1. Des licenciements qui semblent annoncer un basculement
Les récentes vagues de licenciements dans la tech donnent l’impression que l’IA est déjà en train de remplacer massivement les humains. Pourtant, l’analyse des faits raconte une histoire plus nuancée. Des géants comme Meta ont annoncé la suppression d’environ 8 000 postes, soit 10 % de leurs effectifs, tout en gelant des milliers de recrutements. De son côté, Microsoft a proposé à des milliers d’employés un plan de départ volontaire, l’un des plus importants de son histoire.
Ces décisions sont souvent présentées comme la preuve d’une automatisation en marche. Mais elles répondent aussi à d’autres logiques : réduction des coûts, réallocation des budgets et recherche d’une structure plus légère. Autrement dit, les licenciements ne signifient pas automatiquement que l’IA est plus rentable que le travail humain.
2. Pourquoi l’IA coûte encore plus cher que les salariés
Dans plusieurs entreprises, le calcul économique reste défavorable à l’IA. Bryan Catanzaro, vice-président du deep learning appliqué chez Nvidia, a indiqué que le coût du calcul informatique peut dépasser celui des employés eux-mêmes. Cette réalité est liée aux dépenses en serveurs, en énergie et en infrastructures nécessaires pour faire fonctionner des modèles avancés à grande échelle.
Une étude du MIT publiée en 2024 a renforcé ce constat. En examinant les besoins techniques des modèles capables d’effectuer des tâches au niveau humain, les chercheurs ont conclu que l’automatisation par IA n’était économiquement viable que dans 23 % des métiers où la vision joue un rôle central. Dans les 77 % restants, il restait moins cher de conserver des travailleurs humains.
- Serveurs et puces spécialisées : investissements très lourds
- Électricité : une facture qui grimpe avec l’usage
- Maintenance : coûts de mise à jour, de sécurité et d’exploitation
- Supervision humaine : indispensable pour corriger les erreurs
3. Les promesses de productivité se heurtent à la réalité
Les discours des entreprises sont ambitieux, mais les gains de productivité restent difficiles à prouver de manière générale. Selon le Yale Budget Lab, il n’existe pas encore de données solides montrant un déplacement massif de l’emploi par l’IA. Pourtant, l’investissement continue à un rythme spectaculaire, avec 740 milliards de dollars de dépenses en capital annoncées cette année par les grandes entreprises technologiques, selon Morgan Stanley.
Cette frénésie se traduit parfois par des budgets explosés avant même d’avoir produit les économies espérées. Chez Uber, le directeur technologique Praveen Neppalli Naga a expliqué avoir dû revoir entièrement ses prévisions, car l’entreprise avait consommé dès avril l’intégralité de son budget 2026 consacré aux outils de codage IA. L’adoption rapide de solutions comme Claude Code a accéléré la dépense au lieu de la réduire.
4. Quand l’IA génère aussi des erreurs coûteuses
Au-delà du prix, l’IA pose un autre problème : sa fiabilité. Dans certains cas, des systèmes automatisés ont provoqué des incidents majeurs, allant jusqu’à détruire des bases de données ou des réseaux après un usage excessif. Ces épisodes rappellent qu’une technologie performante en démonstration peut devenir risquée en production réelle.
Ce point est central pour comprendre pourquoi l’IA n’a pas encore remplacé le travail humain à grande échelle. Une entreprise ne paie pas seulement un outil ; elle paie aussi le coût des erreurs, des corrections, des interruptions d’activité et du contrôle permanent. Tant que les modèles restent sujets aux hallucinations et nécessitent une surveillance constante, leur avantage économique reste limité.
- Erreurs de génération : réponses fausses ou incomplètes
- Sur-automatisation : décisions prises sans garde-fous
- Perte de données : incident technique aux conséquences élevées
5. Une industrie prise dans une course aux dépenses
Malgré ces limites, les acteurs du secteur continuent d’injecter des sommes colossales dans l’IA. Les prévisions évoquent des dépenses pouvant atteindre 5,2 billions de dollars d’ici 2030, avec une part importante consacrée aux centres de données et aux équipements informatiques. Dans une trajectoire plus rapide, la facture pourrait même grimper à 7,9 billions.
Les prix des logiciels d’IA ont aussi augmenté, avec des hausses de 20 % à 37 % sur un an selon Tropic. Dans ce contexte, certaines entreprises changent déjà de stratégie tarifaire. Microsoft a par exemple réduit le nombre de licences directes pour Claude Code afin de privilégier GitHub Copilot CLI, ce qui illustre une phase de réajustement permanent. Les entreprises cherchent encore le bon équilibre entre coût, usage et efficacité.
6. Le vrai seuil de bascule : moins cher, plus stable, plus fiable
Pour Keith Lee, professeur d’IA et de finance, le marché traverse surtout un décalage temporaire entre l’investissement massif et la rentabilité réelle. Le vrai changement viendra seulement lorsque l’IA sera non seulement moins chère, mais aussi plus prévisible à grande échelle. Gartner estime qu’avec l’amélioration des infrastructures et des puces, le coût de l’inférence pourrait chuter de plus de 90 % en quatre ans pour un grand modèle de langage.
Un autre facteur sera le modèle économique choisi par les fournisseurs. Le passage d’un abonnement fixe à une facturation à l’usage pourrait mieux refléter la consommation réelle et éviter les pertes sur les gros utilisateurs. Mais même avec des coûts plus bas, l’IA devra prouver qu’elle peut s’intégrer sans friction dans les systèmes des entreprises, avec moins d’interventions humaines et moins de risques opérationnels.
- Coût inférieur : baisse durable des dépenses techniques
- Fiabilité accrue : moins d’erreurs et de supervision
- Intégration fluide : compatibilité avec les processus métier
- Modèle de prix adapté : facturation plus cohérente avec l’usage réel
En savoir plus sur L'ABESTIT
Subscribe to get the latest posts sent to your email.
