Intelligence utile par euro : le nouveau barème pour mesurer le retour sur investissement de l'IA

« Pendant des années, les logiciels étaient mesurés par l'adoption : sièges, utilisateurs actifs, renouvellements », a déclaré Friar dans un post LinkedIn. « L'IA est différente — elle doit être mesurée par le travail accompli » . Le cadre affirme explicitement que le coût le plus bas par token ne produit pas toujours le coût le plus bas par résultat, et que les entreprises doivent optimiser la création de valeur totale plutôt que le prix unitaire .

Le tableau de bord du retour sur investissement de l'IA en quatre questions

La méthodologie de Friar remplace les indicateurs d'adoption vagues par quatre questions concrètes qui forment un tableau de bord pour le retour sur investissement de l'IA :

1. L'IA accomplit-elle un travail qui compte ?

Mesurer le volume de tâches réelles basées sur les résultats — problèmes clients résolus, modifications de code livrées, contrats examinés — plutôt que le simple nombre d'utilisations ou de requêtes . « Les tokens créent de la valeur lorsqu'ils se transforment en travail que les gens peuvent utiliser », a écrit Friar . Cela déplace l'attention des métriques d'activité (combien de requêtes ont été faites) vers les métriques d'impact (ce qui a été accompli).

2. Combien coûte chaque tâche réussie ?

Calculer le coût total par tâche répondant aux normes de qualité, y compris l'inférence de l'IA, les tentatives, la relecture humaine et les reprises . Un modèle bon marché qui échoue souvent peut coûter plus cher par résultat réussi qu'un modèle premium qui réussit du premier coup . Cette question oblige les entreprises à regarder au-delà du prix par token et à prendre en compte les coûts cachés des erreurs et des corrections.

3. À quelle fréquence l'IA produit-elle un résultat correct ?

Suivre la fiabilité — le taux auquel les résultats sont « prêts à l'emploi » par opposition à ceux nécessitant une correction ou une escalade . Moins d'interventions humaines signifient un coût total plus bas et une confiance accrue. Il s'agit essentiellement d'une mesure d'assurance qualité pour les résultats de l'IA, reconnaissant que la fiabilité est aussi importante que la capacité brute.

4. Chaque euro dépensé en IA produit-il plus de valeur à mesure que l'usage augmente ?

Surveiller si l'IA accomplit plus de travail de haute qualité au fil du temps sans croissance exponentielle des coûts — un concept également appelé retour sur calcul (ROC), emprunté à la finance des semi-conducteurs et des centres de données . Cette question aborde le fait de savoir si les investissements en IA ont des rendements cumulatifs ou une valeur marginale décroissante, une considération cruciale pour les décisions de passage à l'échelle.

Comment mettre en œuvre le cadre

La méthodologie est conçue pour être vérifiable avec les outils existants . Les équipes définissent ce que signifie « fait » pour un flux de travail spécifique, comptent les achèvements réussis, additionnent le coût total (y compris les frais généraux humains) et suivent les taux de réussite et les tendances de qualité .

L'approche de Friar traite l'IA comme un actif productif plutôt que comme une licence logicielle, et fournit un moyen structuré pour les directeurs financiers et les responsables technologiques de répondre à la question qu'elle entend le plus souvent de la part de ses pairs : « Comment obtenir plus de valeur de nos dépenses en IA ? » .

Pourquoi ce cadre est pertinent maintenant

Cette proposition intervient alors que les dépenses d'IA des entreprises ont explosé, OpenAI elle-même déclarant 1 milliard de dollars de revenus mensuels et plus de 500 millions de sièges entreprise vendus . Pourtant, de nombreuses organisations manquent de cadres de retour sur investissement clairs, créant un « décalage entre les capacités de l'IA et la valeur que les entreprises capturent » . Friar avait précédemment décrit ce décalage comme un « excédent de capacités » — l'écart entre ce que l'IA peut faire et ce que les organisations sont réellement capables d'exploiter pour en tirer une valeur commerciale .

En ancrant les quatre questions dans des données de coût et de qualité vérifiables, le cadre de « l'intelligence utile par euro » offre aux entreprises un outil pratique pour passer d'un investissement dans l'IA fondé sur la foi à une prise de décision fondée sur des preuves.