Le coût réel de l’IA se mesure par tâche réussie, pas au jeton

Oct 29, 2026 777 views

Quand le prix des jetons chute, une facture d’API peut donner l’impression qu’un projet d’IA devient plus rentable. Mais le prix du calcul ne dit pas combien coûte une décision correcte. Pour les entreprises, le chiffre utile est celui d’une tâche validée, après les tentatives, les erreurs et le temps humain nécessaire pour les corriger.

Cette distinction change la façon d’évaluer un agent en production. Un modèle moins cher peut consommer davantage de jetons et échouer plus souvent. Si chaque échec exige l’intervention d’un employé, quelques centimes économisés sur le calcul peuvent être engloutis par des minutes de travail. Voici le point central : l’unité économique pertinente n’est pas le jeton, mais le résultat accepté.

Un jeton ne se compare pas comme une matière première

Les coûts de l’IA baissent vite. En septembre 2026, l’institut de recherche Epoch AI estimait que le coût nécessaire pour atteindre un niveau de performance donné avait reculé d’environ 47 % par trimestre depuis 2023, soit une division par 13 chaque année. Cette baisse serait six fois plus rapide que celle du coût du calcul informatique lui-même.

Ce chiffre ne correspond toutefois pas au prix du jeton. Epoch AI mesure le coût d’atteindre un résultat sur un banc d’essai, et distingue explicitement cette mesure du tarif facturé par jeton. Pour les acheteurs, la différence compte : les modèles n’ont pas de prix unitaire commun, et leurs tarifs peuvent varier d’un facteur dix ou davantage. Les forfaits vendus en « jetons inclus » rendent parfois la comparaison encore moins lisible.

La quantité consommée est elle aussi difficile à prévoir. Une tâche peut réussir en une réponse courte, ou entraîner des réponses longues, des reprises et de nouvelles tentatives. En février 2026, le cabinet d’évaluation Artificial Analysis a relevé qu’au même tarif unitaire, Claude Opus 4.6 avait consommé 58 millions de jetons de sortie sur une batterie de tests, contre 29 millions pour Opus 4.5. GPT-5.2 en avait consommé 130 millions. Pourtant, les factures totales des deux derniers modèles étaient comparables : 2 304 dollars pour GPT-5.2 et 2 486 dollars pour Opus 4.6.

Prix unitaire et volume consommé bougent donc ensemble, parfois dans des directions difficiles à anticiper. Aucun de ces chiffres, pris seul, ne permet de savoir ce que coûte le travail accompli.

Le bon parallèle vient de l’usine

Un directeur d’usine ne juge pas une fonderie au seul prix du métal. Il regarde combien coûte une pièce conforme une fois les rebuts et les retouches comptabilisés. Une matière première moins chère peut conduire à une production plus coûteuse si davantage de pièces sont rejetées ou nécessitent l’intervention d’un spécialiste.

L’indicateur industriel pertinent est le rendement au premier passage : la proportion de pièces qui sortent conformes sans retouche. Pour l’IA, le raisonnement est similaire. Le jeton ressemble à la matière première ; la tâche correctement exécutée est le produit fini. Le modèle qui semble le moins cher à l’achat ne l’est pas nécessairement une fois le travail de correction inclus.

Deux modèles face à 1 000 notes de frais

Considérons une simulation portant sur une entreprise de taille intermédiaire qui traite environ 1 000 notes de frais par mois. Un agent doit lire chaque justificatif, vérifier qu’il respecte la politique de remboursement, puis rédiger une décision. Deux modèles sont envisagés : l’un facture 0,50 € le million de jetons, l’autre 5 €, soit dix fois plus.

Un pilote d’un mois révèle que le modèle le moins cher consomme en moyenne 60 000 jetons par note. Il boucle davantage, relit les documents et produit des réponses plus longues. Le modèle plus coûteux en consomme 15 000. Le calcul revient ainsi à 0,03 € par note pour le modèle économique et 0,075 € pour le modèle frontière. L’écart réel est déjà tombé de dix à deux fois et demie.

Mais le volume de jetons ne répond pas à la question déterminante : combien de notes sont traitées correctement de bout en bout ? Un agent peut se tromper sans le signaler, et présenter une décision erronée avec le même aplomb qu’une bonne décision.

La fiabilité de chaque étape s’accumule

Dans une chaîne de trois étapes, la fiabilité totale dépend de la réussite de chaque étape. Si le modèle économique réussit chacune d’elles dans 90 % des cas, la probabilité que les trois réussissent est d’environ 73 % : 0,90 multiplié par lui-même trois fois. Avec un modèle fiable à 97 % par étape, elle atteint environ 91 %.

Ce calcul suppose que les erreurs sont indépendantes d’une étape à l’autre. Il donne un ordre de grandeur ; seul un pilote sur les dossiers de l’entreprise peut établir le taux observé. Il montre néanmoins pourquoi un agent qui paraît fiable à chaque étape peut produire un résultat beaucoup moins fiable sur l’ensemble du processus.

La formule économique est simple : coût d’une tâche réussie = coût d’une tentative divisé par sa probabilité de succès. Une note qui échoue doit être retentée ou reprise par une personne. Dans le premier cas, le surcoût de calcul peut rester minime : 0,03 € divisé par un taux de réussite de 73 % donne environ 0,04 € par note réussie. Si un comptable doit plutôt contrôler et reprendre la décision, l’équation change. À 60 € de l’heure, quinze minutes de travail coûtent 15 €.

La reprise humaine renverse le classement

Dans la simulation, les erreurs du modèle économique entraînent 271 reprises sur 1 000 notes, contre 87 pour le modèle frontière. À 15 € par reprise, le travail humain coûte respectivement 4 065 € et 1 305 €. Ajoutez le calcul : 30 € pour le premier modèle, 75 € pour le second.

Pour 1 000 notes par mois Modèle économique Modèle frontière
Prix affiché 0,50 € / million de jetons 5 € / million de jetons
Coût du calcul 30 € 75 €
Notes en échec, reprises par un comptable 271 87
Coût des reprises, à 15 € par note 4 065 € 1 305 €
Coût par note acceptée ≈ 4,10 € ≈ 1,38 €

Le modèle dont le jeton coûte dix fois moins cher revient ici environ trois fois plus cher par note acceptée. Les jetons représentent moins de 1 % du coût du modèle économique et environ 5 % de celui du modèle frontière. Le reste tient surtout au travail humain nécessaire pour rattraper les erreurs. La simulation suppose par ailleurs que chaque échec est repéré. Elle ne compte ni le coût du contrôle nécessaire pour détecter les erreurs, ni les serveurs, l’orchestration ou la maintenance des règles.

Le calcul à suivre doit donc inclure toutes les tentatives, les relances et les reprises, puis être rapporté au nombre de tâches effectivement validées. C’est le coût de la bonne pièce appliqué à un processus d’IA.

Une baisse du tarif peut masquer une hausse du coût

Imaginons que l’entreprise choisisse le modèle frontière. Six mois plus tard, le fournisseur réduit son tarif de moitié. La facture d’API passe de 75 € à 37,50 € par mois, ce qui ressemble à une économie nette. Pourtant, une nouvelle version du modèle, un changement de format des justificatifs ou une évolution de la politique de remboursement peut faire baisser la qualité des résultats sans déclencher d’alerte.

Dans l’exemple, le taux de réussite total passe de 91 % à 85 %. Le nombre de reprises monte de 87 à 150, soit 2 250 € de travail humain. Le coût par note acceptée atteint alors environ 2,29 €, contre 1,38 € auparavant : une hausse de 66 %, malgré la baisse de moitié du prix des jetons.

Ces chiffres illustrent un scénario, pas une prévision. La qualité peut se dégrader plus lentement, plus vite, ou rester stable. C’est justement pourquoi l’entreprise doit mesurer les résultats sur ses propres dossiers, et répéter cette mesure après chaque mise à jour du modèle. Un tableau de bord limité aux dépenses d’API peut célébrer une baisse tout en ignorant une hausse du coût opérationnel.

Trois mesures à demander avant le déploiement

La baisse du prix du calcul améliore les conditions d’accès à l’IA, mais elle rend la qualité opérationnelle encore plus déterminante dans le coût final. Avant de déployer un agent, une équipe devrait établir son coût par tâche validée, mesurer son taux de réussite sur ses propres dossiers et désigner la personne responsable de suivre ce taux dans le temps.

Un banc d’essai public ou une promesse de fournisseur peut aider à sélectionner des candidats, mais ne remplace pas un pilote représentatif. Le résultat doit aussi être suivi après les changements de modèle et les évolutions du processus métier. Sans cette mesure, les équipes ne savent pas si elles paient moins pour le même travail ou si elles ont simplement transféré davantage de tâches vers les employés.

Pour prolonger cette analyse, le livre blanc La facture fantôme de l’IA examine pourquoi les économies annoncées ne se traduisent pas toujours dans les opérations. Le Volume 1 de SAGA-IA propose des cas et des exercices pour évaluer la viabilité économique d’un projet. Le scénario des notes de frais présenté ici est une simulation : ses tarifs, taux et coûts de reprise sont des hypothèses explicites, et non des résultats observés.

Le coût du jeton reste utile pour prévoir une partie de la dépense. Mais pour piloter un agent en entreprise, le signal à surveiller est le coût d’une tâche acceptée, avec son taux d’échec et son coût de reprise. À mesure que le calcul devient moins cher, la capacité à mesurer la qualité du travail devient le principal moyen de savoir si le projet tient ses promesses opérationnelles.

Source: Boris Guarisma · www.r-bloggers.com

Comments

Sign in to comment.
No comments yet. Be the first to comment.

Related Articles

Le prix du jeton s’effondre. Votre facture, non.