L'attaque du PDG de Palantir, Alex Karp, contre le modèle de tarification par jetons d'OpenAI et Anthropic révèle un problème plus large de l'IA en entreprise : les entreprises veulent des résultats, pas des factures d'utilisation sans fin.
Le PDG de Palantir, Alex Karp, a ravivé l'un des débats les plus importants sur l'IA en entreprise : la tarification basée sur les jetons reflète-t-elle correctement la valeur commerciale ? Sa critique d'OpenAI, Anthropic et de l'économie plus large des modèles d'IA de pointe n'est pas seulement une plainte sur les prix. C'est un défi à la manière dont les entreprises achètent, mesurent et font confiance aux systèmes d'IA.
Le modèle par jetons fonctionne bien comme facturation d'infrastructure : plus l'utilisation du modèle est importante, plus le coût est élevé. Mais les clients d'entreprise ne se soucient pas finalement des jetons. Ils se soucient de la réduction du travail manuel, de décisions plus rapides, de moins d'erreurs, de meilleurs résultats clients, de la protection des connaissances propriétaires et d'un retour sur investissement mesurable.
C'est pourquoi les commentaires de Karp ont une importance au-delà de la position concurrentielle de Palantir. Ils indiquent un changement dans le comportement d'achat de l'IA. Les entreprises passent de l'expérimentation à la responsabilité, et les fournisseurs d'IA qui réussiront devront prouver la valeur en termes commerciaux plutôt qu'en se basant uniquement sur la capacité du modèle, la performance aux benchmarks ou la croissance de l'utilisation.
Pourquoi la tarification par jetons est sous pression
La tarification par jetons est simple, évolutive et familière aux développeurs, mais elle peut devenir difficile pour les acheteurs en entreprise. Une entreprise peut générer des millions ou des milliards de jetons à travers le chat, l'analyse de documents, le codage, le support client et les agents internes, tout en ayant du mal à expliquer si ces jetons ont créé une valeur mesurable.
Le problème devient plus aigu à mesure que l'IA s'intègre dans les workflows d'agents. Les agents peuvent effectuer des appels répétés, rechercher des fichiers, inspecter du code, naviguer dans des outils, réessayer des étapes échouées et produire de longues traces de raisonnement. Cela peut augmenter rapidement l'utilisation, mais l'entreprise ne bénéficie que si l'agent accomplit la tâche avec précision et réduit la charge de travail humaine.
La souveraineté de l'IA est le problème d'entreprise plus profond
Le message plus large de Palantir concerne la souveraineté de l'IA : les entreprises doivent conserver le contrôle de leurs données, connaissances opérationnelles, modèles, workflows et systèmes de décision. En IA d'entreprise, le contexte propriétaire est souvent le véritable actif. Il inclut les relations clients, la logique de tarification, les chaînes d'approvisionnement, les processus internes, le jugement expert et les connexions de données.
Cela crée un problème de confiance pour les acheteurs d'IA. Si un fournisseur utilise les données clients de manière peu claire, ou si l'entreprise ne peut pas auditer comment les systèmes d'IA interagissent avec les informations propriétaires, la question du coût devient une question de contrôle. Les entreprises ne veulent pas payer pour entraîner un système qui pourrait affaiblir leur propre avantage plus tard.
Pourquoi cela profite aux plateformes d'IA basées sur les résultats
Le débat favorise les plateformes qui peuvent connecter l'IA directement aux résultats des workflows. Le positionnement de Palantir se concentre sur l'ontologie, le contexte opérationnel et le déploiement sécurisé, mais le même principe s'applique sur le marché : les acheteurs veulent des systèmes qui comprennent les processus métier, pas seulement des modèles qui génèrent des réponses fluides.
Cela pourrait pousser l'industrie vers des modèles de tarification basés sur les tâches accomplies, les sièges avec des métriques de productivité claires, le ROI au niveau du workflow, la valeur du déploiement, ou des modèles hybrides où l'utilisation des jetons n'est qu'une partie de la structure commerciale. Plus l'IA devient une infrastructure opérationnelle, plus les clients exigeront une tarification qui correspond à l'impact commercial.
Comment les acheteurs d'IA devraient évaluer les outils maintenant
Les utilisateurs de NexusAI devraient évaluer les outils d'IA en entreprise par des métriques de résultats. Les questions utiles incluent : quelle tâche est accomplie, combien de révision humaine est réduite, quelles données sont protégées, comment les erreurs sont gérées, si les décisions sont auditables, et si l'IA améliore un workflow existant plutôt que d'ajouter une couche d'activité supplémentaire.
Le changement pratique est de passer de la surveillance des jetons à la surveillance de la valeur. Les équipes devraient suivre le coût par ticket résolu, le coût par modification de code acceptée, le coût par document traité, le coût par prospect qualifié, le coût par workflow d'analyste, et le coût par décision soutenue. C'est là que les dépenses en IA deviennent gérables.
