Coûts des jetons d’IA : pourquoi le ROI des entreprises est souvent mal calculé dès le prototype
6 Min. temps de lecture
La facture visible de l’IA n’est que la partie émergée de l’iceberg. Ce qui coûte vraiment cher, ce sont les répétitions, le contexte traîné et l’effort humain nécessaire pour vérifier chaque résultat. Qui ne mesure le ROI d’un projet d’IA qu’au prix du modèle se berce d’illusions avant même que le projet ne soit opérationnel.
Les points clés en bref
- Le pilote ment sur les coûts. Les équipes rapportent que la consommation réelle de tokens en production est trois à dix fois supérieure à celle de la phase de test. En cause : les boucles, les répétitions et le contexte traîné.
- La relecture dévore la marge. Chaque réponse erronée coûte deux fois : une fois en tokens pour une nouvelle tentative, une fois en temps de travail pour la vérification. Ces heures n’apparaissent dans aucun calcul de modèle.
- Le budget est mal alloué. Plus de la moitié des budgets IA sont consacrés au marketing et à la vente. Pourtant, c’est dans le back-office discret que la recherche trouve un retour mesurable.
Pourquoi le calcul du modèle est trompeur
Il y a un réflexe dans chaque projet d’IA : regarder d’abord le prix pour mille tokens. Ce chiffre figure dans l’offre, il est tangible, donc on l’optimise. Le problème, c’est qu’il représente rarement la partie la plus coûteuse. Les véritables sources de coûts se cachent dans les systèmes autour du modèle.
Un seul prompt en phase de test semble bon marché. Mais en production réelle, tout s’enchaîne : l’agent appelle des outils, traîne des réponses précédentes comme contexte, redémarre en cas d’erreur. Chacune de ces étapes consomme des tokens, et ils s’additionnent d’une manière que personne n’a modélisée dans le prototype. C’est précisément là que se creuse l’écart entre la démonstration et la facture.
Du point de vue du fondateur, la leçon est désagréable, mais claire. Ce que l’on ne mesure pas dès le départ se paie in fine sur la facture. Et celle-ci arrive en retard, quand le projet est déjà en production et qu’il est trop tard pour faire marche arrière.
Le chiffre qui ramène tout budget sur terre
Pour savoir à quel point l’écart entre attente et réalité est grand, la recherche fournit un chiffre édifiant.
Ce chiffre n’est pas un argument contre l’IA. C’est un argument contre les mauvais calculs. Une enquête d’IBM estime que seulement un quart des initiatives atteignent le retour sur investissement escompté. Morgan Stanley a constaté que seule une grande entreprise sur cinq environ pouvait citer un bénéfice mesurable lié à l’IA. Le goulot d’étranglement n’est que rarement la technique, presque toujours la méthodologie sous-jacente.
L’effort de relecture que personne ne budgétise
Un point passe presque toujours inaperçu dans le débat sur les tokens : la vérification humaine. Un agent avec un taux d’erreur de cinq pour cent semble d’abord performant. Mais en production, cela signifie qu’une réponse sur vingt doit être retravaillée, par un humain rémunéré pour cela.
Ces heures n’apparaissent dans aucun calcul de modèle. Elles se cachent dans les agendas des services métiers, qui relisent soudain les résultats de l’IA au lieu de faire leur propre travail. Pour une PME avec une petite équipe, c’est le moment où un gain d’efficacité supposé bascule. La machine est rapide, mais le contrôle reste coûteux.
Pour un calcul honnête, il faut donc additionner trois postes : les tokens visibles, la surconsommation cachée due aux répétitions et le temps de travail consacré à la vérification. C’est seulement cette somme qui donne le coût réel d’une tâche assistée par IA.
La portée confondue avec l’impact
En tant que professionnel issu du marketing, je dois admettre un constat gênant. Plus de la moitié des budgets IA sont alloués au marketing et aux ventes, précisément là où les promesses sont les plus tonitruantes. Pourtant, la même étude révèle que le retour sur investissement le plus tangible se trouve dans le back-office, dans l’automatisation discrète des tâches routinières.
Il s’agit de la même confusion que le marketing connaît depuis des années. La portée est un beau chiffre, tant que personne n’agit en conséquence. Les dépenses en tokens sont une belle activité, tant que personne ne mesure leur effet sur les résultats. Celui qui souhaite utiliser l’IA de manière judicieuse dans les PME doit d’abord chercher la tâche ennuyeuse à l’issue claire, et non le projet phare étincelant.
Comment les PME calculent honnêtement
La bonne nouvelle : il n’est pas nécessaire de disposer d’une plateforme coûteuse pour éviter ces erreurs. Il suffit d’une phase pilote honnête. Lorsqu’on teste un cas d’usage, il ne faut pas seulement se demander si le modèle est capable d’accomplir la tâche, mais aussi ce que coûte réellement une tâche accomplie, en incluant les répétitions et les vérifications.
L’état d’esprit des fondateurs s’applique ici : un petit pas, une mesure immédiate, puis le pas suivant. Un cas bien défini avec un résultat mesurable l’emporte sur le grand programme de transformation que personne ne pourra plus évaluer dans deux ans. Les entreprises qui utiliseront encore l’IA en 2027 ne seront pas celles dotées des plus gros budgets. Ce seront celles qui auront établi leur calcul de manière honnête dès le départ.
Foire aux questions
Pourquoi le prix par token n’est-il pas le principal facteur de coût ?
Parce que les postes de dépenses les plus élevés se situent autour du modèle : appels répétés, contexte transporté, appels d’outils et vérification humaine. Le prix visible par token est optimisé en premier, mais il représente souvent la plus petite partie des coûts totaux.
Pourquoi les coûts d’exploitation sont-ils plus élevés qu’en phase pilote ?
En exploitation, les boucles, répétitions et contextes s’enchaînent, ce qui n’apparaît pas lors des tests. Les équipes rapportent une consommation de tokens trois à dix fois supérieure aux estimations du prototype. Celui qui extrapole le pilote à l’identique sous-estime largement la facture.
Comment intégrer l’effort de révision dans le calcul du ROI ?
En considérant le temps de travail consacré à la vérification comme un poste de coût fixe. Un taux d’erreur de cinq pour cent signifie qu’une réponse sur vingt doit être retravaillée. Ces heures doivent être incluses dans les coûts unitaires, sinon un projet paraît moins cher qu’il ne l’est réellement.
Où les PME trouvent-elles le retour sur investissement IA le plus fiable ?
Les recherches le situent dans le back-office, dans l’automatisation de tâches routinières clairement définies, et non dans les applications marketing bruyantes. Une tâche ennuyeuse avec un résultat précis est souvent un meilleur premier cas qu’un projet phare visible.
Est-il utile de mettre en place un contrôle des coûts IA pour une petite entreprise ?
Oui, mais cela ne doit pas être coûteux. Une phase pilote honnête, qui enregistre les véritables coûts unitaires en incluant les répétitions et les vérifications, suffit pour la plupart des PME. Plus qu’un outil, c’est la discipline de calculer chaque tâche en fonction de son résultat qui compte.
Plus d’articles du réseau média MBF
- cloudmagazin: La souveraineté de l’IA commence par l’infrastructure
- mybusinessfuture: Les agents IA en équipe : pourquoi seul un pilote sur neuf passe en production
- Digital Chiefs: Quel budget IT survit aux coupes budgétaires
Source image d’en-tête : Pexels / Mikhail Nilov (px:8296970)