Claude Haiku 5.5 fait chuter les prix de l'API de 90 %

Anthropic a publié Claude Haiku 5.5 le 8 octobre. C'est le petit modèle le plus rapide et le plus abordable de l'entreprise. Il vise les tâches à fort volume, comme les requêtes de données et le support client.

Selon The Decoder, le modèle coûte environ 75 % de moins que son prédécesseur, Haiku 4.5. Anthropic affirme que les prompts allant jusqu'à 100 000 tokens représentent environ 90 % des requêtes adressées auparavant à Haiku. Pour ces requêtes, les prix chutent jusqu'à 90 %. Les tokens d'entrée coûtent désormais 0,10 dollar par million, contre 1,00 dollar. Les tokens de sortie passent à 0,50 dollar par million, contre 5,00 dollars.

Cette baisse arrive au moment où le reste de la pile coûte plus cher. Pavan Davuluri, responsable de Windows chez Microsoft, a reconnu sur le podcast Inside Windows que la hausse du prix de la mémoire pousse l'entreprise à faire consommer moins de RAM à Windows 11. Davuluri a qualifié la mémoire de sujet « au premier plan » pour le secteur. Il a noté que les fabricants ramènent des ordinateurs portables à 8 Go sur le marché. Microsoft a fait de « l'optimisation mémoire pour 8 Go et plus » une priorité officielle pour le reste de 2026, selon Windows Latest.

Des prix au token plus bas ne signifient pas toujours des factures totales plus basses. Artificial Analysis classe Haiku 5.5 comme le meilleur modèle de la classe des petits, avec un score de 43 sur son Intelligence Index. La plateforme signale toutefois une consommation de tokens bien plus élevée. Au niveau d'effort maximal, Haiku 5.5 utilise environ 162 000 tokens de sortie par tâche. C'est environ trois fois les 50 000 tokens nécessaires à GPT-6 Luna d'OpenAI.

Le compromis sur l'efficacité

Même à performances comparables, l'écart persiste. Sur le réglage d'effort « high », Haiku 5.5 obtient 38 avec environ 55 000 tokens par tâche. GPT-6 Luna atteint le même score avec environ 50 000. En termes d'efficacité de Pareto, le rapport entre performance et ressources consommées, le modèle d'OpenAI garde l'avantage. Passer de l'effort « xhigh » à « max » sur GPT-6 Luna n'ajoute que deux points tout en augmentant la consommation de tokens de 1,8 fois.

Anthropic précise que Haiku 5.5 utilise un tokenizer mis à jour qui consomme un peu plus de tokens par tâche que son prédécesseur. La même chose s'est produite avec les modèles Opus 4.x, où l'usage de tokens a bondi d'environ 30 % du seul fait du changement de tokenizer. Les économies réelles sont probablement plus faibles que ne le suggèrent les prix au token. Cette nuance complique le récit d'une guerre des prix pure.

Pressions sur le matériel et l'infrastructure

Pendant que les fournisseurs d'API se battent sur les prix, l'infrastructure physique nécessaire pour servir ces modèles reste un goulot d'étranglement. HPCwire note que les systèmes d'inférence IA échouent différemment des services web classiques. La latence moyenne peut sembler correcte alors que les utilisateurs sont déjà mécontents, parce que les requêtes attendent en file la formation des lots. Le démarrage à froid pose un autre problème. Lancer un worker d'inférence suppose de télécharger les modèles, de charger les poids en mémoire et d'initialiser l'état de l'accélérateur. Kubernetes peut afficher un pod comme actif, sans que le système ait pour autant une capacité de service réelle.

Cette complexité alimente la demande de matériel spécialisé et d'optimisations logicielles. Magnitude, un moteur d'inférence open source lancé en septembre, affirme optimiser les kernels pour du matériel précis afin de faire tourner des modèles ouverts jusqu'à 2 fois plus vite que llama.cpp. L'outil compile et ajuste les kernels sur l'appareil de l'utilisateur, pour Apple Silicon, NVIDIA, AMD ou des environnements uniquement CPU. Il vise à réduire l'usage de mémoire de 27 % par agent, un facteur critique à mesure que le prix de la RAM grimpe.

L'emplacement compte aussi. Data Center Knowledge rapporte un projet de centre de données de 20 étages au centre-ville de Kansas City, conçu pour exploiter une connectivité opérateur dense au service d'une inférence à faible latence. Steve Austin, fondateur de Revitalization Unlimited, soutient que l'inférence doit se produire près de l'utilisateur parce que la latence compte. Le projet fait face à des coûts de construction plus élevés, estimés à 183 000 000 dollars, soit environ 1 300 dollars par pied carré, contre des installations en banlieue. Cette prime ne se justifie que pour des charges précises, comme les transactions financières ou les interactions IA en temps réel.

La surveillance réglementaire s'intensifie aussi autour des pratiques tarifaires. La FTC a adressé des lettres à 24 grandes entreprises de services de santé le 5 octobre, les mettant en garde contre des prix trompeurs. Sans lien direct avec l'IA, la démarche signale un intérêt plus large du gouvernement pour la transparence des prix. De même, McDonald's a été poursuivi le 2 octobre pour avoir, selon la plainte, utilisé un outil d'IA afin de fixer les prix entre franchises. Les plaignants estiment que cela viole le droit de la concurrence en facilitant une entente algorithmique sur les prix.

Le contexte plus large du marché

La course à une inférence moins chère ne se limite pas à Anthropic. Des chercheurs publient sur arXiv des articles sur la réduction de la dépendance excessive à l'inférence et sur l'évaluation efficace des politiques. Un article soumis le 7 octobre propose un cadre fondé uniquement sur des échantillons pour évaluer les politiques Best-of-N. Il aide à choisir les budgets d'échantillonnage les plus efficaces sans accès complet à la vraisemblance. Ce travail académique sous-tend les efforts d'ingénierie pour rendre l'inférence moins chère et plus fiable.

Les fournisseurs de cloud ajustent eux aussi leurs stratégies. AWS aurait relevé de 15 % le prix de la capacité GPU fin septembre, un mouvement qui contraste avec les baisses d'API d'Anthropic. Cet écart suggère que, si le coût du calcul brut monte, la concurrence au niveau applicatif force les fournisseurs à chercher des gains ailleurs. Il en résulte un marché où le coût de l'intelligence se dissocie du coût du silicium qui la fait tourner.

Pour les développeurs, la conclusion est nette : le token le moins cher n'est pas toujours la solution la plus économique. Le coût total de possession dépend désormais de l'efficacité des tokens, de l'utilisation du matériel et des exigences de latence propres à chaque charge. À mesure que l'inférence devient le champ de bataille principal de l'IA, l'attention se déplace de la capacité brute des modèles vers l'économie de leur mise à disposition.