Personne ne réalise ce que l'IA va vraiment nous coûter

SYNTHÈSE STRUCTURÉE

Le monstre caché : la facture IA

Le Financial Times a titré “On a créé un monstre”, mais il ne s’agit pas d’une IA consciente. Le vrai monstre, c’est la facture. Des géants comme Amazon, Walmart, Uber et Meta rationnent désormais l’usage de l’IA, car “ce besoin permanent en token coûte tout simplement beaucoup trop cher”. L’auteur souligne que même les plus grandes entreprises découvrent que l’IA non pilotée coûte plus qu’elle ne rapporte.

Le “capital token” selon Satya Nadella

Satya Nadella, PDG de Microsoft, a publié un article vu plus de 60 millions de fois, expliquant que les entreprises doivent se constituer un “capital token”. Il ne s’agit pas de posséder le modèle (une commodité louée comme l’électricité), mais de construire une boucle d’apprentissage propriétaire : évaluations privées, environnements d’entraînement sur vos données, et mémoire interrogeable. Sa formule clé : “On peut déléguer une tâche, même un poste entier, mais pas son apprentissage.”

Le piège de la commodité

Nadella avertit que la bataille ne se joue pas sur le choix du modèle (ChatGPT, Claude, Gemini), car “tout le monde y a accès. Vous, votre voisin, votre concurrent.” Le modèle est une commodité. La vraie différence réside dans ce qu’on construit au-dessus : la boucle d’apprentissage qui transforme l’usage en savoir accumulé. Sans cette boucle, la consommation de tokens n’est que de la dépense, pas du capital.

L’IA : une usine à tokens alimentée par l’électricité

Arthur Mensch (Mistral AI), lors d’une audition à l’Assemblée nationale, a expliqué que “l’IA générative consiste à transformer de l’électricité en token”. Il compare l’intelligence à une ressource naturelle : “Il faut réfléchir à l’intelligence comme on réfléchit à l’énergie.” La chaîne industrielle revient à prendre de l’électricité, la faire passer dans un GPU, et obtenir des tokens – l’unité économique de l’intelligence.

Le basculement : de l’entraînement à l’inférence

Historiquement, le coût principal était l’entraînement du modèle (payé une fois par le labo). Aujourd’hui, les modèles raisonnent, tâtonnent, se relisent, et les agents tournent 24h/24. Gartner estime que l’inférence pourrait représenter 70 % du coût total d’un modèle sur sa durée de vie. “Avant le gros de la facture c’était la construction du cerveau. Maintenant la facture c’est le cerveau qui pense en continu.”

Le paradoxe de Jevons : moins cher à l’unité, plus cher au total

Goldman Sachs estime que le coût par token chute de 60 à 70 % par an. Mais l’auteur rappelle le paradoxe de Jevons : quand une ressource devient moins chère, on en consomme beaucoup plus. Un modèle agentique peut nécessiter 5 à 30 fois plus de tokens par tâche qu’un chatbot standard. Résultat : la facture totale grimpe, car “moins cher à l’unité ne veut pas dire moins cher au total”.

L’explosion des investissements : 700 milliards de dollars

Les hyperscalers (Microsoft, Google, Amazon, Meta) dépensent des sommes colossales : 200 milliards de Capex en 2024, 410 en 2025, et 700 milliards prévus pour 2026. Pourtant, le marché s’inquiète : Meta a vu son action chuter de 10 % après avoir relevé ses prévisions, et Oracle a perdu 300 milliards de capitalisation après son deal avec OpenAI. L’auteur note qu’une partie de cet argent tourne en rond : “Nvidia a mis 30 milliards en OpenAI, qui le dépense… en Nvidia.”

Le fossé entre les entreprises : 74 % de la valeur pour 20 % des acteurs

Seulement 28 % des usages IA en infrastructure atteignent pleinement leurs objectifs de retour sur investissement. Pire, 74 % de la valeur économique de l’IA est captée par seulement 20 % des entreprises. Les leaders ne se contentent pas d’acheter plus d’IA : ils réinventent leur modèle économique. L’auteur craint que l’IA devienne “un facteur multiplicateur pour une minorité et un facteur diviseur pour une majorité”.

La dépendance à l’infrastructure : le verrouillage par le calcul

Arthur Mensch prévient : “Celui qui possède la ressource, les chips, les électrons, les centrales, c’est celui qui gagne.” L’OCDE confirme que la concentration de cette couche permet à quelques acteurs de verrouiller l’accès des autres. Même avec une excellente boucle d’apprentissage, une entreprise dépend de l’infrastructure externe (cloud, data centers, énergie) – et cette infrastructure est largement contrôlée par des acteurs américains.

Les limites du scaling : le débat sur la puissance de calcul

Des figures comme Ilya Sutskever et Yann LeCun contestent l’idée qu’empiler toujours plus de calcul et de données suffira à rendre les modèles bien plus intelligents. Ils ne nient pas l’utilité de la puissance, mais appellent à changer de méthode. Cependant, la nouvelle méthode (le raisonnement à l’inférence) reste très gourmande en calcul. Même DeepSeek V3, entraîné pour seulement 5,6 millions de dollars (contre 80 millions pour GPT-4), voit ses gains partiellement mangés par la génération de tokens de raisonnement.

CONCEPTS CLÉS

Token : Unité de base que le modèle lit ou génère (mot, bout de mot, signe). Chaque prompt, réponse ou raisonnement est découpé en tokens. C’est l’unité de mesure de la consommation et de la facture.
Capital token : Actif immatériel constitué par la boucle d’apprentissage propriétaire d’une entreprise (évaluations privées, entraînement sur données internes, mémoire interrogeable). Il produit un retour sur investissement mesurable.
Inférence : Phase où le modèle utilise ses connaissances pour répondre à une question. Contrairement à l’entraînement (coût fixe), l’inférence est un coût variable qui explose avec les agents et le raisonnement.
Paradoxe de Jevons : Phénomène où la baisse du coût unitaire d’une ressource entraîne une augmentation de sa consommation totale, car elle devient accessible pour de nouveaux usages.
Scaling : Stratégie consistant à améliorer les performances des modèles en augmentant la puissance de calcul, les données et la taille du modèle. Contestée par certains chercheurs.

CONCLUSION

Le message principal est que l’IA n’est pas une simple commodité qu’on achète, mais un processus qui transforme de l’électricité en intelligence via des tokens. Pour en tirer un avantage durable, une entreprise doit construire une boucle d’apprentissage propriétaire – son “capital token”. Mais ce capital dépend d’une infrastructure externe (cloud, GPU, énergie) contrôlée par quelques géants. Le vrai enjeu n’est pas de savoir qui utilise l’IA, mais qui sait transformer sa consommation de tokens en retour sur investissement mesurable. Sans cela, la facture devient un monstre qui dévore les marges, et seuls les acteurs capables de réinventer leur modèle économique autour de l’IA survivront.