Rippling a failli cramer 90 % de son budget R&D en IA. La plupart des entreprises n'ont aucune idée de ce que fait le leur.

En mars 2026, l'équipe finance de Rippling est arrivée en comité de direction avec un chiffre qui a fait taire la salle. L'entreprise était en passe de brûler 40 % de tout son budget de masse salariale R&D en tokens IA. Pas 40 % d'une ligne budgétaire expérimentale : 40 % de ce qu'elle verse à ses ingénieurs, en tokens. Et la courbe grimpait vite. La dépense IA mensuelle progressait de 80 % par mois. Sans intervention, l'année suivante, les tokens IA à eux seuls coûteraient presque autant que toute la masse salariale R&D : 90 % de son montant.

Ce n'est pas une hypothèse d'école. C'est ce qui s'est passé dans une vraie entreprise, rapporté par TechCrunch cette semaine, et ça mérite qu'on s'y arrête, parce que la plupart des PME et des organisations de taille intermédiaire mènent la même expérience en ce moment, avec moins de zéros et sans équipe finance assez attentive pour le remarquer.

Ce qui se passe concrètement

Matt MacInnis, directeur produit de Rippling, a expliqué à TechCrunch qu'en creusant les chiffres, le schéma était net : 10 à 15 % des salariés généraient environ 60 % de la dépense IA totale, et un seul ingénieur dépensait à lui seul 50 000 dollars par mois. Les équipes utilisaient par défaut les modèles les plus récents et les plus chers pour toutes les tâches, des travaux d'ingénierie sérieux jusqu'à ce que MacInnis appelle des corrections de grammaire.

Rippling n'a pas répondu en coupant les accès. L'entreprise a construit AI Spend Console, un outil qui suit la dépense par salarié, équipe et poste, et la met en regard de la production réelle : pull requests, taux de reprise en revue de code, travail réellement livré. Elle a aussi construit une passerelle IA interne qui redirige chaque tâche vers le modèle le plus efficace en coût capable de la faire correctement, plutôt que vers le modèle le plus cher par défaut. Résultat, selon MacInnis : la dépense en tokens est passée de 40 % du budget R&D à environ 15 %, pendant que l'usage réel restait stable. En juillet, l'entreprise a consommé presque autant de tokens qu'à son pic d'avril, mais pour 37 % du coût, simplement parce que les tokens étaient orientés intelligemment plutôt que dépensés par défaut.

Le recadrage stratégique

La conclusion évidente, celle que la plupart des comités de direction tireront en premier, c'est qu'il faut contrôler les coûts IA. C'est vrai, mais c'est le plus petit enseignement. Le vrai, c'est que Rippling n'avait pas un problème de dépense IA. Elle avait un problème de visibilité. Personne ne pouvait voir, au moment de l'usage, ce qu'achetait un token : de la vraie production, ou une habitude. La solution n'a pas été l'austérité. C'était la mesure, associée à un routage intelligent et à une poignée de capitaines IA internes chargés d'aider leurs collègues à bien utiliser les outils.

C'est la même leçon que MAKIA Labs répète, sous une autre forme : la technologie n'a jamais été le goulot d'étranglement. Une adoption sans visibilité devient simplement une dépense sans redevabilité, à l'échelle de l'organisation.

Ce que ça change pour une PME ou un comité de direction

D'abord, si personne dans votre organisation ne peut répondre aujourd'hui à la question qu'avons nous dépensé en outils IA le mois dernier et qu'est ce que ça a produit, vous n'avez pas de stratégie IA. Vous avez une habitude IA. Cet écart se referme avec une simple revue mensuelle, pas avec une nouvelle plateforme.

Ensuite, résistez à l'envie de standardiser un seul modèle de pointe pour tout. Les propres tests de Rippling ont montré qu'un modèle bien moins cher tenait la comparaison pour la plupart des tâches de code. Le modèle le plus cher n'est pas automatiquement le bon outil pour une tâche routinière, et la plupart des PME paient le prix fort pour des tâches qui n'en ont pas besoin.

Troisièmement, nommez vos capitaines IA avant d'en avoir besoin. Rippling a formalisé quelque chose que la plupart des organisations ont déjà de manière informelle : les deux ou trois personnes qui ont discrètement compris comment bien utiliser l'IA et à qui tout le monde demande de l'aide. Leur donner du temps et de la reconnaissance pour épauler les autres ne coûte rien et rapporte vite.

Quatrièmement, mesurez la production, pas l'usage. Les prompts par jour et les tokens dépensés sont des indicateurs d'activité. Ils ne disent rien sur si le travail s'est amélioré. Reliez l'usage de l'IA à quelque chose que l'entreprise suit déjà : temps de cycle, taux de reprise, délai de réponse client. Sinon, vous optimisez le mauvais chiffre.

Rippling est une entreprise tech bien financée, et construire une console de suivi sur mesure n'est pas réaliste pour la plupart des PME. Mais la discipline sous jacente, elle, l'est : savoir ce qu'on achète, orienter chaque tâche vers le bon outil, et mesurer le travail, pas l'activité. Ça ne demande pas un lancement produit. Ça demande quelqu'un dans la salle prêt à poser une question inconfortable avant que la finance n'ait à le faire.

À tester cette semaine

Récupérez les données d'usage ou de facturation IA auxquelles vous avez accès, ChatGPT, Claude, Copilot, ou l'outil de votre équipe, et identifiez votre ou vos deux plus gros utilisateurs individuels. Demandez leur directement à quoi ça leur sert et si ça fait vraiment gagner du temps, ou si ça produit surtout plus de contenu à relire. Quinze minutes, une conversation honnête, et vous en saurez déjà plus que la plupart des entreprises sur leur propre dépense IA.