Le coût d'un jeton d'intelligence artificielle a été divisé par plus de deux cents entre 2023 et 2025. Les budgets que les entreprises consacrent à l'IA, eux, augmentent. C'est un paradoxe apparent. C'est en réalité une leçon d'économie bien connue, et elle s'applique aux organisations avec une précision désagréable.
Le jeton est presque gratuit. C'est précisément le problème.
En mars 2023, accéder au modèle GPT-4 coûtait environ trente dollars par million de jetons en entrée. En 2025, les modèles de même génération sont disponibles à moins de deux dollars par million. Les modèles légers, suffisants pour des tâches de traitement courant, descendent en dessous du dollar. Le mouvement est réel, documenté et continu (source : OpenAI API Pricing).
Cette baisse a alimenté une promesse implicite dans beaucoup de comités exécutifs : l'IA allait devenir bon marché, donc son déploiement aussi. Cette conclusion ne tient pas, et ce n'est pas une question de coût caché ou de surprise technique. C'est une question de comportement économique bien établi depuis le dix-neuvième siècle.
Le paradoxe de Jevons s'applique aux jetons
En 1865, William Stanley Jevons observait que la machine à vapeur, devenue plus efficace, n'avait pas réduit la consommation de charbon britannique. Elle l'avait multipliée. L'efficacité avait rendu le charbon économiquement accessible à davantage d'usages, et la demande avait explosé. Ce paradoxe porte son nom depuis.
Le même mécanisme s'applique aux jetons d'intelligence artificielle. Un résumé de document qui coûtait 0,30 € à produire en 2023 n'était pas rentable pour un traitement en volume. À 0,001 €, il le devient. L'organisation n'économise pas : elle traite cent fois plus. Les pilotes se multiplient, les usages s'additionnent, les connexions se développent. Le budget total augmente, même si le coût unitaire a chuté.
Sequoia Capital posait la question de façon abrupte en juin 2024 : pour que les infrastructures IA en cours de déploiement chez les grandes plateformes soient justifiées économiquement, les entreprises utilisatrices devaient générer six cents milliards de dollars de valeur annuelle supplémentaire. Un chiffre qui reste, à ce jour, sans réponse satisfaisante sur le plan agrégé. La demande explose, la valeur mesurée peine à suivre.
Le coût de l'IA générative ne se mesure pas au prix du jeton. Il se mesure au coût total de possession, intégration, supervision et formation inclus.
Synthèse des analyses Goldman Sachs Research et Sequoia Capital, juin 2024
Ce que le prix du jeton n'inclut pas
Le coût d'un jeton est le coût de la matière première. Ce n'est pas le coût du produit fini. Pour qu'un modèle de langage produise quelque chose d'utile dans un contexte d'entreprise, il faut l'intégrer aux systèmes existants, encadrer ses sorties, corriger ses erreurs, former les équipes qui l'utilisent et gouverner ses usages.
L'intégration est souvent le premier choc. Connecter un modèle à un système de paie, à un système d'information des ressources humaines, à un outil de gestion de la relation client suppose des développements, des tests, des mises en production et une maintenance continue. Une direction des systèmes d'information qui évalue honnêtement ses projets IA cite régulièrement des coûts d'intégration deux à trois fois supérieurs au coût de la licence ou de l'usage par appel.
La qualité est le deuxième poste. Un modèle qui fournit des résultats corrects dans 85 % des cas nécessite une revue humaine pour les 15 % restants. Cette revue a un coût. Si le volume traité est important, ce coût peut dépasser celui du modèle lui-même. L'automatisation n'élimine pas la supervision ; elle la déplace.
La gouvernance est le troisième. Qui valide les instructions utilisées par les équipes ? Qui met à jour les paramétrages quand le modèle change de version ? Qui décide quels usages sont autorisés ? Ces questions semblent légères prises séparément. Ensemble, elles représentent une charge de coordination continue qui n'existait pas avant l'introduction de l'IA dans les processus.
La formation est le quatrième poste. La différence entre un outil adopté et un outil utilisé sporadiquement se mesure à la qualité de l'accompagnement des équipes. Un déploiement sans formation produit des usages médiocres, des résistances, et finalement une sous-utilisation qui annule les bénéfices attendus.
Ce que révèle une vraie comptabilité
Goldman Sachs publiait en juin 2024 une analyse qui posait la question sans ménagement : les entreprises dépensaient massivement en infrastructure IA, mais les bénéfices mesurables peinent à justifier ces montants. L'étude identifiait plusieurs raisons à cet écart : des cas d'usage encore limités, des coûts de déploiement sous-estimés et un délai naturel entre investissement et retour mesurable.
Cette observation n'est pas un réquisitoire contre l'IA. C'est un constat d'immaturité comptable. La plupart des organisations qui investissent dans l'IA mesurent le coût du modèle, mais pas le coût total du déploiement. Elles comparent la facture par appel à ce qu'elles payaient avant, sans inclure le temps humain mobilisé, les développements réalisés et les réorganisations induites.
Une comptabilité honnête du déploiement IA distribue généralement le coût total ainsi : le coût de modèle représente rarement plus de 15 à 20 % du total, l'intégration et la maintenance absorbent 30 à 40 %, la supervision humaine 20 à 30 %, et la formation et l'accompagnement le reste. Ces proportions varient selon les projets, mais l'ordre de grandeur est constant : le jeton est la partie visible, pas la partie chère.
McKinsey relevait dans son enquête annuelle sur l'IA, publiée au printemps 2024, que 65 % des organisations utilisaient régulièrement l'IA générative, contre 33 % un an plus tôt. Sur la même période, le pourcentage d'organisations disposant d'un cadre de mesure des retours n'avait pas progressé dans les mêmes proportions. La diffusion s'est faite plus vite que la comptabilité.
La question qu'un dirigeant doit poser
Avant de valider un budget IA, qu'il s'agisse d'un abonnement à un outil, d'un contrat avec un intégrateur ou d'un projet interne, la question utile n'est pas « combien coûte le modèle ». Elle est : quel est le coût total de possession, et qui l'assume dans notre organisation ?
La réponse nécessite d'avoir cartographié ses usages réels, estimé les charges d'intégration et de maintenance, anticipé les besoins de formation et attribué clairement la responsabilité de la gouvernance. C'est précisément l'objet d'une feuille de route IA rigoureuse : non pas promettre une transformation, mais identifier ce que l'organisation est réellement en capacité de faire, à quel prix, et dans quel délai.
Le jeton le moins cher est celui qu'on utilise bien.