J’ai lu cette semaine l’article de Jon Morra publié dans AdExchanger, « Spécialistes du marketing, les jetons gratuits, c’est fini. Votre environnement technologique est-il prêt? », et je n’arrête pas d’y repenser. Il a trouvé une formule habile pour nommer une conversation qui revient désormais presque tous les jours dans notre secteur : la véritable économie de l’IA finit par apparaître sur la facture.

Son argument est simple. L’habitude de confier chaque tâche au plus gros modèle disponible n’allait jamais survivre à une utilisation à l’échelle de l’entreprise. Les responsables du marketing devraient y voir une clarification, pas une source d’inquiétude. Cela nous oblige à comprendre ce que nous achetons et à mieux choisir les situations où ces systèmes apportent une réelle valeur.

Mon point de vue se situe au croisement de la technologie, de l’analytique et des activités d’agence. Je vois comment ces considérations économiques se concrétisent dans le travail marketing quotidien, là où se rencontrent qualité, rapidité, risque et marge. De ce point de vue, les organisations qui réussiront développeront leur jugement tâche par tâche. Les objectifs de dépenses, pris isolément, en disent très peu. Les capacités, la qualité et le coût doivent correspondre au travail à accomplir.

Le message contradictoire au cœur de l’adoption de l’IA

La plupart des organisations transmettent deux messages en même temps. Le premier : tout le monde devrait utiliser l’IA, tous les jours, pour tout. Le second : cessez de gaspiller des jetons. Les deux messages sont raisonnables, mais, côte à côte, ils peuvent sembler déroutants. Les équipes ont besoin d’assez de contexte pour les concilier.

Une simple tâche de classification ou une première ébauche peut très bien être confiée à un modèle léger. Un travail qui exige un raisonnement complexe, une connaissance approfondie du domaine ou une très faible tolérance à l’erreur peut justifier des systèmes plus performants et plus coûteux. Le plus difficile est de savoir dans quelle situation on se trouve. Les modèles de raisonnement peuvent consommer un volume important de jetons internes avant de produire une réponse visible, et cette consommation peut varier considérablement selon les modèles et les paramètres.

Une fois ce compromis compris, les gens font généralement de meilleurs choix. Ils peuvent déterminer quand un modèle plus puissant apporte une amélioration concrète et quand il ne fait qu’ajouter des coûts. Traiter le coût de consommation comme un secret financier, ou ne le révéler que lorsqu’une facture surprend quelqu’un, prive les équipes de l’information dont elles ont besoin. La transparence favorise à la fois l’adoption et l’efficacité.

Ce scénario est familier

Le passage d’un accès généreux à prix fixe à une tarification à l’usage plus visible était prévisible. Les premiers tarifs ont réduit le coût de l’expérimentation, ce qui a permis au marché d’avancer rapidement. À grande échelle, fournisseurs et clients d’entreprise ont tous besoin d’un lien plus étroit entre utilisation et coût.

Si vous êtes d’une certaine génération, ce moment vous semblera familier. Beaucoup d’entre nous se souviennent d’avoir surveillé leurs minutes de téléphone cellulaire et d’avoir attendu 18 h 01 avant d’appuyer sur le bouton d’appel (si vous savez, vous savez). Ce modèle tarifaire nous a appris à considérer le temps d’antenne comme une ressource rare. La concurrence, l’augmentation de la capacité et l’amélioration des conditions économiques ont fini par faire disparaître cette anxiété pour la plupart des gens.

La puissance de calcul de l’IA pourrait suivre une trajectoire semblable. Nous sommes encore dans la phase « surveillez vos minutes », et les budgets sont pris de court lorsque les équipes font comme si ce n’était pas le cas. Les coûts unitaires peuvent continuer de baisser, mais l’utilisation augmente souvent plus vite que le prix d’un jeton ne diminue. Davantage de cas d’utilisation, des contextes plus longs, du raisonnement additionnel, des reprises et des flux de travail agentiques peuvent facilement absorber les économies.

L’idée la plus utile de Morra est celle du coût par résultat acceptable (« cost-of-pass ») : le coût prévu pour obtenir une réponse satisfaisante. Le prix par jeton n’est qu’un facteur. Un calcul utile tient aussi compte des reprises, de la latence, de la révision humaine et du coût d’un échec. Cette perspective fait du routage des modèles une discipline opérationnelle qui a des répercussions directes sur la qualité, la marge et le risque.

Le débat sur le prix et la valeur est de retour

C’est ici que l’enjeu touche le plus directement les agences et, plus largement, le travail intellectuel. Le travail assisté par l’IA peut demander moins d’heures humaines, et les clients devraient profiter des gains d’efficacité réels. En même temps, ces heures peuvent maintenant contenir des analyses plus approfondies, une couverture plus vaste, des itérations plus rapides et un travail qui n’aurait pas été réalisable à un prix raisonnable il y a quelques années. Les heures sont moins nombreuses; ce qu’elles permettent d’accomplir est plus ambitieux.

La structure des coûts évolue elle aussi. Derrière un livrable assisté par l’IA se trouvent la puissance de calcul, les outils, l’orchestration, la gouvernance, l’évaluation et les talents chevronnés nécessaires pour diriger le travail de façon responsable. Ces coûts n’augmenteront pas tous au même rythme, et l’expertise humaine restera le poste le plus important dans de nombreux mandats. Malgré tout, « le modèle l’a fait » est un bien mauvais indicateur du coût du travail comme de la valeur du résultat.

Une conversation commerciale plus saine commence par les résultats, les niveaux de service et le risque. Nous devrions être prêts à montrer où l’IA a réduit l’effort et où elle a engendré de nouveaux coûts. Les clients peuvent alors évaluer la portée et le résultat obtenus sans utiliser les heures comme seul raccourci pour mesurer la valeur. Si tout le monde consulte le même registre transparent, la discussion cesse d’être une négociation d’honoraires et devient un gain partagé.

Je crois au retour en force du calcul local

Voici la prédiction audacieuse qui m’intéresse le plus. Le calcul local et privé retrouvera une place importante dans les environnements d’IA d’entreprise. Les modèles à poids ouverts s’améliorent rapidement, et les logiciels permettant de les exécuter sur les puces Apple et d’autres appareils accessibles ont gagné en maturité. Un petit groupe de Mac mini — ou leur équivalent — dans un bureau ou un centre de données peut maintenant travailler jour et nuit, comme une équipe de soutien numérique qui garde les données et le contrôle opérationnel plus près de l’organisation.

Le prix d’achat n’est qu’une ligne du calcul. Un modèle de rentabilité crédible tient aussi compte du taux d’utilisation, de l’électricité, du soutien, de la sécurité, de la maintenance des modèles, de la fiabilité et du coût de la capacité inutilisée. Les charges de travail internes stables sont les meilleures candidates, surtout lorsque la confidentialité est importante et que le niveau de qualité requis est bien compris. Les demandes irrégulières, les besoins qui évoluent rapidement ou les problèmes nécessitant les modèles les plus puissants continueront de tirer avantage des services infonuagiques.

Un taux d’utilisation élevé et constant change la donne. Pour l’analyse interne, la rédaction, la classification et tout le travail de liaison quotidien du travail intellectuel, posséder une partie de sa capacité deviendra avantageux par rapport à la location de chaque jeton. Je m’attends à ce que de nombreuses organisations adoptent un environnement hybride : des modèles locaux ou privés pour le travail reproductible, et des API de modèles de pointe lorsqu’une tâche en bénéficie réellement.

Le choix des modèles deviendra donc une capacité stratégique. Les équipes devront savoir quel degré d’intelligence exige une tâche, comment elles mesureront la qualité du résultat et où le travail devrait être exécuté. Les réponses varieront selon la charge de travail, ce qui explique précisément pourquoi une stratégie fondée sur un seul modèle deviendra de plus en plus difficile à défendre.

À quoi ressemble une adoption mature

Rien de tout cela ne diminue mon enthousiasme pour l’IA. Cela me donne plutôt envie de voir les organisations aborder son adoption avec le même sérieux que toute autre capacité opérationnelle. Les équipes ont besoin d’une visibilité sur l’utilisation, d’évaluations fiables, de règles de routage judicieuses et de la permission de choisir un modèle plus léger lorsque c’est le bon outil.

La prochaine phase exigera de nous plus que de l’enthousiasme. Nous devrons comprendre la facture, concevoir nos systèmes en conséquence et déterminer où une intelligence coûteuse mérite son prix. Les jetons gratuits, c’était agréable tant que ça a duré. Savoir exactement ce que nous payons, et ce que cela vaut, me semble être un progrès.