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

Quand le calcul devient moins cher, la qualité d’exécution pèse davantage dans l’économie d’un projet d’IA. Une facture d’API indique le prix des jetons consommés ; elle ne dit pas combien de tâches ont abouti, ni combien de travail humain a été nécessaire pour corriger les erreurs. Pour piloter un déploiement en entreprise, le chiffre utile est donc le coût d’une tâche acceptée, reprises comprises.

La baisse du calcul ne raconte pas toute l’histoire

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. Ce rythme serait six fois plus rapide que la baisse du coût du calcul informatique lui-même.

Ce chiffre ne correspond toutefois pas au prix d’un jeton. Epoch AI mesure le coût d’un résultat sur un banc d’essai. La différence compte pour les acheteurs : un jeton n’a pas de tarif universel, et les modèles peuvent coûter dix fois plus cher les uns que les autres. Les offres qui annoncent un nombre de jetons « inclus » ne permettent pas non plus, à elles seules, de prévoir le coût d’un processus métier.

La consommation ajoute une seconde inconnue. Avant le lancement d’une tâche, il est difficile de savoir combien de jetons seront nécessaires. Un modèle peut répondre correctement en un seul passage, ou s’égarer, répéter ses tentatives et produire une réponse longue. Même une tâche identique ne garantit pas une consommation identique d’un modèle à l’autre.

Un relevé publié en février 2026 par le cabinet d’évaluation Artificial Analysis illustre cet écart. Pour une même batterie de tests et à tarif unitaire identique, Claude Opus 4.6 a consommé 58 millions de jetons de sortie, contre 29 millions pour Opus 4.5. GPT-5.2 en a consommé 130 millions, soit plus du double d’Opus 4.6. Pourtant, les factures totales étaient comparables : 2 304 dollars pour GPT-5.2 et 2 486 dollars pour Opus 4.6. Le prix par jeton et le volume consommé varient ensemble. Aucun des deux ne suffit à établir le coût du travail réalisé.

Compter les résultats conformes, comme en usine

La fabrication fournit un repère utile. Un directeur d’usine ne choisit pas une fonderie uniquement au prix du kilo de métal. Il examine le coût de la pièce conforme, en tenant compte des rebuts et des retouches. Un fournisseur de métal deux fois moins cher peut revenir plus cher si une pièce sur quatre est rebutée et si un spécialiste doit corriger les autres.

Les industriels suivent notamment le rendement au premier passage : la proportion de pièces conformes dès leur première sortie de production. Pour une application d’IA, le jeton joue le rôle de la matière première. Ce que l’entreprise veut obtenir, c’est une décision ou un document correct, prêt à être accepté. La question économique devient alors : combien coûte chaque résultat qui passe effectivement le contrôle ?

Deux modèles pour traiter 1 000 notes de frais

Considérons une simulation construite pour l’article : une entreprise de taille intermédiaire veut automatiser le contrôle d’environ 1 000 notes de frais par mois. L’agent doit lire chaque justificatif, vérifier la dépense au regard de la politique de remboursement, puis rédiger une décision.

Deux offres sont envisagées. Le modèle économique coûte 0,50 € par million de jetons ; le modèle frontière, 5 €, soit dix fois plus. La comparaison des tarifs semble d’abord favoriser nettement le modèle le moins cher. Un pilote d’un mois nuance ce résultat : le modèle économique, moins capable, relit davantage, recommence et génère des réponses plus longues. Il consomme en moyenne 60 000 jetons par note, contre 15 000 pour le modèle frontière.

Le calcul par note revient ainsi à 0,03 € pour le modèle économique et 0,075 € pour le modèle frontière. Le rapport des prix n’est plus de un à dix, mais de un à deux et demi. Ce calcul ne répond pourtant pas à la question décisive : quelle part des notes reçoit la bonne décision ?

Les erreurs s’accumulent dans une chaîne de tâches

Un agent probabiliste peut produire une erreur sans la signaler. Dans un processus composé de plusieurs étapes, une fiabilité élevée à chaque étape ne garantit donc pas une fiabilité équivalente sur l’ensemble du parcours.

Dans cette simulation, le modèle économique réussit chacune des trois étapes dans 90 % des cas. Si les erreurs de chaque étape sont indépendantes, la probabilité de réussite de la chaîne est d’environ 73 % : 0,90 multiplié par lui-même trois fois. Avec une fiabilité de 97 % par étape pour le modèle frontière, le rendement cumulé atteint environ 91 %. C’est une estimation, pas une mesure universelle : un pilote sur les dossiers réels reste nécessaire pour établir le taux observé.

Le coût d’une tentative seule ne suffit donc pas. Pour estimer le coût d’une tâche réussie, on peut diviser le coût d’une tentative par sa probabilité de succès. Avec les hypothèses du cas, relancer automatiquement le modèle économique donnerait environ 0,04 € par note réussie, à partir de son coût de 0,03 € et d’un taux de succès de 73 %. Si chaque échec pouvait être réglé par une nouvelle tentative, ce modèle conserverait l’avantage.

Mais une décision de remboursement erronée demande souvent une intervention humaine. La simulation chiffre une reprise à quinze minutes de travail, rémunérées 60 € de l’heure, soit 15 € par dossier. Ce poste dépasse de loin le coût de calcul. Il change le classement des deux modèles.

Le modèle le moins cher revient trois fois plus cher

Dans ce scénario, le modèle dont le jeton coûte dix fois moins cher revient environ trois fois plus cher par note acceptée. Le calcul représente moins de 1 % des dépenses du modèle économique et environ 5 % de celles du modèle frontière. Le reste correspond au travail humain nécessaire pour reprendre les dossiers en échec.

Ces chiffres sont ceux d’une simulation, avec des taux et des montants définis pour l’exemple ; ils ne constituent pas des observations de terrain. Le calcul est aussi optimiste sur un point : il suppose que chaque erreur est repérée. La vérification qui permet de détecter les mauvaises décisions a elle-même un coût. Les serveurs, l’orchestration et la maintenance des règles ne sont pas comptabilisés non plus. L’entreprise évalue donc un dispositif complet, pas seulement un modèle.

Suivre la qualité après les mises à jour

Le coût peut aussi augmenter alors que la facture d’API baisse. Imaginons que le modèle frontière soit retenu et que, six mois plus tard, son fournisseur réduise son tarif de moitié. Pour les 1 000 notes mensuelles, la dépense de calcul passe de 75 € à 37,50 €. Le tableau de bord indique une baisse de 50 %.

Entre-temps, une nouvelle version du modèle peut se comporter différemment, les justificatifs peuvent changer de format ou la politique de remboursement évoluer. Dans l’exemple, le taux de réussite de la chaîne passe de 91 % à 85 %. Le nombre de dossiers repris grimpe alors de 87 à 150, pour 2 250 € de travail humain. Le coût par note acceptée atteint environ 2,29 €, contre 1,38 € auparavant : une hausse de 66 %, alors même que le prix du jeton a été divisé par deux.

Ce scénario illustre un risque de pilotage, pas une trajectoire inévitable. La qualité peut se dégrader plus lentement, plus rapidement, ou rester stable. C’est pourquoi il faut mesurer les résultats sur les dossiers de l’entreprise, régulièrement et après chaque mise à jour. Un suivi limité à la facture d’API peut afficher des économies pendant que le coût réel de traitement augmente.

Trois mesures à demander

Avant de déployer un agent métier, un décideur peut ramener l’évaluation à trois questions :

1. Quel est le coût d’une tâche acceptée, avec les tentatives, les relances et les reprises humaines ? Le tarif d’un jeton ou d’une requête ne répond pas à cette question.
2. Quel taux de réussite a été mesuré sur les dossiers de l’entreprise ? Un résultat de banc d’essai ou une estimation du fournisseur ne remplace pas un pilote avec les données et les règles du processus visé.
3. Qui suivra ce taux chaque mois, notamment après une mise à jour du modèle ? Sans responsable ni mesure régulière, une baisse de qualité peut passer inaperçue.

La baisse du prix des jetons reste une bonne nouvelle : elle réduit le coût du calcul. Elle rend aussi plus visible le poids des tâches ratées et des corrections humaines dans le coût final. Pour juger la viabilité d’un projet, le chiffre à suivre est le coût complet par tâche validée. Dans une usine, personne ne pilote une ligne au prix du kilo de métal ; la même logique s’applique à l’IA.

Pour aller plus loin, le livre blanc gratuit La facture fantôme de l’IA examine pourquoi les gains annoncés ne produisent pas toujours les économies attendues. Le Volume 1 de SAGA-IA permet d’éprouver la viabilité économique de votre propre projet, avec des cas et des exercices corrigés.

Le cas des notes de frais est une simulation construite pour cet article ; ses montants et ses taux sont des conventions explicites, non des observations.

Source de l’article : Foundations. La page a été publiée par R-bloggers. Pour signaler un problème, utilisez la page de contact. Les auteurs qui souhaitent proposer un contenu peuvent consulter les informations pour les blogs ou R-posts.

Pour commenter sur le blog de l’auteur, rendez-vous sur Foundations. R-bloggers.com propose des mises à jour quotidiennes par e-mail sur l’actualité et les tutoriels liés à R, ainsi que des ressources sur l’apprentissage de R. Les offres et recherches d’emploi en science des données sont accessibles sur R-users.com. Pour proposer un contenu, consultez cette page ou R-posts. La publication d’origine est aussi accessible sous le titre Le prix du jeton s’effondre. Votre facture, non..