Maîtriser les coûts de l’IA devient une priorité pour les DSI

Les contrats d’IA deviennent un outil de maîtrise des coûts

Les dépenses liées à l’IA continueront d’augmenter à mesure que les entreprises passeront des projets pilotes à des déploiements plus larges. La contrainte principale n’est pas l’accès à l’IA. C’est la capacité à contrôler la consommation et à relier cette consommation à la valeur métier. Les DSI devraient donc considérer les contrats fournisseurs comme un élément de leur architecture de coûts de l’IA.

La tarification des tokens est un bon point de départ. Les tokens sont les unités que les fournisseurs d’IA utilisent pour mesurer le texte ou les autres contenus traités et générés par un modèle. Les entreprises peuvent négocier une tarification qui définit la relation entre les coûts des tokens d’entrée et de sortie. Elles peuvent également fixer des limites strictes de consommation au sein des workflows d’IA. Lorsqu’une charge de travail atteint sa limite, le système peut automatiquement réduire l’usage ou exiger une approbation de la direction avant d’autoriser des dépenses supplémentaires.

Cheparthi, dont le poste et l’entreprise ne sont pas identifiés dans le texte fourni, estime que les entreprises devraient évoluer vers une tarification fondée sur les résultats ou sur la valeur lorsque cela est possible. Comme elle l’affirme, « Les modèles de consommation traditionnels créent de l’imprévisibilité et s’alignent souvent mal sur la valeur métier réelle. » Cette distinction est importante. Un modèle de consommation récompense un usage plus élevé quel qu’en soit le résultat. Un modèle fondé sur la valeur cherche à relier plus étroitement l’économie du fournisseur au résultat obtenu par l’entreprise.

Les clauses contractuelles peuvent également traiter la capacité inutilisée. Cheparthi recommande de négocier des dispositions permettant de reporter les tokens non utilisés d’une période sur une autre. Sans de telles clauses, les entreprises risquent de payer pour une capacité qu’elles n’ont pas consommée, puis d’acheter davantage de capacité lors de la période contractuelle suivante.

Les DSI ne devraient pas supposer que chaque charge de travail se prête à une tarification fondée sur la valeur. Les résultats peuvent être difficiles à définir, à attribuer et à mesurer. Les fournisseurs peuvent également exiger une prime lorsqu’ils assument davantage de risque commercial. Le contrat doit donc préciser le résultat attendu, la manière dont il sera mesuré, la partie qui contrôle les variables pertinentes et ce qui se passe lorsque les objectifs ne sont pas atteints.

L’objectif pratique est d’obtenir une économie prévisible. Les entreprises ont besoin de prix unitaires clairs, de limites d’usage applicables et de règles d’escalade avant que la demande en IA ne s’étende à l’ensemble de l’entreprise. Ces contrôles n’imposent pas de réduire l’adoption utile de l’IA. Ils rendent les dépenses délibérées et donnent aux dirigeants une base plus solide pour décider quels déploiements d’IA méritent davantage de capital.

L’architecture de l’IA détermine le coût de chaque tâche

Le choix du modèle a un effet direct sur l’économie de l’IA. Les entreprises n’ont pas besoin de leur modèle le plus performant et le plus coûteux pour chaque requête. Les DSI peuvent réduire les coûts en orientant chaque charge de travail vers le modèle le moins coûteux capable de répondre à ses exigences.

Les requêtes courantes peuvent s’exécuter sur des grands modèles de langage (LLM) open source ou moins coûteux. Les travaux plus complexes peuvent utiliser des modèles premium sur abonnement lorsque des performances supérieures justifient la dépense supplémentaire. Cela exige des règles de routage claires fondées sur des facteurs tels que la complexité de la tâche, les exigences de précision, la latence, la sécurité et le coût. L’objectif n’est pas de minimiser les dépenses sur chaque requête. Il s’agit d’éviter de payer des tarifs premium là où ils n’apportent aucune valeur supplémentaire significative.

La visibilité sur les coûts est tout aussi importante. Cheparthi, dont le poste et l’entreprise ne sont pas identifiés dans le texte fourni, recommande de suivre le coût par token et de fixer des objectifs de réduction pour les prompts redondants et la consommation excessive. Elle estime également que l’usage des tokens devrait devenir une métrique opérationnelle standard dans l’ensemble des workflows d’IA. Ces mesures donnent aux DSI une vision plus claire des applications, départements et cas d’usage qui génèrent des coûts.

Le nombre de tokens, à lui seul, ne suffit toutefois pas à mesurer l’efficacité. Un modèle moins cher peut devenir plus coûteux s’il produit des résultats médiocres qui nécessitent des prompts répétés, un traitement supplémentaire ou une correction humaine. Les dirigeants devraient donc relier les métriques de consommation à des mesures telles que le coût par tâche terminée, la précision, le temps de réponse et le résultat métier. La vraie question est de savoir combien il en coûte pour obtenir un résultat acceptable.

Les architectures multivendeurs introduisent leurs propres coûts. La prise en charge de plusieurs modèles peut accroître le travail d’intégration, les exigences de test, les revues de sécurité et la complexité opérationnelle. Les modèles open source peuvent également nécessiter une infrastructure, de l’ingénierie, de la supervision et de la maintenance qui ne se reflètent pas dans les prix des tokens. Les DSI devraient comparer le coût total d’exploitation plutôt que les prix des modèles pris isolément.

Le rapport Gartner identifie l’architecture de l’IA, c’est-à-dire la manière dont une organisation exécute sa stratégie IA, comme une opportunité importante d’économies. L’extrait ne fournit pas de résultats quantitatifs issus de ce rapport. La conclusion pratique reste néanmoins claire : les décisions d’architecture déterminent où les dépenses d’IA se produisent. Les entreprises qui mesurent la consommation, orientent délibérément les charges de travail et réservent les modèles premium aux tâches qui en ont besoin maîtrisent mieux l’économie de l’IA à mesure que l’adoption progresse.

Les budgets d’IA ont besoin de limites strictes au point d’usage

Les budgets d’IA à l’échelle de l’entreprise assurent une supervision, mais ils ne montrent pas d’où vient la consommation. Les DSI ont besoin de contrôles au niveau du département, de l’application et du workflow. Cela rend chaque unité métier responsable de son propre usage et donne à la direction une vision plus claire des investissements en IA qui justifient des dépenses supplémentaires.

Cheparthi recommande des budgets segmentés avec des limites financières strictes pour chaque département ou application. Lorsque l’usage atteint une limite prédéfinie, le système peut automatiquement restreindre l’accès ou déclencher un processus d’escalade. Toute consommation supplémentaire nécessite alors une approbation au lieu de se poursuivre sans contrainte.

L’automatisation est importante, car la consommation d’IA peut monter en puissance rapidement. Une application largement utilisée peut générer de gros volumes de requêtes vers les modèles, tandis que des workflows mal conçus peuvent appeler un modèle de manière répétée sans produire une valeur proportionnelle. Attendre une revue mensuelle des coûts permet d’identifier le problème une fois la dépense engagée. Les limites automatisées permettent aux entreprises d’intervenir lorsque la consommation atteint un seuil convenu.

Les limites ne devraient pas être identiques dans toute l’entreprise. Un service d’IA orienté client peut nécessiter plus de capacité qu’une expérimentation interne, tandis qu’une application critique pour l’activité peut avoir besoin de règles d’escalade différentes de celles d’un outil de productivité facultatif. Les dirigeants devraient définir les budgets en fonction de la valeur métier attendue, des exigences de la charge de travail et de l’importance opérationnelle. Ils devraient également définir qui peut approuver les exceptions et dans quelles conditions.

Les limites strictes créent un autre risque : des contrôles trop rigides peuvent interrompre des charges de travail utiles ou critiques. Les DSI devraient donc distinguer les alertes, les seuils souples, la limitation de débit et la suspension complète. Les services à haute priorité peuvent nécessiter un circuit d’escalade qui préserve la continuité tout en imposant un examen par la direction des dépenses imprévues.

Cheparthi estime que les entreprises devraient mettre en place ces contrôles dès le départ afin d’encourager un usage discipliné. L’objectif de gestion plus large est la responsabilisation. Les budgets au niveau des départements rendent les coûts de l’IA visibles pour les équipes qui les génèrent, tandis que l’application automatisée transforme les politiques de dépense en contrôles opérationnels. À mesure que le déploiement de l’IA s’étend, cette combinaison donne aux dirigeants un moyen plus précis de décider où la consommation doit croître et où elle doit s’arrêter.

La gouvernance de l’IA peut révéler les coûts cachés dans les offres groupées des fournisseurs

Les coûts de l’IA n’apparaissent pas toujours sous la forme d’un usage direct des modèles. Les fournisseurs incluent de plus en plus de fonctionnalités d’IA dans des packages logiciels plus larges et facturent une prime IA au renouvellement. Ces primes groupées constituent une source souvent négligée d’augmentation des coûts récurrents. Les DSI ont besoin d’une gouvernance qui examine ce que l’entreprise achète, si les employés l’utilisent et si la capacité ajoutée produit une valeur mesurable.

L’examen des contrats fait donc partie de la gouvernance de l’IA. Les entreprises devraient inclure des personnes disposant d’une expertise en IA dans les décisions d’achat et de renouvellement. Ces équipes peuvent évaluer si la fonctionnalité IA d’un fournisseur est nécessaire, si des capacités équivalentes existent déjà ailleurs dans le portefeuille technologique et si la tarification reflète l’usage réel. Cela peut également aider les entreprises à identifier des capacités d’IA en doublon dans plusieurs abonnements logiciels.

L’examen devrait se concentrer sur les résultats, et non sur la disponibilité des fonctionnalités. Une entreprise peut payer pour des fonctions d’IA intégrées à des centaines ou des milliers de licences logicielles alors que seul un petit groupe en a besoin. Les dirigeants devraient exiger des preuves d’adoption et des résultats mesurables avant d’approuver un déploiement plus large ou un renouvellement. Lorsque les fournisseurs l’autorisent, les entreprises peuvent également chercher à obtenir des clauses contractuelles qui séparent la fonctionnalité IA optionnelle du produit de base.

Cheparthi estime qu’une gouvernance plus forte peut éviter les « fuites de capital » et imposer une mesure plus rigoureuse des résultats. Elle recommande également d’aligner les objectifs de performance des départements sur les initiatives d’IA qui apportent une valeur mesurable. Cela rapproche la responsabilisation des équipes métier qui demandent et utilisent la technologie.

Cette approche présente une limite importante. La gouvernance peut elle-même devenir coûteuse et lente si chaque achat d’IA exige un examen complexe. Le processus devrait donc refléter le risque financier et opérationnel. Les grands contrats, les primes IA importantes, l’usage de données sensibles et les capacités qui se chevauchent justifient un examen plus approfondi. Les déploiements moins coûteux et moins risqués peuvent suivre un processus d’approbation plus simple tout en restant soumis à un suivi de base de l’usage et des coûts.

L’objectif n’est pas de restreindre l’adoption de l’IA. Il s’agit de s’assurer que les dépenses de renouvellement suivent une valeur démontrée. Un processus de gouvernance solide donne aux dirigeants une vue consolidée des engagements IA, de l’usage, des doublons et des résultats. Ces informations améliorent les négociations contractuelles et aident le capital à se diriger vers les initiatives d’IA capables de justifier leur coût.

Points clés à retenir pour les dirigeants

• Faire des contrats d’IA un outil de maîtrise des coûts : Négociez une économie fixe des tokens, des limites d’usage, des dispositions de report et une tarification fondée sur la valeur lorsque les résultats peuvent être mesurés. L’objectif est d’obtenir des dépenses prévisibles liées à la valeur métier.
• Orienter les charges de travail selon le coût et les exigences : Utilisez des modèles open source ou moins coûteux pour les tâches courantes et réservez les modèles premium aux tâches qui en ont besoin. Suivez le coût par token en parallèle de la qualité des tâches et des résultats afin de mesurer la véritable efficacité.
• Appliquer les budgets au point d’usage : Définissez des limites de dépense par département, application et workflow, avec des alertes automatisées, une limitation de débit et des règles d’approbation. Donnez aux charges de travail critiques des circuits d’escalade clairs afin que les contrôles des coûts ne perturbent pas les opérations essentielles.
• Faire de la gouvernance de l’IA une composante des achats : Examinez les primes IA groupées, les capacités en doublon, l’adoption et les résultats mesurables avant les renouvellements. Ajoutez une expertise IA aux examens contractuels afin que les dépenses suivent la valeur démontrée plutôt que la simple disponibilité des fonctionnalités.