[Chronique] IA en santé : le coût du token peut-il freiner l’innovation ?

On poursuit notre série de décryptage sur les angles morts de la transformation numérique en santé.  Focus sur cette unité de l’intelligence artificielle, le token, dont le coût progressif pourrait devenir un frein à l’innovation en santé.

Une démonstration convaincante, quelques utilisateurs enthousiastes, des résultats prometteurs. Puis vient la question du déploiement : combien coûtera cette intelligence artificielle lorsqu’elle sera utilisée tous les jours, par des centaines de professionnels ? Derrière les promesses de l’IA générative se cache une unité discrète, le token, qui pourrait peser sur l’avenir de certains projets de santé.

Imaginons un établissement qui expérimente un outil de synthèse de dossiers patients. Lors de la démonstration, quelques documents suffisent à produire un résumé pertinent. L’équipe voit immédiatement l’intérêt : retrouver plus rapidement les informations essentielles et préparer une consultation. Mais le passage à l’échelle change l’équation. Les dossiers s’allongent, les utilisateurs multiplient les demandes et les résultats nécessitent parfois une nouvelle génération. Ce qui semblait presque négligeable à l’unité devient une dépense récurrente.

Le token entre alors dans la discussion. Et avec lui, une question que les projets d’innovation gagneraient à poser plus tôt : quel sera le coût d’un usage réel, durable et suffisamment fiable ?

Une petite unité qui peut produire une grande facture

Un token est une unité de traitement utilisée par les modèles de langage. Il peut correspondre à un mot, à une partie de mot ou à un signe de ponctuation. Dans de nombreuses offres accessibles par API, la facturation distingue les tokens envoyés au modèle de ceux qu’il produit en réponse. Les tarifs varient selon le modèle et les modalités d’utilisation.

Pour un utilisateur, l’action paraît simple : demander une synthèse. Pour le système, elle peut impliquer la lecture d’un dossier, de consignes, de documents de référence et d’un historique d’échanges, puis la génération d’une réponse. Une seule action dans l’interface peut aussi déclencher plusieurs appels : rechercher une information, rédiger un résultat, vérifier sa structure ou reprendre une réponse incomplète. Le coût dépend donc autant de la conception du service que du prix affiché par le fournisseur.
Le piège serait de calculer un budget à partir de la requête la plus courte d’une démonstration.

En santé, le contexte est précieux… et coûteux

Une information médicale prend son sens dans un contexte. Un antécédent, une chronologie, un traitement ou une négation peuvent modifier la lecture d’un dossier. Il serait donc dangereux de réduire les données transmises uniquement pour alléger la facture. Mais envoyer systématiquement l’intégralité d’un dossier n’est pas davantage une garantie de pertinence.

L’enjeu consiste à sélectionner les éléments nécessaires à la tâche, tout en vérifiant que cette sélection ne fait pas disparaître une information déterminante. Cette étape demande du travail : organiser les documents, retrouver les passages utiles et évaluer les résultats sur des situations représentatives. L’économie du token rejoint ici une question de qualité. Un service bien conçu doit mobiliser le contexte utile, sans accumuler des informations par défaut.

Le succès peut fragiliser le modèle économique

La facturation à l’usage facilite les premiers essais : il devient possible d’expérimenter sans financer immédiatement une infrastructure dédiée. Mais elle expose aussi les projets à une dépense qui augmente avec leur adoption. Pour une start-up vendant un abonnement à prix fixe, un utilisateur très actif peut coûter sensiblement plus cher qu’un utilisateur occasionnel. Pour un établissement, un déploiement réussi peut entraîner une hausse du budget d’exploitation.

Prenons une hypothèse purement illustrative : un traitement facturé 0,10 euro, exécuté 100 000 fois par mois, représente 10 000 euros mensuels. À un euro par traitement, la dépense atteint 100 000 euros. Ces montants ne constituent pas une estimation du marché, ils montrent simplement l’effet du volume.

La question devient alors très concrète : qui finance chaque usage supplémentaire ? L’établissement, le professionnel, l’éditeur ou le patient ? Sans réponse, une innovation appréciée peut rester cantonnée à une expérimentation.

Le token ne représente qu’une partie du coût

Il faut cependant résister à la tentation de faire du token le responsable de toutes les difficultés économiques. Un projet d’IA en santé nécessite aussi une intégration aux outils existants, une gestion des accès, une protection des données adaptée, des évaluations, une maintenance et un accompagnement des utilisateurs. Selon sa finalité, d’autres exigences peuvent s’ajouter.

Le coût humain mérite également d’être compté. Une synthèse peu coûteuse mais longue à corriger peut perdre une grande partie de son intérêt. À l’inverse, une génération plus chère peut être pertinente si elle produit un résultat exploitable et réduit réellement le travail nécessaire. Le bon indicateur dépasse donc le prix de la réponse. Il faut regarder le coût d’une tâche correctement accomplie, avec le niveau de supervision attendu.

Optimiser sans affaiblir le service

Des leviers existent. La mise en cache permet, sous certaines conditions, de réutiliser des contenus déjà traités à un tarif inférieur. Le traitement par lots peut également réduire les coûts pour les tâches qui n’exigent pas une réponse immédiate. Les économies dépendent des offres et du fonctionnement du service.

Il est aussi possible d’adapter le modèle à la tâche. Une extraction structurée, une reformulation et une analyse complexe n’appellent pas nécessairement les mêmes capacités. Encore faut-il démontrer, par l’évaluation, que le choix retenu répond au besoin.
L’hébergement d’un modèle ouvert peut constituer une autre piste, mais il déplace la dépense vers l’infrastructure, l’exploitation et les compétences nécessaires. Il ne rend pas l’IA gratuite.

Enfin, un plafond budgétaire protège une organisation contre une consommation incontrôlée. Il impose toutefois de prévoir ce qui se passe lorsque ce plafond est atteint. Google propose par exemple des quotas de tokens pour maîtriser certains usages de l’IA générative dans BigQuery.  Dans un service de santé, la maîtrise financière doit s’accompagner d’une réflexion sur la continuité d’usage.

Un frein possible, surtout au passage à l’échelle

Oui, le coût du token peut freiner l’innovation en santé. Il peut limiter un déploiement, compliquer un abonnement ou rendre difficile un service très sollicité dont le financement reste incertain. Mais il serait excessif d’en faire un obstacle universel. Son poids dépend du volume, de la longueur des documents, du nombre d’appels, du modèle choisi et de la valeur réellement produite.

Le risque principal est de découvrir ces paramètres trop tard. Un prototype prouve qu’un résultat est possible. Il ne démontre pas encore que ce résultat sera soutenable à grande échelle. Les projets devraient donc associer dès le départ l’évaluation des performances, l’analyse des usages et le calcul du coût complet. Avec des dossiers réalistes, des utilisateurs actifs et les reprises nécessaires, plutôt qu’une succession de cas idéaux.

L’innovation en santé ne se jouera pas seulement sur la puissance des modèles. Elle dépendra aussi de notre capacité à financer leur utilisation là où ils apportent un bénéfice démontré. Le token est une petite unité technique ; il oblige déjà à poser une grande question : quelle valeur sommes-nous prêts à payer, et pour quel résultat ?

Rémy Teston