Les dépenses d’IA sur Ramp ont chuté chez les grandes entreprises, mettant à l’épreuve le pari de croissance des hyperscalers

Les dépenses d’IA sur Ramp parmi les entreprises les plus utilisatrices ont reculé de 9,7 % en août, malgré des années de forte expansion de la consommation d’IA en entreprise. La dépense mensuelle par employé au sein du 1 % des entreprises utilisant le plus l’IA est ainsi passée de 7 976 $ à 7 205 $. Un ralentissement estival offre une explication. La baisse du coût des jetons et la préférence croissante pour des modèles moins chers en suggèrent une autre, plus lourde de conséquences.

Les mêmes données montrent que l’adoption par les entreprises continue de progresser, mais à peine. Ramp a constaté que 56 % de ses clients ont acheté des produits d’IA en août, soit seulement 0,4 point de pourcentage de plus qu’en juillet. Cette combinaison — une adoption plus lente et des dépenses en baisse chez les plus gros clients — remet en question les hypothèses qui sous-tendent le boom des infrastructures.

OpenAI, Anthropic et leurs partenaires hyperscalers ont besoin d’une utilisation en expansion pour compenser la baisse des prix unitaires. Les acheteurs en entreprise recherchent de plus en plus le modèle le moins coûteux capable d’exécuter chaque tâche de manière fiable. Cet écart entre vendre davantage d’intelligence et fournir des résultats moins chers est désormais au cœur de l’économie de l’IA.

Les dépenses d’IA sur Ramp ont perdu de leur élan en août

Le recul d’août importe car il est apparu chez les clients censés générer une part disproportionnée des futurs revenus de l’IA.

Ramp a fondé sa dernière analyse sur des données de transactions anonymisées provenant de plus de 70 000 entreprises. La plateforme financière suit les paiements liés aux abonnements d’IA et à l’utilisation de jetons, offrant une vue directe des achats des entreprises.

Le September AI Index a constaté que l’adoption avait continué de progresser en août. Toutefois, le rythme a suffisamment ralenti pour soulever des questions sur la demande après plusieurs mois d’expansion intense.

Anthropic a atteint un taux d’adoption de 43,8 % parmi les entreprises mesurées par Ramp. Cela représente une hausse mensuelle de 0,34 point de pourcentage. OpenAI n’a progressé que de 0,09 point de pourcentage, atteignant 39,8 %.

Ces pourcentages mesurent les entreprises qui paient chaque fournisseur, et non des parts de marché exclusives. Les entreprises peuvent acheter simultanément des produits auprès de plusieurs fournisseurs d’IA. Ramp avait précédemment constaté que 52 % des clients utilisant OpenAI ou Anthropic utilisaient les deux.

L’évolution la plus surprenante est apparue dans l’intensité des dépenses. Les dépenses mensuelles d’IA par employé parmi le 1 % des entreprises les plus adoptantes sont passées d’un chiffre de juillet révisé à 7 976 $ à 7 205 $.

Ramp avertit que ce groupe ne comprend qu’un nombre relativement faible d’entreprises. Son estimation est donc plus volatile que les chiffres concernant l’entreprise médiane ou les 10 % supérieurs. Des transactions tardives ont également conduit Ramp à réviser à la hausse le résultat de juillet.

Cet avertissement méthodologique empêche qu’un mouvement mensuel ne devienne la preuve d’un repli durable. Il ne rend pas le recul sans importance. Le 1 % supérieur contribue à une part démesurée des revenus accessibles aux fournisseurs de modèles.

Ces grands adoptants diffèrent fortement de l’entreprise type. Les données de dépenses estivales de Ramp situent les dépenses mensuelles médianes d’IA à 11,95 $ par employé en juillet. Les 10 % supérieurs dépensaient environ 650 $, tandis que le 1 % supérieur dépassait 7 400 $.

Cet écart montre pourquoi l’adoption globale peut être trompeuse. Ajouter un client supplémentaire peu engagé ne compense pas la baisse des dépenses d’une entreprise qui déploie des agents, des systèmes de codage et des flux de travail automatisés dans l’ensemble de ses opérations.

Août a également historiquement été une période de faible activité. Ramp a observé peu de croissance de l’adoption entre août et octobre 2025, suivie d’une reprise de l’expansion à l’approche de la fin de l’année. Les équipes d’ingénierie prennent souvent des vacances en été, ce qui réduit l’utilisation interactive et automatisée.

La saisonnalité demeure donc une explication crédible. Pourtant, le recul des dépenses est survenu parallèlement à des changements structurels qui ne disparaissent pas au retour des employés. Les jetons deviennent moins chers, les entreprises définissent des modèles par défaut et les acheteurs examinent de près les retours sur investissement.

Il vaut mieux considérer le ralentissement comme un signal précoce plutôt que comme un verdict établi. Il montre que les revenus de l’IA en entreprise n’augmentent plus automatiquement chaque fois que l’adoption progresse.

Des jetons moins chers changent la signification de la croissance

La baisse du coût des jetons profite aux clients, mais elle oblige les fournisseurs de modèles à générer davantage d’utilisation simplement pour préserver les mêmes revenus.

L’indice de prix effectif de Ramp est tombé à 0,68 $ par million de jetons début septembre. Cela représente 41 % de moins que le pic de 2026, à 1,15 $, enregistré en mars. La concurrence et les baisses de prix des fournisseurs ont contribué à ce changement.

Un jeton est une petite unité de texte traitée ou générée par un modèle de langage. Les fournisseurs facturent couramment les clients API selon le nombre de jetons d’entrée et de sortie consommés.

La baisse des coûts unitaires n’indique pas nécessairement une activité d’IA plus faible. Une entreprise peut traiter davantage de documents, générer plus de code ou exploiter des agents supplémentaires tout en payant moins. Les dépenses peuvent reculer alors même que la production utile augmente.

Cette distinction fait des dépenses d’IA sur Ramp un indicateur imparfait de l’intensité de l’adoption. Les registres de transactions montrent des flux financiers vers les fournisseurs. Ils ne révèlent pas directement les tâches accomplies, les jetons générés, le temps gagné par les employés ou la valeur créée pour l’entreprise.

Néanmoins, les revenus comptent en fin de compte pour les développeurs de modèles et les fournisseurs d’infrastructure. Si les prix diminuent plus vite que les volumes n’augmentent, une utilisation technique accrue produit une croissance commerciale plus faible.

C’est le renversement central des données d’août. Les services d’IA deviennent plus accessibles, comme la concurrence était censée l’encourager. Ce succès affaiblit le lien entre adoption et revenus.

La composition des modèles accentue la pression. Ramp a indiqué que les entreprises utilisent de plus en plus des modèles standard tels que GPT-5.6 Terra et la famille Sonnet d’Anthropic. Les entreprises ont déclaré à Ramp que ces systèmes restaient performants tout en coûtant moins cher que les alternatives de pointe.

Les modèles de pointe, dont Opus, Fable et Sol, représentaient 45 % du volume de jetons mesuré. Leur part avait auparavant atteint 53 % en août avant de retomber, selon le récit de Ramp.

Les libellés précis des modèles et leurs parts continueront de changer. Le comportement des clients qui les sous-tend est plus durable. Les entreprises apprennent que la rédaction d’e-mails, la classification, l’extraction et le codage courant nécessitent rarement le modèle le plus performant.

Le routage des modèles formalise cette décision. Un routeur évalue une requête et l’oriente vers un système offrant un équilibre acceptable entre capacités, latence et coût.

Le virage vers le routage en entreprise était déjà visible avant que Ramp ne publie ses chiffres d’août. Le consultant de Bain Jue Wang a décrit des entreprises qui réservent les systèmes coûteux aux tâches qui les exigent réellement.

Cette approche modifie l’unité de concurrence. Les fournisseurs ne se disputent plus seulement un contrat à l’échelle de l’entreprise ou la position de chatbot privilégié. Ils se disputent chaque catégorie de travail au sein de la couche de routage du client.

Un laboratoire de pointe peut remporter les requêtes complexes de recherche et de codage tout en perdant les résumés, classifications et requêtes courantes au profit de systèmes moins chers. Ce client peut rester un compte actif tout en générant moins de revenus.

Cette efficacité est bienvenue pour les acheteurs en entreprise. Elle rappelle l’optimisation du cloud, où les équipes associent les charges de travail aux capacités de calcul appropriées plutôt que de choisir la plus grande instance pour chaque tâche.

La transition peut également révéler des projets d’IA fragiles. Une inférence bon marché ne peut pas sauver un flux de travail qui produit des résultats peu fiables, nécessite un examen approfondi ou résout un problème sans importance.

Les entreprises doivent donc mesurer les résultats, et non les totaux de jetons. Une base de connaissances d’IA consultable crée de la valeur lorsque les employés retrouvent plus rapidement des informations utiles. Sa seule consommation de jetons en dit peu sur ce résultat.

La baisse des prix peut accroître la demande au fil du temps. Toutefois, la lecture de Ramp pour août suggère que cette expansion n’avait pas encore pleinement compensé les fournisseurs pour la baisse des prix effectifs.

Le pari des hyperscalers exige que le volume dépasse l’efficacité

Le développement des infrastructures suppose qu’une intelligence moins chère créera suffisamment de travail supplémentaire pour compenser la baisse des revenus tirés de chaque unité de calcul.

OpenAI, Anthropic et d’autres entreprises de modèles dépensent massivement pour entraîner et servir des systèmes toujours plus performants. Leurs partenaires cloud construisent des centres de données, sécurisent l’électricité et achètent des accélérateurs sur la base d’anticipations de demande durable.

Cette thèse d’investissement n’exige pas que chaque entreprise dépense comme le 1 % supérieur de Ramp. Elle exige toutefois une croissance soutenue chez suffisamment de clients, de flux de travail et d’agents automatisés pour soutenir la capacité installée.

Les données d’août mettent cette attente sous pression dans les deux sens. La croissance de l’adoption a décéléré, tandis que les dépenses par employé ont baissé chez les utilisateurs les plus engagés. Aucun de ces changements ne suffit à lui seul à invalider la thèse.

Ensemble, ils révèlent une vulnérabilité. Le marché s’attend à ce que les grands adoptants continuent de découvrir des charges de travail utiles plus vite que les fournisseurs ne réduisent leurs prix.

Cette relation ressemble à une activité de volume dont l’efficacité de production s’améliore rapidement. Des coûts plus faibles peuvent attirer des clients et stimuler la consommation. Ils peuvent aussi comprimer les revenus lorsque les clients captent la majeure partie des économies.

Les entreprises d’IA veulent que le premier effet l’emporte. Les équipes financières des entreprises veulent le second. La concurrence détermine la répartition de ce bénéfice.

OpenAI a réagi en encourageant les clients à mesurer la valeur plutôt que les coûts bruts des jetons. Son concept proposé, l’intelligence utile par dollar, demande si l’IA accomplit un travail significatif avec précision et de manière économique.

Ce cadre a du mérite. Le modèle le moins cher n’est pas le meilleur choix lorsque les échecs répétés, les corrections humaines ou les escalades effacent ses économies apparentes.

Pourtant, ce cadre sert aussi les intérêts commerciaux des fournisseurs de pointe. Ils ont besoin que les acheteurs considèrent le succès des tâches, et non qu’ils comparent simplement les prix des jetons entre modèles.

De nombreuses entreprises semblent accepter l’argument fondé sur les résultats tout en rejetant l’idée qu’un seul modèle haut de gamme devrait tout traiter. Elles routent les tâches simples à bas coût et réservent les systèmes de pointe aux requêtes complexes.

Les recherches sur l’économie des agents soutiennent cette prudence. Une analyse de l’économie des flux de travail a conclu que la sélection des modèles, la conception des flux de travail, les tentatives répétées et la supervision humaine peuvent modifier radicalement les coûts totaux.

Les agents amplifient ces variables parce qu’ils accomplissent des tâches en plusieurs étapes. Une requête utilisateur peut déclencher une planification, des appels d’outils, des recherches, une validation et des interactions répétées avec des modèles.

Cela crée une voie plausible de retour à la croissance. Même si chaque jeton devient moins cher, les flux de travail autonomes peuvent consommer bien plus de jetons qu’une invite conversationnelle. Davantage d’agents pourraient donc rétablir la croissance des volumes.

Toutefois, une consommation accrue ne garantit pas une valeur proportionnelle. Un agent mal conçu peut examiner à répétition le même matériel, appeler des outils inutiles ou réessayer une étape défaillante sans améliorer son résultat.

Les entreprises commencent à distinguer l’automatisation productive de l’activité liée aux jetons. Ce changement menace les stratégies commerciales fondées sur l’utilisation comme indicateur de réussite.

Les enjeux dépassent les laboratoires de modèles. Les hyperscalers tirent des revenus du calcul, du stockage, des réseaux et des services gérés qui sous-tendent les applications d’IA. Ils investissent également directement dans les développeurs de pointe et réservent des capacités pour la demande attendue.

Si les clients obtiennent le même résultat avec des modèles plus petits, une meilleure mise en cache et un routage plus sélectif, la demande d’infrastructure peut rester élevée tout en progressant moins vite que les prévisions ambitieuses.

La distinction entre usage et dépenses devient essentielle ici. Davantage de tokens ne nécessitent pas toujours proportionnellement plus de puissance de calcul. La quantification, l’inférence optimisée et le matériel spécialisé peuvent réduire les ressources nécessaires à chaque réponse.

Les fournisseurs peuvent réagir en lançant des modèles plus performants, en améliorant les outils pour développeurs ou en créant des applications destinées aux collaborateurs non techniques. Chaque stratégie cherche à susciter une nouvelle demande au-delà des premiers usages dans l’ingénierie.

Cela aide à expliquer l’intérêt croissant pour les espaces de travail IA, les assistants de recherche et les agents collaboratifs. Les équipes techniques ont adopté l’IA tôt. Le prochain réservoir de revenus doit inclure les opérations, la finance, le marketing, le travail juridique et d’autres fonctions à forte intensité de connaissances.

Le pari dépend désormais d’un usage répété et utile dans l’ensemble de ces rôles. Un abonnement acheté que les employés ouvrent rarement soutient les statistiques d’adoption, mais contribue peu aux revenus d’expansion.

Ce que les chiffres de Ramp ne peuvent pas prouver

Un mois volatil ne permet pas de distinguer une pause saisonnière d’un changement durable de la demande des entreprises.

L’ensemble de données de Ramp offre des preuves inhabituellement directes, car il observe des paiements réels. Il représente néanmoins les clients de Ramp, dont la répartition sectorielle et les préférences technologiques diffèrent de celles de l’économie dans son ensemble.

Les secteurs techniques, tels que l’information, la finance et les services professionnels, dominent l’adoption au sein de l’échantillon. Cette orientation peut faire de l’indice un indicateur précoce, mais elle peut aussi surestimer l’adoption parmi les entreprises américaines.

L’enquête sur l’adoption par les entreprises du Bureau du recensement des États-Unis fournit un contrepoids utile. TechCrunch a rapporté qu’une mise à jour d’août situait l’utilisation déclarée de l’IA à près de 22 % des entreprises, bien en dessous des 56 % de Ramp.

Les enquêtes mesurent des populations et des comportements différents. Ramp détecte les achats classés comme dépenses d’IA. Le Bureau du recensement interroge les entreprises sur leur utilisation de l’IA dans la production de biens et de services.

Aucune de ces mesures ne couvre l’ensemble du marché. Les employés peuvent utiliser des outils gratuits ou des abonnements achetés à titre personnel, hors des systèmes de l’entreprise. Les entreprises peuvent également payer pour des produits d’IA qui connaissent peu d’utilisation réellement significative.

L’estimation de Ramp pour son top 1 % mérite une prudence particulière. Un petit nombre d’entreprises, de dates de facturation, de contrats annuels ou de transactions retardées peut déplacer la médiane mensuelle de ce groupe.

Ramp a révisé les dépenses de juillet, d’environ 7 400 $ à près de 8 000 $, après avoir reçu des transactions supplémentaires. Les résultats d’août restent susceptibles d’être modifiés de la même manière.

Les habitudes de vacances introduisent une autre source de bruit. Si les ingénieurs ont généré moins de tokens en août, les dépenses pourraient rebondir lorsque les projets redémarreront. Les reprises observées lors des précédentes fins d’année étayent cette possibilité.

Même un rebond n’éliminerait pas le défi des prix. Les employés revenant de vacances rencontreront des modèles moins chers et des paramètres par défaut davantage soucieux des coûts que ceux auxquels ils avaient accès plus tôt en 2026.

Les données disponibles ne permettent pas non plus d’établir si le recul reflète une baisse de la production. Une entreprise qui paie moins peut accomplir le même travail plus efficacement. Ce résultat représente une adoption réussie, et non un repli.

À l’inverse, une entreprise aux dépenses élevées peut générer de grands volumes de production à faible valeur. Les totaux de tokens ne permettent pas de distinguer l’automatisation productive du gaspillage.

Cette lacune de mesure est importante pour les acheteurs. Les équipes financières ont besoin de suivre les dépenses par flux de travail, équipe, modèle et résultat finalisé. Les responsables produit ont besoin d’indicateurs de qualité, de durée de cycle, de taux de correction et de rétention des utilisateurs.

Les développeurs ont besoin d’une vision tout aussi complète. Un modèle bon marché qui échoue à répétition peut coûter davantage après les nouvelles tentatives et le débogage. Un modèle coûteux peut être économique lorsqu’il accomplit correctement une tâche difficile.

Pour les fournisseurs de modèles, cette ambiguïté offre à la fois du réconfort et du danger. La baisse des dépenses peut indiquer une économie client plus saine, qui accélérera ensuite le déploiement. Elle peut aussi révéler un plafond de disposition à payer.

Les modèles à poids ouverts n’expliquent pas encore ce basculement général. Ramp a constaté que seulement 6,4 % des entreprises dépensant pour l’IA utilisaient des plateformes de service de modèles ou d’inférence en août.

Ce chiffre constitue une estimation haute de l’utilisation des modèles ouverts, car les plateformes de routage peuvent également fournir des modèles fermés. Ramp a établi l’adoption parmi l’ensemble des entreprises à 3,6 %.

Les modèles ouverts restent donc un contexte complémentaire, et non le principal adversaire dans cette histoire. La concurrence immédiate provient d’offres standard moins chères vendues par les mêmes grands fournisseurs.

Cette dynamique peut réduire le revenu moyen sans exiger que les clients changent de fournisseur. Un client d’Anthropic peut déplacer des tâches d’Opus vers Sonnet. Un client d’OpenAI peut choisir un modèle moins coûteux pour les tâches routinières.

L’adoption d’un fournisseur peut progresser tandis que la qualité des revenus se détériore. C’est précisément pourquoi la combinaison observée en août mérite attention, avant même que quiconque ne parle de tendance.

Trois signaux détermineront s’il s’agissait d’un avertissement

Le prochain test consiste à voir si les dépenses se redressent alors que les clients continuent d’orienter davantage de travail vers des modèles économiques.

Le premier signal concerne les dépenses de septembre et d’octobre parmi le top 1 % de Ramp. Un rebond marqué vers le niveau de juillet renforcerait l’explication saisonnière.

Cette reprise doit être évaluée à la lumière des révisions de transactions. Une hausse ou une baisse préliminaire peut évoluer lorsque Ramp reçoit des paiements supplémentaires. Plusieurs mois fourniront une tendance plus solide qu’une seule observation.

Un recul continu renforcerait l’interprétation structurelle. Il suggérerait que des tokens moins chers et une sélection plus stricte des modèles réduisent les revenus plus rapidement que les nouvelles charges de travail ne les augmentent.

Le deuxième signal est la part des modèles de pointe dans le volume de tokens. Ramp a situé cette part à 45 % après un pic plus tôt en août à 53 %.

Une reprise durable montrerait que les entreprises trouvent encore suffisamment de tâches difficiles pour justifier des systèmes haut de gamme. Cela appuierait les affirmations des fournisseurs selon lesquelles une plus grande capacité crée de meilleures perspectives économiques.

Un nouveau recul montrerait que les modèles standard captent une plus grande part du travail quotidien. Il mettrait les laboratoires de pointe sous pression pour améliorer leur différenciation, baisser leurs prix ou intégrer des capacités avancées dans des produits plus larges.

La part brute des modèles exige toujours du contexte. Un modèle de pointe peut générer des revenus substantiels avec moins de tokens si son prix reste plus élevé. Les fournisseurs pourraient également modifier le packaging, les remises ou les structures d’abonnement.

Le troisième signal est l’adoption au-delà des équipes techniques. Les laboratoires d’IA ciblent de plus en plus le travail collaboratif effectué par les analystes, les managers, les spécialistes du marketing et d’autres travailleurs du savoir.

Un usage répété et soutenu dans ces groupes élargirait la base de clients au-delà des premiers adopteurs issus de l’ingénierie. Il créerait également des flux de travail moins liés aux cycles de publication logicielle et aux effectifs de développeurs.

Les achats seuls ne régleront pas la question. Les entreprises doivent démontrer que les utilisateurs non techniques reviennent, accomplissent des tâches significatives et étendent leur utilisation après les essais initiaux.

Les lecteurs devraient surveiller la rétention des produits, le volume des flux de travail et les résultats déclarés des tâches. Ces indicateurs en révèlent davantage que les annonces de lancement ou les décomptes de comptes.

Les acheteurs en entreprise devraient également examiner l’origine de leurs propres économies. Des dépenses plus faibles dues à un meilleur routage sont saines. Des dépenses plus faibles causées par des projets abandonnés signalent un déploiement raté.

Les équipes peuvent étayer cette distinction en reliant l’activité IA aux décisions enregistrées, aux dossiers de projet et au travail finalisé. Un second cerveau bien entretenu peut préserver le contexte nécessaire pour évaluer ces résultats au fil du temps.

Le marché au sens large n’a pas besoin que les dépenses par employé augmentent indéfiniment. Les entreprises bénéficient de l’amélioration des capacités et de la baisse des coûts. Une adoption efficace peut produire davantage de valeur avec moins de dépenses.

Les développeurs de modèles et les hyperscalers font face à une équation différente. Leurs plans d’investissement exigent des revenus qui justifient à terme d’énormes engagements en infrastructures.

Les dépenses en IA observées par Ramp ont mis au jour le conflit entre ces résultats. Ce qui aide les clients peut comprimer les fournisseurs, même lorsque davantage de personnes utilisent l’IA.

Août pourrait encore se révéler être une pause due aux vacances. Les prochaines observations montreront si les gros utilisateurs ont repris leurs dépenses ou ont durablement appris à faire davantage avec des modèles moins chers.

Pour les développeurs et les dirigeants d’entreprise, la question pratique est déjà claire : les dépenses d’IA produisent-elles un travail finalisé et précieux, ou accumulent-elles simplement des tokens ? Mesurez cette réponse avant le prochain cycle budgétaire.