Selon le baromètre 2024 EY du capital-risque, les start-up françaises ont levé 7,8 milliards d’euros en 2024, dont 1,6 milliard dédié au secteur de l’IA générative. De plus, le président Emmanuel Macron a annoncé des investissements en France de 109 milliards d’euros dans les prochaines années pour soutenir le développement de l'IA.
Toutefois, ces projets s’accompagnent de défis en matière de gestion des coûts et de rentabilité, en particulier pour les entreprises de taille intermédiaire qui disposent de ressources plus limitées. C'est dans ce contexte que la gestion des coûts technologiques, via le Technology Business Management (TBM), devient essentielle pour garantir la valeur commerciale des initiatives en IA.
En fonction des projets, cette valeur commerciale peut varier. Il peut par exemple s’agir de revenus issus de nouveaux flux, de la réduction des coûts pour répondre aux demandes des clients, de l’amélioration du service client ou de la réduction du gaspillage dans les stocks. Les projets pilotés par l’IA sont nécessaires pour obtenir la majorité de cette valeur.
Quels projets d’IA privilégier pour les petites
entreprises ?
Un excellent point de départ pour une entreprise souhaitant se lancer dans l’IA mais disposant d’un budget limité est l'automatisation du traitement des documents, un cas d’usage spécifique et à fort impact. En utilisant des technologies d’apprentissage automatique et des outils low-code, ce type de projet permet de réduire considérablement les tâches manuelles répétitives, comme le traitement des factures ou l’analyse des contrats. Ces domaines offrent des gains rapides en réduisant l’effort manuel et en améliorant la précision. Ce type de projet constitue un premier cas d’usage idéal pour démontrer la valeur de l’IA, en garantissant un retour sur investissement mesurable dès le début du projet tout en maîtrisant les coûts. Il permet aussi d’ancrer dès le départ les principes du TBM, et de poser les bases d’une gouvernance efficace des coûts IA (classification, traçabilité, indicateurs de valeur) qui servira aux projets futurs.
Des projets à plus grande échelle peuvent offrir une valeur plus durable à long terme et favoriser une innovation spécifique à un domaine ou à un secteur propre à l’organisation. Cependant, cela nécessite davantage d’expertise en modèles d’IA et souvent un certain temps de préparation pour entraîner correctement les modèles et les déployer en production. Les équipes doivent également être conscientes des coûts engendrés, qui sont souvent concentrés sur l’infrastructure utilisée pour l’entraînement et l’optimisation. Ceci peut représenter une charge de travail intensive. Néanmoins, une fois déployés en production, les coûts liés à l’inférence doivent être soigneusement surveillés et planifiés. Il est aussi utile de distinguer les dépenses en capital (CapEx) liées à l'entraînement initial des modèles, des dépenses opérationnelles (OpEx) des ressources consommées par leur usage courant, notamment pour affiner la planification budgétaire.
Comment mener ces projets efficacement ?
La réussite d’un projet d’IA repose sur plusieurs facteurs clés. Premièrement, il est essentiel d’identifier un cas d’usage précis et pertinent pour l’entreprise. Ceci permet d'obtenir rapidement des résultats dans des domaines où les besoins sont clairement identifiés mais aussi aux équipes de se familiariser avec les outils d'IA. Le projet doit également porter sur un cas d’usage qui ne sera pas résolu plus facilement et de manière plus efficace par d'autres technologies.Ensuite, les coûts doivent être scrupuleusement gérés, en tenant compte des frais d’infrastructure et des modèles de tarification des fournisseurs tiers, qui peuvent rapidement s’accumuler. Ces choix d’architecture peuvent être plus efficaces si les organisations consolident les piles technologiques d’IA sur plusieurs projets, dans la mesure où les coûts peuvent être partagés entre différentes initiatives. Le TBM aide les organisations à diviser ces coûts partagés sur la base de paramètres de consommation.
Il est également crucial d’avoir un responsable dédié au projet, capable de concilier les dimensions technologiques, financières et commerciales. Ce rôle peut être assuré par un analyste métier ou un responsable des opérations maîtrisant les principes du TBM et du FinOps afin d’assurer une gestion rigoureuse des coûts et des bénéfices liés à l’IA. Le responsable doit être en mesure de traduire les capacités techniques en indicateurs clairs de valeur commerciale à mesure que l'organisation progresse dans ses projets. Ce profil peut avantageusement être associé à un référent technique, afin de former un binôme capable d’aligner les choix technologiques sur les objectifs métiers et financiers.
Quelles sont les prochaines étapes après un premier projet IA ?
Une fois un premier projet d’IA mené à bien, les entreprises doivent capitaliser sur les enseignements tirés pour structurer leurs initiatives futures. L’analyse coûts-avantages devient alors un outil clé pour identifier le modèle d’IA le plus adapté pour les prochains projets, qu’il s’agisse d’IA générative, prédictive ou prescriptive. L’application des principes du TBM permet d’affiner la gouvernance des investissements technologiques et de mieux planifier l’expansion de l’IA au sein de l’organisation. Les données collectées (coûts, valeur commerciale, scalabilité) lors du premier projet servent ensuite à orienter les choix futurs et à renforcer les fondations d’une gouvernance évolutive.Par Greg Holmes, Field CTO EMEA chez Apptio – une société IBM
