Les données de Ramp montrent que les dépenses d’IA par employé ont baissé en août chez les grandes entreprises

L’adoption de l’IA dans les entreprises a presque stagné en août, tandis que les sociétés qui utilisaient le plus l’IA ont fortement réduit leurs dépenses par employé, selon des données de paiement de Ramp. Ces chiffres soulèvent une question plus importante que celle de savoir si les employés étaient en congé pour l’été : la baisse des prix et des modèles moins chers commencent-elles à freiner la croissance des revenus des fournisseurs de modèles et des entreprises cloud qui financent la construction actuelle de l’IA ?

L’analyse de Ramp couvre les dépenses d’environ 70 000 entreprises. Elle a constaté que 56 % de ses clients ont payé des produits d’IA en août, soit seulement 0,4 point de pourcentage de plus qu’en juillet. Parmi les 1 % d’entreprises utilisant le plus l’IA dans l’échantillon, les dépenses en IA par employé ont baissé de près de 10 % pour atteindre 7 205 dollars.

Ces chiffres ne démontrent pas que la demande d’IA des entreprises s’est durablement affaiblie. Août est un mois marqué par les vacances, et la clientèle de Ramp est plus orientée technologie que la population des entreprises dans son ensemble. Mais ces données offrent l’un des rares aperçus directs des dépenses des sociétés et mettent en lumière une tension au cœur du marché : l’usage de l’IA peut continuer à croître tandis que le montant payé pour chaque unité d’usage diminue.

Les données de Ramp pointent vers une pause, pas vers un verdict

Ramp avait déjà observé un schéma saisonnier similaire. Son indice IA avait montré peu ou pas de croissance de l’adoption entre août et octobre l’an dernier, avant que l’activité n’accélère vers la fin de l’année. Cet historique renforce l’hypothèse selon laquelle le récent ralentissement est temporaire.

L’échantillon doit aussi être interprété avec prudence. Les clients de Ramp sont probablement plus enclins que l’entreprise moyenne à acheter des logiciels et des produits d’IA. Une enquête en cours du U.S. Census Bureau, mise à jour le 23 août, a révélé que 22 % des entreprises déclaraient utiliser l’IA, un niveau bien inférieur au chiffre de 56 % de Ramp. Les deux mesures ne sont pas directement comparables, mais l’écart montre pourquoi les chiffres de Ramp doivent être considérés comme un signal provenant d’un segment fortement axé sur les logiciels plutôt que comme une mesure complète de l’économie.

Même avec ces limites, l’ensemble de données est important, car le comportement de dépense peut révéler des changements que les enquêtes sur les produits ne détectent pas. Si les entreprises continuent d’expérimenter avec l’IA mais se tournent vers des modèles moins coûteux, ou réduisent leur usage pendant les périodes de moindre activité des employés, l’adoption mise en avant dans les titres peut rester positive tandis que les revenus des fournisseurs croissent plus lentement.

La baisse des coûts des tokens change l’économie

L’économiste de Ramp, Ara Kharazian, a attribué une partie de la baisse des dépenses par employé à la chute des prix des tokens. L’analyse de l’entreprise a estimé le coût moyen à 0,68 dollar par million de tokens en août, contre un pic de 1,15 dollar en mars 2026. OpenAI et Anthropic ont tous deux réduit leurs prix, selon le rapport de TechCrunch, rendant moins coûteux pour les clients un volume comparable d’utilisation des modèles.

C’est bénéfique pour les entreprises qui déploient l’IA, mais cela crée une équation de croissance difficile pour les fournisseurs de modèles. Les laboratoires doivent augmenter les volumes pour compenser la baisse des prix. Les chiffres de Ramp suggèrent qu’au moins jusqu’en août, la hausse de l’utilisation n’avait pas entièrement compensé les réductions chez ses clients les plus dépensiers.

Le changement peut aussi refléter une substitution de modèles. Les entreprises choisiraient, selon les rapports, des systèmes plus anciens et moins chers, notamment ChatGPT 5.6-Terra d’OpenAI et Anthropic Sonnet, au lieu de payer pour les versions frontier les plus récentes. Pour des besoins courants de synthèse, de rédaction, de classification et de recherche interne, les acheteurs peuvent estimer qu’un modèle moins cher offre un résultat suffisant. La qualité du modèle n’est donc qu’un facteur parmi d’autres dans les décisions d’achat ; le prix, la latence, la fiabilité et les coûts d’intégration peuvent compter tout autant.

Le rapport a également constaté que seulement 6,4 % des entreprises dépensant pour l’IA utilisaient en août des plateformes de service de modèle ou d’inférence. Cette part augmente, mais pas assez vite, selon Ramp, pour transformer l’adoption globale des entreprises. Le marché reste donc dominé par des produits d’IA packagés plutôt que par un déploiement large de modèles hébergés de manière indépendante dans les entreprises.

Pourquoi ce signal compte pour les bâtisseurs de l’IA

Pour les laboratoires frontier, les chiffres d’août remettent en cause l’idée qu’une adoption rapide des outils d’IA générerait automatiquement suffisamment d’usage payant pour justifier des investissements massifs en formation et en infrastructure. Les ingénieurs logiciels ont stimulé une forte demande pour les outils de codage agentique, mais un ralentissement dans cette catégorie affecterait à la fois la consommation de modèles et les fournisseurs de logiciels construits autour de ceux-ci.

Pour les bâtisseurs, la leçon immédiate est de modéliser les revenus autour de flux de travail achevés plutôt que du seul volume de tokens. Un produit moins coûteux à exploiter peut être plus attractif pour les clients, mais son fournisseur ne peut pas supposer que la baisse du prix unitaire sera compensée par suffisamment d’appels supplémentaires. Les équipes devraient suivre les utilisateurs actifs, l’achèvement des tâches, la rétention et les résultats clients en plus de la consommation de tokens.

Les acheteurs d’entreprise ont une motivation différente. La baisse des coûts des tokens peut améliorer le cas d’usage de l’IA, en particulier pour les charges de travail à fort volume. Elle peut aussi faciliter les tests de plusieurs modèles et l’orientation de chaque tâche vers le système le moins coûteux répondant aux exigences de qualité et de sécurité. Mais les économies peuvent disparaître si les organisations ajoutent une orchestration coûteuse, de la surveillance, des revues de sécurité ou une supervision humaine sans mesurer les gains de productivité qui en résultent.

Les chiffres aident aussi à expliquer pourquoi les entreprises d’IA ciblent les utilisateurs non techniques avec des produits plus larges de coworking et d’assistance IA. Les clients techniques les plus avancés peuvent optimiser agressivement le prix, tandis que les équipes moins techniques pourraient représenter de nouvelles catégories de demande. Gagner ces utilisateurs exigerait un déploiement plus simple et une valeur métier plus claire, pas seulement de meilleures performances sur les benchmarks.

Les preuves et les affirmations restent limitées

Les chiffres les plus solides de ce sujet sont des mesures fournies par le prestataire Ramp et rapportées par TechCrunch. Il ne s’agit pas d’un recensement sectoriel audité, et la source ne fournit pas de ventilation complète par taille d’entreprise, secteur, géographie, charge de travail ou effet des congés des employés. La comparaison avec le Census Bureau fournit un contexte utile, mais elle ne prouve pas que l’adoption nationale de l’IA ait ralenti en août.

L’interprétation de Kharazian selon laquelle la concurrence entre OpenAI et Anthropic tire les prix et les dépenses vers le bas est une analyse de direction fondée sur les données de Ramp, et non une explication vérifiée indépendamment. De même, l’idée que les laboratoires frontier n’ont pas encore compensé les baisses de prix par suffisamment de volume doit être lue comme une inférence de marché tirée de l’évolution des dépenses rapportée.

Ces réserves ne rendent pas le résultat sans intérêt. Elles définissent ce qu’il peut étayer : un avertissement sur la monétisation et la pression sur les prix chez les clients orientés technologie, plutôt qu’une preuve que la demande d’IA des entreprises est entrée dans un déclin durable.

Ce qu’il faut surveiller ensuite

Les prochaines lectures de Ramp montreront si août n’était qu’un creux saisonnier récurrent ou le début d’un changement plus large. Une nouvelle hausse de la part des entreprises qui paient pour l’IA, combinée à des dépenses par employé plus élevées, appuierait l’explication du ralentissement estival.

La tarification des modèles et les volumes d’utilisation seront tout aussi importants. Si OpenAI et Anthropic continuent de baisser leurs prix tandis que la consommation totale de tokens augmente fortement, les laboratoires pourraient encore accroître leurs revenus grâce à l’échelle. Si les clients continuent de migrer vers des modèles moins chers et que la croissance de l’usage reste modeste, la pression sur l’économie des modèles frontier deviendra plus difficile à écarter.

Les bâtisseurs devraient aussi surveiller l’adoption des plateformes d’inférence, la solidité des outils de codage agentique et la capacité des produits d’IA destinés aux non-techniciens à générer une nouvelle demande payante. Pour les acheteurs d’entreprise, les signaux utiles concerneront moins l’usage agrégé des modèles que les taux de renouvellement, les améliorations mesurables des flux de travail et le coût total d’exploitation des systèmes d’IA en production.

Point de vue de Creati.ai

Les données d’août de Ramp doivent être comprises avant tout comme un test de résistance des hypothèses de revenus du marché de l’IA. Les modèles moins chers sont une bonne nouvelle pour les clients, mais ils obligent les fournisseurs à démontrer que des prix plus bas créent suffisamment d’usage supplémentaire — ou suffisamment de nouveaux utilisateurs — pour soutenir les dépenses d’infrastructure.

La conclusion à court terme n’est pas que l’IA d’entreprise a ralenti. C’est que l’adoption et la monétisation divergent. Les bâtisseurs de l’IA capables de montrer une valeur durable dans les flux de travail, de maîtriser les coûts d’inférence et de servir des clients sensibles au prix seront mieux positionnés que ceux qui s’appuient uniquement sur la hausse de la consommation de tokens.