Lorsque le modèle s'installe en interne, la mémoire doit vous appartenir.

Une nouvelle administratrice indépendante pose une question raisonnable lors de son deuxième conseil d'administration : pourquoi avons-nous approuvé la hausse de prix de l'année dernière ? Le président se souvient de la réunion. Le directeur financier se souvient de la feuille de calcul. L'analyse qui a tranché la question se trouvait dans une longue conversation avec un assistant IA, dans un compte appartenant à un responsable qui a depuis quitté l'entreprise.

Personne n'a rien fait de mal. L'entreprise conservait simplement sa réflexion dans un lieu qui ne lui appartenait pas.

Cela a été tolérable tant que chaque équipe utilisait les mêmes un ou deux outils d'IA hébergés. Cela ne le restera pas à mesure que le coût de l'IA évolue, et ce coût se dirige dans une direction que la plupart des conseils n'ont pas anticipée.

Les jetons deviennent moins chers. La facture, elle, ne l'est pas.

Le prix d'un jeton pour un niveau de capacité donné continue de baisser. Des chercheurs du MIT FutureTech ont constaté que le prix pour atteindre un niveau fixe de performance de référence diminue d'environ cinq à dix fois par an.

Le même article a constaté que le coût d'exploitation des modèles de pointe augmente de trois à dix-huit fois par an, car les modèles les plus récents sont plus grands et raisonnent plus longuement avant de répondre. L'indice BenchLM, qui suit les prix publiés des API, situe son niveau de pointe à 72 % de plus qu'un an auparavant, tandis que son niveau intermédiaire a chuté de 44,5 % sur la même période.

Les agents élargissent cet écart. Gartner estime qu'une tâche agentique utilise cinq à trente fois plus de jetons qu'un échange standard avec un chatbot, et prévoit que les coûts d'inférence par flux de travail agentique augmenteront de plus de cinq fois d'ici 2028. Le conseil de son analyste aux responsables produit est clair : ne comptez pas sur une meilleure économie des jetons pour compenser les coûts de l'IA.

Ainsi, les jetons deviennent moins chers, et pourtant la facture continue d'augmenter, car le travail qu'une organisation demande à l'IA croît plus vite que le prix ne baisse.

Vers où cela pousse les entreprises

La réponse raisonnable est celle que de nombreux directeurs financiers adoptent déjà : ne confier aux modèles de pointe que le travail qui l'exige, et faire tourner le volume courant sur des modèles plus petits, souvent à poids ouverts, hébergés en privé ou sur le matériel propre de l'entreprise. Gartner appelle le résultat des « écosystèmes multimodèles complexes ». En pratique, cela signifie que, dans un an ou deux, l'IA utilisée par votre entreprise sera composée de plusieurs modèles à la fois, changeant tous les quelques mois à mesure que les prix et les capacités évoluent.

C'est une décision de coût raisonnable qui a une conséquence délicate.

Un petit modèle local ne sait rien de votre entreprise. Il n'a pas lu vos documents du conseil, il n'était pas présent lors de la décision de tarification de l'année dernière, et sa mémoire de travail est courte. Tout ce qu'il doit savoir, quelque chose doit le lui transmettre. Il en va de même pour le modèle de pointe que vous louez pour les questions difficiles, et pour le modèle qui remplacera les deux au printemps prochain.

La mémoire devient l'élément qui doit rester en place

Quand le modèle change tous les trimestres, la mémoire de l'organisation ne peut vivre à l'intérieur de l'un d'eux, ni dans l'historique de conversation d'un seul fournisseur. Elle doit se trouver dans un lieu que l'entreprise possède, sous une forme que n'importe quel modèle peut lire.

C'est pourquoi la mémoire organisationnelle passe du statut de bonne idée à celui d'exigence incontournable. C'est le seul élément du système qui doit survivre au modèle.

Elle doit aussi être du bon type de mémoire. Un amas de toutes les transcriptions et de toutes les productions des agents n'est pas une mémoire ; c'est une version plus grande du problème. Pour un conseil d'administration, une mémoire utile possède quatre propriétés :

• Une personne l'a confirmée. Le brouillon d'un agent reste un brouillon jusqu'à ce que quelqu'un qui ne l'a pas rédigé déclare qu'il est correct.
• Elle renvoie à sa source. Une réponse concernant la hausse de prix de l'année dernière devrait revenir accompagnée du document et du procès-verbal sur lesquels elle repose.
• C'est l'organisation qui la détient, et non les données d'entraînement d'un modèle ni le compte d'un ancien employé.
• N'importe quel modèle peut la lire, grâce à une norme ouverte telle que le Model Context Protocol, afin que changer de modèle ne signifie pas reconstruire ce que vous savez.

Ce qu'un conseil peut demander dès maintenant

Trois questions méritent quelques minutes lors de la prochaine réunion.

Où se trouve le raisonnement derrière nos trois dernières décisions majeures, et qui pourrait le retrouver si la personne qui a fait ce travail partait demain ?

Si nous changions de fournisseur d'IA le trimestre prochain, que perdrions-nous ?

Quand un agent ajoute quelque chose à notre registre, qui le confirme avant que nous nous y fiions ?

Si les réponses sont inconfortables, la solution n'exige pas un nouvel outil d'IA. Elle exige un lieu pour la mémoire, et une règle selon laquelle une personne confirme ce qui y entre.

C'est le problème que nous avons conçu Boardverse pour résoudre : votre équipe conserve l'IA qu'elle utilise déjà, et le registre confirmé reste au sein de l'entreprise, lisible par n'importe quel modèle que vous choisirez ensuite.

Sources : Gundlach, Lynch, Mertens et Thompson, MIT FutureTech, The Price of Progress. BenchLM Token Price Index, octobre 2026. Gartner, 25 mars 2026 et 17 août 2026.