À partir de 2023, les entreprises ont forcé leurs équipes à utiliser des outils d’IA. La demande a grimpé de manière incontrôlable. Les performances étaient mesurées au nombre de tokens consommés. Résultat :
Facture : Wall Street commence à douter
Cette défiance se voit en Bourse. Le 17 juillet 2026, Wall Street a clôturé en baisse, minée par des doutes renouvelés sur la rentabilité des investissements massifs dans l’IA. Le Nasdaq a chuté de 1,40 %. Les semi-conducteurs ont été particulièrement touchés.
- Broadcom a perdu 0,97 %.
- AMD a reculé de 1,03 %.
- Intel de 2 % et Texas Instruments de 2,47 %.
- Nvidia a même cédé brièvement son titre de plus grande capitalisation mondiale à Apple, une première depuis mai 2025.
Le mouvement de repli s’est étendu à Microsoft avec une perte de 1,82 %, Meta avec 2,79 %, Amazon avec 1,06 % et Alphabet avec 2,17 %. Les investisseurs commencent à douter que les promesses de l’IA justifient les sommes englouties. Source : getodin.ai
La demande artificiellement gonflée
Les ingénieurs de la Silicon Valley sont notés sur le nombre de tokens d’IA qu’ils utilisent. Cela finit par gonfler la demande globale d’IA de façon artificielle.
Parallèlement, les pénuries de composants électroniques entraînent le retard de nombreux projets. Les experts commencent à se demander quelle part de cette demande provient d’une utilisation réelle, et quelle part de chiffres gonflés par des ingénieurs cherchant à améliorer leur classement.
L’alternative chinoise gagne du terrain
Parallèlement, un nombre croissant d’entreprises américaines, de la startup au géant établi, se tournent vers les modèles d’IA chinois, jugés bien moins chers.
Les modèles open source comme DeepSeek ou Kimi de Moonshot AI peuvent coûter jusqu’à 20 fois moins cher que leurs concurrents américains comme Claude Mythos d’Anthropic. Pour une startup ou même une grande entreprise cherchant à optimiser ses dépenses, l’équation est vite résolue.
Ironiquement, la politique américaine a elle-même accéléré le mouvement. La suspension de certains modèles d’Anthropic, à la demande du gouvernement, a créé un vide que les alternatives chinoises se sont empressées de combler. Des dirigeants comme Brian Armstrong de Coinbase n’hésitent plus à vanter publiquement l’efficacité de ces outils made in China.
Le token maxing fait flamber les notes de frais
- Utiliser beaucoup de tokens est devenu un signe de productivité.
- Presque un statut social en interne. Vous y croyez, vous ?
Les employés ont commencé à brûler ces tokens de façon excessive pour paraître plus efficaces. C’est ça, le token maxing. Pas de doute.
Les entreprises commencent à prendre des mesures drastiques face à l’explosion des factures d’IA. Microsoft a interdit Claude Code à ses employés, et plusieurs géants tech ont déjà épuisé leur budget annuel alloué à l’IA dès le premier semestre.
Cette tendance pousse les directions à repenser entièrement leur stratégie de déploiement des outils d’intelligence artificielle. Des collaborateurs qui gaspillent pour donner l’impression d’être occupés. L’ingénieur qui fait grimper la facture ne dépense pas son argent. C’est celui de l’entreprise. Personne n’éteint les lumières dans un bureau loué.
Très peu de gens économisent sur une ressource que quelqu’un d’autre paie. Vraiment. Vous vous demandez peut-être pourquoi, malgré toutes ces belles stratégies d’optimisation des tokens, vos équipes continuent de faire flamber les notes de frais en IA. La réponse est plus subtile qu’un simple manque de discipline budgétaire : elle se niche dans la psychologie même de vos collaborateurs.
Les interfaces modernes ne sont pas neutres ; elles sont conçues pour vous pousser à utiliser davantage l’IA, un peu comme les réseaux sociaux vous incitent à scroller sans fin. Chaque champ de prompt qui s’ouvre automatiquement, chaque suggestion de complétion qui vous encourage à détailler votre demande, chaque « claude, peux-tu… » qui devient un réflexe, tout cela crée un biais d’action :
- plus vous utilisez l’outil
- plus vous avez l’impression d’être productif
- sans jamais voir le compteur de tokens qui s’affole en arrière-plan.
Et puis il y a la gamification, ce fléau silencieux. Vous avez déjà vu ces classements internes qui comparent le nombre de requêtes traitées par IA entre services ?
Ou ces badges virtuels décernés au « champion de l’innovation IA » du mois ? Sans le savoir, vos employés se lancent dans une compétition malsaine où le gagnant est celui qui a consumé le plus de tokens.
C’est un peu comme si on récompensait le chauffeur qui brûle le plus d’essence
La pression sociale joue aussi : quand tout le monde dans l’open space utilise Claude pour rédiger ses emails, celui qui ne le fait pas passe pour un réfractaire à la modernité.
Résultat, des requêtes triviales comme « trouve-moi un synonyme de ‘important’ » partent sur un modèle de pointe à 18x le coût d’un modèle basique, simplement parce que l’interface par défaut ne propose pas d’alternative moins chère.
- Vous utilisez l’IA pour écrire un email de deux lignes ?
- Pour reformater une phrase maladroite ?
- C’est ce qu’on appelle le token maxing, et ça coûte une blinde aux entreprises.
Le principe est simple : chaque requête consomme des tokens, et chaque token coûte de l’argent. Quand les employés multiplient les micro-tâches inutiles, la facture grimpe sans que personne ne s’en rende compte. Certaines sociétés commencent à plafonner les budgets IA par utilisateur. Mais le problème n’est pas technique : c’est un problème de discipline.
Le PDG de Nvidia, dont les revenus sont vos dépenses de tokens, dit aux ingénieurs d’aller brûler plus de tokens. Ce n’est pas de l’utilisation. C’est de la demande avec un motif derrière. Devinez le résultat.
Cette époque du token maxing pourrait toucher à sa fin. De nouveaux outils émergent pour changer les règles du jeu. OpenRouter, par exemple, permet aux entreprises de faire transiter leurs requêtes vers différents modèles d’IA pour choisir à chaque fois l’option la plus performante et la moins coûteuse. Selon une note de Citi, la part des tokens open source traités via cet outil est passée de 34 % en janvier à 65 % en juin 2026.
La promesse et la réalité de l’IA en entreprise
En 2022, ChatGPT a été lancé. La promesse initiale était séduisante : une IA capable de remplacer plusieurs employés pour une fraction du coût. Les entreprises ont vu une opportunité de réduire massivement leurs dépenses tout en augmentant leur productivité. Cette logique a justifié des licenciements en cascade et des investissements colossaux.
La croissance de l’IA a été impressionnante. Vraiment. Elle permet aujourd’hui :
- La création d’images hyperréalistes.
- La génération de code complexe.
- La délégation de tâches qui nécessitaient des équipes entières.
Les entreprises ont adopté l’IA de manière exponentielle, réalisant qu’elle était extrêmement bon marché. Mais précisément à cause de ses faibles coûts, l’IA a apporté des problèmes. Anthropic tire la sonnette d’alarme sur l’impact potentiel sur l’emploi. Des milliers de licenciements, des réductions d’équipes, des déplacements massifs. Ça vous étonne ?
Une grande partie des licenciements imputés à l’IA ne sont pas réellement causés par elle. Beaucoup d’entreprises ont trop embauché pendant la pandémie et utilisent l’excuse de l’IA pour ajuster la taille de leur équipe. C’est un alibi pratique.
Une faille dans l’argument économique
L’IA éliminait des emplois dans tous les secteurs : Amazon, Chegg, Microsoft, Meta, Salesforce.
Aux chaînes de restauration rapide, l’IA au drive-in dans des centaines de points de vente. Elle pouvait effectuer le travail d’équipes entières en quelques minutes, principalement parce qu’elle était moins chère à maintenir. Mais ces derniers mois, un problème a émergé. L’IA devient très coûteuse.
Le vrai problème
Ce que personne ne vous dit dans les analyses habituelles sur les coûts cachés de l’IA en entreprise, c’est la surcharge cognitive des collaborateurs. Vous avez sans doute déjà vécu ce moment où vous passez d’un outil à un autre sans jamais vraiment vous poser.
Avec l’IA, ce phénomène explose. Les employés doivent jongler entre plusieurs interfaces, vérifier les sorties des modèles, corriger les incohérences. Tout cela s’accumule. Les consultants adorent parler des coûts liés à la résistance organisationnelle ou à la maintenance des pipelines de données.
Mais ils oublient de quantifier ce poids mental. Chaque fois que vous passez d’un système à un autre, vous perdez en concentration. Et si vous devez aussi vérifier ce que l’IA produit (parce que, soyons honnêtes, elle ne fait pas tout parfaitement), la fatigue décisionnelle s’installe.
C’est un cercle vicieux qui ralentit la productivité et augmente le turnover. Les entreprises paient pour les tokens, mais elles paient aussi, en silence, pour l’épuisement de leurs équipes.
Le vrai drame, c’est la perte du sentiment d’apprentissage. Un développeur qui a commencé le code en 2020 raconte comment il aimait construire des choses, comprendre les protocoles réseau, ressentir cette fierté d’avoir monté un serveur web le dimanche matin. Aujourd’hui, il décrit une course au résultat pur :
- On balance une demande à l’IA on espère que ça marche.
- On passe à autre chose. Si ça casse, on relance une requête.
Pas de moment de triomphe, pas de compréhension profonde. Juste un dialogue stérile avec la machine jusqu’à obtenir un résultat assez bon.
Le coût des tokens explose et le calcul bascule
Pourquoi le coût des tokens a-t-il doublé en un an ?
Le coût moyen des tokens provenant des grands modèles de langage est passé de 1,01 dollar par million de tokens en 2025 à 2,12 dollars en mai 2026. Cette augmentation s’explique par la fin des subventions des entreprises d’IA, la pression des investisseurs pour des rendements, et le phénomène de token maxing qui gonfle artificiellement la demande.
Le coût moyen des tokens provenant des grands modèles de langage a plus que doublé depuis 2025. En 2025, le coût moyen était de 1,01 dollar par million de tokens. En mai 2026, ce chiffre avait atteint 2,12 dollars. Ça vous étonne ?
Cette augmentation peut sembler insignifiante. Mais quand on tient compte du nombre massif de tokens utilisés chaque jour, cela se traduit par des dizaines de millions de dollars par mois. Les employés utilisent environ 200 dollars de tokens chaque semaine, soit 10 000 dollars par an. Pour 40 000 employés, cela représente 400 millions de dollars. Pour 90 000 employés, 900 millions de dollars.
Les géants de la Silicon Valley font marche arrière sur le tout-IA.
| Scénario | Coût annuel tokens | Comparaison salaire |
|---|---|---|
| 1 employé (usage intensif) | 10 000 € | Inférieur au salaire |
| 40 000 employés (grande entreprise) | 400 millions € | Équivalent à la masse salariale |
| 90 000 employés (groupe tech) | 900 millions € | Supérieur à certains salaires |
Le contrôle algorithmique, une arme à double tranchant
Ces algorithmes ne font pas toujours la différence entre la fraude caractérisée et une simple maladresse administrative. Un employé racontait s’être fait rejeter un remboursement de 3 euros pour un ticket de bus parce qu’il n’avait pas demandé de correspondance. Ironique, non ? Alors que s’il avait pris sa voiture, il aurait pu réclamer 50 centimes du kilomètre sans aucun justificatif.
Ce genre d’incohérence pousse certains à développer des stratégies d’évitement : acheter des cartes prépayées Starbucks pour ne pas avoir à justifier chaque café, ou regrouper des petits achats sous une seule catégorie « divers ».
⇒ Le système devient tellement rigide qu’il encourage la triche plutôt qu’il ne la décourage.
Pourquoi personne ne résout le problème
3 raisons s’accumulent :
- L’employé n’a aucune raison d’économiser. Ce n’est pas son argent, il est jugé sur son utilisation des tokens.
- L’entreprise ne peut pas facilement l’en empêcher. Les outils pour dépenser efficacement ne sont pas fournis par défaut. Quelqu’un doit réduire le gaspillage, déterminer quelles invites étaient exécutées, les resserrer. C’est un vrai travail que personne n’est encore chargé d’effectuer.
- L’entreprise qui vend les tokens n’a aucune raison d’offrir cette efficacité gratuitement. Plus vous gaspillez, plus ses revenus augmentent.
L’efficacité finit par n’être la responsabilité de personne. Tout le monde dans la chaîne est conçu pour regarder ailleurs. Bref.
La solution existe pour ceux qui veulent économiser
OpenAI a lancé un nouveau modèle phare à moitié prix du modèle supérieur d’Anthropic. La version de deuxième niveau coûte un quart du prix, avec des performances très similaires. Sam Altman a mis en avant une efficacité accrue de 54 % sur le travail agentique qui fait exploser les factures. Source : medium.com
Qui est responsable de l’explosion des coûts de l’IA en entreprise ?
Personne dans la chaîne n’a intérêt à résoudre le problème. Les employés sont jugés sur leur utilisation des tokens, les entreprises manquent d’outils pour contrôler les dépenses, et les fournisseurs d’IA gagnent plus quand vous consommez plus. L’efficacité n’est la responsabilité de personne, ce qui explique pourquoi les factures continuent d’exploser.
Témoignages et discussions
Il faut agir sur les déclencheurs psychologiques.
- Par exemple, au lieu de montrer un classement des utilisateurs les plus actifs (qui encourage la surconsommation), montrez plutôt un classement des plus économes en tokens.
- Remplacez les badges de performance par des badges d’efficience.
- Surtout, intégrez des micro-interactions qui rendent le coût visible : un petit indicateur de coût estimé à côté de chaque requête, un résumé hebdomadaire personnalisé qui dit « vous avez économisé X euros ce mois-ci en utilisant des modèles plus légers pour les tâches simples ».
En rendant l’invisible visible, vous transformez chaque employé en acteur conscient de sa consommation, sans jamais avoir à brider leur créativité ou leur productivité. Et ça, c’est bien plus efficace que n’importe quelle règle de gouvernance descendante.
Vous êtes plutôt du genre à vouloir que votre code tienne la route en production, avec des tests, une architecture propre, des SLA respectés ? Ou vous êtes du genre à vouloir expédier le plus vite possible, quitte à accumuler de la dette technique ?
Un développeur raconte comment il a commencé un projet proprement (lire le cahier des charges, faire une architecture simple, améliorer avec l’IA, tester chaque feature). Puis la pression des délais est arrivée. Il a commencé à « dumper » des features entières dans un seul prompt, à ne plus review son code, à ne plus tester. Résultat :
- Dette cognitive technique
- Bugs en cascade
- Perte de contexte
Il finissait par dire « répare ça », « les métriques sont fausses », « l’interface est cassée ». Il n’était plus investi émotionnellement dans son code. Il ne se demandait plus « est-ce que c’est bien conçu ? », seulement « est-ce que ça marche, oui ou non ? ».
Ce phénomène dépasse le simple cadre du développeur. Des responsables IT commencent à s’inquiéter sérieusement de la facture cloud quand les « agents » (ces programmes qui utilisent l’IA de façon autonome) vont se multiplier.
Imaginez des scripts qui tournent en boucle, qui génèrent des requêtes inutiles, qui consomment des tokens sans supervision humaine. Certaines entreprises ont déjà vu leur facture multipliée par trois en un trimestre, simplement parce que des équipes entières utilisaient l’IA pour des tâches triviales.
La solution ? Mettre en place des règles d’usage, former les gens à distinguer ce qui mérite un appel IA de ce qui relève du bon sens. Mais c’est plus facile à dire qu’à faire, surtout quand la culture d’entreprise valorise la vitesse avant tout.
La question qui revient souvent
« Vous êtes déjà amusé à calculer les tokens que vous utilisez en discutant avec une IA ? »
On lit souvent ce type d’interrogation sur les forums : Un token représente en moyenne 4 à 5 caractères, soit un quart d’un mot long.
Ce qu’en disent les communautés
Certains cas relèvent clairement de l’escroquerie pure et simple. Un ancien auditeur nous expliquait comment son logiciel avait repéré des montants d’hôtels systématiquement gonflés de 20 à 30 euros, une pratique qui s’étalait sur plusieurs années. L’algorithme avait détecté un pattern que l’œil humain n’aurait jamais vu : des écarts minimes mais répétés, toujours dans la même fourchette.
Une fois le signalement fait, les enquêteurs humains ont mis à jour un système bien rodé de fausses factures. Dans ce cas précis, l’IA a joué son rôle de détective sans faille. Mais entre la petite triche occasionnelle et la fraude organisée, la frontière reste floue pour ces machines.
Le véritable calcul économique
Il y a un point où le calcul bascule. Pour certains emplois, un humain sera moins cher que les tokens. C’est réel. Les chiffres penchent déjà en faveur de l’humain dans de nombreux endroits.
Selon Reuters, le coût actuel de fonctionnement des agents d’IA est déjà comparable au coût du travail humain. Dans certains cas, il est déjà plus élevé.
- Tâches de codage : l’IA reste moins chère.
- Saisie de données : la différence est minime.
- Centres d’appels : le travail humain est moins cher.
Les entreprises d’IA ont subventionné le coût réel des tokens grâce à un financement généreux. Cela touche à sa fin. Avec les introductions en bourse d’Anthropic et d’OpenAI, combinées à la pression des investisseurs pour voir des rendements, cela crée la formule parfaite pour que les coûts des tokens continuent d’augmenter.
L’IA coûte-t-elle vraiment plus cher qu’un employé humain ?
Oui, dans certains cas précis. Pour les centres d’appels et certaines tâches de saisie, le travail humain est moins cher. Le coût des tokens a doublé depuis 2025, et les factures mensuelles atteignent des centaines de millions d’euros dans les grandes entreprises.
La prochaine fois que votre patron vous demande de brûler des tokens pour prouver votre productivité, posez-lui la question : est-ce que la facture est passée avant ou après le calcul du retour sur investissement ?
Sources consultées
| Blog.octo.com ↗ |
| mmc.vc ↗ |
| tokenmaxxing.com ↗ |