Évaluation quantitative de la rentabilité de l'IA

9 mai 2026

Évaluation quantitative de la rentabilité de l’IA

Le patron demande : “Combien ça coûte de doter les employés d’assistants IA, et est-ce que ça vaut le coup ?” Vous ne savez pas quoi répondre, vous vous sentez mal à l’aise. Cet article discute de la façon de calculer clairement ce compte.

Contexte

Ces dernières années, Claude Code, GitHub Copilot et divers autres assistants de programmation IA ont inondé le marché comme une marée. En tant que technicien, vous les utilisez probablement déjà et vous sentez que cela améliore vraiment l’efficacité, comme si quelqu’un vous tendait une échelle à côté de vous.

Mais quand il s’agit de discuter du retour sur investissement avec votre patron ou vos clients, vous vous heurtez souvent à un mur — comment transformer cette sensation subjective d‘“amélioration de l’efficacité” en métriques quantifiables ? En fait, je comprends ce sentiment, c’est comme quand vous aimez quelqu’un et qu’on vous demande “qu’est-ce que tu aimez chez elle”, vous bafouillez pendant un moment et ne dites que “je l’aime, c’est tout”. Ce n’est pas blâmable, sauf que le patron veut des chiffres, pas vos sentiments.

Le problème ne s’arrête pas là :

Retour sur investissement : Est-ce que le coût d’équiper l’équipe d’outils IA en vaut la peine ?

Quantification de l’efficacité : Comment transformer l‘“amélioration de l’efficacité” pour différents postes et niveaux d’utilisation en indicateurs mesurables ?

Évaluation des risques : Si les concurrents adoptent l’IA à grande échelle, quel sera l’impact sur notre compétitivité ?

Les calculs traditionnels de ROI ignorent souvent deux facteurs clés :

Perspective des coûts totaux de l’entreprise : On ne considère que le salaire, en ignorant les différences entre villes, les cotisations sociales et autres coûts annexes
Modèle économique des tokens : Manque d’un cadre de calcul reliant l’utilisation de l’IA (tokens) à la production réelle

Ces deux facteurs sont indispensables. Prenons un exemple réel : pour un même salaire annuel de 300 000, le coût réel pour l’entreprise peut varier de plus de 30% entre Pékin et Wuhan. Et ce n’est même pas en comptant le coût de l’utilisation de l’IA elle-même. Le coût, c’est comme un iceberg en mer, vous n’en voyez toujours qu’une petite partie…

À propos de HagiCode

La solution partagée dans cet article provient de notre expérience pratique dans le projet HagiCode.

À vrai dire, HagiCode n’est qu’un projet d’assistant de code IA. C’est juste que pendant le développement, nous avions vraiment besoin d’évaluer précisément la rentabilité de différents modèles d’IA — après tout, l’argent de personne ne vient pas du vent. Pour cela, nous avons construit un cadre de calcul complet et open source l’outil d’évaluation HagiCode Cost.

Si vous réfléchissez aussi aux questions de coût de l’IA, cette solution pourrait peut-être vous donner quelques références. Ou peut-être pas, je ne peux rien garantir, juste essayer et voir.

Cadre de calcul central

Une évaluation complète de la rentabilité de l’IA nécessite d’établir un modèle à trois niveaux :

Couche d'entrée
├── Données de salaire annuel
├── Coefficient de niveau de ville
├── Choix du modèle IA
├── Estimation du multiplicateur d'efficacité
└── Consommation quotidienne de tokens

Couche de calcul
├── Comptabilité des coûts totaux de l'entreprise
├── Calcul du coût annuel de l'IA
├── Analyse de la proportion des coûts
├── Calcul du retour sur investissement
└── Conversion en effectifs équivalents

Couche de sortie
├── Proportion des coûts IA
├── Amélioration de l'efficacité
├── Retour sur investissement
├── Nombre d'effectifs équivalents
└── Évaluation du risque d'élimination

Ce cadre semble assez complexe, comme si on voulait vous embrouiller. En fait, la logique centrale est très simple : calculer clairement le coût réel du personnel pour l’entreprise, calculer clairement le coût annuel de l’IA, puis regarder le ROI et les effectifs équivalents. Après tout, simplifier les choses complexes est la voie à suivre.

Calcul des indicateurs clés

Coût annuel total du personnel de l’entreprise

D’abord parlons du coût total de l’entreprise, ce n’est pas simplement le salaire annuel multiplié par 12 mois. Le coût réel doit considérer deux facteurs :

Coefficient de ville : Les coûts annexes des villes de premier rang (Beijing, Shanghai, Guangzhou, Shenzhen) sont environ 30% plus élevés que dans les autres villes. Cela inclut les assurances sociales, le fonds de logement, divers avantages sociaux, et aussi la prime du coût de la vie dans les villes de premier rang — après tout, vivre à Pékin et vivre à Wuhan, le prix n’est vraiment pas le même.

Coûts d’emploi additionnels : À peu près équivalents à 1 mois de salaire, pour couvrir les bonus de fin d’année, diverses allocations, l’amortissement des équipements de bureau, etc. Ces sommes semblent peu importantes, mais elles s’accumulent.

Donc la formule est :

Coût annuel total du personnel = Salaire annuel × (1 + Coefficient de ville) + Salaire annuel/12

Le coefficient de ville peut se référer à cette norme :

Villes de premier rang (Beijing, Shanghai, Guangzhou, Shenzhen) : 0.4
Nouveau premier rang (Hangzhou, Chengdu, Suzhou, Nanjing) : 0.3
Villes de deuxième rang (Wuhan, Xi’an, Tianjin, Zhengzhou) : 0.2
Autres villes : 0.1

Coût annuel de l’IA

Le calcul du coût de l’IA est un peu plus compliqué, car les modèles d’IA facturent par token. Et les prix d’entrée et de sortie sont différents — la sortie est généralement 5 à 10 fois plus chère que l’entrée. Ce n’est pas surprenant, après tout la sortie c’est l’IA qui “travaille”, l’entrée c’est juste vous qui “parlez”.

Dans les scénarios de code, le ratio entrée/sortie est d’environ 3:1, donc nous pouvons calculer un prix unitaire composite :

// Prix unitaire composite (selon le ratio entrée/sortie 3:1)
Prix unitaire composite = (3 × Prix d'entrée + Prix de sortie) / 4

// Coût quotidien moyen
Coût quotidien moyen de l'IA = Consommation quotidienne de tokens (M) × Prix unitaire composite

// Coût annuel (selon 264 jours ouvrables)
Coût annuel moyen de l'IA = Coût quotidien moyen de l'IA × 264

Prenons un exemple, le prix d’entrée de GPT-5.4 est 2.5 USD/1M tokens, le prix de sortie est 15 USD/1M tokens. Alors le prix unitaire composite est :

Prix unitaire composite = (3 × 2.5 + 15) / 4 = 5.625 USD/1M tokens

Converti en yuan chinois (en supposant un taux de change de 1 USD = 7.25 CNY) :

Prix unitaire composite = 5.625 × 7.25 = 40.78 yuans/1M tokens

Ce taux de change va changer, c’est juste fixé lors du calcul, pour faciliter le calcul.

Indicateurs clés de rentabilité

Avec les deux coûts ci-dessus, nous pouvons calculer les indicateurs clés :

// Proportion des coûts IA
Proportion des coûts IA = Coût annuel moyen de l'IA / Coût annuel total du personnel

// Amélioration de l'efficacité
Amélioration de l'efficacité = Multiplicateur d'efficacité - 1

// Retour sur investissement IA
ROI de l'IA = Amélioration de l'efficacité / Proportion des coûts IA

// Nombre de flux de travail abordables
Nombre abordables = Coût annuel total du personnel / Coût annuel moyen de l'IA

// Effectifs équivalents
Effectifs équivalents = 1 + (Multiplicateur d'efficacité - 1) × min(Nombre abordables, 1)

La signification de ces indicateurs :

Proportion des coûts IA : Le pourcentage du coût du personnel de l’entreprise nécessaire pour maintenir le flux de travail Agent. Plus ce chiffre est bas, plus l’IA est utilisée de manière “économique”. Économiser, ça plaît à tout le monde, non ?

Retour sur investissement : Amélioration de l’efficacité ÷ Proportion des coûts IA. Moins de 1 signifie “plutôt gaspillé”, plus de 2 signifie “très rentable”. C’est en fait assez compréhensible, comme quand vous achetez du temps avec de l’argent, rentable ou non, il suffit de calculer.

Effectifs équivalents : Il y a ici un point facilement mal compris. Ce n’est pas accepter directement le multiplicateur d’efficacité, mais voir si l’entreprise peut se permettre ce flux de travail IA. Si le nombre abordable est inférieur à 1, alors les effectifs équivalents ne peuvent pas atteindre votre multiplicateur d’efficacité attendu. Après tout, on ne peut pas faire de cuisine sans ingrédients…

Exemple de calcul réel

Prenons un exemple de calcul réel. Supposons un développeur backend dans une ville de premier rang :

Salaire annuel : 300 000
Utilisation de GPT-5.4, multiplicateur d’efficacité : 2.5x
Consommation quotidienne de tokens : 12 M

Première étape : Calculer le coût total de l’entreprise

Coût total de l'entreprise = 30 × (1 + 0.4) + 30/12 = 44.5 wans (1000s)

Deuxième étape : Calculer le coût annuel de l’IA

Prix unitaire composite = 40.78 yuans/1M tokens
Coût quotidien = 12 × 40.78 = 489.36 yuans
Coût annuel = 489.36 × 264 = 129 191 yuans ≈ 12.9 wans

Troisième étape : Calculer les indicateurs de rentabilité

Proportion des coûts IA = 12.9 / 44.5 = 29%
Amélioration de l'efficacité = 2.5 - 1 = 150%
ROI = 1.5 / 0.29 = 5.17x

Quatrième étape : Calculer les effectifs équivalents

Nombre abordables = 44.5 / 12.9 = 3.45
Effectifs équivalents = 1 + (2.5 - 1) × 1 = 2.5 personnes

Quelle est la conclusion ? Le retour sur investissement de cette utilisation de l’IA dépasse 5, ce qui relève de la plage “très rentable”. Si toute l’équipe l’utilise, formant un avantage de capacité d’environ 2.5 personnes, elle sera très compétitive sur le marché.

C’est en fait assez raisonnable, après tout l’argent que vous dépensez pour l’IA est bien inférieur à la production supplémentaire que vous obtenez. Cette affaire, c’est rentable.

Impact des multi-agents

HagiCode a découvert un phénomène intéressant dans l’utilisation pratique : l’amélioration de l’efficacité d’un seul agent a une limite.

C’est en fait assez naturel, comme une personne aussi brillante soit-elle, ne peut faire qu’une seule chose en même temps. Après tout, vous n’êtes pas une pieuvre.

Le mode d’utilisation traditionnel à agent unique présente plusieurs goulots d’étranglement :

Limitation série : Proposition → Implémentation → Révision → Correction, doit attendre tour à tour. Un agent aussi rapide soit-il, ne peut faire qu’une chose après l’autre. C’est comme quand vous cuisinez, laver les légumes, les couper, les faire sauter, vous ne pouvez faire qu’une étape à la fois.

Gaspillage de quota : Les limites mensuelles de quota ne peuvent pas être pleinement utilisées. Si le quota du mois n’est pas épuisé, il ne peut pas être reporté au mois suivant. Ce n’est pas surprenant, c’est juste dommage.

Changement de contexte : Différentes tâches nécessitent de rétablir le contexte, chaque fois il faut répéter les informations de fond. Comme quand vous parlez de la même chose avec différentes personnes, chaque fois vous devez recommencer du début, c’est fatigant.

L’architecture multi-agents de HagiCode résout ces problèmes par des sessions parallèles :

Parallélisme 10x+ : Plusieurs agents pilotent simultanément plusieurs instances, réalisant vraiment un travail parallèle
Amélioration du débit : Proposition, implémentation, correction peuvent avancer en parallèle, sans attendre les uns les autres
Amélioration de l’utilisation des tokens : Le processus OpenSpec réduit les retouches, diluant la consommation équivalente

Le changement que cela apporte est énorme. Reprenons l’exemple ci-dessus, si on utilise l’architecture multi-agents de HagiCode :

Nombre de sessions parallèles : 4
Amélioration de l’utilisation des tokens : 1.5x

Calcul après amplification :

Efficacité après amplification = 2.5 × 4 = 10x
Tokens quotidiens optimisés = (12 × 4) / 1.5 = 32 M
Coût annuel optimisé = 32 × 40.78 × 264 = 34.4 wans

Nouveaux indicateurs de rentabilité :

Nouvelle proportion des coûts IA = 34.4 / 44.5 = 77%
Nouveau ROI = 9 / 0.77 = 11.68x
Nouveaux effectifs équivalents = 1 + (10 - 1) × 1 = 10 personnes

Bien que la proportion des coûts IA soit passée de 29% à 77%, le retour sur investissement est passé de 5.17x à 11.68x, et les effectifs équivalents sont passés de 2.5 à 10 personnes.

C’est la puissance du parallélisme multi-agents. Un agent est une personne, dix agents sont une équipe… Cette différence n’est pas minime.

Points d’attention dans la pratique

Ne vous trompez pas sur le coefficient de ville

Les différences de coût d’emploi entre différentes villes sont significatives, les coûts annexes des villes de premier rang sont environ 30% plus élevés que dans les autres villes. Lors du calcul, assurez-vous d’utiliser le bon niveau de ville. Si ce chiffre est un peu faux, le résultat final peut être très différent. Après tout, une petite erreur au départ entraîne une grande erreur à l’arrivée… C’est un vieux dicton, mais il reste raisonnable.

Le ratio entrée/sortie n’est pas une valeur fixe

Les scénarios de code utilisent par défaut un ratio entrée/sortie de 3:1, ce qui correspond au ratio entre les prompts et la génération de code dans la programmation réelle. Mais si vous faites un autre type de travail — comme écrire du contenu, faire de l’analyse de données — ce ratio peut être complètement différent.

C’est en fait normal, différents travaux, différentes méthodes.

Le multiplicateur d’efficacité est très subjectif

Le multiplicateur d’efficacité est une estimation subjective, il est recommandé de combiner avec l’observation réelle :

1.5-2x : Fonctionnalités de base maîtrisées, utilisation occasionnelle
2-3x : Maîtrise confirmée, utilisation quotidienne à haute fréquence
3x+ : Intégration profonde, flux de travail exclusif formé

N’estimez pas trop haut dès le début, ajustez après une période d’observation réelle. Après tout, des attentes trop élevées mènent à de plus grandes déceptions.

Comment calculer la consommation de tokens

Si vous ne savez pas combien de tokens vous utilisez quotidiennement, vous pouvez estimer ainsi :

Consultez les statistiques d’utilisation de la plateforme (Claude, OpenAI en ont tous)
Enregistrez la consommation de tokens de plusieurs conversations typiques, prenez une moyenne
Multipliez par votre nombre quotidien de conversations

Ou utilisez directement HagiCode Cost pour calculer, il y a des valeurs de référence pour des scénarios courants. C’est assez pratique, vous évite de vous embêter.

Impact des fluctuations de taux de change

Les modèles USD doivent être convertis avec un taux de change, mais le taux de change varie. Les calculatrices utilisent généralement un taux fixe (comme 1 USD = 7.25 CNY), le coût réel peut varier en fonction des fluctuations du taux de change. Cette erreur est généralement faible, mais il faut en être conscient.

Après tout, tout a une approximation, être précis à plusieurs décimales, ce n’est pas vraiment nécessaire…

Points clés de l’implémentation technique

Si vous voulez implémenter vous-même cette logique de calcul, plusieurs détails techniques méritent attention :

Support multi-devises

function convertCnyAmountToCurrency(
  amountCny: number,
  targetCurrency: "USD" | "CNY"
): number {
  if (targetCurrency === "CNY") return amountCny
  return amountCny / EXCHANGE_RATE_USD_TO_CNY
}

Ce code n’a rien de spécial à dire, c’est juste une simple conversion de devises.

Localisation multilingue

function getLocalizedModelCopy(
  model: ModelPricing,
  language: SupportedLanguage
): LocalizedModelMeta {
  return {
    description: language === "zh-CN"
      ? model.description
      : model.descriptionEn,
    pricingContext: language === "zh-CN"
      ? model.pricingContext
      : model.pricingContextEn,
    // ... autres champs
  }
}

Le multilinguisme, c’est compliqué quand on y pense, simple quand on n’y pense pas. En fait, c’est juste stocker le contenu de différentes langues et le récupérer quand on en a besoin.

Différenciation régionale

function getCityTierLabel(
  cityTier: CityTier,
  region: "cn-mainland" | "international",
  language: SupportedLanguage
): string {
  const city = benchmarkData.cityCoefficients.find(
    item => item.tier === cityTier
  )

  if (region === "cn-mainland") {
    return language === "zh-CN" ? city.label : city.labelEn
  }

  return language === "zh-CN"
    ? city.internationalLabel
    : city.internationalLabelEn
}

La différenciation régionale, c’est afficher différentes étiquettes pour différentes régions. Ce n’est pas difficile, il suffit de juger la région et la langue, puis retourner la valeur correspondante.

Résumé

L’évaluation de la rentabilité de l’IA n’est pas quelque chose de très profond, le cœur c’est trois comptes : coût du personnel de l’entreprise, coût d’utilisation de l’IA, amplitude d’amélioration de l’efficacité. Une fois ces trois comptes clarifiés, le retour sur investissement apparaît naturellement.

C’est en fait comme beaucoup de choses dans la vie, semble complexe, mais une fois décomposé, ce n’est pas grand-chose. C’est juste que peu de gens sont prêts à s’asseoir et calculer tranquillement.

Mais il y a un point facilement négligé ici : l’effet multiplicateur que l’architecture multi-agents peut apporter. Un seul agent aussi fort soit-il, ne peut qu’améliorer l’efficacité linéairement. Mais plusieurs agents travaillant en parallèle, l’amélioration de capacité apportée est exponentielle. C’est aussi la raison principale pour laquelle HagiCode a choisi une architecture multi-agents.

La force d’une personne est limitée, la force d’un groupe est infinie. C’est un peu cliché de dire ça, mais appliqué à l’IA, c’est assez pertinent.

Si vous réfléchissez aussi aux questions de coût de l’IA, bienvenue à essayer notre calculatrice sur HagiCode Cost. Ou allez directement voir le code source sur GitHub, ça peut peut-être vous donner quelques inspirations.

Ou peut-être pas, je ne peux rien garantir. Juste essayer, après tout les routes sont tracées par les gens…

En écrivant ça, je me rappelle soudain un vieux dicton : “Pour bien faire son travail, il faut d’abord aiguiser ses outils.”

C’est juste que parfois, avec de bons outils, savoir ou non les utiliser, c’est une autre histoire. L’IA, c’est comme une arme à double tranchant, bien utilisée c’est une aide, mal utilisée c’est un fardeau. La nuance entre les deux, c’est à vous de la juger.

Bref, arrêtons ça. J’espère que ça vous sera utile.

Références

开始使用 HagiCode

一次安装，几分钟上手

HagiCode for Windows 在 Microsoft Store 免费提供。打开商店即可安装并保持更新；也可以先对比各版本与定价，再决定从哪个渠道开始。

前往 Microsoft Store 安装查看版本与定价