Une évolution notable vient d’être rendue publique dans le domaine.
Faire de l’IA un atout, et non une dépense
À mesure que l’IA passe de la phase pilote à la production, les entreprises doivent déterminer à quel moment la tarification à l’utilisation reste pertinente — et à quel moment l’infrastructure d’IA doit être considérée comme un actif productif.
Fait intéressant, lorsque les clients évoquent les coûts liés à l’IA, la discussion commence généralement par le prix des jetons et se termine par l’accès au système le plus récent et le plus performant disponible dans le cloud. Ont-ils toujours besoin d’un tel niveau de performance ? Pas nécessairement. Mais c’est souvent là que la discussion aboutit.
Dans quelle mesure cette capacité sera-t-elle utilisée de manière régulière ?
À mesure que l’IA passe du stade expérimental à celui de la mise en production, le choix du modèle ne représente qu’une partie de l’équation. Lorsque la demande devient régulière et essentielle à l’activité, une approche basée uniquement sur la consommation peut transformer les dépenses liées à l’IA en un poste de dépense mensuel variable, difficile à prévoir en raison de l’évolution de l’utilisation, des charges de travail et des exigences des modèles.
À ce stade, la question n’est plus simplement de savoir quel système utiliser, ni quel fournisseur propose le prix le plus bas par jeton : il s’agit désormais de déterminer comment exploiter l’IA de manière économique, prévisible et à grande échelle sur le long terme.
À ce sujet, l’IA passe désormais de projets pilotes isolés à des portefeuilles de production : assistants, systèmes de travaux de recherche et de gestion des connaissances, et applications basées sur des agents. Les agents dédiés au service client, à l’informatique, à la travaux de recherche et aux processus métier peuvent exécuter des flux de travail en plusieurs étapes à travers les systèmes d’entreprise, générant ainsi une demande récurrente en matière de modèles, de informations et d’outils.
Cette tendance commence déjà à se dessiner. Le rapport « 2026 State of AI in the Enterprise » de Deloitte reflète ce que constatent de nombreux dirigeants : l’accès des employés à l’IA a augmenté de 5 % en 2025, et la part des entreprises dont au moins 40 % des projets d’IA sont en production devrait doubler d’ici six mois.
Lorsque l’IA devient un portefeuille de charges de travail fonctionnant en permanence, et non plus un ensemble d’expériences, la donne économique change. La tarification à la consommation offre aux équipes une certaine flexibilité et limite leur engagement. Mais lorsque l’utilisation devient régulière, prévisible et suffisamment importante pour maintenir la capacité à un niveau productif, les dirigeants doivent se poser une autre question : est-il toujours judicieux d’un point de vue économique d’acheter de l’IA requête par requête, ou est-il temps d’investir dans une capacité qu’ils peuvent optimiser et contrôler ?
Il ne s’agit pas d’un débat abstrait opposant le cloud aux solutions sur site. Il s’agit d’une décision métier qui doit être prise au cas par cas, en fonction de chaque charge de travail. Au cours des 12 à 18 prochains mois, à quelle demande en matière d’IA l’entreprise peut-elle raisonnablement s’attendre ? Dans quelle mesure cette capacité sera-t-elle utilisée de manière régulière ? Lorsque plusieurs charges de travail partagent une même infrastructure, l’entreprise peut répartir les coûts fixes sur des utilisations plus productives, ce qui optimise la rentabilité globale.
Les éléments clés de cette information :
- Cette tendance commence déjà à se dessiner.
- La tarification à la consommation offre aux équipes une certaine flexibilité et limite leur engagement.
- Au cours des 12 à 18 prochains mois, à quelle demande en matière d’IA l’entreprise peut-elle raisonnablement s’attendre ?
Le contexte technologique évolue, et ce type d’annonce en témoigne.
À découvrir aussi :
- Une seule commande mal formulée a mis hors service le système Salesforce d’une entreprise : Jim Taylor, de RSA, revient sur l’identification des agents et la maîtrise des 4 000 agents d’IA « fantômes » qui se cachent dans votre entreprise
- Liquid AI lance « d1 » : un modèle décisionnel qui renvoie des probabilités calibrées sans générer de tokens de sortie
Information publiée en premier lieu par MIT Technology Review : MIT Technology Review