La réponse courte
L'IA agentique a brisé le modèle de budget par siège. Uber a épuisé la totalité de son budget IA 2026 en environ quatre mois après avoir déployé Claude Code auprès d'environ 5 000 ingénieurs, et le 2 juillet 2026 Anthropic a répondu avec de nouveaux outils d'analyse et de contrôle des coûts pour Claude Enterprise — des tableaux de bord qui montrent le coût par équipe et par utilisateur, des alertes de seuil de dépense, des droits par modèle et une API Analytics. La leçon n'est pas qu'un outil est cher. C'est que les agents autonomes facturent des tokens, en consomment à une échelle que le chat n'a jamais atteinte, et rendent les anciennes prévisions financières peu fiables.
Le remède n'est ni un modèle moins cher ni un budget plus gros. C'est de traiter les dépenses d'IA agentique comme une discipline de gouvernance et d'ingénierie — plafonds, attribution, routage de modèles et limites d'effort mis en place avant que les agents ne scalent, pas après l'arrivée de la facture.
Que s'est-il réellement passé ?
Deux événements, à quelques jours d'intervalle, racontent la même histoire par des bouts opposés. D'abord le choc de demande : Uber a déployé Claude Code d'Anthropic auprès de son organisation d'ingénierie en décembre 2025, l'adoption est passée d'environ un tiers des ingénieurs en février à près de 84 % classés comme utilisateurs de codage agentique en mars, et en avril l'entreprise avait dépensé la totalité de son budget IA 2026 — quatre mois après le début de l'année. Uber a plafonné l'usage des outils d'IA par ses employés le 2 juin 2026, une décision couverte par Bloomberg, TechCrunch, Forbes et Fortune. Le coût moyen s'établissait autour de 150–250 dollars par ingénieur et par mois, mais les utilisateurs intensifs orchestrant des agents en parallèle atteignaient 500–2 000 dollars, et le directeur technique d'Uber a décrit avoir dépensé environ 1 200 dollars en une seule session de deux heures.
Puis la réponse du côté de l'offre. Le 2 juillet 2026, Anthropic a publié de nouveaux outils d'analyse et de contrôle des coûts pour Claude Enterprise visant précisément ce problème : un tableau de bord admin qui montre l'usage et le coût par groupe et par utilisateur, des alertes de seuil de dépense qui se déclenchent à 75 % et 90 % d'une limite, des modèles par défaut et des droits qui définissent avec quel modèle les conversations démarrent, une visibilité des dépenses par utilisateur, et une API Analytics qui exporte vers des outils d'observabilité comme Datadog et CloudZero. Quand l'éditeur livre une gouvernance des dépenses dans le même cycle d'actualité qu'un client phare plafonne publiquement l'usage, le marché vous dit où se trouve la douleur. Si vous montez du développement d'agents IA en production, la gouvernance des coûts fait désormais partie de la construction, pas d'une réflexion après coup.
Pourquoi les factures agentiques se comportent-elles si différemment ?
La cause profonde est une inadéquation du modèle de tarification. Le SaaS traditionnel est facturé par siège : prévisible, linéaire, facile à prévoir. L'IA agentique est facturée au token, et un agent autonome consomme des tokens sur une courbe complètement différente. Une étude de GitHub publiée en mai 2026 a constaté qu'une tâche de codage agentique peut utiliser de l'ordre de 1 000 fois plus de tokens qu'une requête standard en un seul tour, parce que l'agent aspire un large contexte, appelle des outils, raisonne sur plusieurs étapes et peut continuer à tourner longtemps après qu'une personne a détourné le regard. Un ingénieur qui accepte des suggestions d'autocomplétion et un ingénieur qui orchestre des agents en parallèle sur un monorepo se situent aux extrémités opposées d'une plage de 1 000× tout en occupant la même ligne dans un tableur par siège.
Uber a aggravé la dynamique en classant les ingénieurs sur des classements internes selon l'usage de Claude Code — transformant la consommation de tokens en jeu de statut. C'est une mise en garde sur les incitations, pas seulement sur l'outillage : récompensez les gens pour brûler des tokens et ils le feront. Le point plus profond est que la dépense d'agents est variable, pilotée par la charge de travail et souvent invisible jusqu'à ce qu'elle soit mesurée. C'est exactement la discipline que les équipes IA, ML & données doivent intégrer dès le premier jour — instrumenter où vont les tokens, par équipe, par projet et par agent, pour que le coût soit un signal d'ingénierie visible plutôt qu'une surprise de fin de trimestre.
Est-ce juste un problème Uber ?
Non — Uber n'est que le point de données le plus public. Le State of FinOps 2026 de la FinOps Foundation a rapporté qu'une majorité d'entreprises ont vu leurs coûts d'IA dépasser leurs projections initiales, et que la responsabilité de la gestion des dépenses d'IA s'est étendue d'environ un tiers des praticiens FinOps en 2025 à la quasi-totalité en 2026. Le SaaS Management Index 2026 de Zylo a constaté que la plupart des responsables IT ont subi des frais inattendus liés à la tarification IA à la consommation. Axios a rapporté le cas d'une entreprise ayant dépensé un demi-milliard de dollars en un seul mois après avoir distribué des accès IA sans aucun plafond d'usage. Et en juin 2026, le PDG d'OpenAI a déclaré à CNBC que le coût était passé d'un sujet qui ne venait presque jamais sur la table à la deuxième préoccupation la plus fréquente de ses clients.
Les chiffres prospectifs sont tout aussi tranchants. Les perspectives 2026 de Gartner avertissent qu'une part importante des projets d'IA agentique sera annulée d'ici 2027 pour cause de dépassements de coûts seuls — pas d'échec technique, pas de manque de valeur, mais des factures qui ont dépassé l'analyse de rentabilité. Quand quatre signaux différents — un client phare, un lancement produit d'éditeur, une enquête sectorielle et une prévision d'analyste — convergent sur le même problème en quelques semaines, c'est un basculement structurel, pas un cas isolé.
Ce que cela signifie pour les équipes logicielles US & UE
Ôtez les gros titres et il reste trois implications. La première est une correction de prévision : tout budget qui modélise l'IA agentique comme du SaaS par siège est déjà faux. Le coût doit être modélisé sur les tokens et les charges de travail, avec une large fourchette de variance et un plafond ferme, car l'écart entre un utilisateur léger et un utilisateur intensif n'est pas de 3× — il peut atteindre trois ordres de grandeur. La finance et l'ingénierie ont besoin d'une vue partagée de cette courbe avant que les agents ne scalent, pas après.
La deuxième est que la gouvernance est désormais une fonctionnalité d'ingénierie, pas une case à cocher d'achat. Les contrôles qu'Anthropic vient de livrer — plafonds, alertes de seuil, droits par modèle, attribution des coûts, une API Analytics — sont les mêmes primitives que les équipes cloud ont bâties au cours d'une décennie de FinOps. Les équipes qui traitent la dépense d'agents comme une préoccupation d'ingénierie de premier ordre, avec attribution par projet et par agent et des modèles moins chers routés vers le travail de routine, feront tourner des agents à grande échelle de façon abordable. Les équipes qui greffent des contrôles après le premier choc passeront le trimestre suivant en gestion de crise. Pour les secteurs réglementés, cela se cumule : dans une FinTech ou une entreprise de santé, un accès agent non contrôlé n'est pas seulement un risque budgétaire mais aussi un risque de gouvernance des données, car chaque appel autonome touche des systèmes dont le RGPD et les règles sectorielles vous tiennent responsable.
La troisième est une leçon build-versus-scale. Vous n'avez pas besoin de l'empreinte de 5 000 ingénieurs d'Uber pour heurter ce mur ; une équipe de taille moyenne qui donne à cinquante ingénieurs un accès agent non gouverné peut cramer un budget trimestriel tout aussi vite, proportionnellement. L'avantage va désormais aux équipes qui pilotent avec les garde-fous activés dès le premier jour — plafonds, limites d'effort, attribution — et ne scalent qu'ensuite, plutôt que de scaler d'abord et d'instrumenter après la facture.
Que faire ce trimestre
Voici la version livrable. Traitez l'épisode Uber et la réponse d'Anthropic comme une confirmation du marché, puis mettez les garde-fous en place avant de scaler.
- Plafonnez et alertez à chaque niveau. Fixez des plafonds de dépenses au niveau de l'organisation, de l'équipe et de l'utilisateur, et activez des alertes de seuil (75 % / 90 %) pour que les dépassements remontent en temps réel, pas en fin de mois.
- Attribuez le coût par équipe, projet et agent. Instrumentez la dépense de tokens pour voir exactement où elle va. Vous ne pouvez pas gouverner ce que vous ne pouvez pas attribuer ; câblez le coût des agents dans la stack d'observabilité que vous exploitez déjà.
- Routez les modèles selon la tâche. Envoyez le travail de routine à faible enjeu vers des modèles moins chers et réservez les modèles premium aux problèmes véritablement difficiles. Les droits par modèle et les contrôles d'effort sont désormais des leviers standard — utilisez-les.
- Supprimez les incitations perverses. Ne classez pas les gens selon l'usage et ne récompensez pas le fait de brûler des tokens. Mesurez les résultats livrés, pas les tokens consommés.
- Modélisez la variance, pas la moyenne. Budgétez pour une large fourchette entre utilisateurs légers et intensifs, avec un plafond ferme, au lieu d'un chiffre unique par siège.
- Pilotez avec des garde-fous, puis scalez. Prouvez la courbe de coûts sur un pilote délimité avec plafonds et attribution actifs dès le premier jour, et n'élargissez qu'une fois que les chiffres se comportent bien.
Rien de tout cela n'est un conseil en investissement ou juridique, et vos obligations exactes dépendent de vos données, de votre secteur et de votre juridiction. Mais le signal stratégique est difficile à manquer : l'industrie de l'IA vient de passer un cycle d'actualité à admettre que la dépense d'agents est le nouveau problème difficile. L'avantage va aux équipes qui traitent le coût comme une discipline d'ingénierie — instrumenté, plafonné et attribué — pendant qu'elles scalent, pas après l'arrivée de la facture.
Questions fréquentes
Pourquoi les factures d'IA agentique sont-elles bien plus élevées que prévu ?
Parce que les agents facturent des tokens, pas des sièges, et en consomment à une échelle que les outils de chat n'ont jamais atteinte. Une étude de GitHub de mai 2026 a montré qu'une tâche de codage agentique peut utiliser de l'ordre de 1 000 fois plus de tokens qu'une requête en un seul tour. Chez Uber, le coût moyen était de 150–250 dollars par ingénieur et par mois, tandis que les utilisateurs intensifs atteignaient 500–2 000 dollars et que le directeur technique a rapporté avoir dépensé environ 1 200 dollars en une seule session de deux heures. Un budget par siège ne peut pas prédire cet écart.
Qu'a annoncé Anthropic pour Claude Enterprise le 2 juillet 2026 ?
De nouveaux outils d'analyse et de contrôle des coûts : un tableau de bord montrant l'usage et le coût par groupe et par utilisateur, des métriques Claude Code et une API Analytics qui exporte vers des outils comme Datadog et CloudZero ; plus des modèles par défaut et des droits, des alertes de seuil de dépense à 75 % et 90 %, une visibilité des dépenses par utilisateur et une API Admin, en s'appuyant sur les plafonds de dépenses et les contrôles d'effort existants.
La dérive des dépenses d'IA agentique est-elle propre à Claude ou de toute l'industrie ?
De toute l'industrie. Le State of FinOps 2026 a constaté que la plupart des entreprises ont dépassé leurs projections de coûts d'IA, et la responsabilité FinOps des dépenses d'IA est passée d'environ un tiers des praticiens à la quasi-totalité en un an. En juin 2026, le PDG d'OpenAI a déclaré à CNBC que le coût était devenu la deuxième préoccupation la plus fréquente qu'il entend, et Gartner avertit qu'une grande part des projets d'IA agentique sera annulée d'ici 2027 pour cause de dépassements de coûts.
Une tarification par token moins chère ne règle-t-elle pas cela ?
Non. Les prix par token ont fortement baissé — les analyses sectorielles estiment le coût mixte des modèles de pointe en recul d'environ deux tiers d'une année sur l'autre — mais l'adoption et les tokens par tâche croissent plus vite que les prix unitaires ne baissent, si bien que les factures totales continuent de grimper. C'est la gouvernance, et non l'attente de modèles moins chers, qui maintient l'IA agentique abordable à grande échelle.
Comment une équipe doit-elle contrôler les dépenses d'IA agentique avant de scaler ?
Traitez cela comme une discipline FinOps et d'ingénierie : activez des plafonds de dépenses et des alertes de seuil au niveau org, équipe et utilisateur ; attribuez le coût par équipe, projet et agent ; routez les modèles moins chers vers le travail de routine et réservez les modèles premium aux tâches difficiles ; fixez des limites d'effort et de contexte ; et évitez les incitations qui récompensent le fait de brûler des tokens. Construisez les garde-fous avant de scaler, pas après l'arrivée de la facture.
Sources
Anthropic — New analytics and cost controls for Claude Enterprise (source primaire, 2 juillet 2026)
Bloomberg — Uber caps usage of AI tools like Claude Code to cut costs
TechCrunch — Uber caps employee AI spending after blowing through budget in four months
Forbes — Uber burns its 2026 AI budget in four months on Claude Code
Fortune — Uber's COO questions whether the AI spend is worth it