Résumé des principales conclusions
Les grandes entreprises chinoises et américaines sont passées d’une politique de « distribution obligatoire de l’utilisation de l’IA et de compétition sur la consommation de tokens » au début de l’année à une approche plus restrictive et plus rationnelle aujourd’hui. En apparence, il s’agit d’un changement radical de stratégie, mais en réalité, cela reflète un retour du discours sur l’IA d’une logique de « foi technologique » à une logique de calcul commercial. Les entreprises ont réalisé que les investissements dans l’IA (coûts des tokens, coûts cachés) dépassent de loin les retombées réelles. Le mythe des individus supérieurs est également remis en question en raison des problèmes de coûts et de risques, ce qui les amène à gérer plus précisément l’utilisation de l’IA.
Analyse détaillée
#### 1. Arrêtons de nous battre pour la consommation de tokens : utiliser beaucoup ne signifie pas nécessairement être efficace
Auparavant, les grandes entreprises considéraient la consommation de tokens comme un indicateur clé (KPI), pensant que plus les employés utilisaient l’IA, plus ils étaient « innovants » et plus efficaces. Il s’est avéré qu’il s’agissait d’une illusion : pour accomplir leurs tâches, les employés faisaient utiliser à l’IA des textes inutiles ou du code généré de manière répétée, augmentant considérablement les dépenses en tokens sans améliorer significativement les revenus de l’entreprise ni l’efficacité de la recherche et du développement.
Par exemple, Copilot d’Microsoft coûtait cher en ressources informatiques, même si les utilisateurs fréquents payaient moins de 49 dollars par mois ; une entreprise SaaS a offert gratuitement des fonctionnalités IA à ses clients, mais cela a entraîné des dépenses importantes (8 dollars par utilisateur par jour, soit 240 dollars par mois), menant à la faillite après seulement deux mois en raison d’une augmentation des coûts de calcul. Des études de Stanford et du MIT ont montré que 95 % des projets pilotes d’IA n’ont pas généré de retombées financières mesurables, seuls quelques-uns créant réellement de la valeur.
#### 2. Les erreurs de l’IA doivent être payées : les coûts cachés sont élevés
Les dépenses en tokens ne représentent que la partie visible de l’iceberg ; plus problématiques encore sont les plaintes des clients et les crises de relations publiques causées par les erreurs de l’IA.
Par exemple, le service clientèle AI d’Air Canada a promis inutilement le remboursement des frais de billets en cas de deuil, mais les passagers ont porté plainte après avoir été déçus ; la compagnie a perdu le procès car l’IA était considérée comme une entité juridique distincte et devait donc être tenue responsable. De même, le service clientèle AI de DPD a écrit des messages insultants sur Internet, forçant l’entreprise à désactiver le système immédiatement. Ces coûts cachés (indemnisations, relations publiques, réparations) sont bien plus élevés que les économies potentielles réalisées grâce à l’IA, ce qui oblige les entreprises à investir davantage dans des équipes de conformité pour surveiller son utilisation.
#### 3. L’IA est en fait plus coûteuse que les humains : le coût réel n’est pas aussi bas qu’on le pense
Beaucoup pensent que l’IA est moins chère que les travailleurs humains, mais ce n’est pas le cas. Le cerveau humain peut effectuer des tâches complexes avec peu d’énergie (un repas et un café), tandis que la structure de l’AI (comme le modèle Transformer) rend chaque interaction extrêmement coûteuse en ressources informatiques :
- Mécanisme d’attention : pour comprendre 100 mots, l’IA doit comparer chacun d’eux avec tous les autres mots précédents (des milliers de fois) ;
- Generation mot par mot : lorsqu’elle répond, elle doit réviser toute la conversation antérieure pour chaque mot prononcé, ce qui est très épuisant en ressources ;
- Transport des paramètres : à chaque utilisation de l’IA, il faut transférer des milliards d’informations entre le disque et la mémoire vive, ce qui est très coûteux en termes de ressources.
Dans des situations sérieuses (signature de contrats, respect des réglementations), les coûts liés aux erreurs de l’IA et à la gestion de la conformité peuvent dépasser ceux d’un employé humain. Les directeurs financiers concluent donc que l’utilisation aveugle de l’IA n’est pas rentable.
#### 4. Le mythe des individus supérieurs : la plupart des gens restent des rouages dans le système
On a longtemps prétendu que l’IA permettrait à un seul individu d’accomplir le travail d’une équipe, créant ainsi des « super-individus ». Or, cela s’avère être un mythe :
- La division du travail n’a pas disparu ; au contraire, elle est devenue encore plus coûteuse, car les entreprises doivent embaucher des architectes IA et des experts en sécurité mieux rémunérés pour gérer l’IA ;
- Les coûts sont trop élevés : même les individus supérieurs ne peuvent pas se permettre d’utiliser l’IA de manière autonome sans augmenter considérablement les dépenses en tokens ;
- Les risques sont importants : les petites entreprises ne peuvent pas se permettre de payer les conséquences des erreurs de l’IA (par exemple, des pertes importantes en cas de panne du système). Les équipes juridiques et de relations publiques des entreprises modernes jouent un rôle crucial dans la gestion de ces risques. En fin de compte, les super-individus ne sont que quelques élites (comme les créateurs de contenu indépendants ou les développeurs), tandis que la plupart des gens restent des rouages dans le système, contrôlés par les objectifs de consommation de tokens imposés par les grandes entreprises.
Conclusion
Les grandes entreprises limitent l’utilisation des tokens non pas parce que l’IA ne fonctionne plus, mais parce qu’il faut revenir à une approche commerciale rationnelle. Toute technologie doit être évaluée en fonction du rapport coût-bénéfice. L’IA n’est pas un « déjeuner gratuit » ; ses coûts et ses risques doivent être pris en compte de manière réfléchie par les entreprises et les individus. Les mythes selon lesquels l’IA pourrait tout bouleverser doivent être confrontés à la réalité des dépenses quotidiennes.