Optimisation des tokens : le tokenmaxxing est une faute de gestion, et votre DAF va la lire sur la facture

Chez Uber, quatre mois ont suffi pour brûler l'intégralité du budget 2026 d'outils d'IA pour développeurs. Ce n'est pas un accident. C'est le fonctionnement par défaut d'une technologie facturée au token.

Le chiffre vient du CTO d'Uber, Praveen Neppalli Naga, qui l'a admis publiquement : l'entreprise a englouti son enveloppe annuelle d'outils d'IA en un tiers de l'année. Microsoft, de son côté, a retiré les licences Claude Code distribuées à ses équipes six mois plus tôt, la note ayant dépassé les prévisions. Chez Nvidia, un vice-président résume la bascule d'une phrase : pour son équipe, le coût du calcul dépasse déjà le coût salarial.

Nous construisons et maintenons des systèmes d'IA pour des entreprises qui n'ont pas d'équipe dédiée en interne. La première ligne que nous regardons dans un audit n'est plus la performance du modèle, c'est sa consommation de tokens. Et voici notre conviction, sans détour : le token n'est pas un score de productivité, c'est un coût variable, et le laisser filer au nom du « toujours le plus gros modèle » est une faute de gestion que 2026 met en pleine lumière. Trois idées pour le démontrer : le coût de l'IA a changé de nature, le tokenmaxxing repose sur une erreur de mesure, et la discipline qui en sort relève de l'architecture, pas d'un achat.

Le verdict, tout de suite.

• Depuis 2026, la variable qui pilote un projet d'IA n'est plus la capacité du modèle, c'est le coût par token à la tâche.
• Le « tokenmaxxing » (brûler le modèle le plus cher pour tout) traite la consommation comme une preuve de travail. C'est un contresens : entre deux modèles, le même job peut coûter de 72 $ à 109 200 $.
• La parade n'est pas un modèle plus malin : c'est du routage, du cache et des budgets de tokens. Une décision d'architecture, prise en amont.

1. Le coût de l'IA a changé de nature

Pendant trois ans, la question était : ce modèle sait-il le faire ? Elle est devenue : combien coûte chaque appel, multiplié par le volume ? Gartner projette 2 590 milliards de dollars de dépenses mondiales en IA pour 2026, en hausse de 47 % sur un an. L'essentiel de cette dépense ne part plus dans l'entraînement, mais dans l'inférence, c'est-à-dire l'usage quotidien. Chaque requête d'un collaborateur, chaque étape d'un agent, chaque relecture automatique consomme des tokens facturés.

Ce déplacement du coût est structurel. Entraîner un modèle est une dépense d'investissement, ponctuelle, portée par les éditeurs de modèles. L'inférence est une dépense d'exploitation : elle se répète à chaque usage, elle grandit avec l'adoption, et c'est vous qui la portez. Une entreprise qui déploie un assistant à ses trois cents collaborateurs ne paie pas une fois. Elle paie chaque question, chaque jour, pour toujours. C'est exactement le profil de coût que la fonction finance surveille, et exactement celui que les tableaux de bord IA ignorent encore le plus souvent.

Un token, c'est l'unité de découpage du texte que le modèle lit et produit. Vous payez ceux qui entrent (votre requête, le contexte, les documents) et ceux qui sortent (la réponse). Tant que l'IA se résumait à une poignée de requêtes par jour, la facture restait un détail. L'agent a tout changé : il ne répond pas, il boucle. Il lit, planifie, appelle des outils, se relit, recommence. Là où un humain posait une question, l'agent en génère cent, et chacune se paie.

La bascule est déjà dans les contrats. Le 1er juin 2026, GitHub Copilot a fait passer l'ensemble de ses offres à une facturation à l'usage : fini le forfait de requêtes, chaque interaction est désormais comptée en tokens réellement consommés, selon le modèle choisi. Des milliers d'équipes de développement françaises ont vu, du jour au lendemain, une ligne fixe se transformer en compteur qui tourne.

Voilà pourquoi le sujet remonte jusqu'au directeur financier. Le cabinet EY a chiffré la dérive sur un cas concret : une requête isolée coûte environ quatre centimes, mais une fois insérée dans une chaîne d'orchestration réaliste, avec appels d'outils et étapes intermédiaires, la même interaction grimpe à 1,20 dollar. Trente fois plus, pour le même service rendu à l'utilisateur. La fonction finance découvre alors une ligne qui n'existait pas dans le plan et qui refuse de se laisser prévoir.

Le mouvement est déjà mesurable côté gouvernance : selon la communauté FinOps, 98 % des équipes qui pilotent les coûts cloud gèrent désormais aussi les coûts d'IA, contre 31 % seulement deux ans plus tôt.

En France, les grands groupes du CAC 40 ne publient pas leurs factures de tokens. Cette discrétion est un signal en soi : elle traduit rarement la maîtrise, plus souvent l'angle mort. Le jour où ces montants pèseront dans un compte de résultat, ils cesseront d'être une note de bas de page, et la question tombera sur le bureau du directeur financier avant même d'atteindre l'équipe technique.

Objection. « Mais les prix s'effondrent. Le coût d'inférence a baissé de 280 fois en quelques années selon Deloitte, pourquoi s'inquiéter ? »

Parce que l'usage grimpe plus vite que le prix unitaire ne baisse. C'est le paradoxe de Jevons appliqué à l'IA : plus une ressource devient bon marché, plus on la consomme, et la dépense totale augmente. Goldman Sachs anticipe une multiplication par 24 de la consommation de tokens d'ici 2030. Gartner prévoit certes une nouvelle chute du coût unitaire d'inférence de l'ordre de 90 % d'ici là, en prévenant aussitôt que la déferlante d'usage agentique effacera le gain. Le prix au token baisse, votre facture monte. C'est mécanique.

2. Le tokenmaxxing repose sur une erreur de mesure

Le terme est né dans les communautés de développeurs et a même gagné sa page Wikipedia. Le tokenmaxxing, c'est l'idée qu'une consommation élevée de tokens signale une forte productivité : plus les agents brûlent de tokens, plus on serait efficace. Un développeur influent, Sigrid Jin, a revendiqué 50 milliards de tokens consommés en une seule année et conseillé de dépenser autant en IA que son loyer mensuel. La logique a été industrialisée : chez Meta et Amazon, des classements internes, surnommés « tokenmaxx » et « Claudeonomics », encouragent ouvertement les équipes à consommer davantage.

C'est une confusion entre l'effort et la valeur. Compter les tokens pour mesurer la productivité, c'est juger un livre au nombre de pages, ou un développeur au nombre de lignes écrites. La métrique récompense exactement le mauvais comportement : la verbosité, la redondance, le recours au modèle surdimensionné.

Deux mécanismes techniques transforment cette erreur en gouffre financier. D'abord les modèles dits de raisonnement, qui génèrent des « tokens de réflexion » intermédiaires que vous ne voyez jamais mais que vous payez plein tarif. Un modèle qui réfléchit vous facture deux fois : sa réflexion, puis sa réponse. Ensuite l'écart de prix entre modèles, qui est vertigineux.

Commençons par les tarifs publics, qui sont vérifiables : GPT-5.2 Pro est facturé 21 dollars le million de tokens en entrée et 168 en sortie, quand le modèle haut de gamme d'Anthropic revient à 10 dollars en entrée et 50 en sortie, et qu'un petit modèle ouvert se compte en dizaines de centimes. L'écart se creuse encore une fois rapporté à la tâche plutôt qu'au token : sur une charge de travail identique mesurée par Silicon Data en janvier 2026, la note totale passe de 72 dollars sur un petit modèle Qwen à 109 200 dollars sur un GPT-5.2 Pro, soit un rapport de un à mille cinq cents pour un service rendu souvent équivalent. Utiliser ces modèles de pointe pour trier un e-mail ou reformuler une phrase, c'est prendre un taxi pour traverser le couloir.

Ce surcoût est d'autant plus pernicieux qu'il reste invisible. Un modèle de raisonnement produit parfois plusieurs milliers de tokens de réflexion interne avant d'écrire trois lignes de réponse. Vous ne lisez que les trois lignes, vous réglez la totalité. Confiez cette mécanique à un agent qui la répète à chaque étape de sa boucle, et une tâche perçue comme « simple » finit par se compter en dizaines de milliers de tokens facturés.

Le contexte rend le réflexe encore moins défendable : les petits modèles rattrapent les gros à une vitesse folle. Selon Epoch AI, le rapport prix/performance des modèles s'améliore de neuf à neuf cents fois par an selon les segments, et l'open-source ne suit le frontier fermé qu'avec environ quatre mois de retard. Le modèle bon marché d'aujourd'hui exécute, pour une fraction du prix, ce qui réclamait le modèle premium d'il y a un semestre. Continuer à payer le haut de gamme pour des tâches courantes, c'est acheter au prix fort une capacité devenue commodité.

Objection. « Parfois, plus de tokens et un meilleur modèle donnent une meilleure réponse. Optimiser, n'est-ce pas se condamner à la médiocrité ? »

Exact, pour une minorité de tâches. Un raisonnement juridique complexe, une analyse de code délicate, une synthèse à fort enjeu méritent le meilleur modèle et son budget de réflexion. Le gaspillage commence quand ce choix devient le réglage par défaut de tout le reste, jusqu'à trier un e-mail. La bonne boussole, c'est la valeur par token : le résultat utile obtenu pour chaque euro dépensé. Cette question, presque personne ne se la pose, parce que presque personne ne mesure.

3. Les cinq leviers qui divisent la facture

Bonne nouvelle : les leviers existent, ils sont connus, et aucun ne consiste à acheter un modèle plus intelligent. Ils consistent à concevoir le système pour qu'il dépense juste. Voici les cinq que nous activons sur une stack réelle, dans l'ordre où nous les activons, du plus rentable au plus fin.

Le routage de modèles. Un petit modèle traite en première ligne, et l'on n'escalade vers un modèle de pointe que lorsque la tâche l'exige vraiment, ce qui suppose d'avoir classé ses tâches avant d'écrire la première ligne de code. Effort moyen, gain immédiat.

Le cache de contexte. Les fournisseurs facturent jusqu'à 90 % moins cher chez Anthropic et 50 % chez OpenAI les portions de contexte déjà vues, si bien que réutiliser un prompt système ou un document stable au lieu de le renvoyer à chaque appel efface une part énorme de la note. Effort faible, et c'est le meilleur rapport gain sur effort de la liste.

Le budget de tokens de sortie. On plafonne le nombre de tokens qu'un modèle a le droit de produire, et l'on coupe le mode raisonnement par défaut pour ne l'activer que sur les tâches qui le justifient. Effort faible.

Le cache sémantique. Il comprend que « quel est le délai de livraison ? » et « sous combien de temps je reçois ma commande ? » appellent la même réponse, là où un cache naïf facturerait deux calculs. Effort moyen, rendement élevé sur les usages à fort volume.

Le nettoyage des boucles d'agent. C'est le vrai gouffre des systèmes agentiques, ces enchaînements où le modèle se relit, doute et recommence sans se rapprocher du but, et qu'une limite d'itérations assortie d'un critère d'arrêt net suffit souvent à refermer. Effort élevé, mais c'est là que dorment les plus grosses économies.

Aucun de ces leviers ne demande de changer de fournisseur ni de sacrifier la qualité sur les tâches qui comptent. Tous demandent en revanche une chose que peu d'entreprises ont mise en place : un tableau de bord qui montre, tâche par tâche, ce que l'IA consomme.

Ce ne sont pas des astuces marginales. Ce sont des choix structurants, pris à la conception, qui séparent un système qui coûte dix de son jumeau fonctionnel qui coûte un. La preuve se lit en creux dans les mésaventures des géants. Uber, Microsoft et Nvidia ont déployé vite, sans compteur, et découvert la facture après coup. En France, l'éditeur SAP le formule prudemment en juin 2026 : beaucoup d'organisations consomment des ressources d'IA sans aucune visibilité sur les volumes de tokens, au risque de voir la dépense s'emballer.

Un ordre de grandeur pour rendre la chose tangible. Au tarif public du haut de gamme d'Anthropic, 50 dollars le million de tokens en sortie, un agent qui génère deux millions de tokens par jour revient à 100 dollars quotidiens, soit environ 3 000 dollars par mois, pour un seul flux de travail. Routez la moitié des appels vers un petit modèle, activez le cache sur le contexte répété, plafonnez les sorties : la même charge utile retombe couramment d'un facteur cinq à dix, sans que l'utilisateur final perçoive la moindre différence. Cet écart sépare un projet rentable d'un projet qu'on finit par débrancher.

Objection. « Tout ce travail d'optimisation, n'est-ce pas prématuré tant que les montants restent modestes ? »

C'est l'inverse. L'optimisation coûte cher à rétro-installer sur un système déjà en production, et presque rien à intégrer dès la conception. Le petit acteur qui démarre aujourd'hui n'a pas la dette technique d'un grand groupe qui a déployé dans l'euphorie. Il peut poser le compteur avant d'allumer le moteur. C'est un avantage rare, et il se referme à chaque projet lancé sans mesure.

Ce que ça change concrètement pour vous

Revenez à Uber. Des outils puissants, aucun compteur, et une consommation qui a doublé dans l'ombre jusqu'à la découverte sur la facture. Cette histoire se rejouera dans chaque organisation qui traite l'IA comme un forfait illimité, et le premier à s'en apercevoir sera le directeur financier, quand la ligne « IA » cessera d'être une note de bas de page pour devenir un poste à arbitrer.

Si vous dirigez une petite équipe sans spécialiste IA, vous tenez là un avantage que les géants n'ont plus : vous pouvez brancher le compteur avant la fuite. Chez nous, ça commence par un audit qui chiffre la consommation tâche par tâche, avant même de parler de modèle ou d'outil. Nous préférons livrer un système qui fait 90 % du travail à un dixième du coût qu'un système parfait que personne n'ose laisser tourner. La question à vous poser ce mois-ci est simple : combien vous coûte chaque tâche que vous confiez à l'IA ? Si vous n'avez pas la réponse, le compteur tourne déjà.