À mesure que l’intelligence artificielle s’installe dans les entreprises, un problème beaucoup moins spectaculaire que les performances des modèles commence à inquiéter les directions financières : combien tout cela va-t-il réellement coûter? Contrairement aux logiciels traditionnels, dont les licences et les frais d’utilisation sont généralement prévisibles, les services d’IA générative sont souvent facturés en fonction du nombre de jetons, ou « tokens », consommés. Or, cette consommation peut varier considérablement d’une tâche à l’autre et même entre deux exécutions exactement identiques. Le Wall Street Journal rapporte que cette volatilité rend les dépenses d’IA particulièrement difficiles à prévoir.

Une étude menée par Mavvrik et Benchmarkit auprès de 396 organisations en avril et mai 2026 illustre l’ampleur du problème. Seulement 11 % des entreprises interrogées réussissent à prévoir leurs dépenses d’IA à plus ou moins 10 %. À l’inverse, 89 % dépassent cette marge d’erreur. Plus préoccupant encore, 62 % disent avoir déjà dû modifier une décision d’affaires en raison d’une dépense d’IA imprévue, et une entreprise sur quatre aurait carrément annulé une initiative. Le rapport relève aussi que 81 % des répondants ont observé une érosion de leur marge brute liée aux coûts de l’IA.

Le prix affiché d’un modèle ne permet pas nécessairement de savoir lequel coûtera le moins cher à utiliser. Des chercheurs de Stanford, Carnegie Mellon, Berkeley et Microsoft ont étudié plusieurs modèles de raisonnement sur des tâches de mathématiques, de programmation, de sciences et de raisonnement général. Leur étude met en évidence ce qu’ils appellent un phénomène de « renversement des prix » : dans 21,8 % des comparaisons entre modèles, celui dont le tarif par jeton était le plus bas finissait par coûter davantage. Dans certains cas, l’écart atteignait un facteur de 28.

La raison est relativement simple. Un modèle moins coûteux peut avoir besoin de beaucoup plus d’étapes et de jetons de raisonnement pour parvenir au même résultat. Le Wall Street Journal cite notamment un test dans lequel Gemini 3.1 Pro de Google a terminé une tâche en 85 étapes pour environ un dollar. Gemini 3 Flash, pourtant moins cher à l’unité, a effectué 952 étapes avant d’échouer, après avoir consommé pour environ 14 dollars de jetons. Dans l’analyse réalisée par le quotidien à partir des données des chercheurs, les modèles affichant le prix le plus bas se sont révélés finalement plus coûteux dans 32 % des cas étudiés.

Même le choix du bon modèle ne règle pas entièrement le problème. Les chercheurs ont constaté que deux exécutions du même modèle avec la même requête pouvaient générer des consommations très différentes. Leur étude mesure des écarts pouvant atteindre 9,7 fois le nombre de jetons de raisonnement entre plusieurs exécutions d’une même tâche. Autrement dit, une entreprise peut demander cinq fois exactement la même chose à un modèle et recevoir cinq factures différentes. Un échec n’est pas gratuit non plus : tous les jetons consommés avant que le modèle abandonne ou produise une réponse inutilisable sont généralement facturés.

Cette incertitude devient encore plus importante avec les agents d’IA capables d’enchaîner plusieurs opérations, d’utiliser des outils, de consulter des sites Web ou de recommencer une tâche après un échec. Le rapport de Mavvrik constate d’ailleurs que la visibilité financière est particulièrement faible dans ces nouveaux environnements : seulement 36 % des organisations disposent d’un suivi adéquat des coûts associés aux flux de travail agentiques et aux infrastructures GPU. Même les outils d’aide à la programmation constituent un angle mort, puisque 98 % des entreprises interrogées disent en utiliser, mais seulement 42 % les intègrent véritablement à leur comptabilité des dépenses d’IA.

Pour les entreprises, la prochaine étape ne consistera donc plus seulement à savoir où déployer l’IA, mais aussi à déterminer quel modèle utiliser pour chaque tâche, à mesurer le coût réel par opération et à imposer des limites lorsque nécessaire. Google affirme notamment offrir des plafonds de dépenses et différentes formules tarifaires pour aider ses clients à garder le contrôle. Mais l’enjeu est plus large : avec l’IA, le modèle affichant le tarif le plus bas n’est pas forcément le moins cher, et une tâche qui coûtait quelques dollars hier peut en coûter beaucoup plus demain. Pour les responsables informatiques et financiers, l’IA commence ainsi à ressembler moins à une licence logicielle qu’à une ressource dont la consommation doit être surveillée en permanence.

Source : Wall Street Journal

+++++++

Du lundi au vendredi, Bruno Guglielminetti vous propose un regard sur
l’essentiel de l’actualité numérique avec 120 secondes de Tech.

Ou encore…

Écoutez la plus récente édition de Mon Carnet,
le magazine hebdomadaire de l’actualité numérique.