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

L'intelligence artificielle est en train de passer rapidement de dépenses expérimentales à l'une des lignes budgétaires les plus lourdes des budgets d'entreprise. Chez certaines entreprises, les coûts des modèles, des tokens et du calcul rivalisent déjà 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 rapporté que le budget annuel en IA pour 2026 est déjà épuisé, le coût élevé des tokens étant la raison principale.

Ce qui était récemment perçu comme un outil flexible pour accélérer la productivité des équipes devient maintenant une ligne de dépenses opérationnelles complète qui ne peut être ignorée. Le problème est que l'économie de l'IA ne se met pas à l'échelle de la même manière que le logiciel d'entreprise traditionnel. Si un abonnement à un service typique est généralement prévisible, les dépenses pour les 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 orientés vers les clients, plus la facture de tokens, les coûts des GPU en nuage, le stockage de données, la surveillance et la sécurité augmentent. Au stade pilote, ces montants peuvent sembler gérables, mais une fois en production, le budget commence à changer de façon spectaculaire, surtout quand des milliers d'employés ou de clients commencent à utiliser le service. Pendant ce temps, une partie importante des coûts n'est pas cachée dans un seul contrat mais répartie sur plusieurs postes : APIs, nuage, bases de données vectorielles, journalisation, protection des données, ajustement fin, intégration et maintenance.

C'est précisément pour cela que l'IA en environnement d'entreprise s'avère être plus chère que ce qu'elle ne paraît à partir de la première présentation ou du premier devis. Sur cette toile de fond, la prévision des dépenses informatiques mondiales semble logique : en 2026, elles devraient atteindre 6,31 billions de dollars, ce qui représente 13,5% de plus qu'en 2025. Une part substantielle de cette croissance provient de l'infrastructure IA, des logiciels et des services en nuage.

L'argent va non seulement vers l'accès aux modèles, mais aussi vers tout l'écosystème qui les entoure : capacité serveur, intégrations, outils d'observabilité, mécanismes de contrôle de la qualité des réponses et mesures de protection des données. Pour les entreprises, cela signifie que la mise en œuvre de l'IA ne peut plus être envisagée comme une initiative locale d'une seule équipe — il s'agit d'un examen systémique du budget informatique. Si auparavant les entreprises débattaient de savoir si embaucher un autre analyste, développeur ou gestionnaire, maintenant une question différente se pose de plus en plus souvent : un scénario d'IA particulier offre-t-il un meilleur retour qu'un spécialiste humain ou une automatisation standard ?

Cela change aussi l'approche managériale. Les entreprises ne peuvent plus simplement permettre aux employés d'utiliser des réseaux de neurones ou de connecter une API sur quelques produits. Elles ont besoin de limites financières, de contrôle des coûts par scénario, du choix entre des modèles coûteux et plus compacts, de la mise en cache des requêtes répétées et d'une évaluation rigoureuse de l'endroit où l'IA crée réellement de la valeur.

De plus en plus, les entreprises acheminent les requêtes par niveau de complexité, limitent la longueur du contexte, utilisent des modèles plus petits pour les tâches de routine et emploient des solutions locales là où la confidentialité et les coûts prévisibles sont importants. Dans de nombreux cas, il est moins cher de maintenir certains processus avec des personnes ou de les automatiser en utilisant des méthodes traditionnelles que de payer aveuglément chaque génération. L'exemple d'Uber est important précisément pour cela : même une grande entreprise technologique avec une culture d'ingénierie solide ne fait pas face au problème de l'accès à l'IA, mais au problème de sa rentabilité.

L'étape suivante du marché ne sera pas une course aux fonctionnalités IA maximales, mais une transition vers un usage discipliné. Les gagnants ne seront pas les entreprises qui connecteront plus de modèles, mais celles qui apprendront à calculer le coût d'une réponse, à le corréler avec les revenus ou l'économie de temps et à désactiver rapidement les scénarios coûteux sans rendement clair. L'IA cesse enfin d'être une surcouche à la mode sur les affaires et devient une infrastructure.

Et l'infrastructure, comme l'exemple d'Uber le démontre, exige non seulement de l'ambition mais aussi un contrôle budgétaire très rigoureux.