PERSPECTIVE
Les entreprises qui prennent de l'avance grâce à l'IA suivent la croissance, l'expérience et les retours sur investissement, et pas seulement son coût.
7 minutes de lecture
29 juillet 2026
Aujourd'hui, les dépenses liées à l'IA figurent dans la ligne de coûts du compte de résultat : infrastructure, inférence, licences, comptabilisées et examinées comme toute autre facture technologique. Ce qui figure rarement dans le compte de résultat, c'est ce qui se trouve de l'autre côté du bilan : la fidélisation générée par un centre de contact alimenté par l'IA, les actifs sous gestion qu'un banquier ainsi libéré peut faire fructifier, le fonds de roulement dégagé par des prévisions de demande plus précises. Dans chaque cas, les dépenses sont liées à la croissance, à l'expérience ou au capital, et non pas uniquement aux coûts. La plupart des entreprises ne parviennent pas encore à les saisir, et encore moins à les suivre.
Cet écart, entre la ligne sur laquelle figure aujourd'hui l'IA et les résultats qu'elle pourrait produire demain, constitue actuellement le défi majeur de l'IA d'entreprise, et le combler exige une discipline que la plupart des entreprises n'ont pas encore développée. La question n'est pas de savoir combien coûte l'IA. Il s'agit de savoir si elle génère un retour sur investissement suffisant pour avoir un impact significatif. Les dirigeants qui recadrent leur réflexion autour de cette question trouvent un ensemble de réponses très différent.
C'est là qu'intervient la tokenomie : la discipline qui consiste à relier ce que l'IA consomme à la valeur qu'elle génère. Les jetons sont les unités de données traitées par les modèles d'IA, et chaque prompt, réponse, étape de recherche et interaction avec un agent en consomme. Autrefois simple ligne de facturation, le jeton est désormais un facteur de production, un intrant essentiel qui doit être suivi, mesuré et géré. L'objectif est de maximiser le retour sur investissement de chaque dollar dépensé en IA.
Accenture observe cela à grande échelle. Par exemple, l'une de nos plateformes internes traite environ 8 700 milliards de jetons par semaine sur l'infrastructure que nous possédons et achemine chaque tâche vers le modèle approprié pour un coût représentant environ un sixième de celui des modèles de pointe. Pourtant, l'acheminement seul ne suffit pas ; dans un environnement séparé, alors que chaque nouvelle session est par défaut orientée vers un modèle de niveau intermédiaire, une grande partie des employés continuait à opter pour l'option la plus puissante. Ce simple comportement, multiplié à l'échelle de l'ensemble du personnel, est à l'origine d'une explosion silencieuse des coûts de consommation.
L'expérience nous a appris que la mise à l'échelle de l'IA ne doit pas nécessairement entraîner une explosion des coûts, mais le contrôle des coûts n'est qu'une partie du problème. Le véritable enjeu consiste à s'assurer que chaque utilisation de l'IA soit adaptée au niveau d'intelligence approprié pour le résultat commercial qu'elle doit produire.
Les jetons sont les unités de données traitées par les modèles d'IA, et chaque prompt, réponse, étape de recherche et interaction avec un agent en consomme. La tokenomie est la discipline qui consiste à relier ce que l'IA consomme à la valeur qu'elle génère.
800 milliards de dollars
Selon Goldman Sachs1, les dépenses liées à l'IA devraient dépasser 800 milliards de dollars en 2026.
Seulement 23 %
Cependant, seulement 23 % des cadres dirigeants de haut niveau que nous avons interrogés2 déclarent que l'IA génère une valeur commerciale généralisée et durable au sein de leur organisation.
Certaines entreprises ont épuisé le budget IA d'une année entière en un seul trimestre. La plupart des entreprises gèrent les jetons de la même manière que le cloud computing : de manière réactive, lorsque la facture arrive. Les entreprises qui prennent de l'avance ne s'imposent ni grâce à de meilleurs modèles ni à une puissance de calcul supérieure, mais en gérant la consommation de jetons avec la même rigueur que l'allocation de capital.
L'erreur consiste à gérer l'IA comme une dépense technologique plutôt que comme un système économique. L'IA ne s'apparente pas à un logiciel, dont la structure de coûts est bien plus prévisible : on achète des licences, on paie des redevances, on connaît le montant de la facture, et les coûts n'augmentent que lorsque les effectifs s'accroissent ou que les contrats sont renouvelés.
Avec l'IA, cette prévisibilité disparaît. Les coûts augmentent non seulement en fonction du nombre de personnes, mais aussi de ce qu'elles demandent, de la profondeur de raisonnement du modèle et du volume de travail acheminé par les systèmes d'IA. De plus en plus, les utilisateurs ne sont pas des personnes, mais des agents et des flux de travail automatisés qui consomment des inférences 24 heures sur 24, sans poste humain à compter ni licence à plafonner.
Dans presque tous les déploiements que nous avons examinés, y compris les nôtres, une petite partie des utilisateurs est à l'origine de la majeure partie des dépenses : moins de 10 % des utilisateurs et des flux de travail génèrent la grande majorité de la facture. La pression est incessante ; dans certains de nos environnements, nous recevons chaque jour des centaines de demandes visant à relever les limites de dépenses individuelles.
À mesure que l'IA s'implante davantage dans l'entreprise, la consommation augmente avec chaque nouveau flux de travail, chaque nouvel agent et chaque nouvelle modalité. Les chatbots deviennent des agents. Les agents deviennent des équipes d'agents. Le texte s'étend à la génération multimodale avec des images, des vidéos et de l'audio. Et à la périphérie physique, les robots autonomes s'appuient sur la même infrastructure d'inférence, où chaque décision et chaque exception entraînent un coût en jetons que l'entreprise n'avait pas prévu. À mesure que les cas d'utilisation se multiplient, la courbe de consommation s'accroît de manière exponentielle. Goldman Sachs prévoit que la consommation de jetons atteindra environ 120 quadrillions de jetons par mois d'ici 2030, soit environ 24 fois le niveau actuel. Les entreprises qui considèrent l'utilisation actuelle comme la référence planifient en fonction d'un monde qui ne durera pas.
La sécurité ajoute un autre coût caché, et aucune entreprise ne peut se permettre de l'ignorer. Plus une entreprise ajoute de modèles, d'agents, de données et de systèmes connectés, plus elle a de choses à défendre. Ce travail de défense (analyse constante, contrôles d'accès plus stricts, surveillance des menaces et réponse rapide) fait peser un coût caché sur chaque déploiement. Ce coût apparaît rarement dans le plan de coûts initial, mais il augmente avec chaque nouvel agent et chaque nouvelle connexion.
C'est le paradoxe de Jevons appliqué à l'IA : tout comme les machines à vapeur plus efficaces ont accru la consommation de charbon en Grande-Bretagne au lieu de la réduire, la baisse des prix des jetons pousse les entreprises à utiliser davantage l'IA, et non moins, car des tâches autrefois trop coûteuses pour être justifiées deviennent soudainement rentables.
Notre simulation[3] a montré que si les prix des jetons baissaient de 25 % aujourd'hui, seules 15 % des entreprises mettraient ces économies de côté. Les autres réinvestiraient dans de nouveaux cas d'utilisation, des charges de travail accrues ou des modèles de meilleure qualité. Demander aux employés d'utiliser moins l'IA n'est pas la solution ; cela limite les gains de productivité que l'IA est censée dégager. La solution consiste à orienter cette nouvelle demande vers le modèle le moins cher qui remplit bien la tâche, afin que le même budget permette d'obtenir davantage de travail utile et un retour sur investissement plus mesurable.
Un deuxième facteur est tout aussi important : la frontière de Pareto, c'est-à-dire le meilleur compromis entre coût et valeur. La plupart des entreprises dépensent trop là où le travail ne le justifie pas, ou affectent mal les tâches et laissent ainsi de la valeur sur la table. Les entreprises les plus sophistiquées comblent cet écart en associant chaque tâche au bon modèle au juste coût, puis déplacent la courbe elle-même grâce à la compression des prompts, à une mise en cache plus intelligente et à la distillation des modèles.
Voici un exemple concret : la préparation d'une présentation récapitulative de fin de trimestre, qui nécessitait auparavant 15 heures de travail à trois analystes financiers, ne prend désormais que deux heures à une seule personne, pour un coût de quelques centaines de dollars contre des milliers de dollars de temps libéré. C'est cet arbitrage que mesure la frontière. Le retour sur investissement ne réside pas dans les jetons économisés, mais dans la capacité libérée, réorientée vers des tâches à plus forte valeur ajoutée. Mesuré par rapport à un résultat que l'entreprise suit déjà, c'est dans ce réinvestissement que les dépenses liées aux jetons se transforment en retour sur investissement.
Ensemble, ces forces expliquent pourquoi la tokenomie revêt désormais une importance stratégique. À mesure que les entreprises s'optimisent pour en faire plus à moindre coût, la frontière s'étend : la qualité s'améliore, les coûts baissent, de nouveaux cas d'utilisation émergent et la consommation augmente. Tout l'art consiste à savoir où l'IA crée de la valeur, quand tirer parti des économies réalisées et comment les réinvestir.
La première règle consiste à adapter le niveau d'intelligence à la valeur et au risque du travail. Voici un point de départ : dans tous les secteurs, nous estimons que seules 10 à 20 % des tâches d'entreprise sont suffisamment complexes pour justifier une capacité de pointe ou proche de celle-ci.
Le test utile : si une tâche se décompose en étapes bien définies, un modèle plus petit suffira probablement ; ne recourez à la frontière que lorsque le travail est d'une complexité irréductible, lorsque la décomposition détruit la perspicacité, lorsque les erreurs s'accumulent sur de longues chaînes d'agents ou lorsque la réponse se situe à l'intersection de jugements juridiques, financiers et réglementaires.
Quelques cas de figure franchissent ce seuil. Le raisonnement complexe en est un : lorsqu'un directeur de la stratégie évalue la position concurrentielle, les tendances macroéconomiques et les données financières d'une cible d'acquisition pour identifier le véritable risque stratégique, la tâche implique de concilier des éléments contradictoires afin de parvenir à un jugement non évident. Il en va de même pour les flux de travail agentiques où le coût d'une erreur est élevé : lorsqu'un seul échec en milieu de chaîne compromet l'ensemble du résultat. Un autre exemple est la synthèse de contextes étendus : un dossier de diligence raisonnable de 200 pages exige rigueur et cohérence sur l'ensemble du document.
Acheminer le travail vers l'intelligence appropriée est un choix stratégique, et non une préférence technique. Les dirigeants doivent faire preuve de discipline opérationnelle : classer le travail en fonction de sa complexité et de son risque, l'acheminer vers le niveau d'intelligence approprié, puis ajuster et surveiller la consommation au fil du temps. Le plus difficile est de déterminer quel travail est le plus important.
Les entreprises qui ne parviennent pas à distinguer les tâches routinières des tâches exigeantes sur le plan cognitif et à plus forte valeur ajoutée commettront des erreurs d'allocation dans les deux sens : elles utiliseront des modèles coûteux là où ils ne sont pas nécessaires et des modèles moins performants là où l'avantage concurrentiel est en jeu. L'expérience d'Accenture montre que la capacité des modèles ne suffira pas à elle seule à déterminer qui remportera la course à l'IA. C'est la discipline économique qui fera la différence.
C'est cette même discipline qui a permis à un opérateur de télécommunications de réduire ses dépenses annuelles en IA de 68 %. Dans chaque cas, la percée a consisté à analyser la consommation au niveau des flux de travail, puis à réorganiser, optimiser ou repenser les tâches avant que le gaspillage ne devienne un coût d'exploitation normal.
Dans la plupart des entreprises, les coûts de l'IA sont imputés au budget technologique, tandis que la valeur se manifeste ailleurs : dans le service client, l'ingénierie, le marketing ou toute autre unité commerciale utilisant l'outil. Le directeur financier voit les coûts, le directeur informatique voit l'utilisation et les dirigeants voient les résultats, mais ces points de vue se recoupent rarement au niveau de l'entreprise.
57 %
invoquent un alignement faible entre les technologies de l'entreprise2
51 %
soulignent les capacités d'analyse et de données insuffisantes2
50 %
ont du mal à isoler la contribution de l'IA des autres facteurs2
Les entreprises qui prennent de l'avance établissent le tissu conjonctif : des indicateurs partagés, des forums de gouvernance et des pouvoirs de décision qui relient l'utilisation de l'IA à la croissance, à l'expérience et aux résultats en capital. Cette transition, qui passe d'efforts cloisonnés à une capacité à l'échelle de l'entreprise, permet à l'intelligence de circuler au sein de l'entreprise et de se traduire par des résultats mesurables. Les plus avancés vont plus loin et considèrent le coût de l'IA comme récupérable, et non simplement contrôlable : ils intègrent la consommation de jetons dans la définition du périmètre et la tarification du travail, de sorte que les dépenses liées à l'IA soient associées à la valeur qu'elles créent plutôt que regroupées dans une ligne budgétaire technologique centrale.
Quatre disciplines opérationnelles permettent de transformer la mise à l'échelle en retour sur investissement mesurable :
Demandez au directeur financier et au directeur informatique de partager la responsabilité d'une vision globale des coûts, de l'utilisation et du retour sur investissement de l'IA au sein de l'entreprise. Accenture rend compte de ses propres dépenses en IA auprès des fournisseurs à sa direction à chaque période, ainsi que des mesures prises. Le retour sur investissement est mesuré directement là où le travail est délimité : dans l'automatisation agentique de processus définis, nous connaissons l'effort humain avant et après, ce qui permet de calculer clairement le résultat. Pour une utilisation ouverte, de type collaboratif, la valeur est plus difficile à isoler, et la mise en place de cette mesure constitue le défi majeur de cette discipline. La question est de savoir où ces dépenses génèrent leur retour sur investissement, et non pas le poste budgétaire en lui-même.
Intégrez dès le départ des contrôles dans le déploiement, notamment en précisant qui peut utiliser quels modèles, pour quel type de travail et dans le respect de quelles mesures de sécurité. La discipline commence par une question que la plupart des déploiements négligent : dans quel but ? Un outil activé sans mission définie est un coût sans responsable. Les pionniers, dont nous faisons partie, ont d'abord ouvert l'accès, puis ajouté des contrôles par la suite, une fois que les factures ont révélé l'écart ; la leçon à en tirer est qu'il faut mettre en place une gouvernance dès le départ.
Distinguez les tâches nécessitant des modèles de pointe de celles pouvant être exécutées sur des modèles plus légers. Accenture applique cette approche en interne : les nouvelles sessions utilisent par défaut un modèle plus léger ; les limites pour les modèles plus lourds sont fixées en fonction du rôle ou de l'analyse de rentabilité, le tout étant appliqué via une passerelle unique, afin que les dépenses correspondent aux besoins ; un développeur intensif et un utilisateur occasionnel peuvent présenter des écarts de plusieurs ordres de grandeur.
Examinez régulièrement la consommation, les résultats et les décisions d'acheminement vers les modèles à mesure que l'utilisation augmente et que les agents prennent en charge davantage de travail. Le bon rythme consiste en un cycle : diagnostiquer où la consommation se concentre, y remédier par l'acheminement ou la refonte, puis réexaminer la situation à une cadence définie, car les prix des jetons et les options de modèles évoluent d'un mois à l'autre. Chez Accenture, cette discipline ne s'arrête jamais : chaque nouvelle version donne lieu à de nouvelles décisions et capacités.
L'économie de l'IA ne se stabilisera pas sans un effort délibéré. Au cours de la prochaine décennie, les entreprises se diviseront en deux groupes : celles qui considèrent l'IA comme un coût technologique supplémentaire et celles qui la gèrent comme une source de retour sur investissement mesurable. Les premières devront lutter contre la multiplication des coûts. Les secondes feront en sorte que la valeur de l'IA croisse plus rapidement que ses coûts et transformeront cette mise à l'échelle en avantage durable.
[1] Rapport Goldman Sachs : Le boom des dépenses en IA s'amplifie : Goldman prévoit un afflux de 800 milliards de dollars cette année
[2] Notre enquête : Pulse of Change d'Accenture
[3] Accenture a simulé l'impact de l'augmentation de la consommation de jetons sur les entreprises à mesure que l'IA s'intègre dans les coûts d'exploitation quotidiens. Les conclusions s'appuient sur une modélisation comportementale basée sur l'IA de 6 000 profils de cadres supérieurs à travers les Amériques, la région EMEA et la région APAC, au sein d'entreprises dont le chiffre d'affaires annuel est supérieur ou égal à 1 milliard de dollars américains. Cette simulation a été réalisée en collaboration avec Aaru, dont la plateforme crée des profils synthétiques reflétant les caractéristiques démographiques, psychographiques et comportementales d'une population cible de cadres, à partir de données publiques, privées et exclusives.
