Le calcul sort de la salle des machines

Tant que l’IA générative était utilisée occasionnellement par quelques collaborateurs, son coût de calcul pouvait rester une affaire de spécialistes. Ce temps pourrait être court. Génération de contenus, synthèse de documents, création d’exercices, traduction, recherche, assistants pédagogiques, tuteurs conversationnels et bientôt agents : chacun de ces usages déclenche du calcul, et leur généralisation change l’échelle du problème. Pour le service formation, la question n’est donc plus seulement de savoir ce que permet l’IA, mais ce que consomment les usages qu’il décide de déployer. La nuance avec la sobriété est importante. Il ne s’agit pas d’utiliser moins par principe, mais de rendre visible une consommation jusqu’ici largement invisible afin de pouvoir l’arbitrer. Un tuteur IA sollicité par 20 000 collaborateurs n’a pas la même économie qu’un assistant utilisé ponctuellement par dix concepteurs pédagogiques. Un agent qui enchaîne plusieurs opérations pour accomplir une tâche ne ressemble pas davantage à une requête isolée. À mesure que l’IA entre dans les dispositifs, le calcul informatique devient donc une ressource du Learning au même titre que le temps des formateurs, les licences ou les budgets de contenus. Encore faut-il disposer d’une unité permettant de commencer à l’observer.

Le token entre au vocabulaire de la formation

Cette unité existe déjà : le token. Lorsqu’un utilisateur adresse une requête à un grand modèle de langage, celui-ci ne traite pas directement les phrases et les mots tels que nous les percevons. Le texte est découpé en petites unités numériques, les tokens, qui sont ensuite traitées par le modèle ; la réponse produite est elle aussi constituée de tokens avant d’être reconvertie en texte. On distingue notamment les tokens d’entrée, ceux qui composent la demande et les informations fournies au modèle, et les tokens de sortie, générés dans sa réponse. Certains fournisseurs distinguent également les tokens déjà présents en cache. Cette notion technique possède une conséquence très concrète : une grande partie des services d’IA accessibles par API sont facturés au million de tokens, avec des prix différents selon le modèle et selon qu’il s’agit d’entrée ou de sortie. Les écarts peuvent être considérables. Chez OpenAI, par exemple, les tarifs Enterprise publiés en août 2026 vont de quelques dollars à plusieurs dizaines de dollars par million de tokens selon le modèle et le type de token ; Anthropic applique lui aussi une tarification différenciée par million de tokens. Le token n’est pourtant ni un euro ni un watt : un même nombre de tokens peut mobiliser des ressources différentes selon le modèle et l’infrastructure. Il constitue plutôt le premier compteur accessible d’une activité informatique que les professionnels de formation vont devoir apprendre à regarder.

Compter ne suffit pas : encore faut-il savoir quoi compter

Le piège serait précisément de transformer le nombre de tokens en nouveau KPI universel. Consommer deux fois moins de tokens ne signifie ni coûter deux fois moins cher ni consommer deux fois moins d’énergie ; cela signifie encore moins produire deux fois plus efficacement de l’apprentissage. Le bon raisonnement commence donc par l’usage. Combien d’utilisateurs ? Combien de sollicitations par utilisateur ? Quelle quantité moyenne d’informations envoyée au modèle ? Quelle longueur de réponse ? Quel modèle est sollicité ? Combien d’appels successifs un agent effectue-t-il pour obtenir un résultat ? Le professionnel formation peut alors construire des scénarios : 5 000 apprenants sollicitant un tuteur dix fois dans un parcours n’ont évidemment pas le même profil de consommation que cinquante concepteurs utilisant ponctuellement l’IA pour préparer des contenus. Il devient également possible de comparer deux architectures : faut-il mobiliser systématiquement le modèle le plus puissant ou router certaines tâches simples vers un modèle plus léger ? Les différences économiques donnent déjà une indication de l’enjeu : les fournisseurs proposent des modèles dont le prix par million de tokens peut varier d’un facteur important selon leur puissance et leurs conditions d’utilisation. Le choix du modèle cesse ainsi d’être exclusivement technique. Il entre dans la conception même du dispositif.

Les métiers de la formation vont devoir se réconcilier avec les chiffres

Reste une difficulté rarement évoquée. Les professionnels des RH et de la formation n’ont pas nécessairement été recrutés pour leur goût des mathématiques. Leurs cursus et leurs pratiques professionnelles ont souvent privilégié pédagogie, sciences humaines, communication, management ou ingénierie de formation. L’IA ne leur demande pas de devenir data scientists, mais elle renforce une compétence déjà devenue nécessaire avec les learning analytics, l’évaluation et les données de compétences : la culture quantitative. Les mathématiques requises sont modestes. Savoir manipuler des volumes, des ratios, des coûts unitaires, des moyennes, des ordres de grandeur et quelques scénarios suffit pour une grande partie des décisions. Le véritable apprentissage consiste ailleurs : distinguer une mesure d’une estimation, identifier les variables déterminantes, demander les bonnes données à un fournisseur et repérer un résultat invraisemblable. Le tableur peut effectuer les opérations ; l’IA elle-même peut construire les formules et simuler les hypothèses. Elle ne décide pas pour autant de ce qui mérite d’être mesuré. Cette compétence ne s’acquerra probablement pas par une formation lourde : quelques fondamentaux sur les tokens et l’économie des modèles, des exercices de comparaison de scénarios et l’intégration systématique de ces données aux pilotes IA pourraient constituer un premier socle.

Rapporter le calcul à ce qu’il produit

C’est probablement ici que se situe le véritable nouvel indicateur. Le nombre de tokens pris isolément présente peu d’intérêt ; le coût de calcul n’en acquiert que lorsqu’il est rapporté à un résultat. Coût IA par apprenant actif, par heure d’accompagnement, par parcours achevé, par contenu produit ou, lorsque l’évaluation le permet, par compétence effectivement acquise : chaque dispositif peut appeler son propre ratio. La responsabilité du service formation n’est d’ailleurs pas de tout calculer seul. La DSI connaît l’architecture et les modèles, les achats disposent des données économiques, la RSE peut apporter les méthodes de mesure environnementale ; le Learning connaît l’usage et devrait être le mieux placé pour apprécier la valeur produite. Sa nouvelle compétence consiste donc aussi à mettre ces données en relation. La consommation énergétique de l’IA rend cette évolution plus urgente, mais elle n’en constitue qu’une dimension. Derrière la question environnementale se dessine une question de gestion beaucoup plus générale : combien de ressources informatiques voulons-nous mobiliser pour obtenir quel résultat Learning ? Après avoir appris à compter les heures, les stagiaires, les connexions et les euros, les professionnels de formation pourraient bien devoir apprendre à compter quelque chose de moins visible : le calcul.

Michel Diaz