Le coût d'utilisation de l'intelligence par machine learning diminue de plusieurs ordres de grandeur chaque année, sans signe de ralentissement. Les LLM devraient devenir une infrastructure ubiquitaire, s'exécutant localement sur du matériel standard dans 3‑6 ans. Les preuves incluent des modèles propriétaires comme GPT‑6 Astra et des modèles à poids ouverts comme GLM‑5.3‑flash, ainsi que des modèles locaux comme Muse Glimmer et Qwen3 Coder.

L'efficacité énergétique des GPU suit une courbe logarithmique, doublant environ tous les deux ans — comparable aux gains historiques de la loi de Moore. La tarification des modèles est au token, mais le coût au niveau de la tâche chute fortement ; la frontière de Pareto en 2026 montre des modèles allant d'options bon marché et moins intelligentes à des options coûteuses et haute performance. Les moteurs d'inférence s'améliorent rapidement, offrant des gains de 10‑50% par an. À mesure que les coûts par token deviennent négligeables, la qualité et l'accès émergent comme les nouveaux facteurs limitants pour l'adoption de l'IA.