Agence cloud FinOps
Gouverner les coûts de l’IA : le cas Shutterstock
L’IA générative s’impose rapidement comme un nouveau pilier des stacks technologiques. Mais, contrairement au cloud “classique”, ses modèles de coûts restent difficiles à lire, à expliquer et à relier à la valeur business. Tokens, modèles, fournisseurs, engagements contractuels : les repères habituels du FinOps cloud ne s’appliquent pas directement.
Le retour d’expérience partagé par Shutterstock offre un éclairage intéressant sur cette phase d’apprentissage. Il ne s’agit pas encore d’un modèle de gouvernance stabilisé, mais d’une trajectoire révélatrice des premiers leviers que les organisations actionnent pour reprendre le contrôle de leurs coûts IA, et surtout pour rendre ces coûts discutables et décisionnels.
Cet article ne vise pas à détailler l’implémentation de Shutterstock, mais à analyser ce que leur approche révèle des enjeux structurants du FinOps appliqué à l’IA.
Un constat de départ : l’IA devient un poste de coût stratégique
Chez Shutterstock, l’IA représente déjà une part significative de l’activité quotidienne des équipes FinOps. La demande initiale ne vient pas de l’ingénierie, mais de la finance : comprendre où part l’argent, à quelle vitesse, et sur quels leviers il est possible d’agir.
Ce point est clé. L’IA n’est pas perçue comme un simple sujet expérimental, mais comme un poste de dépense suffisamment important pour justifier un pilotage transverse. À mesure que les usages se multiplient (génération d’images, de vidéos, modèles variés, fournisseurs multiples), la question n’est plus “combien ça coûte”, mais “où, pourquoi et pour quoi”.
Première étape : créer une visibilité consolidée sur les coûts IA
Le premier apport du FinOps appliqué à l’IA chez Shutterstock est étonnamment simple : rassembler les coûts dans un même espace de lecture.
Avant cela, les coûts étaient dispersés entre plusieurs consoles, fournisseurs et modèles. Chacun voyait une partie de la dépense, mais personne n’en avait une vision globale. En consolidant les coûts par fournisseur et par modèle, l’équipe FinOps obtient une vue “30 000 pieds” de la dépense IA.
Cette visibilité, même basique, change déjà la nature des discussions. Elle permet aux équipes produit et engineering de comprendre où se concentrent les dépenses, et à la direction d’objectiver un sujet jusque-là perçu comme opaque.
Tokens ≠ valeur : dépasser la simple lecture technique
Très vite, la visibilité brute ne suffit plus. Shutterstock commence à raisonner en tokens, une unité technique propre aux modèles d’IA, pour rendre les coûts plus concrets pour les ingénieurs. Mais l’enjeu ne s’arrête pas là.
Les données de coût sont croisées avec des données d’usage : quels produits utilisent quels modèles, dans quels contextes, avec quels volumes. Cette mise en regard permet de commencer à poser la question essentielle : quelle valeur business est réellement produite par ces coûts ?
C’est un point fondamental du FinOps for AI : les tokens sont une unité de consommation, pas une unité de valeur. Sans lien avec l’usage, ils restent un indicateur technique. Avec ce lien, ils deviennent un support de décision pour le produit, le marketing et la stratégie.
Ci-dessous une visuel qui illustre une chaîne de pilotage IA : les tokens ne valent rien sans contexte d’usage, et la valeur n’émerge qu’au niveau de la décision.
Du reporting à l’appropriation : rendre les équipes responsables
Un autre enseignement fort du cas Shutterstock est l’effet de la visibilité sur les comportements. En partageant régulièrement ces informations — des ingénieurs jusqu’au comité exécutif — l’équipe FinOps observe une montée en responsabilité progressive des équipes techniques.
Les ingénieurs commencent à suivre leurs propres coûts, créer leurs rapports, anticiper les pics, et prévenir en amont des variations liées à des campagnes ou des lancements.
Le FinOps ne se contente plus d’expliquer les chiffres a posteriori. Il devient un outil proactif, capable de construire un récit compréhensible autour des variations de coûts, et de soutenir des décisions produit ou contractuelles.
Une gouvernance encore émergente, mais déjà orientée décision
Shutterstock le reconnaît clairement : la gouvernance FinOps autour de l’IA est encore en construction. Les règles, les garde-fous et les standards sont largement portés par les équipes d’ingénierie, dans une logique d’apprentissage collectif.
Mais cette phase “learning mode” est déjà structurée par des principes issus du FinOps cloud, à savoir une visibilité partagée, un langage commun, une responsabilité distribuée, et un dialogue régulier entre IT, finance et business.
À mesure que les usages IA s’étendent à davantage d’équipes, cette gouvernance devra s’industrialiser. Non pas pour brider l’innovation, mais pour maintenir une capacité de décision éclairée dans un environnement de plus en plus complexe.
Ce que ce cas révèle sur le FinOps appliqué à l’IA
Le retour d’expérience de Shutterstock met en lumière plusieurs enseignements clés :
Le FinOps for AI commence par la visibilité, mais ne s’y arrête pas.
Les unités techniques (tokens) doivent être reliées à des usages et à des décisions business.
La valeur du FinOps ne réside pas uniquement dans l’optimisation, mais dans la capacité à expliquer, anticiper et arbitrer.
La gouvernance IA ne peut pas être uniquement technique : elle est financière, organisationnelle et stratégique.
En ce sens, le FinOps appliqué à l’IA n’est pas une extension naturelle du FinOps cloud. C’est une discipline encore en construction, qui nécessite de repenser les unités de pilotage, les mécanismes de responsabilisation et les circuits de décision.
Conclusion
Le cas Shutterstock illustre une tendance de fond : à mesure que l’IA devient un composant central des produits et des opérations, les organisations doivent se doter de nouveaux cadres de pilotage. La visibilité est un point de départ indispensable, mais c’est la capacité à relier coûts, usages et décisions qui fait la différence.
Le FinOps for AI ne sera pas un simple exercice de tracking de tokens. Il deviendra, comme pour le cloud auparavant, une capacité de gouvernance à part entière, au service de la valeur technologique et des choix stratégiques.
Si votre organisation se pose aujourd’hui des questions similaires sur la maîtrise des coûts de l’IA, la comparabilité entre modèles et fournisseurs, ou la capacité à relier consommation technologique et décisions business, c’est probablement le bon moment pour structurer — ou renforcer — votre démarche FinOps appliquée à l’IA.
Chez Sudo, nous accompagnons les entreprises qui souhaitent transformer leurs usages cloud et IA en capacités de pilotage durables, au service de la performance et des décisions stratégiques.