E — Economics

IA : la révolution de productivité est réelle mais le problème des coûts commence à se voir

28 May, 2026

Depuis plusieurs jours, certains signaux venus d’Uber, Microsoft, Starbucks ou encore Nvidia rappellent que le boom de l’intelligence artificielle n’est pas terminé mais il change de nature. Le marché semble progressivement sortir de la phase “l’IA peut tout faire” pour entrer dans une phase beaucoup plus exigeante qu’est “l’IA doit maintenant justifier son coût”. Cette nuance est fondamentale car une technologie peut être spectaculaire, largement adoptée, massivement utilisée, et pourtant ne pas encore produire suffisamment de valeur économique mesurable.



1- Le débat sur l’IA se déplace de la capacité technologique au retour sur investissement

Depuis deux ans, le récit dominant autour de l’intelligence artificielle était que les entreprises allaient déployer des outils d’IA, automatiser une partie de leurs tâches, réduire leurs coûts, accélérer leurs cycles de production, améliorer leurs marges et générer d’immenses gains de productivité. Dans cette lecture, l’IA était presque présentée comme une évidence économique car plus d’IA devait mécaniquement signifier plus d’efficacité.

Sauf que les premiers déploiements à grande échelle montrent une réalité plus nuancée. L’IA n’est pas gratuite, les tokens ont un coût, a puissance de calcul a un coût, l’intégration dans les workflows a un coût, la supervision humaine a un coût, et surtout, l’utilisation d’un outil ne garantit pas automatiquement un gain de productivité.

C’est exactement ce que montre le cas Uber qui a poussé l’utilisation d’outils de codage par IA auprès de milliers d’ingénieurs, notamment avec des solutions comme Claude Code. Sur le papier, cela ressemble à un succès mais le COO d’Uber, Andrew Macdonald, a reconnu que le lien entre l’explosion de la consommation de tokens et l’amélioration réelle des produits proposés aux clients reste difficile à démontrer.

Le problème n’est pas de savoir si l’IA fonctionne en théorie mais plutôt de savoir si elle fonctionne économiquement à grande échelle. Une entreprise peut voir ses employés utiliser beaucoup plus d’IA, consommer davantage de tokens, générer plus de lignes de code ou accélérer certaines tâches internes, mais si cela ne se traduit pas par plus de fonctionnalités utiles, une meilleure expérience client, une baisse des coûts ou une amélioration des marges, alors l’équation économique devient beaucoup moins évidente.

En clair, le marché passe d’un débat sur les capacités à un débat sur le ROI, et cette bascule est majeure. La première vague de l’IA était celle de l’adoption mais la prochaine sera celle de la conversion économique. Les gagnants ne seront pas forcément les entreprises qui utilisent le plus d’IA, mais celles qui sauront transformer cette utilisation en levier opérationnel mesurable.

2-Confondre consommation d’IA et transformation économique

Le cas Uber illustre un danger que l’on pourrait appeler le “tokenmaxxing”. Il s’agit de l’idée selon laquelle une hausse massive de la consommation d’IA serait nécessairement synonyme de progrès. Or, c’est précisément cette confusion que les entreprises vont devoir éviter.

Si une entreprise dépense de plus en plus en outils d’IA sans être capable d’identifier clairement les gains associés, elle ne crée pas forcément du levier opérationnel. Elle crée potentiellement une nouvelle ligne de coûts variables. C’est très différent du discours initial, selon lequel l’IA devait simplement remplacer une partie du travail humain. La réalité émergente est que l’IA peut réduire certains coûts humains, mais elle peut aussi créer une couche supplémentaire de dépenses en calcul, licences, intégration, contrôle qualité et correction des erreurs.

The AI Agent Economy Has Begun

Goldman Sachs predicts AI agents will drive a 24x explosion in token consumption by 2030, reaching 120 quadrillion tokens processed monthly.

This is the moment AI stops being a tool…
and starts becoming a workforce.

Companies using AI agents… pic.twitter.com/F5Scbb1614

— Alvin Foo (@alvinfoo) May 27, 2026

C’est pour cette raison que les directions financières vont progressivement reprendre la main. Après la phase d’expérimentation, où l’objectif était de tester, déployer et encourager l’usage, vient une phase de gouvernance. Les CFO vont poser des questions beaucoup plus directes : combien coûte réellement l’IA ? Quels cas d’usage créent de la valeur ? Quels outils sont redondants ? Quels workflows sont réellement améliorés ? Quel est le gain de productivité par dollar dépensé ?

Microsoft donne un autre signal intéressant. L’entreprise aurait commencé à limiter certaines licences directes de Claude Code pour orienter davantage ses développeurs vers GitHub Copilot CLI, c’est-à-dire vers son propre écosystème. Ce n’est évidemment pas un abandon de l’IA. Microsoft reste l’un des principaux bénéficiaires du cycle, via Azure, GitHub, son exposition à OpenAI, ses logiciels d’entreprise et la demande massive en infrastructure cloud, mais ce mouvement montre que même un géant structurellement exposé positivement à l’IA cherche à contrôler sa courbe de coûts.

Starbucks montre une autre dimension du problème. L’entreprise a abandonné un outil d’inventaire basé sur l’IA en Amérique du Nord seulement quelques mois après son déploiement. Le système devait automatiser le comptage des stocks à l’aide de caméras et de LIDAR, mais il aurait rencontré des problèmes de fiabilité, notamment sur l’identification de produits similaires. Ce cas est important parce qu’il rappelle que l’IA ne se déploie pas toujours dans des environnements propres, standardisés et prévisibles. Dans un magasin réel, il y a des variations de lumière, des produits mal rangés, des comportements humains imparfaits, des cas limites, des données incomplètes et des contraintes opérationnelles permanentes. C’est là que l’écart entre la présentation commerciale et la réalité opérationnelle devient visible. En démonstration, l’IA peut sembler magique. Dans un environnement réel, elle doit être intégrée, surveillée, corrigée et parfois abandonnée si l’ancien processus manuel fonctionne mieux. Cela ne signifie pas que l’IA est inutile mais simplement que tous les cas d’usage ne sont pas transformateurs.

3- Le paradoxe de l’IA : plus elle devient puissante, plus elle peut devenir chère

Le commentaire le plus frappant vient peut-être de Nvidia. Bryan Catanzaro, VP of Applied Deep Learning, aurait expliqué que, pour son équipe, le coût du compute dépasse largement le coût des employés. Cette phrase est importante parce qu’elle vient de l’intérieur même de l’entreprise qui est probablement la plus grande gagnante de la vague d’infrastructure IA.

Il faut évidemment l’interpréter avec prudence car il parle d’une équipe très avancée, dans un environnement d’apprentissage profond intensif en calcul. Ce n’est pas représentatif de tous les employés de bureau utilisant un assistant IA pour rédiger un email ou résumer un document mais le signal reste puissant. La puissance de calcul est déjà si coûteuse qu’elle peut dépasser le coût du travail humain.

Plus les modèles deviennent puissants, plus ils deviennent utiles mais plus ils sont utilisés, plus ils peuvent coûter cher. Si l’usage augmente plus vite que la monétisation ou les gains de productivité, alors les coûts progressent avant les profits. C’est exactement ce que les entreprises commencent à comprendre.

Le risque n’est donc pas que l’IA disparaisse. Le risque est que certaines entreprises confondent dépense technologique et transformation économique. Une société peut annoncer qu’elle utilise massivement l’IA, équiper des milliers de salariés, générer des millions de requêtes et multiplier les projets pilotes, sans pour autant améliorer ses marges, sa vitesse d’exécution ou son expérience client. À l’inverse, une entreprise plus disciplinée, qui déploie l’IA sur quelques cas d’usage précis, mesurables et bien intégrés, peut créer beaucoup plus de valeur avec moins de bruit.

C’est ce qui va rendre la prochaine phase du cycle IA beaucoup plus sélective. Le marché ne pourra pas éternellement récompenser les entreprises qui se contentent de dire “nous utilisons l’IA”. Il faudra prouver que l’IA améliore réellement l’économie du business : revenus, coûts, marges, qualité, vitesse, fiabilité ou satisfaction client.

Conclusion

Les signaux récents envoyés par Uber, Microsoft, Starbucks et Nvidia ne remettent pas en cause la thèse de long terme sur l’intelligence artificielle. Au contraire, ils la rendent plus sérieuse car ils montrent que l’IA entre dans une phase de maturité où l’enthousiasme technologique doit désormais rencontrer la discipline économique.

L’opportunité IA reste massive mais elle devient plus exigeante. La prochaine phase ne sera pas celle des entreprises qui parlent le plus d’intelligence artificielle, mais de celles qui parviennent à transformer l’IA en gains de productivité mesurables, en marges défendables et en véritable levier opérationnel.

Source: Polymarket

C’est la fin de l’illusion selon laquelle l’adoption de l’IA suffit automatiquement à créer de la rentabilité.