Après une phase d’encouragement généralisé, de grands groupes instaurent des limites et des budgets sur les outils d’IA. Les dépenses augmentent, les risques sont identifiés, et l’accès s’ajuste désormais aux besoins des métiers plutôt qu’à une ouverture totale.
Des coûts évalués en centaines de milliards pour une valeur encore limitée
Selon Menlo Ventures, les investissements consacrés au déploiement de l’IA dans les entreprises se sont élevés à 177 milliards de dollars en septembre, alors qu’ils étaient de 33 milliards de dollars en 2025. Parallèlement, d’après une enquête menée par Gartner entre mai et juillet auprès d’environ 2 000 responsables technologiques, seuls 13 % indiquent avoir tiré une valeur significative de l’IA. Cette tendance amène les organisations à privilégier l’optimisation du retour sur investissement plutôt que la simple multiplication des cas d’usage.
Sécurité : usages non autorisés et fuites potentielles documentés
Un accès large aux modèles d’IA peut générer des risques si l’outil est mal utilisé. Un sondage KPMG réalisé en 2025 auprès de plus de 1 000 travailleurs américains rapporte que 44 % utilisaient l’IA sans autorisation ou de manière inappropriée, et que 46 % avaient téléchargé des informations sensibles ou de la propriété intellectuelle sur des plateformes publiques. Dans ce contexte, les entreprises renforcent leurs garde-fous tout en investissant davantage dans l’IA.
Plafonds et budgets : du libre accès à un usage contingenté
En septembre, JPMorgan a mis en place une limite mensuelle de 2 000 dollars pour certains ingénieurs utilisant Claude Code, en associant les dépenses à la productivité, à la qualité, à la diminution des risques et à l’impact sur l’activité. Chez Cisco, après une période d’apprentissage durant laquelle les équipes de développement bénéficiaient d’un accès illimité aux tokens, les responsables des 32 000 salariés doivent à présent gérer des enveloppes de tokens. Ce mouvement général se traduit par l’instauration de budgets et par des accès restreints à certains employés ou outils.
Accès différencié aux modèles : le cas Goldman Sachs
Goldman Sachs élargit rapidement la palette d’outils d’IA disponibles pour ses 45 000 salariés, tout en considérant qu’il n’est pas pertinent que chacun dispose des modèles les plus avancés au quotidien. Selon David Solomon, des modèles de pointe sont requis pour certaines missions, en particulier en cybersécurité, alors que d’autres tâches ne le nécessitent pas. Cette approche s’inscrit dans un contexte plus large où l’usage de l’IA augmente fortement et où des garde-fous sont jugés nécessaires, selon Lari Hämäläinen de McKinsey.
Vous voulez les meilleurs outils IA avant les autres ?
On teste et on décrypte les nouveaux outils IA chaque soir, en 5 min. Gratuit.
Inclus dès l'inscription : notre sélection des meilleurs guides & comparatifs IA.
Choisissez votre rythme
Gratuit · Pas de spam · Désabonnement en 1 clic
Pilotage de l’adoption : tableaux de bord et incitations, puis recentrage
Pour rendre l’usage visible et parfois stimuler l’adoption, des entreprises ont déployé des tableaux de bord. Chez Disney, les plus gros utilisateurs effectuaient des centaines de requêtes par jour et consommaient des dizaines de millions de tokens. KPMG US a indiqué en mai vouloir encourager un usage plus fréquent et plus sophistiqué parmi environ 10 000 employés de son activité de conseil via un tableau de bord, avant de cesser ce suivi lorsque l’IA s’est insérée dans le quotidien. Ce pilotage succède à une période où certains employeurs mettaient en avant des consommations massives de tokens.
Dépenses en tokens : de la célébration des volumes au contrôle fin
Visa a annoncé avoir doublé sa consommation mensuelle de tokens de 1 trillion en février à près de 2 trillions en mars, assortie de récompenses pour les utilisateurs les plus performants. En mars, Jensen Huang a déclaré que Nvidia visait jusqu’à 2 milliards de dollars de dépenses annuelles en tokens pour ses ingénieurs et a jugé préoccupant qu’un ingénieur coûtant 500 000 dollars consomme moins de 250 000 dollars en tokens. Ces mises en avant de volumes élevés ont précédé une phase de contrôle accru, motivée par une consommation jugée importante par les travailleurs.
Effets mesurés des plafonds : l’exemple Rippling
Rippling a mis en place en août des limites mensuelles sur l’utilisation de ses outils d’IA après avoir anticipé que les coûts liés aux tokens pourraient atteindre 40 % du budget de personnel consacré à la R&D. L’entreprise indique qu’avec l’introduction de ces plafonds et une gestion plus performante du routage des modèles, cette estimation a été revue à la baisse, se situant désormais entre 10 % et 15 %, tout en conservant un volume de tokens utilisé proche du maximum antérieur. Selon Matt MacInnis, l’objectif n’est pas de réduire les coûts, mais d’en accepter la croissance lorsqu’elle est productive.
Pourquoi encadrer davantage : incitations et comportements d’usage
Selon Alex Sobol, les factures d’IA peuvent s’envoler parce que les utilisateurs ont peu d’incitations à limiter leur consommation, et l’absence de limites favorise un usage étendu des outils. Les entreprises, qui souhaitent toujours capitaliser sur l’IA, resserrent donc l’accès et formalisent des règles, non pour réduire mécaniquement la dépense mais pour en tirer le meilleur parti, tout en intégrant des considérations de sécurité.
