Sur la demande induite, les licenciements et le coût réel d’une IA que nous ne savons pas utiliser
Si vous avez passé du temps sur le Twitter des transports, vous avez vu le mème.
« Encore une seule voie, mon frère. »
Un ingénieur autoroutier dessiné au crayon se tient à côté d’une autoroute, pointant les nouvelles voies qu’il veut ajouter parce que la circulation est mauvaise. Son visage est sincère. Cette fois, il va régler le problème. Une voie de plus et les embouteillages disparaîtront.
Ils disparaissent rarement pour longtemps.
De nouvelles voies créent de nouveaux trajets. Une nouvelle capacité crée une nouvelle demande. Les économistes appellent cela la demande induite. La Katy Freeway au Texas a été élargie pour devenir l’une des autoroutes les plus larges du monde. La 405 à Los Angeles a bénéficié d’un élargissement à un milliard de dollars. Le schéma est familier au fil de décennies d’expansion autoroutière : la capacité augmente, l’usage croît pour la remplir, et la congestion revient.
L’ingénieur du mème continue pourtant de demander une voie de plus.
Nous en sommes maintenant au même point avec les datacenters d’IA.
Le pitch pour la bonne infrastructure
Chaque trimestre, une nouvelle annonce d’hyperscaler arrive. Un nouveau chantier à dix chiffres. Un nouveau campus. Une nouvelle sous‑station. Un nouveau contrat d’électricité. Un nouveau conflit autour de l’eau. Un nouveau comté rural à qui l’on dit que c’est le prix du progrès.
La justification est toujours la même.
La demande pour l’IA explose. Nous avons besoin de plus de calcul. Si nous ne construisons pas, les États‑Unis seront dépassés par la Chine. Les entreprises n’auront pas la capacité dont elles ont besoin. Les développeurs seront contraints. L’innovation va ralentir.
Encore un datacenter.
Encore un campus d’un gigawatt.
Encore un site de 2 700 acres.
Encore une mise à niveau du réseau.
Ensuite nous en aurons assez.
C’est le même ingénieur avec un plan différent.
C’est un pari d’infrastructure générationnel, et une part substantielle est déjà signée.
Il ne s’agit pas de dire que l’IA n’a pas besoin d’infrastructure. Une nouvelle capacité est nécessaire.
La question est de savoir si nous devons continuer à engager de nouvelles capacités à ce rythme avant de forcer les acheteurs à prouver qu’ils utilisent intelligemment la capacité existante.
Aujourd’hui, une partie de cette demande explosive correspond à une véritable nouvelle productivité. Une partie est une consommation évitable créée par de mauvais réglages par défaut, des tentatives automatiques incontrôlées, des identifiants obsolètes, des modèles surdimensionnés et des charges de travail que personne n’a jamais obligées à justifier leur coût.
La demande induite
Le calcul n’a pas une courbe de demande fixe. Elle se plie vers toute l’offre disponible.
Donnez aux développeurs un accès bon marché aux modèles de pointe et beaucoup de charges de travail se régleront par défaut sur ces modèles. Donnez aux agents de gros budgets et beaucoup d’agents les dépenseront. Donnez aux équipes des clés d’API sans restriction et la facture augmente jusqu’à ce que quelqu’un s’en aperçoive.
À ce moment‑là, la charge de travail est déjà en production.
Un fondateur exécute un modèle coûteux à chaque étape d’un pipeline de support client parce que c’était le réglage par défaut lorsque l’ingénieur a livré vite. Le pipeline fonctionne. La facture devient douloureuse. Plus tard, quelqu’un découvre qu’une grande partie de la charge de travail aurait pu tourner sur un modèle moins cher avec peu ou pas de perte de qualité mesurable.
Ce n’est pas un cas marginal bizarre. C’est ainsi que fonctionne souvent le développement rapide en IA. Les
paramètres par défaut sont mauvais. Le gaspillage est invisible. La facture arrive en retard.
La même chose se produit partout.
Un système de recherche vectorielle intègre des doublons. Un agent de support boucle sur les tentatives. Un agent de code brûle le modèle le plus cher sur des modifications triviales. La clé d’un prestataire survit à la fin du contrat. La clé d’un ex‑salarié survit au départ. Une clé de production finit sur l’ordinateur portable de quelqu’un.
Ils ne sont pas forcément malveillants. Le système est simplement non géré.
Quand le secteur de l’IA dit que la demande explose, une partie de cette demande est une vraie productivité. Une partie est faite de mauvais paramètres par défaut, d’identifiants obsolètes, de budgets manquants et de travail machine sans gouvernance.
Ajouter du calcul ne résout pas cela. Cela l’alimente. Même des entreprises comme Amazon signalent que c’est le cas.
C’est la demande induite. C’est l’autoroute.
La mentalité “moins de gens, plus d’IA”
Avec des effectifs en baisse et des budgets IA en hausse, les deux sont souvent explicitement reliés. Microsoft a clairement indiqué que ses coupes ne sont pas simplement un remplacement par l’IA. Sam Altman a admis qu’une partie de l’attribution relève de ce qu’il appelle l’AI washing : invoquer l’IA pour des coupes que l’entreprise aurait de toute façon effectuées. Des enquêtes auprès de PDG indiquent qu’ils doivent planifier des changements en fonction de l’IA.
Les données montrent clairement une réallocation des priorités. Challenger décrit des entreprises technologiques se restructurant autour de l’IA, automatisant certains rôles et réallouant les budgets vers de nouvelles capacités. Le travailleur spécifique et le GPU spécifique n’ont pas besoin d’être appariés un pour un pour que le déplacement du capital soit réel.
Ce qui rend la question inconfortable plus aiguë, pas plus douce.
Si l’échange n’est pas des personnes contre de la productivité IA, et qu’il n’est pas entièrement des personnes contre rien, alors qu’y a‑t‑il exactement du côté machine du bilan ? Personne ne peut proposer de réponse solide, car la dépense IA devient de la masse salariale sans être gérée avec une discipline même proche de celle de la paie.
Les travailleurs humains ont des managers, des budgets, des permissions, des cartes de société, des badges d’accès, un offboarding, des entretiens d’évaluation et des pistes d’audit.
Les travailleurs machines ont souvent une clé d’API.
Nous déplaçons nos budgets de la paie humaine vers la paie machine, puis nous gérons la paie machine comme un tas de mots de passe. Aucun propriétaire. Aucun manager. Aucune date d’expiration. Aucune politique de dépense. Aucun reçu. Aucun coût par résultat utile. Aucune preuve que le travail machine valait le coût machine.
La clé d’API est la nouvelle carte de société
Une entreprise ne dirait jamais : « un ex‑employé a gardé sa carte de société, personne ne sait ce qu’elle facture, et nous l’avons découvert des mois plus tard. » Ce serait considéré comme une défaillance opérationnelle évidente. Mais la version API se produit en permanence.
Une clé de fournisseur de modèle peut générer de la dépense. Une clé cloud peut créer de l’infrastructure. Une clé Stripe peut déplacer de l’argent. Une clé GitHub peut déployer du code. Une clé de fournisseur de données peut accéder à des jeux de données payants. Une clé de plateforme publicitaire peut brûler un budget de campagne. Une clé d’exchange peut trader des actifs.
Ce ne sont pas juste des secrets. Ce sont des pouvoirs économiques.
Trop de clés d’API sont encore traitées comme des mots de passe. Elles doivent être traitées comme des cartes de société pour machines.
Des prestataires, agences de développement, agences marketing, auditeurs, équipes fractionnées, employés et agents ont tous besoin d’un accès à des ressources qui montent et descendent. Aujourd’hui, les entreprises accordent soit trop d’accès, soit ralentissent tout. Le projet se termine, l’accès reste, et les dépenses continuent.
Ce n’est pas seulement un problème de sécurité. C’est un problème comptable. Un problème de gouvernance et un problème d’infrastructure.
Les locaux le savent
Le rejet public des datacenters n’est pas seulement du NIMBYisme. Les gens sentent la contradiction. Un sondage Gallup (Gallup poll) a récemment montré que sept Américains sur dix s’opposeraient à la construction de centres de données pour l’IA dans leurs villes.
Les datacenters consomment d’énormes quantités d’électricité. Selon la conception du refroidissement et le lieu, ils peuvent aussi consommer beaucoup d’eau et de terres. Ils créent une vraie chaleur, du bruit, des conflits de lignes de transmission et une pression politique locale. Les bénéfices semblent souvent lointains, privés ou spéculatifs. Les coûts sont locaux.
La charge d’infrastructure est concentrée dans les comtés ruraux. Le bénéfice économique est diffus et souvent capté ailleurs. Les bénéfices sont promis plus tard. Les coûts arrivent maintenant.
C’est politiquement instable. En 2026, ce n’était plus une prédiction.
L’industrie ne devrait pas être surprise que les datacenters soient devenus un sujet de lutte politique nationale. Si l’infrastructure IA demande aux communautés de la terre, de l’énergie, de l’eau et de la patience, l’industrie devrait être capable de prouver que le calcul est bien utilisé.
Aujourd’hui, beaucoup d’acheteurs ne le peuvent pas.
L’échange personnes contre machines non mesurées est mauvais
Rassemblons les couches.
Un CFO lit la thèse d’investissement IA, approuve le déploiement, réduit les effectifs pour le financer et dit au conseil que le calcul est bon. La capacité de calcul est provisionnée. Les charges de travail sont déployées. Les paramètres par défaut sont mauvais. Les clés ne sont pas gérées. Les modèles coûteux sont surutilisés. Les agents réessaient trop. Les vieux identifiants continuent de fonctionner. La facture augmente plus vite que prévu.
Le conseil demande pourquoi. La réponse revient : la demande IA explose. Nous avons besoin de plus de capacité. Alors le CFO signe le contrat suivant. Le cycle se répète.
Pendant ce temps, l’employé déplacé regarde l’entreprise dépenser agressivement pour des systèmes d’IA qui peuvent ou non produire réellement la productivité promise. Un conseiller de comté reçoit des appels furieux concernant l’énergie, l’eau, les terres et le bruit. Un opérateur de réseau essaie de faire tenir les chiffres. Un habitant se voit dire que c’est l’avenir.
Trop souvent, l’échange n’était pas des personnes contre de la productivité. C’était des personnes contre du travail machine non mesuré.
Des personnes contre de mauvais paramètres par défaut. Des personnes contre du gâchis. Et lorsque le gâchis est devenu cher, la réponse de l’industrie n’a pas été la discipline. C’était un datacenter de plus. Encore un, mon frère.
La véritable réponse
La véritable réponse n’est pas seulement de construire plus de datacenters.
La véritable réponse est d’utiliser intelligemment les datacenters que nous avons déjà.
C’est une chose inconfortable à dire pour l’industrie, car les incitations ne sont pas parfaitement alignées. Les fournisseurs sont en général payés quand la consommation augmente. Les acheteurs gagnent quand les résultats utiles augmentent. Ces deux courbes ne sont pas les mêmes.
L’intérêt de l’acheteur est précis.
L’acheteur veut le plus petit modèle qui fait le travail. Le moins d’appels qui résolvent le problème. La clé qui expire quand le projet se termine. L’identifiant qui ne fonctionne qu’à partir du bon appareil. L’agent qui est coupé lorsqu’il sort de la politique. L’exception qui n’est approuvée que lorsque le cas métier est réel.
Rien de tout cela ne nécessite un nouveau datacenter. Cela nécessite un provisionnement intelligent du calcul que nous avons déjà.
La route vers une solution est ennuyeuse
Dimensionner correctement la charge de travail par rapport au modèle. Regrouper ce qui peut l’être. Mettre en cache ce qui peut être mis en cache. Contraindre ce qui doit l’être. Autoriser ce qui a besoin de dépasser. Refuser ce qui tourne sur le mauvais credential, depuis le mauvais appareil, détenu par la mauvaise personne, pour le mauvais travail. Mesurez le coût par résultat utile. Faites expirer les accès automatiquement. Tuez les boucles incontrôlées. Acheminer les tâches à faible risque vers des modèles à faible coût. N’escaladez que lorsque la qualité l’exige. Produisez des reçus.
Le marché a commencé à s’en rendre compte. Cet été, les directeurs financiers et les conseils d’administration ont commencé à sévir contre les factures d’IA qui dépassaient largement le budget. Le “model routing” est passé du statut d’article de recherche à celui de vocabulaire de salle de conseil, car les équipes cherchaient des moyens d’envoyer le travail de routine vers des modèles moins chers sans sacrifier la qualité. Les fournisseurs de modèles eux-mêmes ont commencé à proposer des limites de dépenses administrateur parce que les clients exigeaient un moyen de maîtriser les factures.
Bien. Cette vague est réelle et attendue depuis longtemps. Les fournisseurs offrent maintenant des plafonds de dépenses stricts qui font réellement échouer les appels lorsque la limite est atteinte, des limites par utilisateur, et des circuits d’approbation.
Mais remarquez la limite de la vague actuelle. Ces contrôles régissent la consommation à l’intérieur d’un seul fournisseur, d’un seul projet ou d’une seule application. Le routage choisit un modèle moins cher. Un plafond arrête une facture incontrôlée. Aucun des deux ne répond à la question plus large de l’autorité : quelle machine agit, à partir de quel environnement d’exécution, au nom de qui, dans quel but, contre quelles ressources externes, et quelle preuve portable existe ensuite. Le contrôle des coûts n’est pas la même chose que l’autorité programmable et vérifiable.
L’IA a besoin de toute la discipline, pas seulement de la moitié liée aux coûts. Pas parce que l’IA est mauvaise. Parce que l’IA devient du travail. Et le travail a besoin de gestion.
La couche qui manque aux agents d’IA
C’est la couche qui, selon nous, manque à l’IA, et elle est volontairement plus étroite que l’ensemble de la pile FinOps.
L’autorité économique devrait être régie avant l’exécution : qui et quoi peut dépenser, depuis quel appareil et quel environnement d’exécution, pour quelle charge de travail et sous quelles limites. Le tout avec un reçu final qu’une vraie personne peut vérifier.
Une partie du déploiement de datacenters est nécessaire. L’IA est réelle, et les choses réelles ont besoin d’infrastructures. Mais une demande non gérée rend le déploiement requis plus vaste, plus rapide et plus difficile à justifier qu’il ne doit l’être. La bonne voie n’est pas un plus joli tableau de bord après l’arrivée de la facture. La solution est la couche de contrôle au niveau du credential, avant que la dépense n’ait lieu.
Aller dans la bonne direction
Encore un datacenter, mec.
On promet que cette fois, ça va marcher. La capacité de calcul est sur le point d’être mise en ligne. Le taux de gaspillage est sur le point de baisser. Les marges sont sur le point de se matérialiser. Les charges de travail sont sur le point de devenir efficaces. Les riverains sont sur le point de se rallier. Le réseau électrique est sur le point de tenir le coup. Les mille milliards de dollars de baux signés sont sur le point de paraître prudents. Le conseil d’administration est sur le point de voir le gain de productivité.
Juste un de plus.
Peut-être qu’une partie de cette capacité est nécessaire. Mais avant que l’industrie ne demande aux communautés plus de terres, plus d’eau, plus d’électricité et plus de patience, les acheteurs devraient être capables de répondre à une question plus simple.
Utilisons-nous bien la capacité de calcul que nous avons déjà ? Pas sur une diapositive ou dans une note de politique interne.
Dans des reçus. Quel modèle a été utilisé. Quelle charge de travail en avait besoin. Quelle clé l’a autorisé. Voilà le prochain combat sur l’infrastructure d’IA. Pas calcul ou pas de calcul. Calcul gouverné contre gaspillage.
Construire avec moins d’aveuglement. Utiliser ce que nous avons.