Tokenomics : le coût de l’IA reste largement hors de contrôle
Près de 500 répondants décrivent une IA dominée par le cloud, mais mal pilotée : 73 % évaluent difficilement son retour sur investissement.
Le sondage de la Tokenomics Foundation, mené auprès de près de 500 répondants, montre que 70 % prévoient d’utiliser au moins autant de modèles ouverts sous douze mois. Mais 73 % évaluent encore mal le ROI de l’IA, exposant entreprises et directions financières à des dépenses cloud difficiles à attribuer et à contrôler.
Un prompt optimisé est pré-rempli pour chaque moteur. Les résultats générés par l'IA peuvent différer du contenu original.
Selon Silicon, le premier sondage communautaire de la Tokenomics Foundation révèle un pilotage encore fragile des dépenses d’intelligence artificielle. L’étude rassemble un peu moins de 500 réponses, issues d’une dizaine de secteurs. Le revenu médian des entreprises représentées approche 2 milliards de dollars. Seuls 9 % des répondants se disent très confiants dans leur mesure du retour sur investissement de l’IA.
Les modèles propriétaires dominent encore
La Tokenomics Foundation, organisation sœur de la FinOps Foundation, cherche à appliquer les méthodes de gestion des coûts du cloud à la consommation de jetons d’IA. Son enquête montre que 51 % des participants utilisent très majoritairement des modèles propriétaires. Mais cette domination pourrait s’éroder : environ 70 % prévoient d’utiliser au moins autant de modèles à poids ouverts dans les douze prochains mois (Tokenomics Foundation).
Cette perspective rejoint les données de Vercel, dont la passerelle IA voit désormais les modèles à poids ouverts capter la majorité du trafic de production. Il faut néanmoins distinguer « open-weight » et logiciel pleinement open source. L’accès aux poids ne garantit ni la transparence des données d’entraînement, ni la liberté complète d’utilisation.
Le cloud concentre les usages et les dépendances
Les entreprises interrogées restent très dépendantes des grands fournisseurs. Quelque 96 % travaillent directement avec au moins un acteur comme OpenAI, Anthropic, Google ou DeepSeek. Par ailleurs, 87 % utilisent des services d’inférence facturés au jeton, tels qu’Amazon Bedrock, Vertex AI ou Azure AI Foundry.
- 64 % recourent à une IA intégrée dans des outils applicatifs ;
- 31 % exploitent une IA locale ou en périphérie ;
- 31 % louent des GPU auprès de fournisseurs cloud ;
- 29 % disposent de leur propre matériel.
Les modèles ouverts peuvent réduire l’enfermement propriétaire et faciliter la personnalisation. Ils ne suppriment toutefois pas les coûts. GPU, énergie, stockage, supervision et compétences internes peuvent annuler une partie des économies réalisées sur les appels d’API.
Le ROI demeure le principal angle mort
La visibilité financière reste insuffisante. Seuls 14 % des répondants sont très confiants dans leur suivi des dépenses. Pour le ROI, 73 % se déclarent peu confiants ou pas confiants. Les organisations les plus avancées savent attribuer les coûts à des équipes et à des charges de travail, puis relier ces dépenses à des indicateurs concrets : chiffre d’affaires, tickets traités ou contributions logicielles.
La gouvernance revient principalement à l’IT dans 35 % des cas. Elle est partagée entre plusieurs fonctions chez 26 % des répondants. La finance ne la pilote seule que dans 5 % des organisations. Ce déséquilibre peut conduire à optimiser la performance technique sans vérifier la valeur économique créée.
Des standards encore peu installés
Le routage des modèles reste fragmenté entre OpenRouter, LiteLLM, outils internes et services natifs des clouds. Les architectures hybrides progressent, mais elles ajoutent des difficultés de contrôle, de sécurité et d’interopérabilité. La spécification FinOps FOCUS doit notamment standardiser l’identification des modèles, l’attribution des charges et les catalogues de prix. Pourtant, seuls 7 % des répondants l’ont citée spontanément.
La portée du sondage doit enfin être relativisée. Il s’agit d’une consultation communautaire, non d’un échantillon représentatif du marché. Elle identifie néanmoins une priorité claire : avant de multiplier les modèles et les passerelles, les entreprises devront prouver que chaque jeton consommé produit une valeur mesurable.