Anthropic déploie des outils de suivi des dépenses IA pour les entreprises

Contexte commercial

Anthropic a annoncé, au deuxième trimestre, un bénéfice d’exploitation et une rétention nette de revenu de 900 %. Cette hausse reflète une multiplication par neuf des dépenses des mêmes clients entre le troisième trimestre 2025 et le même trimestre 2026. Face à cette dynamique, la société a introduit une suite d’outils de reporting destinée à rendre plus explicite le retour sur investissement des modèles d’IA, notamment Claude Code, son produit de génération de code.

Fonctionnement des outils de reporting

Les nouveaux rapports agrègent les métriques d’usage internes et les réponses d’enquêtes auprès des employés. Un manager peut sélectionner une période, visualiser le volume de travail produit, le coût en tokens et identifier les points de rupture des flux de travail. Par défaut, les données collectées ne sont pas réinjectées dans l’entraînement des modèles, ce qui limite les risques de contamination de la base de données d’apprentissage. Le système propose également des recommandations d’optimisation basées sur les écarts observés entre le coût prévu et le coût réel.

Impact sur la gestion des tokens

Selon le rapport de Jellyfish, Claude Code représente près d’un tiers des propositions de modifications de code parmi 276 000 utilisateurs, et les dépenses associées ont progressé de 10 fois depuis le début de l’année, atteignant environ 2 % du coût total d’ingénierie. En réponse, Anthropic introduit des budgets groupés, permettant à plusieurs équipes de partager un plafond de tokens et de suivre la consommation collective. Cette approche vise à réduire les dépassements budgétaires imprévus, un problème souligné par les CFO qui voient le 2 % de coût comme un facteur de croissance non planifié.

Limites et perspectives concurrentielles

Le lancement d’OpenAI Astra cet été a suscité des attentes de déplacement de parts de marché, mais les chiffres d’adoption d’Anthropic restent stables. La résistance au changement provient en partie de l’infrastructure de « forward‑deployed engineering » (FDE) que les laboratoires d’IA déploient pour ancrer leurs modèles dans les processus clients. Les outils de reporting d’Anthropic peuvent être perçus comme une version allégée de ce service, offrant une visibilité sans l’engagement complet d’une équipe FDE. Toutefois, l’absence de métriques détaées sur la précision des recommandations et la dépendance aux données internes limitent l’évaluation de l’efficacité réelle de ces outils.