Les organisations encouragent davantage d’employés à concevoir des solutions avec l’intelligence artificielle, mais s’appuyer sur un unique outil polyvalent pour chaque tâche peut produire des résultats décevants et entamer la confiance dans la technologie. Lorsque ce phénomène se généralise, les travailleurs peuvent affiner leurs prompts à plusieurs reprises jusqu’à obtenir quelque chose d’utilisable, une pratique décrite comme le « tokenmaxxing ».

La source affirme que le tokenmaxxing est moins un échec des employés qu’un symptôme d’objectifs flous, de garde-fous insuffisants et de moyens limités pour mesurer les dépenses et les résultats liés à l’IA. Se contenter de blâmer le personnel ou d’ajouter une formation générale sur l’utilisation responsable ne s’attaque pas à ces problèmes sous-jacents.

Les processus traditionnels d’approvisionnement peuvent également entrer en conflit avec la rapidité du développement de l’IA. Alors que l’approbation d’un logiciel d’entreprise peut prendre des mois, un employé peut accéder à un chatbot public et générer une page d’accueil en quelques secondes. Si les outils approuvés sont trop lents ou trop restrictifs, les travailleurs peuvent se tourner vers des services non vérifiés, saisir potentiellement des informations propriétaires dans des modèles publics et créer des risques liés à la gouvernance des données.

Les prototypes qui en résultent peuvent entraîner d’autres problèmes. Ils peuvent contenir du code médiocre, ne pas respecter les systèmes de conception de l’entreprise ou les exigences d’accessibilité telles que les WCAG 2.2, et omettre les pratiques élémentaires d’authentification. Restreindre l’accès ne suffit pas nécessairement à empêcher ce comportement ; les employés peuvent plutôt payer eux-mêmes des abonnements, déplaçant ainsi les coûts en dehors de la visibilité financière immédiate de l’organisation.

L’article établit également un lien entre l’utilisation non encadrée de l’IA et la pression en faveur de retours plus rapides. Une enquête de Teneo menée auprès de plus de 350 PDG d’entreprises cotées et de 400 investisseurs institutionnels a révélé que 53 % des investisseurs s’attendaient à des retours positifs des nouvelles initiatives d’IA dans un délai de six mois ou moins, contre 16 % des PDG de grandes capitalisations qui pensaient pouvoir respecter ce calendrier. Les PDG ont également indiqué que moins de la moitié de leurs projets actuels d’IA généraient un retour sur investissement positif.

Parallèlement, l’utilisation des tokens devrait augmenter considérablement. Goldman Sachs Research prévoit une multiplication par 24 de la consommation mensuelle de tokens, qui atteindrait 120 quadrillions de tokens entre 2026 et 2030, tandis que les fournisseurs de semi-conducteurs réalisent des réductions annuelles de 60 % à 70 % du coût par token. La baisse des prix pourrait encourager une utilisation accrue, en particulier lorsque les organisations déploieront des agents d’IA autonomes.

Les agents peuvent consommer nettement plus de tokens qu’un humain travaillant à partir d’un prompt, car ils répètent les requêtes en séquence. Un agent chargé d’une tâche peu claire peut continuer à fonctionner longtemps après qu’une personne aurait commencé à se demander si le travail en valait la peine. Une partie de ces dépenses est consacrée à des prototypes qui n’atteignent jamais la production.

Gartner a constaté qu’au moins la moitié des projets d’IA générative avaient été abandonnés après l’étape de preuve de concept à la fin de 2025. Parmi les raisons figuraient la mauvaise qualité des données, des contrôles des risques inadéquats, l’augmentation des coûts et une valeur commerciale incertaine. Les prototypes qui obligent les ingénieurs à les reconstruire depuis le début peuvent également consommer à la fois les budgets de tokens et un temps d’ingénierie précieux.

Cela peut renforcer la méfiance des équipes techniques. L’enquête 2025 de Stack Overflow auprès des développeurs a révélé que 46 % d’entre eux ne faisaient pas confiance à l’exactitude des résultats de l’IA. Les réponses « presque correctes » constituaient la principale source de frustration pour 66 % des développeurs, tandis que 45 % ont déclaré que le débogage du code généré par l’IA prenait davantage de temps.

L’alternative proposée n’est pas de limiter l’accès à l’IA, mais de rendre son utilisation plus ciblée et plus responsable. Donner aux équipes non techniques la possibilité de concevoir des solutions peut contribuer à créer des logiciels élaborés par des personnes qui comprennent l’exigence métier. Toutefois, chaque utilisation devrait avoir un objectif clairement défini, et les employés devraient être capables d’expliquer ce qu’une dépense donnée en tokens était censée accomplir.

Au lieu de considérer une boîte de dialogue polyvalente comme l’interface par défaut, les organisations pourraient proposer des flux de travail et des agents adaptés à des rôles précis. Ces environnements pourraient intégrer des limites d’exécution, des directives de marque, des polices approuvées, des exigences de sécurité et des composants préconfigurés. L’intégration de ces contrôles aiderait les employés à produire des applications plus proches de la conformité et de la mise en production, sans nécessiter de demandes distinctes pour chaque mesure de protection.

La source décrit une entreprise de taille moyenne dans laquelle une équipe de trois personnes spécialisée dans l’analyse des données a créé un agent pour analyser les informations présentes dans ses systèmes. Cette mise en œuvre a permis à chaque membre de l’équipe d’économiser entre 12 et 13 heures de travail manuel par semaine. L’agent avait une tâche définie et fonctionnait dans des paramètres prédéterminés, plutôt que comme un chatbot sans restriction.

L’argument central est que la baisse du prix des tokens ne supprime pas la nécessité d’une supervision financière. Les organisations devraient d’abord définir, en termes simples, ce qu’elles veulent que l’IA accomplisse, puis aligner les outils, les limites et les dépenses sur cet objectif. Sans cette clarté, une facture inattendue n’est que le symptôme d’un échec plus large à définir le rôle que l’IA devrait jouer.

Sources: TechRadar.