Tokenomics : le puits sans fond de l’économie des tokens

Hubert Guillaud

Comprendre et maîtriser l’économie des tokens est devenu un enjeu pour nombre d’entreprises qui utilisent les modèles d’IA les plus avancés, et qui paient à la consommation (voir notre précédent article sur le sujet). Si l’on en croit l’index de référence, le LLM Token Expenditure index, développé par Silicon Data, celui-ci est tombé sous la barre du dollar par million de token début septembre 2026, pour la première fois. Si le prix est à la baisse, les grands utilisateurs d’IA paient pourtant des factures de plus en plus élevées, notamment du fait de la prolifération des workflows agentiques, rapporte le Financial Times. « Cela a radicalement modifié la dynamique de tarification, renforçant l’imprévisibilité. « Selon la complexité de la tâche, la consommation de tokens sera nettement plus élevée. » Résultat, les montants facturés sont bien plus importants. » 

« L’augmentation des dépenses liées à l’IA a mis en lumière l’ampleur de la puissance de calcul consommée quotidiennement par les entreprises : les investissements globaux ont connu une croissance exponentielle. Ramp, une plateforme de gestion des fournisseurs d’IA, indique que les dépenses consacrées à l’IA ont été multipliées par près de six au cours des 18 mois précédant juin 2026, les entreprises consommant davantage de jetons pour accomplir des tâches plus complexes. Les dépenses totales des entreprises en matière de puissance de calcul pour l’IA ont progressé de 60 % au cours des neuf derniers mois, estime JP Morgan. Même les entreprises plus traditionnelles augmentent leurs dépenses. Selon Ramp, la dépense médiane par employé et par mois est passée de 2,86 $ en janvier 2024 à 11,95 $ en juillet 2026. Pour le 1 % des entreprises qui dépensent le plus – celles qui ont pleinement adopté cette technologie -, cette dépense médiane est passée de 755 $ à 7 400 $. JP Morgan, s’appuyant sur des données publiées en juin par Ramp AI, précise que ce 1 % des utilisateurs d’IA – généralement ceux qui effectuent des tâches de programmation complexes – consomme 600 fois plus de jetons qu’un utilisateur médian. » Et cela ne va pas s’arrêter là : « la consommation de jetons va continuer de croître et les prix vont augmenter, notamment en raison des introductions en bourse imminentes d’Anthropic et d’OpenAI, qui rendront ces entreprises comptables de leurs résultats auprès des investisseurs ». 

L’impératif de rentabilité pour les modèles d’IA de pointe a transformé la manière dont les entreprises utilisent cette technologie. L’utilisation de l’IA représentant un coût significatif et le retour sur investissement lié à son déploiement devient une préoccupation majeure :  « l’époque où l’on pouvait expérimenter librement via des programmes pilotes est révolue », insiste le Financial Times. Mais, « il devient plus complexe d’identifier la valeur réelle générée par des systèmes d’IA toujours plus sophistiqués – et coûteux. Si les agents peuvent accroître la productivité, la complexité croissante de leurs processus de raisonnement et de leur utilisation d’outils pourrait faire en sorte que les coûts finissent par dépasser les bénéfices. » Cette évaluation peut alors passer par la mesure du temps gagné, en comparant les économies réalisées aux dépenses engagées. Elle passe aussi par la maîtrise des coûts, le contrôle des achats de jetons et surtout la comparaison des offres disponibles. Toutes les entreprises ne peuvent pas se permettre de débourser les 300 millions de dollars que Salesforce prévoit de verser à Anthropic en 2026. Or, les différences de performances entre les modèles se stabilisent, permettant d’explorer d’autres options, et notamment beaucoup ont recours à des modèles à poids ouverts de DeepSeek ou Llama de Meta. 

« Le Ramp AI Index a révélé qu’en juillet 2026, plus de 6 % des entreprises ayant adopté l’IA utilisaient des modèles à poids ouverts, contre 4,5 % en janvier. » En permettant aux entreprises d’héberger la technologie sur leurs propres serveurs et d’ajuster le système à leurs besoins spécifiques en utilisant leurs propres données propriétaires, ces solutions permettent en partie de mieux maîtriser la chaîne de production. 

Un autre moyen pour maîtriser les coûts, consiste à adapter l’outil à la tâche. Nombre de tâches n’ont pas besoin des modèles de pointe. « Les prix des jetons, au sein d’une même famille de modèles, varient considérablement – ​​les modèles Claude facturent de 1 à 10 $ par million de jetons d’entrée et de 4 à 50 $ par million de jetons de sortie -, ce qui signifie que l’utilisation de modèles plus simples peut faire toute la différence. Le routage des modèles, grâce à des logiciels comme OpenRouter, facilite cette démarche en orientant une invite vers le modèle le plus économique en fonction de la complexité du problème. »

Enfin, les entreprises peuvent limiter la tendance à surcharger leurs requêtes d’IA de contexte, comme le propose le PDG de Mindbreeze, un moteur de gestion des connaissances ou encore limiter le recours à de nombreux modèles. L’enjeu : éviter les traitements redondants, par exemple par la mise en cache des requêtes déjà faites, en améliorant le suivi des requêtes et utilisations. 

Reste que pour réduire les coûts, il est nécessaire de développer des modèles sur mesure. « Même un modèle à pondération ouverte peut être extrêmement inefficace s’il est très général. On le constate déjà avec les modèles les plus récents comme Kimi (de la société chinoise d’IA Moonshot). Ce sont des modèles à 1 000 milliards paramètres, donc ils sont incroyablement gourmands en ressources de calcul. »

A terme, il est probable que chaque entreprise crée ses propres modèles, pour des raisons de propriété et de rentabilité. « Créer un modèle n’est plus difficile.» « Les entreprises ne veulent plus dépendre d’une poignée de sociétés » et elles s’intéressent désormais davantage au développement interne comme protection contre la hausse du coût des jetons qu’à l’IA souveraine, qui justifiait auparavant l’internalisation. 

Que les tokens continuent à être moins chers ou que les tarifs se relèvent pour assurer aux fournisseurs de modèle un retour sur investissement, les entreprises vont quoi qu’il en soit continuer à dépenser de l’argent pour l’IA. Nombre d’entre elles ne considèrent plus l’IA comme une simple charge informatique, mais comme un levier essentiel de leur capacité opérationnelle. « Les équipes de direction commencent à remplacer les coûts de main-d’œuvre traditionnels par des dépenses liées à la consommation de jetons ; une transition qui s’accélère particulièrement dans des secteurs spécialisés, comme le développement logiciel. Pour illustrer l’ampleur de ce basculement, le cabinet de conseil américain Bain estime que les entreprises finiront par réorienter 20 à 30 % de leurs coûts de personnel vers des dépenses en token. » Toutefois, modère le Financial Times, substituer des budgets de masse salariale par des investissements dans une infrastructure de tokens comporte des risques opérationnels. Cette réallocation du capital doit impérativement générer de la valeur. 

La banque d’investissement Goldman Sachs a récemment décidé de réserver les outils d’IA à ses seuls ingénieurs, au grand dépit de certains traders, rapporte Bloomberg. JPMorgan Chase a indiqué en juillet qu’elle souhaitait que ses collaborateurs associent chaque tâche à un modèle d’IA approprié ; l’idée est de réserver les options les plus coûteuses aux travaux les plus complexes, plutôt qu’à des tâches simples, comme la synthèse d’un rapport d’analyste.

Dans une billet sponsorisé pour la Technology Review, Affan Syed de Hewlett Packard, la tarification au token conduit à rendre coûteux les flux de travail qui génèrent le plus de valeur. Gartner prévoit que, d’ici 2028, le coût des tokens dans le développement logiciel dépassera le salaire moyen des développeurs. Face à l’envolée des coûts, la réaction instinctive consiste à instaurer des restrictions : plafonds d’utilisation, limitation du nombre d’utilisateurs ou obligation d’obtenir une validation avant le lancement d’un agent. Mais ces limites globales risquent d’entraver les processus qui créent réellement de la valeur. De plus, elles se concentrent sur une métrique inadaptée : le coût par token mesure la consommation, et non les résultats. Un compteur, tout comme un plafond budgétaire, est incapable de faire la distinction entre ce qui relève du gaspillage et ce qui relève de la livraison de logiciels. 

Pour Syed, il faut changer de métrique. « Un indicateur plus pertinent est le coût par  pull request intégrée : c’est-à-dire le coût total du développement assisté par IA divisé par le nombre de modifications qui passent avec succès l’étape de revue et sont intégrées au code source. Il convient également de suivre le volume de retouches et le nombre de défauts, afin d’éviter que des modifications moins coûteuses ne masquent une baisse de la qualité. Si ce coût diminue à mesure que l’utilisation de l’IA augmente – sans pour autant compromettre la qualité – cela signifie que les développeurs transforment davantage de ressources consommées en logiciels réellement utiles. La question n’est pas de savoir combien de tokens sont consommés, mais quel volume de travail abouti est généré par cet investissement. » Et bien sûr, adapter le modèle à la tâche, explique-t-il, avant de vanter les solutions de HP bien sûr. 

Même si tout le secteur s’offusque du piège du rationnement, tout le monde semble s’y contraindre, dans une perspective qui ressemble à une injonction paradoxale, appelant à la fois à maîtriser les coûts tout en encourageant les employés à intégrer davantage l’IA dans leur travail quotidien. Nombre d’entreprises, rapporte Bloomberg, ont plafonné les dépenses par employés et invité les salariés à revenir sur les outils développés en interne.