Deux ans après la démocratisation des outils de codage IA, un phénomène commence à émerger : dans certaines équipes, le nombre de commits de code a doublé, mais la livraison des produits n'a pas accéléré et les bogues ont augmenté.
TechCrunch a récemment rapporté un terme : Tokenmaxxing. Il désigne le fait que les développeurs ont commencé à considérer le budget de tokens des outils IA comme un insigne de statut – plus le quota de tokens est élevé, plus on se considère productif. Mais les données disent le contraire.
Plus de tokens, code supprimé plus vite
Regardons les chiffres :
- GitClear, janvier 2026 : Les développeurs utilisant des outils IA ont un churn de code (quantité supprimée/modifiée par rapport à la quantité nouvelle) 9,4 fois plus élevé que leurs collègues n'utilisant pas l'IA.
- Faros AI, mars 2026 : Une analyse de deux années de données clients montre qu'avec une adoption élevée de l'IA, le churn de code a augmenté de 861 %.
- Jellyfish, T1 2026 : Les ingénieurs disposant du plus gros budget de tokens ont un débit deux fois supérieur à la moyenne, mais un coût 10 fois plus élevé.
Cela ne signifie pas que les outils IA sont inutiles. Cela signifie qu'une grande partie du code comptabilisé comme « gain de productivité » ne survit que quelques semaines.
La vérité derrière le taux d'acceptation de 80 %
En moyenne, les ingénieurs acceptent 80 à 90 % du code généré par l'IA. Ce chiffre semble élevé et est utilisé par de nombreuses entreprises comme indicateur central du « ROI de l'IA ».
Cependant, Alex Circei, PDG de Waydev, a analysé les données de plus de 50 entreprises et de plus de 10 000 ingénieurs et a découvert une tendance :
Le taux d'acceptation initial est de 80 à 90 %, mais après quelques semaines, seulement 10 à 30 % du code subsiste réellement.
Autrement dit, le fait qu'un ingénieur appuie sur « accepter » ne signifie pas que ce code est vraiment utile. De grandes quantités de code généré par l'IA sont silencieusement supprimées ou réécrites lors des itérations ultérieures, et ces suppressions ne sont pas comptabilisées dans les rapports de « temps économisé grâce à l'IA ».
Quand le budget de tokens devient un KPI
L'apparition du terme Tokenmaxxing montre une chose : l'adoption des outils IA est passée d'un problème technique à un problème de gestion organisationnelle.
Lorsque les équipes d'ingénierie commencent à utiliser « combien de tokens IA ont été consommés par mois » comme indicateur de performance, le problème apparaît. Les ingénieurs commencent à utiliser l'IA pour générer de grandes quantités de code afin de démontrer leur charge de travail, au lieu d'évaluer de manière critique quel code devrait réellement être écrit par l'IA.
Atlassian a dépensé 1 milliard de dollars pour acquérir la plateforme d'analyse de développeurs DX précisément à cause de cette tendance – les entreprises ont besoin d'outils pour comprendre le ROI réel de leurs investissements dans l'IA, plutôt que de se leurrer avec la consommation de tokens.
Le goulot d'étranglement de la productivité s'est déplacé
Les outils de codage IA sont réellement utiles. Une étude de McKinsey de février 2026 montre que les outils IA ont réduit le temps des tâches de codage courantes de 46 % en moyenne.
Mais le temps réduit est celui de l'« écriture », pas celui de la « modification » et de la « suppression ».
Les données de Jellyfish montrent que les ingénieurs consacrent 11,4 heures par semaine à la révision du code généré par l'IA, contre seulement 9,8 heures à l'écriture de nouveau code – ce ratio était inversé en 2024.
La génération de code est devenue plus rapide, et la révision de code est devenue le nouveau goulot d'étranglement. Confondre vitesse et qualité est l'erreur fondamentale du Tokenmaxxing.
Source de référence : CocoLoop, 'Tokenmaxxing' is making developers less productive than they think (TechCrunch)