Publié le 29 août 2026 à 07:00 · Publication originale
Un mois plus tard, il a déjà tenu 2,3 millions de conversations.
Klarna mesure alors précisément ce qui vient de se produire. L'assistant prend en charge les deux tiers des échanges du service client dans 23 pays et communique dans plus de 35 langues.
Une demande nécessitait auparavant 11 minutes. Elle est désormais résolue en moins de 2. Les demandes répétées diminuent de 25%. Selon Klarna, la satisfaction reste comparable à celle obtenue avec les agents humains.
Puis apparaît le chiffre qui intéresse les économistes du travail: l'activité réalisée correspond à celle d'environ 700 agents à temps plein.
Pour comprendre ce nombre, il faut regarder ce que l'entreprise achète désormais.
Lorsqu'un client écrit, son texte est découpé en petites unités appelées tokens. Le modèle reçoit ces unités, effectue ses calculs, puis produit d'autres tokens. À très grande échelle, des millions de conversations deviennent ainsi des milliards d'unités de calcul consommées dans des centres de données.
Stanford a suivi le prix de cette nouvelle capacité.
En novembre 2022, utiliser un modèle atteignant les performances de GPT-3.5 coûtait environ 20 dollars par million de tokens. En octobre 2024, une performance comparable pouvait être obtenue pour 0,07 dollar.
Plus de 280 fois moins.
La taille nécessaire diminue également. En 2022, il fallait un modèle de 540 milliards de paramètres pour dépasser 60% au test MMLU. En 2024, Phi-3-mini y parvenait avec 3,8 milliards.
142 fois moins.
C'est notamment ce qui rend intéressants les SLM, Small Language Models. Au lieu de mobiliser un immense modèle généraliste pour chaque opération, une entreprise peut réserver des modèles plus petits à des tâches étroites et répétitives, puis appeler un LLM lorsqu'un problème exige davantage de capacités.
Cloud, LLM, SLM, agents et tokens commencent alors à former une infrastructure de production.
Klarna estimait que son assistant améliorerait son résultat 2024 de 40 millions de dollars.
Voilà une autre manière de comprendre les centaines de milliers, parfois les millions, investis aujourd'hui dans l'IA.
Une entreprise n'achète pas seulement un logiciel.
Elle construit une capacité permettant à son activité d'augmenter sans que ses effectifs augmentent nécessairement au même rythme.
La prochaine fois qu'une entreprise annoncera un investissement massif dans l'IA, regardez son chiffre d'affaires trois ans plus tard.
Puis regardez si ses effectifs ont grandi à la même vitesse.
MERCURIO
Nous avons longtemps mesuré la puissance d'une entreprise au nombre de personnes qu'elle pouvait réunir. Nous pourrions bientôt la mesurer aussi au travail qu'elle peut produire sans les recruter.
Sources
Klarna/OpenAI
Stanford AI Index 2025
Microsoft Research
#VOCEASSOCIATION #Economie #Entreprise #IntelligenceArtificielle #Emploi #FutureDuTravail