Le coût de l’IA devient un défi pour les entreprises et les géants du secteur

L’explosion des requêtes, facturées notamment en tokens, pousse certaines entreprises à réexaminer la rentabilité réelle de leurs usages de l’intelligence artificielle.

L’intelligence artificielle s’installe dans un nombre croissant d’entreprises, des outils de développement aux services destinés aux clients. Mais cette adoption rapide fait émerger une question centrale : les gains obtenus justifient-ils les dépenses engagées ?

Pour les grands fournisseurs de modèles d’IA, l’essor des usages professionnels représente une source de revenus majeure. Pourtant, lorsque les requêtes se comptent par milliers, voire bien davantage chaque jour, les factures peuvent augmenter très vite. Certaines entreprises commencent ainsi à revoir leurs usages, à limiter certaines licences ou à s’interroger sur la valeur concrète produite par ces outils.

Deux modèles économiques : abonnements et facturation à l’usage

Les outils d’intelligence artificielle générative sont proposés aux particuliers sous différentes formes. Il existe des accès gratuits, mais aussi des formules payantes, généralement conçues pour donner accès à davantage de fonctions ou de capacités.

Le modèle destiné aux grandes organisations est différent. Lorsqu’une entreprise intègre largement l’IA à ses processus internes, avec de nombreux salariés et un volume important de demandes, elle ne s’appuie pas nécessairement sur un abonnement mensuel fixe. La consommation peut être facturée selon l’usage réel.

Le principe se rapproche d’une facture d’électricité : plus la consommation augmente, plus le montant final s’élève. Pour les entreprises, l’enjeu n’est donc pas seulement de déployer l’IA, mais aussi de surveiller précisément ce qui est consommé et ce qui apporte un bénéfice mesurable.

Pourquoi les tokens font grimper la facture

Cette consommation est notamment évaluée en tokens, parfois appelés jetons. De façon simplifiée, les systèmes d’IA découpent et traitent les demandes sous cette forme. Une requête plus longue ou plus complexe nécessite davantage de tokens, ce qui peut accroître son coût.

À l’échelle d’un utilisateur, cette différence peut sembler limitée. Mais elle change de dimension lorsqu’une entreprise utilise l’IA dans une grande partie de ses activités : rédaction, analyse de documents, assistance technique, programmation, recherche d’informations ou automatisation de tâches.

La génération d’images demande également davantage de ressources qu’une demande textuelle. De même, traiter un document très long est plus coûteux que travailler à partir d’un contenu synthétique. Ces différences deviennent déterminantes lorsque les usages sont déployés à très grande échelle.

Sundar Pichai, directeur général de Google, a évoqué une forte accélération du volume de tokens traités par son entreprise sur une période de deux ans. Les chiffres avancés illustrent surtout l’ampleur de la croissance des requêtes liées à l’IA et les besoins d’infrastructure qui l’accompagnent.

Les agents IA renforcent la question des dépenses

Le développement des agents IA ajoute une difficulté supplémentaire. Ces outils sont conçus pour réaliser certaines actions avec davantage d’autonomie, ce qui peut multiplier les requêtes sans intervention permanente d’un utilisateur humain.

Cette autonomie peut être utile pour accélérer des tâches, mais elle peut aussi entraîner une consommation plus importante. La question du contrôle des agents ne concerne donc pas uniquement la sécurité : elle porte aussi sur la maîtrise des budgets et sur la capacité des entreprises à identifier les tâches réellement utiles.

Ce sujet a déjà été soulevé après un cas impliquant un agent d’OpenAI et un accès non autorisé à des données australiennes. Au-delà de l’incident, les enjeux de contrôle réel des agents IA prennent une importance croissante à mesure que ces systèmes gagnent en autonomie.

Microsoft et Uber face à des dépenses difficiles à maîtriser

Plusieurs exemples montrent que la facture peut devenir un facteur de frein. Fin 2025, Microsoft a donné accès à Claude Code à des milliers d’ingénieurs afin d’accélérer leur travail et le développement de produits. Selon The Verge, l’entreprise aurait ensuite commencé à annuler une partie de ces licences, en raison d’un coût devenu trop élevé.

Chez Uber, l’IA est employée dans de nombreux domaines, y compris dans le développement de l’application. Le directeur technique de l’entreprise a indiqué au média The Information que le budget initial prévu pour l’année 2026 avait été entièrement consommé en quatre mois.

Un autre responsable d’Uber a estimé que les dépenses en intelligence artificielle devenaient de plus en plus difficiles à justifier. Selon cette appréciation, une consommation importante de tokens ne se traduit pas systématiquement par l’ajout de fonctionnalités utiles pour le consommateur.

Le problème n’est donc pas nécessairement l’absence d’utilité de l’IA. Il réside dans l’écart potentiel entre le niveau des investissements et les résultats réellement obtenus. Les entreprises doivent déterminer quels usages permettent un gain concret, et lesquels génèrent surtout des coûts supplémentaires.

Rationaliser les usages plutôt que renoncer à l’IA

Le scénario le plus immédiat est celui d’une rationalisation. Les entreprises pourraient conserver leurs outils d’IA tout en encadrant davantage les usages, en privilégiant les tâches à forte valeur ajoutée et en évitant les requêtes inutilement lourdes.

Cette évolution peut passer par des règles internes : réduction de la taille des documents envoyés à un modèle, limitation de certaines automatisations, choix de modèles adaptés à chaque tâche ou suivi plus précis des volumes consommés. À grande échelle, ces arbitrages peuvent peser lourdement sur le budget total.

La question est aussi environnementale. La consommation de tokens correspond à des besoins matériels et énergétiques. Derrière les requêtes se trouvent des infrastructures, de l’électricité et, plus largement, un impact environnemental lié à l’expansion des centres de données. Le sujet a notamment été illustré par le projet de centrale à gaz destiné à alimenter des centres de données IA au Texas.

Un risque pour la confiance dans le modèle économique de l’IA

Pour les entreprises qui développent les grands modèles, l’augmentation des usages professionnels peut sembler favorable : elle crée davantage de demande. Mais si les clients jugent que les coûts progressent plus vite que les bénéfices, ils pourraient ralentir leurs dépenses ou limiter leurs déploiements.

Cette possibilité nourrit les interrogations sur la solidité du modèle économique du secteur. Les grands groupes de l’IA bénéficient aujourd’hui d’investissements considérables et d’une forte attention des marchés financiers. Une baisse de confiance dans leur capacité à transformer ces investissements en revenus durables pourrait fragiliser cette dynamique.

Les marchés financiers ont déjà été portés en partie par le poids de l’IA dans les stratégies des grandes entreprises technologiques. L’influence de l’intelligence artificielle sur les marchés financiers est ainsi devenue un élément important dans l’analyse des investisseurs.

À l’inverse, les fournisseurs d’IA pourraient parvenir à stabiliser leur modèle en améliorant la rentabilité des services, en proposant des offres mieux adaptées aux besoins professionnels ou en rendant les usages plus efficaces. Cette issue dépendra notamment de la capacité des outils à démontrer, dans la durée, une valeur suffisante face à leur coût.

FAQ

Pourquoi l’IA est-elle facturée en tokens ?

Les tokens servent à mesurer, de manière simplifiée, le volume de contenu traité par un modèle. Les demandes plus longues ou plus complexes nécessitent davantage de tokens et peuvent donc coûter plus cher aux entreprises qui utilisent l’IA à grande échelle.

Les entreprises vont-elles arrêter d’utiliser l’IA ?

Rien ne permet de l’affirmer. Le scénario le plus probable est plutôt une sélection plus stricte des usages, afin de réserver les dépenses aux tâches pour lesquelles l’IA apporte un bénéfice clairement identifié.

Pourquoi les agents IA peuvent-ils augmenter les coûts ?

Parce qu’ils peuvent effectuer des requêtes et enchaîner des tâches avec davantage d’autonomie. Leur utilité dépend alors de leur supervision et de leur capacité à produire des résultats qui justifient les ressources consommées.