Le 6 août 2026, Rippling a publié ce que faisait sa facture IA, ce que très peu d’entreprises font.
Les dépenses en jetons croissaient de 80 % d’un mois sur l’autre. Un modèle de coûts plaçait l’entreprise sur une trajectoire où les jetons absorberaient 40 % du budget salarial de la R&D, et approcheraient 90 % l’année suivante.
Ce sont les chiffres que tout le monde cite. Les deux constats qui se trouvent en dessous méritent davantage votre temps.
D’abord, ce que ces chiffres ne sont pas
Ce sont des projections, pas des factures. Rippling écrit qu’elle était « sur une trajectoire menant à dépenser 40 % de notre budget salarial de R&D en jetons », puis parle d’« une projection de 40 % de dépense ». Plusieurs médias ont rendu cela comme une facture IA atteignant 40 % du budget R&D. Ce n’est pas le cas. Une projection qui déclenche une réaction n’est pas une dépense constatée, et la différence compte si vous comptez citer le chiffre.
Les 90 % de l’année suivante sont eux aussi une projection, et ils n’apparaissent presque nulle part dans la reprise médiatique, alors que c’est le plus frappant des deux.
Le chiffre souvent répété de 600 milliards de jetons ne figure pas du tout dans le billet de Rippling. Aucun montant total en dollars non plus. Le seul chiffre absolu donné est celui d’un ingénieur à 50 000 dollars par mois.
Premier constat : la dépense était très concentrée
« Environ 10 à 15 % de nos salariés généraient à peu près 60 % de la dépense IA totale. »
Voilà la phrase à rapporter dans votre propre organisation. Elle transforme un problème de tarif en problème de répartition, et les deux appellent des solutions sans rapport.
Si le coût est réparti uniformément dans une équipe, le levier est le prix par jeton et vous dépendez de vos fournisseurs. Si un dixième des personnes représente six dixièmes de la facture, le levier est interne et vous pouvez l’actionner cette semaine. Impossible de savoir dans quel cas vous êtes sans regarder, et Rippling note que regarder était justement difficile : la finance compilait les données à la main depuis plusieurs tableaux de bord fournisseurs, et les ingénieurs les récupéraient manuellement dans un data lake.
Deuxième constat : personne n’avait choisi le réglage coûteux
C’est la partie qui se généralise le plus loin, et elle est facile à survoler.
« Les valeurs par défaut coûteuses étaient la norme. Les modèles les plus récents étaient réglés en mode rapide. Non pas parce que nous avions pris cette décision en interne, mais parce que personne ne s’était jamais penché dessus pour établir de bonnes pratiques. »
La configuration coûteuse n’était pas une décision prise par quelqu’un. C’était une décision que personne n’avait prise. C’est une autre sorte de défaillance, et aucune discipline budgétaire ne l’attrape, puisqu’il n’existe aucun moment où quelqu’un approuve l’option chère.
Cela rejoint directement un sujet que nous avons traité cette semaine. L’agent de codage de Meta propose deux identifiants de modèle à des prix très différents, dont l’un renvoie vos prompts au fournisseur, et la documentation ne dit rien de celui que l’installeur écrit dans votre configuration. Même forme, autre fournisseur : le réglage qui décide de la facture, ou des données, est un réglage que personne n’a choisi sciemment.
Ce qu’ils ont fait, et ce que ça leur a coûté
Rippling a désigné 20 « capitaines IA » dans toute l’entreprise, chargés de l’accompagnement, des bonnes pratiques et de la gouvernance, et a construit une console pour suivre la dépense par personne et par modèle.
Le résultat, dans leurs mots : « Pour la R&D, nous sommes passés d’une projection de 40 % du budget salarial dépensé en jetons à 10 ou 15 %. Cela représente des dizaines de millions de dollars par an. »
Une phrase mérite d’être citée pour ce qu’elle ne prétend pas : « les contraintes ont rendu les ingénieurs plus malins, pas moins capables ». C’est l’appréciation que Rippling porte sur son propre programme, et c’est le genre d’affirmation qu’une entreprise fait toujours de ses propres économies. Lisez-la comme une position, pas comme un résultat mesuré.
Leur remarque antérieure sur la productivité est plus prudente et plus intéressante : « Le signal de productivité était réel, mais pas linéaire. »
Ce qu’il faut en retenir
Cherchez si votre dépense est concentrée avant de négocier un prix. Les deux problèmes se ressemblent trait pour trait sur une facture et n’ont rien d’autre en commun.
Regardez sur quoi sont réglées vos valeurs par défaut, et quand quelqu’un les a choisies pour la dernière fois. Modèle le plus récent, mode le plus rapide, contexte le plus large : ce sont les réglages livrés par la plupart des outils, et ceux qui ont le moins de chances d’avoir été décidés.
Traitez une projection comme une projection, y compris celle-ci. Rippling a agi sur une projection, ce qui était le bon réflexe. Citer cette projection comme un coût constaté ne l’est pas.
Sources
- Rippling, “From unchecked AI spend to complete control: How Rippling built AI Spend Console”, publié le 6 août 2026, par Whitney Zack et Catalina Zhao : https://www.rippling.com/blog/introducing-ai-spend-console (consulté le 28 août 2026). Origine de la croissance de 80 % d’un mois sur l’autre, des deux projections, de la concentration de la dépense sur 10 à 15 % des salariés, du chiffre de 50 000 dollars mensuels pour un seul ingénieur, du passage cité sur les valeurs par défaut coûteuses, du programme des capitaines IA, ainsi que du résultat et des appréciations de productivité cités. Toutes les citations ont été vérifiées sur la source elle-même et non sur un résumé. Le billet ne contient aucun montant total en dollars ni aucun décompte de jetons ; le chiffre fréquemment cité de 600 milliards de jetons n’y figure pas, vérification faite sur le texte récupéré avec « token » comme terme de contrôle (14 occurrences, la récupération était donc intacte).
- La source n’existe qu’en anglais : les citations de cet article sont une traduction propre de l’original, non des citations littérales en français.
