L’intelligence artificielle a été présentée pendant deux ans avec une promesse très simple : faire plus avec moins. Moins de personnel, moins de tâches répétitives, moins de temps morts et une productivité accrue. Cependant, la réalité en entreprise commence à dévoiler une histoire beaucoup plus nuancée. Certains dirigeants technologiques admettent une vérité dérangeante : dans certains cas d’usage avancé, l’IA ne coûte pas moins cher que le travail humain. Parfois, elle coûte même beaucoup plus cher.

La réflexion qui a lancé le débat provient de Bryan Catanzaro, vice-président de la branche Applied Deep Learning chez NVIDIA. Selon plusieurs médias américains, Catanzaro a expliqué que, dans son équipe, le coût lié à l’utilisation de l’IA – en termes de calcul – dépasse largement celui de l’emploi de salariés. Il ne s’agissait pas d’abonnements basiques à un chatbot, mais de systèmes sophistiqués, d’agents, de modèles avec de larges fenêtres de contexte, d’inférences intensives et d’outils consommant des millions de tokens pour revoir du code, exécuter des tâches ou analyser des dépôts entiers.

Ce chiffre peut heurter la narration optimiste de nombreux licenciements. Si l’IA coûte si cher, pourquoi tant d’entreprises continuent-elles à réduire leurs effectifs en invoquant l’automatisation comme justification ? La réponse n’est pas que ces sociétés ont trouvé une machine bon marché qui remplace parfaitement l’humain, mais une réalité plus complexe : beaucoup d’entreprises licencient pour des raisons stratégiques, de pressions financières ou de réorganisation interne, non parce que l’IA a su démontrer sa supériorité dans tous les postes.

Le coût caché des tokens

Pour un utilisateur individuel, l’IA peut sembler peu coûteuse : une souscription mensuelle qui revient à moins qu’un déjeuner d’affaires. Mais cette perception est trompeuse lorsqu’il s’agit du contexte professionnel. En entreprise, utiliser l’IA ne consiste pas simplement à poser des questions en ligne. Cela implique des milliers d’appels, des documents volumineux, des agents en cycles de raisonnement, de la revue de code, de l’indexation de dépôts, des tests automatisés, des logs, des outils connectés, ainsi qu’une consommation constante de tokens pour l’entrée, la sortie et le contexte.

C’est là que la facture augmente. Un agent de développement ne répond pas une seule fois : il peut lire des fichiers, générer des modifications, corriger des erreurs, retester, analyser des dépendances, et recommencer le cycle. Chacun de ces actes consomme des tokens. Et si l’on utilise des modèles de haut niveau, la somme devient rapidement très élevée. La différence entre « utiliser l’IA » et « faire fonctionner une flotte d’agents » se rapproche de la différence entre ouvrir un tableur et gérer une infrastructure cloud.

Le cas de Swan AI s’est notamment illustré. Son CEO, Amos Bar-Joseph, a indiqué qu’une équipe de quatre personnes avait accumulé une facture mensuelle de 113 421,87 dollars chez Anthropic. Il y voit une fierté, non un échec : sa démarche consiste à construire une entreprise très automatisée, avec peu de personnel. Mais ce chiffre démontre clairement que le coût lié à l’IA en milieu professionnel peut facilement dépasser ce que beaucoup avaient imaginé.

Uber a lui aussi reconnu des tensions similaires. Praveen Neppalli Naga, leur Directeur Technique, a expliqué que l’utilisation d’outils d’IA pour le développement avait dépassé le budget prévu bien plus rapidement que prévu. Par ailleurs, environ 11 % des mises à jour du code backend en production étaient désormais écrites par des agents IA. La technologie commence à produire des résultats tangibles, mais pas nécessairement à un coût marginal proche de zéro – comme certains l’avaient supposé.

Alors, pourquoi licencient-ils ?

La première raison est financière. Le coût de la main-d’œuvre est visible, récurrent, et facile à réduire dans un bilan. Salaires, cotisations, avantages, locaux, gestion, couches intermédiaires, structures entières : tout cela apparaît comme une dépense fixe. L’IA, elle, est souvent présentée comme un investissement stratégique, un budget innovation ou un coût variable, susceptible de diminuer avec le temps. Même si aujourd’hui elle représente une dépense importante, de nombreux conseils d’administration anticipent une baisse du coût unitaire, espérant que la productivité future compensera.

La deuxième motivation vient de la pression du marché. Depuis 2023, les investisseurs favorisent les entreprises promettant efficacité, automatisation et focalisation sur l’IA. Dans ce contexte, annoncer des licenciements ou réaffecter des fonds vers l’IA envoie un signal clair : la société s’adapte. Cela ne signifie pas forcément une substitution immédiate entre un employé et un agent, mais souvent une réduction des recrutements dans des secteurs considérés comme matures, pour financer des centres de données, des licences, des modèles, des puces ou des équipes spécialisées en IA.

Troisièmement, il y a une dimension organisationnelle. L’IA ne remplace pas tous les postes de la même façon. Elle réduit la demande pour des profils juniors, du support, de la documentation basique, du QA répétitif, de l’analyse préliminaire, ou encore la production de contenus peu valorisants. En revanche, elle amplifie la nécessité de profils seniors : architectes, spécialistes en données, experts en sécurité, en infrastructure, en gouvernance de l’IA et en revue humaine. Le résultat n’est pas forcément une réduction d’emploi, mais une nouvelle composition du travail.

Quatrième facteur : l’anticipation. Selon Harvard Business Review, certaines entreprises procèdent à des licenciements motivés par le potentiel de la IA, plutôt que par ses performances avérées. Il s’agit d’une stratégie : réduire dès maintenant en espérant que les outils évolueront rapidement. Toutefois, cette approche comporte des risques, notamment dans des tâches où le contexte, la relation client ou le jugement humain demeurent cruciaux.

Enfin, un cinquième motif, plus discutable : l’« AI-washing » des licenciements. Certaines entreprises peuvent invoquer la IA comme une excuse commode pour justifier des réductions de personnel multiples, résultant aussi d’excès d’embauche antérieur, de ralentissement économique, de pressions sur les marges, ou de choix stratégiques. Utiliser la IA comme alibi paraît plus moderne que d’admettre une stratégie de recrutement inadéquate.

Le faux débat : comparer une personne à une technologie

Se demander si « l’IA est moins chère qu’un employé » est une logique inappropriée si la question est posée de manière générale. Tout dépend de la tâche, du volume, du modèle employé, du coût de supervision, et du potentiel de dommages en cas de erreur. Pour de simples courriels internes ou des actions ponctuelles, cela peut être rentable. En revanche, pour le maintien d’équipes chargées de systèmes critiques, de code sensible ou de relation client complexe, la donne change radicalement.

De plus, cette comparaison doit considérer non seulement le coût en tokens, mais aussi l’intégration, la sécurité, la formation, la gestion des accès, l’audit, la correction d’erreurs, les risques d’alucinations, la dépendance fournisseur, la conformité réglementaire et la supervision humaine. Dans de nombreuses entreprises, la première année d’adoption peut même s’avérer plus coûteuse : on paie double – maintien de la main-d’œuvre existante et investissement dans l’infrastructure IA. Ce n’est qu’après que des économies peuvent apparaître, et pas toujours là où on l’attendait.

Cela explique pourquoi, paradoxalement, certains dirigeants peuvent déclarer à la fois que l’IA est plus coûteuse que les employés, et que leur investissement dans l’IA reste une priorité. Leur objectif n’est pas uniquement l’économie immédiate, mais aussi une stratégie à moyen terme : apprendre en accéléré, repenser les processus, accumuler des données, réduire leur future dépendance à une main-d’œuvre répétitive, et se préparer à une éventuelle chute du coût d’inférence.

Ironiquement, cette course relationnelle peut conduire à des licenciements précoces, avant même que les gains ne soient clairement démontrés. L’entreprise ne veut pas attendre la perfection de l’IA : elle réorganise ses équipes pour travailler autrement, dans l’urgence. Certains en tireront une organisation plus performante, d’autres laisseront derrière eux des équipes réduites, sous pression, avec des factures d’IA qui ne compensent pas la perte de connaissances internes.

Le vrai enjeu n’est pas de savoir si l’IA « supprime » ou « crée » des emplois de manière abstraite. Elle modifie déjà le marché du travail. La question porte sur quelles tâches elle élimine, quelles capacités elle augmente, quels coûts elle dissimule, et qui assume le risque quand on remplace une expertise humaine par une automatisation encore immature.

Ce qui apparaît clairement, c’est que l’IA n’est pas une baguette magique d’économies. C’est une technologie puissante, coûteuse dans ses usages intensifs et difficile à quantifier dans les processus réels. Les entreprises qui la considèrent uniquement comme une variable pour réduire leur personnel risquent d’avoir une mauvaise surprise. Celles qui l’abordent comme un investissement nécessitant un redimensionnement, un contrôle des coûts et une supervision humaine auront plus de chances d’en faire une véritable source de productivité.

Questions fréquentes

L’IA peut-elle être plus coûteuse qu’un employé ?
Oui, dans les cas d’usages intensifs avec des agents, des modèles avancés, de grands volumes de tokens ou pour des tâches impliquant beaucoup d’inférences, cela devient une réalité. Ce n’est pas systématique, mais plusieurs entreprises en ont déjà fait l’expérience.

Pourquoi licencient-ils alors que l’IA reste coûteuse ?
Pour réduire les coûts fixes, réorienter l’investissement vers l’IA, répondre aux pressions des investisseurs ou anticiper une amélioration future de la productivité, même si les résultats ne sont pas encore formellement prouvés.

Le coût d’une IA se limite-t-il à la souscription mensuelle ?
Non. Il faut aussi compter les tokens, l’intégration, l’infrastructure cloud, la sécurité, la supervision, l’audit, la gestion des erreurs, la dépendance aux fournisseurs et la formation.

Quels métiers sont les plus vulnérables ?
Les tâches répétitives, documentaires, de support standard, d’analyse initiale, le QA routinier, ou la production de contenus peu valorisants sont plus facilement automatisables. En revanche, les postes exigeant du jugement, de la responsabilité, du contexte ou une relation humaine restent plus difficiles à remplacer entièrement.

via : elchapuzasinformatico