La tarification de Salesforce AI rompt avec la promesse du SaaS par utilisateur

La tarification de Salesforce AI mesure désormais les actions, les conversations ou les utilisateurs, révélant un conflit que les abonnements logiciels prévisibles masquaient autrefois. Les agents IA peuvent effectuer du travail sans augmenter les effectifs, tandis que chaque appel de modèle génère un coût informatique variable. Cette combinaison fragilise le lien entre les effectifs du client, la valeur du logiciel et les revenus de l’éditeur.

Ce changement est important, car les abonnements par utilisateur procuraient aux éditeurs de logiciels des revenus récurrents particulièrement visibles. Les clients pouvaient prévoir leurs dépenses à partir du nombre d’employés, tandis que les investisseurs pouvaient modéliser les renouvellements et l’expansion. Les agents IA perturbent ces deux calculs en augmentant l’activité utile tout en pouvant réduire le nombre d’utilisateurs humains.

Salesforce n’abandonne pas les abonnements, et le secteur du logiciel en tant que service ne disparaît pas. À la place, Salesforce, Microsoft, HubSpot, Intercom et d’autres éditeurs testent simultanément plusieurs unités de facturation. Le marché qui en résulte est moins prévisible, même lorsque le logiciel accomplit davantage de travail.

La tarification de Salesforce AI suit désormais le travail effectué

La tarification de Salesforce AI ne suppose plus qu’un utilisateur humain représente l’unité la plus claire de la valeur logicielle.

L’entreprise propose actuellement des options fondées sur la consommation parallèlement à des licences par utilisateur pour Agentforce. Son système de consommation utilise les Flex Credits, qui convertissent différents prompts et actions d’agents en une unité de facturation commune. Des formules fondées sur les conversations restent disponibles pour certains cas d’usage orientés client.

Salesforce explique qu’un agent autonome peut raisonner, appeler des outils, mettre à jour des enregistrements et exécuter des flux de travail en plusieurs étapes. Chaque opération peut générer une action facturable dans le cadre de son modèle Flex Credits. Des fonctions intégrées plus simples, telles que la rédaction ou la synthèse, peuvent au contraire être mesurées par les prompts.

Cette structure reflète un problème concret. Un agent de service client peut authentifier un acheteur, récupérer une commande, vérifier les données d’exécution et préparer une réponse. Une conversation visible peut donc contenir plusieurs actions, chacune ayant des besoins d’infrastructure différents.

Une licence par utilisateur compresse ces différences en un seul montant récurrent. Cela fonctionne lorsque les employés restent les principaux opérateurs et que les coûts logiciels évoluent lentement. Cela devient plus difficile lorsque des systèmes autonomes peuvent fonctionner en continu, se ramifier en étapes supplémentaires et appeler plusieurs modèles.

Salesforce n’a pas retenu un remplacement universel unique de la tarification par utilisateur. L’entreprise propose différentes unités, car l’assistance aux employés, le support client et l’exécution autonome créent des relations différentes entre activité et valeur. Cette variété témoigne d’une transition encore instable, et non d’une formule tarifaire achevée.

L’entreprise fournit également un portefeuille numérique pour suivre la consommation. Les clients peuvent surveiller l’utilisation des crédits, examiner les tendances et configurer des alertes avant que l’activité ne dépasse les attentes. Ces contrôles reconnaissent que la facturation variable exige davantage d’attention opérationnelle qu’un nombre fixe d’utilisateurs.

L’IA modifie aussi la structure des coûts. Les éditeurs SaaS traditionnels servent généralement un utilisateur supplémentaire avec une dépense d’infrastructure marginale relativement faible. L’IA générative introduit des coûts d’inférence chaque fois qu’un modèle traite du contexte, génère une réponse ou sélectionne un autre outil.

Un agent peut répéter ces opérations de nombreuses fois pour traiter une seule demande. Le fournisseur de logiciels doit soit absorber cette dépense variable, soit en répercuter une partie sur le client. Un abonnement forfaitaire peut devenir peu attractif lorsque l’usage varie fortement entre des comptes par ailleurs similaires.

Le changement tarifaire du 11 septembre rapporté par Axios dépasse donc un simple ajustement de packaging. Il modifie la manière dont clients, éditeurs et investisseurs interprètent les revenus récurrents. L’ancienne unité comptait l’accès, tandis que les unités émergentes comptent l’activité ou le travail accompli.

Ce changement ne rend pas les licences par utilisateur inutiles. Les utilisateurs humains ont toujours besoin de tableaux de bord, d’approbations, de contrôles administratifs et de fonctions de collaboration. De nombreuses entreprises conserveront donc un abonnement de base tout en ajoutant une composante variable liée aux agents.

Cette formule hybride procure à l’éditeur un socle de revenus stable. Elle relie aussi les revenus supplémentaires à l’augmentation de l’usage de l’IA. Pour le client, toutefois, elle crée une unité supplémentaire que les équipes achats et finance doivent prévoir.

L’événement immédiat n’est pas la mort du SaaS. C’est la disparition d’une relation simple : davantage d’employés signifiait autrefois davantage de licences, et davantage de licences signifiait davantage de revenus récurrents. Un agent IA peut désormais accroître la production sans préserver cette équation.

Pourquoi la tarification SaaS par utilisateur est sous pression

Le modèle par utilisateur s’affaiblit lorsque le logiciel effectue le travail au lieu de simplement aider les employés à l’effectuer.

Une licence par utilisateur fonctionne comme unité tarifaire lorsque l’accès suit étroitement la valeur. Un commercial utilise une plateforme de gestion de la relation client, un comptable utilise un logiciel financier et un ingénieur utilise des outils de développement. À mesure que l’équipe grandit, le client achète des comptes supplémentaires.

Les agents IA créent un schéma différent. Un employé peut diriger plusieurs agents, tandis qu’un agent peut servir un département entier. Le client peut recevoir davantage de travail accompli alors même que le nombre de connexions humaines reste stable ou diminue.

C’est le renversement central auquel font face les éditeurs SaaS. Une automatisation réussie peut réduire le nombre même d’utilisateurs qui soutenait historiquement les revenus d’expansion. Un produit qui économise du travail devrait créer de la valeur pour le client, mais un contrat fondé sur les licences par utilisateur peut empêcher l’éditeur de partager cette valeur.

Les clients remettent également plus fortement en question les licences inutilisées lorsque les agents prennent en charge les activités routinières. Le shelfware désigne une capacité achetée que les employés utilisent rarement. Une organisation a moins de raisons de le tolérer lorsque les flux de travail automatisés peuvent concentrer le travail entre les mains d’un nombre réduit d’opérateurs.

McKinsey a étudié les modèles tarifaires de 150 éditeurs mondiaux et interrogé plus de 50 entreprises lançant des produits d’IA. Son étude sur les éditeurs a constaté que les entreprises nativement IA dépendent déjà moins des abonnements par utilisateur que les éditeurs établis.

Parmi les entreprises étudiées, les frais de plateforme constituaient le principal modèle d’abonnement pour 44 % des éditeurs nativement IA. Seuls 22 % utilisaient principalement des abonnements par utilisateur. Les éditeurs de logiciels historiques présentaient le schéma inverse, 78 % d’entre eux étant centrés sur une tarification par utilisateur.

Ces chiffres ne prouvent pas que chaque catégorie de logiciels abandonnera les licences. Les outils de collaboration continuent de tirer leur valeur d’une large participation des employés. Les systèmes administratifs nécessitent également des utilisateurs nommés pour la sécurité, la responsabilité et la gestion des autorisations.

Ils montrent toutefois que les unités d’accès à l’entreprise et de consommation deviennent des alternatives crédibles. Elles dissocient les revenus du nombre de personnes qui ouvrent le produit. Cette séparation prend de la valeur lorsque les agents effectuent le travail via des interfaces de programmation applicative plutôt que des interfaces graphiques.

Les investisseurs doivent revoir leurs hypothèses de valorisation habituelles à mesure que ce changement s’opère. Les contrats annuels peuvent toujours générer des revenus récurrents, mais la consommation introduit davantage de variabilité au sein de chaque compte. L’expansion dépend de la croissance de la charge de travail, et non seulement des recrutements ou du déploiement dans les services.

Les dépenses liées à l’IA ajoutent une autre incertitude. L’utilisation des modèles, la récupération d’informations, les appels d’outils et le traitement des données peuvent augmenter le coût de service des clients actifs. Les marges brutes peuvent donc évoluer selon la composition des charges de travail, le choix des modèles et le comportement des agents.

Un éditeur peut dégager des marges attrayantes sur des tâches courtes et répétables. Le même contrat peut devenir moins attrayant lorsque les agents traitent de longs documents ou réessaient des flux de travail difficiles. L’économie moyenne par licence ne peut pas révéler cette différence.

Les acheteurs font face au reflet de ce problème. Ils bénéficient d’un lien plus étroit entre dépenses et activité, mais perdent la simplicité du comptage des employés. Les équipes finance doivent modéliser la fréquence d’exécution des agents et la complexité croissante de leurs tâches.

Les équipes achats exigeront également des définitions plus claires. Un éditeur doit expliquer ce qui constitue une action, une conversation, une résolution ou un crédit. Les clients doivent savoir si les tentatives échouées, les nouvelles tentatives, les escalades et les activités de test consomment leur allocation.

Cela fait de la télémétrie un élément du produit commercial. Les tableaux de bord d’usage, les plafonds de dépenses et les registres d’audit ne sont plus de simples options administratives. Ils déterminent si les clients font confiance à la facture et peuvent la justifier en interne.

La pression va au-delà des achats. Les équipes produit doivent concevoir des unités mesurables, les équipes d’ingénierie doivent les enregistrer et les équipes commerciales doivent les expliquer. Les services financiers traduisent ensuite l’évolution de la consommation en prévisions de revenus.

La tarification par utilisateur regroupait ces fonctions dans un contrat simple. L’usage de l’IA les dissocie. Le secteur a désormais besoin d’unités qui restent compréhensibles tout en reflétant le travail, la valeur et la dépense informatique.

La tarification à l’usage résout un problème et en crée un autre

La tarification à l’usage aligne les revenus sur l’activité, mais elle transfère le risque de prévision de l’éditeur vers l’acheteur.

Une unité de consommation paraît équitable parce qu’une organisation paie davantage lorsqu’elle utilise davantage. Ce principe convient aux agents qui réalisent un nombre variable de tâches. Il protège aussi les éditeurs contre l’absorption de coûts illimités de modèles et d’infrastructure.

La difficulté consiste à choisir ce qu’il faut compter. Les tokens mesurent les segments de texte qu’un modèle lit et produit. Ils sont étroitement liés à la dépense informatique, mais ont peu de sens intuitif pour la plupart des acheteurs professionnels.

Les actions sont plus faciles à relier à l’activité des flux de travail. Pourtant, une action peut mettre à jour un champ, tandis qu’une autre peut interroger plusieurs systèmes et générer une réponse détaillée. Une seule étiquette peut masquer des différences majeures d’effort et de valeur.

Les crédits offrent aux éditeurs une couche comptable commune entre plusieurs services. Ils peuvent attribuer des pondérations de crédits différentes aux prompts, aux opérations d’agents, à la traduction ou à l’activité vocale. Les clients reçoivent un solde unique, même si comprendre son épuisement peut encore nécessiter un suivi détaillé.

Microsoft a emprunté cette voie pour plusieurs expériences agentiques. Sa documentation décrit les Copilot Credits comme l’unité de facturation à l’usage pour les charges de travail prises en charge. Les administrateurs disposent de budgets, de politiques de dépenses, de rapports d’utilisation, d’alertes et de plafonds stricts grâce aux contrôles des crédits Copilot.

Ces contrôles révèlent la véritable exigence des acheteurs. Les entreprises n’ont pas simplement besoin d’une unité de facturation. Elles ont besoin d’une gouvernance qui relie un agent, un utilisateur, un département et une tâche à la consommation qui en résulte.

Sans cette visibilité, l’expérimentation peut créer une facture inattendue. Un déploiement réussi peut augmenter l’activité bien plus rapidement que les effectifs ne l’ont jamais fait. Un flux de travail autonome peut aussi continuer à utiliser des ressources après qu’une personne a cessé de le surveiller.

Les plafonds stricts réduisent l’exposition financière, mais ils introduisent un risque opérationnel. Un agent de support client qui atteint sa limite pendant un pic de demande peut s’arrêter au moment où les clients en ont le plus besoin. Un plafond souple protège la continuité tout en réduisant la certitude sur les coûts.

Le routage des modèles offre une réponse. Les tâches plus simples peuvent utiliser des modèles plus petits, tandis que les demandes difficiles utilisent des systèmes plus performants. Mettre en cache le contexte répété et réduire l’historique de prompts inutile peut également limiter la consommation.

Ces techniques font de l’architecture logicielle un élément de la stratégie tarifaire. Deux fournisseurs peuvent proposer des interfaces similaires tout en supportant des coûts d’inférence très différents. Un fournisseur doté d’un routage efficace peut offrir une capacité plus prévisible ou préserver de meilleures marges.

Les acheteurs ont rarement une visibilité complète sur ces décisions internes. Ils peuvent voir des crédits quitter un portefeuille sans savoir quel modèle a traité chaque étape. Des relevés d’utilisation transparents comptent donc davantage qu’une liste élégante de fonctionnalités d’IA.

La tarification hybride cherche à concilier ces besoins concurrents. Un abonnement de base fournit l’accès, l’assistance, la sécurité et des revenus prévisibles. Une couche de consommation couvre l’activité des agents au-delà de la capacité incluse.

HubSpot a publiquement décrit cette approche lorsqu’il a étendu Breeze Customer Agent grâce à des crédits. Sa stratégie de tarification hybride associe des licences par abonnement à une capacité incluse et à une consommation de crédits supplémentaires. L’entreprise a indiqué qu’elle envisagerait un traitement similaire pour d’autres agents d’IA une fois que l’utilisation et les résultats seraient devenus cohérents.

Cet enchaînement offre une leçon utile. Les fournisseurs ont besoin de preuves sur les comportements réels avant de fixer une unité de mesure durable. Tarifer trop tôt peut lier les revenus à un indicateur technique que les clients rejetteront ensuite.

Cela peut aussi décourager l’adoption du produit. Les employés expérimentent moins lorsque chaque prompt semble réduire un solde visible. Les services peuvent réserver les agents à des tâches limitées, empêchant le fournisseur d’apprendre où le produit apporte réellement de la valeur.

Un accès illimité encourage l’exploration, mais expose le fournisseur à une utilisation intensive. La facturation à l’usage protège le fournisseur, mais peut susciter l’inquiétude des clients. Aucune unité de mesure n’élimine ce compromis.

La tarification de l’IA chez Salesforce illustre ce compromis. L’entreprise propose des licences utilisateur pour un accès prévisible des employés et des options de consommation pour le travail variable des agents. Cette flexibilité peut aider différents clients, mais elle complique aussi les comparaisons et les achats.

Le résultat ressemble davantage à l’achat d’infrastructure cloud qu’au SaaS classique. Les clients doivent estimer les charges de travail, surveiller l’utilisation et gérer les limites. Les acheteurs de logiciels ont de plus en plus besoin de compétences autrefois principalement associées aux équipes d’exploitation cloud.

Cela ne signifie pas que la facturation par token deviendra la vitrine publique de chaque produit d’IA. Les unités de ressources techniques sont souvent trop éloignées de la valeur métier. Les fournisseurs continueront à les traduire en actions, crédits, tâches ou lots de capacité.

Les modèles durables rendront cette traduction intelligible. Les clients doivent comprendre quel comportement déclenche une dépense, et les fournisseurs doivent couvrir leurs coûts variables. Une unité tarifaire qui ne satisfait qu’une seule partie ne restera pas stable.

La tarification de l’IA fondée sur les résultats a un problème de mesure

Facturer les résultats semble être l’approche la plus proche de la valeur, mais chaque contrat doit définir à qui revient le mérite du résultat.

La tarification fondée sur les résultats demande aux clients de payer lorsqu’un logiciel accomplit une tâche utile. Un agent d’assistance peut être mesuré selon le nombre de conversations résolues. Un agent commercial peut être mesuré selon les prospects qualifiés ou les recherches finalisées.

Cette structure améliore l’argument commercial. Les clients ne paient pas simplement parce qu’une IA a tenté quelque chose. Les fournisseurs génèrent des revenus lorsque le système atteint un résultat convenu.

Intercom utilise cette approche pour son Fin AI Agent. Ses règles de résultat publiées distinguent les résolutions réussies et les transferts configurés des procédures échouées ou des escalades directes. L’entreprise indique ne facturer au maximum qu’une fois par conversation.

Cela paraît plus clair que la consommation de tokens. Un responsable de l’assistance comprend plus facilement un dossier résolu qu’un nombre de prompts. L’unité est aussi plus proche de la valeur métier recherchée par le client.

Toutefois, cette simplicité apparente dépend d’une définition détaillée. L’IA a-t-elle résolu le problème, ou le client a-t-il simplement cessé de répondre ? Un transfert doit-il compter lorsque l’agent a recueilli des informations mais qu’un humain a terminé le travail ?

La réponse affecte à la fois la facture et l’indicateur produit. Les fournisseurs sont incités à classer davantage d’interactions comme réussies. Les clients sont incités à contester les cas ayant produit des réponses incomplètes ou de faible qualité.

Les flux de travail complexes créent des litiges d’attribution plus difficiles. Un agent commercial peut identifier un prospect, enrichir les données de contact, rédiger une prise de contact et planifier une réunion. La transaction finale peut aussi dépendre de la notoriété de la marque, du prix, de la négociation humaine et des conditions du marché.

Facturer la vente conclue serait aligné sur la valeur finale, mais le logiciel ne contrôle pas tous les facteurs contributifs. Facturer la prise de contact est plus facile à mesurer, même si cela récompense l’activité plutôt que la qualité. Facturer un prospect qualifié se situe entre ces deux extrêmes.

McKinsey a rapporté un exemple révélateur dans ses recherches sectorielles. Un fournisseur commercial d’IA native proposait à la fois des formules fondées sur l’activité et sur les résultats. Quatre-vingt-dix pour cent des clients ont choisi la tarification fondée sur l’activité, car la prévision des dépenses et les définitions de qualification devenaient difficiles lors des négociations.

Ce résultat remet en cause une hypothèse répandue. Les acheteurs ne choisissent pas toujours l’indicateur le plus proche de la valeur économique. Ils peuvent préférer une unité moins parfaite lorsqu’elle offre un budget plus clair et moins de litiges contractuels.

La tarification au résultat modifie aussi le risque du fournisseur. Le prestataire absorbe le coût des tentatives infructueuses lorsque seuls les résultats achevés génèrent des revenus. Cela peut encourager de meilleurs produits, mais des environnements clients difficiles peuvent créer des comparaisons injustes.

Des données médiocres, des intégrations incomplètes ou des politiques restrictives peuvent réduire le taux de réussite d’un agent. Le fournisseur peut supporter la dépense même lorsque la configuration du client a causé l’échec. Les contrats ont alors besoin de règles concernant les prérequis, les exceptions et la responsabilité partagée.

La qualité pose un autre problème. Une résolution peut être techniquement complète tout en laissant le client insatisfait. Un prospect peut répondre aux critères formels tout en ayant peu de potentiel commercial. Les événements de facturation binaires ne peuvent pas saisir chaque dimension de la valeur.

Les entreprises ont donc besoin de preuves auditables. Les clients devraient pouvoir examiner l’interaction, les actions de l’agent, l’état final et toute intervention humaine. Des procédures de contestation doivent exister avant que l’automatisation n’atteigne de grands volumes.

C’est pourquoi la tarification au résultat exige davantage qu’une modification d’une page de paiement. Les fournisseurs ont besoin de systèmes d’évaluation, de télémétrie orientée client, d’outils internes de revue et de définitions cohérentes. Les équipes commerciales et juridiques doivent expliquer ces définitions avant le déploiement.

Les agents peuvent aussi modifier leur comportement en réponse à l’indicateur. Un système optimisé pour le taux de résolution pourrait éviter des escalades pourtant appropriées. Un agent commercial récompensé pour les prospects qualifiés pourrait privilégier des critères de qualification généreux.

Les organisations humaines sont déjà confrontées à ce problème avec les objectifs de performance. L’IA facilite une mise à l’échelle rapide de ce comportement. De mauvaises incitations peuvent donc générer des milliers de résultats de faible qualité avant que quiconque ne révise la règle.

La facturation au résultat reste attrayante pour les flux de travail circonscrits. L’assistance client, le traitement de documents et la vérification standardisée peuvent produire des états d’achèvement observables. La recherche ouverte ou le travail stratégique offrent moins de points d’arrêt clairs.

La conclusion sceptique n’est pas que la tarification au résultat échouera. C’est que le modèle ne fonctionne que lorsque le succès est rapide, attribuable et automatiquement vérifiable. De nombreuses tâches d’entreprise ne remplissent pas encore ces trois conditions.

La tarification à l’usage et la tarification au résultat vont donc coexister. L’usage convient au travail informatique variable que les fournisseurs peuvent mesurer de manière cohérente. Les résultats conviennent aux tâches standardisées pour lesquelles clients et fournisseurs peuvent s’accorder sur le succès.

Les contrats par licence resteront à leurs côtés pour l’accès humain et la collaboration. Le marché à court terme comportera davantage d’unités de mesure, et non un successeur universel. Cette complexité est le prix à payer pour faire correspondre différentes formes de travail d’IA.

Ce que les prochains cycles de résultats SaaS doivent montrer

Le modèle gagnant reliera l’adoption de l’IA à des revenus durables sans rendre les budgets clients ni les marges fournisseurs impossibles à prévoir.

Le premier signal à surveiller est la consommation d’IA divulguée dans les principaux rapports de résultats des éditeurs de logiciels. Les fournisseurs doivent montrer si les clients passent des essais à des charges de travail récurrentes en production. Les seules annonces de contrats ne peuvent pas établir cette tendance.

Les investisseurs devraient rechercher des preuves que la consommation augmente après le déploiement sans provoquer une forte volatilité des revenus. Ils devraient aussi comparer la croissance des revenus liés à l’IA avec les dépenses d’infrastructure. L’augmentation de l’utilisation importe moins lorsque le coût de service augmente tout aussi vite.

Les commentaires sur la marge brute méritent une attention particulière. Les agents d’IA effectuent davantage d’inférences et utilisent plus d’outils que les fonctionnalités logicielles conventionnelles. Les fournisseurs doivent démontrer que le routage, la sélection des modèles, la mise en cache et la tarification compensent ces dépenses au fil du temps.

Le deuxième signal est la simplification tarifaire. Salesforce, Microsoft et leurs concurrents proposent actuellement des licences, crédits, actions, capacités et unités de résultat qui se chevauchent. Les clients révéleront quelles unités perdurent par leur comportement lors des renouvellements.

Un modèle stable devrait devenir plus facile à expliquer après plusieurs cycles contractuels. Les définitions devraient converger, le suivi devrait s’améliorer et les exceptions devraient diminuer. Une complexité persistante indiquerait que les fournisseurs n’ont toujours pas trouvé une mesure de valeur digne de confiance.

Les renouvellements fourniront de meilleures preuves que les nouvelles ventes. Un client peut accepter des conditions inconnues pendant un pilote limité. Les exigences deviennent plus élevées après l’observation des habitudes réelles de consommation et la comparaison des factures avec les résultats métier.

Observez si les acheteurs étendent leurs engagements, imposent des plafonds plus stricts ou reviennent à des licences prévisibles. Une extension renforcerait l’argument en faveur de la tarification à la consommation. Un retour vers l’accès fixe montrerait que la certitude budgétaire l’emporte encore sur l’alignement précis avec l’usage.

Le troisième signal est la qualité de la vérification des résultats. Les plateformes d’assistance constituent un premier terrain d’essai, car les conversations produisent des états observables. Leurs taux de contestation, leurs schémas d’escalade et la fidélisation des clients peuvent montrer si les mesures automatisées de réussite restent crédibles.

Les fournisseurs doivent divulguer suffisamment d’informations pour permettre aux clients d’auditer les résultats. Une étiquette de résolution opaque ne soutiendra pas la confiance à long terme. Le dossier sous-jacent devrait montrer ce que l’agent a fait, pourquoi il s’est arrêté et si une personne est intervenue.

Les normes de résultat peuvent aussi devenir plus détaillées. Les clients pourraient exiger des mesures distinctes pour l’achèvement, l’exactitude, la satisfaction et le travail humain évité. De meilleures définitions renforceraient la tarification au résultat, bien qu’elles rendent les contrats plus complexes.

Ces signaux comptent autant pour les acheteurs que pour les investisseurs. Une entreprise qui évalue un produit d’IA devrait modéliser le flux de travail avant de comparer les unités de facturation. Elle doit estimer le volume attendu, la complexité des tâches, les chemins d’échec et le coût de la revue humaine.

Les équipes devraient aussi attribuer clairement la responsabilité des dépenses d’IA. Les achats peuvent négocier le contrat, mais les responsables produit comprennent le volume des flux de travail. L’ingénierie observe le comportement des modèles, tandis que la finance suit l’exposition budgétaire.

Un système de connaissances partagé peut aider ces groupes à conserver les hypothèses, les rapports d’utilisation, les résultats d’évaluation et les décisions de renouvellement. Les équipes qui organisent déjà leur travail interne sur l’IA peuvent bénéficier d’une base de connaissances sur l’IA consultable plutôt que de feuilles de calcul tarifaires éparpillées.

Les acheteurs devraient éviter de considérer automatiquement l’unité apparemment la moins chère comme préférable. Un crédit peut masquer plusieurs opérations, tandis qu’une résolution peut masquer une qualité contestée. La question pertinente est de savoir si l’unité de mesure reflète un résultat que l’organisation peut observer et gouverner.

Les fournisseurs font face à une épreuve connexe. Ils doivent résister à la tentation d’inventer un vocabulaire de facturation pour chaque nouvelle fonctionnalité. Trop d’unités incompatibles compliquent la budgétisation entre produits et affaiblissent la confiance des clients.

La tarification de l’IA de Salesforce rend visible la transition du secteur en mettant plusieurs options côte à côte. Cette diversité offre aujourd’hui de la flexibilité. Elle montre aussi que le marché ne s’est pas encore accordé sur un remplacement durable du modèle par utilisateur.

La destination probable est un contrat à plusieurs niveaux. Des frais de plateforme couvrent l’accès, la gouvernance et les capacités de base. Des frais variables suivent ensuite l’activité des agents, la capacité ou des résultats vérifiés.

De tels contrats préserveront une partie des revenus récurrents tout en permettant aux éditeurs de logiciels de participer à la valeur créée par l’automatisation. Ils exigeront également un meilleur suivi que les licences traditionnelles. La prévisibilité viendra des contrôles et de l’historique d’utilisation, et non plus des seuls effectifs.

Pour les développeurs, l’unité de facturation influencera l’architecture. Chaque nouvelle tentative, longue fenêtre de contexte, appel d’outil et choix de modèle peut affecter les performances commerciales. La conception tenant compte des coûts deviendra un élément de la qualité produit.

Pour les travailleurs du savoir, ce changement déterminera si les agents restent largement accessibles ou strictement rationnés. Un accès prévisible encourage une utilisation régulière. Des contrôles de consommation agressifs peuvent inciter les employés à réserver les agents aux tâches dont le retour sur investissement est évident.

Pour les acheteurs en entreprise, la prochaine étape est concrète. Sélectionnez un flux de travail en production, mesurez son volume et ses scénarios d’échec, puis comparez les licences par utilisateur, la consommation et les résultats à l’aide des mêmes données. Quelle unité de facturation reste compréhensible après une utilisation réelle, et quelle partie assume le risque lorsque l’IA accomplit plus de travail que prévu ?