Torras.ai

J'ai remarqué l'apparition d'un nouveau rituel avant que les gens ne confient une tâche sérieuse à un agent IA.

D'abord, ils vérifient le modèle. Puis le niveau d'effort. Ensuite la vitesse. Puis l'utilisation restante. Ils regardent l'heure de réinitialisation, se demandent combien de capacité la tâche pourrait consommer, et font un petit calcul : dois-je commencer maintenant, choisir un modèle moins cher, ou garder les bons jetons pour quelque chose de plus important ?

Le travail n'a même pas commencé, mais l'anxiété, si.

Cela devient de plus en plus familier en 2026. À mesure que l'IA agentique s'intègre au travail quotidien, les jetons ne sont plus un détail technique invisible. Ils sont devenus quelque chose dont nous ressentons la consommation.

2026 est l'année de l'anxiété des jetons.

L'anxiété de l'autonomie, mais pour l'intelligence

Les conducteurs de véhicules électriques connaissent le sentiment d'anxiété de l'autonomie : la peur que la batterie ne les mène pas à destination, même lorsque le tableau de bord indique qu'il devrait y en avoir assez.

Le problème n'est pas simplement la capacité de la batterie. C'est l'incertitude. L'estimation change avec la vitesse, la température, le terrain, le style de conduite et la circulation. Un nouveau propriétaire ne sait pas encore à quoi se fier. Trente pour cent peuvent sembler confortables sur un trajet familier et dangereusement bas sur une route inconnue.

L'anxiété des jetons a la même structure.

Il peut vous rester de l'utilisation, mais sera-t-elle suffisante pour terminer la tâche ? Un niveau d'effort plus élevé résoudra-t-il le problème, ou consommera-t-il simplement plus de capacité ? L'option rapide est-elle économique, ou la vitesse vient-elle du fait de brûler l'allocation plus rapidement ? Si l'agent rencontre un échec de test difficile à mi-parcours, en restera-t-il assez pour se rétablir ?

La question importante n'est pas :

Combien de jetons me reste-t-il ?

C'est :

Ai-je assez d'intelligence pour atteindre la destination ?

La jauge de carburant est entrée dans le lieu de travail

Pour la plupart des utilisateurs, les jetons étaient cachés. Les développeurs payaient les appels API, les ingénieurs optimisaient les prompts, et les équipes financières recevaient la facture. La personne posant la question pensait rarement à la machinerie sous-jacente.

Les agents ont changé cette relation car ils font plus que produire une courte réponse. Ils inspectent des fichiers, recherchent de la documentation, utilisent des outils, exécutent des tests, révisent leur travail, et parfois coordonnent d'autres agents. Une seule mission peut rester active pendant des minutes ou des heures et consommer une quantité de capacité difficile à prévoir à l'avance.

En même temps, les contrôles se sont multipliés. Nous choisissons entre les modèles, les niveaux de raisonnement ou d'effort, l'exécution standard ou accélérée, le travail local ou dans le cloud, un agent ou plusieurs. Chaque option promet une combinaison différente d'intelligence, de latence et de consommation.

Ces contrôles sont utiles. Ils transfèrent aussi un nouveau problème d'optimisation à l'utilisateur.

Avant de déléguer la tâche réelle, on nous demande de devenir de petits planificateurs de capacité.

Nous ne savons pas ce qu'achète un jeton

Un litre de carburant et un kilowattheure sont des unités physiques. Elles prédisent imparfaitement l'autonomie, mais les conducteurs peuvent progressivement apprendre ce qu'elles signifient.

Un jeton est plus difficile à interpréter. C'est une unité de texte et de calcul, pas une unité de travail accompli. Dix mille jetons peuvent produire une excellente analyse, une tentative ratée, une longue conversation sur les exigences, ou les dernières étapes d'une fonctionnalité logicielle qui en a déjà nécessité bien plus.

La même tâche apparente peut aussi consommer des quantités très différentes selon le dépôt, les outils disponibles, le nombre d'erreurs rencontrées et le niveau de vérification. « Corriger le bug » peut signifier changer une ligne. Cela peut aussi signifier passer une heure à découvrir que le bug se trouve dans un système complètement différent.

Cela rend la jauge d'utilisation psychologiquement puissante mais opérationnellement faible. Elle nous dit combien de carburant disparaît sans nous dire si nous nous rapprochons de la destination.

Chaque choix semble pouvoir être le mauvais

Le choix du modèle crée une autre couche d'anxiété.

Sélectionnez un modèle plus petit ou moins coûteux et vous pouvez économiser de la capacité, mais peut-être qu'il ne comprendra pas la tâche et nécessitera plusieurs tentatives. Sélectionnez le modèle le plus performant et vous pouvez vous demander si vous avez utilisé une intelligence premium pour un travail qu'une option moins chère aurait pu gérer. Choisissez la vitesse et vous pouvez vous inquiéter du coût. Choisissez l'efficacité et vous pouvez passer votre propre temps à attendre.

Il y a rarement assez d'informations pour calculer la réponse parfaite avant que la tâche ne commence.

Cela produit une forme étrange de regret décisionnel. Si le résultat est mauvais, nous blâmons le choix du modèle. Si l'utilisation chute rapidement, nous blâmons le niveau d'effort. Si l'agent réussit facilement, nous nous demandons si nous avons trop payé.

Le réglage optimal devient évident seulement lorsqu'il n'est plus utile.

La psychologie de la réinitialisation

Les limites d'abonnement ajoutent leurs propres comportements.

Lorsqu'une réinitialisation approche, la capacité inutilisée peut sembler gaspillée. Lorsque la prochaine réinitialisation est loin, la même capacité paraît précieuse. Un utilisateur avec vingt pour cent restants peut reporter un travail précieux parce qu'il craint d'avoir besoin de ces jetons plus tard. Un autre peut lancer des tâches inutiles juste avant une réinitialisation parce que laisser de la capacité inutilisée donne l'impression de perdre quelque chose qu'il a déjà payé.

Ce n'est pas une allocation rationnelle des ressources. C'est la psychologie familière de la rareté, de l'expiration et du coût irrécupérable appliquée à l'intelligence machine.

Différents produits d'IA conditionnent l'accès différemment, ce qui rend l'intuition encore plus difficile à transférer. Une habitude apprise dans Codex peut ne pas s'appliquer à Claude Code. Un abonnement personnel peut se comporter différemment d'une API à la consommation ou d'un compte entreprise. L'utilisateur doit apprendre une nouvelle jauge de carburant pour chaque véhicule.

Quand l'entreprise paie, l'anxiété devient politique

L'anxiété des jetons devient plus sérieuse lorsque l'utilisation appartient à un employeur.

Si une entreprise paie à l'usage, les employés peuvent ne pas savoir à quoi ressemble une utilisation responsable. Une longue exécution d'agent est-elle la preuve d'une automatisation productive ou d'une dépense négligente ? L'expérimentation est-elle encouragée ? Y a-t-il un budget par personne, par équipe, ou par résultat ? Quelqu'un recevra-t-il un rapport montrant qui a consommé le plus ?

Sans normes claires, les gens inventent les leurs. Ils choisissent des modèles plus faibles, évitent le travail exploratoire, raccourcissent les prompts, arrêtent les agents avant la vérification, ou utilisent discrètement des comptes personnels. Une entreprise peut acheter une IA puissante et pourtant apprendre à ses employés à ne pas l'utiliser à cause de l'ambiguïté entourant la facture.

L'inverse est aussi possible. Si l'utilisation semble illimitée et que personne ne la relie aux résultats, les équipes peuvent générer d'énormes quantités d'activité sans créer de valeur significative.

La réponse n'est pas plus d'anxiété. C'est une économie plus claire.

Le paradoxe de l'optimisation

Un peu d'optimisation est sensée. Les tâches faciles n'ont pas toujours besoin du modèle le plus performant. Les flux de travail répétés devraient être rendus plus efficaces. Les boucles échouées ne devraient pas consommer des ressources indéfiniment.

Mais il y a un point où l'optimisation des jetons devient contre-productive.

Si un travailleur du savoir passe quinze minutes à comparer les modèles pour économiser quelques centimes, l'organisation a optimisé la ressource la moins chère. Si un agent s'arrête avant d'exécuter les tests parce que la vérification coûte des jetons, l'exécution apparemment efficace peut générer un coûteux travail humain de reprise. Si la peur d'utiliser une réinitialisation retarde une tâche précieuse, la capacité inutilisée est devenue plus importante que le résultat qu'elle a été achetée pour produire.

Nous pouvons consacrer plus d'attention humaine à nous inquiéter des jetons que les jetons ne valent.

C'est pourquoi je pense que la métrique la plus utile n'est pas la consommation seule. Comme je l'ai soutenu dans The Megatoken Economy, la meilleure question est la valeur économique produite par ces jetons. Une exécution coûteuse qui complète un flux de travail précieux peut être efficace. Une exécution bon marché qui ne produit rien d'utile ne l'est pas.

D'une jauge de carburant à une jauge de confiance

De meilleurs produits d'IA ne devraient pas simplement afficher un pourcentage et une horloge de réinitialisation. Ils devraient aider les utilisateurs à répondre à la question qui crée réellement l'anxiété : puis-je terminer cette tâche ?

Cela peut signifier estimer la capacité probablement requise, avertir avant qu'un mode sélectionné ne soit disproportionné, préserver suffisamment de marge pour la vérification, ou permettre à une tâche de se poursuivre élégamment avec un autre modèle. Cela peut signifier expliquer si « l'utilisation restante » est une limite stricte, une allocation glissante ou une estimation.

L'interface devrait communiquer la confiance, pas seulement l'inventaire.

Les organisations ont aussi du travail à faire :

• Fournir des paramètres par défaut raisonnables. La plupart des employés ne devraient pas avoir à résoudre un problème de routage de modèle avant chaque prompt.
• Adapter l'effort à l'enjeu. Utilisez des paramètres plus performants lorsque les erreurs sont coûteuses, que la tâche est difficile à vérifier ou que le résultat a une grande valeur.
• Définir des budgets d'expérimentation. Les gens devraient savoir de quelle liberté ils disposent pour apprendre sans craindre un contrôle de coût invisible.
• Mesurer les résultats en plus de l'utilisation. Le coût n'a de sens que comparé au temps économisé, à la qualité améliorée, au risque réduit ou à la valeur créée.
• Concevoir pour la reprise. Être à court ne devrait pas signifier abandonner une tâche à moitié terminée et perdre tout le contexte investi.

Les individus peuvent adopter une règle simple : choisir un paramètre par défaut raisonnable, le changer lorsque l'enjeu le justifie, et évaluer le résultat plutôt que d'obséder sur la jauge.

L'anxiété est un signe de transition

Les premiers propriétaires de véhicules électriques devaient penser constamment aux bornes, aux itinéraires, à la température et à l'autonomie restante. À mesure que les batteries se sont améliorées, que les réseaux de recharge se sont étendus et que les estimations sont devenues plus fiables, une grande partie de cette charge mentale a diminué.

L'IA suivra probablement un chemin similaire. La capacité deviendra moins chère. Le routage sera plus automatique. Les produits apprendront quel modèle et quel niveau d'effort une tâche requiert. Les organisations développeront des budgets et des attentes plus clairs.

Mais en 2026, nous sommes encore de nouveaux propriétaires. Les jauges sont inconnues, les estimations incertaines, et les réseaux de recharge ont tous des règles différentes.

C'est pourquoi l'anxiété des jetons compte. Ce n'est pas une plainte de personnes qui veulent une IA illimitée. C'est la preuve que l'IA agentique est devenue assez réelle pour qu'on en dépende, alors que son économie et ses interfaces restent difficiles à appréhender.

L'industrie a rendu l'intelligence visible comme une ressource consommable. Son prochain défi est de rendre cette ressource compréhensible.

En attendant, nous continuerons à regarder la jauge avant de commencer le voyage.

Non pas parce que nous avons peur d'utiliser l'IA, mais parce que nous ne sommes plus sûrs d'avoir assez d'IA pour arriver.