IA et « tokenmaxxing » : pourquoi les géants du numérique gaspillent la puissance malgré les pénuries

La course à l’IA générative se heurte à une contradiction de plus en plus visible, les acteurs les mieux dotés en capitaux et en infrastructures cherchent à produire davantage de tokens par requête, tout en dénonçant une pénurie de GPU et de capacité de calcul. Cette logique, décrite dans la presse coréenne comme un « tokenmaxxing », renvoie à une optimisation orientée volume, plus de texte généré, plus d’images, plus de vidéo, plus d’appels d’API, alors même que l’écosystème parle de contraintes matérielles, de délais d’approvisionnement et de files d’attente sur les centres de données.

Le paradoxe n’est pas seulement technique. Il touche le modèle économique des plateformes, la facture énergétique, la qualité des réponses, et la répartition des ressources entre grands groupes, start-up, universités et services publics. Derrière un terme un peu provocateur, se dessine une question centrale pour 2026, comment arbitrer entre croissance d’usage et sobriété, quand les infrastructures restent limitées et coûteuses.

OpenAI, Google et Anthropic rallongent les réponses pour doper l’usage

Dans les produits grand public, une tendance se confirme, les assistants d’OpenAI, de Google et d’Anthropic sont souvent encouragés à répondre plus longuement, à détailler, à proposer des listes, des plans, des variantes. Ce choix n’est pas uniquement dicté par la pédagogie. Dans un modèle où la facturation interne et l’évaluation de l’engagement reposent sur des métriques d’usage, le volume de tokens devient un indicateur clé, et parfois un moteur de revenus, notamment via les API facturées à l’unité de texte traité.

Cette dynamique se retrouve aussi dans les fonctions « raisonnement », les modes d’analyse plus poussés et les outils agentiques, qui multiplient les étapes invisibles pour l’utilisateur, brouillons, vérifications, appels d’outils, itérations. Même lorsque l’interface ne montre qu’une réponse finale, la dépense de calcul peut augmenter. Pour les entreprises, cela améliore parfois la robustesse, mais cela peut aussi alimenter un phénomène de surproduction, du texte pertinent mélangé à du remplissage, avec un coût réel sur l’infrastructure.

Les plateformes ont aussi des incitations produit. Une réponse longue retient l’attention, donne l’impression de complétude et réduit la probabilité qu’un utilisateur relance une question. Dans le support client, l’éducation ou la bureautique, cela peut être utile. Mais dans des usages rapides, recherche locale, comparaison de prix, instructions courtes, une réponse condensée serait plus efficace. L’optimisation « plus long égale mieux » finit par créer une norme, et la norme augmente la consommation globale.

Un responsable d’une société de services cloud, interrogé sous couvert d’anonymat, résume un arbitrage fréquent, « on nous demande de réduire la latence et le coût, mais aussi de livrer des réponses plus riches, ce sont deux objectifs qui se contredisent quand la demande explose ». Le résultat est une tension permanente entre expérience utilisateur, coûts unitaires et capacité disponible.

Cette logique de volume s’observe aussi dans les contenus multimodaux. Générer une image, puis la décliner en variations, puis l’animer en vidéo courte, multiplie les appels et les calculs. Les produits se vendent comme des gains de productivité, mais l’arrière-plan industriel est une consommation accrue de calcul, donc de matériel et d’électricité.

Nvidia H100 et Blackwell sous tension, la pénurie de GPU structure le marché

Le discours sur la pénurie s’appuie sur des réalités industrielles. Les accélérateurs les plus demandés, comme les Nvidia H100 et les premières vagues de Blackwell, sont réservés longtemps à l’avance, avec des priorités de livraison pour les plus gros acheteurs. Les fournisseurs de cloud arbitrent entre leurs propres besoins internes, l’entraînement de modèles, et la location à des clients externes. Cette rareté se traduit par des prix élevés, des contrats pluriannuels et des capacités allouées par quotas.

Le goulot d’étranglement ne se limite pas aux puces. Il concerne aussi la mémoire haute performance, les interconnexions réseau, les racks, les alimentations, et parfois le foncier des centres de données. Dans plusieurs régions, la connexion électrique devient un facteur limitant, avec des délais pour obtenir de nouvelles puissances ou renforcer des postes. Cette contrainte se répercute sur les calendriers de déploiement, et renforce la valeur stratégique des sites déjà opérationnels.

Dans ce contexte, « gaspiller » du calcul en produisant des réponses inutilement longues n’est pas une simple question de style. C’est un choix d’allocation. Chaque requête plus gourmande réduit mécaniquement le nombre de requêtes servies à capacité constante, ou impose d’acheter plus de GPU. Pour les acteurs dominants, l’achat est possible. Pour des laboratoires, des PME ou des médias, l’accès devient plus difficile, car les prix et les files d’attente montent.

Les entreprises répliquent avec des stratégies d’optimisation, quantification des modèles, distillation, cache, routage vers des modèles plus petits. Mais ces gains sont partiellement absorbés par l’augmentation de la demande, et par l’arrivée de nouvelles fonctionnalités plus coûteuses. Le marché se retrouve pris dans un effet rebond, chaque amélioration d’efficacité stimule de nouveaux usages qui consomment à leur tour la capacité libérée.

La situation alimente aussi une concurrence géopolitique. Les chaînes d’approvisionnement, les restrictions à l’export, et les investissements massifs dans des « AI factories » redessinent les rapports de force. Les pénuries deviennent un argument pour sécuriser des budgets, signer des partenariats et verrouiller l’accès aux meilleurs composants.

Coûts, énergie et eau, l’addition cachée des tokens dans les centres de données

Chaque token a un coût marginal, faible à l’unité, mais massif à l’échelle. Quand des millions d’utilisateurs sollicitent des modèles, la facture se traduit en électricité, en amortissement de centres de données et en heures GPU. La consommation dépend du modèle, de la longueur de contexte, du nombre de requêtes, et des mécanismes internes. Une réponse deux fois plus longue ne coûte pas toujours deux fois plus, mais elle augmente la charge, surtout si elle s’accompagne d’étapes de raisonnement ou d’outils externes.

Le refroidissement ajoute une dimension matérielle. Dans certains sites, l’usage d’eau pour le refroidissement, direct ou indirect, devient un sujet local sensible, notamment en période de sécheresse. Les exploitants mettent en avant des circuits fermés et des améliorations d’efficacité, mais les volumes absolus peuvent augmenter avec la croissance des capacités. Les collectivités, elles, demandent des garanties, des compensations, ou des limites d’usage.

Pour les entreprises clientes, le coût se répercute via les prix des API et des abonnements. Quand un assistant produit des réponses plus longues, l’utilisateur peut y gagner en confort, mais le fournisseur paie plus en calcul. Les plateformes ont donc intérêt à orienter les usages vers des formats qui maximisent la valeur perçue. Ce mécanisme explique pourquoi le « tokenmaxxing » peut apparaître rationnel du point de vue commercial, même si l’infrastructure est sous tension.

Une autre conséquence concerne la transparence. Le grand public voit un texte, pas le nombre d’opérations nécessaires. Les entreprises communiquent sur des gains de productivité, mais peu sur les coûts énergétiques par fonctionnalité. Or, la comparaison entre « réponse courte » et « réponse longue avec raisonnement » pourrait devenir un critère de choix, comme l’autonomie d’un smartphone ou la consommation d’un véhicule.

Des régulateurs et des ONG poussent à des indicateurs standardisés, efficacité énergétique, intensité carbone par requête, taux d’utilisation des GPU. Les acteurs du secteur redoutent des comparaisons simplistes, car les usages varient fortement. Mais la pression monte, car les infrastructures d’IA deviennent visibles dans les bilans carbone et dans les débats d’aménagement du territoire.

Qualité de l’information, le risque d’un remplissage coûteux dans les réponses

La longueur n’est pas synonyme de qualité. Dans l’actualité, la santé ou le droit, une réponse trop longue peut diluer l’essentiel, introduire des approximations et augmenter le risque d’erreurs. Le « tokenmaxxing » peut alors se traduire par un remplissage, des répétitions, des précautions verbales, et des listes génériques. Le coût de calcul augmente, mais la valeur informative n’augmente pas au même rythme.

Les éditeurs de modèles tentent de corriger le tir avec des consignes de concision, des réglages de style et des évaluations centrées sur l’utilité. Mais une tension subsiste entre la démonstration de capacités, détailler, argumenter, et la réponse opérationnelle, aller droit au but. Dans les entreprises, cette tension se gère par des politiques internes, par exemple limiter la longueur maximale, imposer un format, ou router certaines questions vers des modèles plus petits.

Dans les moteurs de recherche intégrant l’IA, la question est encore plus sensible. Une réponse synthétique peut réduire les clics vers les sources, ce qui fragilise les médias. Une réponse longue peut, elle, occuper l’écran tout en restant floue sur l’origine des informations. Les plateformes avancent des solutions, citations, liens, encadrés, mais les modalités changent vite, et les éditeurs dénoncent une captation de valeur.

Pour l’utilisateur, la surcharge de texte peut aussi compliquer la vérification. Plus il y a de phrases, plus il y a de points potentiellement faux. Dans un contexte de désinformation, la sobriété peut devenir une vertu, dire moins, mais mieux, avec des références et des limites clairement affichées. Cette approche suppose de renoncer à une partie du spectacle technologique, et de privilégier des réponses calibrées.

Les entreprises qui vendent des outils d’IA à des professionnels commencent à intégrer des métriques de « densité d’information », le rapport entre éléments vérifiables et volume total. Si ces métriques se généralisent, elles pourraient réduire l’intérêt économique d’une surproduction de tokens, et réorienter l’optimisation vers la pertinence.