Les données de Ramp montrent que l’utilisation des jetons d’IA par les entreprises dépasse la croissance des dépenses

TechCrunch a rapporté le 6 novembre 2026 que, selon les données de Ramp, les dépenses liées aux jetons d’IA n’ont augmenté que de 1,5 % en août et septembre 2026, contre une croissance mensuelle de 42 % en juillet, alors même que le volume de jetons continuait de progresser. Cette divergence remet en cause une hypothèse fondamentale : une utilisation accrue de l’IA par les entreprises n’entraîne pas automatiquement une hausse équivalente des revenus des entreprises qui développent des modèles.

Le plus récent indice IA de Ramp fait état d’un rebond en octobre, mais pas suffisamment marqué pour combler cet écart. Les dépenses totales liées aux jetons ont augmenté de 8,9 % au cours de la semaine se terminant le 23 octobre 2026, par rapport à la semaine comparable se terminant le 25 septembre 2026, tandis que le volume de jetons a grimpé de 37,1 %. La consommation augmente donc beaucoup plus rapidement que les dépenses, même après leur retour à la croissance.

Baisse des prix et concentration de la demande

Entre ces deux semaines, le prix moyen par million de jetons pour OpenAI et Anthropic est passé de 0,76 $ à 0,56 $. L’indice fait état d’une baisse de 26,8 %, ainsi que de reculs de 42,4 % pour OpenAI et de 15,7 % pour Anthropic. Ces baisses aident à comprendre pourquoi une forte hausse de l’utilisation peut se traduire par une progression beaucoup plus modeste des dépenses.

Les dépenses sont également assez concentrées pour qu’un petit groupe de clients influe sur la tendance générale. Dans son analyse du 14 octobre 2026, Ramp indique que 1 % des entreprises représentaient 80 % des dépenses auprès d’OpenAI et d’Anthropic, et relève deux mois consécutifs de dépenses en jetons pratiquement stables. En septembre, les dépenses mensuelles médianes en IA par salarié s’élevaient à 9 568 $ parmi les 1 % d’entreprises qui dépensent le plus en IA, contre 813 $ parmi les 10 % en tête et 15,70 $ pour l’entreprise médiane.

L’adoption payante continue néanmoins de s’étendre : selon l’indice, elle concernait 55,9 % des entreprises clientes de Ramp en septembre, dont 43,8 % payaient Anthropic et 40,6 % OpenAI. La part d’Anthropic dans les dépenses en jetons est passée de 51,3 % au cours de la semaine se terminant le 25 septembre à 60,5 % au cours de celle se terminant le 23 octobre, tandis que celle d’OpenAI est passée de 44,2 % à 35,1 %. Un fournisseur peut gagner des parts au sein d’un marché des dépenses influencé par les gains d’efficacité des clients ; l’évolution des parts ne permet donc pas, à elle seule, de trancher la question de la croissance globale des dépenses.

Les grands clients maîtrisent leurs coûts

Ara Kharazian, économiste en chef chez Ramp, a déclaré à TechCrunch que le ralentissement n’était pas dû à un problème de demande. Il l’a plutôt attribué à la baisse des prix des modèles et à la concurrence, qui ont créé un marché favorable aux acheteurs. Les clients les plus avancés font également preuve de davantage de rigueur : ils définissent des paramètres par défaut qui empêchent l’utilisation de modèles coûteux pour des tâches de longue durée, imposent des budgets à leurs employés et utilisent des routeurs pour transférer les tâches des modèles standard ou légers vers des modèles légers moins coûteux.

Selon Kharazian, la croissance des dépenses des entreprises médianes et de celles du décile supérieur ne suffit pas à compenser le recul des dépenses des plus grands utilisateurs. Il se demande si les cabinets médicaux ou les concessionnaires automobiles atteindront un jour le niveau de dépenses du groupe de tête, même si la demande d’agents de programmation augmente dans les secteurs des logiciels et de la finance. Pour les acheteurs, le résultat est une utilisation accrue de l’IA à moindre coût ; pour les entreprises qui développent des modèles, le lien entre consommation et revenus devient plus complexe.

Limites du jeu de données et prochain défi de croissance

L’indice s’appuie sur plus de 85 000 entreprises américaines et des milliards de dollars de dépenses professionnelles effectuées au moyen de la plateforme de cartes d’entreprise et de paiement de factures de Ramp. Il mesure l’adoption à partir des transactions payantes observées plutôt que de sondages. Ramp précise que cette méthode sous-estime probablement l’activité, car les outils gratuits ne donnent lieu à aucun paiement et que les employés peuvent utiliser des comptes personnels. Les indicateurs relatifs aux jetons couvrent un sous-ensemble plus restreint d’utilisateurs de Ramp Token Spend Management, pour lesquels les données d’utilisation et de facturation des fournisseurs sont connectées. Ce sous-ensemble n’est pas représentatif du volume total des dépenses de Ramp en IA, même si les résultats suivent une tendance similaire.

Les chiffres relatifs à la concentration doivent également être interprétés avec certaines réserves. Dans son analyse d’octobre, Ramp précise que le groupe correspondant au 1 % supérieur est restreint et que les estimations de ses dépenses sont plus volatiles que celles des entreprises médianes et des 10 % en tête. L’entreprise indique aussi avoir révisé ses estimations à la hausse après avoir ajouté de nouveaux fournisseurs d’IA. La taille exacte du groupe de tête est donc moins certaine, mais cela ne modifie pas les mesures distinctes du volume et des dépenses en jetons qui sous-tendent la divergence centrale.

Kharazian estime que de futurs produits pourraient ouvrir une nouvelle phase de croissance, mais que les produits commercialement avancés disponibles aujourd’hui s’accompagnent d’un ralentissement des dépenses. Il doute que les agents personnels puissent égaler la productivité économique des agents de programmation. La question reste de savoir si une autre application commercialement viable peut élargir la demande au-delà du groupe restreint d’acheteurs d’aujourd’hui assez rapidement pour contrebalancer la baisse des prix et une meilleure maîtrise des coûts, plutôt que de simplement fournir davantage de jetons à moindre coût.