Jensen Huang propose un test pour savoir si un ingénieur vaut la peine d’être conservé, et il est accompagné d’un budget symbolique. S’exprimant sur le podcast All-In à la clôture du GTC 2026, le directeur général de Nvidia a déclaré que si la consommation annuelle de jetons d’IA d’un ingénieur de 500 000 $ était inférieure à la moitié de son salaire, « je serai profondément alarmé ». Nvidia, a-t-il confirmé, travaille sur une facture symbolique annuelle de 2 milliards de dollars pour sa force d’ingénierie.
Il décrivait un compromis que la plupart des entreprises ont déjà fait avec moins de bruit : l’argent qui autrefois payait les gens sert de plus en plus à acheter des jetons. Les quatre plus grands hyperscalers ont généré environ 700 milliards de dollars de dépenses d’investissement combinées en 2026, soit près du double de l’année dernière, tandis que les données de la société d’outplacement Challenger, Gray & Christmas montrent que l’IA est la raison la plus citée des suppressions d’emplois aux États-Unis pour un quatrième mois consécutif record.
Un méta-mémo interne obtenu par Reuters a décrit les suppressions de 8 000 postes en mai comme compensant les investissements substantiels de l’entreprise, au cours d’un trimestre où le chiffre d’affaires a augmenté de 33 %. Les licenciements dans des entreprises comme celles-ci ne sont pas des mesures de survie. Ils financent.
Le problème est que le financement n’a pas permis d’obtenir ce qu’il avait promis. Gartner a interrogé 350 dirigeants d’entreprises générant plus d’un milliard de dollars de chiffre d’affaires, tous déployant des agents d’IA ou de l’automatisation, et a découvert qu’environ 80 % d’entre eux avaient réduit leurs effectifs sans aucune corrélation avec une amélioration des rendements. Le verdict de l’analyste Helen Poitevin a été sans détour : « Les réductions d’effectifs peuvent créer une marge budgétaire, mais elles ne créent pas de rendement. »
Uber a appris le côté symbolique de cette leçon de manière coûteuse, en fournissant à 5 000 ingénieurs des outils de codage d’IA en décembre et en épuisant la totalité de son budget d’IA pour 2026 en avril. Le directeur de l’exploitation, Andrew Macdonald, a reconnu que même si 70 % du code validé est généré par l’IA, la connexion avec tout ce que les clients remarquent est manquante : « Ce lien n’est pas encore là. »
Mettez ces deux échecs côte à côte et le problème réel apparaît. Les entreprises ont traité la facture symbolique comme fixe et la main-d’œuvre comme flexible, alors que c’est le contraire qui est vrai. Les réductions de salaires se produisent une seule fois et entraînent avec elles des connaissances institutionnelles. Il s’avère qu’un budget symbolique se plie à une demi-douzaine d’endroits si quelqu’un prend la peine de le concevoir.
Là où le budget symbolique se plie
La solution la moins chère est aussi la moins glamour : arrêtez de payer pour traiter le même texte à plusieurs reprises. La mise en cache rapide, désormais standard chez les principaux fournisseurs d’API, réduit le coût des saisies répétées jusqu’à 90 % selon les tarifs publiés par Anthropic et OpenAI, car le contenu statique comme les instructions système et les documents de référence est traité une seule fois et relu à une fraction du taux.
La société de sécurité ProjectDiscovery a documenté une augmentation de son taux de réussite du cache de 7 % à 84 % grâce à des invites de restructuration, réduisant ainsi ses dépenses LLM totales de 59 à 70 % tout en servant 9,8 milliards de jetons à partir du cache. Ce seul exercice d’ingénierie a permis de récupérer plus de budget que la plupart des cycles de licenciements attribués à l’IA n’en économisent.
Le prochain levier consiste à acheminer le travail vers le modèle de bonne taille. Les propres listes de prix des fournisseurs montrent des modèles phares coûtant cinq fois plus cher que leurs petits frères et sœurs par jeton, mais de nombreuses charges de travail de production envoient par défaut une classification et une synthèse de routine au niveau le plus cher. Le traitement par lots ajoute une remise supplémentaire de 50 % pour tout ce qui ne nécessite pas de réponse en temps réel.
La génération augmentée par récupération attaque le problème sous un autre angle en envoyant au modèle uniquement la tranche pertinente d’une base de connaissances plutôt que l’intégralité, et une compression rapide supprime les exemples redondants qui gonflent chaque appel. Les modèles ouverts réduisent encore les coûts, en gérant les charges de travail de routine à une fraction des prix des API frontières pour les équipes désireuses de gérer l’infrastructure.
Ces mesures sont simplement l’équivalent, pour l’IA, d’éteindre les lumières dans les pièces vides, et le plafond mensuel de 1 500 dollars par ingénieur d’Uber – imposé après le dépassement budgétaire d’avril – est une première preuve que la discipline en matière de dépenses finit par arriver. Les entreprises qui progressent le choisissent simplement avant que le budget ne l’y oblige.
L’autre moitié du correctif est humaine
L’optimisation de la facture symbolique n’a d’importance que si les économies vont dans un endroit productif et que les preuves les plus solides pointent du doigt les gens. Les recherches de Poitevin ont révélé que les organisations qui ont amélioré leur retour sur investissement étaient celles qui utilisaient l’IA pour augmenter leurs effectifs plutôt que pour les remplacer.
Klarna a mené l’expérience contrôlée au nom de chacun, remplaçant environ 700 rôles de service client par un assistant alimenté par OpenAI avant que la satisfaction des clients ne chute. Le directeur général Sebastian Siemiatkowski a déclaré Bloomberg Ce que peu de dirigeants admettent à haute voix : « Le résultat était une qualité inférieure, et ce n’est pas durable. »
La fintech utilise désormais un modèle mixte, dans lequel l’IA absorbe le volume de routine tandis que les humains réembauchés gèrent tout ce qui nécessite du jugement. Gartner s’attend à ce que cette tendance se propage, prévoyant que d’ici 2027, la moitié des entreprises qui ont réduit le personnel du service client pour l’IA les réembaucheront.
Il existe un investissement en main-d’œuvre que la logique d’optimisation rend urgent plutôt que facultatif. L’Institut pour l’IA centrée sur l’humain de l’Université de Stanford a constaté que l’emploi des développeurs de logiciels âgés de 22 à 25 ans a chuté de près de 20 % par rapport aux niveaux de 2024, même si les cohortes plus âgées ont augmenté, ce qui signifie que les entreprises suppriment le terrain de formation des ingénieurs seniors dont elles auront besoin pour diriger tous ces systèmes dans cinq ans.
Une entreprise qui vient de réduire de 60 % sa facture symbolique dispose de la marge budgétaire nécessaire pour continuer à embaucher au bas de l’échelle. Que ce soit le cas est une décision de leadership et non une décision financière.
La provocation de Huang, de Nvidia, continuera à se répercuter sur les résultats, et les chiffres des dépenses d’investissement continueront d’augmenter. Les entreprises qui s’en sortiront ne seront pas celles qui ont dépensé le plus en jetons ou qui ont supprimé le plus de personnel pour se les permettre – ce seront celles qui ont remarqué que le budget des jetons était flexible depuis le début, l’ont réduit à l’ingénierie plutôt qu’aux effectifs, et ont dépensé la différence pour les personnes qui font que les jetons valent quelque chose.
(Image de Kate.sade)
