Le token, nouvelle unité de l’économie de l’IA
Alors que l’électricité a alimenté l’ère industrielle et que la donnée a porté la révolution numérique, le token est en train de devenir la nouvelle unité de référence de l’économie de l’intelligence artificielle.
De la puissance de calcul aux agents autonomes, une chaîne de valeur complète prend forme autour de la production, de la consommation et de la facturation des tokens. Cette économie naissante, qui dépend de la quantité d’intelligence artificielle consommée, est actuellement accélérée par le développement des agents IA. Alors que les assistants intégrés aux smartphones exécutent généralement des tâches prédéfinies, les agents plus ouverts permettent de personnaliser des processus, d’enchaîner des actions et d’interagir avec plusieurs services, ce qui a pour effet de dynamiser la consommation de tokens. Décryptage avec Lucienne Liu, Manager de l’écosystème chinois Orange, et Paul Delbouve, économiste spécialiste de l’IA.
Le token offre une unité de comptabilisation reliant plusieurs maillons de la chaîne industrielle de l’IA
Lucienne Liu
Du langage à la valeur : qu’est-ce qu’un token ?
Pour comprendre la token economy, il faut d’abord revenir au fonctionnement des grands modèles de langage (Large Language Models, ou LLM). Ces systèmes ne traitent pas directement les mots tels que nous les lisons. Ils découpent les informations en unités élémentaires appelées tokens. Selon le modèle utilisé, un token peut correspondre à un mot, une partie de mot, un signe de ponctuation ou une séquence de caractères.
Cette segmentation, appelée tokenisation, permet de transformer le langage en représentations numériques exploitables par les modèles. Les travaux de Sennrich, Haddow et Birch, publiés en 2016, ont notamment montré l’intérêt de la segmentation en sous-mots pour le traitement automatique des langues.
Ainsi, chaque interaction avec une IA générative mobilise des tokens : ceux de la requête transmise au modèle (input) et ceux de sa réponse (output). Dans les systèmes multimodaux, des mécanismes de représentation et de comptabilisation permettent également de traiter des images, des sons ou des vidéos, avec des modalités variables selon les architectures.
Le changement majeur intervient lorsque cette unité technique devient une unité de facturation. De la sorte, les fournisseurs de modèles peuvent commercialiser leurs capacités d’IA en fonction des volumes de tokens traités, généralement avec des tarifs distincts pour l’entrée et la sortie. Le token acquiert alors une double dimension : il représente une unité de traitement de l’information, mais aussi une unité permettant de mesurer et de facturer une partie de l’activité des modèles.
Pour Lucienne Liu, cette évolution est significative car « contrairement à la donnée, dont la valeur dépend fortement de son contexte d’utilisation, le token offre une unité de comptabilisation reliant plusieurs maillons de la chaîne industrielle de l’IA ». Il ne constitue toutefois ni une monnaie universelle, ni une mesure directe de l’intelligence produite. Sa valeur économique dépend du modèle, de la tâche réalisée et des conditions d’utilisation.
Comment fonctionne la token economy ?
La token economy, ou économie des tokens IA, désigne l’écosystème économique dans lequel la production et l’utilisation des capacités d’intelligence artificielle sont mesurées, tarifées, distribuées ou optimisées à partir des tokens. Son fonctionnement repose sur une chaîne de valeur qui s’étend des infrastructures physiques jusqu’aux applications finales.
En amont se trouvent l’électricité, les centres de données, les semi-conducteurs et les ressources de calcul nécessaires à l’entraînement et à l’exécution des modèles, puis les fournisseurs de modèles, les plateformes cloud et les intermédiaires qui donnent accès aux capacités d’IA, notamment au moyen d’interfaces de programmation appelées API (Application Programming Interface).
En aval, les entreprises et les développeurs intègrent ces capacités dans des logiciels, des assistants et des agents IA destinés aux utilisateurs.
À chaque étape correspondent des coûts et des possibilités de création de valeur. Le prix payé pour un million de tokens peut ainsi intégrer, directement ou indirectement, les dépenses d’infrastructure, d’énergie, de développement, d’exploitation et les marges des différents fournisseurs.
Cette logique transforme progressivement l’IA en un service consommable à la demande, comparable dans son principe économique au cloud computing, avec une tarification qui dépend des volumes de tokens, des besoins des utilisateurs et du degré de personnalisation des services, et des formules associant abonnements, quotas et facturation variable.
Pour autant, et contrairement à ce que l’on pourrait penser, tous les tokens ne se valent pas. Paul Delbouve précise : « Leur coût dépend de la sophistication du modèle, du type de traitement et du niveau de performance recherché. »
Quatre modèles économiques pour monétiser les tokens
L’observation de l’écosystème chinois permet à Lucienne Liu de distinguer quatre grandes approches de commercialisation, qui pourraient être appliquées en France et en Europe.
- La vente de tokens à l’usage
Les fournisseurs de modèles et les plateformes cloud commercialisent une capacité de traitement accessible par API. Les entreprises paient selon leur consommation, parfois avec des remises de volume, des engagements de capacité ou des garanties de débit.
Ce modèle rend les dépenses directement liées à l’activité, mais peut compliquer leur prévision lorsque les usages augmentent rapidement.
- Les tokens intégrés dans un abonnement
Dans ce modèle, la consommation de tokens est invisible pour l’utilisateur final. Elle est absorbée dans le prix d’un logiciel ou d’un service : génération de textes, retouche d’images, traduction ou assistance professionnelle.
L’entreprise commercialise une fonctionnalité plutôt qu’une quantité de calcul. Elle doit néanmoins maîtriser ses coûts internes pour préserver sa rentabilité.
- La facturation au résultat
Avec les agents IA, une nouvelle logique se développe : rémunérer une tâche accomplie plutôt qu’un volume de tokens consommés.
Un agent capable de rechercher un produit, de comparer des offres ou de réaliser une réservation peut effectuer plusieurs opérations successives. Le client achète alors un service ou un résultat, tandis que les tokens restent une composante du coût de production.
Ce modèle pose néanmoins la question de la définition du résultat attendu et de la responsabilité en cas d’échec.
- Les tokens comme infrastructure de services
Enfin, des plateformes proposent des outils d’orchestration permettant de sélectionner différents modèles, de répartir les requêtes et d’optimiser les consommations.
La valeur ne repose plus seulement sur la fourniture de tokens, mais aussi sur la capacité à utiliser le modèle le plus adapté à chaque besoin.
Quels enjeux pour les entreprises et les opérateurs télécoms ?
Pour les entreprises, l’un des premiers enjeux consiste à maîtriser le coût réel de l’IA. Une application utilisée à grande échelle peut générer des millions de requêtes, avec des dépenses de calcul qui augmentent rapidement.
L’optimisation passe alors par plusieurs leviers : choisir des modèles proportionnés aux tâches, limiter les traitements inutiles, réutiliser certains résultats ou orienter les requêtes vers différentes infrastructures. Les opérateurs télécoms disposent, dans ce contexte, d’atouts spécifiques. Comme l’explique Lucienne Liu, ils peuvent notamment « valoriser leurs réseaux, leurs infrastructures d’Edge Computing, leur capacité de distribution et leur connaissance des exigences réglementaires. »
L’Edge Computing présente notamment un intérêt pour certains usages nécessitant une faible latence ou un traitement local des informations sensibles.
Les opérateurs pourraient également jouer un rôle d’orchestrateurs, en facilitant l’accès à différents modèles et en garantissant une qualité de service adaptée aux usages.
Ces perspectives ne signifient pas que les tokens remplaceront les forfaits de données, mais que des offres complémentaires, à l’intersection de la connectivité, du cloud et de l’intelligence artificielle, pourraient apparaître.
En Chine, cette convergence entre télécommunications et intelligence artificielle a commencé à se concrétiser. En mai 2026, plusieurs grands opérateurs ont lancé des offres commerciales intégrant des quotas de tokens IA, parfois associés à des services de connectivité, de cloud ou de cybersécurité.
Vers une économie de l’intelligence utile ?
Sans devenir un indicateur économique comparable à la consommation électrique ou au trafic de données, la consommation de tokens renseigne sur l’intensité d’utilisation de l’intelligence artificielle au sein d’une entreprise, d’un secteur ou d’un territoire.
De ce fait, la facturation par token pourrait être standardisée, à l’avenir, dans les échanges entre fournisseurs et intégrateurs d’IA, tandis que les utilisateurs finaux continueraient majoritairement d’acheter des abonnements ou des fonctionnalités.
La token economy ne constituerait alors pas nécessairement une économie autonome, mais une couche de mesure et de facturation essentielle à la diffusion de l’intelligence artificielle.
Lexique
Token : Unité élémentaire utilisée pour représenter et traiter des informations dans un modèle d’IA.
Tokenisation : Opération consistant à découper une entrée en unités exploitables par un modèle.
Token economy : Organisation économique fondée sur la mesure, la tarification et l’optimisation de l’utilisation des capacités d’IA à travers les tokens.
LLM (Large Language Model) : Grand modèle de langage entraîné pour traiter et générer du contenu linguistique.
API : Interface permettant à des applications d’accéder aux fonctionnalités d’un logiciel ou d’un modèle d’IA.
Agent IA : Système capable d’organiser des actions et d’utiliser des outils pour poursuivre un objectif donné, avec un niveau d’autonomie variable.
Edge Computing : Traitement des données à proximité de leur lieu de production ou d’utilisation, plutôt que systématiquement dans un cloud distant.
Nous les citons
Lucienne Liu
Manager de l’écosystème chinois, Orange. Professionnelle du secteur des télécommunications, elle participe aux activités d’Orange en Chine en occupant le poste de Head of Connected Objects and Innovation. Elle est partie prenante des échanges professionnels entre Orange et ses partenaires technologiques chinois, notamment les opérateurs chinois, les fournisseurs de devices et les hyperscalers.
Paul Delbouve
Économiste et chercheur français diplômé de l’École des Mines de Paris. Il est spécialisé dans les mathématiques, les sciences des données et l’économie. Ses recherches portent principalement sur l’intelligence artificielle et ses effets sur l’économie. Il étudie notamment l’adoption de l’IA par les entreprises françaises et son influence sur l’emploi.
FAQ
Un token IA est une unité technique de traitement et de comptabilisation utilisée par les modèles d’intelligence artificielle. Un token de cryptomonnaie est un actif numérique enregistré sur une blockchain. Malgré leur nom commun, ils remplissent des fonctions très différentes. La token economy présentée ici concerne les tokens de l’IA, et non la tokenisation d’actifs financiers.
Les fournisseurs facturent généralement les tokens par lots, souvent exprimés en millions d’unités. Le prix dépend du modèle, de la nature des tokens (entrée ou sortie), du volume traité et parfois des options de traitement. Le coût complet d’une application comprend également les infrastructures, les outils et les opérations associés.
C’est peu probable. Un forfait de données mesure un volume d’informations transportées sur le réseau. Un forfait de tokens donnerait accès à une capacité de traitement par l’IA. Ces deux services sont complémentaires et pourraient être associés dans de futures offres télécoms.
Un agent peut effectuer plusieurs appels successifs aux modèles pour comprendre une demande, organiser ses actions, utiliser des outils et vérifier ses résultats. Cette succession d’opérations peut augmenter fortement la consommation. Le volume final dépend néanmoins de l’architecture de l’agent et de l’efficacité de son fonctionnement.
Pas nécessairement. La consommation mesure surtout une intensité d’usage. Pour évaluer la maturité de l’IA, il faut également considérer les performances, la productivité, la qualité des résultats, les coûts, l’accessibilité et la capacité d’innovation.
