Uber affirme avoir identifié une approche plus durable du déploiement de l'IA après avoir épuisé l'intégralité de son budget d'intelligence artificielle 2026 en quelques mois seulement.

Dans une interview accordée à The Information plus tôt cette année, le directeur technique d'Uber, Praveen Neppalli Naga, a reconnu être revenu « à la case départ » sur les allocations budgétaires après que l'entreprise a encouragé ses employés à utiliser les outils d'IA — notamment Claude Code d'Anthropic, un assistant de codage propulsé par l'IA qui aide les ingénieurs à écrire, déboguer et réviser des logiciels — aussi intensivement que possible. Uber a même créé des « classements » internes pour comparer les ingénieurs logiciels selon leur utilisation des outils d'IA.

Cet effort s'inscrivait dans une tendance plus large du monde de l'entreprise appelée « tokenmaxxing », dans laquelle les entreprises incitaient leurs employés à adopter l'IA en milieu de travail, pour beaucoup faire machine arrière lorsque les retours sur investissement ne justifiaient pas les dépenses accélérées. Le terme dérive des tokens — les unités de base de texte que les grands modèles de langage traitent et sur lesquelles les fournisseurs facturent — ce qui fait de la consommation brute de tokens un indicateur approximatif des dépenses en IA. Uber n'a pas fait exception, mais Naga a indiqué que l'entreprise a depuis développé un modèle de déploiement plus efficace.

« Nous observons des tendances très intéressantes sur les coûts de l'IA », a écrit Naga dans une publication sur X mercredi. « Je pense que c'est un autre signal indiquant que nous approchons de la fin de la prétendue ère du tokenmaxxing. »

Naga a expliqué qu'Uber a quadruplé le nombre d'employés utilisant des outils d'IA de pointe, ce qui a fait baisser le coût par token. L'entreprise y est parvenue grâce à une amélioration de la mise en cache des prompts, à des ajustements des paramètres de modèle par défaut, à une évaluation des nouveaux modèles axée sur l'efficacité, ainsi qu'à des tableaux de bord permettant aux ingénieurs de surveiller leur utilisation de l'IA et les coûts associés sur une base horaire.

« On pourrait s'attendre à ce que les coûts augmentent à mesure que l'adoption s'accélère », a poursuivi Naga. « Nous avons observé l'inverse. Non pas parce que nous avons restreint l'accès, mais parce que nous avons traité l'efficacité comme un problème d'ingénierie plutôt que comme un problème budgétaire. »

Des enjeux croissants pour les retours sur investissement de l'IA

La pression monte pour que les entreprises démontrent des retours sur leurs investissements massifs en IA. En juillet, Jim Reid, directeur mondial de la recherche macroéconomique et thématique à l'Institut de recherche Deutsche Bank, a mis en garde contre le fait que les gains de productivité liés à l'IA étaient encore éloignés de plusieurs années.

Selon Apollo, les marges bénéficiaires des Magnificent Seven — Apple, Microsoft, Nvidia, Alphabet, Amazon, Meta et Tesla — sont passées de 15 % à 25 % entre le premier trimestre 2023 et le premier trimestre 2026, tandis que le reste du S&P 500 n'a enregistré qu'une croissance des marges de 10 % sur la même période — ce qui suggère des retours limités sur les investissements en IA en dehors du secteur technologique direct.

En mai, Uber s'efforçait encore de traduire ses investissements en IA en améliorations mesurables de ses produits.

« Ce lien n'existe pas encore », a déclaré Andrew Macdonald, président et directeur de l'exploitation d'Uber, lors d'une intervention sur le podcast Rapid Response. « Il y a peut-être implicitement plus de choses qui sont livrées, mais il est très difficile d'établir un lien entre l'une de ces statistiques et : "D'accord, nous produisons désormais 25 % de fonctionnalités grand public utiles en plus." »

Le paradoxe de Jevons plane sur les dépenses d'IA

Même si Uber développe des stratégies pour réduire le coût par token, l'entreprise s'expose à un risque que les économistes soulignent depuis longtemps : le paradoxe de Jevons, selon lequel les dépenses totales consacrées à une ressource augmentent même lorsque son coût unitaire diminue.

Nommé d'après l'économiste du XIXe siècle William Stanley Jevons, qui a observé en 1865 que la consommation de charbon avait explosé malgré les gains d'efficacité du moteur à vapeur de Watt, ce concept se manifeste aujourd'hui dans l'IA.

Selon le Silicon Data Token Expenditure Index, le prix d'un seul token a chuté de plus de 90 % depuis 2023, pourtant les dépenses liées aux grands modèles de langage ont doublé depuis la fin de l'année dernière.

« À mesure que les tokens deviennent moins chers, les entreprises ne dépensent pas moins mais exécutent davantage d'agents IA, automatisent plus de flux de travail et génèrent plus de code, ce qui fait grimper les dépenses globales même si le coût unitaire de l'intelligence s'effondre », a écrit l'économiste en chef d'Apollo, Torsten Slok, dans un récent article de blog.

Une note de Bain & Co. publiée en juin est venue renforcer cette constatation. Elle a rapporté que les coûts par token ont été divisés par deux entre décembre 2024 et 2025, tandis que les tokens consommés ont augmenté de 450 % sur la même période à mesure que les entreprises faisaient évoluer leurs outils d'IA.

Naga a noté un changement de philosophie chez Uber vers une priorité accordée à la qualité plutôt qu'à la quantité en matière de dépenses de tokens, bien qu'il n'ait pas précisé si l'entreprise consomme plus ou moins de puissance de calcul qu'en début d'année.

« C'est l'avenir de l'IA appliquée à l'échelle de l'entreprise », a-t-il conclu. « La prochaine phase, quel que soit son nom, ne se caractérisera pas par celui qui dépense le plus de tokens, mais par la manière dont les gens les utilisent le plus efficacement possible. »

Cet article a été initialement publié sur Fortune.com.