La course des entreprises à utiliser davantage d’IA ralentit
L’obsession au travail de maximiser l’usage de l’IA générative se heurte peu à peu à une réalité plus rude : la discipline budgétaire. Un article de Fast Company publié le 28 juillet décrivait le déclin de l’attrait du « tokenmaxxing », un terme utilisé pour désigner l’idée de pousser une forte consommation de jetons d’IA dans les outils et les flux de travail, en pensant que davantage d’usage signifie de meilleures performances, des sorties plus rapides ou une innovation plus solide.
Cette mentalité a gagné du terrain à mesure que les entreprises se précipitaient pour opérationnaliser des systèmes fournis par des acteurs comme OpenAI et Anthropic. En pratique, l’usage de jetons est devenu un proxy approximatif de l’intensité d’adoption. Plus une organisation générait de prompts, de sorties, d’agents et de tâches automatisées, plus elle pouvait paraître avancée. Mais le rapport suggère que les acheteurs d’entreprise distinguent de plus en plus l’activité de la valeur. La hausse des factures n’a pas toujours été accompagnée de gains équivalents de productivité ou de résultats commerciaux.
Vincent Gusdorf, responsable de l’analytique IA chez Moody’s Ratings et auteur d’un rapport cité par Fast Company, a plaidé pour une approche plus disciplinée. Son point est simple : l’IA générative facilite la création de travail, de résumés, de brouillons et de couches de processus qui ne sont peut-être pas réellement nécessaires. Lorsque chaque interaction consomme des jetons et se déploie à l’échelle d’une entreprise, le gaspillage peut s’accumuler rapidement.
Du signal de statut au centre de coûts
L’article retrace la façon dont l’usage intensif des jetons était célébré il y a seulement quelques mois. Des figures majeures de la tech avaient présenté la forte consommation d’IA comme un signe que les équipes expérimentaient avec audace et prenaient la technologie au sérieux. Sam Altman, directeur général d’OpenAI, a déclaré en mai qu’il était impatient de voir ce que les « tokenmaxxing startups » allaient construire et comment elles fonctionneraient en interne. Jensen Huang, directeur général de Nvidia, a affirmé que si un ingénieur très bien payé n’utilisait pas lui aussi une grande quantité de jetons, quelque chose n’allait pas. Selon le rapport, Meta a même organisé une compétition interne récompensant l’usage de jetons.
Cette manière de présenter les choses a contribué à créer une culture dans laquelle les dépenses en IA étaient perçues comme un signe d’ambition. L’utilisateur intensif archétypal ne se contentait pas d’automatiser des tâches de routine, il orchestraiт des flottes d’agents d’IA en continu. L’hypothèse était que la saturation finirait par révéler de la valeur quelque part : codage plus rapide, production de contenu accrue, meilleures recherches ou fonctionnalités produit entièrement nouvelles.
Pour les fournisseurs de modèles, cette envolée de l’activité s’est traduite directement en revenus. Mais pour les acheteurs d’entreprise, l’économie est différente. Ils supportent les factures de jetons, les coûts d’intégration, les charges de gouvernance et les risques liés aux données. Une fois ces dépenses devenues concrètes plutôt qu’hypothétiques, les dirigeants ont dû poser une question moins à la mode : quels usages valent réellement d’être payés ?
Pourquoi le scepticisme grandit
Le retour de bâton décrit dans le rapport ne constitue pas un virage anti-IA. Il est plus précis que cela. Les entreprises veulent toujours les gains promis par les modèles génératifs, mais elles sont de moins en moins disposées à supposer que l’usage maximal équivaut à un usage intelligent. Cette distinction compte, car la facturation à la consommation de jetons peut encourager des comportements faciles à faire évoluer mais difficiles à justifier.
Satya Nadella, directeur général de Microsoft, dans des propos cités par Fast Company, a reconnu que le tokenmaxxing pouvait être addictif, tout en soutenant que les clients pouvaient payer deux fois : une fois pour les jetons eux-mêmes et une autre en donnant aux fournisseurs l’accès à des données propriétaires. Même si Nadella faisait aussi la promotion de la stratégie de Microsoft, la critique renvoie à une préoccupation plus large des entreprises. Le coût n’est qu’un côté de l’équation. Le contrôle des informations sensibles en est un autre.
Alex Karp, directeur général de Palantir, a employé un langage encore plus tranché, affirmant que quelque chose avait tourné « complètement mal » et relayant ce qu’il décrivait comme la frustration d’entreprises ayant l’impression de dépenser beaucoup pour peu de retour. Le fil conducteur de ces réactions n’est pas le rejet de l’IA en tant que catégorie, mais le rejet d’une dépense en IA sans direction.
Le problème des métriques dans l’IA d’entreprise
L’une des raisons pour lesquelles le tokenmaxxing s’est propagé si vite est que les jetons sont mesurables. À une période où de nombreuses entreprises subissaient la pression de démontrer leur dynamique en matière d’IA, les volumes d’usage offraient un chiffre visible. Les conseils d’administration et les dirigeants pouvaient mettre en avant les taux d’adoption, les volumes de production générée ou l’élargissement des cas d’usage internes comme preuve que l’organisation suivait le rythme.
Mais mesurable ne veut pas forcément dire significatif. Les totaux de jetons disent peu de la qualité, du temps gagné, des taux d’erreur, des résultats pour les clients ou de l’impact sur le chiffre d’affaires. Ils peuvent même masquer le gaspillage en donnant à l’activité l’apparence du progrès. Une équipe peut produire plus de brouillons, plus d’analyses et plus de recherches synthétiques grâce à l’IA sans améliorer beaucoup la performance de fond. Le résultat est un piège classique de l’entreprise : optimiser la métrique la plus facile à communiquer plutôt que celle qui reflète le mieux la valeur.
C’est là que le changement décrit par Moody’s devient stratégiquement important. Si les organisations passent de la maximisation de la consommation à l’évaluation du retour sur investissement, les décisions d’achat et de produit pourraient évoluer rapidement. Les gagnants ne seraient pas simplement les fournisseurs de modèles affichant les plus gros volumes d’usage bruts, mais les entreprises qui aident leurs clients à utiliser les modèles de manière sélective, sûre et avec une logique économique plus claire.
Et ensuite
Le scénario le plus probable n’est pas un effondrement de la demande d’IA en entreprise. C’est un passage à des contrôles plus stricts, à des déploiements plus ciblés et à un examen plus attentif des endroits où les jetons sont dépensés. Les organisations pourraient privilégier les cas d’usage à retour direct, comme l’aide au codage, les flux documentaires avec réductions mesurables du temps de cycle, ou des copilotes sectoriels intégrés à des processus générateurs de revenus. Les expérimentations qui produisent des volumes impressionnants mais des bénéfices commerciaux flous pourraient rencontrer une résistance interne plus forte.
Cela marquerait une phase plus mûre de l’adoption en entreprise. La première période de l’IA générative dans de nombreux lieux de travail récompensait l’enthousiasme et l’expérimentation visible. La phase suivante pourrait récompenser la retenue, la mesure et des choix d’architecture qui rendent les coûts prévisibles. En ce sens, le recul du tokenmaxxing est moins un repli qu’une normalisation. La technologie quitte sa phase performative pour entrer dans la logique d’achat qui régit la plupart des logiciels d’entreprise.
Le signal important du reportage de Fast Company n’est pas que les entreprises utilisent moins d’IA parce que l’intérêt s’est évaporé. C’est qu’elles commencent à se demander si chaque jeton dépensé produit une valeur durable. Pour un secteur fondé sur l’échelle, cette question pourrait devenir la plus importante.
Cet article est basé sur un reportage de Fast Company. Lire l’article original.
Originally published on fastcompany.com