AIceberg

Le vrai coût de l'automatisation IA, chiffré et sourcé.
La pointe émergée, c'est le prix de l'API. La masse immergée, c'est le vrai coût.

Hackathon · EuraTechnologies, Lille · juin 2026 · thème « Le vrai coût de l'IA »

---

Sommaire

• Le problème
• Ce que fait l'app
• Le cœur défendable : le moteur
• Stack technique
• Démarrer en local
• Déploiement
• Structure
• Méthodologie et sources

---

Le problème

Les décideurs comparent un prix d'API à un salaire et passent à côté du reste. Résultat : des automatisations qui finissent par coûter plus cher qu'un ingénieur.

AIceberg prend un process métier (par exemple « répondre à 500 emails SAV par mois ») et calcule le coût complet d'une automatisation par IA face au coût humain actuel : pas seulement les tokens, mais le temps humain de vérification, le risque d'erreur, les coûts de mise en place, et l'empreinte énergie / eau / carbone. Il assume ses fourchettes d'incertitude plutôt que de sortir un faux chiffre précis.

Il en sort une décision actionnable, avec le seuil de bascule et le modèle optimal :

Ce que fait l'app

🗣️ Langage naturel	Décrivez un process en une phrase, Claude Haiku en déduit un scénario chiffré et affiche ses hypothèses.
⚖️ Verdict chiffré	Économies (ou surcoût) mensuelles, seuil de bascule, et le déclencheur principal en une phrase.
🧊 Décomposition du coût	Tokens API / vérification humaine / risque d'erreur par tâche, plus les coûts fixes amortis.
📈 Courbe de bascule	Coût humain contre coût IA selon le volume, avec le seuil de croisement.
🛡️ Trois voies	Humain, IA cloud, IA locale souveraine (données chez le client). Le surcoût de la souveraineté est chiffré.
🌱 Sobriété et empreinte	Classement des modèles par coût ou par énergie, et empreinte eau / carbone par tâche avec ses fourchettes.
🏢 Mode portefeuille	Agrège plusieurs process pour un arbitrage consolidé à l'échelle de l'entreprise.
🎬 Landing immersive	Vidéo d'iceberg scrubbée au scroll (GSAP ScrollTrigger + ScrollSmoother), export du verdict en PNG.

Le cœur défendable : le moteur

Toute la logique de calcul vit dans src/lib/engine.ts, en fonctions pures, typées et inspectables : aucune boîte noire, aucun appel réseau. Le LLM ne sert qu'à pré-remplir un scénario, il n'intervient jamais dans le calcul.

Principales sorties : evaluate, rankModels, breakEvenCurve, rankBySobriety, footprintRange, evaluatePortfolio, compareDeployments.

Le modèle de coût

Pour un process de volume V tâches par mois :

Coût humain / tâche  = (minutes / 60) x coût horaire chargé
                       + taux d'erreur humain x coût d'incident

Coût IA / tâche      = tokens + vérification + risque
   tokens            = (tokens_in / 1e6 x prix_in + tokens_out / 1e6 x prix_out)
   vérification      = taux_de_relecture x (minutes_relecture / 60) x coût horaire
   risque            = taux_d'erreur_résiduel x coût d'incident

Coût mensuel IA      = V x coût_IA_variable + coûts_fixes   (abonnement + setup amorti)

Seuil de bascule     = coûts_fixes / (coût_humain/tâche - coût_IA_variable/tâche)

Les trois verdicts découlent du signe des économies et de seuils de décision transparents (taux de vérification, taux d'erreur, marge nette). Le même coût d'incident vaut pour l'humain et l'IA : un incident coûte pareil quelle que soit sa source.

Stack technique

• TanStack Start (React 19 + Vite, SSR) avec server functions
• Tailwind CSS v4
• recharts (graphes), lucide-react (icônes)
• GSAP (ScrollTrigger + ScrollSmoother) pour la landing scrollée
• @anthropic-ai/sdk + zod pour l'estimation en langage naturel (Claude Haiku)
• Déploiement Vercel via le preset Nitro

Démarrer en local

Prérequis : Node 22+.

npm install

Le langage naturel appelle l'API Anthropic, il faut donc une clé. Elle reste uniquement côté serveur (server function), elle ne part jamais au navigateur. En dev, passez-la en variable d'environnement au lancement (le .env n'est pas toujours injecté dans process.env par Vite) :

export ANTHROPIC_API_KEY=sk-ant-votre-cle
npm run dev

L'app démarre sur http://localhost:8080/.

Astuce : les exemples préremplis, la saisie manuelle et tout le moteur fonctionnent sans clé. Seul le champ de description en langage naturel a besoin de l'API.

Scripts

Commande	Effet
npm run dev	Serveur de développement (port 8080)
npm run build	Build de production (sortie .vercel/output)
npm run preview	Prévisualise le build
npm run lint	ESLint
npm run format	Prettier

Déploiement

Sur Vercel :

1. Importer le repo sur vercel.com.
2. Laisser le framework auto-détecté, build command npm run build (Nitro génère .vercel/output, servi automatiquement).
3. Ajouter la variable d'environnement ANTHROPIC_API_KEY (Production + Preview + Development).
4. Déployer. Chaque push redéploie.

Structure

src/
  lib/
    engine.ts                  # le moteur de calcul (source de vérité, fonctions pures)
    api/estimate.functions.ts  # server function : langage naturel -> scénario (Claude Haiku)
  routes/
    __root.tsx                 # head, shell, méta, favicon
    index.tsx                  # landing scrollée + écran de résultats (3 niveaux)
public/
  dive-full.mp4                # vidéo d'iceberg (surface + plongée) scrubbée au scroll
  hero-poster.jpg              # poster / fallback
  logo-aiceberg.png            # logo + favicon

Méthodologie et sources

Le brief demande « du chiffre sourcé, pas de l'effet de démo ». Chaque nombre affiché vient d'une source datée, avec sa fourchette d'incertitude.

Donnée	Source	Note
Tarifs API	Grilles officielles (Anthropic, OpenAI, Google, Mistral)	Converties en EUR (1 USD = 0,92 EUR). À revalider, les prix bougent.
Énergie	arXiv:2505.09598 « How Hungry is AI? » (mai 2025)	Classée par familles de modèles.
Eau	arXiv:2304.03271	On-site ~1,7 mL/Wh, cycle de vie ~45 mL/Wh. On affiche la fourchette.
Carbone	RTE eco2mix / Ember 2024	France 56 · UE 250 · USA 369 · Monde 480 gCO2eq/kWh.

---

Le message de fond : le vrai levier de décision n'est presque jamais le prix au token (dérisoire),
c'est le coût humain de vérification et le risque d'erreur. C'est ce qu'AIceberg rend visible.