Comprendre ce qu'est un token, c'est comprendre pourquoi la facture IA peut surprendre.
Dans mon article précédent, je décrivais comment nous sommes passés de l'IA sauvage à une IA structurée. Structurer sans comprendre l'économie derrière, cela n'a pas beaucoup de sens, mais avant de parler de coût, il faut aussi comprendre la mécanique. Et cette mécanique ressemble beaucoup à quelque chose que vous connaissez déjà : l'électricité.

L'électricité : une analogie qui vaut mieux qu'une définition

Vous payez votre électricité en KwH. Ce n'est pas intuitif au départ — mais après quelques factures, vous savez qu'une ampoule LED coûte presque rien, qu'un climatiseur ou un chauffage électrique consomment beaucoup plus. Et une machine industrielle change complètement l'échelle de la dépense.

L'IA fonctionne selon une logique comparable. L'unité de consommation s'appelle le token , l'équivalent du kilowatt/heure. Et comme l'électricité, ce n'est pas l'unité qui pose problème. C'est ce que vous branchez dessus.

Avec l'IA, vous ne payez pas une page, un fichier ou une réponse. Vous payez ce que le modèle doit lire, comprendre, traiter et produire.

Ce que vous payez vraiment

Chaque échange avec une IA consomme des tokens dans deux directions.

D'abord, les tokens d'entrée : ce que vous envoyez au modèle. Votre question, vos consignes, vos documents, votre contexte, l'historique de conversation, les exemples fournis, parfois des fichiers entiers.

Ensuite, les tokens de sortie : ce que le modèle génère. Sa réponse, son analyse, son résumé, son article, sa reformulation. La sortie coûte généralement plusieurs fois plus cher que l'entrée.

Et dans certains modèles de raisonnement, il existe aussi des tokens internes : des étapes de réflexion invisibles pour l'utilisateur, mais qui peuvent être prises en compte dans la facturation. Ce que vous voyez à l'écran n'est pas toujours tout ce que le modèle a consommé pour produire la réponse.

L'utilisateur voit une réponse. Le système voit une consommation. Et l'entreprise reçoit une facture.

L'ampoule, le chauffe-eau, l'usine

Revenons à l'électricité — avec les vrais chiffres. Car l'analogie n'est pas seulement pédagogique : elle est littéralement vraie. Chaque token traité par un modèle d'IA consomme de l'électricité réelle, dans de vrais datacenters, sur de vrais GPU.

Une question simple à un chatbot, c'est l'ampoule. Les ordres de grandeur publics disponibles évoquent environ 0,3 à 0,34 Wh pour une requête textuelle simple — à prendre comme un ordre de grandeur, pas comme une vérité universelle. Il varie selon le modèle, la longueur de la question et le niveau de raisonnement demandé.

Mais pédagogiquement, il est utile. Une requête simple, à l'unité, ne représente presque rien.

Le problème commence quand on change de nature d'usage. Un modèle de raisonnement avancé peut consommer plusieurs dizaines de Wh pour des requêtes complexes. Et quand on passe à l'agent autonome, on change encore d'échelle : il lit un dossier, analyse plusieurs documents, exécute du code, corrige une erreur, relance une tâche — puis produit une synthèse. Ce n'est plus une ampoule. C'est une machine.

C'est pour cette raison que les fournisseurs ne peuvent plus maintenir un "abonnement illimité" dès que les usages deviennent agentiques. Ce n'est pas qu'une décision commerciale. C'est aussi une contrainte physique. Derrière chaque token, il y a un GPU, un datacenter, et une facture d'électricité.

L'open bar IA, c'est comme proposer l'électricité illimitée à prix fixe. Ça tient tant que les clients branchent des ampoules. Ça explose dès qu'ils branchent des usines."

Mon article : son process, son coût réel

Un article que j'écris ne sort jamais en une seule passe. Mon processus commence avant l'IA : j'écris d'abord une matière brute avec mes idées, mes angles, mes exemples. Ensuite viennent les recherches — lire des sources, vérifier des chiffres, comparer des études. Une partie de ce travail est assistée par l'IA. Puis vient l'écriture, avec ses réécritures successives.

Pour cet article sur les tokens, j'ai consulté six sources. Au total, environ 7 200 mots analysés. Voici ce que ça représente réellement, avec les hypothèses explicitées :

Ensuite vient l'écriture. Je construis un prompt de cadrage, l'IA produit une première version, puis je relis, corrige, challenge. Je retravaille facilement cinq ou six fois un article avant de le considérer publiable. Chaque étape renvoie le texte précédent, mes remarques, parfois des sources réinjectées.

Le cout estimé de cet article en tokens : 32 000 tokens. En énergie, cela correspond à peu près à une ampoule classique de 60 W allumée pendant 10 à 12 minutes.

Pourquoi le dirigeant doit comprendre les tokens

Un dirigeant n’a pas besoin de comprendre le fonctionnement d’un GPU. Mais il doit comprendre ce qu’il consomme. Pour un usage ponctuel, le sujet n’est pas dramatique, on l'a vu avec mon article. Ce n’est pas énorme.

Une question, un résumé, une reformulation ou un article isolé ne changent pas une facture d’entreprise. Mais c’est précisément là que se trouve le piège. Le problème commence quand on change d’échelle.

Quand dix, cinquante ou cent personnes utilisent l’IA chaque jour. Quand elle analyse des documents, génère du code, résume des réunions, produit des propositions commerciales, répond à des clients ou alimente des agents autonomes. À ce moment-là, on ne parle plus d’un assistant. On parle d’un système de production. Et dans un système de production, les tokens s’accumulent vite.

Prenons notre propre usine logicielle agentique.

Un projet de développement suit toujours de grandes étapes : analyser le besoin, concevoir la solution, développer, tester, documenter, puis mettre en production. Mais avec l’IA, chacune de ces étapes peut être découpée en une série de micro-tâches confiées à des agents spécialisés.

Dans notre cas, les étapes d’analyse, de développement, de qualité et de documentation mobilisent déjà 33 agents. Certains structurent le besoin. D’autres analysent les impacts techniques. D’autres assistent le développement, vérifient la qualité du code, contrôlent la cohérence fonctionnelle ou produisent la documentation.

On ne parle donc plus d’une simple question posée à un assistant IA. On parle d’un système de production où chaque étape du workflow active plusieurs agents, et où chaque agent consomme des tokens et là, on peut rapidement parler de millions de tokens.

Ce n’est donc pas l’usage individuel de l’IA qui pose problème. C’est son industrialisation sans pilotage.

Comprendre les tokens, c’est comprendre l’unité de mesure de cette consommation. C’est savoir que l’entrée coûte, que la sortie coûte davantage, que le raisonnement peut s’ajouter par-dessus, et qu’un processus complet consomme beaucoup plus que ce que la réponse finale laisse voir.

Ce n'est pas l'unité qui est dangereuse. C'est l'invisibilité de l'accumulation.

Le token n’est donc pas un détail technique. C’est la monnaie de l’IA. Et comme toute monnaie, il faut la comprendre avant de la dépenser.

Dans mon prochain article, je parlerai du vrai coût de l’IA : pourquoi la facture peut exploser quand l’usage devient industriel — et surtout comment la maîtriser.


Sources utilisées

-Sam Altman — consommation par requête ChatGPT, blog post 2025.
-Université de Rhode Island AI Lab — estimation de consommation de modèles de raisonnement, août 2025, citée par mayhemcode.com.
-EPRI — estimation de consommation d’une recherche Google, citée par bestbrokers.com.
-Epoch AI — “How much energy does ChatGPT use?”, février 2025.
-Anthropic — page de pricing API, juin 2026.
-NVIDIA — documentation pédagogique sur la tokenization.