Pourquoi le coût des jetons fait exploser les budgets des directeurs financiers en 2026

En moins d’un an, le coût des jetons d’IA est passé du statut de détail technologique mineur à celui de problème budgétaire au niveau des conseils d’administration. Il y a douze mois, le « coût des jetons » ne figurait pas parmi les postes surveillés par la plupart des directeurs financiers. Aujourd’hui, il apparaît dans tous les endroits indésirables : actualités, notes internes, gels budgétaires et conférences sur les résultats.

Uber a donné à ses ingénieurs l’accès à Claude Code à la fin de 2025. En avril 2026, l’entreprise avait consommé l’intégralité de son budget annuel consacré au codage par IA en quatre mois. Elle a réagi en plafonnant les dépenses à 1 500 dollars par employé, par mois et par outil, comme l’a rapporté en premier Bloomberg. Si l’utilisation simultanée de deux outils de codage agentiques est autorisée, par exemple Claude et Cursor, ce plafond double et atteint 3 000 dollars par mois et par ingénieur, soit 36 000 dollars par an pour l’utilisation de l’IA par une seule personne. Uber compterait environ 4 000 ingénieurs, ce qui correspondrait à une dépense de 144 millions de dollars en IA.

La facture de Meta pourrait être encore plus élevée. Une note interne avertissait que le coût des jetons d’IA risquait d’atteindre plusieurs milliards de dollars en 2026. La raison tient à la mécanique du fonctionnement des agents à grande échelle. Lorsqu’un agent d’IA se connecte à une base de code pour corriger un bogue ou écrire un logiciel, il traite des milliers de jetons de contexte à chaque requête. Appliquez cela à une organisation de la taille de Meta, ajoutez une directive interne encourageant les ingénieurs à utiliser Claude, et la consommation de jetons ne se contente pas d’augmenter : elle explose.

Selon l’indice IA de Ramp, qui suit les paiements réellement effectués auprès des fournisseurs dans plus de 70 000 entreprises, les 1 % d’entreprises les plus avancées dans l’adoption de l’IA dépensent désormais environ 7 500 dollars par employé et par mois, et ces dépenses progressent de 14,1 % d’un mois à l’autre. Des dirigeants de Mercor, jeune entreprise de recrutement par IA, ont déclaré publiquement que le coût des jetons d’IA commence, dans certaines organisations, à approcher ou même à dépasser la rémunération des employés.

Il faut en tirer une leçon. Si les plus grandes entreprises technologiques au monde peuvent être surprises par cette dépense, tout le monde peut l’être. La consommation de jetons est devenue une catégorie de dépenses véritablement nouvelle, absente de tous les comptes de résultat il y a deux ans. Elle ne se comporte pas comme les coûts logiciels que les équipes financières ont appris pendant des décennies à modéliser et à intégrer aux calculs traditionnels de retour sur investissement. Comprendre pourquoi le coût des jetons d’IA se comporte si différemment des dépenses logicielles classiques constitue la première étape pour le maîtriser.

Pourquoi le coût des jetons d’IA est si difficile à prévoir

La budgétisation traditionnelle des logiciels repose sur une hypothèse simple : les coûts évoluent avec les effectifs. Dix employés supplémentaires signifient dix licences supplémentaires, à un prix connu. Il est donc facile de prévoir et de planifier les dépenses lorsque l’entreprise se développe ou adopte de nouvelles plateformes logicielles.

Les jetons d’IA invalident cette hypothèse. Le coût dépend de l’utilisation et non des effectifs. Cette utilisation est extrêmement inégale, difficile à prévoir et, dans le cas des agents autonomes, n’est même pas liée à une personne assise devant un clavier. Un seul ingénieur menant une session de codage agentique peut consommer plusieurs milliers de dollars en un mois sans avertissement, car le compteur tourne, que le résultat soit utile ou non. De nombreux modèles produisent également des milliers de jetons cachés et invisibles simplement pour « réfléchir » étape par étape avant de répondre, ce qui multiplie le coût de chaque requête.

C’est précisément ce que la plupart des organisations n’ont pas encore intégré à leurs calculs : chaque nouveau dollar dépensé en IA agentique doit être prélevé quelque part. Pour la plupart des directeurs financiers, il ne s’agit pas d’une erreur d’arrondi absorbée par un fonds d’innovation. Nous parlons de millions de dollars de nouvelles dépenses qui n’existaient pas il y a deux ans. Il faut donc faire de véritables arbitrages avec les effectifs, d’autres investissements technologiques ou les budgets discrétionnaires d’autres secteurs de l’entreprise.

Les trois niveaux de risque liés aux dépenses d’IA en entreprise

Lorsque l’on examine les dépenses réelles des organisations en matière d’IA, un schéma plus net se dessine. Le risque financier n’est pas réparti uniformément. Il se concentre dans des domaines précis et, dans une organisation type, un seul des trois niveaux est probablement maîtrisé aujourd’hui.

Les utilisateurs professionnels des ventes, du marketing et des opérations se servent principalement d’outils facturés par licence : un forfait de 20 à 30 dollars par utilisateur et par mois. C’est le niveau que les services financiers savent déjà budgéter, car il se comporte exactement comme tous les autres postes SaaS achetés au cours des vingt dernières années.

Les développeurs qui utilisent des outils de codage agentiques sont à l’origine des histoires comme celle d’Uber, et toute cette catégorie vient de passer d’un forfait à une tarification à l’usage. GitHub Copilot est passé à une facturation fondée sur les jetons en juin 2026, et des développeurs ont prévu que leurs factures mensuelles passeraient de 29 à 750 dollars, et de 50 à 3 000 dollars lors de sessions agentiques intensives. Uber n’est pas une exception : l’entreprise offre un premier aperçu de la direction que prend toute la catégorie.

Les agents autonomes constituent le niveau que presque personne n’a encore modélisé. La notion de « licence utilisateur » n’existe pas pour un agent. Il fonctionne sans surveillance, lance des sous-agents, recommence en cas d’échec et consomme des jetons en continu, qu’il produise ou non quoi que ce soit de valeur. C’est le niveau pour lequel on dispose du moins de données sur les coûts et du moins de précédents budgétaires.

Pour résumer, le niveau avec lequel les directeurs financiers sont le plus à l’aise présente aussi le risque financier le plus faible. Les deux niveaux qui font réellement exploser les budgets sont justement ceux qui abandonnent une tarification prévisible au moment où leur utilisation augmente le plus rapidement.

Combler les lacunes de la gestion des coûts de l’IA

Le point commun entre Uber, Meta et l’ensemble plus large des données de Ramp est le manque de visibilité. La plupart des organisations n’ont pas de couche de contrôle entre l’employé ou l’agent et l’outil qu’il ouvre. Les plafonds de dépenses comme celui d’Uber sont une solution rudimentaire appliquée après coup à un problème qui devrait en réalité être traité plus en amont.

C’est cette lacune qu’une nouvelle catégorie d’outils, souvent appelée orchestration d’agents ou passerelles d’agents, vise à combler : acheminer chaque tâche vers le modèle le moins cher capable de la traiter, faire respecter des limites de dépenses avant qu’elles ne soient franchies et fournir aux services financiers un compteur en temps réel plutôt qu’une surprise mensuelle.

Cette catégorie évolue rapidement et se divise déjà en plusieurs couches distinctes. La première est celle des passerelles de contrôle des coûts, qui se placent entre les applications d’une organisation et ses fournisseurs de modèles. Elles ajoutent des plafonds de dépenses par équipe, l’acheminement automatique des tâches simples vers des modèles moins coûteux et la mise en cache des réponses : les mêmes leviers qu’Uber a actionnés manuellement lors de l’instauration de son plafond. La deuxième couche est l’orchestration d’agents, qui se concentre sur la coordination de plusieurs agents travaillant ensemble et intègre de plus en plus la visibilité des coûts dès la conception au lieu de l’ajouter après coup. Enfin, une couche plus récente destinée aux services financiers commence à traiter les dépenses d’IA comme les équipes FinOps traitent depuis longtemps les dépenses cloud : attribution par équipe et par fonctionnalité, budgétisation et examen mensuel plutôt que découverte après coup.

Une autre approche architecturale vise à limiter les dépenses en réduisant la dépendance aux grands modèles linguistiques. Certaines entreprises ont commencé à créer une architecture hybride SLM/LLM dans laquelle de petits modèles linguistiques sont entraînés sur un ensemble restreint de tâches d’entreprise, par exemple les politiques internes, le service client, le traitement de dossiers de prêt ou l’analyse de manifestes d’expédition. Les avantages économiques peuvent être convaincants.

Selon une comparaison 2026 des LLM d’entreprise, pour un million de conversations par mois, les LLM de pointe hébergés coûtent entre 15 000 et 75 000 dollars mensuels, tandis qu’un petit modèle linguistique affiné et déployé en interne coûte entre 150 et 800 dollars par mois au même volume. Goldman Sachs, par exemple, gère ses dépenses d’IA à grande échelle au moyen d’une passerelle centralisée qui classe chaque requête par type de tâche et l’achemine vers le modèle le plus économique pour le travail concerné, des modèles légers en source ouverte jusqu’aux LLM de pointe, le tout dans son propre périmètre de sécurité.

Le dénominateur commun est que la plupart des outils actuels ont été conçus par et pour des ingénieurs afin d’accroître fortement leur productivité grâce aux agents. La couche qui manque encore à la plupart des organisations est celle qui répond directement aux questions du directeur financier : quelle équipe, quel budget, comment prévoir les dépenses et quel cas d’utilisation métier justifie cette dépense ? C’est probablement cette lacune qui comptera le plus à mesure que les dépenses liées à l’IA agentique continueront de s’accumuler.

Il y a deux ans, rien de tout cela n’existait comme poste budgétaire. Aujourd’hui, le coût des jetons d’IA est l’un des postes du bilan dont la croissance est la plus rapide et la compréhension la plus faible, et la gestion des coûts de l’IA devient rapidement une discipline financière centrale plutôt qu’un projet secondaire. Nous avons observé une évolution comparable lors de la première adoption du cloud, quand les coûts ont explosé au cours de la vague initiale. Les organisations qui préparent le déploiement d’une IA agentique feraient bien d’engager dès maintenant ce dialogue entre les équipes techniques et financières et de définir une méthode de gestion. Uber et Meta ont déjà montré ce qui se produit lorsque cette conversation a lieu après coup plutôt qu’en amont.