Claude Code Après que Uber ait épuisé son budget annuel en deux mois, le COO a déclaré : La consommation de jetons et la sortie utile ne sont pas proportionnelles

Uber COO Andrew Macdonald dans une interview récente a admis que les dépenses de l'entreprise en IA deviennent de plus en plus difficiles à justifier en interne, le CTO Praveen Naga ayant révélé il y a deux mois que le budget pour Claude Code était déjà épuisé prématurément, mais le problème central réside dans le fait que : une consommation plus élevée de tokens n'entraîne pas une augmentation proportionnelle des fonctionnalités pour les consommateurs.
(Précédent : Pas seulement la course en voiture » Uber s'associe à Expedia pour ajouter la réservation d'hôtels, vers une application de voyage tout-en-un)
(Complément d'information : Rapport d'Anthropic : En 2028, la lutte pour la domination de l'IA, si les États-Unis ne maintiennent pas leur avantage en puissance de calcul, ils risquent d'être dépassés par la Chine)

Table des matières de cet article

Toggle

• Une crise budgétaire
• La chaîne causale rompue : Plus de tokens, pas forcément plus de fonctionnalités
• Divergences industrielles : brûler autant que possible, ou clarifier avant de brûler

Lorsque chaque ingénieur d'une entreprise dépense au maximum 2 000 dollars par mois en outils d'IA, que 70 % du code soumis provient de l'IA, mais que personne ne peut répondre à la question « Combien de fonctionnalités cela a-t-il réellement permis ? », ce n'est plus une question technique, mais une crise de gestion.

Andrew Macdonald, COO d'Uber, a récemment accepté une interview avec Rapid Response, révélant une vérité tacite dans l'industrie technologique : les dépenses en IA deviennent de plus en plus difficiles à justifier en interne.

Une crise budgétaire

Praveen Neppalli Naga, CTO d'Uber, avait également déclaré en avril lors d'une interview avec The Information : « Je pensais que le budget était déjà épuisé prématurément. »

Le contexte à l'époque était que : le taux d'adoption de Claude Code par les 5 000 ingénieurs d'Uber avait explosé en quelques mois, passant de 32 % à 84 %. La dépense mensuelle par ingénieur variait entre 500 et 2 000 dollars ; Naga lui-même avait consommé 1 200 dollars de tokens en seulement deux heures lors d'une présentation interne.

Macdonald a décrit que cette déclaration a provoqué un bouleversement au sein de la haute direction d'Uber, déclenchant une série de discussions sur la consommation de tokens en IA, notamment si ces dépenses en valaient la peine, et quelles pressions cela mettait sur la gestion des effectifs.

Dara Khosrowshahi, PDG, a clairement indiqué lors de la conférence téléphonique sur les résultats financiers ce mois-ci : Uber ralentit ses recrutements, en partie pour compenser les dépenses liées à l'investissement en IA. En d'autres termes, la facture des outils d'IA commence à influencer les décisions de recrutement réelles.

La chaîne causale rompue : Plus de tokens, pas forcément plus de fonctionnalités

Macdonald a expliqué dans l'interview qu'après avoir discuté avec un cadre supérieur en ingénierie chez Uber, il a constaté que : une consommation accrue de tokens ne se traduit pas par une augmentation proportionnelle des fonctionnalités pour les utilisateurs.

« Ce lien n'existe pas encore, n'est-ce pas ? » a-t-il dit, « Peut-être que plus de choses sont livrées de manière vague, mais il est très difficile de tracer une ligne claire entre ces chiffres et « 25 % de fonctionnalités utiles supplémentaires pour les consommateurs » ».

Ce problème met en lumière la contradiction centrale de la vague d'adoption de l'IA : la consommation de tokens est mesurable, mais elle évalue « le degré d'utilisation » plutôt que « la valeur produite ». Salesforce a récemment qualifié ce type d'indicateur de « métriques de vanité » et s'oppose fermement à l'utilisation de la consommation de tokens comme critère d'évaluation de la performance des employés.

Il est également important de noter que Macdonald a souligné une zone d'ombre cognitive : pour certains ingénieurs qui ne paient pas de leur poche, l'outil d'IA « semble gratuit », permettant d'expérimenter librement diverses situations d'utilisation ; mais en fin de compte, c'est l'entreprise qui paie la facture. Ce décalage de coûts entre l'individu et l'organisation est l'une des raisons structurelles de la consommation incontrôlée de tokens.

Divergences industrielles : brûler autant que possible, ou clarifier avant de brûler

Les dilemmes d'Uber ne sont pas isolés, mais parmi les premiers à être exprimés ouvertement par la haute direction.

Google, lors de la conférence I/O 2026, a fortement prôné le « tokenmaxxing », c'est-à-dire l'utilisation massive de l'IA autant que possible, en faisant de cela l'un des indicateurs d'engagement des ingénieurs. La logique derrière cette approche est que : la quantité d'utilisation stimule l'évolution des capacités, et une augmentation quantitative entraînera inévitablement une transformation qualitative.

Cependant, d'autres entreprises commencent à prendre une direction différente. Duolingo a intégré la fréquence d'utilisation de l'IA dans ses évaluations de performance, mais après que des employés ont soulevé la question : « Faut-il vraiment utiliser l'IA juste pour utiliser l'IA ? », cette politique a été discrètement retirée. Lors d'un podcast en avril, le PDG Luis von Ahn a déclaré : « Il semble que, plutôt que de responsabiliser tout le monde sur les résultats concrets, nous poussons à faire quelque chose qui, dans de nombreux cas, n'est pas du tout adapté. »

Un cas dans le secteur médical est encore plus extrême : en six mois, ils ont consommé 1 trillion de tokens, générant plus de 6 millions de dollars de coûts non planifiés, et le département financier n'avait même pas conscience des facteurs moteurs. Ce n'est pas un problème d'utilisation de l'IA, mais l'absence de connaissance sur qui utilise, où, et combien cela coûte.

Macdonald n'a pas annoncé de plans concrets pour réduire ces dépenses, ni indiqué qu'Uber abandonnerait ses outils d'IA. Il a simplement exprimé un problème universel dans le monde des affaires, rarement dit aussi franchement par la haute direction.

Il n'existe pas de réponse standard pour mesurer le retour sur investissement de l'IA. Mais de plus en plus de signes montrent que l'écart entre « combien on utilise » et « ce qu'on en retire » reste très important.