L'économie des tokens d'IA : pourquoi les entreprises ont besoin d'un AI FinOps avant l'arrivée de la facture
Points clés
- •Les coûts de l'IA d'entreprise passent d'abonnements fixes à une consommation facturée à l'usage, mesurée en tokens, à l'image de l'évolution de la facturation du cloud.
- •L'auteur prédit l'émergence d'une discipline « AI FinOps » qui rendra les dépenses d'IA visibles, imputables et liées à la valeur métier, comme l'a fait le FinOps de l'ère du cloud.
- •Les agents d'IA peuvent transformer une seule demande d'employé en de nombreuses transactions de modèles, rendant inadéquats les budgets fondés sur le nombre d'utilisateurs.
- •Le bon indicateur des dépenses d'IA est le coût par résultat utile, et non le coût par token, car le modèle le moins cher n'est pas toujours le meilleur choix.
- •Des leviers de maîtrise de la consommation tels que la mise en cache, le raccourcissement des prompts, la récupération sélective de documents et le routage de modèles via passerelles d'IA sont déjà proposés par les principaux fournisseurs d'IA et de cloud.

Pendant les deux dernières années, les entreprises ont encouragé leurs employés à adopter l'intelligence artificielle. Bientôt, elles commenceront à poser une question très différente : qui paie tous ces tokens ?
La question semble triviale aujourd'hui, car la plupart des employés découvrent l'IA through un abonnement mensuel à ChatGPT, Claude ou un autre outil. Le coût semble prévisible — on achète des licences, on les attribue au personnel et on inscrit le montant dans le budget informatique.
Mais ce n'est pas vers là que se dirige l'IA d'entreprise.
À mesure que les entreprises intègrent l'IA dans le service client, les ventes, le marketing, le développement logiciel, le juridique, la finance, l'analytique et les processus internes, la technologie devient moins un logiciel traditionnel et plus un service d'utilité publique. Elle se consomme : plus on l'utilise, plus on paie. Et le compteur se mesure de plus en plus en tokens.
Une histoire familière de l'ère du cloud
Le monde de l'entreprise a déjà connu cela. Il y a plus d'une décennie, les entreprises se sont précipitées vers l'informatique en nuage. Amazon Web Services, Microsoft Azure et Google Cloud offraient exactement ce que les DSI attendaient depuis des années : des ressources de calcul sans acheter de serveurs ni construire de centres de données. On démarre une machine virtuelle, on ajoute du stockage, on augmente la capacité, et on ne paie que ce que l'on consomme.
Cela semblait merveilleusement efficace — jusqu'à l'arrivée des factures.
Les développeurs créaient des serveurs et oubliaient de les éteindre. Les environnements de test restaient actifs pendant des mois. Le stockage s'accumulait. Les départements achetaient des services cloud sans supervision centralisée. Personne ne s'inquiétait beaucoup lorsque chaque décision ne représentait que quelques dollars, mais des milliers de telles décisions cumulées ont fini par attirer l'attention du directeur financier.
Cette période douloureuse a donné naissance au FinOps, une discipline visant à rendre les dépenses cloud visibles, imputables et liées à la valeur métier — une pratique aujourd'hui soutenue par une communauté FinOps organisée et des organismes de certification. L'auteur estime que la même chose est sur le point de se produire avec l'IA — appelons cela l'AI FinOps.
Des indicateurs d'adoption aux indicateurs de consommation
Aujourd'hui, les entreprises se concentrent sur l'adoption de l'IA : combien d'employés utilisent ChatGPT ? Combien de projets d'IA ont été lancés ? Combien de processus peut-on automatiser ?
Ce sont des questions utiles, mais une autre série arrive. Combien de tokens consommons-nous ? Quels départements les consomment ? Quelles applications génèrent le plus d'usage ? Quels modèles sont utilisés ? Combien coûte une transaction assistée par IA ? Et surtout, quel résultat métier cet argent a-t-il produit ?
Un token est simplement une petite unité de texte traitée par un modèle d'IA. Sur le plan économique, cependant, les entreprises devraient commencer à traiter les tokens comme elles ont appris à traiter les heures de calcul, le stockage et le trafic réseau dans le cloud : comme des unités de consommation. Les principaux fournisseurs de modèles publient déjà des tarifs à l'usage, généralement exprimés par million de tokens d'entrée et de sortie, ce qui rend ce type de comptabilité mesurée techniquement possible aujourd'hui — l'élément manquant est souvent la visibilité sur qui a consommé quoi au sein de l'organisation.
Imaginons une entreprise qui traite 500 000 interactions clients par mois grâce à l'IA, chaque interaction consommant en moyenne 4 000 tokens d'entrée et 800 tokens de sortie. La direction peut estimer le volume mensuel et le multiplier par les prix applicables des modèles. Augmentez maintenant le volume de clients de 20 %, ajoutez une autre application d'IA, donnez accès à plus d'employés, et introduisez un agent d'IA qui effectue plusieurs appels de modèles pour accomplir une seule tâche. Le budget peut évoluer rapidement.
Pourquoi les agents changent la donne
Le défi devient encore plus important avec les agents d'IA. Une personne pose une question et reçoit une réponse. Un agent, en revanche, peut recevoir une seule instruction, la décomposer en plusieurs tâches, chercher dans des documents, appeler différents systèmes, vérifier son travail et invoquer un modèle d'IA à plusieurs reprises. Une seule demande d'employé peut discrètement se transformer en de nombreuses transactions d'IA.
C'est pourquoi les budgets fondés simplement sur le nombre d'utilisateurs d'IA finiront par devenir inadéquats. Les entreprises doivent mesurer les tokens par application, département, flux de travail et résultat métier. La finance a besoin de prévisions. L'informatique a besoin de contrôles d'usage. Les unités opérationnelles ont besoin d'imputabilité.
Un service marketing qui envoie des millions de messages personnalisés devrait connaître son coût d'IA. Un centre d'appels devrait connaître le coût d'IA par cas résolu. Les équipes de développement devraient connaître le coût d'IA par tâche de développement. Une banque qui utilise l'IA pour examiner des documents devrait connaître le coût par dossier traité.
Le coût par résultat utile, pas le coût par token
Cependant, l'AI FinOps ne devrait pas devenir un exercice supplémentaire de réduction des coûts. Le modèle le moins cher n'est pas automatiquement le meilleur modèle. Si dépenser 10 pesos en IA économise 500 pesos de temps de travail, réduire le coût de l'IA à cinq pesos peut être dénué de sens. Si un modèle plus coûteux produit moins d'erreurs et résout plus de problèmes clients, payer plus peut en réalité être la meilleure décision.
Le bon indicateur n'est pas le coût par token. C'est le coût par résultat utile.
Il existe également des moyens évidents de contrôler la consommation. Les entreprises n'ont pas besoin de leur modèle le plus puissant pour chaque tâche — la classification, l'extraction et la résumé simples peuvent parfaitement fonctionner avec des modèles plus petits. Les prompts peuvent être raccourcis. Les documents peuvent être récupérés de manière sélective au lieu d'envoyer repeatedly des centaines de pages dans un modèle. Les longues conversations peuvent être résumées, les instructions et le contexte répétés peuvent être mis en cache, et les applications peuvent fixer des limites de tokens. Les passerelles d'IA peuvent acheminer les tâches vers différents modèles selon la complexité et le coût. Plusieurs de ces leviers — la mise en cache, la réutilisation du contexte de prompt, le routage de modèles — sont déjà pris en charge par des fonctionnalités et des outils que les principaux fournisseurs d'IA et plateformes cloud ont introduits pour les développeurs d'entreprise.
Rien de tout cela ne semble passionnant comparé aux discussions sur les agents autonomes ou l'intelligence artificielle générale. Mais les directeurs financiers finissent par rendre importantes les choses ennuyeuses.
L'informatique en nuage a suivi le même chemin : d'abord l'enthousiasme, puis l'adoption, puis les dépenses incontrôlées, puis la gouvernance. L'IA suivra probablement ce chemin plus rapidement.
Ce qui vient ensuite
Il est facile d'imaginer que les entreprises déploient bientôt des tableaux de bord de consommation d'IA montrant l'utilisation des tokens, le coût par flux de travail, le taux d'utilisation des modèles, les écarts budgétaires et la valeur métier. Les départements pourraient recevoir des budgets d'IA tout comme ils reçoivent des budgets de déplacement, de marketing ou de cloud. Et quelqu'un finira par en être responsable.
Cette personne pourrait siéger dans les finances, l'informatique ou un centre d'excellence de l'IA. Le titre peut différer, mais la discipline sera la même : l'AI FinOps.
Les entreprises devraient commencer à bâtir cette capacité dès maintenant — avant que la facture d'IA ne devienne assez importante pour que le directeur financier pose la question à laquelle personne ne veut répondre : où sont passés tous ces tokens ?
Les opinions exprimées ici sont les siennes et ne reflètent pas nécessairement celles de son bureau ni de FINEX.
Reynaldo C. Lugtu, Jr. est le fondateur et PDG de Hungry Workhorse, un cabinet de conseil en transformation numérique, culturelle et expérience client. Il est fellow de l'Institute for Digital Transformation, basé aux États-Unis. Il préside le programme AI, Digital Transformation and Governance de la FINEX Academy. Il enseigne le management stratégique et la transformation numérique dans le programme MBA de l'Université De La Salle. Il est joignable à rey.lugtu@hungryworkhorse.com.