Deux des plus grands clients entreprises d’Anthropic réduisent simultanément leur utilisation interne de Claude.
Selon un article de The Information, Microsoft prévoyait auparavant de dépenser au moins 1 milliard de dollars cette année pour son propre usage interne de la technologie d’Anthropic. L’entreprise a depuis réduit cette prévision de plus d’un tiers, après avoir demandé à ses employés de moins utiliser Claude et de s’appuyer davantage sur les propres outils de Microsoft.
Chez Meta, le nombre d’employés utilisant Claude Code serait passé d’environ 60 000 au début de 2026 à environ 30 000.

L’élément surprenant est qu’un nombre d’utilisateurs plus faible ne signifie pas nécessairement des dépenses faibles. The Information a indiqué que Meta avait tout de même dépensé plus de 105 millions de dollars pour Claude Code sur une récente période de 28 jours.
L’histoire n’est donc pas que Claude serait soudainement devenu mauvais.
C’est presque l’inverse.
Claude Code est devenu suffisamment utile pour que de grandes organisations d’ingénierie l’exécutent en continu. Dès lors que des agents de programmation autonomes commencent à lire des dépôts de code, exécuter des tests, modifier des fichiers, réessayer après des échecs et fonctionner pendant des heures, la consommation de jetons devient une ligne budgétaire significative.
Cela fait entrer l’IA de programmation en entreprise dans une nouvelle phase : les capacités restent importantes, mais le sont aussi le coût par tâche, le contrôle des données, la stratégie fournisseur et la possibilité pour le client de construire lui-même une alternative.
La facture explose : plus l’agent est performant, plus il peut coûter cher
L’expérience de Microsoft illustre clairement ce qui se produit lorsqu’un outil de programmation agentique est déployé à grande échelle dans une vaste organisation d’ingénierie.
L’article source indique que Microsoft a commencé à donner accès à Claude Code à des milliers d’ingénieurs de son organisation Experiences and Devices à la fin de 2025. L’adoption s’est rapidement étendue sans nécessiter beaucoup de promotion interne.
Des reportages antérieurs sur le programme décrivaient un usage intensif de Claude Code atteignant, dans certains cas, des centaines voire des milliers de dollars par ingénieur et par mois. Les chiffres exacts par utilisateur varient selon les sources et ne doivent pas être considérés comme une moyenne universelle à l’échelle de Microsoft, mais la pression globale sur les coûts est bien documentée.
À la mi-2026, Microsoft orientait déjà de nombreux ingénieurs loin de Claude Code vers GitHub Copilot et des modèles développés par Microsoft.
Mustafa Suleyman, PDG de Microsoft AI, a exprimé la position de l’entreprise de manière particulièrement explicite lors d’une interview accordée à Bloomberg : Anthropic serait « extrêmement coûteux » et Microsoft souhaiterait réduire, puis à terme éliminer, le coût qu’elle verse à Anthropic.

Les derniers reportages vont plus loin.
The Information indique que Microsoft était en bonne voie pour dépenser au moins 1 milliard de dollars par an pour son utilisation interne d’Anthropic, mais qu’elle a désormais abaissé cette prévision de plus d’un tiers.
The Decoder, qui résume le même reportage, indique que la division cloud a également réduit un budget mensuel Claude par employé d’environ 100 000 dollars à 10 000 dollars. Ce chiffre doit plutôt être compris comme une enveloppe de dépense interne ou un plafond budgétaire, et non comme la preuve que chaque employé consommait réellement 100 000 dollars de Claude chaque mois.

Meta rencontre le même problème à une autre échelle
Le nombre d’utilisateurs de Claude Code chez Meta serait passé d’environ 60 000 à environ 30 000.
Une partie de cette baisse a suivi des réductions d’effectifs, mais The Information affirme qu’un facteur plus important réside dans la propre pile technologique d’IA de programmation de Meta.
Meta dispose désormais de plusieurs alternatives internes ou testées en interne :
- MetaCode compte plus de 30 000 utilisateurs internes.
- Muse Code, que Meta a commencé à tester auprès de clients externes en août, compte plus de 6 000 utilisateurs employés.
- La propre famille de modèles Muse Spark de Meta est de plus en plus utilisée dans les flux de travail internes de programmation.
Même après que la base d’utilisateurs de Claude Code a été réduite d’environ moitié, Meta aurait dépensé plus de 105 millions de dollars pour Claude Code sur une récente période de 28 jours.
Cette économie est difficile à ignorer.
Le chiffre de 60 000 milliards de jetons doit être contextualisé
L’article original affirme que le tableau de bord interne « Claudeonomics » de Meta affichait 60 000 milliards de jetons en 30 jours, et laisse entendre que l’ensemble correspondait à du code et des données internes transmis à Claude.
Cette interprétation est trop large.
Les reportages antérieurs de The Information indiquent que le classement Claudeonomics, créé par des employés, suivait l’utilisation des jetons d’IA à l’échelle de l’entreprise, laquelle a dépassé 60 000 milliards de jetons sur une récente période de 30 jours. Les informations disponibles n’établissent pas que chacun de ces jetons provenait de Claude Code.
Le tableau de bord illustre tout de même l’ampleur de l’usage de l’IA au sein de Meta, mais il ne doit pas être lu comme une facture de 60 000 milliards de jetons exclusivement liée à Claude.
Pourquoi la programmation agentique modifie la courbe des coûts
L’usage classique sous forme de conversation est relativement limité.
Un utilisateur pose une question, le modèle répond, puis l’interaction peut s’arrêter.
Les agents de programmation fonctionnent différemment :
lire le dépôt de code
→ inspecter les dépendances
→ rechercher des fichiers
→ modifier le code
→ exécuter des tests
→ examiner les échecs
→ modifier à nouveau
→ exécuter des outils
→ poursuivre pendant des heures
Chaque boucle peut réutiliser à plusieurs reprises de grands volumes de contexte provenant du dépôt de code.
C’est pourquoi les logiciels agentiques peuvent devenir coûteux précisément lorsqu’ils deviennent utiles.
Plus l’agent est autonome, plus il reste actif longtemps. Plus le codebase est vaste, plus il lit de contexte. Plus il effectue d’étapes, plus la facturation en jetons s’accumule.
Cela crée un problème simple pour les entreprises :
Un outil peut générer de véritables gains de productivité tout en devenant financièrement difficile à déployer sans routage, mise en cache, budgets et contrôles d’usage.
Comment un partenaire devient un concurrent
Le coût n’est qu’une partie de l’histoire.
Le problème plus profond est qu’Anthropic concurrence de plus en plus les entreprises qui la considéraient autrefois principalement comme un fournisseur de modèles.
Microsoft commercialise GitHub Copilot, développe ses propres modèles et construit des logiciels de productivité toujours plus agentiques. Claude Code et Claude Cowork d’Anthropic recoupent désormais certaines parties des marchés des outils pour développeurs et des logiciels de bureau que Microsoft souhaite contrôler.
Meta se trouve dans une position similaire.
L’entreprise développe MetaCode, Muse Code et ses propres modèles Muse. Dès lors que Meta dispose d’une pile de programmation interne crédible, il devient plus difficile de justifier le paiement d’un concurrent pour réaliser le même travail.
La relation passe ainsi de :
client → fournisseur de modèles
à quelque chose qui se rapproche de :
client + partenaire stratégique + concurrent potentiel
La concentration de la clientèle compte davantage à l’approche de l’introduction en bourse d’Anthropic
Le calendrier est particulièrement sensible, car Anthropic prépare une cotation en bourse.
Reuters, citant le prospectus d’introduction en bourse d’Anthropic, a rapporté que deux clients non nommés représentaient environ 24 % du chiffre d’affaires d’Anthropic en 2025.
Le prospectus ne précise pas l’identité de ces deux clients.
L’article original indique que le marché soupçonne largement qu’il s’agit de Microsoft et Meta. Cela reste une spéculation et ne doit pas être présenté comme un fait confirmé.
Ce qui est confirmé est le risque plus large : le prospectus d’Anthropic avertit explicitement que ses revenus sont concentrés chez un petit nombre de grands clients et qu’une réduction des dépenses des comptes majeurs pourrait nuire à son activité.
Cela rend un recul simultané de deux grands clients technologiques plus important qu’un simple ajustement habituel de budget fournisseur.
Anthropic conserve d’importants engagements d’infrastructure
La relation avec Microsoft comporte une autre tension inhabituelle.
Alors que Microsoft réduit ses dépenses internes liées à Claude, Anthropic a elle-même d’importantes obligations d’infrastructure à long terme envers Microsoft.
Reuters a rapporté, à partir du prospectus d’Anthropic, que l’entreprise possède environ 31,4 milliards de dollars d’engagements d’infrastructure non résiliables envers Microsoft s’étendant sur la prochaine décennie, sauf dans certaines conditions de manquement spécifiées.
Les deux entreprises peuvent donc simultanément être :
- Cliente et fournisseur
- Investisseur et partenaire d’infrastructure
- Collaborateurs dans l’IA
- Concurrents
Ce type d’interdépendance devient de plus en plus courant dans l’IA de pointe.
D’autres entreprises renforcent également leurs contrôles
L’article source soutient que Microsoft et Meta ne sont pas des cas isolés.
Creez un site vitrine et genere des leads en quelques minutes
Decrivez votre idee une fois, et We0 AI peut generer un site vitrine, des pages et un CMS, puis vous aider a attirer clients et trafic apres le lancement.
Une génération de projet complète pour une inscription gratuite
Idéal pour essayer un flux de génération complet et voir rapidement une première ébauche de projet.
Ce schéma plus large est étayé par des reportages supplémentaires.
En juillet, Reuters a rapporté qu’Alibaba avait interdit à ses employés d’utiliser Claude Code et leur avait demandé de passer à la plateforme Qoder de l’entreprise, en invoquant des préoccupations de sécurité.
En septembre, Reuters a rapporté que Palantir, Nvidia et Booz Allen Hamilton avaient limité ou envisageaient de limiter l’utilisation de modèles externes avancés en raison de préoccupations liées aux données propriétaires et aux politiques de conservation des données.
Les restrictions exactes diffèrent selon l’entreprise :
- Nvidia limiterait les modèles Anthropic aux tâches moins sensibles et utiliserait ses propres modèles Nemotron pour les tâches internes propriétaires.
- Booz Allen limiterait les modèles commerciaux d’Anthropic pour les travaux propriétaires de cybersécurité.
- Palantir aurait cherché à obtenir de plus fortes garanties de zéro conservation des données avant une intégration plus approfondie.
Le schéma commun n’est pas simplement que « Claude est trop coûteux ».
Pour les grandes entreprises, le code, les données de sécurité, les documents internes et les flux de travail propriétaires sont des actifs essentiels. Plus un agent d’IA se rapproche de ces actifs, plus les clients accordent d’importance au coût, à la conservation, au contrôle et à la dépendance concurrentielle.
La réponse d’Anthropic : réduire le coût effectif et renforcer les contrôles des données d’entreprise
Anthropic n’ignore pas ces objections.
En septembre, l’entreprise a lancé Claude Fable 5.1, en maintenant ses tarifs API de base inchangés tout en réduisant de 75 % le prix de lecture du cache, de 1,00 dollar à 0,25 dollar par million de jetons.
Anthropic affirme que cela réduit le coût total :
- D’environ 25 % pour les charges de travail typiques
- Jusqu’à environ 45 % pour les charges de travail fortement agentiques
La raison est simple.
Les agents exécutés sur de longues périodes relisent à plusieurs reprises du contexte déjà traité. Si ce contexte réutilisé devient beaucoup moins cher, la facture totale par tâche peut diminuer même lorsque les prix affichés pour l’entrée et la sortie ne changent pas.
Tarification de Fable 5.1
| Type de jeton | Prix de Fable 5.1 par 1 M de jetons |
|---|---|
| Entrée | 10,00 $ |
| Lecture du cache | 0,25 $ |
| Sortie | 50,00 $ |
Les économies de 25 % et 45 % sont des estimations selon les charges de travail, et non des remises garanties sur chaque requête.
Une requête courte qui ne bénéficie pas de la mise en cache peut encore coûter pratiquement le même prix qu’auparavant.
Protections Enterprise Frontier
Anthropic a également annoncé les Enterprise Frontier Safeguards (EFS) afin de répondre aux préoccupations liées à la conservation des données.
Les EFS sont conçues pour que les clients entreprises éligibles puissent conserver leurs données dans une infrastructure cloud qu’ils contrôlent plutôt que dans les propres systèmes d’Anthropic, tout en permettant des protections automatisées de détection des usages abusifs.
Anthropic indique que les EFS sont déployées par phases et que les clients éligibles peuvent bénéficier d’un traitement de zéro conservation des données jusqu’à ce que le système soit largement disponible.
Cette initiative répond directement à l’une des préoccupations soulevées par les entreprises qui traitent des informations propriétaires ou réglementées.
Elle ne résout toutefois pas tous les problèmes stratégiques.
Une entreprise qui possède déjà un modèle interne ou une pile de programmation solide peut toujours préférer son propre système, même si les prix externes et la confidentialité s’améliorent.
L’IA de programmation entre dans la phase de comptabilité des coûts
Au cours des deux dernières années, une grande partie de la course à l’IA s’est concentrée sur les capacités :
- Quel modèle écrit le meilleur code ?
- Quel agent peut travailler plus longtemps ?
- Quel système peut utiliser le plus d’outils ?
- Quel modèle atteint le meilleur score de benchmark ?
Les équipes financières posent désormais une question différente :
Quel a été le coût réel de chaque tâche terminée ?
C’est un changement majeur.
L’expérience de Microsoft illustre le cycle complet :
- Claude Code devient populaire parce que les ingénieurs le jugent utile.
- L’usage s’étend rapidement.
- Les sessions agentiques consomment de grandes quantités de jetons.
- Les dépenses deviennent visibles à l’échelle de l’organisation.
- La direction introduit des budgets et promeut des alternatives moins coûteuses ou internes.
La préférence des ingénieurs reste importante, mais elle ne décide plus à elle seule de l’ensemble du processus d’approvisionnement.
Le marché se divise en niveaux de modèles
Un schéma probable se dessine dans les entreprises :
| Charge de travail | Stratégie de modèle probable |
|---|---|
| Programmation de routine, documentation, correctifs simples | Modèle moins cher, plus rapide et étroitement contrôlé |
| Agents internes à fort volume | Modèle à faible coût avec mise en cache agressive et plafonds de dépense |
| Travail propriétaire ou très sensible | Déploiement interne, privé ou fortement isolé |
| Raisonnement difficile et architecture complexe | Modèle de pointe réservé aux tâches les plus difficiles |
C’est moins spectaculaire que les classements de benchmarks, mais probablement plus important pour l’adoption en entreprise.
Le modèle le plus performant ne remporte pas automatiquement le plus grand déploiement.
Le système gagnant doit également être abordable, prévisible, gouvernable et suffisamment sûr pour être connecté aux données fondamentales de l’entreprise.
Le coût par jeton ne suffit pas
Les entreprises doivent de plus en plus mesurer le coût par tâche terminée, et non seulement le prix de l’API par million de jetons.
Une mesure interne utile pourrait inclure :
coût total de la tâche =
jetons du modèle
+ écritures et lectures du cache
+ appels d’outils
+ nouvelles tentatives
+ temps de revue humaine
+ frais d’infrastructure
Un modèle dont le prix par jeton est élevé peut rester économique s’il termine la tâche en moins d’étapes.
Un modèle bon marché peut devenir coûteux s’il boucle, recommence ou nécessite davantage de corrections humaines.
C’est pourquoi la prochaine phase de l’IA de programmation ressemblera de plus en plus au FinOps : routage, budgets, observabilité, mise en cache, tableaux de bord d’usage et mesure du retour sur investissement deviendront des éléments de la pile d’ingénierie.
FAQ
Pourquoi Microsoft a-t-elle réduit ses dépenses liées à Claude ?
The Information rapporte que Microsoft a réduit de plus d’un tiers ses dépenses internes projetées auprès d’Anthropic après avoir demandé aux employés d’utiliser moins Claude et de s’appuyer davantage sur GitHub Copilot et les propres modèles de Microsoft. Le coût est un facteur majeur, mais Microsoft concurrence également directement Anthropic dans les outils pour développeurs et l’IA d’entreprise.
Combien d’employés de Meta utilisent encore Claude Code ?
Les derniers reportages situent ce nombre à environ 30 000, contre environ 60 000 au début de 2026. Une partie de la baisse a suivi des licenciements, tandis qu’un facteur plus important a été l’expansion de MetaCode, Muse Code et des propres modèles Muse de Meta.
Meta a-t-elle réellement dépensé plus de 100 millions de dollars pour Claude Code en un mois ?
The Information indique que Meta a dépensé plus de 105 millions de dollars pour Claude Code au cours d’une récente période de 28 jours. Ce chiffre correspond à une dépense interne rapportée, et non à une publication financière officielle de Meta.
Meta a-t-elle utilisé 60 000 milliards de jetons Claude en 30 jours ?
Pas exactement. Le tableau de bord Claudeonomics créé par des employés aurait montré plus de 60 000 milliards de jetons d’IA à l’échelle de l’entreprise sur 30 jours. Les informations disponibles n’établissent pas que tout ce trafic provenait de Claude Code.
Pourquoi Claude Code peut-il devenir coûteux si rapidement ?
Les sessions de programmation agentique lisent à plusieurs reprises de grands dépôts de code, appellent des outils, exécutent des tests, inspectent les résultats et réessaient les modifications. Cela génère une consommation de jetons bien plus importante qu’une conversation courte ou qu’une complétion de code ponctuelle.
Que fait Anthropic pour réduire les coûts en entreprise ?
Claude Fable 5.1 réduit de 75 % le prix de lecture du cache. Anthropic estime que cela diminue le coût total d’environ 25 % pour les charges de travail typiques et jusqu’à environ 45 % pour les charges de travail fortement agentiques qui réutilisent de grands volumes de contexte mis en cache.
Que sont les Enterprise Frontier Safeguards ?
Les Enterprise Frontier Safeguards sont les nouveaux contrôles d’Anthropic destinés aux clients professionnels éligibles qui souhaitent une confidentialité renforcée tout en conservant la surveillance des usages abusifs. Leur conception conserve les données dans une infrastructure cloud contrôlée par le client plutôt que dans les systèmes d’Anthropic, avec un déploiement par phases à partir de 2026.
Cela signifie-t-il que les entreprises abandonnent les modèles d’IA de pointe ?
Non. La tendance va vers un usage sélectif plutôt que vers un abandon complet. De nombreuses entreprises réservent les modèles de pointe coûteux aux tâches à forte valeur, tout en orientant les charges de travail courantes, sensibles ou à fort volume vers des systèmes moins coûteux ou contrôlés en interne.
Outils associés
- Claude Code : outil de programmation agentique d’Anthropic destiné aux dépôts de code, au terminal et aux flux de travail de développement logiciel de longue durée.
- GitHub Copilot : principal produit d’IA de Microsoft pour les développeurs et l’une des alternatives internes promues chez Microsoft.
- Qoder : plateforme de programmation par IA d’Alibaba, que les employés auraient été invités à utiliser après l’interdiction interne de Claude Code.
- NVIDIA Nemotron : famille de modèles de NVIDIA utilisée pour des charges de travail d’IA d’entreprise et internes contrôlées.
- Claude Platform : plateforme API officielle d’Anthropic pour l’usage, les modèles, la tarification, la mise en cache et l’intégration en entreprise.
Liens associés
- Article original de BAAI Hub : article source chinois utilisé comme base structurelle de cette adaptation en anglais.
- The Information : Microsoft réduit d’un tiers ses dépenses internes liées à Claude : reportage original sur la réduction par Microsoft et Meta de l’usage interne de Claude.
- The Decoder : Meta et Microsoft réduisent leur recours à Claude : reportage secondaire contenant les chiffres de budget interne et de nombre d’utilisateurs cités dans l’article source.
- Anthropic : Claude Fable 5.1 et Mythos 5.1 : explication officielle de la baisse de 75 % du prix de lecture du cache et des économies estimées selon les charges de travail.
- Anthropic : Enterprise Frontier Safeguards : description officielle de l’architecture de conservation des données contrôlée par le client d’Anthropic.
- Reuters : Alibaba interdit Claude Code à ses employés : reportage sur l’interdiction interne de Claude Code chez Alibaba et le passage vers Qoder.
- Reuters : prospectus d’introduction en bourse d’Anthropic et dépendance aux partenaires Big Tech : reportage sur la concentration de la clientèle, les relations cloud et les engagements d’infrastructure révélés dans le prospectus d’Anthropic.
- Reuters : Palantir, Nvidia et Booz Allen limitent l’utilisation de modèles : reportage de Reuters sur les préoccupations des entreprises concernant la conservation des données et les informations propriétaires.
Résumé
Microsoft et Meta ne réduisent pas leur recours à Claude parce que l’outil aurait soudainement cessé d’être utile. Leurs retraits illustrent le problème inverse : la programmation agentique peut devenir extrêmement coûteuse très rapidement lorsque des milliers d’employés exécutent de longues sessions autonomes sur de grands codebases.
L’enjeu stratégique dépasse le prix. Microsoft et Meta développent leurs propres produits d’IA concurrents, tandis que d’autres entreprises restreignent l’accès aux modèles externes lorsque des données propriétaires sont en jeu. Anthropic répond avec des lectures de cache moins coûteuses et des contrôles de données renforcés pour les entreprises, mais le marché s’oriente clairement vers un routage plus sélectif des modèles.
La prochaine phase de l’IA de programmation sera jugée sur bien plus que les scores de benchmark. Les entreprises se soucient de plus en plus du coût par tâche, de la gouvernance des données, de la dépendance aux fournisseurs et de la possibilité de connecter en toute sécurité le modèle aux systèmes internes essentiels.
L’agent de programmation le plus capable ne devient pas automatiquement l’outil d’entreprise par défaut : celui qui s’impose doit aussi être abordable, contrôlable et stratégiquement acceptable.



