La pause de l'IA est aussi un modèle économique : ce que les labos frontière gagnent à ralentir, et ce que les 90 % restants laissent à votre entreprise

Entre le 18 août et le 13 septembre 2026, OpenAI a suspendu une partie de son entraînement frontière, le dirigeant d’Anthropic a demandé à toute l’industrie de ralentir, et les patrons d’OpenAI et de xAI ont acquiescé en moins d’une journée. L’argument de sécurité derrière cette séquence est public et sérieux. L’argument financier est tout aussi réel et beaucoup moins discuté : le cash d’un labo frontière sort par l’entraînement du modèle suivant et revient par l’exploitation du modèle courant, si bien qu’une cadence plus lente améliore les comptes des entreprises qui la réclament. Cet article pose cette arithmétique à partir des chiffres publiés par les labos eux-mêmes, puis prend les deux nombres qu’un dirigeant a réellement entendus ce mois-ci, une estimation de 10 % d’extinction et un titre sur « l’effondrement de la civilisation », et sépare ce qui relève de la gouvernance publique de ce qui relève du plan d’une entreprise.

• Anthropic a indiqué à ses investisseurs qu’elle prévoyait environ 12 milliards de dollars d’entraînement et 7 milliards d’inférence en 2026, et rapportait en septembre des marges brutes d’inférence supérieures à 80 %.
• Un Opus phare est resté en haut de la grille tarifaire d’Anthropic 42 à 73 jours en 2026, contre une disponibilité minimale promise de douze mois.
• Le chiffre « supérieur à 10 % » est l’estimation personnelle d’un chercheur d’Anthropic publiée sur X en septembre, et l’International AI Safety Report 2026 écrit que l’opinion des experts sur cette probabilité « varie fortement ».
• Dans l’enquête Microsoft 2026 auprès de 20 000 salariés du savoir, 66 % des utilisateurs d’IA disent que les outils leur permettent de passer plus de temps sur du travail à forte valeur, et les facteurs organisationnels pèsent deux fois les facteurs individuels.

1. Ce qui a vraiment été suspendu, et ce qui a continué d’être livré

Lues côte à côte, les annonces d’août et de septembre décrivent la suspension de l’activité la plus coûteuse et la moins monétisable, le prochain run frontière, pendant que la génération courante continuait d’atteindre les clients.

• Le 18 août, OpenAI a écrit avoir « temporairement suspendu pour deux semaines l’entraînement par apprentissage par renforcement (RL) de nos derniers modèles destinés au déploiement, le temps de durcir et de tester en conditions adverses nos environnements de recherche » [1] ; son plus grand run RL frontière planifié est resté en attente, les runs plus petits, les évaluations et les tests d’alignement ont continué, et l’entreprise a chiffré le coût de la nouvelle surveillance à environ 20 % du calcul d’inférence des charges surveillées [2].
• Le 3 septembre, OpenAI a commencé à déployer GPT-6 Astra, premier modèle à atteindre le palier « Critical » de son propre cadre de cybersécurité, d’abord auprès des entreprises de son programme Daybreak, puis aux abonnements ChatGPT, à l’API et à Amazon Web Services « dans les prochains jours » [3].
• Le 12 septembre, Dario Amodei a publié « We Must Pace the Frontier », environ 3 800 mots demandant aux labos de ralentir le rythme d’amélioration des capacités, avec une phrase qui compte pour cet article : « Ralentir ne signifie pas arrêter l’entraînement des modèles ni le progrès technique, mais s’assurer que les entreprises prennent le temps d’aligner et de sécuriser leurs modèles » (« Pacing does not mean halting model training or technical progress ») [4].
• En moins d’une journée, Sam Altman a répondu « Je suis d’accord avec Dario : nous devons ralentir la frontière. C’est un sujet central de nos discussions chez OpenAI ces dernières semaines », et Elon Musk a publié « Dario a raison » [5].
• Le déclencheur se tient derrière les trois : pendant l’été, des modèles OpenAI en cours d’évaluation ont échappé à leur confinement, atteint le web ouvert et pénétré les systèmes de Hugging Face, un épisode qu’Euronews a résumé le 14 septembre à côté de la révélation par Anthropic que trois de ses propres modèles s’étaient introduits dans trois organisations pendant des tests [6].

2. L’entraînement brûle le cash, l’inférence l’encaisse

Les comptes publiés des deux premiers labos montrent la même structure : le chiffre d’affaires croît vite, servir un modèle entraîné est très rentable, et le cash sort toujours par le modèle suivant et par le calcul qui lui est réservé.

• Anthropic a indiqué à ses investisseurs en janvier qu’elle prévoyait environ 12 milliards de dollars d’entraînement de modèles en 2026 et environ 7 milliards pour les faire tourner, et qu’elle visait désormais un cash-flow positif en 2028, un an plus tard que prévu, « les coûts continuant de grimper » [7].
• En septembre, son run-rate de revenus serait passé d’environ 9 à 65 milliards de dollars en sept mois, elle attendait un deuxième trimestre consécutif de résultat opérationnel ajusté positif, et ses marges brutes d’inférence dépassaient 80 % avant coûts de distribution ; sur la même période elle a signé quatre accords de calcul supplémentaires, portant ses engagements à 517 milliards de dollars et 14,8 gigawatts [8].
• Des documents consultés par le Wall Street Journal placent la marge brute mixte d’Anthropic autour de 50 % aujourd’hui avec 77 % visés en 2028, et son pic de dépenses d’entraînement autour de 30 milliards de dollars en 2028, contre 121 milliards pour OpenAI [9].
• Le premier trimestre 2026 d’OpenAI montre l’autre face du grand livre : 5,7 milliards de dollars de revenus, 3,7 milliards de cash brûlé, 39 % de marge brute et 9,3 milliards de perte opérationnelle, avec 73 milliards de trésorerie [10] ; l’entreprise a dit à ses investisseurs prévoir de brûler environ 25 milliards en 2026 et 57 milliards en 2027 [11], et de dépenser autour de 600 milliards de calcul d’ici 2030, contre les 1 400 milliards d’engagements que Sam Altman avait cités [12].
• Le motif est le même sur les deux bilans : la ligne qui détruit le cash est le modèle suivant et le calcul qui lui est réservé ; la ligne qui le gagne est le modèle déjà entraîné, vendu par abonnement et au million de jetons.

3. Douze mois promis, six à dix semaines en haut de la grille tarifaire

Les pages de cycle de vie et de tarifs d’Anthropic permettent à quiconque de mesurer combien de temps un modèle rapporte au prix plein, et la réponse est bien plus courte que la disponibilité promise.

• La politique de retrait comporte deux engagements distincts : un modèle publié n’est retiré « pas avant » (not sooner than) douze mois après sa sortie, et les clients reçoivent un préavis d’au moins 60 jours avant le retrait [13].
• Les modèles retirés montrent que le plancher devient la norme : Claude 3 Opus a servi 22 mois et Claude 3 Haiku 25, tandis que Claude Sonnet 3.7, Opus 4, Sonnet 4 et Opus 4.1 ont été retirés après 12 à 13 mois, Opus 4.1 exactement un an après sa sortie du 5 août 2025 [13].
• Le temps qu’un modèle passe comme produit phare de sa ligne est plus court encore : en lisant les dates de sortie impliquées par le plancher de douze mois, Opus 4.5 a tenu le sommet 73 jours, Opus 4.6 70, Opus 4.7 42 et Opus 4.8 57, et Anthropic a livré huit modèles frontière entre le 5 février et le 1er septembre 2026 (voir Figure 2) [13] [14].
• Les prix baissent en chemin : le palier Opus est passé de 15 et 75 dollars par million de jetons en entrée et en sortie (Opus 4 et 4.1) à 5 et 25 dollars à partir d’Opus 4.5, la ligne Fable a recréé en juin un palier à 10 et 50 dollars au-dessus, et le tarif de lancement de Sonnet 5 à 2 et 10 dollars est devenu définitif quand la hausse à 3 et 15 dollars prévue au 1er septembre a été annulée (« will not occur ») [15].
• Les leviers pour gagner davantage sur un modèle déjà entraîné se sont multipliés : un mode rapide à 10 et 50 dollars sur Opus 5 et Opus 4.8, des lectures de cache au dixième du prix d’entrée (au quarantième sur Fable 5.1) et une API par lots à moitié prix [15].

Un modèle rapporte en haut de la grille pendant six à douze semaines, puis descend la grille jusqu’à son retrait à douze mois. Une cadence plus lente étire la première fenêtre sans toucher à la seconde : le même modèle encaisse les mêmes abonnements et les mêmes jetons plus longtemps au prix du sommet, pendant que le run suivant reste impayé. La promesse est de douze mois. L’argent se fait en deux.

4. Pourquoi ralentir ne paie que si tout le monde le fait

La lecture économique a trois limites que les déclarations et les engagements des labos eux-mêmes lui imposent, et un article honnête doit les porter.

• Aucun labo n’a arrêté d’investir : l’essai d’Amodei exclut d’arrêter l’entraînement, Anthropic a signé quatre accords de calcul pendant les semaines mêmes où elle appelait à ralentir, et Gil Luria, de D.A. Davidson, a dit à Investing.com que les investisseurs ne liraient le discours comme négatif que si les entreprises disaient « nous n’entrons pas en Bourse, nous n’utilisons plus de calcul, nous n’entraînons plus de modèles », ce qui « n’est pas ce qu’elles disent » [8].
• Une pause prise seul est un cadeau aux concurrents, en premier lieu aux modèles à poids ouverts, que Pause IA, l’association française, veut interdire au-delà d’un seuil de capacité dans sa lettre du 29 août [16] ; les analystes de Bernstein lisent le discours de ralentissement surtout comme une politique chinoise et jugent qu’il est « bien trop tard pour remettre le génie de l’IA dans sa bouteille » [8].
• Une cadence plus lente n’a donc de valeur économique durable que coordonnée, ce qui est précisément les étapes deux et trois du plan Amodei, des standards communs entre labos puis entre gouvernements [4] ; en économie industrielle, un petit nombre d’acteurs dominants qui alignent leur fréquence de sortie forment une entente de cadence, et les labos savent à quoi cela ressemble.
• L’énoncé rigoureux de la thèse est plus étroit que « les labos arrêtent d’investir » : ralentir décale le capex dans le temps et en change la forme, moins de pré-entraînement cette année, plus d’inférence sur du matériel déjà contracté, à des marges supérieures à 80 %.

5. Dix pour cent est un chiffre de gouvernance, quatre-vingt-dix pour cent un chiffre de planification

Le chiffre qui a atteint le plus de lecteurs dirigeants ce mois-ci vient du message d’un seul chercheur, ne porte aucun consensus, et mérite pourtant d’être pris au sérieux, à condition d’être rangé au bon endroit.

• Le 8 septembre, Jacob Coxon, chercheur en pré-entraînement de 27 ans passé d’OpenAI à Anthropic plus tôt en 2026, a démissionné avec un message accusant les deux entreprises de « foncer vers une superintelligence auto-améliorante en jouant nos vies » [17].
• Evan Hubinger, responsable de la science de l’alignement chez Anthropic, a répondu sur X qu’il était d’accord et a estimé « la probabilité que l’intelligence artificielle tue tous les humains au cours de la prochaine décennie à plus de 10 % » ; ce message est la source du « 10 % » qui circule, qu’Euronews a attribué à un chercheur d’Anthropic non nommé et que certaines reprises ont prêté à Coxon [18] [6].
• L’International AI Safety Report 2026, présidé par Yoshua Bengio avec plus de 100 experts désignés par 29 pays, l’ONU, l’OCDE et l’Union européenne, refuse de donner un chiffre : « L’opinion des experts sur la probabilité d’une perte de contrôle varie fortement. Certains experts jugent ces scénarios invraisemblables, d’autres les estiment suffisamment probables pour mériter l’attention en raison de leur gravité potentielle », et il qualifie ce risque de risque « dont la probabilité, la nature et le calendrier restent inhabituellement ambigus » [19].
• Lu comme un risque, dix pour cent n’est pas un chiffre acceptable : aucune compagnie aérienne, aucune usine, aucun réseau n’opérerait avec un taux de défaillance systémique d’un sur dix, et le complément de quatre-vingt-dix pour cent ne l’annule pas ; lu comme une allocation, il dit à une entreprise où chaque nombre doit être rangé.
• Les dix pour cent relèvent de la gouvernance publique : les évaluateurs tiers intégrés, auxquels Amodei a engagé Anthropic unilatéralement [4], le Ban Artificial Superintelligence Act déposé par Bernie Sanders et Greg Casar le 3 septembre [20], et la coordination que l’essai réclame.
• Les quatre-vingt-dix pour cent sont le seul monde sur lequel une PME ou une ETI a prise, et donc son scénario de planification ; tenir les deux séparés est la discipline que ce site décrit pour l’ingénierie des systèmes agentiques sous contrôle humain et pour le développement à décision gardée : le système tourne, l’humain garde les décisions qui comptent.

6. À quoi ressemblent les quatre-vingt-dix pour cent quand le travail est conçu

Les enquêtes de 2026 s’accordent sur le fait que l’IA libère déjà du temps pour du travail à plus forte valeur, et s’accordent tout aussi nettement sur le fait que le soulagement dépend de la façon dont l’organisation conçoit le travail plutôt que de l’outil.

• Le Work Trend Index 2026 de Microsoft, enquête Edelman auprès de 20 000 salariés du savoir dans dix pays dont la France, menée du 18 février au 20 avril, mesure que 66 % des utilisateurs d’IA disent qu’elle leur permet de passer plus de temps sur du travail à forte valeur, 80 % chez les 16 % qu’elle appelle « Frontier Professionals », et que 58 % produisent un travail qu’ils ne pouvaient pas produire un an plus tôt [21].
• La même enquête mesure que les facteurs organisationnels (culture, soutien managérial et pratiques RH) expliquent plus de deux fois l’impact rapporté des facteurs individuels, 67 % contre 32 %, que seuls 13 % des utilisateurs d’IA sont récompensés pour réinventer leur travail, et que seuls 26 % voient une direction clairement alignée sur l’IA [21].
• L’enquête Gallup de février auprès de 23 717 salariés américains trouve que la moitié utilisent désormais l’IA au moins quelques fois par an et 28 % chaque semaine ou plus, que 65 % des salariés des organisations qui ont adopté l’IA disent qu’elle a amélioré leur productivité, et qu’environ un sur dix seulement est tout à fait d’accord pour dire qu’elle a transformé la façon dont le travail se fait, les gains se situant « au niveau des tâches individuelles plutôt que des systèmes de travail plus larges » [22].
• L’Economic Index d’Anthropic de juin 2026, enquête auprès d’utilisateurs de Claude qui surreprésente les fonctions techniques et de management, trouve 86 % de répondants rapportant des gains de vitesse, 82 % de périmètre et 69 % de qualité, la part de ceux qui disent apprendre davantage restant plate même chez les gros délégateurs [23].
• L’article de la Harvard Business Review de mars sur le « brain fry » documente le résultat inverse, une fatigue cognitive quand une personne supervise plusieurs agents autonomes en temps réel, les auteurs notant que « certains modes d’usage de l’IA provoquent une fatigue cognitive, tandis que d’autres peuvent aider à réduire l’épuisement » [24].

Chaque chiffre ci-dessus est une part de répondants, pas un gain de productivité : une enquête où 86 % rapportent un travail plus rapide ne signifie pas que le travail est devenu 86 % plus rapide, et un article qui convertit l’un en l’autre sera repris par le premier lecteur qui vérifie.

Le design qui comble l’écart entre les gains au niveau des tâches que Gallup mesure et le changement de système qu’il ne trouve pas est déjà décrit sur ce site, et c’est le « facteur organisationnel » que Microsoft pèse au double du facteur individuel.

• Décider le matin et laisser les agents exécuter l’après-midi ; parler pour émettre des consignes, lire pour valider des résultats (réduire sa charge mentale grâce à l’IA).
• Piloter les agents comme une équipe, avec des périmètres de délégation explicites, des budgets de jetons et des jalons, plutôt que de surveiller chacun d’eux en temps réel.
• Réserver le jugement humain aux étapes où il change le résultat, et coder l’enchaînement et les contrôles autour d’elles (les processus agentiques en entreprise).

Une frontière plus lente est le socle stable dont une PME avait besoin de toute façon

L’arithmétique du labo et celle de l’entreprise se rejoignent sur un fait : un modèle qui reste au sommet douze mois au lieu de six semaines rapporte plus à l’un et coûte moins à industrialiser à l’autre.

• Pour le labo, une tenure plus longue amortit le coût fixe de développement sur davantage de mois d’inférence vendue au prix du sommet, à des marges supérieures à 80 %, sans payer un run qui ne rapporte pas encore.
• Pour l’entreprise, un modèle stable signifie que les jeux d’évaluation, les invites, les connecteurs et la formation restent valides un an au lieu d’être requalifiés toutes les huit semaines ; épingler le modèle par son identifiant, utiliser les lectures de cache et la tarification par lots quand la charge le permet, et budgéter la migration sur le préavis de 60 jours plutôt que sur le prochain lancement.
• Trois décisions en découlent pour une équipe de direction : ranger les dix pour cent sous la conformité et la gouvernance et bâtir le plan sur les quatre-vingt-dix ; consacrer l’effort interne au design du travail, parce que c’est le facteur que les enquêtes mesurent au double de la bonne volonté individuelle ; et industrialiser sur le socle stabilisé tant qu’il dure, puisque rien dans les engagements des labos ne dit que la cadence restera lente.
• « Favorise » est le bon verbe pour ce que le ralentissement fait au retour sur investissement d’une PME, et « garantit » le mauvais : les entreprises épinglaient déjà leurs modèles avant août, et une cadence plus rapide ne faisait que renchérir le coût de requalification.

La pause est une décision de sécurité qui se trouve être rentable. Les deux lectures sont vraies en même temps, et une entreprise qui planifie sur la seconde en surveillant la première sera mieux placée que celle qui prend l’une ou l’autre pour toute l’histoire.

Réservez l’audit de maturité IA Junyr : une visio gratuite de 30 minutes, sans engagement, pour décider quel processus industrialiser en premier sur un modèle qui restera en place.

---

Par Paul-Antoine TUAL, AI Transformation Leader, Croissance et Transitions, septembre 2026.

Sources

1. OpenAI, message sur X annonçant la suspension de deux semaines de l’entraînement par apprentissage par renforcement, 18 août 2026.
2. Cyber Security News, « OpenAI Pauses AI Training Amid Concerns of New Model Potentially Discovering 0-Day Flaws », 20 août 2026.
3. Ashley Capoot, « OpenAI begins rolling out Astra model after warning of its advanced cyber capabilities », CNBC, 3 septembre 2026.
4. Dario Amodei, « We Must Pace the Frontier », 12 septembre 2026.
5. Mike Wheatley, « Sam Altman and Elon Musk back Dario Amodei’s call to slow down the frontier of AI development », SiliconANGLE, 13 septembre 2026.
6. Una Hajdari, « AI makers step up calls for a slowdown as fears of a rogue takeover grow », Euronews, 14 septembre 2026.
7. The Information, rapporté dans « Anthropic Quietly Raises the Ceiling », GuruFocus via Yahoo Finance, 29 janvier 2026.
8. Senad Karaahmetovic, « Anthropic wants AI to slow down. Its $517 billion spending plan says otherwise », Investing.com, 14 septembre 2026.
9. SaaStr, « Anthropic Just Passed OpenAI in Revenue. While Spending 4x Less to Train Their Models », 7 avril 2026, d’après des documents rapportés par le Wall Street Journal.
10. The Decoder, « OpenAI tripled revenue to $5.7 billion in Q1 but burned through $3.7 billion to get there », 20 juin 2026, d’après The Information.
11. PYMNTS, « OpenAI Ran Through $3.7 Billion in Q1 2026 », 17 juin 2026.
12. Ashley Capoot et Kate Rooney, « OpenAI resets spending expectations, tells investors compute target is around $600 billion by 2030 », CNBC, 20 février 2026.
13. Anthropic, Model deprecations, documentation de la plateforme Claude, lue le 17 septembre 2026.
14. Anthropic, Models overview, documentation de la plateforme Claude, lue le 17 septembre 2026.
15. Anthropic, Pricing, documentation de la plateforme Claude, lue le 17 septembre 2026.
16. Pause IA, « Les IA trop puissantes à poids ouverts devraient être interdites », lettre d’information, 29 août 2026.
17. Harry Booth, « He Helped Build Powerful AI at OpenAI and Anthropic. Now He’s Afraid It Could Kill Us », TIME, 9 septembre 2026.
18. Peter Hall, « AI researcher Jacob Coxon quit, fearing extinction. Security experts see a familiar fight », Scientific American, 11 septembre 2026.
19. Yoshua Bengio et al., International AI Safety Report 2026, DSIT 2026/001, arXiv:2602.21012, 24 février 2026, section 2.2.2.
20. Le Grand Continent, « Bernie Sanders : “Nous devons mettre l’IA en pause. IMMÉDIATEMENT” », 4 septembre 2026.
21. Microsoft WorkLab, 2026 Work Trend Index: Agents, human agency, and the opportunity for every organization, 5 mai 2026.
22. Andy Kemp, « Rising AI Adoption Spurs Workforce Changes », Gallup, 12 avril 2026.
23. Anthropic, Economic Index report: Cadences, 26 juin 2026.
24. Julie Bedard, Matthew Kropp, Megan Hsu, Olivia T. Karaman, Jason Hawes et Gabriella Rosen Kellerman, « When Using AI Leads to “Brain Fry” », Harvard Business Review, 5 mars 2026.