Cette semaine, Sam Altman, PDG d'OpenAI, a lancé une analogie lors du sommet américain sur les infrastructures de BlackRock : "L'avenir que nous voyons, c'est que l'intelligence deviendra un service public comme l'électricité ou l'eau, et que les gens nous l'achèteront à la quantité."
Cette idée en elle-même n'est pas nouvelle. Le concept de "l'IA en tant que service public" remonte au moins à une décennie. Mais cette fois, la formulation d'Altman a un sujet et une direction clairs : "nous l'achèteront à la quantité". Concrètement, il s'agit de facturer au token, d'acheter de l'intelligence auprès d'OpenAI.
À peine ces mots prononcés, une vague de critiques s'est rapidement formée sur des plateformes comme Reddit et X. Un commentaire largement partagé déclarait : "Ils ont nourri leurs modèles avec nos vies et notre créativité, ont piétiné les lois sur le droit d'auteur, et maintenant ils veulent nous revendre ces choses sous forme de service public."
Lancer un grand récit destiné aux marchés financiers, déclencher un questionnement éthique venant de la communauté des créateurs. Cet article ne juge pas les motivations de l'orateur, ni ne prédit l'issue des poursuites judiciaires. L'intérêt central ici est de savoir si cette métaphore du "service public" tient la route logiquement, éthiquement et commercialement. Déconstruire cette métaphore peut nous aider à voir les contradictions profondes en train de se jouer dans l'industrie de l'IA.
Déconstruction d'un récit : pourquoi le "service public"
Pour comprendre l'intention derrière cette métaphore, il faut revenir au contexte de la déclaration d'Altman.
Selon le reportage de Business Insider et la transcription de la réunion par Rev, le point de départ de cette prise de position d'Altman n'était pas le lancement d'un produit ou une feuille de route technologique, mais un avertissement sur un "goulot d'étranglement de la puissance de calcul". Il a clairement déclaré lors du sommet que sans la construction d'infrastructures de calcul suffisantes dès maintenant, trois résultats pourraient advenir : une pénurie de services d'IA entraînant une flambée des prix, seuls les riches pourraient se les offrir, ou le gouvernement serait obligé d'intervenir pour les distribuer.
En d'autres termes, la métaphore du "service public" est d'abord un récit pour les investisseurs en infrastructures, pas un modèle de tarification pour les utilisateurs finaux.
Habiller l'IA en eau et électricité a une logique commerciale claire. L'eau et l'électricité sont des secteurs à actifs lourds, cycles longs et flux de trésorerie stables, naturellement adaptés à la structure capitalistique des fonds de pension et d'infrastructure. Lorsqu'OpenAI doit convaincre des géants de la gestion d'actifs comme BlackRock de financer des projets de centres de données à hauteur de milliers de milliards de dollars, "l'IA en tant que service public" passe plus facilement devant un comité d'investissement que "l'IA en tant que produit technologique".
Ce jugement n'est pas une spéculation. Greg Brockman, président d'OpenAI, a mentionné que la société aurait besoin d'engagements d'investissement d'environ 1,4 billion de dollars sur les huit prochaines années pour les centres de données. Bien que la structure précise de ce chiffre et ses progrès de mise en œuvre restent à vérifier, cela suffit à illustrer que le "service public" dont parle Altman s'adresse d'abord au marché des capitaux, pas aux utilisateurs finaux.
"Développement incrémental" ou "restructuration du stock existant"
La colère des critiques se concentre sur une différence fondamentale que la métaphore du "service public" masque.
L'eau et l'électricité sont des "développements incrémentaux". Les humains construisent des barrages, posent des canalisations, érigent des réseaux électriques, créant ainsi une capacité d'approvisionnement qui n'existait pas à l'origine dans la nature. L'investissement sert à construire de nouveaux actifs physiques, qui ne dépendent d'aucun travail préexistant d'autrui.
L'entraînement des modèles d'IA est une "restructuration du stock existant". Les données d'entraînement des modèles de la série GPT proviennent d'un crawl à grande échelle du contenu public du web, couvrant des livres, articles, créations artistiques, posts de forums, dépôts de code, et même les enregistrements de conversations privées des utilisateurs sur les réseaux sociaux. C'est l'accumulation de décennies de créations humaines, dont la grande majorité a été utilisée sans l'autorisation des créateurs et sans aucun paiement de droits d'auteur.
Un auteur sur Medium écrit : "Ils tentent de comprimer des décennies de création collective humaine en une marchandise, puis de la reprixer au nom du service public, pour la revendre au token aux personnes qui ont fourni gratuitement la matière première."
Ce n'est pas une éruption émotionnelle, mais une identification précise d'une logique de propriété. La "matière première" des entreprises de services publics comme l'eau et l'électricité est soit auto-construite (barrage pour l'eau), soit achetée au prix du marché (charbon, gaz). Alors que la "matière première" acquise par les entreprises d'IA lors de la phase d'entraînement se situe, sur le plan juridique, dans la zone grise de l'"utilisation équitable" (Fair Use), et sur le plan commercial, n'a engendré aucun transfert de coût.
Ce modèle d'"acquisition gratuite, vente payante" fait que le "service public" aux yeux des critiques ressemble davantage à une "enclosure des terres communes" : s'approprier d'abord les ressources du domaine public, ériger une clôture, puis facturer un droit d'entrée aux utilisateurs d'origine.
La facturation au token et la distance avec le service universel
Même en mettant de côté la controverse sur la provenance des données, "l'IA en tant que service public" est difficile à justifier sur le plan des mécanismes de tarification.
Les véritables services publics, comme l'eau, l'électricité, le gaz, ont dans la plupart des économies l'obligation de "service universel" (Universal Service). Les autorités de régulation gouvernementales leur demandent de garantir l'approvisionnement de base pour la vie quotidienne, et leurs mécanismes de tarification sont généralement basés sur le "coût majoré", avec des marges bénéficiaires strictement encadrées. Le prix de l'électricité pour les particuliers ne varie pas selon que vous l'utilisez pour allumer une ampoule ou faire fonctionner un serveur.
La tarification au token de l'IA est complètement différente. Selon les données de surveillance des coûts de l'IA en entreprise de KongHQ et l'analyse d'Artefact, le prix absolu par token a baissé d'environ 75% au cours de la dernière année, mais les dépenses réelles des entreprises en IA n'ont pas baissé, elles ont augmenté, car la croissance de l'utilisation a dépassé de loin la baisse des prix. Ce modèle "prix unitaire en baisse, coût total en hausse" est appelé "l'illusion du coût du token".
La différence structurelle des frais au token est encore plus révélatrice. Le prix d'un token de sortie est généralement 3 à 10 fois supérieur à celui d'un token d'entrée. Pour la même quantité d'information, le coût pour que l'IA "lise" est bien inférieur au coût pour qu'elle "écrive". Si vous soumettez un document à une IA pour un résumé, la phase d'entrée est quasiment gratuite, mais chaque mot généré dans le résumé se situe dans une zone à tarif élevé.
La logique de tarification du réseau électrique public est : l'électricité elle-même est homogène, 1 kWh coûte le même prix qu'il alimente un réfrigérateur ou un serveur. La logique de tarification au token de l'IA est : le service lui-même est découpé en écarts de prix énormes, et ces écarts sont définis unilatéralement par le fournisseur.
Autrement dit, ce n'est pas une tarification de service public, c'est une tarification discriminatoire basée sur le volume d'utilisation. Elle n'a pas pour but de permettre à chacun d'accéder à l'intelligence, mais d'extraire un chiffre d'affaires maximal de la consommation d'intelligence.
Le rempart de "l'utilisation équitable" se fissure
Si la voix des critiques est forte, sur le plan juridique, la position des entreprises d'IA concernant les données d'entraînement n'est pas aussi fragile qu'elle n'y paraît.
Selon le rapport "Tendances de l'IA 2026" publié par le cabinet d'avocats Morrison & Foerster et le suivi des litiges sur le droit d'auteur en IA par Norton Rose Fulbright, les tribunaux américains ont actuellement tendance à considérer que l'entraînement de modèles d'IA généraux est "hautement transformateur", ce qui facilite la satisfaction des critères légaux de "l'utilisation équitable" (Fair Use). Le jugement par lequel Anthropic a réussi à convaincre un tribunal de rejeter une action en justice pour violation du droit d'auteur à la mi-2025, bien que les détails restent à vérifier, est devenu une source importante de confiance pour l'industrie de l'IA.
Cependant, ce rempart juridique est progressivement érodé sur le plan de la logique commerciale par les propres actions de l'industrie de l'IA.
Une analyse de TechPolicy.press souligne qu'avec le début d'achats à grande échelle de données d'entraînement sous licence par les entreprises d'IA, comme les accords conclus par OpenAI avec Reddit, News Corp, etc., la défense du "crawl gratuit comme utilisation équitable" s'affaiblit de manière contradictoire. Si les données d'entraînement peuvent réellement faire l'objet d'une "utilisation équitable" sans distinction, pourquoi dépenser des sommes importantes pour acheter des licences auprès de sources spécifiques ? Si les détenteurs de données n'ont effectivement aucun droit à faire valoir, quelle est la base juridique de ces accords de licence ?
L'acte d'achat en lui-même constitue une négation commerciale du postulat de "gratuité de la matière première".
Revenant à la théorie de l'"eau et électricité" d'Altman, cette contradiction devient encore plus aiguë. Les entreprises d'eau et d'électricité, lors de la construction de leurs infrastructures, ne sont pas confrontées à la question collective de savoir si "l'acquisition de votre source d'eau est légale". Alors que les entreprises d'IA, en se proclamant le service public de la prochaine génération, n'ont toujours pas de réponse convaincante à la question "d'où vient votre matière première ?".
L'infrastructure doit résoudre un problème de distribution
La théorie de l'"eau et électricité" d'Altman saisit une tendance réelle du développement de l'IA. Les grands modèles sont en train de passer du statut de produit de laboratoire à celui de capacité fondamentale, intégrés dans les moteurs de recherche, les logiciels de bureau, les outils de design, voire les processus industriels. Quand l'IA est omniprésente, elle se rapproche effectivement, en termes de fonction, d'une "infrastructure".
Mais à l'étape actuelle de son évolution, cette métaphore présente trois fissures qui ne peuvent être ignorées.
Premièrement, la fissure de la propriété. L'eau et l'électricité créent de l'incrémental, l'IA restructure l'existant. La restructuration a elle-même de la valeur, mais son postulat est que "le stock existant peut être utilisé gratuitement", un postulat qui n'a obtenu de consensus ni moralement, ni juridiquement de manière définitive.
Deuxièmement, la fissure de la tarification. Le "service universel" des services publics implique de faibles marges et une tarification non discriminatoire, tandis que la tarification au token est marchande, stratifiée, et définie unilatéralement par le fournisseur. Les deux ont peu d'intersection sur le plan de la logique commerciale.
Troisièmement, la fissure de la gouvernance. Le secteur de l'eau et de l'électricité dispose d'autorités de régulation indépendantes, d'une comptabilisation transparente des coûts et de mécanismes d'audiences publiques sur les prix. Le secteur de l'IA manque actuellement de tout cadre de gouvernance publique, les règles de "facturation à l'usage" étant établies par une poignée d'entreprises.
Pour l'utilisateur ordinaire, la tendance de l'IA à la facturation à l'usage ne changera pas à court terme. Les bénéfices de la baisse des prix du token se poursuivent, mais le "volume d'utilisation augmente sans cesse" compensera également ces bénéfices. Il est conseillé, lors du choix d'un outil d'IA, de ne pas se focaliser uniquement sur le prix unitaire, mais aussi d'évaluer la tendance d'évolution de son propre volume d'utilisation réel.
Pour les développeurs et les clients professionnels, la maîtrise des coûts dans les scénarios à forte consommation de tokens comme la génération de code ou l'analyse de textes longs mérite plus d'attention que le prix unitaire. Dépendre du système de tarification au token d'un seul fournisseur signifie que la structure des coûts est entièrement à sa merci.
Pour les créateurs, la propagation du récit de "l'IA service public" est en soi un signal : la probabilité que vos œuvres soient utilisées pour l'entraînement augmente, et les mécanismes pour en tirer une rémunération n'existent pas encore. L'infrastructure de l'industrie ne devrait pas se contenter de transformer les entreprises de modèles en la prochaine compagnie d'électricité, elle devrait également inclure l'établissement de mécanismes raisonnables et traçables de distribution des revenus liés aux données.
Le fait actuel est le suivant : l'IA est en train de devenir une infrastructure, mais pas encore un service public. Ce dernier titre nécessite plus pour le soutenir, pas seulement l'échelle de la puissance de calcul et la facturation au token.
