Au cours des deux derniers mois, j’ai lu et essayé de mieux comprendre la tokenomics. Dans mes conversations avec mes pairs du secteur, j’entends de plus en plus la même question : « Nous dépensons pour l’IA, mais qu’obtenons-nous en retour ? » La plupart des équipes peuvent me communiquer leur facture mensuelle. Très peu de gens peuvent me dire quelle utilisation l’a conduit.
Si vous avez déjà ouvert une facture d’IA et senti votre estomac se serrer un peu, vous n’êtes pas seul. Les entreprises de coûts dépensent désormais de l’argent réel en jetons, en appels API et en GPU. Très peu de personnes peuvent relier ce chiffre à un résultat commercial. C’est la lacune du problème que la Fondation Tokenomics veut combler. Et honnêtement, il était temps que quelqu’un le fasse.
Voici ce que j’ai trouvé, ce que c’est, ce qu’il fait et deux idées qui valent la peine d’être connues.
Qu’est-ce que la tokenomique de l’IA ?
Ce que j’aime dans cette définition, c’est qu’elle ne s’arrête pas au prix symbolique. D’après mon expérience, le prix par jeton est rarement le problème. Le problème est de savoir combien de jetons consomment tranquillement. Chaque invite que vous envoyez et chaque réponse que vous obtenez est divisée en jetons, et chacun coûte quelque chose. La tokenomique de l’IA signifie comprendre cette structure de coûts et la relier aux résultats commerciaux. En règle générale, un jeton comporte environ 4 caractères, soit 0,75 mot, en anglais.
La tokenomics de l’IA est la pratique de gestion de cette économie. Le slogan de la Fondation le résume bien : ne vous contentez pas de compter les jetons, tirez profit du coût total de l’IA. Cela signifie examiner la situation dans son ensemble, depuis la puissance et le matériel qui produisent les jetons jusqu’à la valeur commerciale qu’ils créent.
Une petite précision : cela n’a rien à voir avec la crypto. En crypto, « tokenomics » désigne l’offre et les incitations d’une pièce. Ici, cela signifie le coût et la valeur de l’exécution de l’IA.
Qui est derrière
La Tokenomics Foundation est un projet de la Linux Foundation lancé en août 2026. Elle travaille aux côtés de la FinOps Foundation, qui a fait le même travail pour les dépenses cloud. Les membres comprennent de grands acheteurs d’IA tels que des banques et des détaillants, ainsi que des fournisseurs de cloud et de modèles.
Il ne vend pas de produit ni n’expédie d’outil de suivi des coûts. Considérez-le comme un organisme de normalisation. Ses groupes de travail publient de manière ouverte et indépendante du fournisseur :
- Définitionsdonc tout le monde veut dire la même chose par entrée, sortie, raisonnement et jetons mis en cache
- Cadrescomme les deux décrits ci-dessous
- Normes pour les données de coûts, étendant principalement FOCUS, le format de facturation FinOps, afin que les fournisseurs d’IA déclarent leur utilisation de la même manière
- Des benchmarks, des formations et une certification pour les praticiens
La mesure proprement dite est effectuée par des outils disponibles sur le marché, comme les passerelles d’IA et les plateformes d’observabilité. Le travail de la Fondation est de s’assurer qu’ils parlent tous la même langue.
La pile à 7 couches : d’où viennent les coûts de l’IA
La pile est une carte de tout ce qui détermine le coût d’une réponse IA, de l’électricité en bas à la demande de l’utilisateur en haut. Sa valeur est simple : elle vous montre où à regarder avant de commencer à couper.
| Couche | Ce qu’il couvre |
| 6. Demande | Qui demande, pour quoi et quelle quantité de contexte ils envoient |
| 5. Accès et contrôle | La passerelle devant les modèles : routage, budgets, garde-corps |
| 4. Sélection du modèle | Quel modèle fonctionne et s’il est de la bonne taille pour le travail |
| 3. Inférence | Le logiciel au service du modèle, y compris la mise en cache et les boucles d’agent |
| 2. Gestion des infrastructures | Quelle part du matériel est réellement occupée à effectuer un travail utile |
| 1. Matériel | Les GPU et les centres de données qui transforment l’énergie en jetons |
| 0. Énergie | Le prix et la fourniture de l’électricité et du refroidissement |
J’ai rencontré cela dans mon propre laboratoire à domicile. Lorsque j’ai commencé à exécuter des agents localement, une seule question pouvait déclencher des appels de modèle (X) en coulisses. Je ne l’ai remarqué que parce que je regardais le GPU, pas la facture.
Les grosses économies proviennent généralement du milieu et du haut : utiliser un modèle plus petit pour des tâches simples, mettre en cache le travail répété et envoyer moins de contexte.
La pile à 7 couches et la notation Big-T : à quelle vitesse les coûts augmentent
Si vous avez étudié la programmation, vous connaissez la notation Big-O, une façon de décrire la lenteur du code à mesure que les données augmentent. Big-T est la même idée pour l’IA : il décrit la rapidité avec laquelle l’utilisation des jetons augmente à mesure que de plus en plus de personnes utilisent votre application.
Du moins cher au plus dangereux :
- T(1), constante : la réponse vient d’un cache, donc aucun modèle n’est appelé du tout
- T(n), linéaire : un appel de modèle par requête, la valeur par défaut saine
- T(n·k), multiplié : chaque requête déclenche silencieusement plusieurs appels de modèles
- T(n·k·a), multiplié par agent : les agents engendrent d’autres agents et les appels s’accumulent rapidement
- T(∞), non borné : une boucle sans sortie, qui continue jusqu’à ce que quelqu’un débranche la fiche
L’idée clé est que le multiplicateur est généralement invisible. Un utilisateur pose une question et, en coulisses, l’application passe cinq ou dix appels. Big-T donne aux équipes un moyen commun de détecter cela avant le projet de loi.
Pourquoi c’est important
Ce que je retiens : si vous construisez avec l’IA aujourd’hui, commencez par poser une question sur chaque flux de travail : combien d’appels de modèle une demande d’utilisateur déclenche-t-elle réellement ? Ce numéro unique vous en dit plus sur votre future facture que n’importe quelle liste de prix.
Ainsi, les prix des jetons continuent de baisser, mais les factures de l’IA continuent d’augmenter. Des jetons moins chers amènent les équipes à construire des systèmes plus grands : des conversations plus longues, plus de documents par question, des agents appelant des agents.
En résumé, la mission de la Fondation est de faire passer l’IA des « dépenses expérimentales » aux « opérations responsables ». À l’heure actuelle, la plupart des organisations ne parviennent pas à relier leurs dépenses en IA à un résultat accepté par leur directeur financier. La Fondation souhaite résoudre ce problème en créant des normes ouvertes, des références et un langage partagé, afin que vous puissiez mesurer, gérer et optimiser la valeur réelle de chaque jeton que vous consommez.
Il ne s’agit pas seulement de rendre l’IA moins chère. Il s’agit de faire en sorte que cela en vaille la peine.
Et si vous regardez une facture confuse en vous demandant où tout cela est passé, c’est un objectif qui mérite d’être soutenu.
