J’ai lu cette semaine l’article de Jon Morra publié dans AdExchanger, « Marketeurs, les tokens gratuits, c’est fini. Votre stack est-elle prête ? », et je n’arrête pas d’y revenir. Il a trouvé une formule bien vue pour désigner une conversation qui revient désormais presque tous les jours dans notre secteur : la réalité économique de l’IA finit enfin par apparaître sur la facture.

Son argument est simple. L’habitude de confier chaque tâche au plus gros modèle disponible ne pouvait pas survivre à un usage à l’échelle de l’entreprise. Les responsables marketing devraient y voir une clarification plutôt qu’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 la data et des opérations d’agence. Je vois comment cette réalité économique se traduit 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, à eux seuls, en disent très peu. Les capacités, la qualité et le coût doivent être adaptés au travail à accomplir.

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

La plupart des organisations diffusent deux messages en même temps. Le premier : tout le monde devrait utiliser l’IA, tous les jours, pour tout. Le second : arrêtez de gaspiller des tokens. Les deux messages se tiennent, mais, mis côte à côte, ils peuvent déconcerter. Les équipes ont besoin d’assez de contexte pour les concilier.

Une simple tâche de classification ou un premier jet peut très bien tourner sur 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 tokens internes avant de produire une réponse visible, et cet usage peut varier considérablement selon les modèles et les réglages.

Une fois ce compromis compris, les utilisateurs font généralement de meilleurs choix. Ils peuvent déterminer quand un modèle plus puissant apporte une amélioration tangible et quand il ne fait qu’alourdir la facture. Garder le coût d’usage secret, 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.

On connaît déjà ce scénario

Le passage d’un accès généreux au forfait 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 entreprises clientes ont tous besoin d’un lien plus étroit entre usage et coût.

Si vous êtes d’une certaine génération, ce moment vous semblera familier. Beaucoup d’entre nous se souviennent d’avoir surveillé les minutes de leur forfait mobile et d’avoir attendu le début des heures creuses pour passer un appel (si vous savez, vous savez). Ce modèle tarifaire nous a appris à considérer le temps de communication comme une ressource rare. La concurrence, les capacités disponibles et l’amélioration de l’économie du secteur ont fini par faire disparaître cette anxiété pour la plupart des gens.

Le calcul lié à l’IA pourrait suivre une trajectoire similaire. Nous sommes encore dans la phase « comptez 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’usage augmente souvent plus vite que le prix d’un token ne diminue. Davantage de cas d’usage, des contextes plus longs, du raisonnement supplémentaire, des relances et des workflows agentiques peuvent facilement absorber les économies.

Le point le plus utile de Morra est la notion de coût par résultat acceptable (« cost-of-pass ») : le coût attendu pour obtenir une réponse satisfaisante. Le prix par token n’est qu’un paramètre. Un calcul utile tient aussi compte des relances, de la latence, de la relecture humaine et du coût d’un échec. Cette approche fait du routage des modèles une discipline opérationnelle, avec des conséquences directes sur la qualité, la marge et le risque.

Le débat sur le prix et la valeur est de retour

C’est ici que la question touche le plus directement les agences et, plus largement, les métiers de la connaissance. Le travail assisté par l’IA peut demander moins d’heures humaines, et les clients devraient bénéficier des gains d’efficacité réels. Dans le même temps, ces heures peuvent désormais contenir des analyses plus poussées, une couverture plus large, 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 de produire est plus ambitieux.

La structure des coûts évolue elle aussi. Derrière un livrable assisté par l’IA se trouvent le calcul, les outils, l’orchestration, la gouvernance, l’évaluation et les profils seniors nécessaires pour piloter le travail de manière responsable. Ces coûts n’augmenteront pas tous au même rythme, et l’expertise humaine restera le premier poste dans de nombreuses missions. Malgré tout, « le modèle l’a fait » est un très mauvais indicateur, aussi bien du coût du travail que 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 créé de nouveaux coûts. Les clients peuvent alors évaluer le périmètre et le résultat obtenus sans utiliser les heures comme seul raccourci pour mesurer la valeur. Si tout le monde regarde le même registre transparent, la discussion cesse d’être une négociation d’honoraires et devient un bénéfice partagé.

Je crois au retour en force du calcul local

Voici le pari qui m’intéresse le plus. Le calcul local et privé retrouvera une place importante dans les stacks IA des entreprises. Les modèles à poids ouverts progressent rapidement, et les logiciels permettant de les exécuter sur les puces Apple et d’autres matériels accessibles ont gagné en maturité. Un petit groupe de Mac mini — ou leur équivalent — dans un bureau ou un datacenter peut désormais travailler 24 heures sur 24, comme une équipe de soutien numérique qui garde les données et le contrôle opérationnel plus près de l’entreprise.

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 support, 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 pics de demande, les besoins qui évoluent rapidement ou les problèmes nécessitant les modèles les plus puissants continueront de bénéficier des services cloud.

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 des métiers de la connaissance, posséder une partie de sa capacité deviendra avantageux par rapport à la location de chaque token. Je m’attends à ce que de nombreuses organisations adoptent une stack hybride : des modèles locaux ou privés pour les tâches récurrentes, avec 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 niveau d’intelligence exige une tâche, comment elles mesureront la qualité du résultat et où le travail devrait s’exécuter. 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 de visibilité sur l’usage, d’évaluations fiables, de règles de routage pertinentes et de la liberté 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 décider où une intelligence coûteuse mérite son prix. La gratuité des tokens, c’était agréable tant que cela a duré. Savoir exactement ce que nous payons, et ce que cela vaut, me semble être un progrès.