L’économie de jetons d’IA : gérer les coûts cachés de l’IA agentive

En ce moment, quelque part au sein de votre entreprise, un agent d’intelligence artificielle (IA) travaille discrètement. Il recueille des données, établit le contexte, analyse le problème et, en cas d’impasse, tente une autre approche. Chacune de ces étapes invisibles utilise des jetons qui ont un coût. Personne ne peut prédire à combien s’élèveront les coûts finaux.

Nouvelle gestion des dépenses en IA et impératif de création de valeur

Pendant des décennies, les dépenses technologiques des entreprises étaient prévisibles : elles dépendaient du nombre de licences pour les logiciels, du serveur pour l’infrastructure et des ressources pour l’infonuagique. Les services financiers pouvaient bien prévoir les coûts annuels. Les équipes d’approvisionnement pouvaient négocier les contrats en fonction des utilisateurs, des licences ou de la capacité de l’infrastructure.

L’IA agentive vient complètement changer ce modèle. 

Contrairement à un logiciel traditionnel, les agents d’IA poursuivent des objectifs plutôt que de simplement répondre à des requêtes, en recueillant des renseignements, en évaluant les options et en exécutant des flux de travaux à plusieurs étapes avec différents degrés d’autonomie. Leur comportement est dynamique, tout comme leur consommation.

Par conséquent, un tout nouveau modèle économique émerge pour les entreprises. Plutôt que d’acheter des licences de logiciel, les organisations acquièrent de plus en plus une capacité cognitive, qu’elles paient un jeton à la fois.

Or, le modèle de facturation ne révèle qu’une partie du portrait économique. Des analyses indépendantes portant sur des mises en production de l’IA en entreprise indiquent que plus de 70 % des coûts totaux liés à l’IA ne transparaissent pas dans le modèle de facturation lui-même : ils sont associés à l’orchestration, à la récupération, aux exécutions répétées, à l’observabilité et à l’architecture des applications en périphérie. À mesure que les organisations déploient des systèmes agentifs de plus en plus avancés, la gouvernance des dépenses en IA va au-delà de la gestion de l’utilisation des jetons pour englober également tout le modèle opérationnel qui permet à l’IA de générer une valeur commerciale.

La réduction des coûts liés aux jetons d’IA augmente les dépenses

Des analyses indépendantes portant sur l’utilisation de l’interface de programmation d’applications d’entreprise indiquent que le prix combiné des modèles de pointe diminue d’environ 67 % par rapport à l’année précédente. Pourtant, on constate une hausse des estimations des budgets moyens consacrés à l’IA par les entreprises, qui passent d’environ 1,2 million à près de 7 millions de dollars sur une période comparable. En résumé, les jetons bon marché ne font pas diminuer la facture. Les économistes appellent cette tendance le « paradoxe de Jevons », c’est-à-dire le phénomène selon lequel la baisse du coût d’utilisation d’une ressource entraîne souvent une hausse de son utilisation, qui dépasse les économies réalisées. Les dépenses totales augmentent donc au lieu de diminuer. Les jetons bon marché ne réduisent pas la facture liée à l’IA, mais transforment les possibilités économiquement viables.

Il s’agit de la prochaine évolution des opérations financières : l’infonuagique transforme l’infrastructure en un service fondé sur l’utilisation, en plus de créer une nouvelle capacité en matière de gouvernance des dépenses. L’IA agentive fait de même : l’enjeu n’est plus de connaître le coût de l’IA, mais plutôt la façon dont les organisations estiment, gèrent et gouvernent une forme d’utilisation de plus en plus invisible.

Il s’agit de l’économie de jetons d’IA ou, comme nous l’appelons couramment chez CGI, la gestion des coûts liés à l’IA agentive, soit la capacité à estimer, à gérer et à contrôler l’utilisation variable de l’IA avant d’en perdre le contrôle.

Les organisations qui réussissent ne sont pas nécessairement celles qui diminuent leurs dépenses en IA. Ce sont celles qui comprennent les domaines où les jetons génèrent de la valeur, ou encore du gaspillage, ainsi que l’approche de gouvernance à adopter en matière d’utilisation, à mesure que l’IA s’intègre à chaque aspect de l’entreprise.

Pourquoi les coûts liés à l’IA agentive sont difficilement prévisibles

L’IA agentive ne constitue pas uniquement une dépense informatique. L’utilisation de l’IA se répand à chaque fonction d’affaires et se décentralise progressivement, ce qui explique pourquoi les coûts connexes sont difficiles à prévoir.

L’une des idées fausses les plus courantes concernant les coûts liés à l’IA est que plus la technologie gagne en maturité, plus ils deviendront plus faciles à prévoir. La réalité pourrait être tout autre.

Bien que les fournisseurs continuent de réduire le prix par jeton, le volume de jetons utilisés par les systèmes d’IA de plus en plus avancés ne cesse de croître. Les modèles de pointe reposent sur une plus grande fenêtre de contexte, un raisonnement plus complexe et un processus décisionnel autonome.

Les leaders des fonctions TI, des services financiers et de l’approvisionnement font face à ce défi de plusieurs façons : lorsqu’ils approuvent des prévisions qu’ils ne peuvent établir avec certitude, négocient des contrats basés sur l’utilisation et choisissent entre plusieurs modèles, sans qu’un seul convienne à toutes les tâches. 

La conversation doit donc prendre une nouvelle direction. Plutôt que de se demander « combien l’IA coûtera-t-elle? », les organisations doivent se demander « de quelle façon gouvernons-nous l’utilisation de l’IA afin que chaque jeton contribue à la création d’une valeur commerciale mesurable? »

Un cadre de gouvernance pour l’économie de jetons d’IA

Selon notre expérience auprès des clients, les organisations n’ont pas besoin de prévisions parfaites. Il leur faut un cadre pratique leur permettant de prendre des décisions plus éclairées. Chez CGI, ce cadre se divise en trois branches connexes : estimation, gestion et contrôle.

• L’estimation signifie d’accepter le caractère variable de l’utilisation de l’IA. Plutôt que de s’appuyer sur une seule prévision, les organisations doivent envisager d’élaborer une planification basée sur les scénarios, qui tient compte de différents flux de travaux, utilisateurs et degrés d’adoption. Concrètement, cela signifie d’établir des niveaux de consommation de valeur P50 et P90 pour chaque archétype de flux de travaux, y compris le clavardage simple, la génération améliorée par récupération d’information et l’orchestration multiagents, plutôt que de s’appuyer sur une estimation à valeur unique. Nous recommandons également de redéfinir ces valeurs chaque trimestre, car les habitudes d’utilisation changent.

  ---

• La gestion est axée sur la réduction de l’utilisation inutile, et ce, sans limiter l’innovation. Cela comprend de sélectionner le modèle adapté à la tâche, d’optimiser les requêtes, de réutiliser les réponses mises en cache lorsque cela est approprié ainsi que de concevoir des flux de travaux qui réduisent le gaspillage. Deux des méthodes les plus sous-exploitées sont la mise en cache des requêtes, qui peut réduire les coûts liés aux requêtes comparables de 50 à 90 % selon le fournisseur, et le traitement en lot ou asynchrone, généralement offert à un tarif réduit d’environ 50 % pour les charges de travail qui ne nécessitent pas une réponse immédiate. De plus, acheminer les tâches vers différents types de modèles selon leur complexité, plutôt que de confier systématiquement chaque requête au modèle le plus performant, apporte souvent une plus grande valeur que n’importe quelle réduction.
  

  ---

• Le contrôle concerne la gouvernance. Les organisations doivent savoir où les jetons sont utilisés, quelles unités d’affaires engendrent les coûts et quels cas d’utilisation de l’IA génèrent une valeur mesurable. Dans les faits, cela fait référence aux budgets maximaux par équipe et par agent, à la détection en temps réel des anomalies associées aux dépenses en jetons ainsi qu’à la rétrofacturation ou à un modèle de relevés des services reçus afin que les coûts soient visibles par l’unité d’affaires qui les génère.

Mettre en œuvre cette approche doit passer par un changement de modèle opérationnel autant concernant l’architecture, les services financiers, l’approvisionnement, la gouvernance et la culture. Les organisations qui acquièrent cette capacité aujourd’hui seront les mieux placées à mesure que l’adoption s’accroît.

Il ne s’agit plus d’une préoccupation marginale. Au début de 2026, la Linux Foundation a annoncé son intention de créer la Tokenomics Foundation (en anglais), une initiative visant à établir des normes ouvertes pour mesurer et gouverner l’efficacité et les coûts des jetons d’IA, à l’image de ce que les opérations financières ont fait il y a dix ans pour les dépenses liées à l’infonuagique.

Aujourd’hui, le défi ne concerne plus que l’adoption de l’IA. Il s’agit d’apprendre à gouverner l’économie invisible derrière.

Avant votre prochaine conversation portant sur le budget consacré à l’IA, posez-vous les trois questions suivantes.

1. Connaissez-vous les trois unités d’affaires ou cas d’utilisation responsables de la majorité de l’utilisation de vos jetons?
2. Des agents de production travaillent-ils sans budget maximal ou propriétaire défini?
3. Votre équipe des finances pourrait-elle prévoir les dépenses liées à l’IA pour le prochain trimestre avec une marge de 20 %, en s’appuyant sur l’utilisation réelle des données plutôt que la liste des prix du fournisseur?

Si vous répondez « non » en toute honnêteté à l’une de ces questions, l’économie de jetons a déjà pris le contrôle, à votre place.

CGI collabore avec de hauts dirigeants de différents secteurs d’activités afin de définir les méthodologies et les balises nécessaires pour bien gérer les coûts liés à l’IA. 

Communiquez avec nous pour en savoir davantage

Sources : Ce blogue s'appuie sur le rapport et les articles suivants.

• NavyaAI Research. AI Cost Report 2026: Token Prices & Rising AI Bills. Dernière modification le 26 mai 2026. https://www.navyaai.com/reports/ai-cost-report-token-prices-vs-ai-bill (en anglais).
• Angelo, Jake. « Uber Burned Through Its Entire 2026 AI Budget in Four Months. Now Its COO Is Questioning Whether It's Worth It ». Fortune. Dernière modification le 26 mai 2026. https://fortune.com/2026/05/26/uber-coo-ai-spending-tokens-claude-code/ (en anglais).
• Angelo, Jake. « Microsoft Reports Are Exposing AI's Real Cost Problem: Using the Tech Is More Expensive Than Paying Human Employees ». Fortune. Dernière modification le 22 mai 2026. https://fortune.com/2026/05/22/microsoft-ai-cost-problem-tokens-agents/ (en anglais).