Boris Cherny, créateur de l'outil de codage Claude Code chez Anthropic, rappelle que si la mesure du retour sur investissement constitue une approche indispensable pour les entreprises adoptant l'intelligence artificielle, il reste essentiel de préserver un espace d'expérimentation. Lors d'un échange récent organisé par Scale AI, il a répondu aux inquiétudes croissantes concernant le budget en tokens, unités de mesure correspondant au volume de traitement des requêtes adressées aux grands modèles de langage. Cette prise de position intervient alors que certains dirigeants, comme le directeur des opérations d'Uber, s'interrogent sur la rentabilité effective de leurs dépenses en IA. Selon Cherny, la réflexion autour du retour sur investissement est légitime, car toute entreprise doit vérifier que ses investissements génèrent des retours tangibles. Cependant, une restriction budgétaire trop rigide risque de freiner l'innovation. Il recommande plutôt de fournir aux collaborateurs des quotas accompagnés d'une marge de sécurité, afin qu'ils puissent tester de nouvelles applications sans craindre des sanctions administratives. Une fois les cas d'usage internes validés, le contrôle des coûts doit être assuré en arrière-plan, par des mécanismes techniques et non par des freins à l'utilisation quotidienne. Pour illustrer ce point, Cherny souligne que les idées les plus pertinentes émanent souvent de collaborateurs éloignés de la technologie, tels que des responsables marketing ou comptables. Anthropic accompagne d'ailleurs cette démarche en proposant aux entreprises des paramètres de gestion budgétaire, comme des plafonds par poste utilisateur. De son côté, l'éditeur reconnaît avoir un intérêt commercial à maintenir un volume d'activité élevé, tout en assumant une contrainte fondamentale : chaque unité consommée par ses propres équipes réduit la capacité à la céder à un client, ce qui rejoint in fine la logique de rentabilité. Au-delà des coûts, les indicateurs pour évaluer la valeur de l'IA évoluent rapidement. Cherny estime que mesurer uniquement le pourcentage de code généré par l'outil perd de sa pertinence face à des taux d'adoption très élevés. La prochaine étape consistera à évaluer l'accélération du travail par ingénieur, puis à identifier les véritables goulots d'étranglement. Une fois la production de code optimisée, la compétitivité d'une organisation dépendra de sa capacité à générer et implémenter des idées innovantes plus rapidement. Les entreprises qui réussiront à allier contrôle financier et liberté expérimentale seront les mieux positionnées pour transformer l'essai de l'intelligence artificielle en avantage structurel durable.