On Vercel’s AI gateway, open-weight models now account for the majority of production traffic, a trend echoed by the Tokenomics Foundation’s first community survey. The sister organization of the FinOps Foundation collected just under 500 responses from participants spanning about a dozen industries, representing companies with a median revenue close to $2 billion.

One of the survey’s key questions measured the balance between proprietary and open-weight models on a 0-to-10 scale. More than half of respondents (51%) leaned strongly toward closed models, scoring 8, 9 or 10. But the outlook over the next 12 months is notably different: around 70% expect to use at least as many open models as closed ones.

The survey shows that nearly all represented organizations are already live with at least one model provider such as Anthropic, OpenAI, Google or DeepSeek: 96% said they are. Token-based inference services such as Amazon Bedrock, Vertex AI and Azure Foundry are also widely used, at 87%. Embedded AI — a category that Tokenomics Foundation says includes tools such as Cursor, Windsurf, Databricks Genie and Snowflake CoCo — is present in 64% of the sample. Local and/or edge AI drops to 31%, the same share as GPU rental from cloud providers, while 29% run their own hardware in their datacenter or colocation.

Direct use of providers like OpenAI and others usually means closed models: 86% of the sample uses them. Still, more than a third (35%) also use open-weight models, and 18% use custom LLMs, either trained or fine-tuned. The pattern is similar for Bedrock-like services, where 76% use closed models, 34% open-weight models and 16% custom models. Among those renting GPUs, open-weight usage reaches 24% and custom models 16%. In embedded scenarios, proprietary models dominate at 54%, versus 23% open and 9% custom.

On governance, the foundation says confidence remains limited both in spending visibility and in ROI measurement. Only 14% are very confident in their spending visibility, while 39% are moderately confident, 28% are not very confident and 20% are not confident at all. For ROI measurement, the picture is worse: 9% very confident, 17% moderately confident, 34% not very confident and 39% not confident at all. Those most confident in ROI share two traits: they can attribute costs to workloads and teams, and they track concrete business metrics such as tickets, pull requests or revenue.

These two issues — visibility/attribution and ROI measurement — emerge as the main challenges of the emerging “token economy.” By contrast, respondents mention governance, skills and pricing complexity far less often. Governance is most often handled by IT (35%), though a shared, cross-functional model is also common (26%). It is less frequently assigned to leadership (9%), finance (5%) or data/AI teams (6%).

For LLM routing gateways, a core topic for the Tokenomics Foundation, the market remains fragmented between established solutions such as OpenRouter and LiteLLM, in-house tools and cloud-native options. Many respondents are still evaluating, while the most advanced are increasingly adopting hybrid approaches. The foundation sees this as evidence of a growing need for modular architectures and interoperability standards.

Energy consumption is also on the radar for 38% of respondents, typically those who own or rent hardware and use or train open-weight models. As for the FinOps specification FOCUS, only 7% of respondents mentioned it spontaneously when asked what they expect from vendors. The next version is due in December and is expected to add standardized identification of models, versions and developers; cost attribution to individuals, service accounts and agents; public price catalogs to estimate workload costs in advance; and visibility into input and output caches.

The foundation has already published guidance on cache management and proposed an adaptation of Big-O notation to AI, to describe how token consumption scales with usage, complexity and autonomy — expressed as requests × calls per request × agentic depth.

Sur la passerelle IA de Vercel, les modèles à poids ouverts captent désormais la majorité du trafic de production.

Cette statistique trouve un forme d’écho dans celles de la Tokenomics Foundation.

L’organisation sœur de la FinOps Foundation a conduit son premier sondage communautaire. Elle a enregistré un peu moins de 500 réponses. Les participants se répartissent entre une dizaine de secteurs économiques. Le revenu médian des entreprises qu’ils représentent est proche des 2 milliards $.

Une des questions visait à mesurer le ratio entre modèles propriétaires et modèles open-weight. Les sondés devaient l’exprimer sur une échelle de 0 à 10. Plus de la moitié (51 %) ont largement penché en faveur des modèles fermés (8, 9 ou 10). La perspective à 12 mois est toutefois assez différente : ils sont environ 70 % à envisager d’utiliser au moins autant les modèles ouverts.

L’IA locale, trois fois moins fréquente que l’IA cloud

En l’état, la quasi-totalité des organisations représentées sont « en direct » avec au moins un fournisseur de modèles (Anthropic, OpenAI, Google, DeepSeek…). 96 % en l’occurrence. Elles sont également nombreuses (87 %) à utiliser les services d’inférence au token (Amazon Bedrock, Vertex AI, Azure Foundry…).

L’IA embarquée – catégorie dans laquelle la Tokenomics Foundation classe par exemple Cursor, Windsurf, Databricks Genie et Snowflake CoCo – est une réalité chez 64 % de l’échantillon. On tombe à 31 % pour l’IA locale et/ou en périphérie. Même pourcentage pour la location de GPU chez des clouders. 29 % ont leur propre matériel, dans leur datacenter ou en colocation.

L’usage « en direct » chez OpenAI & Cie implique souvent des modèles fermés (86 % de l’échantillon). Ils sont tout de même plus d’un tiers (35 %) à exploiter des modèles à poids ouverts. Et 18 % à utiliser des LLM personnalisés (entraînement ou ajustement).

Les proportions sont similaires sur les services « à la Bedrock » (respectivement 76, 34 et 16 %). Chez ceux qui louent du GPU, la proportion d’open-weight atteint 24 % ; celle de custom, 16 %. Dans le scénario embarqué, le propriétaire domine (54 %, contre 23 % d’ouvert et 9 % de custom).

Gouvernance : l’approche multipartite n’est pas si rare

Dans la lignée de ce qu’elle a produit en quelques mois d’existence officielle, la Tokenomics Foundation constate une confiance limitée tant dans la visibilité sur les dépenses que sur la mesure du ROI.

Visibilité sur les dépenses

Mesure du ROI

Très confiants

14 %

9 %

Modérément confiants

39 %

17 %

Peu confiants

28 %

34 %

Non confiants

20 %

39 %

Sur le volet ROI, les répondants qui se disent « très confiants » ont deux traits communs. D’une part, la capacité à attribuer les coûts à des workloads et à des équipes. De l’autre, l’aptitude à suivre des métriques business « concrètes » tels les tickets, les PR ou le chiffre d’affaires.

Ces deux dimensions (visibilité / attribution et mesure du ROI) apparaissent largement comme les principaux défis de la « token-économie ». À l’inverse, les participants sont nettement moins nombreux à citer la gouvernance, les compétences et la complexité des tarifications.

La gouvernance, justement, échoit le plus souvent à l’IT (35 % des répondants). Son partage entre fonctions n’est pas rare (26 %). Il est plus inhabituel de la voir confiée à la direction (9 %), à la finance (5 %) ou à des métiers data / IA (6 %).

Une tendance à combiner les passerelles de routage LLM

Pour ce qui est des passerelles de routage LLM (élément-clé dans le discours de la Tokenomics Foundation), le paysage est pour l’instant nettement fragmenté, entre des solutions établies comme OpenRouter et LiteLLM, des outils maison et des options cloud-native. Beaucoup de répondants restent en phase d’évaluation. Les plus avancés « adoptent de plus en plus » des approches hybrides. La Tokenomics Foundation y perçoit un besoin d’autant plus grand d’architectures modulaires et de normes d’interopérabilité.

Le sondage révèle une certaine prise en compte de l’enjeu énergétique (38 % des répondants). Mais ce sont généralement ceux qui possèdent ou louent du matériel et utilisent des modèles open-weight ou en entraînent.

Peu de citations spontanées pour la spécification FOCUS

La Tokenomics Foundation souligne que, interrogés à propos de ce qu’ils attendent des fournisseurs, 7 % des répondants ont spontanément mentionné FOCUS.

La prochaine version de cette spécification FinOps est prévue pour décembre. En matière de tokenomics, elle devrait notamment inclure :

Identification standardisée des modèles, de leurs versions et de leur développeurs

Attribution de charges aux individus, aux comptes de services et aux agents

Catalogue de prix publics pour estimer par avance le coût d’un workload

Visibilité sur les caches en entrée et en sortie

La Tokenomics Foundation a déjà produit un livrable sur la gestion du cache. Elle a aussi proposé une adaptation de la notation Big-O, qui reflète la croissance d’un système en fonction de ses intrants. Transposée à l’IA, elle permet de comprendre comment la consommation de tokens augmente avec l’usage, la complexité ou le niveau d’autonomie (formule : requêtes x appels par requête x profondeur agentique).

Illustration générée par IA

The post Tokenomics : les chiffres d’une discipline FinOps en construction appeared first on Silicon.fr.