L’IA générative est sortie du cercle des expérimentateurs. Elle est désormais utilisée pour rédiger, synthétiser, coder, analyser des documents, préparer des rendez-vous commerciaux, répondre à des clients ou accélérer des tâches administratives. Pour les directions générales, métiers, DSI et directions financières, une question devient centrale : comment piloter la consommation IA des collaborateurs sans freiner l’adoption ni tomber dans une logique de surveillance ?
Le sujet est d’autant plus important que l’adoption progresse vite. En France, selon l’INSEE, 18 % des entreprises de 10 salariés ou plus utilisent au moins une technologie d’IA en 2025, contre 10 % en 2024 et 6 % en 2023. L’usage a donc été multiplié par trois en deux ans. Le Baromètre France Num 2026 indique même que quatre TPE-PME sur dix utilisent désormais l’IA. À l’échelle internationale, McKinsey observe que 88 % des organisations utilisent l’IA dans au moins une fonction métier en 2025, et que 79 % utilisent régulièrement l’IA générative.
Dans ce contexte, les plateformes comme ChatGPT Enterprise et Claude Enterprise évoluent rapidement. Elles ne sont plus seulement des interfaces de conversation : elles deviennent des environnements administrables, avec tableaux de bord, exports, APIs, droits par groupe, suivi des usages et contrôles de dépenses. Mais la bonne approche ne consiste pas à choisir uniquement entre Claude et ChatGPT. Elle consiste à mettre en place un pilotage coût, valeur, sécurité et adoption.
Pourquoi le pilotage de la consommation IA devient un sujet de direction
Au départ, beaucoup d’entreprises ont abordé l’IA générative comme un achat d’outils : quelques licences ChatGPT, quelques abonnements Claude, parfois des comptes individuels remboursés en notes de frais. Cette phase d’exploration est utile. Mais elle montre vite ses limites.
Les usages augmentent, les modèles premium coûtent plus cher, les fonctionnalités agentiques consomment davantage, les connecteurs accèdent à des données internes, et les collaborateurs n’ont pas tous les mêmes besoins. Sans pilotage, l’entreprise risque trois dérives : une facture qui augmente sans visibilité, des usages sensibles hors cadre, et une adoption très inégale selon les équipes.
Le bon objectif n’est pas de réduire l’usage de l’IA. C’est de développer les bons usages, au bon coût, avec le bon niveau de sécurité.
Gallup souligne d’ailleurs cette tension : parmi les salariés d’organisations ayant déployé l’IA, 65 % déclarent un effet positif sur leur productivité et leur efficacité. Mais une autre mesure indique que 28 % seulement des employés utilisent l’IA au moins chaque semaine, tandis que 54 % ne l’utilisent pas dans leur rôle. Autrement dit, l’IA crée de la valeur, mais cette valeur est encore très inégalement distribuée.
De l’abonnement IA au FinOps IA
Le pilotage de la consommation IA ressemble de plus en plus au pilotage des coûts cloud. Dans le cloud, les entreprises ont appris à suivre les ressources consommées, les budgets par équipe, les environnements surdimensionnés, les pics anormaux et le rapport entre coût technique et valeur métier. Avec l’IA générative, une logique comparable émerge : le FinOps IA.
Concrètement, il ne suffit plus de savoir combien de licences sont actives. Il faut comprendre :
- combien de collaborateurs utilisent réellement l’outil ;
- à quelle fréquence ils l’utilisent ;
- quels modèles sont mobilisés ;
- quels outils ou connecteurs sont activés ;
- quels métiers consomment le plus ;
- quels cas d’usage produisent une valeur mesurable ;
- quels usages sont coûteux sans impact clair ;
- où se situent les risques liés aux données.
Cette approche ne vise pas à brider les équipes. Elle permet au contraire de professionnaliser l’usage. Un service juridique n’aura pas les mêmes besoins qu’une équipe marketing, un centre de support, une DSI ou une direction commerciale. Certains collaborateurs auront besoin d’un modèle avancé pour des raisonnements complexes ; d’autres pourront réaliser 80 % de leurs tâches avec un modèle plus rapide et moins coûteux.
ChatGPT Enterprise : analytics d’usage et pilotage du workspace
Côté OpenAI, ChatGPT Enterprise propose des capacités d’administration qui permettent de mieux comprendre l’adoption dans un espace de travail. La documentation officielle met notamment en avant les Workspace Analytics et la Daily Usage Analytics API. Ces outils servent à suivre les usages, les utilisateurs actifs, les modèles sollicités, ainsi que certaines fonctionnalités comme les outils, les connecteurs ou les usages associés à des environnements de travail avancés.
Un point important est la distinction entre les données d’analytics et les données d’audit ou de conformité. Les premières permettent de comprendre l’usage global : adoption, fréquence, consommation, tendances. Les secondes relèvent davantage de la traçabilité, de l’investigation et de la conformité, avec des outils comme la Compliance API. Cette séparation est saine : elle évite de confondre pilotage opérationnel et surveillance individuelle.
Ce que ChatGPT permet de piloter utilement
Dans une logique entreprise, ChatGPT peut aider à répondre à des questions très concrètes :
- Quels départements utilisent le plus l’IA ?
- Quels groupes ont adopté l’outil, et lesquels restent peu actifs ?
- Les collaborateurs utilisent-ils surtout le chat, les fichiers, les connecteurs, le code, la recherche ou les assistants personnalisés ?
- Les modèles les plus puissants sont-ils utilisés pour des tâches qui le justifient ?
- Observe-t-on des pics d’usage liés à certains projets ?
Pour une direction, ces informations sont précieuses. Elles permettent par exemple d’identifier qu’une équipe commerciale utilise massivement l’IA pour préparer ses rendez-vous, tandis qu’une équipe RH reste peu équipée alors qu’elle pourrait gagner du temps sur la synthèse de candidatures, la rédaction de trames d’entretien ou la formalisation de procédures internes.
Claude Enterprise : contrôle des dépenses, droits par modèle et visibilité admin
Côté Anthropic, Claude Enterprise met fortement l’accent sur la visibilité et le contrôle de la consommation. Les annonces récentes autour de Claude Enterprise décrivent des tableaux de bord administrateurs, des plafonds de dépenses, des restrictions par modèle, des alertes de consommation, des exports, une Analytics API et des contrôles par rôle, groupe ou utilisateur.
Cette orientation est particulièrement utile pour les organisations qui veulent encadrer finement les usages. Par exemple, une entreprise peut souhaiter réserver les modèles les plus avancés à certains profils ou certains cas d’usage, tout en donnant accès à des modèles plus économiques pour les tâches courantes.
Ce que Claude apporte dans une logique de maîtrise
Les capacités de Claude Enterprise permettent notamment de structurer le pilotage autour de règles simples :
- définir des plafonds de consommation par équipe ou par population ;
- autoriser certains modèles uniquement à certains groupes ;
- mettre en place des alertes en cas de dépassement ou de consommation inhabituelle ;
- exporter les données d’usage pour les croiser avec d’autres indicateurs internes ;
- adapter les droits selon les rôles, les métiers ou les niveaux de sensibilité.
Cette granularité répond à une réalité opérationnelle : tous les collaborateurs n’ont pas besoin du même niveau de puissance. Un usage quotidien de reformulation, de synthèse courte ou de préparation d’e-mail ne nécessite pas toujours le modèle le plus avancé. À l’inverse, une analyse documentaire complexe, une tâche de code critique ou un travail de structuration stratégique peut justifier un modèle premium.
Claude ou ChatGPT : la mauvaise question si elle est posée seule
Comparer Claude et ChatGPT est utile, mais insuffisant. Les deux plateformes progressent rapidement sur les fonctions d’administration, d’analytics, de sécurité et de contrôle. La vraie question est moins : quel outil choisir ? que : quel dispositif de gouvernance voulons-nous mettre en place ?
Dans certaines entreprises, ChatGPT sera privilégié pour son écosystème, sa familiarité utilisateur, ses connecteurs ou ses capacités multimodales. Dans d’autres, Claude sera retenu pour son approche de contrôle, ses capacités de traitement documentaire ou ses mécanismes de gestion de consommation. Certaines organisations feront coexister plusieurs solutions, selon les métiers, les niveaux de risque et les cas d’usage.
Chez Mankova Consulting, nous observons souvent que la performance vient moins du choix d’un outil unique que de la qualité du cadrage : formation des équipes, règles d’usage, choix des cas prioritaires, mesure de la valeur, intégration aux processus et accompagnement des managers.
Les indicateurs à suivre pour piloter efficacement
Un bon tableau de bord IA ne doit pas être une simple facture détaillée. Il doit combiner des indicateurs d’adoption, de coût, de valeur et de risque.
1. Les indicateurs d’adoption
Ils permettent de savoir si l’outil est réellement utilisé :
- nombre d’utilisateurs activés ;
- nombre d’utilisateurs actifs quotidiens, hebdomadaires et mensuels ;
- fréquence moyenne d’utilisation ;
- répartition par métier, équipe ou entité ;
- évolution de l’usage après une formation ou un lancement interne.
Exemple concret : une entreprise forme 200 collaborateurs à l’usage de l’IA pour la productivité bureautique. Un mois plus tard, les analytics montrent que seuls 45 l’utilisent chaque semaine. Le problème n’est peut-être pas l’outil, mais l’absence de cas d’usage concrets dans le quotidien des équipes. Une session de coaching métier peut alors être plus utile qu’un simple rappel par e-mail.
2. Les indicateurs de consommation
Ils permettent de comprendre où part le budget :
- consommation par modèle ;
- consommation par groupe ou département ;
- volume d’usage des fonctionnalités avancées ;
- pics de consommation ;
- coût moyen par utilisateur actif ;
- coût estimé par cas d’usage ou par livrable.
Exemple : une équipe utilise un modèle premium pour produire des comptes rendus simples. En définissant un modèle par défaut plus économique pour ce type de tâche, l’entreprise peut réduire la dépense sans dégrader le résultat.
3. Les indicateurs de valeur
C’est souvent le point oublié. Pourtant, contrôler le coût sans mesurer la valeur conduit à de mauvaises décisions. Une équipe qui consomme beaucoup peut aussi générer des gains considérables.
Les indicateurs utiles peuvent inclure :
- temps gagné estimé par tâche ;
- réduction des délais de production ;
- amélioration de la qualité perçue ;
- baisse du nombre d’erreurs ou de reprises ;
- augmentation du volume traité ;
- satisfaction des collaborateurs ;
- impact sur des indicateurs métier : conversion commerciale, délai de réponse client, vitesse de traitement documentaire.
Par exemple, si une équipe support utilise l’IA pour générer des réponses initiales mieux structurées, le bon indicateur n’est pas seulement le coût de l’outil. Il faut aussi regarder le temps moyen de réponse, le taux de résolution, la satisfaction client et la charge des agents.
4. Les indicateurs de risque
Le pilotage doit aussi intégrer la sécurité et la conformité :
- types de données autorisées ou interdites ;
- usage des connecteurs vers les outils internes ;
- droits d’accès par rôle ;
- conservation des données ;
- événements nécessitant une revue de conformité ;
- écarts entre outils officiels et usages non autorisés.
Le point clé est de rester proportionné. Une entreprise a besoin de visibilité, mais les collaborateurs doivent comprendre ce qui est mesuré, pourquoi, et dans quel cadre.
Attention à la perception de surveillance
Piloter l’IA peut vite être mal compris. Si les salariés pensent que chaque prompt est lu, noté ou utilisé pour évaluer leur performance individuelle, la confiance disparaît. Les usages se déplacent alors vers des comptes personnels ou des outils non autorisés : c’est le shadow AI.
La transparence est donc indispensable. L’entreprise doit expliquer clairement :
- quelles données d’usage sont suivies ;
- à quel niveau d’agrégation elles sont analysées ;
- qui y a accès ;
- dans quel objectif : sécurité, maîtrise budgétaire, accompagnement, amélioration des pratiques ;
- ce qui n’est pas fait, notamment en matière de surveillance individuelle abusive.
Dans les organisations concernées, ce sujet doit aussi être articulé avec les obligations RH, le RGPD, la DSI, la sécurité, et le dialogue social. Une gouvernance saine protège autant l’entreprise que les collaborateurs.
Usage agentique : pourquoi la facture peut accélérer
Les usages IA évoluent rapidement vers des fonctions plus autonomes : agents capables d’enchaîner des actions, navigation web, analyse de fichiers volumineux, génération de code, exploitation de connecteurs, automatisations longues. Ces usages sont puissants, mais souvent plus consommateurs.
Un agent qui explore plusieurs sources, raisonne par étapes, utilise des outils externes et produit un livrable complexe peut consommer bien davantage qu’une simple question-réponse. Ce n’est pas forcément un problème si la valeur est au rendez-vous. Mais cela nécessite des garde-fous :
- limites de consommation sur certains usages ;
- validation humaine pour les actions sensibles ;
- modèles différents selon la complexité ;
- suivi spécifique des automatisations longues ;
- revue régulière des agents réellement utiles.
Exemple : un agent de prospection commerciale qui recherche des entreprises, analyse leur site, prépare une accroche personnalisée et enrichit un CRM peut créer beaucoup de valeur. Mais il doit être encadré : qualité des sources, conformité RGPD, fréquence d’exécution, contrôle des coûts et validation des messages.
Une méthode pragmatique pour piloter la consommation IA
Pour passer d’une adoption spontanée à un pilotage maîtrisé, Mankova Consulting recommande une approche progressive en cinq étapes.
Étape 1 : cartographier les usages existants
Il s’agit d’identifier les outils utilisés, les populations équipées, les cas d’usage réels, les abonnements dispersés, les dépenses éventuelles en notes de frais et les usages sensibles. Cette cartographie doit être factuelle et non culpabilisante.
Étape 2 : définir les règles du jeu
L’entreprise doit clarifier les données autorisées, les données interdites, les outils validés, les règles d’utilisation des connecteurs, les responsabilités des utilisateurs et les cas nécessitant une validation.
Étape 3 : segmenter les accès
Tous les collaborateurs n’ont pas besoin des mêmes capacités. On peut définir des profils : utilisateur standard, utilisateur avancé, métier sensible, développeur, analyste, administrateur. Chaque profil dispose des modèles, outils et limites adaptés.
Étape 4 : suivre coût et valeur dans un même tableau de bord
Un comité IA ou un pilotage DSI/métiers peut suivre les indicateurs clés : adoption, consommation, valeur, risques, besoins de formation, cas d’usage à étendre ou à arrêter.
Étape 5 : accompagner les équipes
La formation reste déterminante. Un outil IA mal compris est soit sous-utilisé, soit utilisé de manière risquée. Des formations courtes, des ateliers métiers, des bibliothèques de prompts, des exemples de livrables et du coaching managérial permettent d’ancrer les bons réflexes.
Le rôle de Mankova Consulting
Mankova Consulting accompagne les entreprises dans cette phase de professionnalisation de l’IA. Notre particularité : nous combinons une expertise de terrain en conseil, formation, audit et accompagnement métier avec une expérience concrète d’éditeur de logiciels IA, à travers nos solutions Loop & Roll, Hyperstelia, MisterHey, FindTheProspect, Trustelia et TellMeHow.
Cette double culture nous permet d’aider les organisations à répondre à des questions très opérationnelles :
- faut-il déployer ChatGPT, Claude, une autre solution ou plusieurs outils ?
- quels usages prioriser par métier ?
- comment structurer les droits et les limites de consommation ?
- quels indicateurs suivre pour mesurer le ROI ?
- comment former les collaborateurs sans les noyer dans la technique ?
- comment éviter le shadow AI tout en favorisant l’innovation ?
Nos experts techniques et métier, issus de grandes entreprises tech et d’ESN, interviennent sur des missions de formation, coaching, audits et accompagnements sur mesure. L’objectif est toujours le même : rendre l’IA utile, maîtrisée et mesurable.
Conclusion : piloter l’IA, c’est créer les conditions d’une adoption durable
La consommation IA des collaborateurs ne peut plus être laissée au hasard. Avec la montée en puissance de ChatGPT Enterprise, Claude Enterprise et des usages agentiques, les entreprises doivent mettre en place une gouvernance claire, des indicateurs pertinents et une logique de FinOps IA.
Mais le pilotage ne doit pas devenir un frein. Bien conçu, il permet au contraire d’accélérer l’adoption, de concentrer les budgets sur les usages à forte valeur, de protéger les données sensibles et de renforcer la confiance interne.
La question n’est donc pas seulement : Claude ou ChatGPT ? La vraie question est : comment donner aux collaborateurs les bons outils, au bon niveau, avec les bons garde-fous, pour transformer l’IA en gains concrets ?
Les entreprises qui réussiront ne seront pas nécessairement celles qui auront acheté le plus de licences. Ce seront celles qui auront su relier consommation, compétences, sécurité et impact métier. C’est là que commence le véritable pilotage de l’IA.
