GPT-4o mini : les usages qui basculent quand le coût s'effondre

Un modèle capable de traiter une tâche simple pour une fraction de centime fait basculer des usages qui n'étaient pas défendables, et ces usages ne sont pas ceux qu'on imagine. Ils sont massifs, invisibles et sans prestige.

La discussion publique porte sur l'assistant conversationnel. La valeur économique, elle, se trouve dans le traitement systématique : classer chaque courrier entrant, enrichir chaque fiche d'une base, contrôler chaque document produit.

Ces traitements ont un point commun : ils portent sur de très grands volumes et sur des tâches individuellement triviales. À un centime par unité, ils sont hors de prix. À un centième de centime, ils deviennent évidents.

Chercher les traitements que quelqu'un fait à la main aujourd'hui, en série, sur des milliers d'unités. C'est le seul critère qui identifie de façon fiable les candidats.

Trois questions suffisent. Y a-t-il une personne qui, chaque semaine, applique le même jugement simple à des centaines d'éléments ? Ce jugement est-il énonçable en trois lignes ? Une erreur occasionnelle est-elle rattrapable ?

Si les trois réponses sont oui, le traitement est un candidat. Les exemples reviennent d'un secteur à l'autre : orienter une demande vers le bon service, repérer les pièces manquantes d'un dossier, détecter qu'un document est une facture plutôt qu'un bon de commande, signaler les fiches produit sans description.

Le piège à éviter est de viser trop haut. Un traitement massif qui remplace un jugement expert échoue ; un traitement massif qui pré-trie avant un jugement expert réussit presque toujours. La distinction est développée dans combien de cas d'usage faut-il abandonner.

Un traitement par lot mal borné consomme un budget entier en une nuit, et c'est l'incident le plus fréquent sur ce type d'usage. La cause est presque toujours la même : une boucle qui retraite ce qui a déjà été traité.

Le scénario type : le traitement échoue sur une pièce, redémarre depuis le début, échoue de nouveau, et recommence. Sans plafond, la facture croît jusqu'à ce que quelqu'un s'en aperçoive, c'est-à-dire au relevé.

Les parades sont simples et doivent être posées avant le premier lancement : un plafond de dépense par exécution appliqué par le système, un marquage des éléments déjà traités, une limite au nombre de reprises, et une alerte sur le volume traité par heure.

Aucune de ces protections n'est difficile. Toutes sont systématiquement absentes des premiers traitements par lot que je reprends.

Un traitement de masse produit une valeur réelle mais invisible, ce qui pose un problème de reconnaissance interne. Il faut l'anticiper si l'on veut que le projet survive à sa première revue.

Un assistant conversationnel se montre en réunion. Un tri automatique du courrier entrant ne se montre pas : il produit une absence de travail, ce qui ne se photographie pas.

La parade consiste à mesurer avant, pour pouvoir comparer après. Le temps passé au tri manuel, le délai moyen de traitement d'une demande, le nombre de dossiers incomplets détectés tardivement. Ces chiffres relevés en amont transforment un gain invisible en résultat démontrable.

C'est le même principe que celui posé dans mesurer l'adoption, pas la satisfaction : ce qui n'est pas mesuré avant ne peut pas être valorisé après.

La baisse du coût unitaire déplace le bon critère de sélection : du cas d'usage le plus impressionnant vers le cas d'usage le plus répétitif. C'est un renversement complet par rapport aux deux années précédentes.

Quand chaque appel coûtait cher, la logique voulait qu'on réserve l'IA aux tâches à forte valeur unitaire, une analyse experte, une synthèse stratégique. Ces tâches sont rares, difficiles à évaluer, et leur automatisation déçoit souvent.

Quand l'appel ne coûte presque rien, la logique s'inverse : on vise le volume. Une tâche sans prestige, répétée dix mille fois par mois, produit un gain mesurable et incontestable. C'est aussi le type de projet qui aboutit le plus souvent, parce que le succès y est vérifiable.