La Nouvelle Métrique d'Évaluation du Rendement que Personne n'a Demandée
Quelque part dans les rouages de la gestion du rendement organisationnel, quelqu'un a eu une idée : si nous payons pour les tokens d'IA, nous devrions pouvoir mesurer qui les utilise le plus. Et ainsi est née une nouvelle métrique de lieu de travail — la consommation de tokens d'IA comme proxy de la productivité et de l'engagement.
Des rapports indiquent que certaines entreprises technologiques, désireuses de justifier leurs investissements dans les plateformes d'IA et d'identifier les premiers utilisateurs, surveillent à quelle vitesse les employés consomment les tokens des modèles de langage de grande taille. Plus de tokens consommés, plus l'employé est engagé avec l'IA — c'est du moins le raisonnement. C'est une logique managériale qui semble superficiellement raisonnable jusqu'à ce que vous l'examiniez pendant environ trente secondes.
Pourquoi le Comptage des Tokens Est une Mauvaise Métrique de Productivité
La consommation de tokens mesure l'utilisation de l'IA, pas la production de travail. Un développeur qui utilise Claude ou Copilot pour générer cinq approches alternatives à un problème de codage avant de sélectionner la meilleure consomme beaucoup plus de tokens qu'un développeur qui écrit du code propre indépendamment du premier coup. Selon une métrique de consommation de tokens, le premier développeur obtient un meilleur score — même si le second pourrait produire un meilleur travail.
La métrique inverse également la structure des incitations d'autres manières. Les employés qui comprennent les limitations de l'IA et l'utilisent judicieusement consommeront naturellement moins de tokens que ceux qui font des invites à répétition dans l'espoir de meilleurs résultats. La métrique récompense le volume sur le discernement.
Il y a aussi le problème évident de jeu. Une fois que les employés savent qu'ils sont évalués sur l'utilisation des tokens, ils généreront des invites. Beaucoup d'invites. Des invites sans sens si nécessaire. L'histoire des entreprises regorge d'exemples de métriques faciles à manipuler qui sont rapidement devenues la production principale qu'elles étaient censées mesurer.
Le Problème Plus Profond : Mesurer l'Adoption de l'IA de la Mauvaise Manière
L'impulsion derrière ces métriques n'est pas entièrement mal orientée. Les organisations qui ont fortement investi dans les plateformes d'IA veulent savoir si ces investissements génèrent des rendements. Identifier les employés qui n'utilisent pas les outils disponibles — et comprendre pourquoi — est une préoccupation de gestion légitime.
Mais la consommation de tokens est au mieux un indicateur avancé, et au pire trompeur. Ce qui compte vraiment, c'est si l'IA change les extrants du travail : réduire le délai d'exécution des tâches, améliorer la qualité, permettre un travail qui n'était pas auparavant possible, ou libérer la capacité cognitive pour des activités de plus grande valeur. Aucune de ces choses n'est capturée par le comptage des appels API.
Les entreprises qui utiliseraient apparemment cette approche mesurent essentiellement les entrées parce que les sorties sont plus difficiles à définir et à mesurer. C'est compréhensible pendant une période de transition, mais traiter une métrique proxy comme quelque chose de réel est une défaillance de gestion avec un long historique dans la technologie.
Ce Que Cela Révèle sur l'Intégration de l'IA
L'émergence des métriques de consommation de tokens reflète une anxiété plus large dans les organisations technologiques : le sentiment que l'IA transforme le travail plus vite que les cadres de gestion ne peuvent s'adapter. Les dirigeants qui comprennent que l'IA est importante mais n'ont pas encore de cadres clairs pour mesurer son impact organisationnel se tournent vers les chiffres disponibles.
Cette phase était prévisible et est probablement temporaire. Le même schéma s'est produit avec les métriques d'adoption du cloud, les points de vélocité agile, et d'innombrables autres transitions technologiques. Les organisations finissent par développer des manières plus sophistiquées de mesurer l'impact après que le cycle de battage initial les force à réfléchir davantage.
Le Défi de Gestion de l'Ère de l'IA
La vérité plus difficile est que l'IA complique fondamentalement l'attribution de la production de travail. Quand un développeur produit du code, combien de crédit devrait lui revenir plutôt qu'à l'IA qui l'a rédigé ? Quand un designer livre un concept, comment valorisez-vous le jugement créatif humain appliqué aux options générées par l'IA ? Quand un écrivain publie un article, où l'assistance en matière de recherche s'arrête-t-elle et où la contribution créative commence-t-elle ?
Ces questions n'ont pas de réponses nettes, c'est pourquoi les organisations se tournent vers des proxies plus simples comme la consommation de tokens. Mais les entreprises qui découvrent comment mesurer avec précision le travail augmenté par l'IA — plutôt que de simplement mesurer l'utilisation de l'IA — auront un avantage significatif dans l'allocation des talents, la structuration des incitations, et la constitution d'équipes qui utilisent efficacement l'IA.
D'ici là, attendez-vous à plus de métriques douteuses, plus de confusion des employés, et plus d'articles expliquant pourquoi compter des tokens n'est pas la même chose que compter du bon travail.
Cet article est basé sur les reportages de Gizmodo. Lire l'article original.
Originally published on gizmodo.com
