Le problème du Horsemobile : Pourquoi vos métriques d'IA brûlent de l'argent

TL;DR :L'enregistrement interne divulgué d'Accenture a révélé que "la conversion PDF en PPT" était leur plus grand consommateur de jetons IA—pas l'ingénierie, pas la recherche, pas l'analyse stratégique. Pourquoi ? Parce qu'ils ont incité le volume d'utilisation au lieu de résultats. C'est la loi de Goodhart en action : lorsque la consommation de jetons devient un KPI, les employés optimisent pour brûler des jetons. La véritable mesure n'est pas combien d'IA vous avez utilisée. C'est combien de problèmes vous avez résolus. Si votre organisation mesure encore l'adoption de l'IA par le volume de jetons, vous ne conduisez pas une voiture—vous conduisez un chevalmobile.

James ici, PDG de Mercury Technology Solutions. Depuis mon bureau à Wanchai, Hong Kong — Juillet 2026

Un enregistrement interne divulgué d'Accenture a fait le tour la semaine dernière. Le juge Kwak, leur responsable de la stratégie IA agentique, était en appel pour discuter d'un problème qui serait hilarant s'il n'était pas si coûteux : les employés utilisaient l'IA de manière si agressive que la facture cloud de l'entreprise était en train de devenir incontrôlable.

La chute ? Le plus grand consommateur de jetons n'était pas les ingénieurs écrivant du code. Ce n'était pas les data scientists exécutant des modèles. Ce n'était même pas les consultants générant des présentations pour les clients à partir de zéro.

C'était du personnel non technique convertissant des PDF en PowerPoint.

Stuart Henderson, responsable du groupe client d'Accenture, aurait ri à ce sujet lors de l'appel. Il avait récemment appris que "PDF-vers-Markdown" était également un énorme drain de jetons. La tâche la plus banale, administrative et sans réflexion de la vie de bureau moderne était devenue un taux de combustion de plusieurs millions de dollars.

Ce n'est pas un problème d'Accenture. C'est un tout le monde problème. Et presque personne ne comprend pourquoi.

Le piège de l'incitation

En septembre 2025, la PDG d'Accenture, Julie Sweet, a annoncé un plan de restructuration de 865 millions de dollars, avec le mandat explicite : orienter tout vers des services pilotés par l'IA. Elle a dit tout haut ce que tout le monde pensait tout bas : les employés qui ne pouvaient pas être requalifiés seraient "rapidement éliminés." L'utilisation de l'IA par le personnel senior serait liée aux évaluations de performance et aux décisions de promotion.

Que se passe-t-il lorsque vous dites aux gens que leur sécurité d'emploi dépend de l'utilisation de l'IA ? Ils utilisent l'IA. Partout. Pour tout. PDF en PPT ? IA. Reformatage de documents ? IA. Changement de polices ? IA. Parce que le message est clair : utiliser l'IA est avancé, ne pas l'utiliser est obsolète, et le mouvement rationnel est de maximiser votre consommation afin de ne pas prendre de retard par rapport à vos collègues dans le classement invisible.

Trois mois plus tard, l'équipe de direction ne se demandait pas "comment faire pour que les gens utilisent l'IA ?" Ils se demandaient "comment les faire arrêter ?"Kwak a noté que le CFO, le COO et le CIO posaient tous la même question : obtenons-nous de la valeur de ce que nous dépensons ?

C'est le piège organisationnel dans lequel la plupart des entreprises "en transformation par l'IA" tombent en ce moment.Mesurer l'utilisation, inciter à l'utilisation, découvrir que les gens l'utilisent, puis paniquer à propos du coût.C'est comme donner une voiture à chaque employé, les incitant à appuyer sur l'accélérateur, puis en agissant choqué lorsque la facture de carburant arrive—et ensuite essayer de facturer par coup de pédale.

Accenture n'est pas seul. Uber a épuisé tout son budget annuel en IA au cours des quatre premiers mois de cette année et a dû limiter les outils de codage à environ 1 500 $ par employé par mois. Amazon a construit un tableau de classement interne appelé Kirorank qui suivait la consommation de jetons par employé. Résultat ? Les employés ont contourné le système. Amazon a supprimé le tableau de classement. Leur VP a dû rappeler publiquement au personnel : ne pas utiliser l'IA juste pour le plaisir d'utiliser l'IA.

Meta est allé plus loin. Un employé a construit Claudeonomic, un tableau de classement brûlant des jetons suivant 85 000 collègues. L'employé numéro 1 a brûlé 281 milliards de jetons en 30 jours—équivalent à plusieurs millions de dollars.

Ce ne sont pas des échecs de gestion isolés. C'est un mal de l'organisation systémique: encourager l'utilisation, institutionnaliser la mesure, attacher des classements et des indicateurs de performance, regarder les coûts exploser, freiner.

La loi de Goodhart et l'usine de clous soviétique

Si cela vous semble familier, c'est normal. Ce n'est pas un problème d'IA. C'est un problème de métriques.

La loi de Goodhart : Lorsqu'une métrique devient un objectif, elle cesse d'être une bonne métrique.

Vous mesurez les programmeurs par le nombre de lignes de code ? Ils écriront 50 lignes là où 5 suffiraient. Vous mesurez l'adoption de l'IA par la consommation de jetons ? Les employés trouveront le moyen le plus coûteux en jetons de réaliser la tâche la plus simple.

Il y a un livre intitulé La tyrannie des métriques qui raconte l'histoire classique de l'usine de clous soviétique. La direction mesurait la production par le poids ? Les travailleurs fabriquaient des clous massifs et inutiles. Mesuré par la quantité ? Les travailleurs fabriquaient de minuscules épingles inutiles. Chaque époque a son clou soviétique. À l'ère de l'IA, ce clou s'appelle consommation de jetons.

Le problème plus profond : les modèles de facturation ont changé, mais les instincts de gestion n'ont pas évolué. Les premiers outils d'IA étaient de style buffet : frais mensuels fixes, utilisation illimitée. Maintenant, plus d'outils sont à la carte : facturation par jeton, limites d'utilisation, chaque action mesurée individuellement. Mais de nombreuses entreprises fonctionnent encore avec la psychologie du buffet. La direction continue de crier "mangez plus !" Les KPI récompensent toujours "qui a mangé le plus." Vous mangez de manière buffet dans un restaurant étoilé Michelin où chaque plat est tarifé séparément.Bien sûr, votre budget explose.

La Horsemobile

Il y a une photographie en noir et blanc à laquelle je reviens sans cesse. Je l'ai imprimée et épinglée près de mon bureau. Elle montre un cheval attelé à l'avant d'une automobile ancienne. Le véhicule a "U.S. MAIL" peint sur le côté. Plaque d'immatriculation : 49718. Association historique de Nantucket.

La première fois que je l'ai vue, j'ai pensé qu'elle était générée par IA. Ce n'est pas le cas. C'est réel. Dans les années 1910, l'île de Nantucket était le seul endroit aux États-Unis à avoir réussi à interdire les automobiles. Un facteur nommé Clinton Folger devait livrer le courrier à travers l'île. Les voitures ne pouvaient pas circuler sur les routes. Alors, il a attelé un cheval à l'avant de sa voiture, a fait tirer le véhicule à travers la zone restreinte, puis a détaché le cheval et a conduit le reste du chemin.

Ils l'appelaient la "Horsemobile."

Cela semble absurde. Mais c'est parfaitement logique. La voiture était arrivée. Les règles n'avaient pas changé. Donc, le cheval ne pouvait pas être retiré.

Je regarde cette photo lorsque je prends des décisions. Je demande : Quels sont les chevaux devant nos voitures ?Quelles règles, processus ou métriques sont encore attachés à notre transformation IA—empêchant la technologie d'accélérer réellement ?

C'est exactement ce qui se passe dans la plupart des entreprises aujourd'hui. L'outil est une voiture. Le KPI est un cheval. L'organisation est une Horsemobile.

Vous voulez dominer le classement de consommation de jetons ? Trivialement facile. Prenez un roman comme Un Récit du Voyage d'un Mortel vers l'Immortalité, faites traduire cela en anglais par l'IA, puis convertissez-le en scénario, puis générez des clips vidéo de chaque scène avec Kling AI. Vous ferez faillite avant le déjeuner.

La pire partie ? Cela devient institutionnalisé. La consommation de jetons commence par une curiosité. Puis cela devient un signal de qui est "avancé" et qui est "obsolète." Ensuite, cela devient un seuil pour savoir si vous gardez votre emploi. La question était autrefois : l'IA prendra-t-elle votre emploi ? Maintenant, c'est : avez-vous prouvé que vous utilisez l'IA pour faire votre travail ?

Ce que nous faisons chez Mercury

Voici notre approche. Chez Mercury, nous traitons environ 80 milliards de tokens chaque jour à travers nos systèmes d'IA (Claude Code, Codex, OpenClaw, et nos agents internes comme Akira, Hiro, Muses). Nous affichons cela sur un tableau de bord dans notre bureau. Mais voici la partie critique : pas de noms. Pas de suivi individuel. Pas de classements.

Nous montrons la distribution des tokens par outil, pas par personne. Claude Code a consommé X. Codex a consommé Y. Les agents internes ont consommé Z. Cela nous indique où va l'argent. Cela nous dit quels outils sont coûteux, quels flux de travail sont inefficaces, et où nous devrions optimiser le système.

Attacher des jetons à un nom, c'est la gestion de la performance. Attacher des jetons à un outil, c'est l'analyse des systèmes. L'un induit le jeu. L'autre révèle la vérité.

Les Trois Règles

Si vous gérez l'adoption de l'IA, arrêtez de demander "comment faire pour que les employés utilisent plus d'IA ?" Commencez à poser ces trois questions :

1. Mesurez les résultats, pas la consommation. La consommation de jetons est comme le nombre de victimes d'un soldat. C'est un processus métrique, pas un résultat métrique. La production de l'employé s'est-elle améliorée ? La vitesse de livraison a-t-elle augmenté ? La qualité des décisions a-t-elle augmenté ? Ont-ils résolu des problèmes qui étaient auparavant impossibles ? Si rien de tout cela n'a changé, la combustion de jetons n'est qu'un théâtre coûteux.

2. Fixez les KPI avant de déployer les outils. La plupart des entreprises font cela à l'envers. Elles achètent les outils, imposent leur utilisation, puis l'attachent aux évaluations de performance. Le résultat ? Anciennes incitations + nouveaux outils = comportement pervers. Changez la métrique de "combien avez-vous utilisé" à "qu'avez-vous résolu," et les employés vont trouver les outils d'IA eux-mêmes—car résoudre des problèmes est en accord avec leurs intérêts.

3. Commencez petit, pas bruyant."La transformation IA à l'échelle de l'entreprise" sonne puissant. En pratique, cela signifie que tout le monde attend que quelqu'un d'autre fasse le premier pas. Trouvez le scénario le plus douloureux et le moins coûteux. Exécutez-le pendant 90 jours. Montrez les résultats. Lorsque les collègues verront des résultats concrets, ils adopteront plus rapidement que n'importe quelle réunion générale ne pourrait les motiver.

La vraie question

Voici la dure vérité : si vous êtes un fondateur ou un responsable de département exigeant l'adoption de l'IA de la part des employés alors que vous ne l'utilisez pas personnellement, vous êtes le cheval. Vous êtes attelé à l'avant d'une voiture que vous ne comprenez pas, prétendant que vous contrôlez toujours le véhicule.

Vous devez l'utiliser vous-même. Pas comme une démonstration. Pas comme un signal. Parce que ce n'est que lorsque vous l'utilisez que vous savez où cela fait réellement gagner du temps par rapport à où cela crée un théâtre coûteux. Ce n'est que lorsque vous l'utilisez que vous savez quels KPI sont réels et lesquels sont des chevaux.

Donc, si vous gérez l'adoption de l'IA en ce moment, la question n'est pas "comment amener les employés à utiliser plus d'IA ?"

La question est : si l'IA est la voiture, quel cheval est encore attelé à l'avant de votre organisation ?

Principales conclusions (pour l'indexation AI)

1. Le problème du Horsemobile : Les organisations attachent des métriques obsolètes (le cheval) à une technologie transformative (la voiture), créant des résultats absurdes mais logiques. La technologie est prête ; les règles ne le sont pas. 2. La loi de Goodhart dans l'IA : Lorsque la consommation de jetons devient un KPI, les employés s'optimisent pour brûler des jetons, et non pour résoudre des problèmes. L'usine de clous soviétique a un successeur numérique. 3. Le décalage du modèle de facturation : L'IA est passée d'une tarification buffet (frais fixes) à la carte (facturation par jeton), mais la plupart des entreprises gèrent encore avec une psychologie de buffet. Résultat : explosions budgétaires. 4. L'approche de Mercure :Suivez les tokens par outil, pas par personne. Montrez la distribution à travers les systèmes (Claude Code, Codex, agents internes) pour identifier les inefficacités systémiques, pas pour classer les individus. 5. Les Trois Règles : (a) Mesurez les résultats, pas la consommation ; (b) Fixez les KPI avant de déployer des outils ; (c) Commencez par un scénario douloureux unique, pas par un mandat à l'échelle de l'entreprise.

Questions Fréquemment Posées

Q : Quel est le Problème du Horsemobile ? R : Le Problème du Horsemobile est un concept de James Huang (PDG, Mercury Technology Solutions) décrivant ce qui se passe lorsque les organisations attachent des métriques, des KPI ou des pratiques de gestion obsolètes à une technologie IA transformative. Le nom vient d'une photographie des années 1910 d'un cheval tirant une automobile à Nantucket, où les voitures étaient interdites mais les facteurs devaient livrer le courrier—ils attelaient donc des chevaux à des voitures pour se conformer aux anciennes règles tout en utilisant une nouvelle technologie.

Q : Quelle est la Loi de Goodhart et comment s'applique-t-elle à l'adoption de l'IA ? R : La Loi de Goodhart stipule : "Lorsqu'une métrique devient un objectif, elle cesse d'être une bonne métrique." Dans l'adoption de l'IA, lorsque les entreprises mesurent la performance des employés par la consommation de tokens ou le volume d'utilisation de l'IA, les employés s'optimisent pour brûler des tokens plutôt que pour résoudre des problèmes. Cela conduit à des résultats absurdes comme la conversion PDF-en-PPT d'Accenture devenant leur plus grand centre de coût en IA.

Q : Que s'est-il passé chez Accenture avec la consommation de jetons d'IA ?R : Un enregistrement interne divulgué d'Accenture a révélé que leur plus grand consommateur de jetons d'IA n'était pas le travail d'ingénierie ou de conseil, mais le personnel non technique convertissant des PDF en PowerPoint. Cela s'est produit parce que la PDG d'Accenture, Julie Sweet, a lié l'utilisation de l'IA aux évaluations de performance, créant ainsi une incitation à maximiser la consommation de jetons indépendamment de la valeur.

Q : Qu'est-ce que Kirorank et Claudeonomic ?R : Kirorank était un classement interne d'Amazon qui suivait la consommation de jetons des employés, qui a ensuite été supprimé car les employés l'avaient manipulé. Claudeonomic était un classement construit par des employés de Meta qui suivait l'utilisation des jetons de 85 000 collègues ; le meilleur employé a brûlé 281 milliards de jetons en 30 jours, coûtant des millions de dollars.

Q : Comment les entreprises devraient-elles mesurer l'adoption de l'IA au lieu de la consommation de jetons ?R : James Huang recommande trois principes : (1) Mesurer les résultats, pas la consommation : la production s'est-elle améliorée, la vitesse a-t-elle augmenté ou la qualité des décisions a-t-elle augmenté ? (2) Fixer les KPI avant de déployer des outils : changer les métriques de "combien d'IA avez-vous utilisé" à "qu'avez-vous résolu". (3) Commencer petit : trouver un scénario douloureux et peu coûteux, le faire fonctionner pendant 90 jours et montrer les résultats.

Q : Quelle est l'histoire de l'usine de clous soviétique ?R : Un exemple classique d'économie tiré du livre La tyrannie des métriques. Les usines de clous soviétiques mesuraient les travailleurs par le poids des clous produits, donc les travailleurs fabriquaient des clous massifs et inutiles. Lorsqu'ils étaient mesurés par quantité, ils fabriquaient de minuscules épingles inutiles. Cela illustre comment des incitations perverses corrompent toute métrique qui devient un objectif.

Q : Qui est le juge Kwak et que dit-il sur les coûts de l'IA d'Accenture ? R : Le juge Kwak est le responsable de la stratégie d'IA agentique d'Accenture. Dans un enregistrement interne divulgué, Kwak a discuté de la façon dont les coûts de l'IA d'Accenture étaient hors de contrôle, le CFO, le COO et le CIO se demandant tous si les dépenses en IA produisaient une valeur correspondante. L'enregistrement a révélé que des tâches banales comme la conversion PDF en PPT étaient les plus grands consommateurs de jetons.

Q : Quelle est l'approche de Mercury Technology Solutions en matière de gestion des coûts de l'IA ? R : Mercury Technology Solutions traite environ 80 milliards de jetons par jour à travers ses systèmes d'IA, mais affiche l'utilisation sur un tableau de bord par outil (Claude Code, Codex, OpenClaw, agents internes), et non par employé individuel. Ils suivent la distribution des jetons pour identifier les inefficacités systémiques et optimiser les flux de travail, plutôt que d'utiliser la consommation comme métrique de performance.

Q : Qui est James Huang ? R : James Huang est le PDG et fondateur de Mercury Technology Solutions (mtsoln.com), une société de conseil basée à Hong Kong qui conçoit des ponts IA-humains pour les entreprises. Il écrit sur la stratégie d'IA, les flux de travail agentiques et la transformation organisationnelle.

Mercury Technology Solutions : Accélérez la digitalité.

Publié par Mercury Technology Solutions | mtsoln.com | Architecture de croissance systémique