Pourquoi les dépenses en tokens d’IA reculent

Les dépenses en tokens d’IA ont reculé de 20% par rapport à leur pic de mai

L’indice Silicon Data LLM Token Expenditure Index (SDLLMTK) a reculé de 20% par rapport à son pic de mai. Il s’établit désormais à 1,62. Cela reste au-dessus de son niveau de départ en décembre, de sorte que la tendance de fond demeure positive. Mais l’évolution récente est suffisamment significative pour mériter une attention particulière.

Le SDLLMTK offre une vue quotidienne des dépenses d’usage de l’IA chez plusieurs fournisseurs. Il agrège cette activité en un tarif composite en dollars américains par million de tokens. Les tokens sont les unités que les modèles d’IA utilisent pour traiter et générer du texte et d’autres informations. Pour les entreprises, la consommation de tokens constitue donc l’un des éléments du coût variable lié à l’exploitation d’applications d’IA générative.

Une baisse des dépenses ne signifie pas automatiquement que les entreprises utilisent moins l’IA. Les dépenses peuvent diminuer parce que les modèles deviennent moins chers, que les applications utilisent moins de tokens, que les charges de travail basculent vers des modèles moins coûteux, ou que la demande réelle recule. Cette distinction est importante. Une baisse des coûts unitaires accompagnée d’un usage stable ou en hausse indiquerait une amélioration de l’économie d’usage.

Pour les dirigeants, l’indicateur clé n’est donc pas la dépense en tokens prise isolément. Les entreprises devraient suivre conjointement le volume des charges de travail IA, le coût unitaire, la production métier et le retour sur investissement. Si le même processus métier consomme moins de tokens tout en produisant le même résultat, voire un meilleur, la baisse des dépenses est positive. Si l’usage et la production utile reculent tous deux, cela indique une demande plus faible ou des déploiements décevants.

Les données actuelles étayent une conclusion solide : l’économie d’usage de l’IA est en train d’évoluer. Elles n’établissent pas encore que l’adoption de l’IA en entreprise se contracte. La baisse de 20% devrait inciter à mesurer plus précisément l’usage et la valeur, plutôt qu’à engager un retrait généralisé des investissements.

L’indice ne permet pas d’identifier la cause de la baisse

La principale limite est l’attribution. Le SDLLMTK pondère différemment les frontier models et les open-weight models. Les frontier models représentent généralement des systèmes très performants proposés par les principaux fournisseurs d’IA, tandis que les open-weight models rendent leurs paramètres sous-jacents disponibles pour que d’autres puissent les déployer ou les adapter. Les changements dans la répartition entre ces catégories peuvent faire évoluer l’indice même lorsque la demande globale reste soutenue.

Plusieurs explications sont compatibles avec la baisse observée. Les entreprises peuvent obtenir des prix plus bas de la part des fournisseurs d’IA. Les clients peuvent déplacer leurs charges de travail vers des modèles moins chers ou moins gourmands en tokens. Certaines organisations peuvent aussi réduire leur usage après avoir constaté que certains projets d’IA ne génèrent pas suffisamment de valeur pour justifier leurs coûts. L’indice, à lui seul, ne permet pas de distinguer entre ces effets.

Ces scénarios ont des implications métier très différentes. Des prix plus bas, tirés par un pouvoir de négociation accru des entreprises, profiteraient aux clients mais pourraient mettre sous pression les marges et la croissance du chiffre d’affaires des fournisseurs d’IA. Ce point serait particulièrement pertinent pour les entreprises d’IA visant une introduction en bourse, où les investisseurs examineront de près la croissance et la solidité de l’économie sous-jacente.

Un basculement vers des modèles plus efficaces raconterait une autre histoire. Les entreprises n’ont que rarement besoin du modèle le plus performant pour chaque tâche. Si un modèle plus petit ou moins cher peut atteindre le niveau de précision et de fiabilité requis, déplacer cette charge de travail réduit les coûts sans réduire l’activité métier. Dans ce cas, une baisse des dépenses en tokens pourrait être le signe d’une approche plus mature des achats d’IA.

Les dirigeants devraient donc éviter de considérer les dépenses en tokens comme une mesure directe de la demande en IA. La question la plus utile est de savoir ce que les entreprises obtiennent pour chaque dollar dépensé. Le choix du modèle, la consommation de tokens, les prix négociés, le volume des charges de travail, la qualité des résultats et les résultats métier mesurables doivent être évalués ensemble. La baisse du SDLLMTK est un signal utile, mais sa construction l’empêche d’apporter à elle seule une réponse causale.

La résistance sociale et infrastructurelle devient une contrainte métier

L’adoption de l’IA n’est plus déterminée uniquement par les performances des modèles et leur prix. De nombreux facteurs peuvent influer sur les lieux, la rapidité et le coût de déploiement de l’IA par les entreprises.

La réaction du public compte parce que l’IA modifie la manière dont les organisations répartissent le travail. Lorsque les déploiements sont étroitement associés à des réductions de la main-d’œuvre, les entreprises peuvent se heurter à une résistance de la part des employés, des clients et d’autres parties prenantes. Des soutiens de l’IA ont été hués sur des campus universitaires dans un contexte d’inquiétudes concernant l’emploi et la créativité humaine. Cela ne fournit aucune preuve quantitative que ces réactions ont provoqué la baisse des dépenses en tokens, et ce lien ne doit donc pas être considéré comme établi.

L’opposition aux centres de données pose un problème de capacité plus concret. L’exécution de grands modèles d’IA exige une infrastructure informatique importante. Les nouvelles installations peuvent aussi nécessiter de grandes quantités d’électricité et, selon leurs systèmes de refroidissement, d’eau. Les préoccupations locales liées au foncier, à l’électricité, à l’eau, aux effets environnementaux et aux bénéfices pour la communauté peuvent compliquer le développement. Les contraintes sur les nouvelles capacités peuvent, à terme, affecter la disponibilité et le coût de la puissance de calcul pour l’IA.

Pour les dirigeants, l’enjeu pratique est le risque de déploiement. Un projet d’IA techniquement viable peut malgré tout se heurter à des contraintes liées à la main-d’œuvre, aux infrastructures, à la réglementation ou à la réputation. Celles-ci doivent être évaluées avant le lancement de déploiements à grande échelle, en particulier lorsque les projets peuvent modifier les effectifs ou nécessiter une capacité de calcul importante.

Cela ne signifie pas que la résistance arrêtera l’adoption de l’IA. Cela signifie que les entreprises ont besoin de plans de mise en œuvre plus solides. Des politiques claires sur la main-d’œuvre, des bénéfices métier mesurables, des contrôles d’usage responsable et des exigences d’infrastructure réalistes peuvent réduire les frictions évitables.

Les dépenses en IA doivent désormais passer l’épreuve du ROI

La principale contrainte des entreprises n’est plus l’accès à l’IA. Il s’agit de prouver que l’IA crée suffisamment de valeur économique pour justifier la poursuite des dépenses. Il existe un écart entre les attentes selon lesquelles l’IA améliorera la productivité et réduira les coûts, et la capacité des entreprises à calculer un retour sur investissement réel.

Ce problème de mesure est important, car les coûts des tokens ne représentent qu’une partie de la facture. Un déploiement en entreprise peut aussi nécessiter l’intégration logicielle, une infrastructure informatique, la préparation des données, des contrôles de sécurité, du monitoring, la formation des employés et une revue humaine. Un projet qui réduit le coût de l’inférence des modèles peut malgré tout générer un faible retour si ces coûts d’exploitation plus larges restent élevés.

Les dirigeants devraient donc définir la valeur avant d’étendre un déploiement. Un système de service client pourrait être évalué à travers le coût par dossier résolu, le temps de résolution, les taux d’escalade et les résultats côté client. Un déploiement dans le développement logiciel pourrait suivre le temps de livraison, les taux de défauts et les heures d’ingénierie. La bonne mesure n’est pas la fréquence à laquelle les employés utilisent l’IA, mais la capacité du système à améliorer un résultat ayant une valeur économique.

La même discipline s’applique aux promesses de productivité. Une exécution plus rapide des tâches ne crée de valeur que si le temps gagné produit davantage de résultats, réduit les coûts, augmente le chiffre d’affaires ou améliore la qualité. Si les employés gagnent du temps mais que l’organisation ne peut pas convertir ces heures en un résultat métier mesurable, le business case financier reste incertain.

La baisse des dépenses pourrait marquer une phase plus disciplinée de l’adoption de l’IA

Une baisse de 20% par rapport au pic de mai est significative, mais elle ne prouve pas que l’intérêt des entreprises pour l’IA diminue. Le Silicon Data LLM Token Expenditure Index (SDLLMTK) s’établit actuellement à 1,62 et reste au-dessus de son niveau de départ lorsque l’indice a été lancé en décembre. Les données indiquent donc un ralentissement récent des dépenses.

La distinction est importante. Les dépenses en tokens combinent plusieurs facteurs : les volumes d’usage, la sélection des modèles, la tarification des fournisseurs et le nombre de tokens requis pour chaque charge de travail. Les dépenses peuvent diminuer alors même que l’activité liée à l’IA reste stable ou progresse. Les entreprises peuvent négocier des prix plus bas, transférer des tâches vers des modèles moins chers ou repenser les applications pour consommer moins de tokens. Chacun de ces facteurs ferait baisser les dépenses sans signaler un affaiblissement de l’adoption.

Un véritable ralentissement se présenterait différemment. Les entreprises annuleraient des déploiements, réduiraient les charges de travail en production, retarderaient de nouveaux projets ou concluraient que les gains de productivité attendus ne justifient pas les coûts totaux. C’est une possibilité, en particulier alors que les organisations peinent à calculer le retour sur investissement. Mais le SDLLMTK ne fournit pas suffisamment d’informations pour déterminer si une telle destruction de la demande est en cours.

Pour les fournisseurs d’IA, cette distinction a des conséquences financières. Une baisse des dépenses causée par la concurrence sur les prix pourrait exercer une pression sur la croissance du chiffre d’affaires et les marges, même si les volumes de tokens continuent d’augmenter. Ce point serait particulièrement important pour les fournisseurs envisageant une introduction en bourse. Les investisseurs devront distinguer la croissance de l’usage de la croissance du chiffre d’affaires et déterminer si la baisse des prix unitaires peut être compensée par des volumes plus élevés et des coûts d’exploitation plus faibles.

Pour les acheteurs en entreprise, des prix plus bas sur les tokens peuvent améliorer l’économie des projets. Une inférence moins chère réduit le coût variable d’exploitation des applications d’IA et peut rendre viables des cas d’usage auparavant marginaux. Des modèles plus efficaces peuvent renforcer cet effet. Les entreprises devraient tirer parti de la baisse des coûts pour tester des applications supplémentaires, mais l’expansion doit rester liée à des résultats métier mesurables plutôt qu’à la simple consommation brute d’IA.

Le SDLLMTK doit donc être considéré comme un indicateur de marché précoce. La conclusion la plus solide est que les dépenses se sont refroidies depuis leur pic de mai tout en restant au-dessus de leur point de départ de décembre. Les dirigeants devraient surveiller les volumes de tokens, les prix effectifs, la croissance des charges de travail, le mix de modèles et le ROI réalisé avant de conclure que la demande des entreprises elle-même ralentit.

Points clés à retenir pour les décideurs

• Les dépenses sont en baisse : Le SDLLMTK a reculé de 20% par rapport à son pic de mai, mais reste au-dessus de son niveau de départ de décembre. Les dirigeants devraient suivre ensemble l’usage, les coûts unitaires et la production métier avant d’interpréter la baisse des dépenses comme un affaiblissement de l’adoption de l’IA.
• La cause compte plus que la baisse elle-même : Des prix plus bas, un changement de modèle, une meilleure efficacité et une demande réduite peuvent tous faire baisser les dépenses en tokens. Les dirigeants devraient identifier quel facteur affecte leurs propres coûts d’IA avant de modifier leurs plans d’investissement.
• Les contraintes sociales et infrastructurelles exigent une planification : Les préoccupations liées à la main-d’œuvre et la résistance à de nouveaux centres de données peuvent affecter le déploiement de l’IA. Intégrez les risques liés à la main-d’œuvre, à la capacité, à la réglementation et à la réputation dans les décisions de déploiement.
• L’investissement dans l’IA doit produire des retours mesurables : Les coûts des tokens ne représentent qu’une partie des dépenses totales liées à l’IA. Associez les déploiements à des résultats précis, comme une baisse des coûts d’exploitation, des processus plus rapides, un chiffre d’affaires plus élevé ou une meilleure qualité, avant de les étendre.
• Considérez la baisse comme un signal précoce : Les données actuelles n’établissent pas un ralentissement plus large de l’IA. Surveillez les volumes de tokens, les prix effectifs, le mix de modèles, les charges de travail en production et le ROI réalisé pour distinguer une amélioration de l’économie de l’IA d’une véritable faiblesse de la demande.