« Comment réduire le budget de tokens sans réduire l'équipe »

Les entreprises ont remplacé des employés par des tokens : les retours ne sont pas au rendez-vous

Le patron de Nvidia, Jensen Huang, a livré une déclaration remarquée sur le podcast All-In, à l'issue de la conférence GTC 2026. Selon lui, si un ingénieur payé 500 000 dollars par an ne consomme pas au moins 250 000 dollars de jetons d'intelligence artificielle, soit la moitié de son salaire, cela devrait être considéré comme alarmant. Nvidia viserait ainsi une facture annuelle de deux milliards de dollars de jetons pour ses seuls ingénieurs. Cette formule illustre un basculement budgétaire déjà bien engagé chez les géants technologiques. Les quatre plus grands fournisseurs d'infrastructure cloud prévoient environ 700 milliards de dollars de dépenses d'investissement combinées pour 2026, soit près du double de l'année précédente, tandis que le cabinet Gartner anticipe 207 milliards de dollars de dépenses en logiciels d'agents IA, en hausse de 139 %. Dans le même temps, le cabinet Challenger, Gray & Christmas signale que l'intelligence artificielle est devenue, pour le quatrième mois consécutif, la raison la plus citée des suppressions d'emplois aux États-Unis, le secteur technologique représentant 31 % des licenciements du premier semestre. Un mémo interne de Meta, obtenu par Reuters, décrit les 8 000 suppressions de postes de mai comme un moyen de compenser les investissements massifs de l'entreprise, alors même que son chiffre d'affaires progressait de 33 % ce trimestre-là. Chez Oracle, les effectifs ont chuté de 21 000 personnes pour financer la construction de centres de données. Ce déplacement de budget des salaires vers les jetons pose une question centrale : produit-il réellement les gains escomptés ? Les premiers retours chiffrés sont loin d'être concluants. Une enquête de Gartner auprès de 350 dirigeants d'entreprises générant plus d'un milliard de dollars de revenus, toutes utilisatrices d'agents IA ou d'automatisation, révèle qu'environ 80 % d'entre elles ont réduit leurs effectifs, sans qu'aucune corrélation ne soit observée avec une amélioration du retour sur investissement. Selon l'analyste Helen Poitevin, les suppressions de postes libèrent du budget mais ne créent pas de valeur : ce sont les entreprises qui utilisent l'IA pour renforcer leurs équipes, plutôt que pour les remplacer, qui progressent réellement. Le constat se vérifie aussi côté consommation de jetons : Uber, qui avait équipé 5 000 ingénieurs d'outils de codage IA en décembre, a épuisé tout son budget IA annuel dès avril. Son directeur des opérations, Andrew Macdonald, a reconnu que malgré 70 % de code généré par l'IA, le lien avec l'expérience concrète des clients reste introuvable. L'entreprise plafonne désormais les dépenses de ses ingénieurs à 1 500 dollars par mois. Walmart a imposé un rationnement similaire sur son assistant interne, la demande ayant largement dépassé les prévisions, selon Bloomberg. Un contraste frappant émerge : quand les jetons dépassent le budget, on les plafonne ; quand ce sont les employés qui coûtent trop cher, on les licencie. Klarna incarne le mieux ce retour de bâton. La fintech avait remplacé environ 700 postes du service client par un assistant propulsé par OpenAI, gelé ses embauches humaines pendant plus d'un an, et vanté ce modèle « IA d'abord » auprès des investisseurs. Mais la satisfaction client s'est dégradée et les réclamations ont augmenté, poussant son directeur général, Sebastian Siemiatkowski, à admettre publiquement sur Bloomberg que l'entreprise s'était trop concentrée sur l'efficacité et les coûts, au détriment de la qualité, une stratégie jugée non durable. Klarna recrute désormais de nouveau des humains, son patron défendant l'investissement dans la qualité du support humain comme un axe d'avenir. Gartner s'attend à ce que ce schéma se généralise, prédisant que d'ici 2027, la moitié des entreprises ayant supprimé des postes de service client au profit de l'IA referont marche arrière, souvent dans des conditions moins favorables qu'avant. Cette séquence, portée par des entreprises très rentables et non en difficulté, révèle que les coupes d'effectifs relèvent moins d'une nécessité de survie que d'un choix de financement, dont le bilan réel commence tout juste à être évalué.

💬 Le vrai tell de cette histoire, c'est ce contraste : quand les jetons dépassent le budget, on plafonne la dépense, mais quand c'est un employé qui coûte cher, on le vire direct. Klarna vient de payer cash cette logique, obligée de réembaucher des humains après avoir vendu son "IA d'abord" aux investisseurs pendant plus d'un an. Et le détail qui tue, c'est que 80% des boîtes qui ont supprimé des postes n'ont vu aucun gain de ROI, donc ce basculement des salaires vers les tokens ressemble moins à une stratégie qu'à un pari comptable mal calculé.

Au-delà du gadget : comment structurer l’usage de l’IA dans le quotidien des équipes marketing

Selon une étude du MIT Sloan, 95 % des projets d'intelligence artificielle en entreprise n'atteignent jamais la phase de déploiement réel et restent bloqués au stade du pilote. Dans le marketing digital, ce constat est particulièrement frappant : les équipes adoptent massivement les outils, génèrent des visuels avec Midjourney, rédigent des briefs avec ChatGPT, automatisent des rapports avec Copilot, mais peinent à transformer ces usages épars en pratiques structurées et pérennes. L'article publié sur FW.MEDIA pointe que l'obstacle n'est pas d'ordre technologique, les outils sont disponibles, souvent gratuits, et accessibles sans compétences techniques particulières. Le vrai frein est organisationnel. Sans cadre clair, chaque collaborateur expérimente dans son coin, ce qui crée des inégalités de compétences au sein des équipes, des doublons de travail et une absence totale de capitalisation sur les résultats. Pour les directeurs marketing, cela signifie des gains de productivité impossibles à mesurer et des investissements en formation qui ne se traduisent pas en valeur business tangible. Ce phénomène s'inscrit dans une vague plus large d'enthousiasme non structuré autour de l'IA générative depuis 2023. Les grandes agences comme Publicis ou WPP ont commencé à intégrer des rôles dédiés à l'IA dans leurs organigrammes, mais la majorité des équipes marketing des PME naviguent encore sans gouvernance ni stratégie définie. La prochaine étape pour les organisations sera de passer de l'expérimentation individuelle à des workflows IA documentés, partagés et mesurables.

Le tokenmaxxing commence peut-être déjà à reculer

Chez Meta, un phénomène insolite a récemment été mis en lumière par The Information : des employés se livrent à une compétition interne baptisée "Claudeonomics", un classement mesurant qui consomme le plus de tokens d'IA dans son travail quotidien. Le record récent appartient à un employé ayant utilisé 328,5 milliards de tokens sur une période de 30 jours, ce qui représente une facture potentielle de près de 2 millions de dollars aux tarifs publics d'Anthropic. Ce comportement, surnommé "tokenmaxxing", consiste à maximiser délibérément sa consommation d'IA pour signaler son implication et sa productivité à l'entreprise. Ce phénomène révèle une fracture croissante entre les géants technologiques ultra-capitalisés et le reste des entreprises. Si Meta peut absorber des dépenses d'IA colossales pour ses ingénieurs, la grande majorité des organisations ne dispose pas de tels budgets. Le tokenmaxxing risque ainsi de devenir un indicateur trompeur de performance, encourageant une consommation artificielle plutôt qu'une utilisation réellement productive des outils d'IA. Ce cas intervient dans un contexte où les entreprises tech cherchent à quantifier l'adoption interne de l'IA et à mesurer le retour sur investissement de leurs abonnements aux modèles comme Claude d'Anthropic ou GPT d'OpenAI. La course aux classements internes illustre une tension plus profonde : comment distinguer l'usage pertinent de l'IA d'une simple démonstration ostentatoire ? À mesure que les coûts des modèles diminuent, cette dynamique pourrait évoluer, mais pour l'instant, le tokenmaxxing reste un luxe réservé aux plus grands acteurs de la Silicon Valley.

Tokenmaxxing : quand les salariés d’Amazon brûlent des tokens pour se faire bien voir

Des employés d'Amazon utilisent MeshClaw, un outil interne de déploiement d'agents IA lancé il y a quelques semaines par le groupe, non pas pour travailler plus efficacement, mais pour gonfler artificiellement leurs statistiques de consommation de tokens. MeshClaw fonctionne sur le même principe qu'OpenClaw : il permet de déployer des agents capables de trier des courriels, interagir sur Slack, déployer du code ou surveiller des applications. Selon le Financial Times, certains salariés font tourner ces agents en continu non parce qu'ils en ont besoin, mais pour afficher un usage IA élevé dans des classements internes que la direction a commencé à surveiller. Amazon s'est fixé comme objectif que 80 % de ses développeurs utilisent l'IA chaque semaine. Ce phénomène a reçu un nom : le "tokenmaxxing". Un développeur médian consomme environ 51 millions de tokens par mois selon une étude Jellyfish publiée en avril 2026, tandis que les 10 % de plus gros consommateurs dépassent 380 millions de tokens mensuels, soit un coût pouvant atteindre 700 dollars par mois aux tarifs de l'API Claude. Ce détournement révèle les effets pervers d'une gouvernance par les métriques dans les entreprises tech. Quand un indicateur devient un critère d'évaluation implicite, il cesse de mesurer la réalité et devient une fin en soi. "Les managers regardent ces chiffres", confie un employé anonyme, "ça crée des effets pervers et certaines personnes deviennent très compétitives." L'étude Jellyfish sur 12 000 développeurs dans 200 entreprises au premier trimestre 2026 enfonce le clou : une consommation massive de tokens produit effectivement plus de code, mais ce code nécessite davantage d'allers-retours, de supervision humaine et de corrections, ce qui annule les gains de productivité supposés. À cela s'ajoute un risque de sécurité réel : MeshClaw dispose d'un accès large à des outils internes sensibles, ce qui peut provoquer des incidents graves en cas d'usage mal maîtrisé, comme l'ont déjà illustré de récentes pannes chez AWS attribuées à des agents IA. Ce phénomène dépasse Amazon. Meta avait développé un tableau de bord interne attribuant le statut de "Token Legend" aux plus gros consommateurs de tokens, avant de le retirer sous pression, tout en maintenant un suivi officiel de l'usage IA. La pression vient du sommet : Amazon a annoncé 200 milliards de dollars de dépenses d'investissement pour 2026, en grande partie fléchés vers l'IA et les centres de données. Pour justifier ces montants astronomiques auprès des actionnaires, les directions poussent les équipes à produire des preuves d'usage, créant une mécanique où l'apparence d'adoption compte autant que l'adoption réelle. L'enjeu, désormais, est de distinguer la valeur générée par l'IA de la valeur simulée pour complaire aux tableaux de bord.