Pourquoi les entreprises repensent leur dépendance à l'égard d'OpenAI et d'Anthropic
OpenAI et Anthropic sont devenus les choix par défaut de nombreuses entreprises avant même que la plupart n'aient défini ce dont elles avaient réellement besoin en matière d'intelligence artificielle. Les équipes ont commencé avec quelques abonnements à ChatGPT ou Claude, les développeurs ont connecté les modèles à des applications internes, et les projets expérimentaux ont progressivement fait partie des opérations quotidiennes. La décision initiale semblait réversible : un autre modèle pouvait toujours être introduit plus tard.
Cette hypothèse est actuellement mise à l'épreuve. Alors que l'IA passe d'une assistance occasionnelle au service client, au développement de logiciels, à la recherche, au traitement de documents et aux flux de travail opérationnels, le choix du fournisseur influe sur bien plus que la simple qualité des résultats. Il façonne les coûts, l'architecture des données, les compétences internes et la capacité de l'entreprise à changer de cap. Ce qui a commencé comme un achat technologique pratique peut devenir une dépendance stratégique.
Le problème n'est pas qu'OpenAI ou Anthropic soient soudainement devenus inadéquats. Tous deux continuent de produire certains des meilleurs modèles à usage général disponibles. Le problème est que les entreprises ont souvent permis à un seul fournisseur de s'implanter dans un trop grand nombre de processus sans établir ce qui se passerait si les prix, les performances, les conditions contractuelles ou les priorités commerciales venaient à changer.
Il devient plus difficile de prédire les coûts de l'IA à grande échelle
Un abonnement mensuel donne aux employés un prix relativement clair. La donne économique change lorsqu'une entreprise commence à utiliser des modèles via une interface de programmation d'applications, en particulier lorsque l'intelligence artificielle est intégrée dans des produits ou des flux de travail automatisés.
Les frais peuvent dépendre de la quantité d'informations envoyées au modèle, de la longueur de la réponse, du modèle sélectionné et de la fréquence à laquelle le processus s'exécute. Une tâche qui semble peu coûteuse lors d'un projet pilote peut le devenir lorsqu'elle est répétée des milliers de fois par jour. L'ajout de documents plus longs, d'instructions plus détaillées ou d'étapes de vérification supplémentaires alourdit encore la facture.
La difficulté ne se limite pas au prix des jetons individuels. Les systèmes d'IA nécessitent une infrastructure de support, une surveillance, des contrôles de sécurité, des travaux d'intégration et une révision humaine. Les entreprises peuvent également payer plusieurs fournisseurs de technologies pour des fonctionnalités qui se chevauchent sans avoir une vision claire de quel modèle gère quelle tâche.
Cela pousse les équipes financières et technologiques à poser des questions qui étaient souvent absentes lors de la phase expérimentale. Quel est le coût de résolution d'une demande client ? Le modèle génère-t-il suffisamment de valeur pour justifier son coût d'exploitation ? Un modèle plus petit accomplirait-il la même tâche de manière satisfaisante ? Quelle quantité de correction humaine est encore nécessaire ?
Un modèle performant peut produire une réponse impressionnante, mais cela n'en fait pas automatiquement l'option la plus économique. Résumer un document de routine, classifier une demande entrante et extraire la date d'une facture nécessitent rarement la même puissance de calcul que l'analyse d'un contrat complexe ou la rédaction de logiciels de production. Utiliser le modèle le plus avancé pour chaque tâche revient à assigner le spécialiste le plus cher de l'entreprise à chaque requête administrative.
La dépendance va au-delà du contrat
La dépendance envers les fournisseurs est parfois décrite comme un problème d'approvisionnement : une entreprise négocie avec un seul prestataire et peut par la suite passer à un autre. Avec l'IA générative, la relation est plus complexe.
Les invites sont adaptées au comportement d'un modèle particulier. Les applications sont construites autour de son interface technique. Les employés se familiarisent avec ses points forts et ses limites. Les procédures de sécurité, les méthodes d'évaluation et les flux de travail d'approbation sont conçus pour le système du fournisseur. Même le ton et la structure du contenu généré par l'IA peuvent progressivement refléter la façon dont ce modèle réagit.
Le changement de fournisseur peut donc nécessiter plus que le simple remplacement d'une clé API. Les requêtes devront peut-être être réécrites, les résultats retestés et les intégrations reconstruites. Un modèle concurrent peut interpréter les instructions différemment, prendre en charge différents formats de fichiers ou exiger une autre approche de l'utilisation des outils. Des processus qui semblaient portables peuvent s'avérer étonnamment spécifiques à un seul fournisseur.
Le risque augmente lorsque l'IA est connectée aux systèmes de l'entreprise et autorisée à agir. Un assistant qui se contente de rédiger un e-mail est relativement facile à remplacer. Un agent qui récupère des informations sur les clients, met à jour des dossiers, prépare des rapports et déclenche des flux de travail internes est lié à des autorisations, à des sources de données et à des règles métier. Migrer un tel système devient un projet opérationnel.
C'est l'une des raisons pour lesquelles les entreprises commencent à séparer leurs applications d'IA du modèle sous-jacent. Plutôt que de permettre à chaque département de construire directement sur un seul fournisseur, elles introduisent une couche intermédiaire capable d'acheminer les tâches vers différents modèles. Cette approche demande plus de discipline au début, mais elle réduit le coût d'un changement de fournisseur par la suite.
Le meilleur modèle dépend du travail
OpenAI et Anthropic sont fréquemment comparés comme si une entreprise devait choisir un seul gagnant. En pratique, leurs modèles peuvent convenir à différents types de travail, tandis qu'aucun n'est nécessairement la bonne option pour chaque tâche.
Un modèle peut obtenir de meilleurs résultats avec des raisonnements complexes, un autre avec de longs documents ou la programmation. Un modèle commercial plus petit peut suffire pour les processus internes de routine. Un modèle ouvert exécuté au sein de la propre infrastructure de l'entreprise peut être préférable lorsque la sensibilité des données l'emporte sur des différences marginales de qualité des résultats.
Cela transforme la sélection de modèles en une décision de portefeuille. Les entreprises peuvent réserver des modèles haut de gamme pour les tâches où leurs capacités améliorent nettement le résultat, tout en dirigeant le travail répétitif et à grand volume vers des alternatives moins onéreuses. Les données sensibles peuvent rester au sein d'une infrastructure contrôlée, et les équipes peuvent changer de fournisseur lorsque les performances ou les prix évoluent.
Le concept de routeur de modèles reste méconnu en dehors des départements technologiques, mais sa logique est simple. L'employé ou l'application soumet une requête sans choisir de fournisseur. Le système classe la tâche et l'envoie au modèle qui offre la meilleure combinaison de qualité, de vitesse, de coût et de protection des données.
Une traduction courte peut être traitée par un modèle compact. Une comparaison juridique peut être confiée à un système de raisonnement plus puissant. Les informations confidentielles peuvent être traitées localement. Si un fournisseur est indisponible, un autre peut prendre le relais. L'entreprise gère le service dont elle a besoin plutôt que d'organiser son travail autour de la gamme de produits d'une seule entreprise d'IA.
Les modèles ouverts deviennent des alternatives crédibles
La position des principaux fournisseurs américains est également contestée par le développement rapide de modèles ouverts et moins coûteux. Certains peuvent être téléchargés, adaptés et exploités sur les propres serveurs d'une entreprise ou par l'intermédiaire d'un hébergeur de son choix. D'autres offrent un accès commercial à des prix conçus pour attirer les organisations préoccupées par le coût des systèmes de pointe.
Les modèles ouverts ne suppriment pas la complexité. Une entreprise peut avoir besoin d'une expertise spécialisée pour les déployer, les sécuriser et les maintenir. Les coûts matériels peuvent être considérables, et le modèle nécessite toujours une évaluation avant de se voir confier des tâches critiques pour l'activité. Pour une plus petite organisation, l'utilisation d'un service commercial géré peut rester plus simple et moins coûteux.
Leur importance réside dans l'alternative qu'ils créent. Les entreprises n'ont plus à supposer que chaque charge de travail en IA doit être envoyée à l'un des deux fournisseurs américains. Un modèle ouvert peut suffire pour la classification, la recherche, l'extraction, la traduction ou la recherche de connaissances internes. Il peut également être adapté à la terminologie d'une entreprise et exploité sous un contrôle plus strict.
Les développeurs d'IA chinois ont accentué la pression en démontrant que des modèles performants peuvent être proposés à des prix nettement inférieurs. Toutes les organisations ne seront pas à l'aise à l'idée de les utiliser, en particulier lorsque des exigences réglementaires, des transferts de données ou une exposition géopolitique entrent en jeu. Leur influence s'étend néanmoins au-delà de leur adoption directe : une concurrence à bas coût fait qu'il est plus difficile pour les fournisseurs établis de traiter des prix élevés comme une fatalité.
Le travail humain reste parfois le choix économique
La course à l'automatisation a incité les entreprises à comparer le coût de l'IA au salaire d'un employé. Cette comparaison peut être trompeuse.
Un processus automatisé peut nécessiter l'utilisation de modèles, une intégration logicielle, une surveillance, des contrôles de qualité et une gestion des exceptions. Lorsque les erreurs entraînent des conséquences financières, juridiques ou de réputation, une personne doit souvent examiner le résultat. Si la tâche se produit rarement ou varie considérablement d'un cas à l'autre, le coût de la création et de la maintenance du flux de travail d'IA peut dépasser les économies.
Cela ne signifie pas que l'automatisation a échoué. Cela signifie que l'entreprise doit envisager le processus dans sa globalité plutôt que le coût apparent de la génération d'une réponse. L'IA peut toujours améliorer la productivité de l'employé sans prendre en charge l'intégralité de la tâche. Un modèle peut préparer la première analyse, identifier les informations manquantes ou suggérer une réponse, tandis que l'employé reste responsable de la décision.
La division du travail la plus économique n'est pas toujours l'automatisation complète. Dans certains cas, il s'agit d'une combinaison soigneusement conçue entre la vitesse des machines et le jugement humain.
Ce que les entreprises devraient faire avant d'étendre leur utilisation de l'IA
La première étape consiste à cartographier les endroits où l'IA est déjà utilisée. De nombreuses organisations sous-estiment le nombre d'outils, d'abonnements et de flux de travail informels qui sont apparus dans tous les départements. Sans cette vue d'ensemble, elles ne peuvent pas calculer les coûts, évaluer l'exposition des données ou identifier la dépendance à un fournisseur particulier.
Chaque cas d'utilisation doit ensuite être évalué séparément. Les questions pertinentes sont d'ordre pratique : quelle est l'importance de la tâche, quel niveau de précision est requis, quelles données sont impliquées, à quelle fréquence le modèle s'exécute-t-il et que se passe-t-il lorsque le modèle se trompe ? Les réponses déterminent si l'entreprise a besoin d'un modèle haut de gamme, d'une alternative plus petite, d'un traitement local ou d'une intervention humaine directe.
Nouveau IA Les applications doivent être conçues pour être portables dans la mesure du possible. Les instructions, les connexions de données et les règles métier ne doivent pas être enfouies au sein de la plateforme d'un seul fournisseur. Les entreprises doivent maintenir des tests indépendants qui leur permettent de comparer les modèles sur les mêmes tâches et les résultats attendus. Les contrats doivent également aborder l'utilisation des données, la disponibilité des services, les variations de prix et les aspects pratiques d'un changement de fournisseur.
Rien de tout cela n'oblige les entreprises à abandonner OpenAI ou Anthropic. La dépendance devient dangereuse lorsqu'elle est accidentelle, mal comprise et difficile à inverser. Une relation délibérée avec un fournisseur de premier plan peut être tout à fait rationnelle, à condition que l'entreprise sache quels processus en dépendent, ce qu'ils coûtent et quelles alternatives existent.
La prochaine phase de l'IA d'entreprise se souciera moins de l'accès au modèle le plus célèbre et davantage du contrôle. Les entreprises qui conservent la capacité de comparer, de combiner et de remplacer des modèles seront dans une position plus forte que celles qui permettent à un seul fournisseur de définir l'architecture de leur stratégie d'IA.
