Les directeurs financiers comptent chaque token : le value-maxing supplante le tokenmaxxing

Vendredi 9 octobre 2026, Bloomberg Tech a consacré une émission à un sujet de plus en plus fréquent dans les réunions d'entreprise : les directeurs financiers recomptent chaque token. La période du « tokenmaxxing », où l'on poussait les salariés à utiliser l'IA le plus intensivement possible et où la hausse de la consommation passait pour un progrès, touche à sa fin. Le « value-maxing » lui succède : la question n'est plus de savoir combien de tokens ont été brûlés, mais ce que l'entreprise a obtenu en échange. Les dépenses d'IA continuent pourtant de empêcher les CFO de dormir. Le présentateur Ed Ludlow en a discuté avec Nina Trentmann, autrice de la newsletter CFO Briefing.

Le descriptif de l'émission ne mentionne ni montants précis ni noms d'entreprises. Nous nous appuyons donc ci-dessous uniquement sur l'idée de fond annoncée et analysons la logique du processus.

Du tokenmaxxing au value-maxing

La première vague de déploiement de l'IA générative en entreprise reposait sur une idée simple : plus les gens travaillent avec les modèles, plus vite l'entreprise apprend. D'où les classements internes d'activité, les plafonds « par salarié » et les primes à la forte consommation. Le token est devenu un indicateur d'engagement, alors qu'il n'est, par nature, qu'une ligne sur la facture d'un fournisseur.

Quand les factures ont grimpé, l'indicateur a cessé de fonctionner. Le directeur financier ne voit pas une « culture de l'innovation », mais un poste de dépenses variable, difficile à prévoir et qui augmente avec l'enthousiasme des salariés. D'où le virage vers le value-maxing : chaque usage de l'IA doit être rattaché à un résultat mesurable.

Pourquoi les tokens sont difficiles à budgétiser

Avec le SaaS classique, tout est clair : un prix par siège, un contrat fixe, une ligne prévisible au budget. Avec les services d'IA facturés au token, le coût dépend de la longueur des requêtes, du modèle choisi, du nombre d'appels et de la façon dont les salariés et les agents enchaînent les appels. Un seul contexte très long, ou un agent autonome qui fait tourner le modèle en boucle, peut engloutir un budget en quelques jours.

Les équipes financières se heurtent ainsi à plusieurs problèmes à la fois :

• il n'existe pas d'unité de compte habituelle : un token n'équivaut pas à une tâche, et une tâche n'équivaut pas à un résultat ;
• les coûts sont dispersés entre les départements, les prestataires et les abonnements « fantômes » des salariés ;
• les modèles ne coûtent pas le même prix, et le choix entre eux n'est souvent pas fait par celui qui paie ;
• l'effet de l'IA s'exprime fréquemment en temps gagné par les salariés, difficile à convertir en argent.

Quelles métriques les CFO commencent à réclamer

La logique du value-maxing conduit à un ensemble d'indicateurs que les équipes financières demandent généralement aux responsables de projets d'IA. Il s'agit de notre interprétation, et non d'un résumé des données de l'émission :

• le coût d'une tâche terminée plutôt que le coût du token ;
• la part des requêtes ayant abouti à un résultat utilisé, et non à un brouillon jeté ;
• les dépenses d'IA ventilées par département et par produit ;
• le ratio entre modèles coûteux et modèles bon marché dans la charge de travail ;
• la comparaison avec le coût de référence du même travail sans IA.

Que doivent faire les équipes finance et produit

La première étape est prosaïque : consolider toutes les dépenses d'IA en une seule vue. Tant qu'une partie des coûts passe par des API d'entreprise, une autre par des abonnements personnels et une autre encore par des contrats cloud, il est impossible de les piloter.

Deuxième étape : désigner un responsable pour chaque grand cas d'usage et exiger de lui une métrique métier. Par exemple, le temps de traitement d'une demande, le nombre de tickets clôturés ou la rapidité de préparation d'un rapport. En l'absence de métrique, il faut réduire les plafonds plutôt que les relever.

Troisième étape : router la charge entre les modèles. Les tâches de routine vont aux modèles bon marché, et les modèles coûteux sont réservés aux cas où la qualité influe sur le résultat. Quatrième étape : instaurer des limites et des alertes pour les scénarios agentiques, où le modèle s'appelle lui-même.

La tendance est claire : dans les entreprises, l'IA passe de la catégorie « expérimentations » à celle des « dépenses d'exploitation », et on lui applique donc les mêmes exigences qu'à tout autre poste du budget. Ceux qui savent expliquer ce qu'ils paient exactement en sortiront gagnants.