Le SaaS classique a une belle propriété : une fois le logiciel construit, servir un client de plus ne coûte presque rien. Des marges brutes de 75 à 85 % sont normales, et votre marge moyenne résume fidèlement l’activité. Les produits IA cassent cette hypothèse. Chaque requête consomme des tokens LLM que vous payez, donc chaque client porte un coût réel et variable — et sur un prix mensuel fixe, ce coût varie énormément d’un client à l’autre.
Ce guide détaille comment la marge brute fonctionne vraiment pour un SaaS IA : comment la définir et la calculer par client, à quoi ressemble un chiffre sain, d’où vient votre facture LLM, pourquoi votre moyenne masque la vérité, et comment empêcher la marge de glisser à mesure que vous grandissez.
Pourquoi les marges des SaaS IA sont différentes
Sur un plan à prix fixe de 49 $/mois, un utilisateur léger qui envoie quelques requêtes par semaine peut vous coûter 3 $ en tokens, tandis qu’un power user qui fait tourner un agent toute la journée vous coûte 60 $. Même prix, coûts radicalement différents. Dans le SaaS traditionnel, le second client reste rentable ; dans un SaaS IA, il peut vous payer 49 $ et vous coûter plus que ça. Votre revenu par client est fixe, mais votre coût par client ne l’est pas — et c’est dans cet écart que les marges de l’IA se jouent.
Les études du secteur le confirment : là où le logiciel mature vise 70 à 80 % de marge brute, les produits fortement IA tournent souvent bien en dessous — parfois autour de 50 % — et une large part des entreprises IA ne suivent pas du tout leur coût LLM par client. Cette combinaison (marges plus basses, moins de visibilité) est exactement la manière dont un produit en croissance peut se développer jusqu’à la perte.
La marge brute par client, définie
La marge brute par client, c’est simplement ce qu’un client vous paie moins ce que ce client vous coûte à servir, sur la même période. Pour un produit IA, le coût variable dominant est celui des tokens LLM, donc : marge = revenu d’abonnement − coût LLM (plus tout autre coût à l’usage comme la recherche vectorielle ou les outils). Exprimez-la en pourcentage du revenu et vous pouvez comparer clients et plans sur un pied d’égalité.
Marge brute par client = prix du plan − (tokens d’entrée × tarif d’entrée + tokens de sortie × tarif de sortie). Un client sur un plan à 49 $ qui coûte 12 $ en tokens a une marge de 76 % ; un qui coûte 61 $ est à −24 %.
Qu’est-ce qu’une bonne marge brute ?
Il n’y a pas de chiffre unique, mais des repères utiles : au-delà de 70 %, c’est sain et ça vous laisse de quoi financer ventes, support et R&D ; 50 à 70 %, c’est jouable si votre pricing et votre croissance sont efficaces ; sous 50 %, c’est que le modèle lui-même dévore votre activité, et le pricing ou le choix de modèle doit changer. Le piège, c’est que ce sont des chiffres globaux — et pour les produits IA, la moyenne cache plus qu’elle ne révèle.
D’où vient votre coût LLM
Les fournisseurs facturent au million de tokens (par Mtok), avec des tarifs distincts pour l’entrée (ce que vous envoyez : prompts, contexte, documents récupérés) et la sortie (ce que le modèle génère). La sortie coûte généralement 3 à 5× le prix de l’entrée, donc les fonctionnalités gourmandes en génération coûtent bien plus que ne le suggère leur nombre de tokens. Le modèle que vous choisissez fixe le tarif : un modèle bon marché comme GPT-4o mini ou DeepSeek laisse une marge de manœuvre énorme, tandis qu’un modèle de raisonnement peut coûter 10 à 50× plus pour la même tâche.
Voyez le coût et la marge de chaque modèle
Pourquoi votre marge moyenne ment
La marge globale — revenu total moins coût total — est le chiffre affiché sur la plupart des dashboards. C’est aussi le plus dangereux pour un produit IA, car une marge globale qui paraît saine à 65 % peut cacher une frange de clients individuellement déficitaires. À mesure que vous grandissez, cette frange grandit aussi : plus d’inscriptions ne diluent pas le problème, elles le multiplient. La seule façon de la voir, c’est de calculer la marge par client et de regarder les pires, pas la moyenne.
C’est l’erreur de pricing la plus courante en SaaS IA : les fondateurs surveillent le revenu (que Stripe leur montre) et ne voient jamais le coût par client (que Stripe ne peut pas leur montrer). Le temps que la facture du modèle explose, plusieurs de vos « meilleurs » comptes vous font perdre de l’argent depuis des mois.
Comment réduire le coût LLM par client
Une fois que vous voyez le coût par client, les leviers sont concrets : élaguer et mettre en cache le contexte d’entrée, plafonner ou arrêter la longueur de sortie, router les requêtes faciles vers un modèle moins cher et réserver le modèle coûteux aux tâches difficiles, et mettre en cache ou dédupliquer les appels répétés. Chaque levier attaque la part de la facture qu’il touche — et comme la sortie est la partie la plus chère, contrôler la génération est en général ce qui rapporte le plus vite.
Allez plus loin
Comment la suivre
Suivre la marge brute par client revient à joindre deux sources de données que vous avez déjà : votre revenu (Stripe) et votre coût LLM (Langfuse, OpenRouter, ou vos propres logs d’usage). Rapprochées par client, elles vous donnent la marge par compte, par plan, et une vue globale qui ne cache plus les perdants. Posez une alerte quand un client passe dans le rouge et vous attrapez le problème tant que c’est encore un ajustement de prix, pas une crise.
MarginWard fait exactement cette jointure — clé Stripe en lecture seule plus votre source de coût LLM — et signale automatiquement les clients déficitaires. Ou vérifiez d’abord un seul client avec le calculateur gratuit, sans inscription.