IA générative : attention à ne pas tomber dans la facilité

En plein essor, l’IA générative (genAI) a désormais une place bien établie au sein des entreprises. Et pour cause, elle apparaît comme une solution peu coûteuse pour gagner grandement en productivité. Toutefois, la réalité est bien moins simple qu’il n’y paraît : au-delà de son usage unitaire à quelques centimes, un investissement bien plus profond est nécessaire pour faire de cet outil un levier de transformation durable.

Une technologie bon marché ?

Une grande partie des solutions d’IA utilisées en entreprise font partie de modèles de consommation à l’usage. Par exemple, Copilot ou Azure AI Foundry de l’écosystème Microsoft sont utilisés dans l’automatisation de tâches, dans l’optimisation de processus ou dans l’amélioration de l’expérience utilisateur. Le tout à très faible coût unitaire : une requête de genAI ou une réponse automatisée ne coûtant que quelques centimes.

On pourrait donc légitimement se dire qu’il s’agit d’un outil accessible et déployable rapidement, pour des bénéfices importants. Pourtant, avec cette impression d’étonnante simplicité, on passe à côté de l’essentiel. Pour tirer pleinement parti du potentiel de l’IA, cadrage, intégration et gouvernance sont trois prérequis indispensables.

Une IA efficace : plus coûteuse qu’il n’y paraît

Pour faire en sorte que l’intelligence artificielle apporte réellement de la valeur à son entreprise, il faut aller bien plus loin que la simple consommation d’API. Rien que pour la phase de cadrage, une préparation en amont est nécessaire. Il faut identifier les cas d’usage pertinents, comprendre les attentes fonctionnelles, auditer les données disponibles, mais aussi vérifier les contraintes de l’entreprise en matière de sécurité et de conformité.

En ce qui concerne l’infrastructure pour exécuter de manière efficace les modèles d’IA, il est également nécessaire de mettre la main au portefeuille. La transformation et le nettoyage des données a un coût, tout comme la mise en place des règles d’accès, ainsi que l’orchestration technique entre les systèmes existants. Sans oublier l’architecture cloud, mais aussi la gestion des modèles, leur supervision et leur mise à jour.

Dernier point, et non des moindres : veiller à ce que les employés soient correctement formés à l’outil. Cela implique également d’établir une culture d’usage responsable et de redéfinir les rôles et interactions avec les solutions. Sans quoi, l’IA ne sera pas pleinement intégrée dans l’entreprise qui cherche à la déployer.

Des grandes disparités au niveau des coûts

En raison de nombreux paramètres (taille de l’entreprise, niveau de complexité du projet, maturité organisationnelle…), la fourchette de prix d’une IA efficiente s’avère très large. Ainsi, pour une entreprise de petite taille, il faudra débourser de 10 000 à 50 000 euros pour un déploiement simple (processus RH ou service client) contre 5 000 à 20 000 pour une solution classique. Quoiqu’il en soit, tout doit être cadré à l’euro près pour que le ROI soit assuré.

Pour une PME ou une ETI, il faudra compter entre 50 000 et 200 000 euros, tandis que dans les grands groupes, le coût peut s’élever à 10 millions d’euros, en particulier lorsque les initiatives s’attaquent à des enjeux de planification, de prévision ou d’intégration au sein de systèmes critiques.

Il faut toutefois garder en tête que le montant d’un tel projet ne dépend pas nécessairement de la technologie déployée. Le degré d’ambition de la société, sa capacité à conduire le changement, ainsi que la qualité de ses données rentrent aussi en ligne de compte.

Une vision sur le long terme nécessaire

En effet, bien qu’il n’y ait plus à démontrer qu’un ROI rapide – avec des premiers bénéfices observables sous 6 à 12 mois dans les cas d’usage les plus simples -, est tout à fait possible pour l’IA, il semble important de remettre ces promesses en perspective.

Premièrement, en ce qui concerne des projets plus structurants, le retour sur investissement s’étale généralement sur une période de deux ans minimum. Deuxièmement, il est bon de rappeler que l’essentiel ne réside pas dans la rapidité du ROI, mais dans sa capacité à être pérenne. Pour ce faire, l’IA doit être envisagée pour s’adapter, évoluer et se réentraîner, et, de fait, s’inscrire dans une logique de pilotage sur le long terme. Elle doit donc être supervisée continuellement et ses performances, évaluées dans la durée.

La qualité des données, fer de lance d’une IA efficace

Tout cela ne peut fonctionner qu’avec une donnée maîtrisée. Mal structurée, non gouvernée ou sensible sans être protégée, la donnée devient le véritable talon d’Achille d’une entreprise désireuse d’investir dans l’IA. Une véritable menace pour la mise en œuvre de tels projets, assortie d’une augmentation des coûts indirects.

C’est pourquoi nombre d’entreprises se rendent compte que leur principal actif, à savoir la data, est aujourd’hui leur principal obstacle. Y ajouter une couche d’intelligence ne changera malheureusement guère les choses : la qualité, la traçabilité et la sécurité restent des conditions sine qua non pour des modèles fonctionnels.

En réalité, ce qui coûte cher dans le déploiement de l’IA, c’est avant tout les conditions qu’il faut satisfaire pour qu’elle fonctionne. De l’alignement technique à la sécurité, en passant par la gouvernance, la robustesse des données et la montée en compétence, tels sont les véritables travaux derrière la facture visible.

Partant de ce constat, la réussite du déploiement de l’IA ne se résume pas à un outil rapide ou « intelligent », mais plutôt dans la manière de l’entrevoir au cœur d’un projet structurant à même de transformer durablement l’entreprise.

Par Pierre Begue, Technical Architect chez Insight