Dans le monde en rapide évolution de l'intelligence artificielle, un dilemme croissant attire l'attention des passionnés de technologie et des dirigeants d'entreprise : l'obsession de la consommation de jetons. À mesure que les systèmes d'IA deviennent plus autonomes, comme les systèmes agentiques illustrés par OpenClaw, l'industrie se retrouve prise dans une spirale d'utilisation de jetons toujours croissante. Mais est-ce vraiment le chemin vers une IA plus intelligente, ou alimentons-nous simplement l'inefficacité ?
L'attrait de la consommation de jetons
Imaginez un monde où la solution à chaque défi de l'IA semble être plus de données, plus de contexte et, par conséquent, plus de jetons. C'est la réalité pour beaucoup dans l'industrie de l'IA aujourd'hui. Avec l'autonomie croissante des systèmes d'IA, ceux-ci consomment non seulement des jetons pour fournir des réponses, mais aussi pour planifier, réfléchir, réessayer, résumer et interagir avec des outils. OpenClaw, par exemple, est décrit comme une passerelle "native agent" qui prospère grâce à un réseau complexe de sessions, de mémoire et de routage multi-agents. Le résultat ? Une augmentation significative de l'utilisation des jetons, ce qui enchante ceux qui vendent l'infrastructure sous-jacente.
Des entreprises comme Google et Nvidia sont à la pointe de cette tendance. Le récent rapport de Google a mis en évidence le traitement de plus de 1,3 quadrillion de jetons mensuels, un chiffre impressionnant qui illustre la dépendance croissante aux systèmes gourmands en jetons. Nvidia, également, capitalise sur cette demande, en promouvant l'économie de l'inférence et de l'IA agentique pour stimuler les ventes d'infrastructure. Mais d'un point de vue commercial, cette addiction aux jetons pourrait ne pas être le signe de progrès qu'elle semble être.
L'illusion de l'intelligence
Le récit dominant assimile la consommation de jetons à l'intelligence. Plus de fenêtres de contexte, de traces de raisonnement et d'interactions suggèrent une IA plus capable. Cependant, cette hypothèse ne reconnaît pas qu'un système nécessitant de vastes quantités de contexte n'est peut-être pas plus intelligent, juste plus inefficace. La philosophie d'ingénierie d'Anthropic remet en question cette notion, prônant ce qu'ils appellent "l'ingénierie du contexte". Cette approche se concentre sur l'identification du plus petit ensemble possible de jetons à fort signal nécessaire pour une tâche, déplaçant le paradigme du volume pur vers la précision et la pertinence.
L'ingénierie du contexte met en lumière une distinction cruciale : l'avenir de l'IA appartient non pas aux systèmes capables de traiter le plus de contexte, mais à ceux capables de discerner le contexte qui compte vraiment. À mesure que les flux de travail agentiques deviennent plus répandus, comprendre cette distinction devient crucial. Sans cela, les entreprises risquent de confondre une opération gourmande en jetons avec une véritable innovation.