Token, compute, dérive des usages : pourquoi l’IA peut coûter plus cher que vos équipes ?

☕️ Quand l’IA agentique coûte plus cher que de payer ses employés humains

Les grandes entreprises technologiques font face à une équation économique qui commence à gripper sérieusement leurs ambitions d'IA : la facturation à l'usage des agents IA, calculée en tokens et non plus en abonnements forfaitaires, rend ces systèmes plus onéreux que les employés humains qu'ils sont censés remplacer ou assister. Le CTO d'Uber, Praveen Neppalli Naga, a reconnu avoir épuisé la totalité de son budget IA 2026 en seulement quatre mois. Bryan Catanzaro, vice-président en charge de l'apprentissage profond appliqué chez Nvidia, est encore plus direct : pour son équipe, le coût de la puissance de calcul dépasse désormais celui des salaires. Microsoft, après avoir encouragé en décembre dernier des milliers de ses développeurs à utiliser Claude Code d'Anthropic, vient d'annuler ces licences et les contraint à migrer vers GitHub Copilot CLI. Ce même GitHub Copilot, qui avait limité fin avril les nouveaux abonnements individuels, basculera en juin vers une facturation indexée sur la consommation réelle de tokens. Cette pression économique a engendré un phénomène pervers baptisé « tokenmaxxing » : des employés génèrent artificiellement de l'activité IA pour gonfler leurs statistiques de consommation, moins pour produire du code utile que pour paraître surproductifs aux yeux de leur hiérarchie. Amazon a fixé comme objectif que 80 % de ses développeurs utilisent l'IA chaque semaine et suit leur consommation de tokens. Meta est allé plus loin encore, avec un tableau de bord interne attribuant le statut de « Token Legend » aux plus grands consommateurs. Ce que ces pratiques révèlent, c'est que les métriques de tokens sont devenues des indicateurs de performance managériale avant d'être des mesures de valeur créée. La question de fond est structurelle : les modèles agentiques consomment beaucoup plus de tokens par tâche que les modèles classiques, et cette intensité ne sera pas compensée par la baisse des coûts unitaires. Un rapport Gartner estime que le coût d'inférence sur un LLM sophistiqué pourrait chuter de 90 % d'ici 2030, mais prévoit néanmoins que le coût total de l'IA continuera d'augmenter si la consommation progresse plus vite que la déflation tarifaire. Jensen Huang, PDG de Nvidia, imaginait récemment un futur où 100 agents IA travailleraient aux côtés de chaque employé humain de son entreprise, une vision qui semble économiquement intenable dans le modèle de facturation actuel. L'industrie se retrouve donc devant un choix structurant : soit les prix s'effondrent suffisamment vite, soit les entreprises doivent revoir radicalement leur usage de l'IA agentique, sous peine de financer des dépenses dont le retour reste difficile à démontrer.

💬 Uber qui épuise son budget IA en quatre mois, Nvidia qui dit que le compute dépasse les salaires : c'est pas un bug, c'est le modèle. Les agents consomment structurellement 10 à 100 fois plus de tokens qu'un chat classique, et aucune baisse de prix unitaire ne rattrapera ça avant 2-3 ans. Le tokenmaxxing chez Amazon et Meta, des gens qui gonflent leur conso pour paraître productifs sur un dashboard, c'est juste le signe qu'on a mis la mauvaise métrique au centre.

Prime Intellect : pourquoi les entreprises créent leurs propres agents IA plutôt que d’utiliser ChatGPT ?

Prime Intellect, une startup américaine fondée en 2024, vient de lever 130 millions de dollars lors d'un tour de série A mené par Radical Ventures, portant sa valorisation à un milliard de dollars. Parmi les investisseurs figurent également Nvidia, Intel Capital, Dell, ainsi qu'une liste de business angels issus de Perplexity, Box, Harvey, Cognition ou encore Zapier. Contrairement à OpenAI ou Anthropic, l'entreprise ne cherche pas à développer un nouveau grand modèle de langage généraliste. Son ambition, selon son cofondateur Vincent Weisser, est de fournir aux entreprises l'infrastructure technique complète pour entraîner et adapter leurs propres agents d'intelligence artificielle, sans dépendre exclusivement des grands laboratoires qui concentrent aujourd'hui les capacités de développement des modèles les plus avancés. Cette levée de fonds illustre un basculement dans la manière dont les entreprises abordent l'IA générative. Après avoir massivement adopté des outils prêts à l'emploi comme ChatGPT pour automatiser certaines tâches, de nombreuses organisations se heurtent désormais aux limites de ces solutions en contexte professionnel. Les données sensibles, les procédures internes et les informations stratégiques sont de plus en plus difficiles à confier à des modèles propriétaires hébergés par des fournisseurs tiers. S'ajoute à cela la crainte d'une dépendance excessive à des plateformes dont les tarifs, les modèles ou les conditions d'accès aux API peuvent évoluer sans préavis, une inquiétude renforcée par plusieurs changements de stratégie récents et l'abandon de projets expérimentaux chez certains grands acteurs du secteur. Pour les directions informatiques, la promesse de Prime Intellect consiste précisément à reprendre la main sur les données et sur l'infrastructure, plutôt que de rester locataires d'un service externe. Cette approche répond à un besoin de différenciation concurrentielle. Un agent IA générique répond à des questions générales à partir de ses connaissances et des données fournies ponctuellement par l'utilisateur, tandis qu'un agent construit sur une infrastructure comme celle de Prime Intellect peut être connecté directement aux bases documentaires, aux feuilles de calcul et aux applications métiers d'une entreprise, avec un entraînement et un apprentissage par renforcement adaptés à son activité précise. La personnalisation devient alors un avantage difficile à répliquer, puisqu'elle repose sur des données propriétaires inaccessibles aux modèles généralistes. Cette tendance, déjà observée chez des startups spécialisées comme Harvey dans le juridique, s'inscrit dans un mouvement plus large de désintermédiation vis-à-vis des grands laboratoires d'IA, où les entreprises cherchent à sécuriser leur autonomie technologique tout en tirant parti des avancées des modèles ouverts et modulaires.

💬 Prime Intellect illustre un truc que je vois venir depuis un moment : les boîtes en ont marre de louer leur intelligence à OpenAI ou Anthropic, elles veulent la posséder. Un milliard de valorisation pour vendre de l'infra plutôt qu'un modèle, ça montre que le vrai avantage compétitif en 2026 c'est plus le LLM générique, c'est ce que tu branches dessus (tes docs, ton CRM, ton métier). Reste à voir si les boîtes qui se lancent là-dedans ont vraiment les équipes pour gérer ça, parce que l'infra IA maison, c'est un métier à part entière.

Chez Meta, l’IA coûte cher et les agents ne vont pas assez vite

Lors d'un town hall organisé jeudi 2 juillet chez Meta, deux discours contradictoires ont émergé sur l'état de l'intelligence artificielle du groupe. Mark Zuckerberg a reconnu que le développement des agents IA n'avançait pas au rythme espéré, admettant que « la trajectoire du développement agentique au cours des quatre derniers mois au moins ne s'est pas vraiment accélérée ». Cet aveu intervient après une réorganisation massive : 7 000 salariés ont été transférés vers les équipes IA, dans un climat de tension interne, et environ 10 % des effectifs du groupe ont été supprimés en début d'année. De son côté, Alexandr Wang, ancien patron de Scale AI et désormais à la tête du Meta Superintelligence Labs, a tenu un discours nettement plus optimiste. Il a annoncé qu'un nouveau modèle, nom de code « Watermelon », est en cours d'entraînement avec une puissance de calcul largement supérieure à celle d'« Avocado », le nom interne de Muse Spark, premier modèle maison après l'échec de Llama. Selon Wang, Watermelon viserait un niveau proche de GPT-5.5 d'OpenAI, qui dispose déjà en accès limité de GPT-5.6. Ce grand écart entre les deux dirigeants illustre les difficultés de Meta à transformer des investissements colossaux en résultats concrets. Le groupe a annoncé un budget compris entre 125 et 145 milliards de dollars cette année pour ses seules infrastructures IA, un pari financier immense qui repose sur l'hypothèse que les outils agentiques amélioreront rapidement la productivité interne et la compétitivité face à des concurrents comme Claude Code d'Anthropic. Or, si les agents ne progressent pas assez vite, c'est tout le calendrier de rentabilisation qui se trouve fragilisé, avec des conséquences directes pour les salariés déjà touchés par les licenciements et pour la crédibilité de Meta auprès des investisseurs, qui scrutent les six prochains mois annoncés par Zuckerberg comme délai pour voir des bénéfices tangibles. Cette pression explique aussi pourquoi Meta chercherait, selon une indiscrétion de Bloomberg, à diversifier ses sources de revenus en louant sa puissance de calcul à d'autres entreprises, se positionnant ainsi en concurrent d'AWS, Google Cloud et Microsoft Azure. L'idée serait de vendre l'accès à des modèles hébergés sur ses propres serveurs, dont Muse Spark, sur le modèle de Bedrock d'Amazon. Cette diversification traduit une volonté de rentabiliser une infrastructure de plus en plus coûteuse, pendant que Wang promet en parallèle une mise à jour majeure de Muse pour rapprocher ses capacités de programmation de celles de Claude Code, dans une course où Meta, malgré des moyens considérables et le recrutement de profils prestigieux via Scale AI, peine encore à démontrer une avance technologique nette sur ses rivaux.

💬 Zuckerberg qui admet en public que les agents n'accélèrent pas, chez Meta ça n'arrive jamais, c'est le signe que la pression interne devient intenable. Sur le papier, Wang promet Watermelon quasi au niveau de GPT-5.5 pendant que la boîte cherche à louer son calcul à la concurrence, ça ressemble plus à une couverture qu'à une stratégie claire. Le chiffre à retenir : Meta a six mois pour transformer 140 milliards de dollars d'infrastructure en résultats visibles, et si les agents ne suivent pas, c'est toute la crédibilité du pari IA du groupe qui saute.

5 points pour tout comprendre de Palantir, l’IA de l’ombre qui équipe les renseignements et l’armée US

Palantir s'est imposée comme l'une des entreprises technologiques les plus influentes, et les plus controversées, de la Silicon Valley, en faisant de l'analyse de données massives au service des gouvernements son cœur de métier. Fondée en 2003 par Peter Thiel, Alex Karp et d'autres anciens de PayPal, la société a bâti sa réputation sur deux plateformes phares : Gotham, dédiée aux agences de renseignement et à l'armée, et Foundry, orientée vers les entreprises privées. La montée en puissance de Palantir sous l'administration Trump illustre un tournant majeur dans la façon dont la puissance publique américaine intègre l'intelligence artificielle à ses opérations les plus sensibles. Ses outils permettent de croiser des sources de données hétérogènes, renseignements humains, signaux électroniques, données financières, pour produire des analyses prédictives en temps réel. Ce positionnement place Palantir au cœur des débats sur la surveillance de masse, les droits civiques et la militarisation de l'IA. Parmi ses clients figurent la CIA, le FBI, le Département de la Défense américain ainsi que des dizaines d'agences gouvernementales à travers le monde. La société a notamment joué un rôle documenté dans des opérations antiterroristes et dans la traque de réseaux criminels. Son chiffre d'affaires a dépassé 2,8 milliards de $ en 2024, porté par une croissance soutenue de ses contrats gouvernementaux et une expansion accélérée vers le secteur privé via sa plateforme AIP (Artificial Intelligence Platform), lancée en 2023. La trajectoire de Palantir soulève des questions structurelles sur la concentration du pouvoir technologique entre les mains d'acteurs privés opérant dans des zones d'ombre institutionnelles. Alors que Alex Karp, son PDG atypique, assume publiquement les ambitions géopolitiques de l'entreprise, des voix critiques, notamment en Europe, s'interrogent sur les garde-fous démocratiques encadrant ces systèmes d'analyse et de décision automatisée à usage militaire.