L’intelligence artificielle générative entre dans une phase plus disciplinée. Après l’expérimentation, l’enthousiasme et les déploiements rapides, les directions financières commencent à poser une question très simple : combien tout cela coûte-t-il vraiment?

Seulement 26 % des entreprises disent avoir une vision complète de leurs coûts liés à l’IA, d’après un sondage de KPMG encore non publié. La moitié affirme disposer d’une visibilité partielle, tandis que 22 % disent ne pas avoir de visibilité ou seulement découvrir les coûts après facturation. Pour les chefs des finances, ce manque de contrôle devient un enjeu majeur.

Le problème vient en partie du mode de facturation. Les logiciels d’entreprise étaient traditionnellement vendus sous forme d’abonnements fixes, souvent calculés par utilisateur. L’IA générative, elle, est de plus en plus facturée à l’usage, notamment en fonction des jetons, l’unité de calcul utilisée par les modèles pour traiter les requêtes, les réponses, les documents et les actions automatisées.

Ce changement déplace le risque vers les entreprises clientes. Plus les employés utilisent des robots conversationnels, des agents autonomes, des assistants de programmation ou des outils d’analyse, plus la consommation augmente. Et cette hausse peut être difficile à prévoir. Un projet pilote prometteur peut rapidement devenir une ligne budgétaire beaucoup plus lourde que prévu.

KPMG rapporte travailler avec des entreprises qui ont consommé en quelques mois leurs budgets annuels de jetons et d’infonuagique. Dans un autre cas cité par le Wall Street Journal, l’utilisation des jetons aurait été multipliée par six. Cette croissance rapide illustre la difficulté de modéliser les coûts lorsque les usages se diffusent dans plusieurs équipes à la fois.

Les agents d’IA compliquent encore l’équation. Contrairement à une simple question posée à un assistant, un agent peut réaliser une suite d’actions : lire des fichiers, écrire du code, tester une hypothèse, corriger une erreur, relancer une tâche et produire un résultat final. Chaque étape consomme des jetons. Une demande qui paraît simple à l’utilisateur peut donc entraîner une cascade de calculs.

Cette réalité commence à influencer les décisions des entreprises. Life360, spécialisée dans le partage de localisation et les services de sécurité numérique, travaille à réduire la consommation de jetons et à revoir la conception de ses agents. Son chef des finances affirme vouloir disposer bientôt d’un suivi en temps réel de ces dépenses.

Affirm a aussi intégré la consommation de jetons à son processus budgétaire annuel. L’entreprise dit avoir fortement augmenté l’usage d’agents pour produire du code, avec des gains de productivité pour ses équipes de développement. Mais cette adoption s’est accompagnée d’une hausse rapide de la consommation, surveillée presque en temps réel et examinée chaque semaine par la direction.

D’autres entreprises avancent plus prudemment. Reckitt, le groupe britannique derrière plusieurs marques de produits de consommation, analyse l’utilisation réelle des outils d’IA après leur déploiement. Dans certains cas, les employés reviennent à leurs anciennes méthodes après quelques semaines, ce qui réduit le rendement attendu. L’entreprise a aussi ralenti le déploiement d’une solution marketing lorsque les données produites se sont révélées insuffisantes.

Corning a choisi de limiter le nombre d’outils d’IA accessibles à ses employés, tout en concentrant son budget sur quelques projets jugés prioritaires. L’entreprise ne veut pas bloquer l’apprentissage ni l’expérimentation, mais elle cherche à éviter la dispersion. Amer Sports, propriétaire notamment d’Arc’teryx et de Salomon, adopte une approche semblable en évaluant d’abord les usages capables d’améliorer durablement les processus financiers et administratifs.

Ce débat rappelle la ruée vers l’infonuagique pendant la pandémie. Les entreprises avaient alors multiplié les abonnements, les services et les outils collaboratifs avant de revenir à une phase de rationalisation. L’IA pourrait suivre la même trajectoire : adoption rapide, hausse des dépenses, puis mise en place de règles de gouvernance plus strictes.

Le parallèle a ses limites, car l’IA ne se contente pas d’héberger des données ou de fournir un logiciel. Elle exécute des tâches, génère du contenu, assiste des décisions et peut s’intégrer à des processus critiques. Mais la leçon budgétaire demeure la même : une technologie flexible peut aussi devenir imprévisible si personne ne mesure précisément son utilisation.

Pour les chefs des finances, le défi n’est donc pas de freiner l’IA, mais de la rendre mesurable. Il faut savoir qui l’utilise, pour quelles tâches, avec quels outils, à quel coût et avec quel résultat. Le nombre de jetons consommés peut indiquer l’activité, mais il ne dit pas à lui seul si l’entreprise crée de la valeur.

C’est là que la gouvernance devient essentielle. Une entreprise peut consommer beaucoup d’IA pour paraître innovante sans améliorer sa productivité. À l’inverse, un usage plus limité, mieux ciblé et bien intégré aux processus peut produire des gains réels. Le bon indicateur n’est donc pas seulement la quantité de jetons, mais le lien entre cette consommation et les résultats d’affaires.

L’IA générative a d’abord été présentée comme un moteur de productivité. Elle devient maintenant un test de discipline financière. Les entreprises qui sauront mesurer leurs coûts, comparer les usages et ajuster leurs déploiements auront une longueur d’avance. Les autres risquent de découvrir que la transformation numérique peut aussi arriver avec une facture surprise.

Source : Wall Street Journal

*****

Du lundi au vendredi, Bruno Guglielminetti vous propose un regard sur l’essentiel de l’actualité numérique avec 120 secondes de Tech.

Ou encore…

Écoutez la plus récente édition de Mon Carnet,
le magazine hebdomadaire de l’actualité numérique.