Les entreprises passent au "Valuemaxxing" dans leurs dépenses d'IA

Les grandes entreprises technologiques, dont Tesla, Meta et Uber, commencent à imposer des restrictions sur la consommation de tokens d'intelligence artificielle par leurs employés. Ce changement stratégique, appelé "valuemaxxing", remplace l'approche précédente de "tokenmaxxing", qui visait uniquement à maximiser l'utilisation des modèles d'IA.

Les entreprises ont constaté que la méthode "tout ce que vous pouvez demander" devenait coûteuse à mesure que les dépenses réelles des services d'IA devenaient plus évidentes. Auparavant, les prix des tokens étaient souvent réduits ou subventionnés, créant une illusion de ressources illimitées et gratuites. Maintenant que ces subventions diminuent, les entreprises doivent surveiller méticuleusement les coûts et les avantages réels de leurs investissements en IA.

La stratégie "valuemaxxing" consiste à dépenser pour l'IA uniquement lorsqu'elle génère un retour sur investissement clair. Cela implique l'utilisation de modèles moins coûteux pour les tâches de routine, comme répondre à des questions simples, tout en réservant des modèles plus performants et plus coûteux pour les opérations complexes et en plusieurs étapes. L'objectif est d'aligner les dépenses sur les résultats tangibles.

Juan Orlandini, directeur de la technologie pour l'Amérique du Nord chez Insight Enterprises, propose trois étapes clés pour la mise en œuvre du "valuemaxxing" : 1. Surveillance : Déployer des outils FinOps (Opérations Financières) pour suivre les coûts de l'IA en temps réel. 2. Optimisation : Attribuer des modèles moins chers aux tâches de routine et réserver les modèles les plus performants exclusivement aux tâches critiques et à fort impact. 3. Propriété : Pour des volumes exceptionnellement élevés, envisager l'acquisition de matériel dédié, ce qui peut s'avérer plus économique à long terme.

Cette transition reflète une tendance plus large de l'industrie vers une utilisation de l'IA plus rentable et stratégique. L'accent se déplace de la simple consommation de grandes quantités d'IA à son application de manière à générer une valeur commerciale mesurable.