L'IA peut désormais coûter plus cher que la main-d'œuvre humaine, car les dépenses IA des entreprises explosent, certaines d'entre elles payant davantage pour la puissance de calcul que pour le travail humain

L'intelligence artificielle (IA), longtemps présentée comme un outil censé améliorer la productivité tout en maîtrisant les coûts, devient un fardeau financier pour certaines organisations. Les dépenses des entreprises en matière d'IA montent en effet en flèche, certaines d'entre elles payant désormais davantage pour la puissance de calcul que pour la main-d'œuvre humaine. Alors que les coûts augmentent et que les retours sur investissement restent incertains, les dirigeants commencent à se demander si l'essor de l'IA est durable et si cette technologie est vraiment moins coûteuse que la main-d'œuvre humaine.

Ce développement s'inscrit dans un contexte de transformation des modèles économiques de l'IA, marquée par la fin progressive de l'âge d'or du forfait IA illimité. Face à l’essor de l’IA agentique et à l’intensification de la concurrence entre les principaux acteurs du secteur, les fournisseurs réorientent leur stratégie de monétisation autour du token, qui devient l’unité de facturation centrale. Cette évolution s'accompagne de limitations d'usage, de fonctionnalités segmentées et d'une hausse des prix, redéfinissant ainsi les relations entre fournisseurs, entreprises et développeurs.

Pendant des années, l'IA a été présentée comme une révolution en matière de productivité, censée améliorer les performances des travailleurs humains tout en maîtrisant les coûts. Mais une nouvelle réalité se dessine. Pour certaines entreprises, le coût d'exploitation des systèmes d'IA commence à dépasser celui de leurs propres employés. Cette évolution oblige les dirigeants à se poser une question délicate : l'IA est-elle vraiment moins coûteuse que la main-d'œuvre humaine ?


Cette tension se fait déjà sentir au sein de certaines des plus grandes entreprises technologiques. Chez Oracle, une vaste restructuration donne un aperçu de la manière dont les investissements dans l'IA redéfinissent profondément les priorités des entreprises. Au cœur de cette initiative se trouve un accord colossal dans le domaine du cloud computing conclu avec OpenAI, dont la valeur s'élèverait à environ 300 milliards de dollars, visant à construire et à développer des centres de données capables de prendre en charge des charges de travail avancées en matière d'IA, notamment des systèmes similaires à ChatGPT.

Pour y parvenir, Oracle a accéléré l'expansion de son infrastructure à travers les États-Unis. L'ampleur et la rapidité de ce développement ont eu un coût. L'entreprise s'est lourdement endettée, le montant total de ses emprunts ayant, selon les estimations, dépassé les 100 milliards de dollars, tandis que d'importantes dépenses d'investissement ont fait basculer son flux de trésorerie disponible en territoire négatif.

Dans ce contexte, les récents licenciements apparaissent moins comme une mesure isolée que comme un réajustement. Les analystes estiment que ces réductions d'effectifs pourraient permettre d'économiser entre 8 et 10 milliards de dollars, des fonds qui pourraient être réaffectés à ces projets d'IA à forte intensité capitalistique. C'est un exemple révélateur de l'évolution des priorités en matière de dépenses, même si cela implique de réduire les effectifs pour financer les machines.

Quand les machines coûtent plus cher que les humains

L'ampleur des dépenses prend même les professionnels du secteur au dépourvu. Bryan Catanzaro, vice-président chargé de l'apprentissage profond appliqué chez Nvidia, a récemment fait remarquer que les coûts informatiques de son équipe dépassaient désormais largement les dépenses de personnel. Il s'agit là d'un renversement frappant de l'idée reçue selon laquelle l'automatisation permettrait de réduire les coûts d'exploitation, rapporte Axios.

Le problème réside dans les mécanismes de l'IA moderne. L'entraînement et l'exécution de modèles avancés nécessitent une infrastructure informatique colossale, souvent alimentée par des puces et des services cloud coûteux. À cela s'ajoutent les coûts « par jeton », c'est-à-dire les frais liés au traitement des requêtes sur les grands modèles de langage, qui peuvent rapidement monter en flèche à mesure que l'utilisation s'intensifie.

Chez Uber, la...