Le secteur de l'intelligence artificielle opère un changement de pratique majeur, passant du tokenmaxxing au modelmaxxing. Au cours du premier semestre 2026, de nombreuses entreprises privilégiaient une utilisation massive et peu structurée des modèles d'IA, entraînant une progression significative des dépenses liées aux appels d'API. Face à ces coûts, des groupes comme Uber ou Microsoft ont instauré des plafonds budgétaires et encouragent désormais une gestion plus rigoureuse des ressources. Cette nouvelle approche, qualifiée de modelmaxxing, consiste à orienter chaque requête vers le modèle le plus adapté. Les tâches complexes et exigeant un raisonnement avancé sont confiées aux systèmes de pointe, tandis que les travaux répétitifs ou simples sont traités par des versions plus légères et économiques. Brian Armstrong, dirigeant de Coinbase, estime que la majorité des sollicitations seront bientôt prises en charge par des modèles nettement moins onéreux, laissant les technologies les plus avancées aux seuls usages à haute valeur ajoutée intellectuelle. Au quotidien, les équipes techniques et créatives adaptent leurs méthodes pour optimiser les résultats. Morgan Linton, directeur technique de Bold Metrics, dirige quotidiennement la répartition des requêtes de ses ingénieurs selon les besoins spécifiques, rendant ainsi les limites arbitraires de tokens inutiles. Les professionnels comme l'UX designer Tanvi Pisal ont constaté que pré-concevoir les interfaces dans des outils de maquettage avant de solliciter l'IA pour la génération de code ou de contenu permet des économies substantielles. De nombreux développeurs, tels qu'Alejandra Thomas, testent systématiquement les nouvelles versions disponibles pour identifier leurs points forts respectifs et éviter le recours automatique aux options les plus coûteuses. Cette optimisation s'explique aussi par une dynamique psychologique liée à la rareté. L'économiste comportemental Dan Ariely note que les budgets de tokens fonctionnent comme les anciens forfaits de通话 téléphonique, incitant les utilisateurs à maximiser chaque usage et à explorer des alternatives plus économiques dès qu'un plafond est approché. Pour accompagner cette transition, le marché voit naître une nouvelle catégorie de solutions : le routage intelligent de modèles. Des entreprises comme OpenRouter, Rayline ou Fireworks développent des intergiciels capables d'acheminer automatiquement les demandes vers le moteur le plus pertinent, qu'il s'agisse de modèles commerciaux ou open source. Selon les analyses de Ramp, l'adoption de ces plateformes de distribution est passée d'un à cinq pour cent des entreprises sur un an. Certains fonds d'investissement, comme BlockSpaceForce, utilisent déjà ces outils pour permettre aux algorithmes d'évaluer d'eux-mêmes la complexité d'une demande avant de solliciter un modèle premium. Malgré la clarté des bénéfices, certains acteurs continuent de basculer systématiquement vers les derniers modèles disponibles, un réflexe que les fondateurs de startups comme Hechura attribuent à l'habitude ou à un effet de mode persistant. Néanmoins, la course à l'efficacité économique impose progressivement une nouvelle norme industrielle, transformant la consommation de ressources d'IA en une discipline technique structurée.