Garder les dépenses d’IA sous contrôle face à la montée des agents

L’adoption rapide de l’IA rend le contrôle des coûts plus complexe

L’IA devient moins chère au niveau unitaire. Cela ne signifie pas que les factures d’IA des entreprises diminuent.

La raison est simple : l’usage augmente plus vite. Les entreprises déploient davantage de modèles, donnent à plus de salariés l’accès à l’IA et passent d’assistants simples à des systèmes agentiques capables d’exécuter des tâches en plusieurs étapes. Ces systèmes peuvent effectuer plusieurs appels à des modèles, utiliser des outils externes, récupérer des données et relancer des tâches avant de produire un résultat acceptable. Un prix du token plus bas compte, mais la consommation totale compte davantage.

La prolifération de l’IA aggrave le problème. Différentes unités opérationnelles peuvent adopter des applications, des modèles et des fournisseurs distincts sans disposer d’une vue d’ensemble complète à l’échelle de l’entreprise sur ce qui est utilisé. Selon une étude de Flexera, environ trois cinquièmes des professionnels de l’IT ont indiqué que les dépenses excessives liées à l’IA avaient augmenté, tandis que plus des deux tiers ont déclaré manquer de visibilité sur l’usage des logiciels d’IA. Cette combinaison doit préoccuper les dirigeants : les dépenses augmentent alors que de nombreuses organisations ne parviennent toujours pas à voir clairement ce qui les alimente.

L’objectif de gestion doit donc aller au-delà de la réduction des coûts des modèles. Les dirigeants doivent savoir ce que l’organisation achète, qui le consomme, quel processus métier cela soutient et quel résultat l’entreprise obtient en retour.

Cela devient plus important à mesure que l’IA agentique se développe. Un workflow autonome peut consommer des ressources importantes pour accomplir une seule tâche métier. Un modèle bon marché qui échoue à répétition et relance plusieurs fois peut au final coûter plus cher qu’un modèle plus performant qui exécute correctement la tâche dès la première tentative. La question pertinente n’est plus simplement : « Combien coûte ce modèle ? » Elle devient : « Combien coûte un résultat métier réussi ? »

Pour la direction générale, cela change l’économie de l’investissement dans l’IA. La discipline des coûts ne doit pas signifier limiter une adoption utile. Elle doit signifier orienter les capacités vers les activités qui créent une valeur mesurable. Les entreprises qui comprennent l’usage au niveau du workflow peuvent faire évoluer les applications productives tout en réduisant la consommation à faible valeur.

L’opportunité à long terme reste importante. La baisse des prix des modèles peut rendre une IA sophistiquée accessible à une plus grande partie de l’entreprise. Mais des prix plus bas peuvent aussi stimuler un usage bien plus important. Les entreprises qui mettent en place tôt des contrôles financiers et opérationnels seront mieux placées pour tirer parti de cette croissance sans perdre la maîtrise de l’économie.

Les entreprises ont besoin d’une visibilité claire sur l’usage de l’IA avant de pouvoir maîtriser les dépenses

Vous ne pouvez pas gérer efficacement les dépenses d’IA si vous ne savez pas ce qui consomme le budget. La visibilité est donc le point de départ.

OpenAI, dans son approche en cinq étapes de gestion des coûts de l’IA, recommande aux dirigeants d’entreprise d’identifier qui utilise l’IA, quels produits et modèles sont utilisés, quelle capacité ces systèmes consomment et quel travail cet usage soutient. Comme l’a formulé OpenAI : « Sans cette visibilité, une facture en hausse est difficile à interpréter. »

L’élément important consiste à relier la consommation à l’activité métier. Savoir qu’un département a consommé un certain nombre de tokens est utile pour la comptabilité, mais cela en dit peu sur la valeur métier. Les dirigeants doivent aussi pouvoir voir si cette consommation a soutenu le service client, le développement logiciel, la recherche, les ventes, la finance ou un autre workflow, et ce que l’organisation a obtenu en conséquence.

Cela crée une base bien plus solide pour la prise de décision. Une facture d’IA élevée n’est pas automatiquement un problème. Des dépenses qui augmentent parce qu’un système d’IA traite avec succès davantage de cas clients ou accélère un processus d’ingénierie critique peuvent être économiquement rationnelles. À l’inverse, des dépenses relativement modestes peuvent malgré tout être gaspillées si elles soutiennent des outils dupliqués, des expérimentations abandonnées, des relances excessives ou des applications sans bénéfice mesurable.

La visibilité doit aussi couvrir le coût complet d’un workflow d’IA plutôt que le seul prix affiché du modèle. Les systèmes agentiques peuvent effectuer des requêtes répétées vers des modèles, appeler des outils externes, accéder à des données et réaliser plusieurs tentatives avant d’achever une tâche. Les dirigeants ont donc besoin d’informations suffisantes pour comprendre les schémas de consommation et détecter les workflows où les coûts augmentent beaucoup plus vite que la production utile.

Une supervision centrale n’exige pas de centraliser chaque décision liée à l’IA. Les unités opérationnelles ont toujours besoin d’une marge de manœuvre pour expérimenter et trouver des applications productives. L’objectif est de créer des standards de mesure communs afin que la direction puisse comparer les projets, identifier les doublons inutiles et décider quelles applications méritent des capacités supplémentaires.

C’est là qu’une meilleure visibilité sur les coûts devient stratégique plutôt qu’administrative. Une fois que les dirigeants peuvent relier la consommation d’IA à des workflows individuels et à des résultats validés, ils peuvent distinguer une IA coûteuse d’une IA improductive. Ce n’est pas la même chose.

Le résultat est une approche plus utile de la budgétisation. Au lieu d’imposer de larges plafonds de dépenses, les entreprises peuvent orienter les ressources vers les systèmes d’IA qui produisent des résultats mesurables et examiner ceux qui n’en produisent pas. À mesure que l’adoption s’accélère, ce niveau de visibilité devient fondamental pour faire évoluer l’IA avec une discipline financière.

Mesurer le coût total d’un résultat d’IA réussi

Le modèle d’IA le moins cher n’est pas nécessairement l’option la moins coûteuse pour une entreprise.

La tarification des modèles indique généralement le coût de traitement des tokens, les unités de texte ou de données qu’un modèle consomme et produit. Cette métrique est utile, mais elle ne capture pas le coût complet de l’exécution d’une tâche. Si un modèle moins cher commet davantage d’erreurs, nécessite des tentatives répétées ou dépend d’appels d’outils supplémentaires, le coût final pour produire un résultat acceptable peut augmenter.

OpenAI recommande d’évaluer les modèles en fonction du travail qu’ils doivent accomplir et de mesurer le coût complet pour atteindre le résultat requis. Cela inclut l’usage des modèles et des outils, le nombre de tentatives et le taux d’achèvement. Cela déplace la discussion du prix par unité vers le coût par résultat utile.

La distinction devient de plus en plus importante avec l’IA agentique. Un agent IA peut exécuter plusieurs étapes avant d’achever une mission. Il peut récupérer des informations, appeler d’autres logiciels, générer une réponse, évaluer sa progression et réessayer lorsqu’un élément échoue. Chaque opération supplémentaire peut accroître la consommation. Un modèle avec un prix initial plus élevé peut donc offrir une meilleure économie s’il exécute le workflow avec moins de tentatives et une fiabilité supérieure.

Les dirigeants ont besoin de métriques qui reflètent le travail réel. OpenAI donne deux exemples clairs. Dans le support client, une entreprise pourrait calculer le coût de l’IA par cas résolu. En ingénierie logicielle, elle pourrait mesurer le coût de production d’une modification testée qui passe avec succès l’évaluation. Ces mesures relient la performance technique à des résultats que les dirigeants peuvent évaluer.

Le coût doit ensuite être considéré avec la valeur. OpenAI recommande de mesurer les bénéfices, notamment le temps gagné, des cycles plus courts, le chiffre d’affaires protégé, le risque évité et la capacité supplémentaire créée. Les organisations peuvent examiner les améliorations de la prise de décision et le nombre de tâches accomplies.

Cette approche change la sélection des modèles. Les équipes achats ne doivent pas choisir automatiquement le modèle le moins coûteux, tandis que les équipes techniques ne doivent pas sélectionner automatiquement le plus puissant. Le modèle approprié est celui qui offre le niveau requis de qualité, de fiabilité, de rapidité et de profil de risque à un coût total acceptable.

Pour les dirigeants de la direction générale, l’objectif pratique est l’économie unitaire de l’IA : déterminer ce que coûte un résultat réussi et ce que vaut ce résultat. Une fois que ces chiffres sont crédibles, les décisions concernant le passage à l’échelle, le changement de modèles ou l’arrêt d’un workflow deviennent nettement plus claires.

Les dirigeants ont besoin d’une mesure commune de la valeur métier de l’IA

La confiance des entreprises dans l’IA augmente, mais elle n’est pas répartie de manière homogène au sein des équipes de direction.

Selon une étude de Protiviti, les DSI et les décideurs IT ont déclaré avoir davantage confiance dans la capacité de l’IA à stimuler la croissance du chiffre d’affaires que les PDG et les membres des conseils d’administration. Ce qui compte, c’est l’écart lui-même : les dirigeants responsables de la mise en œuvre de la technologie peuvent percevoir son potentiel différemment de ceux qui sont responsables de la performance globale de l’entreprise et de l’allocation du capital.

Cette différence est compréhensible. Un DSI peut constater un développement plus rapide, des processus automatisés ou une productivité accrue des salariés. Un PDG ou un membre du conseil d’administration est plus susceptible de demander comment ces améliorations affectent le chiffre d’affaires, les coûts d’exploitation, le risque, les marges ou la capacité stratégique. Les deux perspectives peuvent être valables, mais elles nécessitent un framework de mesure commun.

C’est pourquoi les programmes d’IA doivent aller au-delà des métriques d’adoption. Le nombre de salariés utilisant une application d’IA ou le nombre de prompts soumis indique à la direction dans quelle mesure la technologie est utilisée. Cela n’établit pas si l’entreprise retire suffisamment de valeur de cet usage.

OpenAI recommande d’examiner des résultats tels que le temps gagné, la réduction du temps de cycle, le chiffre d’affaires protégé, le risque évité et la capacité créée. L’amélioration de la prise de décision et le nombre de tâches accomplies sont des mesures potentielles de la valeur. La métrique appropriée dépendra du workflow. Le service client peut se concentrer sur les cas résolus avec succès, tandis que les équipes d’ingénierie peuvent évaluer les modifications testées qui passent l’évaluation.

Les dirigeants doivent aussi faire preuve de prudence avec les affirmations sur la productivité. Faire gagner plusieurs heures aux salariés ne crée pas automatiquement un retour financier équivalent. Le bénéfice économique dépend de l’usage qui est fait de cette capacité libérée. Si les salariés l’utilisent pour augmenter la production, améliorer la qualité, servir des clients supplémentaires ou accélérer des projets à forte valeur, le bénéfice peut devenir significatif. Si les pratiques de travail ne changent pas, les gains de temps nominaux peuvent avoir un impact financier limité.

La même discipline s’applique à l’attribution du chiffre d’affaires. L’IA peut contribuer à une vente, accélérer le lancement d’un produit, améliorer la rétention ou réduire les délais de service sans être la seule cause du résultat financier. Les équipes de direction ont besoin de méthodes de mesure qui reconnaissent la contribution de l’IA sans surestimer la causalité.

Un ensemble partagé de métriques de résultats peut réduire l’écart de confiance entre les responsables technologiques et le reste de la direction générale. Les DSI obtiennent des preuves plus solides pour faire évoluer les systèmes qui réussissent. Les PDG, les DAF et les conseils d’administration obtiennent des informations plus claires pour allouer le capital et évaluer les retours.

L’objectif n’est pas de prouver que chaque initiative d’IA réussit. Certaines expérimentations échoueront, et cela fait partie du développement de la technologie. La capacité la plus importante consiste à identifier rapidement l’échec, à mesurer de manière cohérente les applications réussies et à orienter davantage d’investissement vers les workflows qui démontrent une valeur métier durable.

La gouvernance est essentielle pour maîtriser les coûts et les risques de l’IA

La gouvernance de l’IA devient une exigence pratique pour faire évoluer l’IA d’entreprise. À mesure que les systèmes accèdent davantage aux données, applications et outils de l’entreprise, les organisations ont besoin de règles explicites définissant ce à quoi l’IA peut accéder, ce qu’elle peut faire et à quel moment une approbation humaine est requise.

OpenAI décrit la gouvernance comme la « couche opérationnelle qui détermine quels travaux d’IA peuvent passer à l’échelle ». En pratique, cela signifie fixer des limites autour du contexte et des données disponibles pour les grands modèles de langage, identifier quelles applications et quels outils ils peuvent utiliser, et définir les actions qu’ils sont autorisés à effectuer. Les organisations doivent aussi préciser qui approuve les activités à plus haut risque et à quel moment des capacités supplémentaires de calcul ou d’usage peuvent être accordées.

Ces contrôles ont des implications financières directes. Les systèmes agentiques peuvent exécuter des processus en plusieurs étapes avec moins d’intervention humaine, augmentant potentiellement le nombre d’appels aux modèles, d’interactions avec les outils et d’actions automatisées. Si les autorisations et les limites de consommation sont mal conçues, les coûts peuvent augmenter sans hausse correspondante de la valeur métier. La gouvernance donne aux entreprises un moyen structuré de déterminer quels workflows méritent davantage d’autonomie et de ressources.

Le niveau de contrôle doit refléter le niveau de risque. Les applications courantes qui améliorent la productivité de routine peuvent justifier un large accès pour les salariés. Les workflows impliquant des informations sensibles de l’entreprise, des données réglementées, des décisions financières, des actions client ou des conséquences opérationnelles significatives nécessitent des autorisations, une supervision et des exigences d’approbation plus strictes. Cela permet aux entreprises d’élargir l’adoption utile de l’IA sans appliquer les mêmes restrictions à chaque application.

Pour les dirigeants, la gouvernance doit relier la gestion financière à la sécurité, à la conformité, à la responsabilité et à la performance opérationnelle. Les seules limites de coûts ne suffiront pas à traiter la question de savoir si un système d’IA accède à des informations inappropriées ou entreprend des actions inacceptables. De même, les seuls contrôles de sécurité n’établissent pas si un workflow reste économiquement pertinent. Les deux questions doivent être prises en compte au moment de décider d’un passage à l’échelle.

Une responsabilité claire est particulièrement importante. Chaque workflow d’IA significatif doit avoir des responsables métier et techniques identifiés, des autorisations définies, des résultats mesurables et des procédures d’escalade. Lorsque des actions à plus haut risque nécessitent une approbation, les organisations doivent établir à l’avance qui détient cette autorité. Le même principe s’applique lorsqu’un workflow réussi a besoin de capacités supplémentaires.

Une bonne gouvernance n’exige pas de restreindre l’expérimentation de l’IA dans toute l’organisation. OpenAI suggère que les entreprises peuvent offrir un accès plus large aux fonctions courantes qui améliorent la productivité tout en réalisant des investissements stratégiques plus sélectifs dans des opportunités à plus forte valeur. Les dirigeants peuvent donc maintenir l’expérimentation tout en appliquant une supervision plus forte à mesure que les systèmes d’IA deviennent plus déterminants.

L’objectif est une montée en charge maîtrisée. À mesure que l’IA devient capable d’exécuter davantage de travail de manière autonome, les organisations qui établissent des autorisations claires, une responsabilité explicite et des contrôles de dépenses seront mieux équipées pour accroître l’adoption tout en maintenant l’exposition financière et opérationnelle dans des limites acceptables.

Gérer les investissements dans l’IA comme un portefeuille et faire évoluer ce qui démontre de la valeur

L’investissement des entreprises dans l’IA doit devenir plus sélectif à mesure que l’adoption mûrit. Mener des expérimentations est utile pour découvrir des opportunités, mais financer chaque initiative au même niveau a peu de chances de produire des résultats efficaces. Les entreprises ont besoin d’un processus pour décider quels workflows doivent être développés, lesquels doivent rester expérimentaux et lesquels doivent être arrêtés.

OpenAI recommande de gérer les investissements dans l’IA comme un portefeuille plus large. Une distinction importante concerne les applications de productivité largement disponibles et les usages plus stratégiques de l’IA. Les outils généraux peuvent améliorer des activités communes dans l’ensemble de la main-d’œuvre, tandis que des investissements ciblés peuvent utiliser des informations propriétaires de l’entreprise, des processus spécialisés ou des capacités organisationnelles uniques pour créer une valeur plus différenciante.

Les opportunités les plus solides partagent plusieurs caractéristiques. Selon OpenAI, « les meilleurs candidats sont les workflows qui se répètent à une échelle significative, ont un responsable clairement identifié et peuvent être mesurés en termes de qualité, de risque et de valeur métier ». Ces conditions comptent parce qu’un système d’IA qui exécute une tâche fréquente a davantage d’occasions de générer des retours significatifs, tandis qu’une responsabilité claire et des résultats mesurables facilitent la détermination de l’existence réelle de ces retours.

Les dirigeants doivent appliquer des critères cohérents lorsqu’ils allouent le capital. Un workflow peut être évalué selon les taux d’achèvement, la qualité, le coût d’exploitation, le temps salarié économisé, la réduction du temps de cycle, le chiffre d’affaires protégé, le risque évité ou la capacité supplémentaire créée. Les métriques doivent correspondre à l’objectif métier plutôt que de forcer chaque projet d’IA dans le même modèle de retour.

Les informations propriétaires peuvent aussi influencer les priorités d’investissement. OpenAI suggère que les entreprises prennent des paris stratégiques fondés sur des informations propres à leur organisation. Un workflow d’IA alimenté par des connaissances, des processus ou des données internes peut répondre à des exigences métier que des applications génériques ne peuvent pas couvrir. Cependant, l’accès à des informations propriétaires crée aussi des considérations supplémentaires en matière de sécurité, de confidentialité, de gouvernance et de qualité des données. La valeur stratégique ne supprime pas le besoin de contrôles.

Le passage à l’échelle doit venir après la preuve de la valeur. La recommandation finale d’OpenAI est qu’une fois qu’une organisation a établi un workflow de valeur, les responsables IT doivent « adapter le produit, la capacité et le modèle de support à sa demande ». Un projet pilote réussi peut nécessiter une infrastructure, des niveaux de service, des choix de modèles, une supervision et un support différents lorsqu’il est utilisé à l’échelle d’un département ou d’une entreprise entière.

Cela signifie aussi éviter les capacités inutiles. Chaque cas d’usage réussi ne nécessite pas forcément le modèle le plus performant ni le niveau de service le plus élevé. Les organisations peuvent sélectionner différents modèles et dispositifs de support selon la complexité, l’importance, le volume et le risque de chaque workflow. Cela crée des opportunités d’optimiser les coûts sans réduire la qualité des résultats qui comptent.

Une approche portefeuille donne aussi à la direction la possibilité d’arrêter des projets. Les expérimentations qui ne produisent pas une qualité ou une valeur métier suffisante ne doivent pas se poursuivre indéfiniment en raison des investissements passés. Le capital et les capacités techniques peuvent être réaffectés vers des applications disposant de preuves plus solides.

Pour la direction générale, l’objectif plus large est une expansion disciplinée. L’investissement dans l’IA peut augmenter de manière significative tout en améliorant en même temps le contrôle financier. Cela exige de mesurer les résultats, de comparer les opportunités de manière cohérente, de faire évoluer la valeur démontrée et de réallouer continuellement les ressources à mesure que la technologie et les besoins de l’organisation évoluent.

Les entreprises font de la gestion des coûts de l’IA une discipline stratégique

La gestion des coûts de l’IA dépasse désormais le budget IT. À mesure que les entreprises développent leur usage de l’IA générative et de l’IA agentique, les dirigeants doivent comprendre non seulement combien ils dépensent, mais aussi ce que ces dépenses produisent. Prudential Financial et Shutterstock sont des entreprises qui mettent en œuvre des stratégies strictes de gestion des coûts de l’IA, montrant comment la supervision financière devient une composante de la stratégie d’IA d’entreprise.

Cette évolution est importante parce que les dépenses d’IA se comportent différemment de nombreux coûts logiciels traditionnels. La consommation peut augmenter à mesure que davantage de salariés adoptent l’IA, que les modèles traitent plus de tâches et que les systèmes agentiques exécutent plusieurs opérations pour achever un workflow. Des prix du token plus bas ne garantissent pas une dépense totale plus faible lorsque l’usage global croît rapidement. Une organisation peut donc déployer une technologie moins chère et faire malgré tout face à une facture d’IA plus élevée.

Cela rend le FinOps de plus en plus pertinent pour l’IA. Le FinOps est la pratique qui consiste à réunir les équipes finance, technologie et métier pour comprendre et optimiser des dépenses technologiques variables. Appliqué à l’IA, l’objectif n’est pas simplement de réduire l’usage. Les entreprises doivent relier la consommation aux résultats métier afin de distinguer l’investissement productif de la dépense inutile.

Courtney Totten, CTO et CISO chez Shutterstock, a résumé l’importance stratégique de cette question lors de la conférence FinOps X 2026. Totten a déclaré que comprendre les coûts de l’IA n’est « plus optionnel, c’est fondamental pour la stratégie d’entreprise ». Cette déclaration reflète un défi de gestion plus large : les entreprises ont besoin de visibilité financière avant de pouvoir faire évoluer l’IA en toute confiance dans des opérations importantes.

Pour les dirigeants de la direction générale, cette visibilité doit s’étendre des modèles individuels aux workflows complets. La direction doit comprendre quels départements et quelles applications consomment des ressources d’IA, combien coûtent les résultats réussis, si la consommation augmente et quelle valeur l’entreprise en retire. Des mesures telles que le temps gagné, des cycles plus courts, le chiffre d’affaires protégé, le risque évité et la capacité supplémentaire peuvent rendre la contribution économique plus facile à évaluer.

La gestion des coûts doit aussi fonctionner de concert avec la gouvernance. Les systèmes d’IA peuvent accéder à des données, invoquer des outils et, de plus en plus, exécuter des actions avec une implication humaine limitée. Développer un workflow d’IA sans autorisations, supervision, responsabilité et contrôles de dépenses appropriés peut créer en même temps une exposition financière et opérationnelle. Les programmes matures évalueront ensemble le coût, la valeur, la qualité et le risque.

Prudential Financial et Shutterstock sont des exemples pertinents parce que les deux poursuivent des stratégies strictes de gestion des coûts de l’IA. Le texte ne fournit pas de résultats financiers détaillés ni d’économies spécifiques issues de ces programmes ; aucune conclusion sur leur retour sur investissement ne doit donc être déduite de ces seuls exemples. Leur importance tient au fait que des entreprises établies traitent l’économie de l’IA comme un enjeu stratégique de gestion au lieu d’attendre que les dépenses deviennent un problème.

L’opportunité reste forte. De meilleurs contrôles des coûts n’obligent pas les entreprises à ralentir une adoption productive de l’IA. Ils peuvent rendre l’expansion plus durable en identifiant les workflows à forte valeur et en orientant l’investissement vers eux. À mesure que l’usage de l’IA augmente, les entreprises capables de mesurer ensemble le coût et la valeur disposeront d’une base plus solide pour décider où expérimenter, où passer à l’échelle et où cesser de dépenser.

Pour les dirigeants, la priorité est claire : la gestion des coûts de l’IA a besoin d’un responsable, de mesures et d’un examen régulier au niveau métier. Les entreprises qui développent tôt cette discipline seront mieux préparées à accroître l’usage de l’IA tout en maintenant l’investissement aligné sur des résultats métier mesurables.

En conclusion

L’économie de l’IA évolue rapidement. Les prix des modèles peuvent continuer à baisser, mais des coûts unitaires plus faibles ne produiront pas automatiquement des factures d’entreprise plus petites. L’IA agentique peut exécuter davantage de travail, effectuer plus d’appels aux modèles, utiliser plus d’outils et, au final, entraîner une consommation nettement plus élevée.

Pour les dirigeants, la réponse n’est pas de ralentir l’adoption. Elle consiste à rendre l’économie visible. Suivez les dépenses d’IA au niveau du workflow, mesurez le coût des résultats réussis et reliez ces résultats à la valeur métier. La gouvernance doit déterminer ce qui peut passer à l’échelle, tandis que la gestion de portefeuille doit orienter l’investissement vers les workflows dotés d’une responsabilité claire et de retours mesurables.

Les entreprises qui gèrent bien cela ne seront pas nécessairement celles qui dépensent le moins en IA. Elles sauront pourquoi elles dépensent, ce qu’elles obtiennent en retour et à quel moment un investissement supplémentaire a du sens. À mesure que l’IA agentique passe à l’échelle, cette discipline distinguera une consommation incontrôlée d’une valeur métier durable.