Lors de ses résultats Q2FY27, la fintech indienne Groww a annoncé qu’elle bâtit sa propre infrastructure IA interne pour réduire ses coûts par token. Pour les PME européennes, cette décision révèle quelque chose d’inconfortable : le modèle des API tierces s’effondre à l’échelle. La crise des coûts de Groww est votre signal d’alerte.
L’annonce de Groww n’est pas une curiosité de marché émergent. C’est un signal structurel : certaines entreprises survivront à la transition des coûts API, d’autres non.
La fintech indienne a rapporté que son coût de service a grimpé de 24 % d’un trimestre à l’autre, en Q2 FY27 (passant de 166 crore de roupies à 206 crore), essentiellement à cause des dépenses informatiques liées à l’IA. Pas du coût de croissance, pas du marketing. Juste la facture pour faire tourner l’inférence sur des modèles tiers, à l’échelle de leur base clients. À ce rythme, les modèles externalisés deviennent l’ancre qui coule l’économie unitaire.
Groww a donc fait ce que les entreprises bien capitalisées avec une profondeur d’ingénierie font : elle a décidé de bâtir sa propre infrastructure IA. Le cofondateur Lalit a exprimé le raisonnement sans détour : « nous aimons tout faire en interne, donc nous construisons notre propre pile interne ». La logique est claire—s’en tenir aux modèles commerciaux tiers coûterait bien plus cher. Mieux valait absorber le coût et la complexité de construire sa propre infrastructure que de regarder la facturation au token aplatir les marges à jamais.
Voilà ce qui compte pour les PME européennes : vous êtes sur le même chemin, juste plus en amont.
Les mathématiques rattrapent tout le monde
Le point d’inflexion des coûts est structurel. Selon le guide d’économie de l’IA 2026 de Cmarix, un outil IA à 2 000 dollars par mois lors de l’adoption pilote nécessite 40 000 dollars par mois pour un déploiement en production complète. À ce stade, les coûts des API tierces (Claude Sonnet coûte 2 dollars en entrée, 10 dollars en sortie par million de tokens) deviennent plus difficiles à justifier, et construire votre propre couche d’inférence—ou passer à des modèles open-weight—commence à être rentable.
Pour une application IA orientée client—un moteur de recommandation, un processeur de documents, un détecteur de fraude—cette courbe de coûts est inévitable. Une entreprise logistique de 40 personnes qui utilise l’IA pour optimiser l’acheminement des commandes verra sa facture mensuelle API grimper à mesure que l’utilisation augmente. C’est le point d’inflexion que Groww a atteint.
Le hic : Groww peut construire. Vous, peut-être pas
Groww a une ingénierie robuste. C’est une fintech évaluée à plus de 1,2 lakh crore de roupies, ce qui lui donne les effectifs et le capital pour absorber un projet d’infrastructure sur 12 à 24 mois. Votre PME logistique de 40 personnes n’a probablement pas d’ingénieur en apprentissage automatique en poste, et en embaucher un coûte 150 000 à 250 000 dollars par an en Europe, sans compter les frais d’infrastructure.
C’est l’écart qui fait mal. Les entreprises de marché émergent comme Groww sont contraintes par la pression des coûts à innover sur l’infrastructure elle-même—elles n’ont pas le choix. Les PME européennes font face à la même inflexion de coûts mais manquent de capacité d’ingénierie pour réagir de la même façon.
Alors, quel est le vrai mouvement ?
Arrêtez de penser « bâtir contre acheter » et commencez à penser « conception consciente des coûts ». Vous ne bâtirez pas vos propres modèles. Mais vous pouvez architecturer votre dépense IA rationnellement.
Premièrement : utilisez des modèles open-weight où ils sont appropriés. L’IA open-weight chinoise rebat la stratégie fournisseurs des PME européennes—non pas pour des raisons politiques, mais parce que le coût par inférence est structurel. Vous n’avez pas besoin de Claude Opus pour classer les tickets de support. Les modèles plus légers coûtent moins cher en production, et les alternatives open-weight font maintenant jeu égal avec les modèles commerciaux en vitesse et précision pour les tâches non-frontière.
Deuxièmement : mettez en place la surveillance des coûts dès maintenant, pas quand la facture vous choque. Suivez la consommation de tokens par fonctionnalité. Identifiez quelles fonctionnalités IA sont rentables et lesquelles perdent de l’argent à chaque utilisation. Le cas Vulcan montre exactement comment l’IA spécifique à un domaine surpasse l’IA générique sur le plan tarifaire. Le même principe s’applique à votre propre pile de fonctionnalités : l’IA spécifique à un domaine justifie son coût ; l’IA générique souvent ne le fait pas.
Troisièmement : traitez par lots quand c’est possible. Les appels API en temps réel sont chers ; le traitement par lots coûte 50 % moins cher. Si votre moteur de recommandation peut attendre 2 heures, traitez-le par lots. Si vos rapports s’exécutent la nuit, faites-le par lots.
Quatrièmement : utilisez le cache de prompts. Le prompt caching d’Anthropic réduit le coût des entrées en cache de 90 %. Si vous envoyez le même contexte système, documentation ou données à l’API à plusieurs reprises, mettez-les en cache.
Cinquièmement : évaluez les fournisseurs éprouvés sur les marchés émergents. L’innovation open-weight se fait plus vite en dehors des États-Unis parce que la pression des coûts la conduit. Les projets open-source indiens et chinois valident des approches qui se transposent en Europe à moindre coût.
La leçon plus profonde de Groww : les contraintes de coûts accélèrent l’innovation plus que les budgets illimités. Les PME européennes habituées à « il suffit d’utiliser l’API chère » sont sur le point d’apprendre cette leçon à la dure. La question n’est pas si vous allez affronter la crise des coûts de Groww. C’est si vous la préparez rationnellement ou si vous la découvrez quand vos marges ont déjà disparu.
Si votre équipe exécute des fonctionnalités IA sur des API tierces et que vous n’avez pas modélisé la courbe de coûts, c’est le moment de la cartographier. Dites-moi votre situation—je travaille avec les PME sur exactement ce calcul chaque semaine.
0 Comments