La consommation de tokens d'IA pourrait être multipliée par 24 d'ici 2030, à mesure que des modèles moins chers et des agents autonomes élargissent les usages, selon Zach Pandl, responsable de la recherche au sein de la société de gestion d'actifs Grayscale. Cette perspective, exposée dans le rapport de la société « Investing for the Compute Bottleneck », souligne également que l'infrastructure physique nécessaire au fonctionnement de ces systèmes reste limitée. Grayscale estime que la demande croissante en puissance de calcul pourrait dépasser les gains d'efficacité, intensifiant la pression sur les centres de données disponibles, les approvisionnements en électricité et les GPU.

Des modèles d'IA moins chers pourraient élargir les usages

La baisse des coûts rend l'intelligence artificielle plus accessible pour les applications et les flux de travail automatisés. Le dernier modèle Sonnet d'Anthropic coûte désormais jusqu'à 30 % moins cher par tâche, selon la société, tandis que la concurrence de modèles à poids ouverts moins chers — dont les paramètres sont publiquement disponibles pour que chacun puisse les télécharger et les exécuter — exerce une pression continue à la baisse sur les prix des tokens.

Les tokens mesurent le texte que les modèles d'IA traitent et génèrent, et les développeurs paient leur consommation. À mesure que les prix baissent, les entreprises pourraient découvrir de nouveaux usages de l'IA dont le coût d'exécution était auparavant trop élevé. Le rapport examine comment une intelligence moins chère pourrait favoriser une adoption plus large.

Les agents d'IA pourraient multiplier la demande de calcul

Les « dots » récemment introduits par OpenAI sont des agents toujours actifs, conçus pour œuvrer en permanence aux objectifs des utilisateurs. Contrairement aux chatbots, qui répondent à des questions individuelles, les agents peuvent accomplir plusieurs étapes au sein d'un même flux de travail. Se préparer à une réunion client, par exemple, pourrait nécessiter de relire des notes, d'analyser les évolutions d'un portefeuille et de rédiger un ordre du jour.

Selon Grayscale, des tâches de ce type peuvent consommer cinq à 50 fois plus de tokens qu'une interaction standard avec un chatbot, selon leur complexité. Les agents pourraient ainsi stimuler une croissance substantielle de l'inférence, le calcul nécessaire au fonctionnement des modèles d'IA. Goldman Sachs projette que la consommation de tokens pourrait être multipliée par 24 d'ici 2030, la banque attribuant cette augmentation principalement à l'adoption des agents.

L'infrastructure physique reste un goulot d'étranglement en matière de calcul

Bien que les modèles d'IA deviennent plus efficaces, la demande totale de calcul peut encore augmenter lorsque les usages croissent plus vite que les gains ne peuvent compenser, une dynamique qui rappelle le paradoxe de Jevons, cette observation économique du XIXe siècle selon laquelle une plus grande efficacité peut accroître plutôt que réduire la consommation totale d'une ressource. Fournir les infrastructures nécessaires prend du temps. La disponibilité de l'énergie, les centres de données et les GPU restent essentiels pour soutenir des charges de travail en expansion, et leur offre limitée pourrait contraindre la vitesse à laquelle la capacité de calcul croît parallèlement à l'adoption de l'IA.

Grayscale a également citéWeave, qui a récemment annoncé avoir signé de nouveaux contrats à des prix de calcul plus élevés, comme exemple d'une pression persistante sur les prix des infrastructures alors même que le coût des tâches d'IA individuelles diminue.

L'analyse de Pandl soutient que des modèles moins chers et des agents plus performants pourraient accroître les usages suffisamment pour l'emporter sur les gains d'efficacité. Dans ce scénario, la demande pourrait bénéficier aux propriétaires d'infrastructures de calcul physiques rares. La manière dont l'équilibre entre la baisse des coûts des tokens et la hausse des prix des infrastructures évoluera pourrait se manifester dans de nouvelles baisses de prix des modèles de la part de fournisseurs comme Anthropic, dans les annonces de contrats d'opérateurs comme CoreWeave, et dans les révisions des estimations de demande telles que la projection de multiplication par 24 de Goldman Sachs.