Le coût de l’IA devient un vrai poste de pilotage.

Avec les agents et les usages intensifs, les coûts ne se résument plus à une licence par personne et doivent être reliés à la valeur produite.

Pendant longtemps, acheter un logiciel était assez simple à comprendre.

Tant de licences.

Tant d’utilisateurs.

Tant par mois.

Avec les agents IA, ce modèle commence à bouger.

Le 6 septembre 2026, OpenAI indiquait qu’à la mi-août, le chercheur médian de son organisation de recherche utilisait plus de 600 dollars par jour d’inférence, valorisés aux prix API. Au 90e percentile, l’usage de tokens dépassait 7 000 dollars par jour selon cette même méthode de valorisation.

Ce n’est évidemment pas une PME normale.

C’est justement pour ça que l’exemple est intéressant.

Il montre ce qui arrive quand l’IA passe d’un chatbot consulté quelques fois par jour à une flotte d’agents qui travaillent en parallèle.

Le carburant devient une ligne budgétaire

Sur une voiture, personne ne regarde uniquement le prix d’achat.

Il y a le carburant.

Les pneus.

Les pièces.

Le temps de piste.

La maintenance.

Pour l’IA, on commence à voir la même évolution.

Une licence peut ouvrir la porte.

Mais les coûts peuvent ensuite dépendre du volume de tâches, du nombre d’agents, du modèle utilisé, des données traitées et du temps de calcul.

Le 1er septembre, Atlassian annonçait justement une évolution de sa tarification liée à l’usage pour accompagner ce changement.

Un coût élevé n’est pas forcément un mauvais coût

Il serait facile de regarder les chiffres d’OpenAI et de conclure :

« L’IA coûte trop cher. »

Ce serait une analyse assez pauvre.

Si 600 dollars d’inférence permettent à un chercheur de produire une valeur largement supérieure, le coût peut être parfaitement rationnel.

Le problème n’est pas la dépense.

Le problème est la dépense qu’on ne sait pas relier à un résultat.

Mesurer le coût par travail utile

Je préfère une unité métier.

Coût par dossier traité.

Coût par analyse validée.

Coût par client résolu.

Coût par rapport produit.

Coût par tâche automatisée.

Coût par heure réellement économisée.

Là, on peut comparer.

Un agent qui coûte 200 euros par mois et économise vingt heures de travail peut être très intéressant.

Un agent qui coûte 20 euros mais génère des erreurs et du temps de reprise peut être beaucoup plus cher qu’il en a l’air.

Les modèles n’ont pas tous besoin d’être les plus puissants

Autre sujet : toutes les tâches ne méritent pas le moteur le plus cher.

Pour classer une demande simple, un petit modèle peut suffire.

Pour analyser un dossier complexe, on peut appeler un modèle plus puissant.

Pour une décision sensible, on peut prévoir une validation humaine.

C’est une sorte de stratégie de relais.

On n’utilise pas le même rythme pendant vingt-quatre heures.

On adapte.

Poser des limites avant la facture

Un système agentique devrait avoir des garde-fous économiques comme il a des garde-fous de sécurité.

Budget maximal par tâche.

Nombre d’itérations.

Durée maximale.

Modèle autorisé.

Seuil avant escalade.

Alerte en cas de dérive.

Sans ça, un agent qui tourne en boucle peut transformer un petit bug en grosse facture.

Le coût révèle aussi la qualité du processus

Si une tâche consomme énormément de tokens, ce n’est pas toujours parce que le modèle est cher.

Peut-être qu’on lui envoie beaucoup trop de contexte.

Peut-être qu’il relit dix fois les mêmes documents.

Peut-être que la procédure est mal découpée.

Peut-être qu’un humain pourrait fournir une information simple qui évite quinze étapes.

Optimiser le coût peut donc conduire à optimiser le workflow.

Faire un tableau de bord qui sert vraiment

Je suivrais quatre familles :

usage : volumes, modèles, nombre d’exécutions ;

coût : dépense par tâche, équipe ou agent ;

qualité : erreurs, reprises, escalades ;

valeur : temps économisé, capacité gagnée, résultat métier.

On obtient enfin une vision cohérente.

Pas juste une facture.

L’IA est en train de passer du logiciel à l’énergie de travail

C’est une manière de voir les choses.

Quand un agent peut travailler plusieurs heures, lancer des sous-agents et effectuer des tâches en parallèle, l’entreprise n’achète plus seulement une interface.

Elle achète de la capacité d’exécution.

Cette capacité doit être pilotée.

Comme du carburant en endurance.

On ne cherche pas à consommer le moins possible.

On cherche à utiliser chaque litre là où il fait gagner la course.

Sources vérifiées

• OpenAI, 6 septembre 2026
• Atlassian, 1er septembre 2026