L'IA générative démantèle l'une des hypothèses économiques les plus solides du logiciel : une fois le produit construit, servir un client supplémentaire ne coûte presque rien.

Les logiciels traditionnels exigeaient souvent un investissement initial important, mais les développeurs pouvaient ensuite distribuer le produit fini à un coût marginal très faible. L'IA générative fonctionne autrement. Chaque requête, chaque réponse générée et chaque tâche agentique doit être produite — et payée — à nouveau.

Plus tôt cette année, le cofondateur de Stripe, Patrick Collison, a soutenu qu'à l'ère de l'IA, « le logiciel devrait être comme la pizza », préparé à la commande au moment de l'utilisation. Mais un logiciel fait sur commande implique des coûts faits sur commande.

L'économie d'Internet a été largement conçue autour de l'intention humaine : les gens cherchaient, cliquaient, s'abonnaient et achetaient, tandis que les entreprises optimisaient ce comportement — acquérir des clients, les convertir en abonnés et les servir à moindre coût à grande échelle. Désormais, les agents d'IA effectuent des recherches, écrivent du code, appellent des API, exécutent des tâches et paient même au nom de personnes ou d'entreprises. Cela promet rapidité et ampleur, mais l'activité automatisée peut pousser la consommation — et les coûts — bien au-delà de ce que les entreprises prévoient ou ont l'habitude de gérer.

Tout le monde observe l'IA gonfler les factures de calcul ; bien peu s'intéressent à ceux qui profitent du système. Les abus d'essais gratuits et de comptes multiples sont les tueurs silencieux de'unité économique de l'IA, et les entreprises ne découvrent souvent les dégâts qu'une fois leurs marges disparues. Le défi ne consiste plus simplement à rendre le calcul moins cher, mais à garantir que l'usage se traduise en revenus plutôt que de laisser une consommation inattendue ou abusive éroder les marges.

L'Asie illustre la rapidité du passage de l'expérimentation à l'action. Une enquête Stripe de 2025 a révélé que 82 % des dirigeants d'entreprise mettaient déjà en œuvre, ou prévoyaient de mettre en œuvre, l'IA agentique, et la moitié des répondants attendent une part plus importante des ventes via des canaux pilotés par l'IA d'ici 2030. Selon Bain, 85 % des consommateurs d'Asie du Sud-Est utilisent déjà, ou envisagent d'utiliser, des outils d'IA pour guider leurs décisions d'achat.

Les tokens, nouvelle unité de commerce

À l'ère de l'IA, deux utilisateurs différents peuvent générer des charges de travail très différentes, et chaque interaction a un coût réel. Les tokens — ces petits fragments de texte dans lesquels les modèles d'IA décomposent le langage — sont devenus l'unité clé pour mesurer la consommation, poussant les entreprises d'IA vers une tarification à l'usage ou hybride : des modèles qui reflètent mieux le coût de la consommation et permettent de suivre l'usage et d'encaisser les paiements en temps réel.

Lovable, une plateforme de création de logiciels par IA qui utilise Stripe, illustre cette transition. L'entreprise a débuté avec des abonnements, mais est depuis passée à une facturation à l'usage : une fois le quota gratuit de leur offre dépassé, les clients sont facturés selon leur consommation de tokens d'IA.

Ce modèle introduit une nouvelle vulnérabilité : le vol de tokens. Les abuseurs gaming le système en créant plusieurs comptes, en exploitant les essais gratuits et en consommant des tokens d'IA sans jamais avoir l'intention de payer. Chaque token consommé par un profiteur génère un coût d'exploitation immédiat que l'entreprise ne récupérera jamais.

Les recherches de Stripe ont révélé que plus d'une inscription sur six dans les entreprises d'IA est liée à des abus multi-comptes. À ce rythme, les abus évoluent avec la croissance : plus une entreprise d'IA ajoute rapidement des utilisateurs, plus les comptes profiteurs arrivent en même temps que les comptes légitimes.

Le timing compte. Les entreprises d'IA ne peuvent pas se permettre d'agir uniquement lorsqu'une demande de paiement échoue ; à ce moment-là, l'utilisateur est déjà passé à autre chose. Les abus doivent donc être détectés dès l'inscription, avant que le premier token ne soit consommé. Stripe, via des solutions comme Stripe Radar — un outil d'IA de prévention de la fraude entraîné sur les données de millions d'entreprises dans le monde — a empêché 1,3 milliard de dollars de fraude à Singapour l'an dernier.

Protéger les marges

Le défi ne consiste pas simplement à détecter le vol de tokens ou la fraude, mais à décider comment y répondre. Les entreprises ont besoin d'une meilleure visibilité sur l'exposition de leurs marges, ainsi que de la flexibilité de définir leur propre tolérance au risque et d'adapter leur réponse aux différents comportements. Par exemple, personne créant repeatedly de nouveaux comptes pour voler des tokens d'IA gratuits devrait être traitée différemment d'un utilisateur occasionnel payant dont l'usage augmente soudainement.

Les indicateurs à surveiller sont concrets : la part des nouvelles inscriptions signalées pour abus multi-comptes, la vitesse à laquelle les quotas gratuits sont épuisés, et le fait que les abus soient détectés à l'inscription ou seulement lorsqu'un paiement échoue. À mesure que l'IA modifie le coût du service client, la protection des marges dépendra non seulement d'un calcul moins cher, mais aussi de la garantie que chaque token consommé compte.

Les opinions exprimées dans les tribunes de Fortune.com sont uniquement celles de leurs auteurs et ne reflètent pas nécessairement les opinions et convictions de Fortune. Cet article a été initialement publié sur Fortune.com.