L'IA n'est pas un produit, c'est une facture qui se prépare
Aurélien Allienne
Publié le • 6 min de lecture
L’IA n’est pas un produit, c’est une facture qui se prépare
Et si l’industrie IA vous facturait du filet mignon au prix du hot-dog de station-service ? C’est exactement ce qui se passe : OpenAI, Anthropic, Microsoft perdent de l’argent sur chaque siège vendu, et certains brûlent jusqu’à 8 $ de compute pour 1 $ encaissé [1]. Pendant que les directions découvrent les agents, l’addition se prépare en silence. La vraie question n’est plus quel modèle choisir, mais qu’est-ce qu’on est prêt à payer quand la subvention s’arrêtera.
La bombe à retardement des abonnements
Le calcul tient sur une serviette. Un knowledge worker qui utilise Claude quelques heures par jour consomme entre 200 et 400 $ de tokens par mois aux tarifs API. Son abonnement Pro ? 20 $. Microsoft perdait plus de 20 $ par utilisateur par mois sur Copilot, avec des power users à 80 $ de compute sur un abonnement à 10 $ [1].
Le VP Produit d’OpenAI a lui-même qualifié leur pricing de quelque chose dans lequel ils ont “trébuché”, et évoque déjà la fin des plans illimités en les comparant à de “l’électricité illimitée”. ChatGPT Plus coûte 20 $ depuis trois ans alors que les capacités ont explosé. Quand la correction arrivera — et elle arrivera — les organisations qui ont construit leurs workflows sur ces prix subventionnés vont découvrir des factures qui feront passer leur SaaS actuel pour de la monnaie.
Le vrai champ de bataille : le control plane
Pendant que tout le monde discute du dernier benchmark, la guerre s’est déplacée ailleurs. Microsoft Copilot Studio + Azure AI Studio captent déjà 38,6 % des plateformes d’orchestration agentique en entreprise, OpenAI Assistants 25,7 %, et Anthropic vient juste d’apparaître à 5,7 % [2].
Le vrai enjeu, ce n’est pas quel modèle répond le mieux à un prompt. C’est qui contrôle la couche où les agents planifient, appellent des outils, accèdent aux données, exécutent des workflows — et prouvent aux équipes sécurité qu’ils n’ont pas fait n’importe quoi. C’est ce que VentureBeat appelle le “convergence moment” de l’IA enterprise [2].
Et quand l’agent supprime des données critiques, on appelle qui ?
C’est exactement la question que pose CIO.com [3]. Quand un agent a les droits d’écriture sur un système et qu’il efface la mauvaise table, qui est responsable ? Le fournisseur du modèle ? L’éditeur de la plateforme d’orchestration ? L’équipe qui a déployé l’agent ? Le manager qui a validé le scope ?
La question n’est pas si un agent va casser quelque chose, mais quand. Et qui sera tenu pour responsable.
C’est la conversation que les COMEX n’ont pas encore eue, et que les juristes commencent à peine à formuler.
Le mythe de la productivité instantanée
L’autre illusion, c’est de croire qu’on peut résoudre les problèmes de process en y jetant de l’IA. Frederick Van Brabant le dit très bien : sur un Gantt, le développement logiciel apparaît comme le bottleneck. Mais la vraie cause est souvent en amont — dans la traduction floue d’un besoin métier en spécification claire [4].
On ne fait pas avancer un projet plus vite en tapant plus vite au clavier. Si c’était le cas, on prendrait tous des cours de dactylo.
L’IA accélère l’exécution d’instructions claires. Elle n’accélère pas la pensée qui produit ces instructions. Et c’est précisément là que la plupart des projets se cassent les dents.
AI is technology, not a product
John Gruber le rappelait récemment, en réagissant à un papier de Wired qui pressait Apple de “sortir un killer AI product” [5]. La méthode Apple n’a jamais été de vendre une technologie. L’iPod, ce n’était pas du MP3, c’était de la musique. L’iPhone, ce n’était pas un écran tactile, c’était le téléphone enfin réinventé.
Confondre l’IA avec un produit, c’est confondre le moteur avec la voiture. C’est exactement la même erreur que les équipes qui pitchent “on a mis de l’IA dedans” comme si c’était une feature. Les utilisateurs ne veulent pas de l’IA. Ils veulent que leur problème soit résolu. Et ils s’en foutent royalement du modèle qui tourne en dessous.
Le retour des “forward deployed engineers”
Symptôme révélateur : OpenAI, Google Cloud et Anthropic viennent tous les trois de lancer ou d’amplifier des programmes massifs de “forward deployed engineers” — OpenAI Deployment Company avec 4 Md $ de funding, des centaines d’ingénieurs côté Google, et 1,5 Md $ pour Anthropic avec Blackstone et Goldman Sachs [6].
Le pitch est partout le même : “L’IA enterprise est dure, vos clients ont besoin d’aide, envoyons les ingénieurs.” Sauf que comme le note l’analyse, c’est un symptôme, pas la solution. Le client ne veut pas une équipe technique embarquée dans son business. Il veut que le travail soit fait, dans son environnement, avec assez de fiabilité pour pouvoir lui faire confiance.
Ce qu’on devrait vraiment se demander
Les boîtes qui vont gagner en 2026 ne sont pas celles qui auront empilé le plus de souscriptions IA. Ce sont celles qui auront posé les vraies questions tôt : combien ça coûte vraiment, qui contrôle l’orchestration, qui répond quand ça casse, et est-ce qu’on règle un vrai problème ou juste une démo ?
L’IA est une technologie formidable. Mais elle ne dispense de rien : ni de comprendre ses process, ni de cadrer ses coûts, ni de définir ses responsabilités. Le réveil est en train de sonner — et il va sonner fort.
Et toi, ton équipe a-t-elle déjà fait le vrai calcul du coût de l’IA quand la subvention s’arrêtera ?
Sources
- Every AI Subscription Is a Ticking Time Bomb for Enterprise
- Claude’s next enterprise battle is not models: it’s the agent control plane
- Your AI agent deletes critical data: Who is responsible?
- I don’t think AI will make your processes go faster
- AI Is Technology, Not a Product
- From Forward Deployed Engineers to Forward Deployed Software
Pour aller plus loin
- The haves and have nots of the AI gold rush — la fracture économique de la course à l’IA, entre ceux qui en profitent et ceux qui la subissent.
- How I use LLMs as a staff engineer in 2026 — un retour terrain pragmatique d’un staff engineer sur ce que les agents font vraiment bien (et ce qu’ils ratent encore).
- How Claude Code works in large codebases: Best practices and where to start — pour comprendre pourquoi mettre de l’IA “dans” une codebase ne suffit pas, et ce qu’il faut préparer.
- AI in product development: a reality check — le rapport qui chiffre la pression ROI subie par 90 % des product leaders.
Cet article a été rédigé en m’appuyant sur une IA pour m’aider à synthétiser et structurer ma veille. Les idées, le choix des sources et la relecture restent les miens.
Pour aller plus loin
— la fracture économique de la course à l'IA, entre ceux qui en profitent et ceux qui la subissent.
— un retour terrain pragmatique d'un staff engineer sur ce que les agents font vraiment bien (et ce qu'ils ratent encore).
— pour comprendre pourquoi mettre de l'IA "dans" une codebase ne suffit pas, et ce qu'il faut préparer.
— le rapport qui chiffre la pression ROI subie par 90 % des product leaders.
Cet article a été rédigé en m'appuyant sur une IA pour m'aider à synthétiser et structurer ma veille. Les idées, le choix des sources et la relecture restent les miens.