Marty Kausas, PDG de la société de logiciels de support client Pylon, a récemment mis en évidence un défi budgétaire lié à l’IA auquel de nombreuses entreprises sont susceptibles d’être confrontées. La facture annuelle Anthropic de Pylon, a-t-il indiqué, devait grimper d’environ 400 000 dollars à 1,4 million de dollars une fois l’entreprise franchi le seuil de 150 postes. Cette hausse ne résultait pas d’une envolée soudaine de l’utilisation. Elle découlait plutôt d’un changement structurel de tarification : au-delà de 150 postes, Pylon passerait d’une offre incluant l’usage à une offre d’entreprise dans laquelle les tokens seraient facturés séparément aux tarifs API standard.

Le constat de Kausas était sans détour : après des années à encourager les employés à utiliser davantage l’IA, Pylon avait commencé à instaurer des plafonds de dépenses et à exiger une approbation pour toute consommation supplémentaire.

L’expérience de Pylon illustre une transformation plus large à l’œuvre. De nombreuses entreprises ont commencé à adopter l’IA dans des conditions exceptionnellement favorables : usage inclus, tarification de lancement, remises d’entreprise généreuses et déploiement relativement limité. À mesure que ces conditions expirent et que les expérimentations cèdent la place à des systèmes en production, le coût réel de l’IA en entreprise devient plus visible.

Dans le même temps, la technologie sous-jacente devient moins coûteuse. Le coût de l’inférence a nettement baissé, la concurrence entre fournisseurs de modèles reste intense et les entreprises disposent de davantage d’options pour orienter certaines tâches vers des modèles plus petits. Le résultat est que l’IA peut coûter moins cher à l’usage isolé tout en devenant considérablement plus coûteuse à exploiter à l’échelle d’une organisation. À mesure que les modèles s’améliorent, les entreprises leur confient davantage de travail, les déploient auprès d’un plus grand nombre d’employés et les intègrent dans davantage de produits. Ces hausses de volume et de complexité peuvent facilement dépasser les économies initiales liées à des prix plus bas.

Ce n’est pas propre à l’IA. L’informatique est devenue moins chère, et les entreprises en ont consommé beaucoup plus. Les prix du stockage ont baissé, et les organisations ont conservé davantage de données. La bande passante est devenue moins coûteuse, et la vidéo est devenue dominante dans le trafic Internet. L’efficacité élargit souvent le marché. L’IA est susceptible de suivre le même schéma, mais avec une différence importante : une grande partie de sa consommation sera difficile à observer pour les dirigeants.

Les logiciels d’entreprise traditionnels sont généralement tarifés selon une unité visible : un poste, une transaction ou un compte client. Les systèmes agentiques peuvent, eux, générer des coûts de manière autonome et inégale. Deux employés disposant de la même licence peuvent consommer des quantités de calcul radicalement différentes. Un système peut devenir plus performant tout en utilisant des contextes plus longs, davantage d’étapes de raisonnement et plus d’appels à des outils externes.

Cela crée un nouveau problème de gestion. Les entreprises ne peuvent plus supposer que l’achat d’un accès à l’IA revient à en maîtriser le coût.

Pour la première phase de l’IA en entreprise, cela était facile à ignorer. La plupart des organisations menaient des expérimentations et distribuaient un nombre limité de licences. Cela indiquait si les employés allaient utiliser l’IA, mais ne répondait pas à la question qui compte désormais : cet usage crée-t-il une valeur économique suffisante ?

À mesure que les budgets IA passent du stade expérimental au stade matériel, les entreprises devront remplacer les indicateurs d’adoption par l’économie unitaire. Pour un système de support client, les mesures pertinentes pourraient inclure le coût par dossier résolu avec succès, le délai de résolution et le taux d’escalade. Pour ma société Smartling, une entreprise de traduction fondée sur l’IA, il pourrait s’agir du coût de production de contenu à un niveau de qualité convenu, du temps nécessaire pour entrer sur un nouveau marché ou du volume de contenu qu’une entreprise peut rendre économiquement disponible dans chaque langue.

Ces mesures sont plus difficiles à calculer qu’un simple taux d’utilisation. Elles exigent que les entreprises définissent le résultat visé avant de déployer une technologie, établissent une base de référence et tiennent compte à la fois du coût de la technologie et du travail humain qui demeure autour d’elle.

J’ai passé ces dernières années à aider à bâtir Smartling autour de l’IA. Le défi central n’était pas d’introduire l’IA dans l’organisation ni de convaincre les gens de l’utiliser ; il s’agissait de déterminer où l’IA changeait matériellement l’économie du travail.

Une traduction moins chère, par exemple, a une valeur limitée si la correction humaine nécessaire annule les économies. La bonne mesure n’est pas le nombre de mots passés par un système d’IA, mais le coût et la valeur commerciale de la production d’un contenu multilingue exploitable.

Le même principe s’applique à l’ensemble de l’entreprise. Chaque déploiement d’IA devrait commencer par une hypothèse économique : quel coût va diminuer, quelle contrainte sera levée ou quelle source de revenus augmentera ? Il devrait ensuite être évalué au regard de cette hypothèse plutôt qu’au regard de la quantité d’IA consommée.

La prochaine phase de l’IA en entreprise ne sera donc pas définie par les entreprises qui atteignent les taux d’adoption les plus élevés. Elle sera définie par celles qui comprennent l’économie de ce qu’elles ont adopté.

Les organisations capables de relier les dépenses d’IA aux revenus, aux marges, à la capacité ou à un avantage stratégique continueront d’investir, même si leurs dépenses absolues augmentent.

L’IA n’a pas besoin de devenir bon marché pour justifier sa place dans l’entreprise. Elle doit devenir économiquement lisible. Les entreprises qui y parviennent ne seront pas nécessairement celles qui dépensent le moins en IA, mais elles sauront ce que chaque dollar supplémentaire achète.

Les opinions exprimées dans les articles de commentaire de Fortune.com n’engagent que leurs auteurs et ne reflètent pas nécessairement les opinions et convictions de Fortune.

Cet article a été publié à l’origine sur Fortune.com