Stratégie IA : Ce que le token révèle

Le token, unité de facturation invisible de l’intelligence artificielle (IA), échappe au pilotage : la baisse du prix unitaire masque l’explosion des volumes, et le retour sur investissement (ROI) reste incertain.

L’intelligence artificielle générative s’installe dans les organisations à une vitesse inédite. Cependant, une question demeure largement absente des comités de direction : combien coûte réellement l’IA à travers les tokens ? Cette unité de facturation, invisible pour l’utilisateur final, est devenue le nerf de la guerre économique des systèmes d’IA, échappant encore à la plupart des dispositifs de pilotage.

L’illusion du coût marginal nul

Le discours dominant a longtemps entretenu une confusion : puisque le coût unitaire du token ne cesse de baisser, l’IA serait de plus en plus abordable. Le raisonnement est trompeur. Ce qui baisse, c’est le prix d’un token ; ce qui explose, c’est le nombre de tokens consommés. Les modèles dits « raisonneurs » génèrent des chaînes de réflexion internes qui multiplient la consommation par dix, vingt, parfois davantage, pour une même requête utilisateur. Les architectures agentiques, qui enchaînent appels d’outils et itérations, amplifient encore le phénomène. Le coût par unité diminue, mais la facture globale augmente.

À cela s’ajoutent des coûts périphériques rarement consolidés : ingestion documentaire et indexation vectorielle, stockage des embeddings, supervision humaine des sorties, mise en conformité avec le RGPD et l’IA Act, réversibilité contractuelle. Une organisation qui budgète uniquement l’abonnement à une API sous-estime structurellement sa dépense réelle. Dans l’enseignement supérieur comme dans l’industrie, des projets ont vu leur coût d’exploitation à douze mois dépasser de trois à cinq fois l’estimation initiale, simplement parce que le périmètre mesuré était le mauvais.

Un ROI qui reste à démontrer

Le rapport du MIT Media Lab publié en 2025, The GenAI Divide: State of AI in Business, a établi qu’environ 95 % des projets pilotes d’IA générative en entreprise ne produisaient aucun retour mesurable sur le compte de résultat. Bien que ce chiffre ait été discuté et que sa méthodologie ait été contestée, il souligne un signal clair : l’écart se creuse entre les organisations qui expérimentent et celles qui industrialisent.

La difficulté réside dans la nature même des gains. Le temps économisé par un collaborateur ne devient une valeur économique que s’il est réalloué à une activité productive. Sans redéfinition des processus, le gain se dissipe. Les ROI les plus solides s’observent là où l’IA a été adossée à une refonte organisationnelle, et non plaquée sur l’existant.

Un business model en mutation

Le modèle économique des fournisseurs de modèles de langage (LLM) se recompose. Trois mouvements convergents méritent l’attention des directions.

Tout d’abord, la segmentation tarifaire : mise en cache des prompts, traitement par lots, modèles distillés, et tarification différenciée selon la latence. La même tâche peut voir son coût varier d’un facteur cinq à dix selon l’architecture retenue.

Ensuite, on observe un glissement vers la facturation à l’usage métier plutôt qu’au token. Plusieurs éditeurs expérimentent une tarification indexée sur la tâche accomplie ou le résultat obtenu, transférant le risque technique vers le fournisseur, mais rendant l’anticipation budgétaire plus opaque.

Enfin, la banalisation par l’open source. La disponibilité de modèles ouverts performants exerce une pression déflationniste continue et ouvre l’option d’une exécution souveraine sur infrastructure maîtrisée.

Piloter, ou subir

Ces évolutions appellent une réponse de gouvernance. Trois principes structurants émergent :

1. Instaurer une observabilité du token : comptabiliser la consommation par cas d’usage, par direction, par utilisateur.
2. Définir des seuils et des garde-fous : budget plafonné par projet, alertes de dérive, revue trimestrielle.
3. Router intelligemment : réserver les modèles avancés aux tâches complexes et confier le volume aux modèles légers.

L’IA générative, comme toute technologie, nécessite un pilotage efficace. Les organisations qui traiteront le token comme une ressource stratégique, mesurée et optimisée, prendront une avance durable sur celles qui continueront de le considérer comme un détail d’implémentation.

Source : MIT Media Lab, The GenAI Divide: State of AI in Business 2025, projet NANDA, juillet 2025.