Pendant presque toute l’histoire, la pensée experte a été rare. Vous attendiez des semaines pour voir un spécialiste, vous payiez un avocat à l’heure et un consultant à la journée. Aujourd’hui, n’importe qui avec un téléphone peut interroger un modèle qui répond bien à beaucoup de questions d’expert, à toute heure, gratuitement ou pour environ 20 $ par mois. Quand une chose rare devient bon marché, la valeur passe à ce qui reste rare : l’attention, la confiance, le jugement et les gens.
Le changement touche tous ceux qui vendent ce qu’ils savent : avocats, médecins, enseignants, développeurs. Qui y gagne, qui y perd, et que devient notre propre réflexion ? Je voulais savoir ce que les chercheurs ont vraiment mesuré, pas ce que les gens prédisent.
Cette note rassemble ce que j’ai trouvé. Les chiffres viennent d’Epoch AI, de Stanford, du MIT, de la Banque mondiale, de Microsoft et d’Anthropic, et les liens sont à la fin. Quand une étude est petite ou n’a pas été relue par des pairs, je le dis.
L’expertise se prenait sur rendez-vous
Un expert n’a qu’un nombre limité d’heures, et on ne peut pas les copier. Alors on rationnait l’expertise par le prix et par la liste d’attente.
L’école montre ce que cela coûte. En 1984, le chercheur en éducation Benjamin Bloom a mesuré ce qu’apporte un professeur particulier. L’élève moyen suivi en tête-à-tête faisait mieux que 98 % des élèves d’une classe normale. Il a appelé cela le « problème des 2 sigma » : le résultat était net, mais aucune école ne pouvait payer un professeur particulier pour chaque enfant.
Un modèle change le calcul. Une fois entraîné, il peut tourner sur autant de puces que vous en avez, en même temps, jour et nuit. En juin 2025, Sam Altman, qui dirige OpenAI, a écrit que « le coût de l’intelligence devrait finir par se rapprocher du coût de l’électricité ».
L’histoire invite à la prudence avec ce genre de promesse. En 1954, Lewis Strauss présidait la Commission américaine de l’énergie atomique. Il annonçait une électricité nucléaire « too cheap to meter », trop bon marché pour mériter un compteur. Cela n’est jamais arrivé : nous payons toujours chaque kilowattheure. Pour l’IA, en revanche, pas besoin de croire qui que ce soit sur parole : la baisse des prix est mesurée depuis 2023.
Avant
Sur rendez-vous
Un expert, quelques heures par jour
Payé à l’heure ou à la journée
Un professeur particulier pour les familles qui peuvent payer
maintenant
Maintenant
À la demande
Un modèle, sur autant de puces que vous en avez
Gratuit, ou environ 20 $ par mois
Un tuteur dans chaque téléphone, à toute heure
Bloom, 1984Le tutorat en tête-à-tête battait 98 % d’une classe normale.
Altman, 2025L’intelligence coûtera à peu près le prix de l’électricité.
1954Le nucléaire, « too cheap to meter ». Il ne l’a jamais été.
Dix fois moins cher chaque année
Le prix d’un niveau donné d’IA baisse vite. En février 2025, Altman l’estimait à environ dix fois tous les douze mois. Son exemple : le prix par token a baissé d’environ 150 fois entre GPT-4, début 2023, et GPT-4o, mi-2024. Un token est l’unité dans laquelle les modèles sont facturés, environ trois quarts d’un mot anglais.
Epoch AI, un groupe de recherche qui suit les progrès de l’IA, l’a mesuré plus précisément. Pour un niveau de performance fixe, les prix ont baissé de 9 à 900 fois par an, selon la tâche. Obtenir le score de GPT-4 sur des questions de sciences de niveau doctorat est devenu 40 fois moins cher chaque année. Epoch ajoute que les baisses les plus rapides sont récentes, et qu’elles ne dureront peut-être pas.
Dix fois par an, c’est difficile à se représenter, alors voici le calcul. Une tâche qui coûte 100 € aujourd’hui coûte 10 € l’an prochain et 1 € l’année suivante. Altman compare avec la loi de Moore, le doublement de la puissance des puces tous les 18 mois, qui a façonné l’informatique pendant cinquante ans. Cela fait environ 1,6 fois par an.
Moins cher par réponse ne veut pas dire une facture plus petite. Une équipe du MIT a trouvé que pour les meilleurs modèles, le prix d’un score donné baisse de 5 à 10 fois par an. Mais le prix d’utilisation des modèles les plus récents augmente de 3 à 18 fois par an. Ils sont plus gros et réfléchissent plus longtemps avant de répondre. Les gens passent au modèle le plus récent, donc leur facture peut grossir alors que chaque réponse coûte moins cher.
Ce phénomène a un nom. En 1865, l’économiste William Stanley Jevons l’a remarqué avec le charbon. Les machines à vapeur devenaient plus efficaces, et pourtant la Grande-Bretagne en brûlait davantage, parce que plus d’usages devenaient rentables. En janvier 2025, le laboratoire chinois DeepSeek a sorti un modèle bon marché. Satya Nadella, le PDG de Microsoft, a alors écrit : « Le paradoxe de Jevons frappe encore ! À mesure que l’IA devient plus efficace et accessible, son usage va exploser. »
Aujourd’hui100 €
L’an prochain10 €
L’année suivante1 €
MITFaire tourner les modèles les plus récents coûte 3 à 18 fois plus cher chaque année.
Les débutants y gagnent le plus
Quand l’expertise devient bon marché, ceux qui en ont le moins y gagnent le plus. C’est le résultat le plus encourageant de mes lectures.
Erik Brynjolfsson, Danielle Li et Lindsey Raymond ont étudié 5 179 agents de support client qui ont reçu un assistant d’IA au travail. En moyenne, ils ont résolu 14 % de demandes de plus par heure. Les agents nouveaux ou peu qualifiés en ont résolu 34 % de plus. Les plus expérimentés n’ont presque pas changé. Les auteurs pensent que l’assistant a transmis le savoir-faire des meilleurs agents aux nouveaux.
On voit la même chose à l’école. La Banque mondiale a mené un essai à Benin City, au Nigeria, avec Microsoft Copilot, un assistant construit sur GPT-4. Des élèves du secondaire l’ont utilisé pour l’anglais après les cours, avec leurs professeurs dans la salle, pendant six semaines. Leur progrès valait 1,5 à 2 ans de scolarité normale. C’est moins que les professeurs particuliers de Bloom, mais cela a pris six semaines, sans salaire de professeur particulier à payer.
David Autor, un économiste du MIT qui étudie l’emploi et la technologie, y voit une chance pour la classe moyenne. Il appelle un outil qui travaille avec les gens, au lieu de les remplacer, « un multiplicateur de force pour l’expertise ». Son exemple est la nurse practitioner américaine, proche de notre infirmière en pratique avancée. C’est une infirmière avec une formation en plus, qui fait un travail autrefois réservé aux médecins. L’IA pourrait permettre à plus de gens sans long diplôme de faire un travail expert de ce genre.
NigeriaSix semaines de tutorat par IA après les cours : 1,5 à 2 ans d’école normale.
Autor« Un multiplicateur de force pour l’expertise. »
Le premier échelon vacille
Les outils qui aident les débutants font aussi le travail des débutants. Les données d’embauche vont maintenant dans ce sens.
Brynjolfsson et deux collègues de Stanford suivent les données de paie d’ADP, la plus grande société de paie des États-Unis. Dans les métiers exposés à l’IA, comme le développement logiciel et le service client, ils suivent les 22-25 ans. En juin 2026, leur emploi était 19 % en dessous de ce qu’il serait s’il avait suivi celui des jeunes dans des métiers moins exposés. Les salariés expérimentés des mêmes métiers ne montrent pas cet écart. L’essentiel vient de moins d’embauches, pas de plus de licenciements.
Les auteurs ont vu l’écart pour la première fois en août 2025, et il s’est creusé depuis. Ils restent prudents : d’autres causes, comme les taux d’intérêt, sont encore à l’étude. Mais la baisse apparaît là où l’IA fait le travail, et pas là où elle aide les gens à le faire.
On voit bien le mécanisme dans le logiciel. Les juniors apprenaient sur de petites tâches : un changement de config, un premier test, une correction dans un README. Les agents de code peuvent maintenant prendre ces tâches. On apprend le jugement en faisant de petits travaux et en se trompant sur certains. Alors, qui deviendra le prochain senior ? Une note précédente de ce site parle de PRAISE, un programme de Microsoft construit sur cette question. Il associe chaque junior à un senior dont le travail est de « livrer des seniors ».
- SeniorSalariés expérimentés des mêmes métiers : pas d’écart comparable
- Milieu de carrièreSalariés expérimentés des mêmes métiers : pas d’écart comparable
- Débutants, 22 à 25 ans19 % en dessous de leur niveau attendu, surtout par moins d’embauches
Le paradoxeL’IA aide le plus les débutants, et elle fait le travail des débutants.
Bon marché à l’achat, inégal à l’usage
L’accès est bon marché, mais savoir bien s’en servir n’est pas réparti également. C’est vrai entre pays, et entre personnes.
Anthropic, l’entreprise derrière Claude, publie la façon dont les gens utilisent son modèle. Dans son rapport de septembre 2025, l’usage suit le revenu. Un pays avec 1 % de revenu par habitant en plus utilise Claude environ 0,7 % de plus, compté par personne en âge de travailler. À l’intérieur des États-Unis, le lien est encore plus fort : 1,8 %.
Ensuite, il y a la compétence. Fin 2023, une équipe menée par des chercheurs de Stanford a donné une série de cas cliniques à 50 médecins américains. La moitié pouvait utiliser GPT-4 en plus de ses ressources habituelles, l’autre moitié n’avait que ses ressources habituelles. Les médecins avec GPT-4 ont obtenu 76 %, ceux sans GPT-4 74 % : pas de vraie différence. GPT-4 seul a obtenu 16 points de plus que les médecins sans lui.
Le modèle était là, et il était bon. Les médecins n’en ont pas tiré grand-chose. L’écart qui compte aujourd’hui tient donc à la façon dont on travaille avec le modèle, plus qu’à qui peut l’acheter.
Anthropic1 % de revenu par habitant en plus : environ 0,7 % d’usage de Claude en plus.
Une réflexion qu’on peut sauter
Le risque pour chacun de nous est plus discret : on peut sauter la réflexion et obtenir quand même la réponse.
En 2025, une équipe du MIT Media Lab a demandé à 54 personnes d’écrire des essais sur plusieurs séances. Chaque personne écrivait avec son seul cerveau, avec un moteur de recherche, ou avec ChatGPT. L’équipe a enregistré l’activité cérébrale par EEG, des capteurs posés sur le cuir chevelu. Le groupe « cerveau seul » montrait les réseaux les plus forts, le groupe moteur de recherche venait ensuite, et le groupe ChatGPT montrait les plus faibles. Les utilisateurs de ChatGPT avaient aussi du mal à citer leurs propres essais. L’étude est petite et sortie en prépublication : je la lis comme un signal d’alerte, pas comme une preuve.
Une enquête de Microsoft Research et de l’université Carnegie Mellon va dans le même sens. Elle a interrogé 319 travailleurs du savoir sur 936 tâches réelles faites avec l’IA. Plus les gens faisaient confiance à l’IA, moins ils déclaraient d’esprit critique. Plus ils faisaient confiance à leurs propres compétences, plus ils vérifiaient.
Le même risque vaut pour les équipes qui laissent des agents d’IA écrire du code : elles peuvent livrer plus de changements qu’on ne peut en relire. Deux habitudes décrites dans des notes précédentes aident : relire le plan avant qu’un agent commence, et demander ce que chaque check vert a prouvé. Les deux gardent les décisions du côté des humains.
1Cerveau seul
Les réseaux les plus forts et les plus étendus
2Moteur de recherche
Intermédiaire
3ChatGPT
Les plus faibles, et du mal à citer son propre essai
Microsoft et CMUPlus de confiance dans l’IA, moins d’esprit critique. Plus de confiance en soi, plus de vérifications.
Ce qui reste rare
Quand une chose devient bon marché, la valeur passe à ce dont elle a besoin et qu’elle ne sait pas produire elle-même. En 1971, l’économiste Herbert Simon l’a dit en une phrase : « une abondance d’information crée une pauvreté d’attention ». Voici ce qui, à mon avis, reste rare quand l’intelligence est bon marché.
- L’attention. Les réponses sont gratuites, mais les lire prend votre temps, et personne n’a plus de 24 heures.
- La confiance. Graphite, une société de SEO, estime qu’environ la moitié des nouveaux articles web sont écrits surtout par l’IA. Pourtant, dans un échantillon de 2025, 86 % des articles des deux premières pages de Google étaient écrits par des personnes. Savoir qui a écrit quelque chose, et qui en répond, vaut plus qu’avant.
- Quelqu’un qui signe. Un modèle peut suggérer un diagnostic ou une architecture. Un médecin signe l’ordonnance. Un ingénieur valide l’architecture et en répond quand elle casse.
- Les gens. Dans une étude de quatre semaines du MIT Media Lab et d’OpenAI, 981 personnes ont utilisé un chatbot. Celles qui ont choisi de l’utiliser davantage ont fini par se sentir plus seules et voyaient moins les autres. C’est un lien, pas une preuve : les personnes seules l’utilisent peut-être simplement davantage.
- L’électricité et les puces. La réflexion bon marché tourne sur des centrales électriques et des usines de puces. L’Agence internationale de l’énergie prévoit qu’en 2030, les États-Unis consommeront plus d’électricité pour traiter des données que pour produire l’aluminium, l’acier, le ciment et les produits chimiques réunis.
Pour tous ceux qui vendent ce qu’ils savent, cette liste est la part du métier qui garde sa valeur. C’est l’attention au vrai problème, la confiance des gens pour qui l’on travaille, et un nom qui répond du travail. Le savoir seul coûte moins cher chaque année.
Bon marchéReste rareLe signe
RéponsesL’attention : vos 24 heuresPersonne n’a plus de temps
TexteLa confiance dans qui l’a écritEnviron la moitié des nouveaux articles web sont écrits par l’IA
ConseilQuelqu’un qui signeLe médecin, l’architecte
ConversationLe temps avec les gensPlus de chatbot va avec plus de solitude
RéflexionL’électricité et les pucesLes data centers américains dépassent l’industrie lourde d’ici 2030
Simon, 1971« Une abondance d’information crée une pauvreté d’attention. »
À essayer
Toutes les sources sont ci-dessous, en anglais. Si vous n’en ouvrez qu’une, prenez l’article de Stanford sur les jeunes travailleurs : il est mis à jour quand de nouvelles données de paie arrivent.
- Sam Altman, Three Observations et The Gentle Singularity, 2025.
- Epoch AI, LLM inference prices have fallen rapidly but unequally across tasks, et The Price of Progress, de l’équipe du MIT.
- Brynjolfsson, Li et Raymond, Generative AI at Work, et Brynjolfsson, Chandar et Chen, Canaries in the Coal Mine?
- La Banque mondiale, From Chalkboards to Chatbots, et Goh et ses coauteurs, Large Language Model Influence on Diagnostic Reasoning.
- Anthropic, la géographie de l’usage de l’IA.
- Kosmyna et ses coauteurs, Your Brain on ChatGPT, et Lee et ses coauteurs, The Impact of Generative AI on Critical Thinking.
- Ma note sur le côté prix, l’intelligence au robinet, d’après Garry Tan et Mark Pincus.
Choisissez ensuite une chose pour laquelle vous avez payé un expert cette année : un courrier d’avocat, une question d’impôts, une revue de code. Posez d’abord la question à un modèle. Notez ce pour quoi vous avez encore eu besoin d’une personne. C’est votre propre liste de ce qui reste rare. Si vous essayez, dites-moi ce qu’il y avait sur la vôtre.
Texte brut: abundance-of-intelligence.md · Flux Atom · Toutes les notes