Gérer les investissements en IA à l’ère agentique

L’objectif d’OpenAI est de rendre l’IA plus accessible, plus performante et plus abordable au fil du temps. De GPT‑4 à GPT‑5.4, le prix par million de tokens a baissé de 97 %. GPT‑5.6⁠ poursuit sur cette lancée, avec de meilleures performances dans l’Artificial Analysis Coding Agent Index, 54 % moins de tokens en sortie et 57 % moins de temps par tâche.

Mais le prix des tokens à lui seul ne montre pas si l’IA crée de la valeur. Les dirigeants devraient examiner le travail utile par dollar : tâches accomplies, temps gagné, décisions améliorées et flux prêts à passer à l’échelle.

À mesure que les équipes passent du clavardage à des flux de travail plus longs, les administrateurs ont besoin d’une meilleure visibilité sur la demande, les dépenses et les risques. 

Voici cinq façons d’investir avec confiance.

Les dirigeants d’entreprise ont besoin d’une vue claire de l’utilisation de l’IA : qui l’utilise, quels produits ou modèles sont utilisés, quelle capacité est consommée et quel type de travail cette utilisation soutient. Sans cette visibilité, une facture qui augmente est difficile à interpréter. Elle peut refléter du gaspillage, une expérimentation productive ou un flux qui devient essentiel à l’entreprise.

ChatGPT Travail⁠ prend en charge des tâches plus longues et en plusieurs étapes, de sorte que l’utilisation peut varier fortement selon le flux de travail. Les administrateurs doivent voir le travail derrière cette utilisation, et non seulement les crédits consommés. Cela est possible grâce à une vue partagée de la demande dans ChatGPT. Les analyses d’utilisation et contrôles des dépenses⁠ mis à jour dans la console d’administration⁠(s'ouvre dans une nouvelle fenêtre) aident les administrateurs à voir l’adoption, l’utilisation des crédits et les dépenses par utilisateur, produit et modèle; à suivre les tendances; à repérer les nouveaux schémas; et à comprendre si l’utilisation traduit une adoption large, le flux d’un grand utilisateur ou un processus récurrent qui mérite plus d’investissement.

Des points de vue à différents niveaux aident à orienter les décisions d’investissement et d’habilitation :

• Espace de travail : l’adoption et les dépenses évoluent-elles ensemble?
• Équipe et utilisateur : où la demande augmente-t-elle, et qui pourrait avoir besoin de plus de soutien?
• Produit et modèle : où utilise-t-on une intelligence plus coûteuse, et cette demande est-elle durable?

Ensemble, ces vues aident les administrateurs à décider où investir, accompagner ou fixer des limites.

Le prix de token le plus bas ne donne pas toujours le coût total le plus bas. Un modèle moins cher peut échouer, recommencer ou créer du travail à corriger. Un modèle plus performant peut coûter plus cher par token, mais atteindre plus vite un résultat acceptable, avec moins d’essais et moins de révision.

Évaluez les modèles selon le travail qu’ils doivent accomplir. Utilisez des évaluations qui reflètent des tâches réelles⁠, y compris les cas limites, et définissez ce qui est « assez bon » avant les tests. Mesurez ensuite le coût complet pour atteindre cette norme : utilisation du modèle et des outils, essais, taux d’achèvement, latence et révision humaine.

Pour les flux prioritaires, suivez le coût par résultat accepté. En soutien à la clientèle, il peut s’agir d’un dossier résolu. En ingénierie, il peut s’agir d’un changement testé qui réussit la révision. Associez ce coût à une valeur d’affaires comme le temps gagné, les cycles raccourcis, les revenus protégés, les risques évités ou la capacité créée.

Le choix du modèle n’est qu’une partie de l’équation. Des consignes claires, des outils ciblés, un contexte réutilisable et des conditions d’arrêt explicites peuvent réduire les boucles et les dépenses gaspillées. L’objectif est d’adapter le modèle et le flux à la tâche : utiliser des modèles plus petits ou plus rapides lorsqu’ils atteignent le niveau de qualité requis, et réserver l’intelligence de pointe aux travaux complexes, ambigus ou à fort enjeu.

Les dirigeants d’entreprise devraient voir la gouvernance comme la couche opérationnelle qui détermine quels travaux d’IA peuvent passer à l’échelle. Concrètement, il faut définir quel contexte ChatGPT peut utiliser, à quels outils il peut accéder, quelles actions il peut poser, qui approuve les étapes plus risquées et comment accorder de la capacité lorsque les équipes trouvent des flux à forte valeur.

Cela devient plus important à mesure que les équipes adoptent des plugiciels, des connecteurs, Computer Use et d’autres capacités de pointe capables d’agir dans les systèmes d’entreprise. ChatGPT Travail⁠ offre aux administrateurs des contrôles centralisés pour l’accès, le contexte approuvé, les outils connectés, les actions permises, l’utilisation et les dépenses. Des contrôles des dépenses comme les valeurs par défaut de l’espace de travail, les limites de groupe, les exceptions individuelles et les demandes de révision avec contexte de projet aident les dirigeants à soutenir le travail à forte valeur sans relever largement les limites.

Pour les déploiements prioritaires, les ingénieurs en déploiement⁠(s'ouvre dans une nouvelle fenêtre) d’IA d’OpenAI peuvent travailler directement avec les clients sur les évaluations, l’architecture, la latence, la fiabilité et la conception des flux afin d’améliorer la performance et l’efficacité des coûts. La confidentialité et la gouvernance devraient faire partie de ce travail dès le départ : les flux sensibles exigent les bons contrôles d’accès, une posture de conservation adéquate, une visibilité sur la conformité et des parcours d’approbation avant de passer à l’échelle. Le cas échéant, les contrôles de confidentialité d’entreprise d’OpenAI, y compris les options d’aucune conservation des données⁠(s'ouvre dans une nouvelle fenêtre), peuvent aider les clients à déployer l’IA dans des environnements à haut niveau de confiance.

Les dirigeants d’entreprise devraient gérer les investissements en IA comme un portefeuille : un accès large pour la productivité quotidienne, des flux propres à chaque fonction qui améliorent le travail répétable, et un plus petit nombre de paris stratégiques fondés sur le contexte exclusif de l’entreprise. Les meilleurs candidats sont les flux qui se répètent à grande échelle, ont une responsabilité claire et peuvent être mesurés pour la qualité, le risque et la valeur d’affaires.

Le financement devrait suivre la maturité. L’exploration doit vérifier si le modèle peut traiter la tâche; la validation doit tester des cas représentatifs selon un seuil de qualité clair; le financement de production doit soutenir les intégrations, les contrôles, la fiabilité et la gestion du changement nécessaires au passage à l’échelle. Les capacités partagées comme l’identité, les connecteurs de confiance, les connaissances sélectionnées, les évaluations, l’observabilité, le routage des modèles et les modèles d’agents réutilisables devraient être financées de façon centrale afin que chaque nouveau flux soit plus facile et plus sûr à lancer.

Lorsqu’un flux a prouvé sa valeur, les dirigeants devraient adapter le produit, la capacité et le modèle de soutien à la demande. ChatGPT Travail⁠ offre des capacités prêtes à l’emploi pour le clavardage, le codage, les flux agentiques, les connecteurs, les plugiciels, Computer Use et l’administration. Les entreprises peuvent enrichir cette base avec des données propriétaires, des permissions, des évaluations et une logique de flux lorsque ces éléments créent une valeur différenciée.

Pour les charges de travail en production, la structure commerciale devrait correspondre aux habitudes d’utilisation : Capacité garantie⁠ pour les systèmes et agents en production qui exigent un accès assuré, offre Scale⁠ pour les charges API prévisibles à grand volume, et API Batch⁠(s'ouvre dans une nouvelle fenêtre), traitement flexible⁠(s'ouvre dans une nouvelle fenêtre) ou mise en cache des invites⁠ pour le travail asynchrone ou le contexte répété.

Pour les grands déploiements stratégiques, OpenAI Frontier⁠ et Deployment Company⁠(s'ouvre dans une nouvelle fenêtre) peuvent aider les entreprises à créer, déployer et gérer des collègues IA dans leurs systèmes d’entreprise. Cette approche permet aux dirigeants de faire évoluer les travaux éprouvés avec le bon produit, la bonne capacité et le bon modèle de soutien, plutôt que de laisser chaque flux rebâtir sa propre infrastructure.