Économies IA : réductions SaaS vs dépenses de tokens
La décision aujourd'hui n'est pas de savoir s'il faut acheter de l'IA. Il s'agit de déterminer si vos économies liées à l'IA proviennent d'un véritable remplacement de logiciel ou d'un angle mort budgétaire temporaire. J'ai vu les deux. Une équipe résilie cinq outils et obtient des workflows plus propres. Une autre déploie des copilotes partout, conserve tous les anciens abonnements, puis s'étonne que les dépenses de tokens deviennent un problème financier au troisième trimestre.
C'est pourquoi l'exemple récent d'8x8 est important. Selon les informations de WIRED sur 8x8 et l'utilisation de Claude, l'entreprise affirme avoir économisé environ 5 millions de dollars par an en logiciels et outils de formation, tandis que sa facture annualisée Claude reste bien inférieure à ce montant. Parallèlement, des dirigeants d'entreprises comme Cisco, Royal Bank of Canada, Amplitude et Box évoquent publiquement les budgets de tokens, le choix de modèles et l'augmentation de l'utilisation.
Comparaison des économies IA: remplacement de logiciels vs croissance des tokens
Voici la comparaison que je présenterais à une équipe opérationnelle avant qu'elle ne célèbre des premiers succès.
| Critère | Cas de remplacement SaaS | Cas de croissance des tokens |
|---|---|---|
| Source principale de valeur | Retirer les abonnements redondants | Production plus rapide des équipes existantes |
| Effet budgétaire dans les 90 premiers jours | Souvent très positif | Souvent faible, puis croissance rapide |
| Workflows les plus adaptés | Rédaction, recherche, synthèse, triage support, Q&A interne | Codage, analyse à grande échelle, automatisation multi-étapes, charges client-facing |
| Mode d'échec | Les équipes conservent les anciens outils, les économies ne se matérialisent jamais | Utilisation intensive de modèles premium pour des tâches à faible valeur |
| Indicateur clé | Logiciels réellement retirés par workflow | Coût par workflow et par équipe |
| Réaction de la finance | Satisfaite si les contrats disparaissent réellement | Inquiète si l'utilisation croît plus vite que le chiffre d'affaires ou les économies de main-d'œuvre |
| Exigence opérationnelle | Refonte des workflows et nettoyage des licences | Routage, surveillance, garde-fous d'utilisation, sélection de modèles |
| Meilleure adéquation Encorp | AI Business Process Automation | Généralement associée à une discipline IA ops continue |
Le compromis est simple: les histoires de réduction des coûts par l'IA sont nettes uniquement lorsque quelqu'un supprime l'ancienne dépense. Sinon, l'IA devient une couche supplémentaire dans la stack.
8x8 montre quand l'automatisation métier par l'IA est vraiment rentable
Le cas 8x8 est convaincant car il n'est pas abstrait. Les employés utilisent Claude pour la rédaction d'e-mails, l'analyse des retours clients et le travail de code. Ce sont exactement les catégories où je vois généralement l'automatisation métier par l'IA générer un retour sur investissement rapide, car elles s'appuient sur des outils que les entreprises ont déjà surachetés.
Le détail clé n'est pas que Claude est moins cher que des humains. Le détail clé est que Claude semble moins cher qu'un ensemble désordonné de solutions ponctuelles. C'est une meilleure comparaison. Les équipes financières se fichent qu'un modèle paraisse intelligent; elles veulent savoir si la stack mensuelle a diminué.
J'ai observé cela lors de déploiements en production: une fois qu'une équipe peut utiliser une couche IA unique pour l'aide à la rédaction, les notes de réunion, l'analyse légère et la recherche interne, plusieurs outils peu utilisés deviennent difficiles à justifier au renouvellement. Mais cela ne fonctionne que si quelqu'un s'occupe de la liste de nettoyage. Si les achats, l'IT et les responsables de département ne retirent jamais les licences, les économies restent fictives.
Pourquoi la tokenéconomie devient un problème différent à l'échelle
L'autre côté de la table est ce que de nombreuses grandes entreprises décrivent désormais publiquement. Les données de transcription AlphaStreet, citées par TechCrunch, montrent qu'environ 300 entreprises ont discuté de tokens IA en avril ou mai, contre 93 durant la même période l'année précédente. RBC a indiqué que l'utilisation de tokens avait augmenté de 500 % en six mois. Le PDG de Cisco a déclaré que l'utilisation interne des chatbots devenait assez folle. Aaron Levie de Box a affirmé que le budgétisation des tokens était devenue l'un des sujets les plus brûlants.
Ce schéma correspond à ce que j'attends des projets d'automatisation des workflows par l'IA. Une fois qu'une entreprise dépasse le prompting occasionnel pour intégrer des workflows, trois choses se produisent rapidement:
- Les volumes de prompts augmentent car l'utilisation passe de quelques enthousiastes à des équipes entières.
- Les fenêtres de contexte s'élargissent car les workflows réels nécessitent plus de données.
- Les modèles premium s'infiltrent dans les tâches routinières car personne n'a défini de règles de routage.
C'est là que les services de mise en œuvre de l'IA deviennent plus importants que l'enthousiasme général pour l'IA. Les échecs coûteux sont rarement causés par une seule facture de modèle exorbitante. Ils proviennent de centaines d'appels répétés de faible ampleur liés à des workflows que personne n'a correctement chiffrés.
Une règle que j'utilise: si un workflow s'exécute plus de 500 fois par jour, vous devez connaître son coût moyen en tokens, son modèle de secours, son taux d'échec, et savoir s'il a remplacé un ancien outil ou simplement ajouté une dépendance supplémentaire.
Les petites équipes et les grandes entreprises ne heurtent pas le même mur
Je comparerais la taille des entreprises de cette manière.
Petites et moyennes équipes
Les équipes plus petites constatent souvent en premier les gains de productivité par l'IA. Elles évoluent plus vite, ont moins de couches d'achat et peuvent retirer des logiciels rapidement. Une marque comme Baseball Lifestyle 101 peut justifier des dépenses IA agressives si un workflow plus rapide permet de décrocher une commande d'un million de dollars, comme TechCrunch l'a rapporté. Dans ce cas, la facture de tokens peut augmenter, mais le chiffre d'affaires peut la dépasser.
Le point faible est la discipline de processus. Les petites entreprises utilisent souvent un seul modèle pour tout, ignorent le marquage d'utilisation et laissent les dépenses se dissimuler trop longtemps sur une carte corporate.
Grandes entreprises
Les grandes entreprises ont généralement de meilleurs contrôles, mais une plus grande dispersion. Meta, Uber et Salesforce ont tous exprimé publiquement des préoccupations concernant la pression des coûts de l'IA générative, car de grands parcs informatiques créent des outils en double, des pilotes superposés et un nettoyage contractuel lent. L'utilisation de l'IA en entreprise se répartit également de manière inégale. Une équipe en tire de la valeur; une autre devient le goulot d'étranglement.
En pratique, le problème des grandes entreprises n'est pas l'accès aux modèles. C'est de maintenir l'alignement des services d'intégration de l'IA avec la finance, l'IT et les opérations, pour que l'entreprise ne paie pas deux fois pour le même résultat.
Les compromis opérationnels que la plupart des acheteurs négligent
Voici les compromis que je constate régulièrement sur le terrain.
Quand l'IA remplace des dépenses logicielles
Les économies se maintiennent lorsque la couche IA absorbe du travail qui reposait auparavant sur des abonnements séparés: assistants d'écriture, résumés de réunions, recherche de connaissances internes, aides analytiques basiques et une partie de l'outillage support. C'est le chemin le plus direct vers des économies liées à l'IA.
Quand l'IA devient une nouvelle ligne de dépense
Les coûts grimpent quand les équipes ajoutent de l'IA à des systèmes déjà coûteux sans rien retirer. La version courante est une entreprise qui paie pour un CRM, une plateforme support, une couche BI, un outil de connaissances, un assistant de code, puis un modèle généraliste par-dessus tout cela.
Quand le choix du modèle compte plus que la qualité du prompt
Beaucoup d'équipes se focalisent trop sur le prompting et pas assez sur le routage. Dans un engagement client, les plus grandes économies sont venues de l'envoi de tâches de classification à faible risque vers un modèle moins cher, en réservant l'inférence premium pour les cas limites. Même résultat de workflow, coût unitaire inférieur.
Quand les économies de main-d'œuvre sont réelles mais difficiles à capitaliser
Le temps gagné ne se transforme pas automatiquement en économies sur le compte de résultat. Si les employés utilisent l'IA pour aller plus vite mais que l'entreprise ne modifie pas ses plans d'effectifs, ses niveaux de service ou ses objectifs de productivité, le gain est réel opérationnellement mais invisible financièrement. C'est toujours utile, mais ce n'est pas la même chose qu'une dépense supprimée.
Verdict: optez pour le remplacement SaaS si vous voulez des économies nettes, optez pour l'échelle des tokens si la vitesse est la priorité
Si je devais résumer cela en un verdict opérationnel, ce serait le suivant: choisissez la voie du remplacement SaaS si vous voulez les économies liées à l'IA les plus nettes et les plus rapides. Choisissez la voie de l'échelle des tokens si l'objectif est le débit, la vélocité de code ou la croissance du chiffre d'affaires, et soyez prêts à le gérer comme une infrastructure.
L'erreur est de mélanger les deux récits. Ne dites pas à la finance que c'est un programme d'économies si vous ne retirez pas de licences. Ne dites pas aux opérations que c'est un programme de vitesse si chaque workflow est forcé à passer par le modèle le plus cher.
Les équipes qui réussissent traitent l'IA comme un portefeuille de workflows, et non comme un abonnement unique. Elles mesurent le coût par workflow, les logiciels retirés, le mix de modèles et l'adoption par équipe. C'est là que l'automatisation métier par l'IA passe d'une valeur de démonstration intéressante à une valeur opérationnelle durable.
Lectures connexes
Martin Kuvandzhiev
CEO and Founder of Encorp.io with expertise in AI and business transformation