Après une période d’expérimentation où les outils d’intelligence artificielle semblaient offrir des possibilités presque illimitées, les développeurs et les entreprises découvrent une nouvelle contrainte : leur coût d’utilisation. La multiplication des agents autonomes, des modèles de raisonnement et des assistants de programmation transforme progressivement l’IA en une dépense opérationnelle qu’il devient essentiel de surveiller.

L’intelligence artificielle devait permettre aux entreprises de gagner du temps, d’automatiser leurs activités et de réduire leurs dépenses. Mais à mesure que les usages se multiplient, une question prend de plus en plus de place : combien coûte réellement cette productivité supplémentaire ?

C’est une préoccupation abordée par le quotidien français Les Échos, dans un article consacré à la flambée des coûts de l’IA pour les développeurs. Un changement de perspective important dans une industrie qui, depuis plusieurs années, met surtout de l’avant les performances toujours plus impressionnantes de ses modèles. Pour comprendre le problème, il faut s’intéresser aux « tokens », les jetons, ces unités de texte que les modèles d’intelligence artificielle utilisent pour traiter les demandes et produire leurs réponses.

Lorsqu’un développeur demande à un assistant de rédiger quelques lignes de code, la consommation demeure généralement modeste. Mais les choses changent lorsqu’il lui confie la création d’une application complète, l’analyse de milliers de fichiers ou la résolution d’un problème informatique complexe.

Les agents autonomes accentuent ce phénomène. Contrairement à un robot conversationnel traditionnel qui répond à une demande ponctuelle, un agent peut enchaîner les opérations, consulter des documents, exécuter des outils, corriger ses erreurs et recommencer certaines étapes sans intervention humaine constante.

Chacune de ces opérations peut entraîner une nouvelle consommation de tokens. Une tâche qui paraît simple pour l’utilisateur peut donc déclencher des dizaines, voire des centaines d’interactions avec différents modèles. Le résultat est une facture parfois difficile à anticiper. Le paradoxe est que le prix unitaire de l’intelligence artificielle a considérablement diminué ces dernières années. Pourtant, cette baisse ne se traduit pas nécessairement par une réduction des dépenses totales.

Dans un précédent article publié en mai 2026, Les Échos rapportait déjà que certains développeurs épuisaient leurs crédits d’utilisation avant la fin du mois. Julien Laugel, directeur data chez Ekino, expliquait que les prix par token diminuaient tandis que les usages devenaient beaucoup plus complexes et gourmands en ressources. Autrement dit, les entreprises paient souvent moins cher chaque unité de traitement, mais elles en consomment beaucoup plus.

Cette évolution modifie la nature même des dépenses informatiques. Avec un logiciel traditionnel, une entreprise peut généralement prévoir le coût de ses licences sur une année. Avec l’intelligence artificielle facturée à l’utilisation, le montant dépend notamment de la fréquence des demandes, de leur complexité et du modèle sélectionné. Plus les employés utilisent intensivement ces outils, plus les dépenses risquent d’augmenter.

Mais le problème dépasse largement le budget informatique. Il touche directement à la rentabilité des projets d’intelligence artificielle. Un développeur qui termine une tâche en deux heures plutôt qu’en huit grâce à un assistant intelligent représente un gain de productivité potentiellement important. Mais encore faut-il connaître les ressources consommées pour obtenir ce résultat.

Une analyse publiée par IBM en août 2026 met précisément en évidence cette difficulté. Selon une recherche de l’IBM Institute for Business Value citée par l’entreprise, 79 % des dirigeants interrogés déclarent constater des gains de productivité grâce à l’IA, mais seulement 29 % affirment pouvoir mesurer avec certitude le retour sur investissement.

Cette distinction devient particulièrement importante avec l’arrivée des agents capables d’exécuter des tâches pendant de longues périodes. Un système qui fonctionne de manière autonome n’est pas nécessairement plus économique qu’un employé qui effectue le même travail. Tout dépend du coût de calcul, du temps économisé, de la qualité du résultat et des interventions humaines encore nécessaires.

Face à cette nouvelle réalité, les entreprises commencent à revoir leurs pratiques. L’utilisation systématique du modèle le plus puissant n’est plus nécessairement la meilleure stratégie. Certaines opérations peuvent être confiées à des modèles plus petits, moins coûteux, tout en conservant les modèles avancés pour les problèmes qui exigent davantage de raisonnement. Cette approche, parfois appelée routage de modèles, consiste à sélectionner automatiquement l’intelligence artificielle la mieux adaptée à chaque tâche.

D’autres stratégies permettent également de maîtriser les dépenses : réduire les informations inutiles transmises aux modèles, réutiliser certaines réponses déjà calculées, limiter les opérations répétitives des agents et établir des plafonds de consommation.

Dans un article publié en septembre, La Tribune Dimanche rapportait que certaines entreprises reportaient déjà des initiatives d’intelligence artificielle en raison des incertitudes entourant leur coût. D’autres se tournaient vers des modèles spécialisés ou de petite taille pour diminuer leur dépendance aux systèmes les plus puissants.

Cette évolution marque un changement dans la manière dont les entreprises abordent l’intelligence artificielle. Pendant la première phase de son adoption, la question dominante était de savoir ce que cette technologie pouvait accomplir. Aujourd’hui, les organisations doivent également déterminer quelles utilisations justifient réellement les ressources nécessaires.

Les fournisseurs comme OpenAI, Anthropic, Google et les autres acteurs du secteur sont eux aussi concernés. Ils doivent continuer à améliorer les capacités de leurs modèles, tout en proposant des tarifs suffisamment accessibles pour encourager leur utilisation à grande échelle. Pour les développeurs, l’enjeu devient donc double : produire davantage grâce à l’intelligence artificielle, mais apprendre également à l’utiliser efficacement, sans multiplier inutilement les dépenses.

Au fond, l’industrie entre dans une phase où la performance technologique ne suffit plus. La capacité à produire un résultat utile, fiable et économiquement viable pourrait devenir un critère aussi important que la puissance des modèles. Et la question n’est désormais plus seulement de savoir ce que l’intelligence artificielle peut faire, mais combien il faut dépenser pour qu’elle le fasse.

Sources : Les Échos, IBM, La Tribune

+++++++

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.