Comment les organisations peuvent-elles mieux prévoir les dépenses liées à l’IA et éviter les surprises?
Les organisations peuvent améliorer la prévisibilité des coûts liés aux jetons d’IA en suivant la consommation de jetons et en comprenant ce qui alimente cette consommation. Faire le lien entre les dépenses et les résultats d’affaires permet aussi de mieux voir où l’IA génère de la valeur et où un meilleur contrôle peut être nécessaire.
Les jetons d’IA coûtent de moins en moins cher, mais cela ne se traduit pas nécessairement par une facture d’IA moins élevée. À mesure que les organisations adoptent des flux de travaux agentifs plus complexes, le nombre d’appels de modèles (requêtes envoyées aux modèles d’IA) nécessaires pour accomplir une tâche peut augmenter rapidement, ce qui peut gruger les économies réalisées grâce à la baisse des prix des jetons.
Pour les responsables d’ingénierie, le défi consiste à aller au-delà de la facture d’IA et à comprendre ce qui fait augmenter les coûts. Cela signifie qu’il faut prendre des décisions réfléchies en matière de conception tout en mettant en place les bons contrôles pour gérer la consommation à mesure que l’adoption augmente.
Pourquoi les coûts associés à l’IA sont-ils de plus en plus difficiles à prévoir?
L’infonuagique nous a donné le concept d’« opérations financières », une discipline pour la gestion des dépenses technologiques et de la valeur des technologies. Il faut une discipline similaire pour l’IA, mais la gestion des coûts devient plus complexe lorsque les systèmes agentifs peuvent décider combien d’étapes, d’appels de modèles et d’interactions d’outils sont nécessaires pour accomplir une tâche. Chaque appel de modèle consomme des jetons, et les coûts peuvent s’additionner rapidement. La gestion des coûts liés aux jetons d’IA est donc une responsabilité partagée entre les équipes d’ingénierie, des finances et de l’approvisionnement.
Dans un billet de blogue précédent, L’économie de jetons d’IA : gérer les coûts cachés de l’IA agentive, mon collègue et moi avons exploré ce que signifie la gestion des coûts agentifs pour les chefs de la direction financière et introduit le cadre d’estimation, de gestion et de contrôle de CGI.
Dans ce billet de blogue, j’aborde le défi sous l’angle de l’ingénierie. Comment les organisations peuvent-elles accroître l’adoption de l’IA sans perdre de vue la consommation? Et comment pouvez-vous rendre les coûts plus prévisibles tout en laissant place à l’innovation?
Les questions suivantes peuvent aider les responsables d’ingénierie à trouver les réponses.
- 1. Avons-nous une idée claire de nos coûts de calcul de l’IA actuels et futurs?
-
Pour comprendre et prévoir les coûts de calcul de l’IA, les organisations ont besoin de connaître la consommation de jetons ainsi que les modèles et les charges de travail qui sont à la source des dépenses. Le fait de suivre l’évolution de la consommation à mesure que l’adoption de l’IA prend de l’ampleur, tout en faisant le lien entre les coûts et les résultats d’affaires, aide les responsables d’ingénierie à prévoir les dépenses futures et à évaluer si elles génèrent de la valeur.
La plupart des organisations peuvent vous dire combien elles ont dépensé en IA le mois dernier. Elles sont beaucoup moins nombreuses à pouvoir expliquer où est allé cet argent précisément, quels modèles sont à l’origine de cette consommation ou comment les coûts pourraient changer à mesure que l’adoption se généralise.
Au fur et à mesure que l’IA est utilisée non plus seulement par les équipes de développement, mais également pour les activités opérationnelles quotidiennes, la visibilité ne doit plus reposer uniquement sur les factures. Les responsables d’ingénierie ont besoin de voir en temps réel la consommation par projet, équipe et produit. Mais savoir ce que coûte l’IA ne représente que la moitié du défi. Le plus révélateur est de savoir ce que l’organisation obtient en retour. Cela veut dire qu’il faut examiner le coût par résultat d’affaires : par exemple, par billet résolu, réclamation traitée ou prêt octroyé.
Jumeler cette visibilité avec des balises budgétaires appropriées peut aider les organisations à repérer rapidement la consommation inhabituelle et à orienter les équipes avant que les coûts montent en flèche.
- 2. Mettons-nous en œuvre les bonnes balises, et sont-elles vraiment efficaces?
-
Des balises efficaces en matière de coûts d’IA combinent les limites d’utilisation avec une sélection réfléchie du modèle, une mise en cache des requêtes et une gestion du contexte pour réduire la consommation inutile de jetons sans compromettre la qualité des résultats. Les responsables d’ingénierie peuvent évaluer si ces mesures sont efficaces en surveillant la consommation et les coûts parallèlement à la qualité des résultats.
Imaginez une tâche quotidienne pour un agent d’IA : lire un billet de soutien technique, examiner trois fichiers et proposer un changement. Ça a l’air assez simple, mais en coulisse, l’agent pourrait devoir accomplir beaucoup plus de travail qu’il n’y paraît. Dans de nombreuses architectures d’agents, chaque appel de modèle comprend un historique croissant de requêtes, de réponses et de résultats d’outils. À mesure que le flux de travail évolue, les contextes antérieurs peuvent être traités et facturés à répétition.
Lorsqu’une tâche fait appel à un raisonnement poussé non nécessaire ou choisit automatiquement par défaut un modèle inutile, un travail apparemment simple peut coûter beaucoup plus cher qu’il ne le devrait. Une consommation accrue ne donne pas nécessairement de meilleurs résultats. Souvent, le coupable n’est pas une mauvaise décision, mais un paramètre par défaut que personne n’a pensé à revoir. La mise en cache des requêtes et le resserrement des limites contextuelles peuvent aider à éliminer une grande partie de ce gaspillage.
La sélection de modèles et les seuils d’utilisation offrent d’autres moyens de gérer la hausse de la consommation. Les seuils peuvent orienter les équipes vers des pratiques et une gouvernance plus efficaces tout en permettant la poursuite de l’adoption de l’IA. La bonne approche dépendra des cas d’utilisation et des contrôles de chaque organisation.
- 3. Comprenons-nous ce que nous achetons réellement et ce que sera impliquera dans six mois?
-
Pour comprendre le véritable coût de l’IA, il ne faut pas se cantonner aux prix actuels des jetons, mais examiner les accords de licences et la façon dont la consommation est facturée. Les organisations doivent également évaluer comment ces mécanismes pourraient influer sur les dépenses à mesure que les solutions d’IA passent de la phase pilote à celle de production.
Les organisations achètent de plus en plus de capacités d’IA au moyen d’une combinaison de licences, y compris des crédits et une facturation à l’usage. Les responsables d’ingénierie doivent comprendre comment les crédits sont dépensés, comment les fournisseurs peuvent ajuster les prix, retirer des modèles ou modifier les conditions de consommation. Lorsque les organisations traitent des données, la façon dont elles conçoivent leurs solutions et ce qui se passe si elles doivent changer de fournisseur peuvent également avoir une incidence sur leurs coûts à long terme associés à l’IA.
C’est pourquoi les équipes d’ingénierie et de l’approvisionnement doivent travailler en étroite collaboration. Les équipes de l’approvisionnement doivent comprendre comment les modalités des crédits, de l’accès aux modèles et de la tarification peuvent évoluer, tandis que les équipes d’ingénierie doivent connaître la consommation réelle.
- 4. Concevons-nous des solutions efficaces dès le départ, ou avons-nous tendance à recourir systématiquement aux agents?
-
Concevoir l’IA efficacement consiste à utiliser des flux de travaux agentifs seulement lorsque leurs capacités justifient le coût et la complexité supplémentaires. L’objectif est d’obtenir les résultats d’affaires requis au moyen de l’approche la plus simple et la plus rentable qui répond aux besoins de la tâche.
La question classique en ingénierie demeure la même : quelle est la meilleure technologie pour régler ce problème? Parfois, c’est un modèle de raisonnement avancé. Parfois, un modèle plus petit et moins coûteux fera l’affaire. Et parfois, les logiciels classiques demeurent le choix le plus intelligent.
L’efficacité se résume à une conception réfléchie. En ne donnant aux modèles que le contexte dont ils ont besoin, en mettant en cache des renseignements répétés et en réexaminant les choix de modèles, il est possible d’améliorer la qualité et de réduire les coûts. Pour des charges de travail stables et à volume élevé, les modèles partiellement ouverts exécutés sur l’infrastructure contrôlée par une organisation peuvent offrir un modèle de coût différent. Cette approche remplace les frais par jeton par la capacité qu’elle fournit et exploite.
En fin de compte, l’efficacité des jetons est une discipline d’ingénierie. Utilisez l’IA là où elle crée de la valeur, choisissez le modèle le moins coûteux capable de faire le travail correctement et évitez la complexité qui coûte plus cher sans offrir la valeur opérationnelle correspondante.
- 5. Comprenons-nous les forces du marché qui façonnent les coûts de calcul de l’IA, et sommes-nous bien positionnés pour ce qui s’en vient?
-
La baisse des prix des jetons crée des possibilités d’économies, mais la croissance de la consommation issue de flux de travaux d’IA de plus en plus complexes peut gruger ces gains. Pour prévoir les dépenses futures, les leaders doivent comprendre comment la sélection du modèle et la complexité des flux de travaux agentifs influent sur la consommation de jetons de leur organisation.
Il est tentant de supposer que la chute des prix des jetons finira par résoudre le problème des coûts associés à l’IA. Et les prix baissent effectivement rapidement.
À mesure que les organisations passent d’interactions par clavardage simples à des agents d’IA qui exécutent des tâches en plusieurs étapes, la consommation de jetons par tâche peut augmenter de façon spectaculaire. Un échange de clavardage peut nécessiter un seul appel de modèle, tandis qu’un flux de travail agentif peut impliquer des raisonnements répétés, des appels d’outils et un processus d’autocorrection, qui alimentent souvent un historique croissant de requêtes et de résultats.
Une étude publiée en 2026 par le Stanford Digital Economy Lab portait sur huit grands modèles de langage de pointe examinés sur SWE-bench Verified. Il a été constaté que les tâches de codage agentif consommaient environ 1 000 fois plus de jetons que le raisonnement sur le code et le clavardage du code. La consommation de jetons a varié jusqu’à 30 fois pour une même tâche exécutée, et une plus grande utilisation n’a pas systématiquement amélioré la précision.
Bien que les données ne montrent pas que les coûts associés à l’IA augmenteront forcément, elles soulignent pourquoi des prix de jetons plus bas ne garantissent pas des coûts totaux plus bas. Une plus grande consommation peut rapidement absorber les économies.
Pour les responsables d’ingénierie, la conclusion est claire : les prévisions doivent tenir compte de la consommation ainsi que du prix. La sélection du modèle, les jetons consommés par tâche, le nombre d’étapes agentives et le volume de tâches sont autant d’éléments qui influent sur les dépenses futures. Suivre ces variables aide les organisations à comprendre si la chute des prix unitaires réduit vraiment les coûts ou si elle est simplement grugée par une plus grande consommation.
À quoi ressemble une gestion efficace des jetons d’IA
Pour optimiser l’utilisation des jetons d’IA, il faut :
- Une visibilité de la consommation au sein des équipes et des projets;
- Une gouvernance qui établit une orientation plutôt que des restrictions;
- Des pratiques d’ingénierie qui intègrent l’efficacité dès la conception.
Le cadre d’estimation, de gestion et de contrôle de CGI fournit une structure commune pour ces disciplines, l’ingénierie jouant un rôle central dans chacune d’elles. Les organisations qui établissent ces pratiques tôt dans le processus seront mieux placées pour mettre l’IA à l’échelle avec confiance et moins de surprises.
CGI collabore avec de hauts dirigeants de différents secteurs d’activités afin de définir les méthodologies et les balises nécessaires pour bien gérer les coûts liés à l’IA.
Communiquez avec nous pour en savoir davantage
Sources
Ce blogue est inspiré des publications suivantes :
- Stanford University, Stanford Institute for Human-Centered Artificial Intelligence, « AI Index 2025: State of AI in 10 Charts », 7 avril 2025, https://hai.stanford.edu/news/ai-index-2025-state-of-ai-in-10-charts (en anglais).
- Longju Bai et al., « How Do AI Agents Spend Your Money? Analyzing and Predicting Token Consumption in Agentic Coding Tasks », Stanford Digital Economy Lab, 14 avril 2026, https://digitaleconomy.stanford.edu/publication/how-do-ai-agents-spend-your-money-analyzing-and-predicting-token-consumption-in-agentic-coding-tasks/ (en anglais).