Tech • IA • Crypto
Personne ne réalise ce que l’IA va vraiment nous coûter
8/10INTRO
La hausse des coûts d’usage de l’IA oblige les entreprises à rationner l’accès, tandis qu’un nouveau concept de « capital de tokens » émerge comme avantage concurrentiel lié au calcul, aux données et aux boucles d’apprentissage.
POINTS CLÉS
Les coûts de l’IA entraînent un rationnement en entreprise
De grands groupes comme Amazon, Walmart, Uber et Meta limitent de plus en plus l’usage interne de l’IA à mesure que les coûts explosent. Le principal facteur est la consommation de tokens, l’unité qui mesure le traitement de l’IA. Ce qui relevait d’expérimentations est désormais géré comme un coût opérationnel contrôlé, comparable au cloud.
L’essor du « capital de tokens »
Le PDG de Microsoft, Satya Nadella, promeut l’idée que les entreprises doivent bâtir un « capital de tokens », soit leur capacité à générer, utiliser et conserver de l’intelligence issue de l’IA. Cela inclut données propriétaires, systèmes d’apprentissage internes et connaissances accumulées. L’IA n’est plus un outil, mais un actif économique central pour la survie à long terme.
Des modèles aux boucles d’apprentissage
Les modèles d’IA deviennent des commodités, accessibles à toutes les entreprises. L’avantage compétitif se déplace vers ce qui les surplombe: systèmes d’évaluation privés, environnements d’entraînement sur mesure et mémoire persistante. Les entreprises qui transforment l’usage de l’IA en boucles d’apprentissage propriétaires conservent de la valeur même en changeant de modèle.
Explosion de la demande de tokens
Goldman Sachs estime que l’usage mondial de l’IA pourrait atteindre 120 quadrillions de tokens par mois d’ici 2030, soit environ 24 fois les niveaux actuels. Chaque requête, réponse et étape de raisonnement consomme des tokens, qui deviennent l’unité économique fondamentale de l’IA. Malgré la baisse du coût unitaire, la consommation totale — et donc la dépense — augmente rapidement.
L’inférence devient le principal poste de coût
Historiquement, l’entraînement dominait les dépenses. Aujourd’hui, l’usage continu — l’inférence — devient prépondérant. Gartner estime qu’elle pourrait représenter 70 % du coût total du cycle de vie. Cela reflète des modèles plus complexes qui « réfléchissent » plus longtemps et la montée d’agents autonomes fonctionnant en continu.
L’effet rebond dans l’économie de l’IA
Le prix des tokens baisse de 60 à 70 % par an, mais les coûts globaux continuent d’augmenter en raison de l’usage accru. C’est le paradoxe de Jevons: des ressources moins chères entraînent une consommation plus élevée. Les systèmes à base d’agents peuvent nécessiter 5 à 30 fois plus de tokens par tâche que les chatbots classiques, amplifiant l’effet.
Des investissements massifs en infrastructure
Les hyperscalers investissent lourdement pour contrôler l’infrastructure IA, avec des dépenses passant de 200 milliards de dollars en 2024 à 700 milliards projetés. Les marchés montrent toutefois des inquiétudes: l’action de Meta a chuté d’environ 10 % après une hausse des prévisions d’investissement, et le flux de trésorerie disponible d’Amazon est largement absorbé par l’expansion des centres de données.
Des rendements inégaux et des risques stratégiques
Seuls 28 % des projets d’infrastructure IA aux États-Unis atteignent pleinement leurs objectifs de ROI. Parallèlement, 74 % de la valeur économique générée par l’IA est captée par seulement 20 % des entreprises, signe d’une forte concentration. Les entreprises qui n’intègrent pas l’IA dans leurs flux clés risquent d’en faire un centre de coûts plutôt qu’un moteur de valeur.
Dépendance au calcul et à l’énergie
Les systèmes d’IA convertissent l’électricité en tokens, faisant de l’infrastructure de calcul un goulet d’étranglement critique. Le contrôle des puces, des centres de données et de l’énergie se concentre entre quelques acteurs, soulevant des enjeux d’accès et de souveraineté économique.
Une montée en puissance incertaine à long terme
Certains chercheurs doutent que l’augmentation du calcul continue d’apporter des gains majeurs. Des approches alternatives, comme des architectures plus efficaces ou de nouvelles techniques de raisonnement, pourraient modifier l’économie. Néanmoins, les tendances actuelles favorisent toujours une intensification du calcul, surtout pour l’inférence.
CONCLUSION
L’IA évolue vers un système coûteux et dépendant des infrastructures, où l’avantage compétitif tient moins à l’accès aux modèles qu’à la capacité de transformer l’usage des tokens en valeur économique mesurable.