Le goulot d'étranglement du calcul : pourquoi la génération vidéo par IA reste chère en 2026

Tous les quelques mois, quelqu’un pose une variante de la même question : la génération de texte est devenue si bon marché qu’elle est pratiquement une erreur d’arrondi, la génération d’images a suivi de près — alors pourquoi un clip vidéo IA de dix secondes coûte-t-il encore de l’argent réel ? La réponse n’est pas une conspiration de fournisseurs cherchant à protéger leurs marges — c’est de l’arithmétique. La génération vidéo se situe à un point fondamentalement différent de la courbe coût-calcul par rapport au texte ou aux images, pour des raisons ancrées dans le fonctionnement même des modèles de diffusion et des transformeurs, et ces raisons sont amplifiées par une chaîne d’approvisionnement matérielle qui, mi-2026, est réellement limitée en capacité. Comprendre ces deux volets explique pourquoi la tarification à la seconde des grands laboratoires vidéo — des montants de l’ordre de dizaines de centimes plutôt que de fractions de centime — n’est pas une surprime temporaire de lancement. C’est plutôt un plancher de coût qui s’érodera lentement plutôt qu’il ne s’effondrera.

L’écart d’ordre de grandeur, mesuré en FLOPs

Commençons par ce que coûte réellement une génération en opérations à virgule flottante. Les analyses académiques de FLOPs sur les pipelines de diffusion situent un appel de génération d’image unique autour de 10 GFLOPs par étape de débruitage, une génération typique nécessitant 20 à 50 étapes pour converger vers une image nette — soit, au total, de l’ordre de 10² à 10³ GFLOPs pour une image finie. Une analyse comparable des modèles de diffusion vidéo situe un appel de génération vidéo unique plusieurs ordres de grandeur plus haut — les comparaisons de FLOPs couramment citées atteignent environ 10 000 fois le calcul d’une seule image, et non le facteur 10 ou 100 que l’intuition pourrait suggérer. Cet écart n’est pas une différence d’arrondi ; c’est la différence entre une requête qu’un GPU grand public peut traiter en moins d’une seconde et une requête qui occupe un accélérateur de classe datacenter pendant des minutes.

Deux facteurs alimentent cet écart, et il vaut la peine de les distinguer car ils s’additionnent plutôt qu’ils ne se substituent. Le premier est simplement le nombre d’images : un clip de cinq secondes à 24 images par seconde représente 120 images individuelles, chacune nécessitant sa propre passe de débruitage. Cela seul constitue un multiplicateur de deux ordres de grandeur avant même que quoi que ce soit de spécifiquement vidéo n’entre en jeu. Le second facteur, souvent sous-estimé, est la cohérence temporelle. Une approche naïve générerait chaque image indépendamment puis les assemblerait, mais cela produit précisément le scintillement et les visages qui fondent qui caractérisaient les premières vidéos IA. Les modèles modernes exécutent plutôt des mécanismes d’attention le long de la dimension temporelle — la génération de chaque image est influencée par les images voisines pour maintenir la cohérence des visages, des objets et de l’éclairage — et l’attention passe à l’échelle moins bien que linéairement avec la longueur de la séquence. Empiler davantage d’images dans une seule génération cohérente n’ajoute pas seulement du calcul proportionnel au nombre d’images ; cela ajoute du calcul pour les relations entre toutes ces images entre elles.

Ce que cela représente en dollars

En traduisant les FLOPs en heures-GPU, les chiffres deviennent concrets. Les accélérateurs de classe datacenter comme les H100 et H200 de NVIDIA se louent en 2026 à environ 1 à 3 dollars de l’heure sur les capacités cloud au comptant ou en gros, grimpant jusqu’à 12 dollars de l’heure sur certains forfaits à la demande de grands fournisseurs cloud. Au tarif au comptant, générer un clip de 30 secondes sur une carte de classe H100 prend de l’ordre de quatre à six minutes de calcul dédié, ce qui revient, au niveau brut du matériel, à quelques centimes par seconde de vidéo finie — bien loin des prix affichés que voient les consommateurs. Cet écart entre le coût de calcul brut et le prix affiché est lui-même révélateur : les tarifs API publiés par les grands laboratoires vidéo — environ 0,10 dollar par seconde chez Sora pour une sortie standard en 720p, les forfaits de Kling facturés en crédits qui vont d’un palier d’entrée à 8-10 dollars jusqu’à un palier Ultra à 128 dollars pour un volume illimité, les crédits d’abonnement de Runway plutôt qu’une facturation brute à la seconde — se situent bien au-dessus du coût marginal brut du matériel par seconde. Cette différence n’est pas de la pure marge. Elle couvre la R&D des modèles amortie sur une base d’utilisateurs installée bien plus restreinte que celle de n’importe quel modèle de texte, les générations échouées et relancées qui n’atteignent jamais l’écran d’un client payant, et de plus en plus une passe d’upscaling ou d’amélioration devenue quasi obligatoire — les estimations du secteur suggèrent qu’une large majorité des points de terminaison vidéo en production exécutent désormais par défaut une forme d’upscaling post-génération, ajoutant une seconde étape gourmande en calcul que la plupart des utilisateurs ne voient jamais détaillée séparément.

La résolution amplifie encore cet effet. Doubler la résolution de sortie double approximativement le temps de rendu sur le même matériel, ce qui explique pourquoi la génération vidéo en 4K — une fonctionnalité bien réelle en 2026 pour des modèles comme Kling 3.0 — prend sensiblement plus de temps et coûte sensiblement plus cher que le palier 720p auquel se limitent par défaut la plupart des offres gratuites et d’entrée de gamme. Rien de tout cela n’est un découpage tarifaire arbitraire ; cela reflète assez directement le nombre de pixels que l’accélérateur doit effectivement calculer par seconde de séquence filmée.

Le côté offre : GPU et énergie, pas seulement les algorithmes

Même si chaque laboratoire vidéo trouvait un moyen de réduire le calcul par image, le marché de la génération vidéo en 2026 se heurterait encore à une seconde contrainte, distincte : il n’existe tout simplement pas assez de capacité GPU et énergétique de classe datacenter pour répondre à la demande aux prix actuels, sans même parler de prix hypothétiquement plus bas. Les délais de livraison des GPU de datacenter se sont étendus à 36-52 semaines cette année, et la demande dépasse réellement l’offre au sommet du marché — des rapports indiquant que des acheteurs chinois auraient à eux seuls passé commande pour plus de deux millions de puces de classe H200, contre un stock mondial disponible se comptant en centaines de milliers, illustrent l’ampleur de ce déséquilibre. La feuille de route de NVIDIA est passée de Hopper à la génération Blackwell, mais les nouvelles générations d’architecture mettent des années à atteindre le volume qui desserrerait réellement l’offre, et la dépendance de la diffusion vidéo à la bande passante mémoire (la génération vidéo s’appuie davantage sur le débit de mémoire à haute bande passante que sur les FLOPs bruts, ce qui explique en partie pourquoi les cartes de classe H100/H200 dotées de bus mémoire larges surpassent de façon disproportionnée des alternatives moins chères) signifie que les puces spécifiques dont les laboratoires vidéo ont besoin sont exactement celles qui manquent le plus.

Le goulot d’étranglement plus récent en 2026, et sans doute plus durable que la pénurie de puces, est l’énergie. Les analystes décrivent désormais l’infrastructure IA comme limitée par l’énergie plutôt que par les GPU : Gartner projette qu’environ 40 % des datacenters IA seront contraints par l’énergie d’ici 2027, et les délais de livraison des transformateurs haute tension et des équipements de commutation nécessaires pour mettre en service de nouvelles capacités de datacenter se sont allongés de 12-18 mois à jusqu’à 36-48 mois sur certains marchés. On peut fabriquer un GPU plus vite qu’on ne peut mettre à niveau un réseau électrique régional pour le faire fonctionner à grande échelle. Ce décalage signifie que la capacité de génération vidéo — qui nécessite plus d’énergie par sortie finie que la génération de texte ou d’image, simplement parce qu’elle nécessite plus d’heures-GPU par sortie — se retrouve à concurrencer pour une part d’infrastructure électrique qui ne croît pas du tout au même rythme que la production de puces.

Pourquoi cela ne s’effondrera pas bientôt vers les prix de la génération de texte

Il est tentant de supposer que les prix de la vidéo suivront simplement la trajectoire déjà empruntée par le texte et l’image — cher au lancement, puis banalisé en quelques années à mesure que les modèles gagnent en efficacité et que le matériel devient moins cher. Une partie de cela se produira effectivement : les techniques de distillation qui réduisent les étapes de débruitage de plusieurs dizaines à un chiffre unique, des architectures d’attention temporelle plus efficaces, et une mise en cache plus intelligente qui réutilise les calculs entre images similaires sont autant de domaines de recherche actifs, et chaque gain incrémental fait effectivement baisser le coût par seconde. Mais la génération vidéo ne vise pas une cible fixe — à mesure que le calcul par image devient moins cher, les utilisateurs poussent la résolution, la durée des clips, la fréquence d’images et la complexité multi-plans vers le haut, absorbant les économies réalisées, exactement comme cela s’est produit avec les modèles d’image lorsque les progrès du photoréalisme ont englouti les gains d’efficacité plutôt que de les traduire en prix plus bas. En superposant les contraintes d’approvisionnement énergétique et en puces, l’attente réaliste pour les un à deux prochaines années n’est pas « la vidéo devient aussi bon marché que le texte » — c’est une lente érosion du coût par seconde, limitée moins par l’ingéniosité algorithmique de quiconque que par la vitesse à laquelle l’infrastructure physique sous-jacente à toute l’industrie peut réellement être construite.