Comment 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. Entre GPT‑4 et GPT‑5.4, le prix par million de tokens a baissé de 97 %. GPT‑5.6⁠ poursuit cette avancée, offrant de meilleures performances dans l’indice Artificial Analysis Coding Agent avec 54 % de tokens en moins en sortie et 57 % de temps en moins par tâche.

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

À mesure que les équipes passent du chat à des workflows de plus longue durée, les administrateurs ont besoin d’une meilleure visibilité sur la demande, les dépenses et les risques. 

Voici cinq façons d’investir en toute confiance.

Les dirigeants d’entreprise ont besoin d’une vision claire de l’utilisation de l’IA : qui utilise quels produits ou modèles, quelle capacité est utilisée et pour quel type de travail. Sans cette visibilité, une facture en hausse est difficile à interpréter. Cela peut refléter du gaspillage, une expérimentation productive ou un workflow qui commence à devenir critique pour l’activité.

ChatGPT Work⁠ prend en charge des tâches plus longues et en plusieurs étapes, l’utilisation peut donc varier considérablement selon le workflow. Les administrateurs doivent voir le travail à l’origine de cette utilisation, et pas seulement les crédits consommés. Cela est possible grâce à une vue partagée de la demande à l’échelle de ChatGPT. Les fonctionnalités mises à jour d’analyses d’utilisation et contrôles de dépenses⁠ dans la console d’administration⁠(ouverture dans une nouvelle fenêtre) aident les administrateurs à visualiser l’adoption, l’utilisation des crédits et les dépenses par utilisateur, produit et modèle ; à suivre les tendances au fil du temps ; à identifier les schémas émergents ; et à comprendre quand l’utilisation reflète une adoption généralisée, un workflow d’utilisateur avancé ou un processus métier récurrent susceptible de justifier un investissement supplémentaire.

Les analyses à différents niveaux permettent d’orienter les décisions d’investissement et d’accompagnement :

• Espace de travail : l’adoption et les dépenses évoluent-elles de concert ?
• Équipe et utilisateur : où la demande augmente-t-elle et qui pourrait avoir besoin de plus d’assistance ?
• Produit et modèle : où recourt-on à une intelligence plus coûteuse, et cette demande se maintient-elle ?

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

Le prix du token le plus bas ne se traduit pas toujours par le coût total le plus bas. Un modèle moins cher peut échouer, réessayer ou produire un travail qui nécessite des corrections. Un modèle plus performant peut coûter plus cher par token, mais parvenir plus rapidement à un résultat acceptable, avec moins de tentatives et moins de révisions.

Évaluez les modèles en fonction des tâches qu’ils doivent accomplir. Utilisez des évaluations qui reflètent des tâches réelles⁠, y compris des cas limites, et définissez ce qui est « suffisamment bon » avant de tester. Ensuite, mesurez le coût total nécessaire pour atteindre ce niveau d’exigence : utilisation du modèle et des outils, nombre de tentatives, taux d’achèvement, latence, et revue humaine.

Pour les workflows prioritaires, suivez le coût d’obtention d’un résultat accepté. Dans le service client, il pourrait s’agir d’un dossier résolu. En ingénierie, il peut s’agir d’une modification testée et validée lors de la revue. Mettez ce coût en regard d’une valeur métier, par exemple le temps gagné, le temps de cycle réduit, le chiffre d’affaires préservé, les risques évités ou la capacité créée.

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

Les dirigeants d’entreprise devraient considérer la gouvernance comme la couche opérationnelle qui détermine quels workflows d’IA peuvent être déployés à grande échelle. Le travail concret consiste à définir le contexte que ChatGPT peut utiliser, les outils auxquels il peut accéder, les actions qu’il peut effectuer, les personnes qui approuvent les étapes présentant un risque plus élevé, et la manière dont une capacité supplémentaire est accordée lorsque les équipes identifient des workflows à forte valeur ajoutée.

Cela devient d’autant plus important à mesure que les équipes adoptent des plugins, des connecteurs, Computer Use et d’autres fonctionnalités de pointe capables d’agir sur plusieurs systèmes d’entreprise. ChatGPT Work⁠ offre aux administrateurs des contrôles centralisés pour l’accès, le contexte approuvé, les outils connectés, les actions autorisées, l’utilisation et les dépenses. Les contrôles des dépenses, tels que les valeurs par défaut de l’espace de travail, les limites de groupe, les dérogations individuelles et les demandes de révision accompagnées du contexte du projet, aident les responsables à soutenir les travaux à valeur élevée sans augmenter les limites de manière générale.

Pour les déploiements prioritaires, les ingénieurs en déploiement d’IA⁠(ouverture dans une nouvelle fenêtre) d’OpenAI peuvent travailler directement avec les clients sur les évaluations, l’architecture, la latence, la fiabilité et la conception des workflows afin d’améliorer à la fois les performances et la maîtrise des coûts. La protection de la vie privée et la gouvernance doivent faire partie de ce travail dès le départ : les workflows sensibles nécessitent des contrôles d’accès adéquats, une stratégie de conservation appropriée, une visibilité sur la conformité et des circuits d’approbation avant d’être déployés à grande échelle. Le cas échéant, les contrôles de confidentialité d’OpenAI pour les entreprises, y compris les options de politique de non-conservation des données⁠(ouverture dans une nouvelle fenêtre), peuvent aider les clients à déployer l’IA dans des environnements exigeant un niveau de confiance élevé.

Les dirigeants d’entreprise doivent gérer les investissements dans l’IA comme un portefeuille : un accès étendu pour la productivité quotidienne, des workflows propres à chaque fonction qui améliorent les tâches répétables, et un nombre plus restreint de paris stratégiques fondés sur le contexte propre à l’entreprise. Les candidats les plus pertinents sont les workflows qui se répètent à une échelle significative, dont la responsabilité est clairement définie et dont la qualité, le risque et la valeur métier peuvent être mesurés.

Le financement devrait être fonction du niveau de maturité. La phase d’exploration doit vérifier si le modèle est capable de traiter la tâche ; la validation doit tester des cas représentatifs par rapport à un seuil de qualité clair ; le financement de la mise en production doit soutenir les intégrations, les contrôles, la fiabilité et la gestion du changement nécessaires au passage à l’échelle. Les capacités partagées telles que l’identité, les connecteurs de confiance, les connaissances sélectionnées, les évaluations, l’observabilité, le routage des modèles et les schémas d’agents réutilisables devraient être financées de manière centralisée afin que chaque nouveau workflow soit plus facile et plus sûr à lancer.

Une fois qu’un workflow a démontré sa valeur, les dirigeants doivent adapter le produit, la capacité et le modèle de support à la demande qu’il suscite. ChatGPT Work⁠ fournit des fonctionnalités prêtes à l’emploi pour le chat, le codage, les workflows agentiques, les connecteurs, les plugins, Computer Use et l’administration. Les entreprises peuvent étendre ce socle avec des données propriétaires, des autorisations, des évaluations et une logique de workflow lorsque ces éléments créent une valeur différenciante.

Pour les charges de travail de production, la structure commerciale doit correspondre aux schémas d’utilisation : Guaranteed Capacity⁠ pour les systèmes de production et les agents qui nécessitent une garantie d’accès, offre Scale⁠ pour les charges de travail d’API à volume élevé et prévisible, et API Batch⁠(ouverture dans une nouvelle fenêtre), Flex processing⁠(ouverture dans une nouvelle fenêtre) ou Prompt Caching⁠ pour les traitements asynchrones ou les contextes répétés.

Pour les déploiements stratégiques à plus grande échelle, OpenAI Frontier⁠ et Deployment Company⁠(ouverture dans une nouvelle fenêtre) peuvent aider les entreprises à créer, déployer et gérer des collaborateurs IA dans l’ensemble de leurs systèmes d’entreprise. Cette approche permet aux dirigeants de déployer à grande échelle des workflows éprouvés, avec le produit, la capacité et le modèle d’assistance appropriés, plutôt que d’obliger chaque workflow à reconstruire sa propre infrastructure.