Uber doute du ROI de ses dépenses IA : un signal pour les directions

TL;DR.

Uber a consommé en quatre mois la totalité de son budget annuel 2026 dédié à l'intelligence artificielle, sans parvenir à démontrer un retour sur investissement clair. Son président Andrew Macdonald reconnaît publiquement ne pas voir de lien entre l'explosion de la consommation de jetons et l'apparition de fonctionnalités utiles pour les utilisateurs. Ce cas illustre la difficulté des directions à piloter et justifier leurs investissements IA.

L'enveloppe prévue pour douze mois a été absorbée en un tiers du temps. Andrew Macdonald cite explicitement Claude Code, l'outil d'assistance au développement d'Anthropic, comme source majeure de cette dérive des coûts. Il évoque sans la chiffrer une hypothèse de 25 % de fonctionnalités utiles supplémentaires pour le consommateur, gain qu'il dit impossible à objectiver aujourd'hui.

Uber a épuisé son budget annuel dédié à l'intelligence artificielle après seulement quatre mois en 2026, et son président peine à justifier la dépense en interne. Dans un entretien rapporté par The Verge, Andrew Macdonald, président et directeur des opérations du groupe, reconnaît ne pas voir de lien clair entre l'envolée de la consommation de jetons par les outils d'IA et l'arrivée de fonctionnalités utiles pour les utilisateurs. Une admission rare de la part d'un dirigeant d'une entreprise technologique de cette taille, qui interroge la manière dont les directions doivent piloter leurs investissements IA.

Un budget annuel grillé en quatre mois

L'information, relayée par The Verge à partir d'une interview accordée au podcast Rapid Response, met en lumière une réalité que peu d'entreprises documentent publiquement : la consommation d'IA dérape vite. Chez Uber, l'enveloppe prévue pour douze mois a été absorbée en un tiers du temps. Le montant exact n'est pas précisé, mais l'accélération suffit à provoquer une remise en question au sommet du groupe.

Andrew Macdonald cite explicitement Claude Code, l'outil d'assistance au développement d'Anthropic, comme source majeure de cette explosion de coûts. La consommation de jetons (l'unité de facturation des modèles d'IA, qui correspond grossièrement à des fragments de mots traités par le système) a grimpé bien plus vite que prévu, sans que les équipes parviennent à objectiver les gains côté produit.

Le problème : pas de lien démontrable entre dépense et valeur

La phrase clé de l'entretien, citée par The Verge, est révélatrice : « Ce lien n'est pas là, pour l'instant. Il est très difficile de tracer une ligne entre l'une de ces statistiques et, 'D'accord, maintenant nous produisons 25 % de fonctionnalités utiles en plus pour le consommateur'. » Le président d'Uber concède qu'il y a sans doute des effets implicites, plus de code expédié, peut-être plus rapidement, mais il refuse de transformer cette intuition en justification budgétaire.

Le constat est important parce qu'il vient d'une entreprise réputée pour sa culture data. Si Uber, qui dispose d'équipes d'analytics nombreuses et d'une expérience longue de l'optimisation chiffrée, n'arrive pas à mesurer le ROI de ses outils d'IA générative, c'est que l'exercice est intrinsèquement difficile.

Pourquoi le ROI de l'IA générative résiste à la mesure

Plusieurs facteurs expliquent cette opacité. D'abord, l'IA générative s'insère dans des processus existants (écrire du code, rédiger une réponse client, résumer un document) sans toujours créer de nouvelle ligne de revenu ou de poste de coût isolable. Les gains se diffusent dans des dizaines d'équipes, par micro-économies de temps, sans laisser de trace simple à agréger.

Ensuite, la consommation de jetons est un indicateur d'usage, pas un indicateur de valeur. Un développeur qui utilise massivement un assistant IA peut produire un code plus robuste, ou simplement explorer plus de pistes sans gain final. La métrique de sortie (« combien de fonctionnalités ont été livrées ») dépend de tellement de facteurs que l'attribution à l'outil IA reste contestable.

Enfin, les comparaisons avant/après manquent. Les équipes adoptent ces outils par vagues, en parallèle d'autres changements (réorganisations, nouveaux frameworks), ce qui rend les analyses contrefactuelles fragiles.

Ce que ça change pour les directions

Le cas Uber n'invalide pas l'usage de l'IA générative en entreprise, mais il rappelle plusieurs points utiles aux décideurs.

• Cadrer la dépense dès le départ. Un budget IA non plafonné, ou indexé sur la simple consommation, dérape rapidement. Mettre en place des alertes et des seuils par équipe limite les mauvaises surprises.
• Définir des indicateurs avant de déployer. Plutôt que de mesurer après coup, il faut choisir ex ante ce que l'on veut observer : temps de cycle d'une tâche, taux d'erreur, satisfaction interne, volume traité par ETP (équivalent temps plein). Sans ligne de base, l'évaluation devient impossible.
• Distinguer expérimentation et production. Les phases d'exploration justifient une dépense ouverte, mais doivent être bornées dans le temps. Le passage en production exige une rationalisation des coûts par fonctionnalité ou par utilisateur.
• Accepter une partie de valeur invisible. Certains gains (qualité du code, montée en compétence, attractivité employeur) ne se monétisent pas directement. Les exclure totalement de l'arbitrage serait excessif, mais en faire l'argument principal sans données est risqué.

Un signal plus large pour le marché

L'aveu d'Andrew Macdonald s'inscrit dans un mouvement plus large de questionnement sur la rentabilité de l'IA générative en entreprise. Plusieurs études récentes ont pointé l'écart entre l'adoption massive de ces outils et la difficulté à les traduire en gains de productivité mesurables au niveau d'une organisation.

Pour les fournisseurs de modèles, le message est clair : la phase d'achat enthousiaste touche à ses limites. Les directions financières vont demander, à juste titre, des éléments de mesure plus solides. Pour les acheteurs, c'est aussi une invitation à structurer leurs déploiements autour de cas d'usage prioritaires, avec des objectifs chiffrés, plutôt qu'à distribuer des licences en espérant un effet diffus.

La question posée par Uber n'est pas « faut-il continuer à investir dans l'IA », mais « comment savoir si l'on investit bien ». C'est probablement la question la plus utile à mettre à l'ordre du jour des prochains comités de direction.

Questions fréquentes

Combien de temps a duré le budget IA annuel d'Uber en 2026 ?

Le budget annuel dédié à l'intelligence artificielle a été épuisé en quatre mois, soit un tiers du temps prévu. Le montant exact n'a pas été communiqué par Uber.

Pourquoi le président d'Uber remet-il en question les dépenses IA ?

Andrew Macdonald, président et directeur des opérations d'Uber, ne parvient pas à établir de lien clair entre l'envolée de la consommation de jetons et l'arrivée de fonctionnalités utiles pour les utilisateurs. Il refuse de transformer en justification budgétaire une intuition de gains qu'il ne peut pas objectiver.

Quel outil d'IA est pointé comme la principale source de coûts chez Uber ?

Andrew Macdonald cite explicitement Claude Code, l'outil d'assistance au développement édité par Anthropic, comme source majeure de l'explosion des coûts. La consommation de jetons liée à cet usage a grimpé bien plus vite que prévu.

Qu'est-ce qu'un jeton dans la facturation des modèles d'IA ?

Le jeton est l'unité de facturation des modèles d'IA. Il correspond grossièrement à des fragments de mots traités par le système.

Où l'information sur le dépassement budgétaire d'Uber a-t-elle été rapportée ?

L'information a été relayée par The Verge à partir d'une interview accordée par Andrew Macdonald au podcast Rapid Response. Il s'agit d'une admission rare pour un dirigeant d'une entreprise technologique de cette taille.