Un client signe, les utilisateurs affluent, le revenu récurrent grimpe. Sur le tableau de bord, la start-up d’intelligence artificielle ressemble à une réussite. Mais derrière chaque réponse peuvent se cacher plusieurs appels de modèle, une recherche documentaire, un contrôle automatique et parfois une correction humaine. Le chiffre d’affaires raconte la traction ; la marge raconte la solidité du produit. À l’horizon de septembre 2026, cette distinction pourrait devenir un filtre décisif pour les entrepreneurs et leurs financeurs. Voici comment l’analyser, à partir de tendances documentées jusqu’en juin 2024 et de leurs prolongements possibles.
Le logiciel qui dépense à chaque utilisation
Dans le logiciel par abonnement classique, servir un utilisateur supplémentaire coûte généralement peu une fois le produit développé. L’IA générative modifie cette équation : produire une réponse mobilise du calcul. L’usage intensif, excellent signal commercial, peut donc dégrader la rentabilité d’un forfait mal calibré. Le meilleur client en apparence devient parfois celui qui consomme toute la marge.
Dès 2023 et 2024, les offres d’OpenAI, d’Anthropic ou de Google rendaient cette mécanique visible avec des tarifs fondés notamment sur les volumes de tokens traités. Le lancement de GPT-4o, en mai 2024, illustrait aussi la baisse des prix affichés entre générations de modèles. Mais un modèle moins cher ne garantit pas un produit plus rentable : davantage d’usages, de contexte et d’étapes peuvent absorber le gain.
Pour un assistant qui résume un document, le parcours peut rester court. Pour un outil chargé de qualifier un prospect ou de préparer un dossier, il s’allonge : récupérer les données, interpréter la demande, appeler des outils, vérifier la réponse, recommencer si nécessaire. La facture pertinente n’est plus celle d’un appel, mais celle du travail terminé.
Calculer la marge au niveau du résultat utile
Premier chantier : définir une unité économique compréhensible. Selon le produit, ce sera un dossier accepté, une conversation résolue, une facture traitée ou un document validé. Compter uniquement les requêtes masque les échecs et les reprises. Un système bon marché par réponse peut devenir coûteux si l’utilisateur doit s’y reprendre plusieurs fois.
Le calcul de départ est simple : revenu attribuable à l’unité, moins coûts directs nécessaires pour la livrer. Il faut ensuite distinguer la marge brute, selon les règles comptables retenues, d’une marge contributive opérationnelle intégrant les dépenses variables ou directement attribuables au service. Cette seconde lecture aide à décider, sans remplacer une comptabilité cohérente.
- Calcul : appels de modèles, hébergement dédié, capacité GPU et traitements complémentaires.
- Données : extraction, indexation, stockage, recherche documentaire et licences nécessaires au service.
- Opérations humaines : vérification, correction, escalades et support directement liés aux dossiers.
- Non-qualité : reprises, remboursements ou crédits commerciaux imputables aux incidents.
Cette nomenclature doit éviter les doubles comptes. Elle doit aussi rendre visibles les coûts temporaires d’intégration sans les confondre avec ceux du fonctionnement courant. Un client peut être rentable après déploiement, mais demander tellement de travail initial que la récupération de cet investissement devient incertaine.
L’humain dans la boucle, et dans le compte de résultat
Imaginons un outil qui prépare des réponses pour un service client. La démonstration impressionne ; en production, certaines réponses exigent une relecture. Si cette vérification est indispensable à la promesse commerciale, son coût appartient à l’économie du service. Le ranger durablement dans la recherche ou dans les frais généraux embellit artificiellement la performance.
Il faut mesurer le temps réellement passé, pas seulement le nombre de dossiers escaladés. Une faible proportion de cas difficiles peut monopoliser une équipe. Les fondateurs qui corrigent gratuitement les sorties le soir fournissent eux aussi une ressource : pour évaluer le passage à l’échelle, leur travail doit être valorisé à un coût de remplacement réaliste.
La supervision n’est pourtant pas un aveu d’échec. Dans les usages sensibles, elle peut constituer une garantie vendable. La question est de savoir qui la paie et quelle valeur elle apporte. Si le client effectue lui-même la relecture, le coût disparaît de la facture de la start-up, mais pas du retour sur investissement du client.
La dépendance fournisseur est un risque économique
Utiliser une API permet de lancer un produit sans financer son infrastructure de modèles. En contrepartie, une partie de l’économie dépend d’un tiers : prix, limites de débit, disponibilité, conditions contractuelles, évolution des versions. Une modification peut imposer de nouveaux tests, perturber la qualité ou nécessiter une migration.
La réponse n’est pas forcément d’héberger son propre modèle. Les modèles à poids ouverts, dont la famille Llama avait renforcé la visibilité avant juin 2024, offrent des options supplémentaires. Mais l’auto-hébergement implique des compétences, de la maintenance et une capacité parfois sous-utilisée. Une API coûteuse à l’unité peut rester moins chère qu’un serveur réservé qui attend.
La bonne comparaison porte sur le coût total à qualité comparable. Changer de fournisseur exige d’évaluer les résultats sur des cas métier représentatifs, pas uniquement sur des classements publics. Et maintenir plusieurs options a lui-même un coût : connecteurs, tests, surveillance. La portabilité est une assurance, non une gratuité.
Un tableau de bord qui montre les mauvais dossiers
La moyenne générale rassure facilement. Elle mélange pourtant les clients simples et complexes, les petits documents et les archives volumineuses, les usages encadrés et les automatisations incontrôlées. L’entrepreneur doit suivre ses coûts par client, fonctionnalité et catégorie de tâche, puis examiner les consommations extrêmes.
Un tableau de bord utile rapproche le revenu net, le coût par résultat accepté, la fréquence des reprises, les minutes de supervision et les escalades vers un modèle plus cher. Il suit également l’évolution des cohortes : les nouveaux clients deviennent-ils moins coûteux à servir avec l’expérience, ou découvrent-ils progressivement des usages plus gourmands ?
Cette observation doit guider la tarification. Un forfait illimité peut fonctionner si les usages sont prévisibles et mutualisables. Sinon, quotas, paliers et facturation des traitements lourds protègent mieux la marge. Facturer au résultat peut aligner les intérêts, à condition de définir précisément ce résultat et les responsabilités en cas d’échec.
Réduire la dépense sans casser la promesse
Les leviers techniques sont concrets : réserver les modèles puissants aux tâches difficiles, raccourcir les contextes, mettre en cache ce qui peut l’être, regrouper les traitements non urgents. Parfois, une règle déterministe ou une recherche classique remplace avantageusement une génération. Chaque optimisation doit toutefois être testée : une économie de calcul annulée par davantage de corrections n’en est pas une.
Et maintenant ? Pour septembre 2026 et au-delà, le scénario plausible n’est pas la disparition de la course au chiffre d’affaires, mais son encadrement par des preuves économiques plus solides. Les start-up les mieux armées pourraient être celles capables de montrer combien leur coûte une tâche réussie, comment ce coût évolue et ce qui arrive si leur fournisseur change ses conditions. La véritable avance ne serait alors plus seulement un modèle spectaculaire, mais une promesse utile, reproductible et rentable.
