Le guide de l’économie de jetons d’IA du chef de la direction financière : pourquoi la gestion des coûts agentifs devient un enjeu relevant du conseil d’administration

Au cours des deux dernières décennies, l’analyse de rentabilité des TI a constitué l’un des outils de planification les plus fiables pour les chefs de la direction financière. L’octroi de licences logicielles se faisait par poste, l’infrastructure était achetée par serveur et l’infonuagique était tarifée par l’instance. Lorsque les budgets ont été approuvés au T1, les équipes des finances avaient une idée raisonnable de ce à quoi ressemblerait le poste budgétaire consacré aux technologies au T4.

L’économie de jetons d’IA est en train de bouleverser cette équation.

Dans notre billet de blogue précédent, nous avons exploré comment cette approche transforme l’intelligence artificielle (IA) d’entreprise et présenté le cadre d’estimation, de gestion et de contrôle de CGI pour gérer les coûts de l’IA agentive. Nous examinons ici ce que ce changement signifie pour les chefs de la direction financière.

Quand les dépenses en IA dépassent la gouvernance

Les systèmes d’IA agentive récupèrent l’information, résolvent les problèmes et exécutent les tâches de façon autonome. Leur parcours n’étant pas déterministe, il en est de même leurs coûts. La consommation de jetons d’IA fonctionne davantage comme un coût volatile de la chaîne d’approvisionnement que comme des frais fixes liés aux TI.

À mesure que les entreprises déploient l’IA à grande échelle, l’économie de jetons dépasse les compétences du chef de la direction informatique et devient un enjeu relevant du conseil d’administration. On ne demande plus aux chefs de la direction financière de simplement approuver les investissements en IA. On leur demande de plus en plus comment les gérer, les prévoir et démontrer que l’augmentation des dépenses en jetons procure une valeur commerciale mesurable.

Uber est un exemple éloquent. Selon Fortune, la société a épuisé l’intégralité de son budget 2026 consacré aux outils d’IA de codage en seulement quatre mois, après avoir encouragé leur adoption par le biais de classements internes*. Cette utilisation est d’abord devenue un signe de distinction, avant de figurer dans un poste budgétaire accessible à tous. L’article souligne également qu’en dépit d’un investissement important dans les outils d’IA, le chef des opérations de l’entreprise a déclaré qu’il est encore difficile d’établir un lien clair entre l’utilisation accrue des outils d’IA et la prestation de fonctionnalités plus utiles pour les clients.*

C’est la nouvelle réalité. Si l’utilisation et la mise à l’échelle de l’IA varient considérablement, un calcul statique simple du rendement du capital investi ne suffit plus. La question pour les chefs de la direction financière n’est pas de savoir s’il faut investir dans l’IA, mais plutôt de savoir comment gérer l’investissement dans un environnement où les coûts fluctuent en fonction de chaque instruction, de chaque flux de travaux et de chaque décision autonome.

Comment établir des prévisions dans une économie d’IA à coût variable

Comme indiqué dans le cadre d’estimation, de gestion et de contrôle de CGI, le premier défi consiste à reconnaître que la consommation de jetons d’IA est, par nature, variable. Les analyses de rentabilité conventionnelles reposent sur des variables fixes comme les utilisateurs, les licences, l’infrastructure ou la capacité de calcul. L’économie de jetons introduit un élément fondamentalement différent : des coûts qui varient en fonction de la profondeur du raisonnement, des modèles de récupération et des décisions prises par un agent d’IA pendant l’exécution d’une tâche. Les prévisions consistent plutôt à définir une fourchette acceptable de résultats plutôt qu’à prévoir un nombre unique.

Plutôt que d’exiger une estimation unique des coûts qui est susceptible d’être inexacte, les chefs de la direction financière devraient établir des budgets dynamiques liés aux activités opérationnelles. Par exemple, au lieu d’approuver un investissement fixe, les équipes des finances peuvent approuver un intervalle de tolérance de 15 000 $ à 25 000 $ par mois en fonction du traitement de 10 000 transactions. L’objectif n’est pas d’éliminer l’incertitude, mais d’établir des limites financières claires pour un modèle opérationnel à coût variable.

L’établissement de données de référence devrait également devenir un élément central de l’estimation de l’IA. En établissant une base de référence pendant la phase de prototypage, les organisations peuvent définir des fourchettes de consommation réalistes en fonction du comportement observé tout en utilisant les résultats opérationnels pour affiner continuellement les estimations futures et améliorer la confiance des prévisions.

Peut-être plus important encore, les dirigeants des finances devraient reconnaître que les analyses de rentabilité de l’IA ne sont plus des contrats à durée déterminée. Ce sont des décisions d’investissement qui évoluent au fil du temps. Le financement doit demeurer tributaire de la valeur opérationnelle démontrée, avec des seuils convenus pour le moment où l’investissement prend de l’expansion et s’arrête.

Gestion continue, et non trimestrielle

Si un flux de travaux agentif non optimisé peut consommer des mois de budget alloué en quelques jours, les examens financiers deviennent de plus en plus rétrospectifs.

Les entreprises ont plutôt besoin d’une visibilité continue de l’utilisation de l’IA et du rendement de leur entreprise. La consommation de jetons doit être surveillée parallèlement aux résultats opérationnels, ce qui permet aux équipes des finances de mettre à jour les prévisions, de déterminer les habitudes de consommation inattendues et d’intervenir rapidement si les coûts commencent à dépasser les seuils convenus.

Imaginez qu’un flux de travaux d’IA consomme 25 % de son intervalle de tolérance mensuel dans les quatre premiers jours parce qu’il rencontre des données plus complexes que prévu. Au lieu d’attendre à la fin du mois pour déterminer le dépassement, les équipes des finances et des technologies devraient être en mesure d’ajuster immédiatement les prévisions et d’enquêter sur la cause. Elles peuvent ensuite déterminer si le flux de travaux nécessite une optimisation, des limites de récupération plus strictes ou un modèle à moindre coût avant que des dépenses inutiles ne s’accumulent.

L’intervention devrait être progressive, et non binaire. Plutôt qu’un seul seuil permettant l’exécution d’un flux de travaux ou l’interrompant, les équipes des finances et des technologies peuvent définir des intervalles croissants de consommation, qui déclenchent chacun une réponse proportionnelle. Un dépassement mineur déclencherait un examen rapide avec le responsable du projet, tandis qu’un dépassement plus marqué nécessiterait un examen plus approfondi de la conception du flux de travaux. Un dépassement important entraînerait quant à lui une réévaluation complète avant que le financement ne soit maintenu. Cela permet de s’assurer que l’examen reflète toujours l’échelle des écarts.

La gouvernance ne doit pas se concentrer uniquement sur la réduction des dépenses. Les écarts doivent être traités comme des renseignements opérationnels précieux. Des techniques d’optimisation efficaces partagées à l’échelle de l’entreprise aident chaque déploiement d’IA à devenir plus efficace que le précédent.

Contrôle grâce à la valeur opérationnelle et non aux dépenses

La visibilité à elle seule ne suffit pas.

Les organisations qui réussissent dans l’économie de jetons d’IA seront celles qui lient directement leur consommation à des résultats d’affaires mesurables.

La question à se poser n’est plus : « Quel est le coût de cette solution d’IA? », mais « Quelle est la valeur commerciale produite par chaque jeton? »

Si un flux de travaux agentif consomme 10 000 $ en jetons de modèle de base, le service des finances devrait être en mesure de démontrer qu’il a traité simultanément des émissions de prêts d’une valeur de 50 000 $ ou rapproché avec succès 15 000 factures de fournisseurs. Le fait de relier directement la consommation au débit opérationnel transforme l’IA d’un coût technologique « boîte noire » en une unité de production mesurable.

Les investissements en IA s’éloignent ainsi des mesures technologiques pour se tourner vers le rendement de l’entreprise. Cela permet aux organisations de comparer les initiatives d’IA en utilisant le langage que le conseil d’administration comprend déjà : coût par billet résolu, coût par demande traitée ou coût par prêt initial.

Cet état d’esprit transforme également la sélection de modèles d’un choix ponctuel en une décision permanente. Au lieu de supposer que le modèle choisi au moment du lancement demeure le bon, les entreprises peuvent périodiquement utiliser un modèle moins cher et plus léger en parallèle par rapport à la valeur par défaut actuelle et comparer les résultats. Lorsque le modèle moins cher correspond ou surpasse systématiquement le modèle le plus cher, il devient le modèle par défaut privilégié. L’optimisation devient un processus continu. Il est bon de se rappeler que le choix du gagnant nécessite une méthode d’évaluation solide qui entraîne des coûts modestes.

Pour les chefs de la direction financière, il s’agit d’un changement fondamental dans la gouvernance financière. Les dépenses en IA sont continuellement mesurées, remises en question et optimisées en fonction de la valeur qu’elles génèrent, et non seulement de la technologie qu’elles consomment.

Les occasions d’affaires pour le chef de la direction financière dans l’économie de jetons d’IA

La maîtrise de l’économie de jetons d’IA ne consiste pas à contrôler l’innovation, mais de la concrétiser de manière durable.

À mesure que l’IA devient de plus en plus autonome, le rôle du chef de la direction financière évoluera probablement, passant de l’approbation des budgets technologiques à l’élaboration de la gouvernance financière qui permet à l’IA d’évoluer en toute confiance. Pour ce faire, les équipes des finances, de la technologie et de l’exploitation doivent collaborer et avoir une vue d’ensemble de la consommation de jetons d’IA, de la valeur commerciale et des décisions d’investissement. Le cadre d’estimation, de gestion et de contrôle de CGI jette les bases de cette approche. Pour en savoir plus sur le fonctionnement concret de ce cadre, lisez notre billet de blogue précédent « L’économie de jetons d’IA : gérer les coûts cachés de l’IA agentive » et notre article « Les enjeux de l’économie de jetons d’IA pour les leaders des fonctions de TI, des services financiers et de l’approvisionnement ».

Les entreprises qui amorcent ce virage seront mieux placées pour exploiter le plein potentiel de l’IA. En élaborant des modèles de gouvernance qui combinent discipline financière et connaissances opérationnelles, elles peuvent transformer l’économie de jetons d’IA d’une source d’incertitude en un avantage concurrentiel mesurable.

L’ère de l’économie des logiciels statiques est derrière nous, et le compteur de jetons d’IA fonctionne déjà. Les entreprises qui prospèrent ne seront pas nécessairement celles qui déploient le plus d’IA. Mais bien celles qui renforceront la capacité financière de faire en sorte que chaque jeton compte.

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

*Source:
Jake Angelo, « Uber Burned Through Its Entire 2026 AI Budget in Four Months. Now Its COO Is Questioning Whether It’s Worth It », Fortune, dernière modification 26 mai 2026, https://fortune.com/2026/05/26/uber-coo-ai-spending-tokens-claude-code/