L’économie des jetons d’IA : un guide destiné aux chefs des finances pour maîtriser les coûts et les résultats liés à l’IA
Comment les dirigeants des finances peuvent évaluer l’incidence de l’IA sur leurs résultats, l’affectation du capital et les dépenses d’exploitation avant que les marges ne subissent des pressions.
À mesure que l’adoption de l’IA s’accélère, les jetons – et non les licences ou les effectifs – deviennent la véritable unité de coût. Comprendre l’économie des jetons d’IA offre aux chefs des finances une nouvelle façon de gérer les marges, d’anticiper les risques et d’aider la haute direction à prendre des décisions d’investissement plus éclairées.
Points à retenir
- L’IA n’est pas un enjeu propre à une unité d’affaires – c’est un enjeu d’entreprise, et les investissements doivent être à la hauteur des objectifs de l’organisation.
- L’IA n’a de valeur que si elle se traduit par une création de valeur pour les actionnaires.
- Encadrez l’IA avec la même rigueur que tout autre investissement stratégique.
- L’IA n’est pas seulement un investissement technologique – c’est un système économique. Sans encadrement adéquat, elle peut accroître la volatilité, exercer une pression sur les marges et augmenter les risques liés au capital. Gérée efficacement, elle peut devenir un puissant levier de création de valeur durable pour l’entreprise.
- Le chef des finances qui sait établir un lien entre les jetons et l’état des résultats grâce à sa capacité d’anticipation, à une gestion rigoureuse et à la modélisation de scénarios ne se contentera pas de maîtriser les coûts – il contribuera à façonner un avantage concurrentiel durable.
Ce que les chefs des finances doivent savoir sur l’économie de l’IA
La consommation d’IA connaît une croissance rapide, avec des répercussions qui dépassent largement le cadre des équipes technologiques.1 Cette accélération se reflète dans l’adoption de l’IA au sein des entreprises : au deuxième trimestre de 2025, près des trois quarts des dirigeants ont déclaré avoir investi dans l’IA au cours des douze mois précédents. L’IA est également devenue l’une des principales nouvelles dépenses technologiques pour de nombreuses organisations. En effet, 50 % des dirigeants affirment y consacrer de 21 % à 50 % de leurs budgets de transformation numérique.2
Pour les chefs des finances, il ne s’agit pas simplement d’un nouveau cycle d’investissements technologiques. L’IA transforme fondamentalement les structures de coûts en introduisant de nouvelles sources de volatilité dans les dépenses d’exploitation, les marges, les prévisions financières et la planification du capital. Le véritable enjeu n’est donc pas de savoir s’il faut investir dans l’IA, mais plutôt de déterminer si les chefs des finances disposent d’une visibilité suffisante pour comprendre, mesurer et gouverner son économie assez tôt pour influencer les résultats.
Comme l’explique le chef des finances d’une société de gestion de placements : « La plupart des organisations subissent actuellement la même pression : réduire leurs dépenses technologiques afin de dégager des budgets pour l’IA, sans véritable remise en question. »
Il poursuit : « Même si les gains de productivité demeurent au cœur des discussions dans de nombreuses organisations, il existe clairement une perception qu’un avantage concurrentiel accompagne l’adoption précoce de l’IA, alors que les discussions sur la croissance des revenus n’ont pas encore réellement commencé. La plupart des organisations ne savent toujours pas comment calculer le coût total de possession de l’intelligence artificielle.3 »
Pourquoi l’IA remet en question les approches traditionnelles de gestion des coûts
Les chefs des finances sont habitués à gérer les dépenses technologiques au moyen de leviers bien connus : licences, effectifs, capacité des infrastructures et calendriers d’amortissement. L’IA ne s’inscrit toutefois pas dans ces modèles.
Les coûts liés à l’IA sont souvent fonction de l’utilisation, non linéaires et très variables. Aujourd’hui, de nombreuses organisations sont encore relativement protégées des coûts directs de l’IA, puisque ceux-ci sont généralement intégrés aux progiciels de gestion intégrés (PGI), aux plateformes de gestion de la relation client, aux systèmes de gestion du capital humain ou aux logiciels-services. Cette situation pourrait cependant être temporaire. Les capacités agentiques transforment déjà les modèles de tarification, qui évoluent d’une approche fondée sur le nombre d’utilisateurs vers des modèles reposant sur l’utilisation, les résultats obtenus ou la valeur créée. Les structures de coûts devraient continuer d’évoluer au fil du temps.
Conséquence : les prévisions financières deviennent plus complexes et le contrôle des marges plus difficile. Pour les organisations qui exécutent des applications d’IA dans le nuage, les coûts associés aux jetons sont désormais mesurés explicitement et apparaissent déjà comme des dépenses imprévues dans certains cas. Cette réalité est particulièrement marquée lorsque les volumes de jetons augmentent sous l’effet de la croissance de l’utilisation et de la complexité des solutions déployées.
Comprendre la demande et son évolution potentielle
Au cœur de l’économie de l’IA se trouve une nouvelle unité de consommation : le jeton. Chaque interaction avec un système d’IA – qu’il s’agisse de texte, d’images, de code ou de prise de décision – consomme des jetons. Les intrants (requêtes, contexte, récupération de données) comme les extrants (réponses, actions) sont comptabilisés. Chaque jeton a un coût qui varie selon le modèle utilisé, l’infrastructure sous-jacente, la configuration retenue et les conditions du marché. Cette réalité est importante, car ce sont désormais les jetons – et non les utilisateurs, les licences ou le temps d’utilisation – qui peuvent devenir le principal moteur des coûts.
À mesure que l’adoption de l’IA progresse :
les volumes de jetons augmentent avec le nombre d’utilisateurs, l’enrichissement des données et l’automatisation accrue des flux de travail ;
les coûts peuvent croître de façon non linéaire à mesure que les modèles gagnent en sophistication ;
les dépenses deviennent plus difficiles à prévoir en l’absence d’une gestion explicite de la demande.
Quels facteurs alimentent la croissance des jetons et quelles en sont les répercussions?
Le nombre mensuel de jetons générés par une organisation dépend d’une combinaison de facteurs : l’ampleur du déploiement, les comportements liés aux requêtes, notamment leur longueur et le nombre d’interactions, la complexité des modèles utilisés.
L’évolution vers une entreprise alimentée par l’IA et des applications fortement automatisées stimulera inévitablement la croissance des volumes de jetons. Les chefs des finances et de la technologie devront donc mieux comprendre les effets de cette croissance sur les infrastructures de centres de données. Les décisions relatives aux investissements dans les capacités GPU, l’espace de colocalisation ainsi que les besoins en alimentation et en refroidissement influencent directement l’économie des jetons, tant du point de vue des dépenses d’exploitation que des dépenses en immobilisations.
Même une interaction conversationnelle apparemment simple peut générer des milliers de jetons. À grande échelle, des millions de jetons peuvent rapidement devenir des milliards, voire des billions, chaque mois. Dans le cadre d’un mandat réalisé auprès d’un important organisme du secteur des soins de santé, une hausse mensuelle de l’utilisation des jetons de 8 % à 10 % – représentant un billion de jetons sur six mois – s’est traduite par plus de 6 millions de dollars de coûts annualisés additionnels qui n’avaient pas été prévus. À ce moment-là, l’équipe des finances n’avait aucune visibilité sur le facteur à l’origine de cette augmentation.
|
Chaque requête génère des jetons d’entrée et de sortie |
Environ 1 500 mots correspondent à 2 048 jetons. Une conversation itérative peut ainsi générer près de 5 000 jetons, en tenant compte à la fois des jetons d’entrée et des jetons de sortie.4,5 |
|
Un seul utilisateur peut générer des millions de jetons lorsqu’il utilise une solution d’IA en production |
Un utilisateur d’un agent conversationnel de base peut générer jusqu’à 9,4 millions de jetons par année, tandis qu’un superagent peut en générer jusqu’à 356 millions annuellement.6 |
|
Les volumes mensuels de jetons varient considérablement, tout comme les coûts qui y sont associés |
Une entreprise en démarrage du secteur des logiciels établie à Seattle a déclaré avoir consommé près de 1 milliard de jetons en seulement 30 jours, entraînant des coûts difficiles à prévoir en raison des fluctuations de l’utilisation et des modèles de tarification.7 De son côté, Google a traité 480 billions de jetons par mois en 2025 dans l’ensemble de ses produits et interfaces de programmation d’applications (API), soit 50 fois plus qu’à la même période l’année précédente.8 |
Les jetons fonctionnent comme des coûts variables d’intrants dans un modèle manufacturier, à la différence que la demande est beaucoup plus difficile à maîtriser. L’augmentation des volumes de jetons est une conséquence naturelle de la mise à l’échelle de l’IA et dépend de nombreux facteurs, notamment le nombre d’utilisateurs, les types de données traitées, la conception des flux de travail agentiques ainsi que la qualité des requêtes et des mécanismes de contrôle. Les leaders de la technologie commencent tout juste à mieux comprendre ces dynamiques, les organisations les plus avancées dans l’adoption de l’IA étant les premières à en ressentir les effets. Par exemple, AT&T a déployé des solutions d’IA utilisées par plus de 100 000 employés et agents IA, générant près de 8 milliards de jetons par jour. L’entreprise a ensuite mis en place un système multiagents dans lequel des superagents supervisent les agents IA. Cette approche lui a permis de réduire ses coûts de 90 %, tout en faisant passer ses volumes de jetons à 27 milliards par jour en quelques mois.9
Les répercussions varient également selon le modèle d’hébergement retenu, qu’il s’agisse d’un logiciel-service, d’une solution infonuagique ou d’un environnement hébergé à l’interne, puisque chacun influe sur le coût unitaire des jetons. À mesure que les programmes prennent de l’ampleur, ces facteurs peuvent évoluer et fluctuer, ce qui complique la tâche des chefs des finances lorsqu’il s’agit de prévoir les augmentations potentielles des dépenses.
Figure 1. Coût par jeton d’IA à mesure que l’utilisation augmente selon les différents modes de déploiement
Coût total de possession par million de jetons
Source : Deloitte, Comprendre l’économie de l’IA. Comment l’économie des jetons redéfinit les coûts et le RCI de l’IA, janvier 2026.
Note : Comme les coûts des jetons varient d’un fournisseur de logiciels-services à l’autre et ne sont pas toujours visibles, notre modélisation se limite aux options infonuagiques et aux solutions hébergées à l’interne.
L’analyse de Deloitte sur l’économie des jetons d’IA montre que les paramètres économiques unitaires évoluent considérablement à mesure que les volumes augmentent. Avec la croissance des volumes de jetons, certains modèles de déploiement deviennent plus avantageux que d’autres sur le plan des coûts :
Bien que les coûts des jetons ne soient pas toujours visibles dans certaines solutions de logiciels-services, plusieurs fournisseurs commencent à intégrer des capacités de suivi et de mesure de la consommation de jetons.10
À faible volume, les interfaces de programmation d’applications infonuagiques offrent davantage de souplesse, malgré un coût unitaire plus élevé.
À volume intermédiaire, les solutions infonuagiques de nouvelle génération, ou « néonuages », peuvent améliorer les paramètres économiques.
À volume élevé et soutenu, les usines d’IA ou les modèles hébergés à l’interne peuvent offrir le coût unitaire le plus faible, mais exigent un investissement initial en capital plus important.
Selon le Sondage Deloitte sur l’infrastructure de l’IA 2028 (en anglais), réalisé auprès de 550 dirigeants d’entreprises américaines, le volume de jetons d’IA que les organisations consomment – et pour lequel elles paient – est déjà considérable et devrait croître rapidement. Les données du sondage indiquent que de nombreuses entreprises génèrent déjà plus de 10 milliards de jetons par mois. De plus, la proportion de répondants qui s’attendent à dépasser 100 milliards de jetons par mois devrait tripler entre 2025 et 2028. Face à cette réalité, plusieurs chefs des finances commenceront à se poser des questions importantes : À quel moment dois-je intervenir? Quels leviers puis-je actionner? Quelles seront les conséquences si je n’agis pas?
Même si les chefs des finances ne sont pas toujours responsables du choix des architectures technologiques, ils définissent souvent les contraintes économiques, les seuils de tolérance et les mécanismes d’escalade qui encadrent les investissements. Par ailleurs, l’économie des jetons touche directement plusieurs de leurs responsabilités, notamment la gestion des coûts, les prévisions financières, l’affectation du capital et la protection des marges.
Pourquoi la maîtrise de la dynamique des jetons d’IA a des répercussions concrètes pour le chef des finances
Pour les chefs des finances, une gestion inadéquate de la consommation de jetons peut entraîner quatre risques immédiats :
Ce que l’économie des jetons implique pour les chefs des finances
Pour les chefs des finances, l’enjeu n’est pas de déterminer quel modèle est « le bon », mais plutôt de reconnaître que les points d’inflexion économiques peuvent être prévisibles lorsque la demande en jetons est comprise suffisamment tôt. Les chefs des finances n’ont pas besoin de suivre chaque jeton individuellement. Ils doivent toutefois s’assurer que la croissance des dépenses s’inscrit dans une stratégie claire et que le coût total de possession est considéré comme un facteur d’investissement à chaque étape de la chaîne de valeur. L’économie des jetons doit être gouvernée avec la même rigueur que celle appliquée à l’affectation du capital, en s’appuyant sur trois principes fondamentaux :
Comme l’a affirmé Seun Salami, chef des finances de TIAA Nuveen : « Du comptoir d’accueil à la salle du conseil, chaque investissement devrait permettre aux organisations d’anticiper les évolutions du marché, de se démarquer et de générer des résultats concrets pour les clients et les actionnaires.14 »
Les programmes d’IA doivent faire l’objet du même examen rigoureux afin de déterminer lesquels sont véritablement stratégiques et lesquels le sont moins. Si la mise à l’échelle de l’IA est considérée comme une priorité stratégique, la dynamique associée aux jetons devra être prise en charge par les chefs des finances et intégrée aux prévisions, à la gestion des marges, aux projections de risque lié au capital et à de nombreux autres processus de gestion financière. Cela exige une collaboration étroite entre les leaders d’affaires et les leaders technologiques afin de valider la pertinence de ces dépenses stratégiques et de considérer le coût total de possession comme un facteur clé dans l’évaluation du rendement du capital investi. Cela nécessite également une gestion continue des coûts, qu’il s’agisse de réaliser un investissement stratégique dans l’hébergement privé ou d’explorer de nouvelles approches de gestion financière, comme les mécanismes de refacturation interne.
L’IA n’est pas seulement un investissement technologique. C’est un système économique à part entière. Lorsqu’elle n’est pas encadrée adéquatement, elle peut introduire de la volatilité, exercer une pression sur les marges et accroître les risques liés au capital. En revanche, lorsqu’elle est gouvernée efficacement, elle peut devenir un puissant levier de création de valeur durable pour l’entreprise. Les chefs des finances capables de relier les jetons aux résultats financiers grâce à une vision à long terme, une discipline rigoureuse et une modélisation de scénarios solide ne se contenteront pas de maîtriser les coûts : ils contribueront également à façonner un avantage concurrentiel durable.
Collaborateurs additionnels
Tim Smith
Amanda Nelson
Nicholas Merizzi
Diane Ma
Diana Kearns-Manolatos
