TL;DR : Oui, mais la question telle qu’on la pose est la mauvaise. Qu’un produit bâti sur le modèle d’un autre soit une affaire viable se joue presque entièrement sur deux nombres qui n’ont rien à voir avec la finesse du produit : quel palier de modèle il appelle, et à quel point ses plus gros utilisateurs sont gros. Aux tarifs publiés d’août 2026, une tâche réaliste coûte 0,52 dollar pour mille sur le palier le moins cher qui tienne la route, et 40,00 dollars pour mille sur le palier supérieur, un écart de 77 fois à l’intérieur du même marché. Sur un forfait mensuel à 20 dollars, c’est la différence entre 92% de marge brute et moins 140%. Deux autres constats vont contre l’idée reçue. D’abord, les prix ne s’effondrent pas uniformément : le palier phare d’un fournisseur a baissé de 67% pendant que son palier le moins cher montait de 25%, et un changement de tokenizer documenté par ce même fournisseur signifie environ 30% de jetons en plus pour le même texte, ce qui ramène une remise annoncée de 33% à 13% sur le palier de travail. Ensuite, la demande fait l’inverse de ce que suppose la moquerie : dans l’étude d’entreprise du MIT de 2025, les outils achetés à l’extérieur atteignaient le déploiement environ 67% du temps contre environ 33% pour les développements internes. Les acheteurs ne cherchent pas à éviter votre wrapper. Ils cherchent à éviter de le construire eux-mêmes.
L’insulte est arrivée avant l’analyse. Traitez un produit de wrapper et la conversation est close, ce qui est commode, car le mot n’a jamais rien signifié de précis. Toute entreprise logicielle repose sur une infrastructure qui ne lui appartient pas. La question n’a jamais été de savoir si vous enveloppez quelque chose. Elle est de savoir si ce que vous ajoutez vaut plus que ce qu’il vous coûte, et cela relève de l’arithmétique.
Faisons donc l’arithmétique, avec des prix publiés, puis regardons ce que les acheteurs ont réellement fait.
Ce que le palier de modèle vous coûte, dans la seule unité qui compte
Les prix des jetons sont annoncés par million de jetons, une unité dans laquelle aucune entreprise ne fonctionne. Les entreprises fonctionnent en tâches : une action utilisateur qui déclenche un appel de modèle significatif.
Définissons une tâche comme 4 000 jetons en entrée et 800 en sortie. C’est un prompt système, un document ou un extrait de conversation, et une réponse substantielle. Ce n’est ni la forme la moins chère ni la plus chère de l’usage réel, et cela permet de comparer les paliers sur une même base.
Le premier tableau est vérifié sur les pages tarifaires publiées par les fournisseurs eux-mêmes, au mois d’août 2026. Les deuxième et troisième colonnes du second tableau sont dérivées par nous.
| Modèle | Entrée, par million de jetons | Sortie, par million de jetons |
|---|---|---|
| GPT-5 nano | 0,05 $ | 0,40 $ |
| GPT-4.1 nano | 0,10 $ | 0,40 $ |
| GPT-4o mini | 0,15 $ | 0,60 $ |
| GPT-5 mini | 0,25 $ | 2,00 $ |
| Claude Haiku 4.5 | 1,00 $ | 5,00 $ |
| GPT-5 | 1,25 $ | 10,00 $ |
| Claude Sonnet 5 | 2,00 $ | 10,00 $ |
| GPT-4.1 | 2,00 $ | 8,00 $ |
| GPT-4o | 2,50 $ | 10,00 $ |
| Claude Opus 5 | 5,00 $ | 25,00 $ |
| GPT-5.5 | 5,00 $ | 30,00 $ |
Voici maintenant ces mêmes prix exprimés comme ce qu’un propriétaire de produit paie réellement. Le coût par tâche est dérivé : jetons d’entrée fois tarif d’entrée plus jetons de sortie fois tarif de sortie, à 4 000 et 800 jetons.
| Palier | Coût par tâche | Coût pour 1 000 tâches | Coût mensuel, utilisateur à 300 tâches | Coût mensuel, utilisateur à 3 000 tâches |
|---|---|---|---|---|
| GPT-5 nano | 0,00052 $ | 0,52 $ | 0,16 $ | 1,56 $ |
| GPT-5 mini | 0,00260 $ | 2,60 $ | 0,78 $ | 7,80 $ |
| Claude Haiku 4.5 | 0,00800 $ | 8,00 $ | 2,40 $ | 24,00 $ |
| GPT-5 | 0,01300 $ | 13,00 $ | 3,90 $ | 39,00 $ |
| Claude Sonnet 5 | 0,01600 $ | 16,00 $ | 4,80 $ | 48,00 $ |
| Claude Opus 5 | 0,04000 $ | 40,00 $ | 12,00 $ | 120,00 $ |
L’écart entre la ligne la moins chère et la plus chère est de 77 fois. Il s’agit d’un calcul éditorial CEOtudent à partir de tarifs publiés, et les hypothèses sont énoncées pour que vous puissiez y substituer les vôtres : changez la forme de la tâche et tous les nombres bougent, mais le rapport entre les paliers, presque pas.
Le tableau de marge qui décide si vous avez une affaire
Confrontez ces coûts au prix logiciel grand public le plus répandu au monde, un abonnement mensuel à 20 dollars, et l’image cesse d’être abstraite. La marge brute est ici le revenu moins le seul coût d’inférence, avant hébergement, traitement des paiements, support et temps de la fondatrice.
| Palier | Marge brute, 300 tâches/mois | Marge brute, 3 000 tâches/mois |
|---|---|---|
| GPT-5 nano | 99,2% | 92,2% |
| GPT-5 mini | 96,1% | 61,0% |
| Claude Haiku 4.5 | 88,0% | moins 20,0% |
| GPT-5 | 80,5% | moins 95,0% |
| Claude Sonnet 5 | 76,0% | moins 140,0% |
| Claude Opus 5 | 40,0% | moins 500,0% |
Lisez attentivement la colonne de droite, car elle contient le vrai mode de défaillance des deux dernières années de petits produits IA. Rien là-dedans ne tient au fait d’être un wrapper. Cela tient à la rencontre d’un tarif forfaitaire et d’une distribution d’usage à longue traîne. Un produit où les 5% d’utilisateurs les plus actifs génèrent dix fois la charge médiane paraîtra sain en moyenne et perdra de l’argent sur les clients qui l’aiment le plus.
Trois conséquences en découlent, et elles constituent toute la stratégie.
Le choix du modèle est une décision de prix, pas d’ingénierie. Déplacer une charge de Sonnet 5 vers GPT-5 mini réduit le coût par tâche d’environ 84%, et si la tâche est de la classification, de l’extraction, de l’aiguillage ou du résumé vers un gabarit, la différence de qualité au point d’usage est souvent invisible pour le client. Les fondateurs se tournent vers le palier supérieur par confort, puis découvrent que ce confort coûte 6,2 fois la facture d’inférence pour le même travail.
Le tarif forfaitaire a besoin d’un plafond. Pas d’un plafond hostile. Une enveloppe incluse généreuse avec un dépassement transparent, ou une limite ferme assortie d’un chemin de montée en gamme, transforme la traîne d’un risque existentiel en ligne de revenu.
Le cache et le traitement par lots sont de la marge, pas de l’optimisation. Côté Anthropic, une lecture en cache est facturée 0,1 fois le tarif d’entrée de base et le traitement par lots offre 50% de remise sur l’entrée comme sur la sortie. Pour un produit dont un grand prompt système stable est appelé de façon répétée, ce n’est pas une erreur d’arrondi, c’est la différence entre deux des lignes ci-dessus.
La courbe des prix ne fait pas ce que tout le monde dit
L’argument standard est le suivant : les coûts d’inférence s’effondrent, donc les marges des wrappers s’élargissent automatiquement, donc construisez maintenant. L’AI Index de Stanford HAI soutient la prémisse au niveau historique, en rapportant que le coût d’inférence pour une performance de niveau GPT-3.5 a chuté d’un facteur de plus de 280 entre fin 2022 et fin 2024.
Mais c’est un énoncé sur le prix décroissant de la capacité d’hier, pas sur le prix de la frontière. Comparez des générations successives à l’intérieur de la liste de prix publiée d’un seul fournisseur, et l’image est nettement moins nette. Les colonnes de pourcentage ci-dessous sont dérivées par nous des tarifs publiés.
| Passage | Variation du prix d’entrée | Variation du prix de sortie | Ce que cela montre |
|---|---|---|---|
| Claude Opus 4.1 vers Opus 5 | de 15,00 $ à 5,00 $, baisse de 66,7% | de 75,00 $ à 25,00 $, baisse de 66,7% | Le palier phare a été fortement repositionné à la baisse |
| Claude Sonnet 4.6 vers Sonnet 5 | de 3,00 $ à 2,00 $, baisse de 33,3% | de 15,00 $ à 10,00 $, baisse de 33,3% | Le palier de travail a baissé d’un tiers |
| Claude Haiku 3.5 vers Haiku 4.5 | de 0,80 $ à 1,00 $, hausse de 25,0% | de 4,00 $ à 5,00 $, hausse de 25,0% | Le palier bon marché est devenu plus cher, pas moins |
| GPT-4o vers GPT-5 | de 2,50 $ à 1,25 $, baisse de 50,0% | de 10,00 $ à 10,00 $, inchangé | Entrée divisée par deux, sortie stable |
| GPT-4o mini vers GPT-5 nano | de 0,15 $ à 0,05 $, baisse de 66,7% | de 0,60 $ à 0,40 $, baisse de 33,3% | Le plancher a continué de descendre |
| GPT-5 vers GPT-5.5 | de 1,25 $ à 5,00 $, hausse de 300,0% | de 10,00 $ à 30,00 $, hausse de 200,0% | Les nouveaux paliers de pointe sont tarifés au-dessus du précédent produit phare |
Deux de ces lignes pointent vers le haut. Qui bâtit une affaire sur l’hypothèse que son coût d’entrée baisse chaque année bâtit sur une moyenne qui contient ses propres contre-exemples.
Il y a ensuite une note de bas de page que la plupart des modèles de coût n’ouvrent jamais. La documentation tarifaire d’Anthropic indique que Claude 4.7 et les modèles ultérieurs utilisent un tokenizer plus récent qui produit environ 30% de jetons en plus pour le même texte. Cela compte, car vous êtes facturé au jeton mais vous livrez des caractères. En appliquant le chiffre approximatif du fournisseur aux deux passages ci-dessus, la remise change sensiblement.
| Passage | Baisse annoncée par jeton | Ajusté pour environ 30% de jetons en plus | Baisse réelle sur le même texte |
|---|---|---|---|
| Opus 4.1 vers Opus 5, entrée | 66,7% | 5,00 $ fois 1,3 égale 6,50 $ effectifs, contre 15,00 $ | 56,7% |
| Sonnet 4.6 vers Sonnet 5, entrée | 33,3% | 2,00 $ fois 1,3 égale 2,60 $ effectifs, contre 3,00 $ | 13,3% |
La réserve honnête est que le fournisseur qualifie ces 30% d’approximatifs et dépendants de la charge de travail : traitez donc ceci comme une illustration de la direction plutôt que comme un chiffre précis pour votre cas. Mais la direction est le sujet : sur les 33,3% de remise annoncée pour Sonnet, 13,3 points survivent au contact du tokenizer et 20 points non. Si votre économie unitaire dépend d’une baisse annoncée, mesurez vos propres comptes de jetons avant et après une migration de modèle plutôt que de croire le communiqué.
Le constat côté demande qui contredit tout le genre
Tout ce qui précède est côté offre. La preuve la plus intéressante porte sur ce que les acheteurs ont fait, et elle va à l’inverse du mépris pour les wrappers.
L’initiative NANDA du MIT a publié The GenAI Divide: State of AI in Business 2025, construit à partir de 52 entretiens structurés, d’une enquête auprès de 153 dirigeants et d’une analyse systématique de plus de 300 initiatives IA rendues publiques. Son constat de une a beaucoup voyagé : environ 95% des organisations n’obtenaient aucun retour de leurs pilotes d’IA générative.
Le constat qui n’a pas voyagé est celui qui compte si vous décidez quoi construire. Dans leur échantillon, les partenariats externes reposant sur des outils personnalisés et capables d’apprendre atteignaient le déploiement environ 67% du temps, contre environ 33% pour les outils développés en interne. Le rapport précise explicitement qu’il s’agit de résultats auto-déclarés pouvant ne pas tenir compte de toutes les variables confondantes, et l’échantillon est assez petit pour qu’on traite cela comme un signal fort plutôt que comme une mesure. Mais la direction était constante d’un interlocuteur à l’autre, et elle dit quelque chose de sans ambiguïté : les entreprises qui ont voulu sauter le fournisseur et construire elles-mêmes ont échoué environ deux fois plus souvent.
Le rapport est tout aussi précis sur ce que les acheteurs payaient. Les dirigeants voulaient des systèmes qui apprennent du retour d’expérience, mentionné par 66% d’entre eux, et qui retiennent le contexte, exigé par 63%. Les organisations qui réussissaient travaillaient avec des fournisseurs résolvant l’apprentissage, la mémoire et l’adaptation au flux de travail. Celles qui échouaient, selon les termes du rapport, construisaient soit des outils génériques, soit tentaient de développer les capacités en interne.
Lisez ces deux phrases ensemble et la consigne stratégique n’a rien de subtil. Le générique est ce qui échoue. Le construire soi-même est l’autre chose qui échoue. Un produit externe étroit qui accumule du contexte sur un flux de travail, voilà la forme qui a fonctionné.
Un dernier chiffre mérite d’être retenu. La même étude a trouvé qu’environ 70% de l’allocation des budgets IA allait aux ventes et au marketing, tout en notant de meilleurs retours dans les opérations et la finance. Si vous choisissez une tête de pont, l’extrémité encombrée du marché est celle que tout le monde finance et l’extrémité mal servie est celle qui rembourse.
Le marché où se trouvent ces acheteurs n’est pas petit et ne rétrécit pas. L’AI Index 2026 situe l’adoption organisationnelle de l’IA à 88% des organisations interrogées, avec de l’IA générative utilisée dans au moins une fonction métier chez 70% d’entre elles, et rapporte un investissement mondial des entreprises dans l’IA de 581,7 milliards de dollars en 2025, en hausse de 130% sur un an. Cette combinaison, une adoption quasi universelle à côté d’un taux d’échec des pilotes de 95%, est la vraie description du marché : un nombre énorme d’organisations ont décidé qu’elles devaient faire cela et n’ont pas encore trouvé ce qui marche. Cet écart est l’opportunité produit, et c’est une demande pour quelque chose de précis, pas pour un assistant généraliste de plus.
Le score de durabilité du wrapper
La question utile n’est pas de savoir si un produit est un wrapper mais combien de temps il survit au contact de trois forces : le modèle qui absorbe sa fonction, un concurrent qui le clone en un week-end, et sa propre économie unitaire. La grille suivante est un cadre éditorial CEOtudent. Notez chaque facteur 0, 1 ou 2 et faites le total.
| Facteur | 0 point | 1 point | 2 points |
|---|---|---|---|
| Boucle de données propriétaire | Le produit ne sait rien aujourd’hui qu’il ne savait à l’inscription | Accumule un historique utilisateur qui améliore la sortie au sein d’un compte | Accumule un corpus entre comptes qu’aucun nouvel entrant ne peut reproduire |
| Profondeur du flux de travail | Un champ de texte et un bouton | S’intègre à un système où l’utilisateur vit déjà | Siège dans un processus, conserve l’état, et fait référence pour une étape |
| Distance d’absorption | La fonction centrale est un prompt que le modèle pourrait livrer par défaut | Ajoute orchestration, évaluation ou garde-fous absents d’une interface de conversation | Dépend de permissions, d’intégrations ou de conformité qu’un assistant généraliste n’obtiendra pas |
| Marge de manoeuvre unitaire | Palier de pointe, prix forfaitaire, aucun plafond | Palier intermédiaire avec cache, ou tarification liée à l’usage | Palier bon marché suffisant pour la tâche, ou tarification qui suit l’usage |
| Distribution non payante | La découverte passe entièrement par la publicité ou l’attention du lancement | Une audience détenue ou une fiche sur une place de marché d’intégrations | Intégré là où se prend la décision d’achat, ou recommandé par le propriétaire du flux |
| Coût de changement | Résilier et ne rien perdre | Perdre réglages enregistrés et historique | Perdre données accumulées, intégrations et processus d’équipe |
Interprétation, et c’est notre jugement plutôt qu’un seuil mesuré : 9 et plus décrit un produit qui a devant lui une année défendable. De 5 à 8 décrit une vraie affaire qui doit continuer d’avancer, ce qui est le cas de la plupart des logiciels. En dessous de 5, on décrit une fonctionnalité qui loue du temps jusqu’à ce que quelqu’un la livre par défaut, et le bon geste n’est généralement pas d’abandonner mais de consacrer le trimestre suivant à transformer un zéro en deux.
La ligne au levier le plus fort est la première. Une boucle de données propriétaire est ce que décrivaient les acheteurs du MIT quand 66% d’entre eux réclamaient des systèmes qui apprennent du retour d’expérience, et c’est le seul facteur de la liste qu’un concurrent bien financé ne peut pas acheter le jour où il le décide.
Ce qu’il ne faut pas construire en 2026
Trois formes ont un mauvais bilan et une perspective pire encore.
L’utilitaire à prompt unique. Un produit dont toute la fonction est une instruction plus un champ de texte plus joli concurrence directement un réglage par défaut. Il n’a pas non plus de boucle propriétaire, ce qui signifie que chaque journée d’exploitation le laisse exactement aussi défendable qu’au premier jour.
L’agent non tarifé. Les produits agentiques multiplient la consommation de jetons par le nombre d’étapes d’une boucle, ce qui fait passer la colonne de droite de notre tableau de marges d’un risque de queue au cas de base. Si une seule requête utilisateur peut déclencher cinquante appels de modèle, un prix mensuel forfaitaire n’est pas un modèle tarifaire, c’est un pari sur un faible engagement.
L’assistant généraliste pour tous. C’est la position que les données du MIT décrivent comme générique, et elle concurrence les produits grand public gratuits qui dominent l’usage ponctuel. L’étroit bat le large ici, et ce n’est pas serré.
Pour les décisions voisines traitées ailleurs : la question de la structure tarifaire dans notre comparaison de l’entreprise mono-produit face à un empilement de revenus, le problème du démarrage dans le problème du démarrage à froid des produits numériques, la méthode de fixation des prix dans la tarification des produits numériques à l’ère de l’IA, et la réalité de l’entretien de tout ce qui se vend comme automatique dans le mythe du revenu passif. Le tableau de revenus plus large se trouve dans l’économie des revenus complémentaires IA et ce que montrent les données.
Alors, peut-on encore en bâtir un
Oui, à des conditions désormais assez précises pour être vérifiées avant d’écrire du code.
Choisissez une tâche que le palier le moins cher qui tienne la route sait faire, car ce choix vaut jusqu’à 77 fois en coût et décide de votre marge avant toute autre chose. Tarifez de sorte qu’un usage intensif augmente le revenu et pas seulement le coût. Choisissez un flux de travail assez étroit pour que le contexte s’accumule en quelque chose qu’un assistant généraliste n’aura pas. Vendez à un acheteur qui a déjà découvert que le construire en interne échoue environ deux fois sur trois. Et mesurez vos propres comptes de jetons lors d’une migration de modèle plutôt que de croire une remise annoncée.
Ce n’est ni une stratégie de wrapper ni une stratégie anti-wrapper. C’est la même discipline qui faisait fonctionner les entreprises logicielles avant tout cela, appliquée à une structure de coûts réellement nouvelle, et elle est à la portée d’une personne seule sans financement, avec un mois de soirées devant elle.
Questions fréquentes
Une activité de wrapper est-elle intrinsèquement moins défendable qu’un logiciel classique ?
Pas intrinsèquement, mais sa version par défaut l’est. Le logiciel classique tourne lui aussi sur une infrastructure qui ne lui appartient pas. La différence est qu’un produit IA mince n’a souvent aucun actif qui s’accumule, donc il ne devient pas plus difficile à déloger avec le temps. La première ligne de notre grille est le remède, et elle est accessible à tout produit qui commence à stocker ce qu’il apprend.
Que se passe-t-il si le fournisseur du modèle livre ma fonctionnalité ?
C’est un risque réel et il se concentre sur une ligne de la grille. Les fonctionnalités qui sont à un prompt d’un réglage par défaut se font absorber. Les produits qui dépendent de permissions, d’intégrations, de frontières de conformité ou de données clients accumulées ne le sont pas, car un assistant généraliste devrait acquérir ces relations un client à la fois.
Dois-je utiliser le modèle le moins cher pour tout ?
Non. Utilisez le modèle le moins cher qui passe votre propre évaluation sur votre propre tâche, ce qui, pour la classification, l’extraction et l’écriture sur gabarit, se situe souvent très en dessous de la frontière. Aiguillez vers un palier plus fort la petite part des requêtes qui exigent vraiment du raisonnement. L’aiguillage mixte est la raison pour laquelle le tableau du coût par tâche compte : il permet de tarifer la décision d’aiguillage au lieu de la deviner.
Le chiffre de 95% d’échec du rapport du MIT est-il une raison de ne pas construire ?
C’est une raison d’être attentif à ce que vous en retirez. Les 95% décrivent des pilotes d’entreprise n’ayant pas produit d’effet mesurable sur le compte de résultat, à partir d’un échantillon de 52 entretiens et 153 réponses d’enquête, ce qui est une base réduite. Le constat le plus actionnable du même rapport est l’écart de 67% contre 33% entre outils achetés et outils construits en interne, qui est un argument pour être le fournisseur, pas contre le fait de construire.
Le cache de prompt peut-il vraiment changer les chiffres ?
Sur la grille tarifaire d’Anthropic, une lecture en cache coûte 0,1 fois le tarif d’entrée de base. Pour notre tâche d’exemple, où 4 000 des 4 800 jetons sont en entrée et où une bonne part d’un prompt système réel reste stable d’un appel à l’autre, déplacer l’essentiel des jetons d’entrée vers des lectures en cache tire le côté entrée du coût vers un dixième de sa valeur affichée. Cela ne touche pas au coût de sortie. Savoir si cela fait basculer une ligne du tableau de marge dépend de la part de votre entrée qui se répète vraiment, question qui porte sur votre produit et non sur la page tarifaire.
Sources
Stanford Institute for Human-Centered Artificial Intelligence, The 2026 AI Index Report, chapitres Technical Performance et Economy, 2026.
Stanford Institute for Human-Centered Artificial Intelligence, The 2025 AI Index Report, sur la baisse du coût d’inférence pour une performance de niveau GPT-3.5.
MIT NANDA, The GenAI Divide: State of AI in Business 2025, juillet 2025, y compris la méthodologie de recherche et les limites d’échantillon qu’il indique.
Anthropic, documentation tarifaire publiée des modèles Claude, incluant les tarifs par modèle, les multiplicateurs de cache de prompt, les remises de traitement par lots et la note sur le tokenizer pour Claude 4.7 et les modèles ultérieurs, consultée en août 2026.
OpenAI, documentation tarifaire publiée de l’API pour les familles de modèles GPT-5, GPT-4.1 et GPT-4o, consultée en août 2026.
Ce contenu a été compilé avec le soutien de l’IA à la suite d’une recherche approfondie, puis rédigé et préparé pour publication par l’équipe éditoriale de CEOtudent.
This post is also available in:
