Une question revient désormais régulièrement dans les séances de travail avec les dirigeants et les équipes en PME :
Le modèle de consommation au crédit des IA génératives va-t-il finir par raréfier les usages ?
La question se pose notamment avec les agents IA et les fonctions Work / Cowork, parce qu'elles rendent des usages avancés, bien au-delà de l'assistant conversationnel, accessibles à presque n'importe quel collaborateur. Et elles peuvent consommer beaucoup plus rapidement qu'un simple échange avec un chatbot.
Le coût unitaire de l'intelligence artificielle baisse très rapidement. Selon le Stanford AI Index, le coût permettant d'atteindre un niveau de performance comparable à GPT-3.5 a été divisé par plusieurs centaines en quelques années.
Dans le même temps, les dépenses des entreprises consacrées à l'IA générative explosent. Menlo Ventures estime qu'elles sont passées de 11,5 milliards de dollars en 2024 à 37 milliards en 2025.
L'IA coûte moins cher à l'unité… mais nous en consommons énormément plus. Ce phénomène rappelle ce que nous avons connu avec le cloud.
C'est probablement là que le changement devient le plus important. Avec une IA générative classique, le fonctionnement reste relativement simple : je pose une question, le modèle traite ma demande, il me répond.
Mais les nouveaux environnements proposent autre chose. On leur confie progressivement un travail :
voire déclencher certaines actions. L'IA peut alors enchaîner plusieurs opérations : chercher, lire, analyser, produire, vérifier, corriger, utiliser des outils, puis recommencer si nécessaire.
Le point important est que l'utilisateur n'a plus besoin de construire un agent pour entrer dans cette logique. Il peut simplement utiliser une fonction déjà intégrée dans son environnement de travail.
Elle arrive directement dans les outils déjà utilisés au quotidien : Microsoft 365 avec Copilot Cowork, Mistral Work et bien d'autres… Mais aussi, progressivement, dans les CRM, ERP, outils de gestion de projet, plateformes de service client, logiciels métiers ou solutions collaboratives.
La frontière entre « utiliser une IA générative » et « faire travailler une IA » devient de plus en plus fine. Et c'est précisément ce qui rend la question de la consommation beaucoup plus importante.
Un collaborateur peut avoir l'impression de simplement demander : « Analyse ces documents et prépare-moi une synthèse. » Alors qu'en arrière-plan, l'outil peut mobiliser plusieurs recherches, lectures, raisonnements, appels à des services ou opérations successives. La consommation réelle peut donc être très différente de celle d'un simple échange conversationnel.
Avec un agent plus autonome, le fonctionnement peut aller encore plus loin. Il analyse, cherche, appelle un outil, lit une réponse, vérifie, recommence, corrige, interroge éventuellement un autre modèle… Et tout cela peut se produire sans intervention humaine.
McKinsey estime que certaines tâches agentiques peuvent consommer jusqu'à 1 000 fois plus de tokens qu'une interaction simple avec un chatbot. Le coût d'une même tâche peut également fortement varier selon le chemin emprunté par l'agent.
Le coût d'une tâche réalisée par l'IA n'est plus toujours facilement prévisible au moment où l'utilisateur la déclenche.
Les premières études publiées en 2026 sont particulièrement intéressantes. McKinsey observe qu'environ 20 % des organisations interrogées ont déjà limité certains usages de l'IA en raison de leurs coûts opérationnels. Dans le même temps, 60 % prévoient pourtant d'augmenter leurs investissements dans l'IA.
Cela ne ressemble donc pas à une diminution générale de l'usage. Cela ressemble davantage à une sélection des usages. Les entreprises continueront probablement à consommer toujours plus d'intelligence artificielle, mais elles commenceront à poser beaucoup plus systématiquement la question : pour quels usages est-il réellement pertinent de consommer de l'intelligence artificielle ?
Une licence SaaS à 30 € par mois devient presque invisible une fois achetée. Un compteur affichant « 10 000 crédits, 7 500 crédits, 4 200 crédits… » crée une perception très différente. La consommation devient visible. Et ce qui devient visible finit généralement par être arbitré.
Nous risquons donc de voir apparaître un nouveau comportement chez les utilisateurs. Hier : « J'ai accès à l'IA, donc je l'utilise. » Demain : « Est-ce que cette tâche mérite réellement cette consommation ? »
Cela devient d'autant plus intéressant avec les fonctions Work / Cowork et les agents, car les utilisateurs devraient confier très facilement des tâches de plus en plus longues et complexes à l'IA. Ils pourront donc atteindre leurs quotas ou consommer leurs crédits beaucoup plus rapidement qu'avec un usage conversationnel classique.
Le risque serait de transformer la maîtrise des coûts en limitation systématique de l'utilisation. Un collaborateur ne doit pas renoncer à une analyse capable de créer 500 € de valeur simplement parce qu'elle consomme quelques euros de crédits.
Le sujet n'est donc pas « Comment consommer le moins d'IA possible ? » mais plutôt :
Où est-il rationnel d'en consommer beaucoup ?
Aujourd'hui, nous regardons encore beaucoup le prix d'un abonnement, le prix du million de tokens, le nombre de licences, les crédits disponibles. Ces indicateurs vont rapidement devenir insuffisants. Le véritable indicateur sera probablement le coût par résultat métier obtenu :
Cela permet de remettre la dépense à sa bonne place face à la valeur créée.
Le cloud a progressivement donné naissance au FinOps : comprendre, piloter et optimiser les dépenses informatiques. L'IA pourrait suivre exactement le même chemin :
Et surtout : la valeur produite en face. Les entreprises ne chercheront probablement pas à réduire mécaniquement leur consommation d'IA. Elles chercheront à mieux la comprendre et à mieux l'allouer.
Je pensais initialement que la question du coût se poserait principalement lorsque les entreprises commenceraient à déployer beaucoup d'agents. Je nuancerais désormais cette analyse. Le phénomène arrivera probablement plus tôt, parce que Work, Cowork, Copilot et les fonctions similaires démocratisent déjà une forme de travail agentique.
Nous pourrions donc voir apparaître simultanément deux mouvements : une forte augmentation des usages, et une prise de conscience beaucoup plus rapide de leur coût.
Les collaborateurs vont probablement utiliser davantage l'IA. Et ils apprendront progressivement à différencier une question simple, une recherche approfondie, une analyse de documents, une tâche réalisée avec Work ou Cowork, une action prise en charge par l'assistant conversationnel, un agent spécialisé, un agent autonome. Ces usages n'ont ni la même valeur, ni la même consommation.
Nous sommes passés de « Regardez ce que l'IA peut faire » à « Donnons accès à l'IA aux collaborateurs ». Nous entrons maintenant dans une troisième étape :
Quel niveau d'intelligence artificielle faut-il mobiliser pour cette tâche, à quel coût et pour quelle valeur ?
Je ne crois donc pas à une raréfaction générale de l'usage. Je crois davantage à une raréfaction de l'usage non justifié. Et paradoxalement, cela pourrait être une excellente nouvelle pour l'adoption de l'IA en entreprise.
Parce qu'une adoption durable ne se construira ni sur la fascination technologique, ni sur la peur de la facture. Elle se construira sur une démarche beaucoup plus pragmatique : expérimenter, mesurer, puis décider.
Un premier échange pour clarifier votre situation et identifier la bonne première marche.