L'IA qui rapporte vraiment : la méthode des CFOs pour mesurer son utilité

LE PROBLÈME : L'IA COÛTE CHER, MAIS EST-CE QU'ELLE RAPPORTE ?

La question qui revient sans cesse auprès des directeurs financiers est simple : comment tirer plus de valeur de nos dépenses en intelligence artificielle ? Pendant des années, le succès d'un logiciel se mesurait à son adoption : nombre de licences achetées, utilisateurs actifs, renouvellements. Mais évaluer l'IA demande une approche radicalement différente : la quantité de travail accompli.

Pour les CFOs et les dirigeants, la question économique fondamentale est de savoir si la valeur du travail réalisé par l'IA croît plus vite que son coût de production. Et ça ne se résume pas à un simple calcul de coût par token. Un modèle moins cher peut avoir des tokens moins coûteux, mais obtenir un bon résultat peut nécessiter plus d'essais, plus de temps ou une relecture humaine. Un modèle plus performant peut avoir des tokens plus chers, mais accomplir la même tâche en une seule passe. Ce qui compte, c'est le coût total pour obtenir un résultat réussi, rapporté à la valeur créée par ce résultat.

LA SOLUTION : UNE NOUVELLE MÉTRIQUE POUR L'ÈRE DE L'IA

La feuille de score de l'IA pourrait se résumer à cette formule : « intelligence utile par dollar ». Cette métrique répond à quatre questions clés :

• Combien de problèmes clients l'IA a-t-elle aidé à résoudre ?
• Combien de modifications de code a-t-elle permis de déployer ?
• Combien de contrats a-t-elle aidé à examiner ?
• Combien de temps a-t-elle rendu aux équipes ?
• Combien de décisions ont été améliorées grâce à un contexte disponible au bon moment ?

Les tokens ne créent de valeur que lorsqu'ils se transforment en travail utilisable par les humains. À mesure que les modèles deviennent plus capables, ils peuvent gérer des tâches plus longues et plus complexes : maintenir un contexte, raisonner en plusieurs étapes, travailler avec différents outils, et s'adapter en cours de route.

PAR OÙ COMMENCER ? CHOISIR UNE TÂCHE PRÉCISE ET LA MESURER

Le meilleur point de départ est de se concentrer sur un seul workflow. Il faut d'abord définir ce que signifie « terminé » et mesurer ce résultat dans le système où le travail est réalisé.

Pour une équipe de support, « terminé » peut signifier qu'un problème client est résolu. Pour une équipe d'ingénierie, cela peut être une modification de code qui passe ses tests. Pour une équipe juridique, cela peut être un contrat examiné avec précision et dans les délais.

Prenons l'exemple d'une équipe financière préparant une revue de prévision. Une grande partie du travail se fait avant la décision finale : trouver la dernière prévision, déplacer des données dans Excel ou Sheets, identifier les changements, réconcilier les onglets, reconstruire les diapositives et vérifier que tout s'additionne parfaitement. ChatGPT Work peut prendre en charge une grande partie de ce processus, laissant à l'équipe plus de temps pour se concentrer sur les questions essentielles : Qu'est-ce qui a changé ? Pourquoi ? Que devons-nous faire ensuite ?

COMPRENDRE LE COÛT RÉEL D'UNE TÂCHE RÉUSSIE

Les tâches confiées à l'IA varient énormément. Une réponse rapide peut nécessiter peu de calculs. Un workflow de codage, de recherche ou de finance peut impliquer un raisonnement plus approfondi, l'utilisation d'outils et de nombreuses actions. Ces tâches plus complexes peuvent exiger plus de calculs, mais elles peuvent aussi créer bien plus de valeur.

Au niveau du modèle, le coût par tâche réussie dépend du prix, de la quantité de calculs utilisés et de la probabilité d'obtenir le bon résultat. Pour une entreprise, le coût total inclut aussi le temps des employés, la relecture humaine, les tentatives supplémentaires et les corrections.

C'est pourquoi le prix par token le plus bas ne produit pas toujours le coût par résultat le plus bas. Un modèle de pointe peut offrir la meilleure valeur même pour une demande routinière s'il produit la bonne réponse en une seule passe, réduisant ainsi les tentatives supplémentaires, la latence, la relecture et le calcul total.

LA FAMILLE DE MODÈLES GPT‑5.6 : UNE SOLUTION POUR OPTIMISER LES COÛTS

Une gamme de modèles en plusieurs niveaux donne aux clients plus de moyens d'optimiser cette équation. GPT‑5.6, sorti la semaine dernière, propose trois niveaux : Sol est notre modèle phare ; Terra équilibre performance et coût ; Luna est notre modèle le plus rapide et le plus abordable.

Ces niveaux offrent des points de départ utiles. Mais c'est l'économie de la tâche complète qui doit déterminer le bon modèle. Un client pourrait utiliser Luna pour un workflow rapide et à haut volume, Terra pour un travail nécessitant une plus grande profondeur, ou Sol lorsque un raisonnement plus solide permet d'obtenir le meilleur résultat avec moins d'essais.

Nous avons formé GPT‑5.6 pour obtenir plus de travail utile à partir de chaque token. Sur l'Artificial Analysis Coding Agent Index, GPT‑5.6 Sol avec le paramètre de raisonnement maximal a établi un nouveau record du monde tout en utilisant 54 % de tokens de sortie en moins qu'un autre modèle leader. Le graphique ci-dessous illustre cette comparaison.

PLUS DE TRAVAIL UTILE PAR DOLLAR : L'OBJECTIF FINAL

Pour toute la famille GPT‑5.6, l'objectif est le même : plus de travail réussi par dollar. Une plus grande efficacité rend les tâches existantes plus abordables. Une plus grande capacité permet de réaliser des types de travail entièrement nouveaux.

Chaque nouvelle génération de modèles devrait améliorer les deux côtés de cette équation. Les clients devraient pouvoir accomplir plus de travail précieux, tandis que le coût pour accomplir chaque tâche continue de baisser.

L'adoption de l'IA se fait généralement par étapes. D'abord, l'IA aide à rédiger. Ensuite, elle trouve le contexte et raisonne à travers les outils et les données. Avec le temps, elle commence à agir, à gérer les exceptions et à compléter les workflows, les humains fournissant le jugement et le contrôle nécessaires.

Chaque étape crée plus de valeur et exige plus du système.

LA FIABILITÉ : UNE VALEUR ÉCONOMIQUE DIRECTE

La fiabilité a une valeur économique directe. Lorsque les résultats sont précis, bien sourcés, cohérents et escaladés de manière appropriée, les gens passent moins de temps à relire, corriger et répéter le travail. Les tâches réussies coûtent moins cher, et les organisations gagnent en confiance pour utiliser l'IA dans des workflows plus importants.

Les équipes peuvent concrétiser cela en suivant trois résultats :

• Le nombre de tâches qui atteignent le niveau de qualité requis.
• Le coût total pour les accomplir.
• Le coût par tâche réussie.

Ces mesures racontent une histoire plus riche que la précision du modèle seul. Elles montrent si l'IA réduit vraiment le travail nécessaire pour mener à bien un projet.

La fiabilité exige aussi des limites claires. Avant que l'IA ne passe de la rédaction à l'action, les organisations doivent définir :

• Les règles de sécurité.
• Les protocoles de confidentialité.
• Les normes de contrôle.

La sécurité, la confidentialité, la conformité et le contrôle constituent la base d'une utilisation plus approfondie. Les gens doivent comprendre comment le système se comporte, comment leurs données sont traitées et comment ses actions sont gouvernées.

DE LA CAPACITÉ À LA FIABILITÉ : COMMENT L'IA DEVIENT UN OUTIL DE TRAVAIL

La capacité attire les premiers utilisateurs. La fiabilité fait de l'IA une partie intégrante du processus de travail.

L'ÉCONOMIE À L'ÉCHELLE : LA DERNIÈRE QUESTION

Les entreprises peuvent mesurer cela en suivant le même workflow au fil du temps. Il faut suivre combien de tâches ont atteint le niveau de qualité requis, le coût total pour les accomplir et le coût par tâche réussie. Si le travail accompli croît plus vite que le coût total tandis que la qualité se maintient ou s'améliore, chaque dollar dépensé en IA produit plus de valeur.

Le calcul alimente la recherche et chaque tâche que l'IA accomplit. Il façonne la qualité des produits, la vitesse, la fiabilité, la disponibilité et le coût. Le calcul d'entraînement construit les capacités futures. Le calcul d'inférence livre le travail utile aujourd'hui. Les deux doivent se traduire par de meilleurs résultats pour les clients.

De meilleurs modèles, une inférence plus efficace, du matériel spécialisé, une utilisation plus élevée, un routage plus intelligent et une conception de produit plus solide améliorent tous le retour sur calcul. Chaque génération d'infrastructure aide à entraîner des modèles plus capables. De meilleurs algorithmes, du matériel et des logiciels aident ensuite à servir ces modèles plus efficacement.

Les clients ressentent ces améliorations en termes humains : de meilleures réponses, des résultats plus rapides, moins de corrections, des produits plus fiables et un coût plus bas pour le travail dont ils ont besoin.

Les gains se multiplient. Une meilleure infrastructure accélère la recherche. La recherche produit des modèles plus capables et plus efficaces. De meilleurs modèles améliorent les produits. De meilleurs produits stimulent l'adoption, l'apprentissage et les revenus. Cette croissance soutient les investissements continus dans la prochaine génération de recherche, de calcul, de déploiement et de sécurité.

UNE PLATEFORME UNIFIÉE POUR TOUS LES UTILISATEURS

OpenAI rassemble ces éléments au sein d'une seule plateforme d'intelligence partagée. Les gens l'utilisent via ChatGPT et ChatGPT Work. Les développeurs construisent avec elle via Codex et l'API. Les entreprises la déploient dans les systèmes où le travail est réalisé.

Lorsque qu'une couche s'améliore, chaque produit et chaque client peut en bénéficier.

LES QUATRE PILIERS DE LA FEUILLE DE SCORE DE L'IA

Ensemble, ces quatre mesures indiquent si l'intelligence utile par dollar s'améliore :

• Le travail utile nous indique ce que l'IA produit.
• Le coût par tâche réussie nous indique ce qu'il en coûte pour atteindre le résultat.
• La fiabilité nous indique combien de travail les gens peuvent utiliser en toute confiance.
• La valeur à l'échelle nous indique si chaque dollar et chaque unité de calcul accomplissent plus au fil du temps.

L'OBJECTIF FINAL : PLUS DE TRAVAIL SIGNIFICATIF POUR LES HUMAINS

L'objectif est une IA qui aide les gens à accomplir un travail plus significatif, à prendre de meilleures décisions et à consacrer plus de temps aux aspects de leur travail qui nécessitent un jugement et une créativité spécifiquement humains.

Notre mission est d'améliorer cette équation à chaque génération : des modèles plus capables, des résultats plus rapides et plus fiables, et des coûts plus bas pour le travail dont les clients ont besoin. C'est ainsi que l'IA devient plus utile pour plus de personnes et d'organisations au fil du temps.

GLOSSAIRE : LES TERMES CLÉS EXPLIQUÉS SIMPLEMENT

Token : Un morceau de texte que l'IA traite. Imaginez que c'est comme une syllabe dans une phrase. Plus un texte est long, plus il contient de tokens.

Workflow : Une séquence de tâches organisées pour accomplir un objectif précis. Par exemple, « rédiger un contrat » peut être un workflow qui inclut la recherche de clauses, la rédaction, la relecture et l'approbation.

Calcul (Compute) : La puissance nécessaire pour faire fonctionner les modèles d'IA. C'est comme l'électricité pour une usine : plus c'est puissant, plus les tâches peuvent être complexes et rapides.

Modèle de pointe (Frontier model) : Un modèle d'IA si avancé qu'il repousse les limites de ce que la technologie peut faire aujourd'hui. C'est comme un athlète qui bat tous les records.

Inférence : Le processus par lequel l'IA utilise un modèle entraîné pour produire une réponse ou accomplir une tâche. C'est comme utiliser une recette de cuisine pour préparer un plat.

Entraînement : La phase où l'IA apprend à partir de données massives pour améliorer ses performances. C'est comme étudier pendant des années pour devenir expert dans un domaine.

Fiabilité : La capacité d'un système à produire des résultats constants et précis sans erreurs fréquentes. C'est comme une machine qui fonctionne toujours de la même manière, sans tomber en panne.

EXEMPLE CONCRET : COMMENT UNE ENTREPRISE A MESURÉ SON RETOUR SUR INVESTISSEMENT EN IA

Prenons le cas d'une entreprise de e-commerce qui a déployé l'IA pour automatiser la gestion des retours clients. Avant l'IA, chaque retour nécessitait 10 minutes de travail manuel pour vérifier les détails, contacter le client et traiter le remboursement. Avec l'IA, 80 % des retours simples sont résolus automatiquement en 2 minutes, réduisant le temps de traitement de 80 %. Le coût par retour traité est passé de 1,50 € à 0,30 €, tout en améliorant la satisfaction client. L'entreprise a pu réaffecter 15 heures de travail par semaine à des tâches plus stratégiques, générant un gain estimé à 20 000 € par an.

CE QUE LES CFOs REGARDENT VRAIMENT (ET CE QU'ILS IGNORENT)

Les CFOs surveillent surtout trois indicateurs :

• Le taux de réussite : combien de tâches sont accomplies correctement du premier coup ?
• Le coût par résultat : combien coûte chaque tâche réussie, incluant les corrections et les relectures ?
• L'impact sur le travail humain : combien de temps l'IA libère-t-elle pour des tâches à plus forte valeur ajoutée ?

Ce qu'ils ignorent souvent, c'est que la précision du modèle seul ne suffit pas. Une IA peut être très précise mais lente, ou peu fiable malgré une bonne précision. La vraie valeur se mesure dans l'impact global sur le workflow.

LES PIÈGES À ÉVITER LORSQU'ON MESURE L'UTILITÉ DE L'IA

Premier piège : se focaliser uniquement sur le coût par token. Un modèle bon marché peut sembler attractif, mais s'il nécessite 10 tentatives pour obtenir un bon résultat, son coût réel explose.

Deuxième piège : négliger la fiabilité. Une IA qui fait des erreurs fréquentes coûte cher en temps de correction et en perte de confiance.

Troisième piège : mesurer l'adoption plutôt que l'impact. Avoir 1000 utilisateurs ne signifie pas que l'IA est utile si personne ne l'utilise vraiment pour accomplir des tâches.

COMMENT CHOISIR LE BON MODÈLE D'IA POUR SON ENTREPRISE

Le choix du modèle dépend de trois facteurs :

• Le type de tâches à automatiser (simple ou complexe).
• Le volume de travail à traiter (quelques tâches par jour ou des milliers).
• Le niveau de précision et de fiabilité requis.

Pour des tâches simples et répétitives, un modèle rapide et économique comme Luna peut suffire. Pour des tâches complexes nécessitant un raisonnement approfondi, Sol sera plus adapté. Pour un équilibre entre performance et coût, Terra est un bon compromis.

L'IMPORTANCE DE LA SÉCURITÉ ET DE LA CONFIDENTIALITÉ

Avant de laisser l'IA agir de manière autonome, il est crucial de définir des règles strictes en matière de sécurité, de confidentialité et de contrôle. Par exemple :

• Quelles données l'IA peut-elle utiliser ?
• Quelles actions est-elle autorisée à entreprendre ?
• Comment les erreurs sont-elles gérées et escaladées ?

ChatGPT Work s'appuie sur les fondations de sécurité, de confidentialité, de conformité et de gestion des espaces de travail de ChatGPT Enterprise. Cela permet aux organisations de donner à l'IA plus de contexte et d'accès à des workflows plus précieux, tout en maintenant une supervision appropriée.

L'ÉVOLUTION DE L'ADOPTION DE L'IA DANS LES ENTREPRISES

L'adoption de l'IA suit généralement quatre étapes :

1. Assistance : L'IA aide à rédiger des ébauches, à résumer des documents ou à générer des idées.
2. Analyse : Elle trouve et synthétise des informations à travers différents outils et sources de données.
3. Action : Elle exécute des tâches simples comme envoyer un email ou mettre à jour une base de données.
4. Autonomie : Elle gère des workflows complets avec peu ou pas d'intervention humaine, tout en respectant des garde-fous stricts.

Chaque étape libère du temps humain pour des tâches plus complexes et stratégiques.

LE RÔLE DU MATÉRIEL DANS L'EFFICACITÉ DE L'IA

Le matériel spécialisé, comme les puces dédiées à l'IA, joue un rôle clé dans l'efficacité globale. Ces puces sont conçues pour traiter les calculs spécifiques nécessaires à l'IA, comme les opérations de multiplication de matrices. Elles permettent de réduire la consommation d'énergie et d'accélérer les traitements, ce qui se traduit par des coûts plus bas et des performances accrues.

Des entreprises comme NVIDIA avec ses GPU ou AMD avec ses accélérateurs dominent ce marché, mais de nouveaux acteurs émergent avec des solutions plus efficaces et moins coûteuses.

L'IMPACT DE L'IA SUR L'EMPLOI : PLUS DE CRÉATION QUE DE DESTRUCTION

Contrairement aux craintes, l'IA ne détruit pas des emplois, elle les transforme. Elle automatise les tâches répétitives et sans valeur ajoutée, permettant aux employés de se concentrer sur des activités plus créatives et stratégiques. Par exemple, un comptable passe moins de temps à vérifier des chiffres et plus de temps à analyser des tendances ou à conseiller la direction.

Les entreprises qui réussissent sont celles qui réaffectent leurs ressources humaines vers des tâches à plus forte valeur ajoutée, tout en utilisant l'IA pour les tâches routinières.

LES DÉFIS ÉTHIQUES ET RÉGLEMENTAIRES DE L'IA

L'utilisation de l'IA soulève plusieurs questions importantes :

• Comment garantir la transparence des décisions prises par l'IA ?
• Comment éviter les biais dans les données et les algorithmes ?
• Comment protéger la vie privée des utilisateurs ?
• Comment assurer la responsabilité en cas d'erreur ?

Les entreprises doivent mettre en place des cadres éthiques et des audits réguliers pour s'assurer que leurs systèmes d'IA sont équitables, sûrs et conformes aux réglementations.

L'AVENIR : VERS UNE IA PLUS ACCESSIBLE ET PLUS UTILE

À l'avenir, l'IA deviendra encore plus intégrée dans les processus de travail. Les modèles seront plus capables, plus fiables et moins coûteux. Les entreprises qui sauront mesurer et optimiser leur retour sur investissement en IA seront celles qui en tireront le plus grand bénéfice.

L'objectif n'est pas seulement de faire plus avec moins, mais de faire mieux avec l'aide de l'IA : des décisions plus éclairées, des produits de meilleure qualité et des équipes plus productives et épanouies.

CE QUE LES LECTEURS DOIVENT RETENIR

Pour évaluer la vraie valeur de l'IA, il faut regarder au-delà des coûts par token. La métrique clé est l'intelligence utile par dollar, qui combine :

• Le travail accompli.
• Le coût par tâche réussie.
• La fiabilité des résultats.
• L'évolution à l'échelle.

Les entreprises qui maîtrisent ces quatre piliers obtiendront le meilleur retour sur investissement de leur IA.

POUR ALLER PLUS LOIN : RESSOURCES UTILES

Si vous voulez approfondir le sujet, voici quelques ressources :

• Le blog officiel d'OpenAI sur GPT‑5.6
• L'index Artificial Analysis pour comparer les modèles de codage
• La documentation de ChatGPT Work

EN RÉSUMÉ : L'IA N'EST PAS UN COÛT, MAIS UN INVESTISSEMENT

L'IA n'est pas une dépense à maîtriser, mais un investissement à optimiser. En se concentrant sur l'intelligence utile par dollar, les entreprises peuvent transformer l'IA en un levier de croissance et d'innovation. Le secret ? Mesurer ce qui compte vraiment : le travail accompli, pas seulement les tokens consommés.