Uber a épuisé son budget IA, et les dépenses de calcul des entreprises dépassent déjà les salaires

L'intelligence artificielle passe rapidement du statut de dépense expérimentale à celui de l'un des postes les plus lourds du budget des entreprises. Dans plusieurs sociétés, le coût des modèles, des tokens et du calcul rivalise désormais non pas avec les licences logicielles, mais avec la masse salariale. Un signal révélateur est venu d'Uber : le directeur technique de l'entreprise a indiqué que le budget annuel d'IA pour 2026 est déjà épuisé, la raison principale étant le coût élevé des tokens. Ce qui passait encore récemment pour un outil souple d'accélération du travail des équipes est devenu un véritable poste de dépenses opérationnelles qu'on ne peut pas ignorer.

Le problème est que l'économie de l'IA ne monte pas en charge comme le logiciel d'entreprise classique. L'abonnement à un service ordinaire est le plus souvent prévisible, alors que les dépenses liées aux modèles génératifs augmentent avec chaque requête, chaque nouvel utilisateur et chaque cas d'usage supplémentaire. Plus une entreprise intègre l'IA dans la recherche, le support, l'analytique, le code, les assistants internes et les produits clients, plus la facture grimpe : tokens, GPU dans le cloud, stockage de données, supervision et sécurité. Au stade du pilote, ces montants peuvent sembler supportables, mais après le passage en production, le budget se met à varier par à-coups, surtout quand des milliers de salariés ou de clients utilisent le service.

Par ailleurs, une part importante des coûts ne figure pas dans un seul contrat : elle est répartie sur plusieurs lignes, dont les API, le cloud, les bases vectorielles, la journalisation, la protection des données, le fine-tuning, l'intégration et la maintenance. C'est pourquoi l'IA en entreprise revient de plus en plus souvent plus cher que ne le laissaient penser la première présentation ou la première facture.

Dans ce contexte, la prévision des dépenses IT mondiales paraît logique : en 2026, elles devraient atteindre 6,31 billions de dollars, soit 13,5 % de plus qu'en 2025. Une part substantielle de la hausse vient de l'infrastructure IA, des logiciels et des services cloud. L'argent ne sert pas seulement à accéder aux modèles, mais à tout ce qui les entoure : capacité serveur, intégrations, outils d'observabilité, contrôle de la qualité des réponses et mécanismes de protection des données. Pour les entreprises, cela signifie que le déploiement de l'IA ne peut plus être traité comme l'initiative locale d'une équipe : il exige une révision systémique du budget IT.

Avant, les entreprises se demandaient s'il fallait embaucher un analyste, un développeur ou un manager de plus. Désormais, une autre question revient de plus en plus : un cas d'usage précis de l'IA rentabilise-t-il ses tokens et son calcul mieux qu'un spécialiste humain ou qu'une automatisation ordinaire ?

L'approche de gestion change en conséquence. Il ne suffit plus aux entreprises d'autoriser les salariés à utiliser des réseaux de neurones ou de brancher une API dans quelques produits. Il faut des plafonds financiers, un contrôle du coût de chaque cas d'usage, un choix entre modèles coûteux et modèles plus compacts, un cache pour les requêtes répétées et une évaluation rigoureuse de l'endroit où l'IA crée réellement de la valeur.

On recourt de plus en plus au routage des requêtes selon leur complexité, à des limites sur la longueur du contexte, à de petits modèles pour les tâches courantes et à des solutions locales là où la confidentialité et un coût prévisible comptent. Dans bien des cas, il est moins cher de laisser certains processus aux humains ou de les automatiser par des méthodes classiques que de payer sans contrôle chaque génération.

C'est pourquoi l'exemple d'Uber compte : même une grande entreprise technologique dotée d'une solide culture d'ingénierie se heurte non à un problème d'accès à l'IA, mais à un problème de rentabilité. La prochaine étape pour le marché n'est pas une course au plus grand nombre de fonctions IA, mais le passage à un usage discipliné. Les gagnants ne seront pas les entreprises qui connecteront le plus de modèles, mais celles qui sauront calculer le coût d'une réponse, le comparer au chiffre d'affaires ou au temps gagné, et couper à temps les cas d'usage coûteux sans effet clair.

L'IA cesse définitivement d'être un supplément à la mode et devient une infrastructure. Et l'infrastructure, comme le montre l'histoire d'Uber, exige non seulement de l'ambition, mais un contrôle budgétaire très strict.