Simon Willison repère la tokenpocalypse alors que les coûts de l’IA en entreprise brisent le rêve d’un usage illimité

Simon Willison a mis en lumière le 7 août un conflit révélateur dans l’IA d’entreprise : les employés peuvent consommer des tokens coûteux pour réaliser des tâches que des logiciels plus simples gèrent déjà. L’exemple consistait à transformer des PDF en images, en fichiers markdown et en contenus de présentation. Cela semble anodin, mais révèle un sérieux problème budgétaire.

Selon un enregistrement audio obtenu par 404 Media, des dirigeants d’Accenture ont discuté de l’augmentation rapide de la consommation de tokens et de la difficulté à relier cet usage à la valeur métier. Un dirigeant aurait plaisanté en disant que la conversion de PDF était une importante « dévoreuse de tokens ». Cet échange a illustré l’écart entre encourager les employés à utiliser l’IA et maîtriser le coût de cet encouragement.

La pression s’étend désormais au-delà d’Accenture. Les entreprises ont adopté Claude, ChatGPT, Copilot, Codex et les agents IA comme systèmes de productivité largement utiles. Elles découvrent que l’expérimentation sans limites crée une dépense opérationnelle variable, sans plafond naturel. Le nouveau débat n’oppose pas l’adoption de l’IA à son rejet. Il porte sur l’usage maximal face à une valeur mesurable.

Simon Willison a trouvé l’histoire parfaite de gaspillage de tokens

Une tâche PDF banale est devenue un exemple particulièrement clair de la manière dont les dépenses d’IA en entreprise échappent au contrôle financier.

L’avertissement sur les PDF de Willison a attiré l’attention sur une anecdote tirée d’une enquête du 24 juin menée par 404 Media. La publication affirme avoir obtenu un enregistrement audio d’une discussion interne d’Accenture sur la hausse de la consommation d’IA.

Justice Kwak, responsable de la stratégie d’IA agentique chez Accenture, aurait déclaré que les ingénieurs n’étaient pas les principaux moteurs de certains schémas d’usage coûteux. Les non-ingénieurs étaient responsables de nombreux comportements évoqués.

Stuart Henderson, responsable d’un groupe client chez Accenture, a ensuite demandé à Kwak s’il avait converti un PDF en images avant de transformer ces images en markdown. Henderson aurait qualifié ce processus de grand dévoreur de tokens.

L’échange est amusant parce qu’il décrit une solution élaborée à un problème documentaire ordinaire. Il est important parce que cette solution peut multiplier le travail à chaque étape.

Un PDF peut contenir du texte sélectionnable, des images de pages, des graphiques, des tableaux, des en-têtes et des instructions de mise en page. Un flux de travail IA peut extraire chaque page, examiner les images, reconstruire le texte, interpréter la mise en page et produire un nouveau format. Chaque requête au modèle ajoute des tokens d’entrée et de sortie.

Si un agent répète une extraction échouée, vérifie sa propre réponse ou appelle un autre modèle, la consommation augmente encore. Un employé peut ne voir qu’un diaporama soigné. L’entreprise voit une chaîne de requêtes d’inférence facturées à l’usage.

Les tokens sont de petites unités de données traitées par un modèle génératif. Ils représentent des portions de texte et, selon le système, des informations dérivées d’images ou d’autres médias. Les organisations paient souvent en fonction du nombre de tokens lus et générés par un modèle.

Ce modèle de facturation à l’usage diffère d’une licence classique de logiciel bureautique. Ouvrir un document supplémentaire dans un traitement de texte ne crée généralement pas de nouvelle facturation. Demander à un agent IA d’interpréter ce document peut déclencher plusieurs opérations payantes.

L’employé n’a pas besoin de comprendre cette chaîne. Les interfaces modernes d’IA en dissimulent délibérément une grande partie. Une demande telle que « transformez ce rapport en diapositives » peut lancer l’extraction, la planification, le résumé, la mise en forme, la révision et la validation.

Il en résulte un problème de visibilité. Les employés évaluent le flux de travail selon sa commodité et la qualité du résultat. Les responsables technologiques doivent l’évaluer selon son coût, sa précision, sa sécurité et la question de savoir si le résultat méritait d’être produit.

L’enquête originale présentait l’expérience d’Accenture comme faisant partie d’une correction plus large des dépenses. Les entreprises avaient poussé leurs employés à expérimenter l’IA. Certaines envisageaient désormais des contrôles, car la consommation devenait imprévisible.

Accenture n’a pas authentifié publiquement chaque détail attribué à la réunion privée. Le récit fondé sur l’audio divulgué doit donc rester clairement attribué à 404 Media. Toutefois, les actions ultérieures de l’entreprise confortent la conclusion plus générale selon laquelle la gestion des tokens est devenue une préoccupation formelle pour les entreprises.

Le 29 juillet, Accenture a annoncé une offre de tokenomics conçue pour relier la consommation aux équipes, aux flux de travail, aux produits, aux décisions et aux résultats métier. Ce calendrier a fait de l’anecdote sur les PDF plus qu’une plaisanterie de bureau. Il a montré à quelle vitesse un problème de coûts interne peut devenir une catégorie de conseil.

La baisse du prix des tokens ne réduit pas la facture totale

L’IA devient plus coûteuse lorsque l’usage croît plus vite que ne baisse le coût unitaire.

Le discours initial destiné aux entreprises présentait l’IA générative comme un autre déploiement de logiciel. Une entreprise achèterait un accès, formerait ses employés et étendrait l’usage dans toute l’organisation. Une adoption plus large semblait devoir signifier une productivité accrue.

L’IA agentique modifie ce calcul. Un flux de travail agentique est un système qui planifie des étapes, invoque des outils et révise son travail avec une intervention humaine limitée. Une demande d’employé peut se transformer en dizaines d’interactions avec des modèles.

Gartner prévoit que l’inférence sur des modèles de langage extrêmement grands devienne bien plus efficace d’ici 2030. Pourtant, ses prévisions sur l’inférence comportent un avertissement crucial. La baisse des coûts des fournisseurs ne sera pas nécessairement intégralement répercutée sur les clients entreprises.

Gartner estime également que les modèles agentiques nécessitent de cinq à 30 fois plus de tokens par tâche qu’un chatbot standard. Des systèmes plus capables peuvent effectuer davantage d’actions, utiliser des contextes plus longs et créer plus de demande.

C’est là que se produit le renversement central. Une intelligence moins chère encourage les entreprises à appliquer l’IA à davantage de tâches. Chaque flux de travail passe alors d’une réponse unique à une séquence de recherches, d’appels d’outils, d’évaluations et de corrections.

Le même schéma est apparu dans le cloud computing. La baisse des prix des unités individuelles de calcul ou de stockage n’a pas garanti une baisse des factures des entreprises. Un accès plus facile a encouragé les équipes à déployer davantage de services, à conserver plus de données et à automatiser plus d’activités.

L’IA ajoute une autre complication, car la consommation peut être non déterministe. Une même tâche ne suit pas toujours le même chemin. Un agent peut terminer après trois étapes, tandis qu’un autre réessaie des outils ou explore plusieurs alternatives.

McKinsey indique que l’usage de tokens peut varier jusqu’à 30 fois pour une même tâche de programmation agentique. Son analyse des dépenses en entreprise décrit également des coûts d’IA dispersés entre fournisseurs cloud, vendeurs de modèles, plateformes logicielles, expérimentations et unités opérationnelles.

Cette fragmentation retarde la détection. Une entreprise peut approuver plusieurs achats raisonnables sans voir leur effet combiné. Les dépassements de coûts deviennent visibles une fois les tokens déjà consommés.

La facture dépasse également les tokens. Les entreprises paient pour les pipelines de données, l’infrastructure de récupération, les évaluations, les contrôles de sécurité, la supervision et les employés qui surveillent des résultats peu fiables. Une réponse de modèle bon marché peut faire partie d’un flux de travail coûteux.

Les longues fenêtres de contexte compliquent le problème. Une fenêtre de contexte correspond aux informations qu’un modèle reçoit au cours d’une interaction. Envoyer des documents entiers, de longs historiques de conversation, des descriptions d’outils et des documents de référence répétés augmente la consommation avant même que le modèle ne produise quoi que ce soit.

Le travail documentaire l’illustre clairement. Un système peut renvoyer le même rapport lors de l’extraction, de l’analyse, de la rédaction et de la révision. Sans mise en cache ou sélection attentive du contexte, chaque étape traite des informations qui se chevauchent.

C’est pourquoi l’exemple de Simon Willison importe au-delà des PDF. Il transforme une discussion abstraite sur les coûts des tokens d’IA en un flux de travail reconnaissable. L’utilisateur demande un résultat, mais l’infrastructure effectue bien davantage de travail.

Les entreprises ne peuvent pas résoudre ce problème en surveillant uniquement la facture du fournisseur de modèles. Elles doivent identifier l’équipe, la tâche, le modèle, l’agent et le résultat métier derrière chaque unité de consommation.

Cette exigence fait de la gestion des coûts de l’IA une discipline opérationnelle. Elle doit prendre place aux côtés de la sécurité, de la fiabilité et de la gouvernance des données, et non dans une réunion annuelle de renouvellement logiciel.

Les personnes sous pression ne sont pas seulement les ingénieurs

Les budgets d’IA en entreprise dépendent désormais de milliers d’employés qui prennent des décisions de coûts techniques au moyen de simples prompts.

Les ingénieurs comprennent qu’un appel à un modèle consomme des ressources. Ils peuvent examiner les journaux, raccourcir les prompts, mettre en cache les contenus répétés et choisir des modèles plus petits. La plupart des travailleurs du savoir n’ont jamais été censés faire ces choix.

Ils voient une interface de chat reliée à un travail bureautique familier. Elle encourage le langage naturel, l’itération et l’expérimentation. Elle explique rarement la différence de coût entre la réécriture d’une phrase et l’analyse d’une collection de documents numérisés.

Cette conception crée une nouvelle forme de dépenses non contrôlées. Les employés n’ont pas besoin de saisir des informations de paiement ni de déployer une infrastructure cloud. Ils peuvent accroître la consommation de l’entreprise simplement en choisissant un modèle plus puissant ou en répétant une demande.

L’anecdote d’Accenture laisse entendre que les non-ingénieurs peuvent générer un usage substantiel au travers de la conversion de documents et du travail de présentation. Cela ne rend pas ces employés irresponsables. Leurs employeurs leur ont demandé d’utiliser l’IA, tandis que les fournisseurs ont conçu les produits pour rendre leur utilisation sans effort.

Le conflit commence lorsque les entreprises changent de direction. Les employés entendent d’abord que la maîtrise de l’IA est essentielle. Plus tard, ils reçoivent des limites de tokens, des restrictions de modèles ou des avertissements concernant les demandes inutiles.

Cela peut entraîner de mauvais comportements. Les employés peuvent éviter des flux de travail utiles parce que les règles ne sont pas claires. D’autres peuvent continuer à utiliser des modèles coûteux parce que personne n’a défini ce que signifie « utile ».

Une meilleure politique distingue les tâches selon leur résultat attendu. La rédaction d’un e-mail de routine n’exige pas le même modèle que l’examen d’une proposition d’ingénierie complexe. L’extraction de texte sélectionnable d’un PDF ne nécessite pas toujours un raisonnement visuel.

Le routage des modèles peut automatiser cette distinction. Un système de routage envoie les demandes simples vers des modèles plus petits et moins coûteux, tout en réservant les systèmes avancés aux tâches difficiles. Il peut aussi rejeter les demandes que les logiciels traditionnels gèrent mieux.

Associated Press a rapporté que les entreprises explorent de plus en plus ce type de routage, alors que le tokenmaxxing perd en popularité. Son rapport sur les coûts au travail décrit des entreprises qui examinent les retours de l’usage de l’IA et découragent le recours à des modèles avancés pour les tâches courantes.

Le routage exige néanmoins du discernement. Un prompt court peut dissimuler une tâche à haut risque, tandis qu’un long document peut n’exiger qu’une extraction de base. Les entreprises ont besoin de politiques fondées sur la sensibilité, la complexité, les exigences de précision et la valeur attendue.

Les équipes achats sont également sous pression. Elles doivent comparer les abonnements, les contrats à l’usage, les services cloud et les fonctions IA intégrées qui mesurent l’activité différemment. Une licence par utilisateur prévisible peut toujours inclure des plafonds d’utilisation ou des restrictions.

Les DSI héritent du problème technique, mais les directeurs financiers déterminent si la dépense mérite un soutien continu. Les responsables d’unités opérationnelles doivent expliquer ce que les outils produisent. Les équipes de sécurité doivent suivre quelles informations les employés envoient à des modèles externes.

Cette responsabilité partagée est nouvelle. La budgétisation traditionnelle des logiciels attribue souvent une licence à un département. L’IA d’entreprise exige des organisations qu’elles relient chaque flux de travail à la fois à une consommation et à un résultat.

Le résultat ne peut pas être « les employés ont davantage utilisé l’IA ». Il doit décrire quelque chose que l’organisation valorise, comme une résolution plus rapide, moins de défauts, des revenus supplémentaires ou moins de travail répétitif.

Les travailleurs du savoir ont aussi besoin d’alternatives. Une base de connaissances consultable peut réduire les téléversements répétés de documents lorsque l’information existe déjà localement. Une meilleure récupération peut n’envoyer que les passages pertinents plutôt que des fichiers entiers.

Ce changement affecte donc autant la conception des flux de travail que la politique de dépenses. Les entreprises qui se contentent d’imposer des plafonds de tokens réduiront la consommation. Elles n’identifieront pas nécessairement les tâches qui méritent d’être poursuivies.

L’utilisation maximale de l’IA se heurte à une valeur mesurable

Le rêve d’un usage illimité échoue lorsque l’activité devient un substitut aux preuves de productivité.

Pendant plusieurs années, les dirigeants ont craint que les employés n’adoptent pas l’IA assez vite. Les entreprises ont financé des projets pilotes, distribué des assistants, créé des programmes de formation et encouragé les équipes à trouver des cas d’usage.

Cette stratégie était logique lorsque l’adoption constituait le goulot d’étranglement. Peu d’organisations savaient où l’IA générative serait utile. Une expérimentation large a aidé à révéler des schémas pertinents.

Le goulot d’étranglement s’est déplacé. Une fois que des milliers de travailleurs peuvent invoquer des modèles avancés, l’expérimentation devient une dépense opérationnelle récurrente. La question passe de « Les gens utilisent-ils l’IA ? » à « Quels usages méritent d’être déployés à plus grande échelle ? »

La réponse d’Accenture rend cette transition explicite. Son programme tokenomics promeut la surveillance en temps réel, la responsabilisation, l’adéquation des modèles et le coût par transaction.

L’entreprise décrit une approche en trois étapes : voir la consommation, corriger les conceptions inefficaces et maintenir les contrôles à mesure que les charges de travail évoluent. Cette structure ressemble aux opérations financières du cloud, mais l’IA introduit davantage d’incertitude autour de la qualité des tâches et du comportement des agents.

Le principal adversaire n’est donc pas Accenture face à un fournisseur de modèles. C’est la promesse d’une abondance d’IA sans friction face à la réalité de dépenses d’entreprise responsables.

L’usage maximal produit un enthousiasme visible. Il crée des comptes de prompts, des documents générés, des exécutions d’agents et des tableaux de bord d’adoption. Aucune de ces métriques ne confirme que l’organisation a obtenu une valeur correspondante.

La valeur mesurable est plus lente et moins flatteuse. Elle exige une comparaison avec une référence. Les équipes doivent se demander combien de temps le travail prenait avant l’IA, si la qualité a changé et quelle part de vérification humaine reste nécessaire.

La conversion de PDF fournit à nouveau le bon test. Si un flux de travail d’IA transforme un rapport en diapositives, l’entreprise devrait le comparer à des outils classiques d’extraction et de présentation. Elle devrait inclure le temps de correction, les erreurs factuelles, les retouches de mise en forme et la relecture.

La voie de l’IA peut tout de même l’emporter. Un modèle peut interpréter un rapport irrégulier, identifier des thèmes et rédiger un récit utile plus vite qu’un logiciel rigide. L’idée n’est pas que l’IA ne devrait jamais toucher à un PDF.

L’idée est que l’usage des modèles doit mériter sa place. Un agent qui consomme davantage de ressources peut en valoir la peine lorsqu’il accomplit un travail plus précieux. Un flux de travail bon marché reste gaspilleur si personne n’a besoin de son résultat.

Cette distinction met aussi les fournisseurs de modèles au défi. Leurs produits bénéficient du fait que les clients envoient des contextes plus longs, effectuent davantage de raisonnement et délèguent plus d’étapes. Les acheteurs d’entreprise n’en bénéficient que lorsque ces étapes améliorent un résultat.

Les fournisseurs ajoutent des fonctions de mise en cache, de traitement par lots, de modèles plus petits et de routage. Ces outils réduisent le gaspillage, mais ils ne résolvent pas le décalage d’incitations. Les fournisseurs continuent de tirer des revenus de la consommation ou d’une adoption plus large.

Les entreprises ont besoin de leur propre couche de mesure. Elle devrait enregistrer les requêtes, la sélection des modèles, le volume de tokens, la latence, les taux d’échec, l’intervention humaine et le processus métier concerné.

Elles ont aussi besoin d’une règle d’arrêt. Un agent ne devrait pas continuer à réviser un document de faible valeur simplement parce qu’il le peut. Des budgets, des limites d’étapes, des seuils de confiance et des contrôles d’approbation peuvent encadrer les tâches ouvertes.

La même discipline s’applique aux flux de travail personnels avec l’IA. Téléverser à répétition les mêmes sources gaspille du temps et du contexte. Les systèmes qui prennent en charge le knowledge blending peuvent récupérer des informations sélectionnées sans reconstruire tout le contexte pour chaque requête.

Simon Willison s’intéresse depuis longtemps au comportement concret des modèles de langage, notamment à leurs limites, leurs coûts et leurs implications en matière de sécurité. Son observation sur les PDF s’inscrit dans cette approche. Les détails révélateurs apparaissent souvent dans les choix de mise en œuvre quotidiens, et non dans les grandes annonces de modèles.

Les contrôles de tokens peuvent créer leur propre échec

Une répression brutale des dépenses peut détruire une expérimentation utile tout en préservant les formes de gaspillage les moins visibles.

L’argument en faveur du contrôle des coûts est solide, mais les éléments disponibles ne prouvent pas que les non-ingénieurs soient la cause centrale des dépenses excessives d’IA en entreprise. Les commentaires d’Accenture provenaient d’une discussion privée rapportée, et non d’un audit de consommation publié.

Une histoire mémorable sur les PDF peut déformer l’attention. La conversion de documents est facile à railler, car le flux de travail semble excessif. Des agents d’ingénierie coûteux peuvent eux aussi consommer de grands contextes, exécuter des tests, inspecter des dépôts et réessayer des modifications ayant échoué.

Ces tâches d’ingénierie peuvent produire davantage de valeur, mais les entreprises ont tout de même besoin de preuves. Une étiquette technique ne rend pas la consommation efficace. De même, une demande non technique peut soutenir un travail important dans les domaines juridique, commercial ou de la recherche.

Les organisations devraient éviter de transformer la gestion des tokens en surveillance des employés. Les journaux de prompts peuvent contenir du travail confidentiel, des informations sur le personnel, des dossiers clients et des idées préliminaires. Une surveillance détaillée crée des obligations de sécurité et de protection de la vie privée.

L’allocation des coûts peut aussi décourager la collaboration. Si chaque département reçoit un budget de tokens strict, les équipes peuvent cacher des expérimentations ou déplacer leurs dépenses vers des outils qui restent hors du tableau de bord central.

Les limites strictes créent un autre risque. Un agent peut s’arrêter avant d’achever une tâche précieuse, laissant aux employés un travail partiel qui exige toujours une reprise manuelle. L’organisation économise des tokens, mais perd le bénéfice attendu.

Le routage vers des modèles bon marché peut réduire les dépenses tout en dégradant la qualité. Les modèles plus petits peuvent manquer des détails dans les documents, mal gérer les instructions d’outils ou générer des erreurs plausibles. Un flux de travail qui exige des corrections répétées peut coûter davantage au total.

EY soutient que les tokens ne sont que la partie la plus visible de l’économie des agents. Son analyse des coûts des agents inclut l’infrastructure, la gouvernance, le changement organisationnel, la reprise après échec et l’exposition réglementaire.

Cette vision plus large compte, car l’optimisation locale peut déplacer les dépenses ailleurs. Réduire la consommation de modèles peut accroître le temps de relecture des employés. Réduire les exécutions d’évaluation peut laisser des erreurs coûteuses atteindre la production.

Les entreprises devraient mesurer le coût total des flux de travail au lieu de célébrer la baisse des totaux de tokens. Elles devraient aussi comparer la qualité, la vitesse et le risque avant et après toute intervention.

C’est là que l’étiquette « tokenpocalypse » peut induire en erreur. Le problème n’est pas que les tokens soient soudainement devenus inabordables partout. Le problème est que l’adoption rapide a révélé des mesures faibles et une responsabilité mal définie.

Certaines organisations constateront que leurs programmes d’IA restent économiquement attractifs. D’autres découvriront que les employés ont automatisé des tâches ayant peu de valeur stratégique. La plupart trouveront les deux schémas au sein de la même entreprise.

Les coûts unitaires continueront de baisser, et les modèles de s’améliorer. Ces tendances affaiblissent les prédictions d’un plafond permanent des dépenses. Elles renforcent l’argument en faveur de la gouvernance, car des coûts plus faibles invitent à une consommation encore plus importante.

La conclusion sceptique est donc plus limitée. Les entreprises n’abandonnent pas nécessairement l’IA. Elles passent des objectifs d’adoption à des décisions d’allocation, et ces décisions restent difficiles à évaluer.

Les trois prochains signaux montreront si la tokenomics fonctionne

La prochaine phase sera jugée sur les rendements au niveau des flux de travail, le routage automatique des modèles et les changements dans le comportement d’achat des entreprises.

Le premier signal sera de savoir si les entreprises communiquent le coût par processus métier achevé plutôt que la réduction totale des tokens. Une métrique utile pourrait suivre un dossier de support résolu, un contrat examiné, une modification logicielle achevée ou une tâche de recherche terminée.

Cela renforcerait l’argument de la tokenomics, car cela relie les dépenses au résultat. Si les entreprises ne publient que des niveaux de consommation inférieurs, elles peuvent brider l’usage sans améliorer la productivité.

Observez comment Accenture développe sa propre offre. Son approche promet une visibilité sur les flux de travail, les responsables, les modèles et les agents. Des preuves de résultats clients reproductibles montreraient que la préoccupation interne identifiée par 404 Media est devenue une discipline de gestion applicable.

Le deuxième signal est l’adoption généralisée du routage automatique. Les employés font actuellement de nombreux choix de modèles via des menus de produits ou des paramètres par défaut. Cela place une décision technique de coût devant des utilisateurs qui n’ont pas les informations nécessaires pour l’évaluer.

Un routage efficace réserverait le raisonnement avancé aux tâches qui l’exigent. Il enverrait les tâches simples d’extraction, de classification et de réécriture vers des systèmes plus petits ou des logiciels classiques.

La mesure cruciale n’est pas la fréquence du routage. C’est de savoir si le routage préserve la qualité tout en abaissant le coût total du flux de travail. Des taux de correction élevés affaibliraient l’argument en faveur de rétrogradations agressives des modèles.

Le troisième signal est une évolution des achats d’entreprise. Les acheteurs pourraient exiger des réserves d’usage partagées, une télémétrie détaillée, des budgets applicables, des contrôles de mise en cache et des contrats davantage liés aux résultats.

Ils pourraient aussi privilégier les produits qui traitent les informations locales sans envoyer à répétition des documents entiers à des modèles de pointe. Cela récompenserait une gestion efficace du contexte plutôt qu’un débit maximal de tokens.

Si les fournisseurs répondent par des contrôles plus clairs et une consommation prévisible, la réaction négative actuelle apparaîtra comme un cycle normal de maturation. L’IA d’entreprise continuera de s’étendre sous des règles financières plus strictes.

Si les coûts restent opaques, les entreprises imposeront des restrictions plus larges. Ce résultat ralentirait l’expérimentation et accroîtrait la demande de modèles plus petits, à poids ouverts ou exploités localement.

L’observation de Simon Willison donne aux lecteurs une question pratique pour évaluer n’importe quel flux de travail d’IA : quel travail le modèle effectue-il réellement, et pourquoi ce travail nécessite-t-il ce modèle ?

Appliquez cette question avant d’envoyer un autre document volumineux à un agent. Vérifiez si l’extraction de texte, la recherche, le traitement local ou un modèle plus petit peut achever la première étape. Réservez le raisonnement coûteux aux parties qui exigent du jugement.

La tokenpocalypse n’est pas la fin de l’IA d’entreprise. C’est la fin du traitement de chaque résultat généré comme une preuve de progrès. Les entreprises qui mesurent les résultats, contrôlent le contexte et routent les tâches de manière délibérée continueront d’expérimenter. Celles qui ne comptent que l’adoption continueront de découvrir la facture après coup.