Le logiciel a appris à toute une génération de fondateurs que la marge brute est un problème résolu. On construit le produit une fois, le client suivant ne coûte presque rien à servir, et la ligne de marge se stabilise d’elle-même au-dessus de 80 pour cent. Les produits d’IA ne se comportent pas ainsi. Chaque requête coûte de l’argent réel, ce coût varie avec l’intensité avec laquelle chaque client utilise le produit et non avec le nombre de clients, et la marge brute cesse d’être une conséquence de l’échelle. Elle devient une chose qu’il faut concevoir.
Pourquoi les startups d’IA ont-elles un problème de marge brute ?
Parce que l’inférence est un coût variable qui croît avec l’usage, et non un coût fixe qui se dilue avec la croissance. Une entreprise de logiciel classique ajoute des clients et voit sa marge brute monter ; une entreprise d’IA ajoute des clients et ajoute du coût dans la même proportion. La marge est décidée par la quantité de calcul que consomme chaque unité de valeur livrée, par les requêtes que les clients envoient réellement, et par la part d’usage gratuit et intensif que les comptes payants subventionnent en silence. Elle doit se mesurer par fonctionnalité et par segment de clients, parce que la moyenne mélangée masque les comptes déficitaires.
Pourquoi la marge ne s’améliore pas d’elle-même
La courbe classique de la marge logicielle vient d’une base de coûts presque entièrement fixe. L’hébergement, le stockage et la bande passante par client sont assez faibles pour que la croissance répartisse le coût d’ingénierie sur davantage de revenu et que le pourcentage monte année après année. Un produit d’IA a une seconde base de coûts en dessous de celle-là, et elle est variable par construction : l’appel au modèle, la recherche documentaire, la reprise quand la première réponse ne convenait pas. Doubler le revenu double aussi ce coût, si bien que le pourcentage de marge reste pratiquement là où il a commencé, sauf si quelque chose change dans le produit. Qui bâtit son budget en supposant que la marge s’améliore avec l’échelle bâtit pour une courbe que son produit n’a pas.
Le coût des ventes est plus large que la facture du modèle
La facture du fournisseur de modèle est la partie visible et rarement la totalité. Une fonctionnalité d’IA qui fonctionne porte aussi les embeddings et le stockage vectoriel qui rendent la recherche possible, les appels d’évaluation et de garde-fou qui vérifient une réponse avant qu’elle n’atteigne l’utilisateur, les reprises quand un appel échoue ou renvoie quelque chose d’inutilisable, et dans la plupart des produits sérieux une part de relecture humaine sur les résultats qui comptent. Chacune de ces lignes est un coût de livraison du service, ce qui en fait un coût des ventes et non de la recherche et développement. Les laisser dans une rubrique d’ingénierie ou d’infrastructure ne les fait pas disparaître ; cela déplace seulement le problème de marge vers un endroit que personne ne regarde.
L’offre gratuite est un centre de coûts, pas une ligne de marketing
Dans le logiciel classique, une offre gratuite coûte un arrondi et achète de la distribution. Dans un produit d’IA, l’offre gratuite consomme le même calcul coûteux que l’offre payante, et les utilisateurs qui en consomment le plus sont, par définition, ceux qui ont trouvé le produit le plus utile. C’est une véritable stratégie d’acquisition, et c’est aussi un chiffre réel qui appartient au calcul de la marge plutôt qu’à un budget marketing que personne ne rapproche de l’usage. La question n’est pas de savoir s’il faut une offre gratuite. Elle est de savoir si quelqu’un peut dire, ce mois-ci, ce qu’elle a coûté et quelle cohorte payante l’a absorbée.
Le prix ne corrige pas un coût que l’on ne voit pas
La réaction habituelle à une marge d’IA trop mince est un changement de prix : augmenter le tarif par utilisateur, ajouter des limites d’usage, passer à un modèle de crédits. Les trois peuvent fonctionner, et aucune ne peut être visée sans savoir quelles fonctionnalités et quels clients consomment le calcul. Une hausse par utilisateur répartie sur toute la base punit les utilisateurs légers qui étaient déjà rentables et touche à peine les comptes intensifs qui ont causé le problème. Des limites d’usage fixées à partir d’une moyenne coupent précisément les clients pour qui le produit a été conçu. Le levier du prix est réel, mais il ne sert qu’une fois le coût affecté à l’activité qui le provoque, une fonctionnalité et un segment à la fois.
Une marge brute mélangée est la moyenne entre les produits où vous gagnez de l’argent et ceux où vous n’en gagnez pas. Les moyennes ne survivent pas à une due diligence.
Ce qu’il faut vérifier avant le prochain dossier au conseil
Avant que la marge brute n’entre dans une présentation au conseil ou dans une salle de données, vérifiez trois choses. Que le coût des ventes inclut l’inférence, la recherche, l’évaluation, les reprises et la relecture humaine, et pas seulement la facture du modèle. Que la marge est présentée par fonctionnalité et par palier d’abonnement autant qu’en agrégat, pour que les combinaisons déficitaires soient visibles au lieu d’être noyées dans la moyenne. Et que l’usage gratuit et d’essai est valorisé et affecté, plutôt que traité comme une dépense de marketing. Un investisseur qui demande comment la marge se comporte à dix fois le volume demande si quelqu’un a fait ce travail, et la réponse honnête se voit en une minute.
Réservez une démonstration en direct de CostCtrl et voyez comment les coûts d’inférence, de recherche, d’évaluation et de relecture se rejoignent en une marge réelle par fonctionnalité et par client.
À lire également : marge brute et rentabilité nette et la décision de prix avec l’IA.