Retour à la liste
  • IA & Automatisation

Quand l'IA coûte presque rien, quel est le rôle d'une agence IA ?

Le prix d'un modèle d'IA a été divisé par mille en trois ans. Le rôle d'une agence IA a changé de nature, entre choix d'outils et vérification.

Écrit parMaximilien Grolier · Founder & CEO
Publié le
Lecture
20 min
Main qui tape sur le clavier d'un ordinateur portable affichant une courbe de données
Sommaire · 9
  1. 01Points clés
  2. 02Kretz Club, 2025 : le vrai problème n'était pas l'intelligence artificielle
  3. 03Le prix d'un modèle d'IA s'est-il vraiment effondré ?
  4. 04À quoi sert une agence IA quand le modèle ne coûte presque plus rien ?
  5. 05Choisir le bon outil ne va pas de soi
  6. 06L'intégration est-elle le vrai goulot d'étranglement de l'IA en entreprise ?
  7. 07Faire tourner son propre modèle coûte plus cher qu'il n'y paraît
  8. 08Pourquoi une agence IA garde-t-elle un rôle, même quand le modèle ne coûte presque plus rien ?
  9. 09À lire ensuite

En 2025, l'équipe de Kretz Club triait encore à la main des milliers d'emails entrants, chacun relevant d'une situation différente mais traité au même rythme fatigant. Nous avons branché Claude sur ce flux pour classer chaque email dans l'une d'une quarantaine de situations types repérées à l'avance. Le modèle qui fait ce tri ne coûte presque rien à faire tourner. Le travail qui a permis de savoir quoi lui faire trier, et de vérifier qu'il trie juste, lui, n'avait rien à voir avec le prix du modèle. C'est précisément la question que pose ce titre : si l'IA elle-même ne coûte quasiment plus rien, quel est encore le rôle d'une agence IA ? Notre réponse, après avoir repris ce compte en 2025 : le rôle n'a pas disparu, il a changé de nature.

Points clés

  • Le prix d'un modèle d'IA a été divisé par environ mille en trois ans (a16z, 2024) : ce n'est plus le modèle qui coûte cher, et ce n'est plus là que se joue la valeur d'une agence IA.
  • Sur le compte Kretz Club, remis à plat par notre équipe en 2025, Claude classe désormais des milliers d'emails entrants dans une quarantaine de situations types repérées à l'avance : la valeur n'est pas venue d'un modèle plus intelligent, mais du travail fait en amont pour définir ces situations et vérifier le tri.
  • Nous ne conseillerions pas à une petite structure française de faire tourner son propre modèle plutôt que de payer un accès API : l'écart de coût ne s'inverse qu'à des volumes qu'une PME atteint rarement.

Kretz Club, 2025 : le vrai problème n'était pas l'intelligence artificielle

Kretz Club est le premier club d'investissement dédié à l'immobilier de prestige, lancé en octobre 2024 par Martin et Valentin Kretz, cofondateurs de l'agence Kretz, et Alexandre Bruneau, PDG du groupe Kretz Real Estate. Le modèle : une adhésion annuelle, des membres sélectionnés sur entretien, et un accès à un flux d'opérations immobilières via une plateforme de crowdfunding agréée, aux côtés d'un réseau et d'événements.

Nous avons repris ce compte en 2025, à la succession d'une agence parisienne. Le mandat n'était pas de livrer un site, mais de construire et de faire tourner l'infrastructure marketing, vente et opérations du club. Trois personnes de notre équipe y travaillent à temps plein depuis, sur le périmètre technique et produit.

La pile de départ tenait sur un HubSpot cher et rigide, des automatisations Zapier éparpillées, et une séquence d'accueil sans appel à l'action avant le huitième jour. L'acquisition, elle, était payante et massive, pilotée par Meta Ads et Google Ads : chaque rendez-vous manqué coûtait réellement de l'argent, et chaque membre perdu encore plus.

Nous avons entièrement reconstruit cette séquence d'accueil : plus de trente emails, avec un appel à réserver un rendez-vous dès le premier message plutôt qu'au huitième jour, complétés par des séquences de réactivation pour les inscriptions dormantes et des campagnes SMS automatisées. Rien dans cette reconstruction n'a demandé un modèle plus intelligent : il a fallu décider quel email part à quel moment, et pour qui.

Équipe de professionnels réunie autour d'une table avec des ordinateurs portables
Photo : Christina Morillo via Pexels

L'épisode le plus instructif ne vient pas d'un modèle d'IA plus intelligent. Avant de brancher quoi que ce soit, il a fallu lire des milliers d'emails entrants pour repérer qu'ils se classaient en réalité dans une quarantaine de situations types récurrentes (demande d'information, relance de paiement, désistement, question sur un bien précis) et documenter chacune. Claude s'occupe aujourd'hui de ce tri en continu, mais rien de tout ça n'aurait fonctionné si personne n'avait fait, en amont, le travail de catégorisation que le modèle applique ensuite. Le même principe a joué sur la qualification des leads : un montage sans filtre a un temps fait grimper le nombre de rendez-vous, mais fait perdre une partie significative des adhésions correspondantes, et nous avons arrêté le montage pour revenir à un formulaire Typeform noté par un score de qualification qui alimente aujourd'hui le partage haut potentiel ou bas potentiel dans Brevo.

La même logique a joué sur un problème voisin, celui des rendez-vous commerciaux manqués. Un simple appel de confirmation avant la première rencontre fait reculer les absences d'environ dix points, et un rendez-vous sur le point d'être manqué peut encore être rattrapé dans les quarante-cinq premières minutes, un rapport quotidien remis au closeur le montre chaque jour. Le réglage de cette relance tourne aujourd'hui dans Brevo, à travers cinq listes auto-entretenues, avec des règles précises sur qui relance qui et quand. Résultat mesuré : un taux d'absence de 12,3 % sur les rendez-vous réglés en interne, contre 35,3 % sur les rendez-vous entrants directs. Là encore, aucun modèle n'a eu besoin d'être plus puissant : il a fallu comprendre où se perdait le rendez-vous, choisir la bonne mécanique de relance, puis mesurer l'écart avant et après pour savoir si elle marchait.

C'est ce travail-là, comprendre le problème réel derrière la demande, choisir l'outil qui lui correspond, puis vérifier ce que le changement produit vraiment, que nous retrouvons sous une autre forme derrière la question posée par cet article.

Le prix d'un modèle d'IA s'est-il vraiment effondré ?

Oui, et la chute est vérifiée, pas anecdotique. Andreessen Horowitz a comparé, en 2024, le prix d'un modèle de la classe GPT-3 à capacité équivalente, mesurée sur le benchmark MMLU : 60 dollars pour un million de jetons en novembre 2021, 0,06 dollar pour la même capacité trois ans plus tard, soit un rapport de mille (a16z, 2024). Epoch AI, dans son rapport de septembre 2026, mesure la même tendance autrement, en suivant le coût réel pour atteindre un niveau de performance donné plutôt que le prix catalogue : une baisse d'environ 47 % par trimestre depuis 2023, et des écarts allant de 9 à 900 fois par an selon la tâche mesurée, d'après une analyse antérieure d'Epoch AI datée de mars 2025.

Prix d'un million de jetons IA, à capacité équivalente
Chart : TechFlow Agency. Données : a16z, 2024 (GPT-3, capacité MMLU équivalente)

Cinq forces expliquent cette chute, selon Epoch AI : la baisse du coût des GPU à l'opération, la quantification des modèles, l'optimisation logicielle et mémoire, des modèles plus petits entraînés plus efficacement, et la concurrence des modèles ouverts qui force les laboratoires fermés à baisser leurs prix. Aucune de ces cinq forces ne concerne la compréhension d'un problème métier précis, l'intégration dans un flux de travail existant ni la vérification du résultat : c'est tout l'objet du reste de cet article.

Une nuance à garder en tête : Epoch AI suit aussi, séparément, le coût pour entraîner le modèle qui occupe la première place du classement, et celui-là continue au contraire de grimper, d'environ 2,8 à 4,4 fois par an depuis 2020, parce que rester à la frontière coûte plus cher à produire à chaque génération, même quand le prix à l'usage du modèle, une fois sorti, baisse. Moins cher à utiliser et plus cher à produire ne suivent pas la même courbe, et c'est tout l'écart entre le laboratoire qui entraîne le modèle et l'entreprise qui l'utilise ensuite.

Concrètement, pour une tâche de classification comme celle que Claude exécute sur Kretz Club : à titre d'ordre de grandeur, trier mille emails de ce type consomme environ cinq cent mille jetons. Au tarif de 60 dollars le million de jetons de novembre 2021, cela aurait coûté environ 30 dollars. Au tarif de 0,06 dollar le million trois ans plus tard, la même tâche revient à environ 3 centimes. Ce n'est pas un chiffre facturé sur ce compte précis, nous ne publions pas le détail de sa consommation de jetons, seulement un ordre de grandeur qui montre pourquoi le prix du modèle a cessé d'être la variable qui décide si un projet d'IA réussit ou échoue.

À quoi sert une agence IA quand le modèle ne coûte presque plus rien ?

Elle sert à faire le travail que le prix du modèle ne fait pas à sa place : comprendre le problème du client, choisir l'outil qui lui correspond, l'intégrer dans un flux de travail qui existe déjà, puis vérifier ce que le résultat produit vraiment. Notre fondateur, Maximilien Grolier, l'a formulé ainsi sur LinkedIn le 5 novembre 2026 : des modèles moins chers changent ce qu'une équipe ose déléguer, mais la valeur d'une agence se trouve ailleurs, dans la capacité à lire le vrai problème, choisir le bon outil, l'intégrer dans le travail quotidien, puis vérifier ce qui en sort.

Il rapproche ce rôle de celui d'ingénieur déployé chez le client, le « forward deployed engineer », un terme popularisé par Palantir dès 2009 pour désigner un ingénieur qui s'installe dans l'organisation du client, écrit du code en production avec son équipe, et reste responsable du résultat technique plutôt que de livrer un produit de loin. En 2026, Anthropic, OpenAI, AWS, Microsoft et Google Cloud ont chacun monté leur propre division d'ingénierie déployée sur ce modèle. Les offres d'emploi pour ce poste ont nettement augmenté entre 2024 et 2025, et la tendance s'est poursuivie en 2026, signe que les grands éditeurs de modèles eux-mêmes ont besoin de quelqu'un sur place pour faire le pont entre leur produit et le métier du client. Nous ne portons pas ce titre en interne, mais c'est la description la plus proche de ce que fait notre équipe sur un compte comme Kretz Club.

C'est aussi une position que nous assumons sur le reste de notre activité : chez TechFlow, l'outil suit le besoin, jamais l'inverse, et notre orchestration IA reste indépendante du modèle, via OpenRouter, pour que passer de Claude à GPT, Mistral ou Llama ne touche jamais les automatisations déjà construites. Nous pensons que le métier d'agence a cessé d'être une course à qui produit un brouillon le plus vite à peu près au moment où le prix des jetons s'est mis à chuter de dix fois par an. Le marché s'en aperçoit seulement maintenant parce que la baisse de prix est devenue assez spectaculaire pour poser la question tout haut.

Concrètement, ce travail suit le même squelette en quatre étapes sur chaque mandat IA que nous prenons, quelle que soit la taille du client : un audit gratuit pour cartographier le processus réel, un plan d'action chiffré avant tout engagement, le déploiement des premiers agents, puis une amélioration continue mensuelle avec un rapport de performance. Aucune de ces quatre étapes ne dépend du prix du modèle choisi. Elles dépendent de la rigueur avec laquelle on les mène, et c'est précisément ce qui explique pourquoi deux entreprises qui paient le même prix pour le même modèle obtiennent des résultats aussi différents.

Notre position, assumée sur chaque mandat IA que nous prenons : un agent doit reprendre les tâches répétitives et chronophages, relances, tri des demandes, qualification de premier niveau, pas les décisions qui engagent la relation client ou la stratégie de l'entreprise. Il libère du temps pour le travail qui demande un jugement humain, il ne le remplace pas. C'est pour ça qu'on ne peut pas répondre à la question de ce titre en ne regardant que le prix du modèle : le prix nous dit combien coûte la partie que l'agent exécute, pas qui décide que l'agent a raison de l'exécuter ainsi.

Choisir le bon outil ne va pas de soi

Le bon outil dépend du problème qu'on cherche à résoudre, jamais l'inverse. C'est une position que nous assumons sur l'ensemble de notre activité, pas seulement en IA. Les chiffres sur l'adoption de l'IA par les PME françaises montrent ce qui se passe quand ce principe n'est pas respecté : d'après l'étude que Bpifrance Le Lab a consacrée en janvier 2026 à l'IA dans les PME et ETI françaises, plus de la moitié des entreprises déjà utilisatrices (54 %) se contentent d'une application grand public, sans jamais y brancher leurs propres données métier, et 43 % n'exploitent toujours pas ces données pour piloter leur activité au quotidien. Une application grand public n'offre aucune garantie : ni sur la destination des informations qu'on lui confie, ni sur sa disponibilité dans six mois, ni sur la pérennité de tout ce qu'on aura fini par bâtir autour d'elle.

Le même principe a guidé un choix qui n'a rien à voir avec un modèle de langage, toujours sur Kretz Club : l'application membre du club, Kretz Connect, avec son répertoire de plus de 900 profils et son moteur de mise en relation pour les présentations entre membres. Aucune intelligence artificielle n'intervient dans ce moteur. La bonne réponse à « comment mettre en relation les bons membres » n'était pas un modèle plus gros, mais un outil de matching construit pour ce besoin précis. C'est le même raisonnement que nous appliquons avant de proposer un agent IA : commencer par la question, pas par la technologie qui fait le plus de bruit cette année. Sur ce même compte, le taux de renouvellement d'adhésion est multiplié par 3,4 chez les membres qui assistent à un événement, une donnée qui n'a rien à voir avec un modèle d'IA et qui rappelle qu'une partie de la fidélisation reste, par nature, humaine.

Page d'accueil d'OpenRouter listant des modèles de langage de plusieurs fournisseurs
La page d'accueil d'OpenRouter, la couche de routage que nous utilisons pour garder nos workflows indépendants d'un seul modèle. Capture d'écran : openrouter.ai

Ce mauvais calage a un coût qu'on retrouve aussi dans les grands chiffres sur l'échec des projets, pas seulement sur le terrain que nous observons chez nos clients. Le MIT a publié en juillet 2025 un rapport de son initiative Project NANDA, construit à partir de l'observation de 300 déploiements réels d'intelligence artificielle générative et d'un sondage auprès de 153 dirigeants d'entreprise : neuf projets pilotes sur dix (95 % très précisément) ne laissent aucune trace mesurable sur le résultat financier de l'entreprise qui les a lancés. La cause que le rapport met en avant n'est presque jamais la faiblesse du modèle choisi : ce sont des flux de travail cassants et des outils mal raccordés à la façon dont l'entreprise fonctionne vraiment au quotidien.

Nous ne construisons jamais un agent avant d'avoir cartographié le processus réel du client, exactement ce que nous avons dû faire sur Kretz Club avant de toucher au formulaire Typeform. C'est aussi pour cette raison que nous passons par OpenRouter plutôt que par un seul fournisseur : choisir un modèle devient une décision réversible, pas un pari figé pour les trois prochaines années.

Ce choix d'outil se range, chez nous, dans l'un de trois niveaux de maturité, du plus simple au plus engageant : des compétences ponctuelles confiées à un assistant déjà disponible pour une tâche isolée, des agents autonomes construits sur mesure pour un processus précis, puis une infrastructure dite harnais ou souveraine, une pile d'agents propre au client, hébergée sur ses propres serveurs. Nous ne recommandons ce dernier niveau qu'à des secteurs précis, immobilier, finance, droit, conseil, recrutement, quand une vraie contrainte le justifie, jamais par défaut. La quasi-totalité des PME françaises que nous rencontrons se situe encore au premier ou au deuxième niveau, et c'est précisément le problème que pose la question de ce titre : rien, dans un prix de modèle divisé par mille, ne dit à un dirigeant à quel niveau se situe son propre besoin.

L'intégration est-elle le vrai goulot d'étranglement de l'IA en entreprise ?

Oui, et c'est un constat de terrain, pas une opinion de principe. Maximilien Grolier l'a posé sur LinkedIn le 30 septembre 2026 : le progrès des agents IA se joue dans l'interface et l'intégration, pas dans la puissance du modèle, parce que le vrai problème est la friction entre l'humain et l'agent, trop d'allers-retours, du contexte perdu, trop de fenêtres ouvertes en même temps. Les agents les mieux intégrés gagnent, pas les plus intelligents.

Les chiffres sur les projets d'agents autonomes vont dans le même sens. Gartner prévoyait, en juin 2025, que plus de 40 % des projets d'IA agentique seraient abandonnés d'ici fin 2027, pour des raisons de coûts qui dérapent, de valeur business floue et de contrôles de risque insuffisants, pas de modèle sous-performant. Le cabinet estime par ailleurs qu'environ 130 éditeurs seulement, sur les milliers qui s'en réclament, proposent une réelle autonomie plutôt qu'un chatbot ou un outil d'automatisation simplement rebaptisé, ce que Gartner appelle l'agent washing.

McKinsey ajoute la dimension de taille dans son enquête « State of AI 2026 », menée entre mai et juin 2026 auprès de 1 719 répondants dans 97 pays : les grandes entreprises ont fait passer la part de fonctions où elles déploient des agents IA de 27 à 40 % d'une année sur l'autre, pendant que les organisations plus petites restaient bloquées à 22 %, sans progression. Ce n'est pas une question de modèle plus intelligent dans les grands comptes : c'est une question de gouvernance, d'accès aux données et de structures de validation déjà en place.

Côté France spécifiquement, la Banque de France, qui a interrogé environ 7 000 entreprises de 20 salariés ou plus entre fin février et début avril 2026, trouve que 67 % d'entre elles déclarent utiliser l'IA générative, le plus souvent à titre expérimental ou limité, mais seulement 31 % rapportent un gain de productivité concret à ce stade. L'écart entre ces deux chiffres, 67 % qui utilisent et 31 % qui en tirent vraiment profit, est exactement le trou que l'intégration et la vérification sont censées combler.

Ce chiffre a aussi une traduction commerciale directe. Nous structurons nos mandats IA de trois façons selon ce que le client sait déjà de son besoin : un prix fixe par projet quand le périmètre est clair, un prix fixe pour une première version suivi d'une équipe dédiée mensuelle quand l'intégration doit continuer après le lancement, ou un engagement aux résultats quand le client préfère payer la performance plutôt que le temps passé. Le choix du modèle de collaboration compte souvent plus, pour la réussite d'un projet, que le choix du modèle d'IA lui-même : un client qui ne sait pas encore quel problème il veut résoudre a besoin d'un audit avant d'avoir besoin d'un agent, quel que soit le prix du jeton ce mois-là.

Sur Kretz Club, cette gouvernance n'est pas un vœu pieux, elle tient dans deux habitudes très concrètes. La première : chaque appel commercial passé par les lignes téléphoniques de l'équipe est enregistré via Allo, transcrit, puis noté sur dix par Claude selon une grille précise, et le résultat part dans une base Notion consultée par l'équipe commerciale, pas dans un rapport qui dort dans un dossier partagé. La seconde : l'analyse de plusieurs centaines d'appels, soit près de 75 heures d'audio, a produit un argumentaire de vente mesuré plutôt que supposé, avec des arguments dont l'impact a été chiffré précisément, respectivement +24 %, +13 % et +10 % sur le taux de conclusion selon l'argument utilisé. C'est exactement le type de structure de validation que McKinsey associe aux grandes entreprises qui réussissent à faire grandir leurs agents IA, construite ici pour un client de la taille d'une PME, pas d'un grand groupe.

Faire tourner son propre modèle coûte plus cher qu'il n'y paraît

Pour la quasi-totalité des PME françaises, oui, plus cher que l'accès API, même si la facture d'API semble le poste qu'on veut économiser. C'est la partie du message de Maximilien Grolier du 5 novembre 2026 qu'on retient le moins dans l'enthousiasme pour l'IA moins chère : faire tourner son propre modèle coûte de l'argent et demande des compétences, et le fait que l'API soit devenue bon marché ne veut pas dire que l'auto-hébergement l'est davantage.

Un comparatif publié en 2026 par Braincuber, à titre illustratif et non comme un devis, chiffre un volume d'usage modeste, à savoir 100 millions de jetons en entrée et 20 millions en sortie chaque mois, à environ 180 dollars via une API, contre environ 2 360 dollars pour faire tourner soi-même un modèle ouvert équivalent sur une instance d'inférence louée, une fois comptés le temps d'ingénierie, le stockage, le réseau et la supervision : à peu près treize fois la facture d'API pour le même service rendu. Le même comparatif insiste sur un point qu'on vérifie avec chaque client avant de recommander quoi que ce soit : il n'existe aucun seuil universel, du type « 500 millions de jetons par mois », qu'on pourrait appliquer d'un dossier à l'autre. Le seuil de rentabilité dépend du tarif exact du fournisseur retenu, de la qualité de modèle visée et du coût d'ingénierie réel, pas d'un ratio copié d'un autre comparatif. Pour le mix d'usage pris en exemple ci-dessus, Braincuber le situe autour de 1,3 milliard de jetons en entrée chaque mois, soit treize fois le volume de départ, un ordre de grandeur que la quasi-totalité des PME françaises n'atteint jamais sur un seul cas d'usage.

Sans viser un chiffre précis pour un dossier réel, regardons ce que ça donne pour une agence de recrutement francilienne d'une poignée de salariés, un secteur que nous citions plus haut parmi ceux où un agent IA a vraiment sa place, qui voudrait automatiser le tri des candidatures entrantes et la relance des candidats silencieux. Son volume mensuel, même en poussant fort sur l'automatisation, se compte en dizaines de millions de jetons, loin du milliard et plus où l'auto-hébergement commence seulement à rivaliser avec une API. Elle paierait donc son accès au modèle une fraction de ce que coûterait un profil capable de faire tourner et de sécuriser un serveur d'inférence, et elle n'aurait toujours pas réglé la question qui compte vraiment : qui, dans l'équipe, relit ce que le modèle écrit avant qu'un candidat ne le reçoive. Le budget libéré en évitant l'auto-hébergement sert précisément à payer cette relecture, pas à la remplacer.

Nous ne conseillerions donc jamais à une petite structure de copier l'infrastructure d'une grande entreprise pour économiser sur des jetons : mieux vaut regarder quelle tâche bloque réellement le projet que la vitesse à laquelle un modèle tourne derrière un pare-feu. C'est un calcul que nous refaisons avec chaque client avant de recommander quoi que ce soit, pas un principe théorique : sur Kretz Club comme ailleurs, l'infrastructure la plus chère n'est jamais celle qu'on loue à l'heure, c'est celle que personne ne sait plus faire évoluer au bout de six mois.

Ce n'est pas un principe absolu pour autant. Quand un client a une vraie raison d'héberger son propre modèle, une contrainte réglementaire sur la localisation des données, par exemple, ou un volume qui dépasse réellement le seuil calculé plus haut, nous construisons une infrastructure souveraine : une pile d'agents propre au client, au cœur open source et sans frais de licence, hébergée sur ses propres serveurs. C'est le troisième niveau de maturité décrit plus haut, et nous ne le proposons que quand la raison est réelle, jamais par défaut : le proposer à une PME qui n'a pas ce besoin reviendrait à lui vendre une solution à un problème qu'elle n'a pas.

Pourquoi une agence IA garde-t-elle un rôle, même quand le modèle ne coûte presque plus rien ?

Parce que trois séries de données, mises bout à bout, racontent la même histoire : la baisse de prix a eu lieu, mais elle ne s'est pas traduite par plus de projets qui réussissent. Le prix d'un modèle a été divisé par mille en trois ans (a16z, 2024). Les projets qui s'arrêtent là échouent quand même : 95 % des pilotes d'IA générative ne produisent aucun impact financier mesurable (MIT, 2025), et plus de 40 % des projets d'IA agentique devraient être abandonnés d'ici fin 2027 (Gartner, 2025). En France spécifiquement, 67 % des entreprises interrogées par la Banque de France utilisent déjà l'IA générative, mais seulement 31 % en tirent un gain de productivité concret (Banque de France, 2026). Aucun contenu que nous avons trouvé sur le rôle d'une agence IA ne met ces trois séries côte à côte : la baisse du prix du modèle, le taux d'échec des projets qui s'arrêtent au modèle, et l'écart français entre usage déclaré et gain réel.

Sur Kretz Club, ce travail de vérification tourne en production, pas sur une diapositive : nos agents de type harnais analysent les appels commerciaux avec Claude, classent des milliers d'emails entrants dans une quarantaine de situations types, et proposent des changements de site ou de tunnel, par exemple une réécriture de la FAQ ou d'une page de contenu, après avoir lu Search Console, GA4, Contentsquare, Hotjar, Webflow et les journaux techniques du site, qu'un humain valide avant toute mise en ligne, dans un carnet partagé qui compte aujourd'hui 147 notes. Plus de 170 workflows n8n tournent derrière ce compte, connectant Brevo, Stripe, Calendly, Typeform, Allo, WhatsApp, Notion et l'application interne du club. C'est le modèle qui fait le premier passage, c'est une personne qui connaît le compte qui décide ce qui part en production.

Rien de tout ça n'aurait changé si le prix des jetons était resté à 60 dollars le million au lieu de tomber à six centimes. La migration d'un HubSpot rigide vers Brevo, la refonte du formulaire Typeform en cinq versions, la relance qui évite un rendez-vous manqué dans les quarante-cinq premières minutes : aucune de ces décisions n'a attendu que l'IA devienne bon marché pour être la bonne décision. Ce que la baisse de prix a changé, c'est le coût d'essayer, pas le besoin de quelqu'un qui sache quoi essayer et pourquoi.

Notre verdict : le prix du modèle a cessé d'être le bon indicateur pour juger si une agence IA sert encore à quelque chose. La question qui compte est de savoir qui, dans votre organisation, comprend le problème assez bien pour choisir le bon outil, l'intégrer dans ce qui existe déjà, et vérifier ce qu'il produit avant qu'un client ne le voie. Si la réponse est « personne pour l'instant », c'est là, et pas sur le prix du modèle, que commence la prochaine conversation.

Vous préférez échanger directement ? Écrivez à notre fondateur sur Telegram (@maxgrolier), ou prenez rendez-vous avec l'équipe.

À lire ensuite

  • Agent IA en entreprise : ce qui est réel en France aujourd'hui, et ce qui relève encore du mythe.
  • L'automatisation IA bricolée : le seuil invisible où elle coûte plus cher qu'une agence.
  • Choisir une agence IA : les 9 questions qui séparent un vrai partenaire d'un revendeur d'API.

Besoin que ce travail de choix et de vérification soit fait pour vous ? Nous construisons et faisons tourner des agents IA et de l'automatisation pour des entreprises françaises, depuis notre équipe de Phnom Penh et notre bureau de Paris. Découvrez nos agents IA.

Partager

Écrit par

Maximilien Grolier

Founder & CEO

LinkedIn ↗

Un projet en tête ?

Gratuit · Sans engagement · 30 minutes