Après avoir encouragé leurs salariés à utiliser l’IA le plus possible, de nombreuses entreprises font marche arrière. Accenture, Uber, Walmart, Microsoft ou Meta ont fixé des limites de dépenses ou d’usage, après avoir constaté que leurs factures dépassaient largement les prévisions.
La raison tient en un mot : les tokens. Les outils d’IA générative sont de plus en plus souvent facturés à la consommation, et les agents capables de travailler seuls pendant des heures en consomment des quantités considérables. Le coût de l’IA en entreprise ne dépend donc plus du nombre de licences, mais de la manière dont chacun s’en sert.
Ces plafonds ne signifient pas que les entreprises renoncent à l’IA. Ils marquent plutôt la fin d’une phase d’expérimentation sans compter, et le début d’une gestion plus rigoureuse.
Le token, unité de compte de l’IA
Un token correspond à un fragment de texte, souvent une partie de mot. Les modèles comme Claude, ChatGPT ou Gemini facturent à la fois les tokens envoyés (la question, les documents, le code à analyser) et ceux qu’ils génèrent en réponse. Le prix se compte en dollars par million de tokens, avec de fortes différences selon les modèles.
Pour une conversation classique, la dépense reste faible. Mais, un agent de programmation comme Claude Code relit régulièrement des milliers de lignes de code, lance des commandes, analyse les résultats et recommence. Chaque étape renvoie au modèle un contexte volumineux, et la consommation s’envole.
C’est ce qui explique un paradoxe relevé par The Next Web : alors que le prix du token a fortement baissé, les outils agentiques auraient multiplié par trois la facture IA des entreprises. Les plus engagées dépenseraient jusqu’à 7 500 dollars par employé et par mois.
Accenture, Uber, Walmart : des plafonds de plus en plus fréquents
Le cas le plus récent est celui d’Accenture. Depuis le 1er octobre, le groupe ne finance plus que 29 dollars par mois et par salarié pour Claude, selon une note interne révélée par 404 Media. Au-delà, la dépense est imputée au budget du projet concerné. Certains consultants dépensaient jusqu’à 1 000 dollars par mois.
Uber aurait de son côté épuisé dès avril l’ensemble de son budget annuel consacré aux outils de code IA. L’entreprise a ensuite limité chaque employé à 1 500 dollars par mois et par outil, qu’il s’agisse de Cursor ou de Claude Code. Walmart a plafonné l’usage de son agent interne, tandis qu’AT&T a restreint l’accès de certains salariés à GitHub CopilotGitHub Copilot est l'assistant de programmation IA de GitHub (filiale de Microsoft), développé avec OpenAI — d'abord complétion de code, puis agent autonome capable de réaliser des tâches de développement complètes, et désormais porte d'entrée vers plusieurs agents IA tiers via Agent HQ. Lire la fiche.
Les géants de la tech ne font pas exception. Chez Microsoft, certains ingénieurs consommaient entre 500 et 2 000 dollars par mois en tokens, et l’entreprise a déployé des outils pour surveiller et limiter ces dépenses. Meta prévoit également d’encadrer l’usage de l’IA par ses équipes. À l’inverse, Databricks laisse encore un budget illimité à ses ingénieurs.
Du « tokenmaxxing » au « tokenminimizing »
Ce revirement est d’autant plus frappant que plusieurs entreprises encourageaient récemment une consommation maximale. Certaines classaient même leurs salariés selon leur usage de l’IA, une pratique surnommée « tokenmaxxing ». Amazon a supprimé un tel classement après avoir constaté que des employés le manipulaient, ce qui faisait grimper les coûts de calcul.
Le mouvement inverse, baptisé « tokenminimizing », consiste à récompenser l’efficacité plutôt que le volume. L’objectif n’est plus d’utiliser l’IA le plus possible, mais d’obtenir le meilleur résultat avec le moins de tokens.
Coût de l’IA en entreprise : les bonnes pratiques de gouvernance
Les entreprises qui encadrent le mieux leurs dépenses combinent plusieurs leviers. Le premier consiste à attribuer un budget par équipe ou par projet, comme le fait Accenture, plutôt qu’un accès illimité financé centralement. Les dépenses deviennent ainsi visibles et rattachées à un gain attendu.
Le deuxième levier est le suivi de la consommation. Des passerelles d’API permettent de mesurer en temps réel l’usage par salarié, de fixer des alertes et de bloquer les dépassements. À l’échelle individuelle, des outils comme Claude Code Usage Monitor aident aussi à suivre sa propre consommation.
Enfin, le choix du modèle compte beaucoup. Tous les usages ne nécessitent pas le modèle le plus puissant : un modèle plus léger et moins cher suffit souvent pour résumer un document ou trier des e-mails. Limiter la taille du contexte envoyé et réutiliser les réponses déjà calculées grâce à la mise en cache permet également de réduire nettement la facture.
Mesurer ce que l’IA rapporte
La question centrale reste celle du retour sur investissement. Un développeur qui dépense 1 000 dollars par mois en tokens peut être rentable s’il produit nettement plus, ou au contraire coûter cher sans gain réel. Sans mesure de la productivité, les plafonds risquent de pénaliser aussi bien les usages utiles que les excès.
Les fournisseurs ont eux aussi intérêt à rendre leurs coûts plus prévisibles, sous peine de voir leurs plus gros clients réduire leur consommation. La hausse brutale des prix de l’API de DeepSeek a d’ailleurs rappelé que les tarifs peuvent aussi évoluer à la hausse.
Reste à savoir si ces plafonds deviendront durables ou s’ils accompagneront simplement une phase d’ajustement. Tout dépendra de l’évolution du prix des modèles et de la capacité des entreprises à prouver que leurs dépenses en IA se traduisent par des gains concrets.
