plus sur les budgets IA des entreprises. Certaines d'entre elles commencent d'ailleurs à se tourner vers des modèles ouverts pour leurs tâches de programmation afin de réduire leurs coûts.
Pour mener son étude, AlphaSense a soumis aux différents modèles des questions portant par exemple sur les commentaires de laboratoires pharmaceutiques, un récapitulatif des acquisitions du géant de la gestion des déchets Clean Harbors, ou encore les estimations de croissance des ventes du groupe de luxe Burberry établies par les analystes de Wall Street. Les réponses ont été notées selon leur qualité, notamment l'exactitude des chiffres cités par rapport à la période concernée et la prise en compte de plusieurs points de vue d'analystes. Selon Jack Kokko, directeur général d'AlphaSense, certains modèles perçus comme plus chers au prix du token se révèlent en réalité moins coûteux, car ils utilisent les tokens de manière plus efficace. Il estime toutefois que l'approche la plus performante reste de combiner plusieurs modèles : AlphaSense obtient ses meilleurs résultats avec son propre outil de recherche générative, doté d'un système de routage capable de sélectionner le modèle le plus adapté à chaque étape d'une requête, en réservant les modèles les plus puissants et coûteux aux tâches de planification les plus complexes.
Pas d'impact direct sur la France/UE