Un lundi matin de mai 2026. Le CTO d’une PME ouvre le tableau de bord Anthropic. Blême. Premier jour de facturation au token : les dépenses IA de l’entreprise ont été multipliées par sept. Ses mots : « On a créé un monstre. »
Ce n’est pas une fiction. C’est le verbatim d’un dirigeant cité par le Financial Times. Jusqu’ici, sa boîte payait 200 dollars par utilisateur et par mois, et les ingénieurs appelaient Claude sans compter. Avec la bascule au token, la même charge de travail explose la facture. La réaction du CTO est aussi brutale que prévisible : couper les budgets, brider les usages, et se demander si chaque ligne de code générée mérite vraiment son prix.
Il n’est pas seul. Depuis deux mois, des Fortune 200 aux startups IA-native de la Silicon Valley, les directions financières refont toutes le même calcul : le rendement de l’IA couvre-t-il son coût ?
1. La machine à subventionner : 40 à 70 fois la mise
David Rosenthal, dans son billet du 23 juin intitulé AI’s Affordability Crisis, résume le modèle économique des plateformes d’IA par une formule grinçante : « l’algorithme du dealer » — le premier shoot est gratuit, et quand t’es accro, on augmente les prix. La métaphore manque d’élégance, mais les chiffres la soutiennent.
SemiAnalysis a poussé le test à son extrême : combien de tokens un utilisateur peut-il consumer sous un abonnement mensuel à 200 dollars ? Résultat : 8 000 dollars chez Anthropic (Claude), 14 000 dollars chez OpenAI (ChatGPT). Autrement dit, ces deux plateformes subventionnent leurs clients professionnels à hauteur de 40 à 70 fois le prix facturé.
L’échelle de la subvention se mesure aussi côté comptes. Les données financières d’OpenAI pour 2025 — divulguées par le journaliste Ed Zitron — montrent 13,07 milliards de revenus, 34 milliards de coûts totaux, et 20,92 milliards de pertes opérationnelles. Une charge non monétaire de 41,55 milliards provient d’un ajustement lié au changement de statut (du non-profit au for-profit), mais même en l’excluant, la perte d’exploitation reste dans les dix milliards.
Détail qui fait tiquer : OpenAI consacre 44 % de son chiffre d’affaires (5,73 milliards) aux ventes et au marketing — et malgré ce matraquage, la courbe d’adoption en entreprise donne des signes d’essoufflement.
Deux lectures s’affrontent. Les pessimistes : si ton produit ne se vend pas quand il est quasi gratuit, qu’est-ce qui te fait croire qu’il se vendra au prix fort ? Les optimistes — dont certains participants de HN — rétorquent que 44 % de dépenses marketing, c’est justement la preuve que le marché a besoin d’être éduqué ; une fois la masse critique franchie, ce poste se résorbera mécaniquement. Qui a raison ? Le débat est ouvert.
2. Le coup de frein généralisé
L’utilisateur HN « burningChrome » livre un témoignage de terrain. Il travaille dans une Fortune 200 qui a connu la trajectoire type : trois mois de « Far West » où toutes les équipes utilisaient n’importe quel LLM sans restrictions — certaines avaient même résilié des contrats SaaS après avoir bricolé leurs propres outils IA, « persuadées que le coût était zéro ». Puis l’entreprise a signé des contrats avec Anthropic et Google. Un mois plus tard, la direction découvre que la consommation de tokens pulvérise les prévisions. Couperet : accès à Claude et Gemini révoqué pour tout le monde. Pour obtenir une dérogation, il faut remplir des formulaires, franchir quatre niveaux de validation, produire un business case solide — et d’abord patienter dans une file d’attente de plusieurs milliers de personnes.
« L’entreprise est en mode gestion de crise. Quelqu’un a vu la facture et a décidé d’éteindre la musique. » Sa conclusion est aussi lapidaire que définitive.
Ce n’est pas un cas isolé. Les commentaires HN décrivent le même scénario en boucle : les DSI envoient des mails pour expliquer aux développeurs que « les modèles bon marché suffisent », tout en plafonnant l’accès aux modèles haut de gamme. Un consultant travaillant pour des Fortune 100 observe une nouvelle norme : chaque développeur reçoit un budget IA mensuel de 500 dollars et doit prouver sa productivité sur la base du livrable, pas du volume de code.
Je ne juge pas ces mesures. Mais un constat d’ingénieur s’impose : quand les décisions d’achat passent de « on essaie, on verra » à « ROI d’abord », le rapport de force tarifaire bascule du vendeur vers l’acheteur.
3. L’autre côté du miroir : l’IA vaut peut-être son prix
Avant de décréter que « l’IA coûte trop cher », encore faut-il s’entendre sur le référentiel. Certains commentateurs HN avancent des contre-arguments solides.
« travisb » tient une comptabilité différente : l’IA, c’est « l’entrepreneur ultime » — disponible à la demande, pas de bench, pas de recrutement, pas de négo contractuelle. Aux États-Unis, le coût complet d’un ingénieur humain (salaire + avantages + immobilier + management) avoisine 95 dollars de l’heure. Si l’IA peut se substituer à un volume significatif de travail humain, 200 dollars de l’heure restent économiquement rationnels. « Avec ce niveau d’utilisation, les comptes des fournisseurs d’IA seraient bien plus flatteurs. »
« qurren » pose la question plus brutalement : « Si un ingénieur coûte X en salaire annuel et que l’IA multiplie sa productivité par trois, l’entreprise devrait être ravie de payer 2X en frais d’IA. » Dans les faits, il observe l’inverse : beaucoup d’entreprises commencent à grogner dès que la facture IA atteint 0,1X.
Ce comportement asymétrique suggère deux hypothèses — peut-être simultanément vraies : soit les entreprises doutent sincèrement de la productivité réelle de l’IA, soit elles jouent un jeu d’acheteur : capter les gains sans renoncer aux subventions.
Une précision comptable, aussi. « raincole » rappelle que sur les 38,5 milliards de perte nette d’OpenAI en 2025, environ 30 milliards proviennent d’un « ajustement comptable ponctuel » lié à la conversion non-profit → for-profit. Retraité de cet élément, le déficit opérationnel est bien moindre, et les objectifs internes visent la rentabilité en 2026. Le chiffre de 38,5 milliards repris par Rosenthal exagère donc la perte récurrente.
Même divergence chez les investisseurs. Un gérant de fortune raconte que les conversations clients ont basculé en quelques mois, passant de « comment surfer sur la vague IA » à « comment protéger le portefeuille quand ça va s’écrouler ». Un autre intervenant lui demande immédiatement : « Tu bosses vraiment dans la gestion de patrimoine, ou tu répètes ce que t’as lu ? » — la question elle-même illustre à quel point, dans le débat économique sur l’IA, la frontière entre narratif et fait reste trouble.
4. La fissure est-elle technologique, ou comptable ?
Un chiffre clé du billet de Rosenthal, issu d’une analyse du Financial Times et de Panmure Liberum : en supposant un coût opérationnel nul (hypothèse irréaliste mais éclairante), le rendement implicite des investissements IA des cinq grands hyperscalers s’établit ainsi : Microsoft -9,2 %, Alphabet -15,7 %, Amazon +7,2 %, Meta -28,8 %, Oracle -35,6 %. Seul Amazon est à peine positif.
Deux précautions de lecture. Primo, l’hypothèse « zéro coût opérationnel » sous-estime massivement la perte réelle. Secundo, ce ratio mesure le rendement d’un investissement passé sur un revenu actuel — si le chiffre d’affaires décolle (par saut de performance ou hausse de prix), il peut se rééquilibrer. Tout dépend de la pente relative de la courbe des revenus et de celle des investissements.
Will Lockett a proposé un calcul éclairant dans sa brutalité : si le secteur de l’IA accumule environ 3 000 milliards de dettes d’ici quelques années, à 3 % sur dix ans, le seul service de la dette exigera 309 milliards de profits annuels. En supposant une marge de 10 %, une parité de coût avec la main-d’œuvre humaine, et une couverture fonctionnelle large, chaque poste remplacé rapporte environ 6 600 dollars de profit annuel par employé au fournisseur d’IA. Il faudrait donc remplacer 46,8 millions d’emplois américains — soit environ 27 % du total — rien que pour assurer le service de la dette.
Deux corrections d’ingénieur s’imposent. D’abord, le coût employeur ne se limite pas au salaire : cotisations sociales, assurance santé, immobilier — selon le BLS américain, ces charges représentent 30,1 % du coût total, ce qui porte le profit par poste à environ 9 500 dollars et ramène le seuil à 32,5 millions d’emplois. Ensuite, ce calcul suppose que l’IA atteigne une équivalence humaine — or une étude du MIT de 2024 montre que dans 77 % des scénarios, l’humain reste préférable. Ces deux corrections tirent dans des directions opposées et ne s’annulent pas.
5. Deux issues possibles : open source et baisse des prix
La discussion HN fait émerger deux variables capables d’atténuer la crise.
La première, c’est l’irruption des modèles open source. « tacone » souligne que le duopole OpenAI-Anthropic manque cruellement de pression concurrentielle sur les prix, alors que les modèles chinois et open source (GLM 5.2 en tête) talonnent les modèles frontières à un coût dérisoire. Un commentateur pose une question d’une simplicité désarmante : pourquoi dépenser 8 000 dollars par mois chez Claude quand le prix d’un mois équivaut à celui d’une machine AMD ou d’un Mac Mini capable de faire tourner un modèle équivalent en local ?
L’angle mort du raisonnement : la latence et le débit. Comme le note « wqaatwt », l’inférence batch dans le cloud reste bien plus efficace que l’inférence locale — au-delà du prix de la machine, la vitesse de réponse est critique. Pour les applications agentiques sensibles à la latence, le déploiement local n’est pas forcément gagnant.
La seconde, c’est une baisse de prix volontaire des plateformes. Rosenthal rapporte que Sam Altman reconnaît que le coût est devenu un « énorme problème » pour les clients et qu’OpenAI envisage une baisse « significative » pour contrer Anthropic sur le marché entreprises. Anthropic, de son côté, a « suspendu » en juin la modification de la facturation au token de son Claude Agent SDK — un coup de frein juste avant l’entrée en vigueur. Mais je vois une contradiction : si la baisse est commercialement viable, pourquoi les deux acteurs attendent-ils la dernière ligne droite avant leur introduction en bourse ? Si elle ne l’est pas, on est plutôt face à une concession tactique destinée à préserver le narratif de croissance jusqu’à l’IPO.
6. Une troisième piste : le problème n’est pas technique
« woeirua » propose un cadre qui contourne la question du coût technique : « C’est un problème de viabilité financière, pas de performance. Les modèles deviennent moins chers à une vitesse folle — l’an prochain, Fable 5 coûtera moins cher que Sonnet aujourd’hui. Le vrai problème, c’est que beaucoup d’entreprises ne tireront jamais de ROI de l’IA. Produire du code plus vite ne génère pas plus de profit. La plupart des idées d’entreprise sont mauvaises — et les implémenter plus vite avec l’IA ne les rend pas meilleures. »
Cette perspective déplace entièrement le débat du « côté technique » vers le « côté usage ». Elle suggère que même si le coût d’inférence tombait à zéro, la soutenabilité économique de l’IA resterait en question — parce que le goulot d’étranglement de la valeur se situe dans la qualité de la demande elle-même.
Le témoignage de « gexla » enfonce le clou : « Chaque fois que je vois un indicateur de coût dans un outil et que je me rappelle que je suis peut-être en train de fabriquer un truc inutile, je réalise que tout le monde doit faire la même chose. On dépense de l’argent imaginaire pour construire de la valeur imaginaire. Et puis j’ouvre les réseaux sociaux, et c’est un mur de contenu généré par IA qui parle de skills, de systèmes, d’agents et du ‘système wiki Karpathy’ pour produire encore plus de trucs inutiles. »
C’est un vertige quasi existentiel. Mais reconnaissons que ce sentiment pourrait relever d’un biais de survivant — ceux qui créent vraiment de la valeur ne viennent pas forcément débattre des coûts sur HN.
Le pool de données disponible charrie des signaux contradictoires. Les hyperscalers prévoient 725 milliards de dollars d’investissements en infrastructure IA en 2026, en hausse de 36 % sur un an. Simultanément, le contrôle budgétaire côté client est enclenché : on passe du « tout illimité » au « tout ROI ». Ces deux tendances ne peuvent pas coexister indéfiniment. Soit les investissements prouvent leur valeur et les revenus rattrapent la courbe, soit on se dirige vers une violente séance de price discovery.
Qui croire ? La réponse dépend de la question qu’on se pose : une fois les subventions éteintes, une fois que les entreprises n’auront plus « peur de rater le train » mais « peur de se ruiner », restera-t-il un outil de productivité révolutionnaire — ou un cas d’école de mauvaise allocation du capital ?
Je n’ai pas la réponse. Mais c’est la question que tous ceux qui suivent ce secteur devraient continuer à se poser.
Analyse fondée sur les informations publiques et les discussions communautaires disponibles à date. Si vous avez un éclairage différent ou des informations complémentaires, la discussion est ouverte.