Face à la hausse des coûts, les entreprises révisent leurs plans IA

La hausse des coûts liés à l’IA oblige les entreprises à se demander s’il vaut mieux acheter ou développer en interne

La première phase de l’IA en entreprise consistait principalement à agir rapidement. Les entreprises ont testé des modèles, acheté des logiciels, augmenté leur capacité de calcul et formé leurs collaborateurs. Aujourd’hui, les aspects économiques revêtent une importance bien plus grande. Les dépenses liées à l’IA s’accumulent dans les domaines du calcul, des logiciels et de la formation, ce qui pousse les dirigeants à se poser une question fondamentale : devons-nous continuer à acheter des produits d’IA, ou développer davantage de capacités en interne ?

Les données d’EY montrent pourquoi cette question prend de l’importance. Les trois quarts des dirigeants qui investissent actuellement dans l’IA affirment que les logiciels prêts à l’emploi ne répondent pas à leurs besoins informatiques. Près de neuf entreprises sur dix ont déjà déployé ou testent actuellement des programmes visant à développer l’IA en interne. Il s’agit là d’une évolution majeure vers un contrôle accru de la technologie de l’IA.

Le développement en interne peut permettre aux entreprises de mieux maîtriser l’intégration, les données, les flux de travail et la conception des produits. Il peut également réduire la dépendance vis-à-vis d’un seul fournisseur de logiciels. Cependant, le développement en interne n’est pas automatiquement moins coûteux. L’IA développée en interne nécessite des compétences en ingénierie, une infrastructure, des mesures de sécurité, l’évaluation des modèles, la maintenance et des mises à jour continues. Ces coûts peuvent s’avérer importants, d’autant plus que la technologie sous-jacente évolue rapidement.

La bonne décision ne se limite donc pas à comparer l’abonnement auprès d’un fournisseur au coût d’une équipe de développement interne. Les dirigeants doivent évaluer le coût total de possession, qui inclut l’intégration, la consommation de ressources informatiques, la gouvernance, la maintenance, le temps de travail des collaborateurs et le coût d’un éventuel changement de technologie ultérieur. Ils doivent également tenir compte de la valeur stratégique. Si une capacité d’IA est essentielle à l’avantage concurrentiel d’une entreprise, il peut être judicieux de renforcer l’autonomie interne. Pour les fonctions standardisées, les produits commerciaux peuvent s’avérer plus rapides et plus économiques.

L’opportunité plus large consiste à se montrer plus sélectif. Les entreprises n’ont pas besoin de choisir « acheter » ou « développer » pour tout. Beaucoup opteront pour un modèle hybride : acheter des capacités standard là où la différenciation est limitée et investir en interne là où les données propriétaires, les flux de travail ou la propriété intellectuelle peuvent créer une valeur commerciale mesurable.

Les fournisseurs d’IA s’adaptent à mesure que les entreprises se montrent de plus en plus soucieuses des coûts

La pression sur les coûts modifie également le marché de l’IA du côté des fournisseurs. Les entreprises clientes exigent de plus en plus des coûts réduits, une plus grande transparence et un meilleur contrôle de leur consommation. Les fournisseurs d’IA réagissent en ajustant leurs tarifs et en proposant des outils destinés à aider leurs clients à gérer leurs dépenses.

OpenAI a réduit le coût de ses modèles Luna et Terra, tandis qu’Oracle et AWS ont apporté des modifications à leurs produits visant à améliorer la gestion des coûts. Une mise en garde importante s’impose ici : la source citée désigne « Luna et Terra » comme étant des modèles OpenAI, mais ces noms de modèles doivent être vérifiés de manière indépendante avant toute publication. Ils ne correspondent pas aux noms de modèles OpenAI reconnus dans les informations fournies ici ; il serait donc inapproprié de reprendre cette affirmation comme un fait confirmé de manière indépendante.

Cette tendance sous-jacente n’en reste pas moins importante pour les dirigeants. L’IA générative entraîne souvent des coûts d’exploitation variables. Une adoption accrue par les collaborateurs, des charges de travail plus importantes, des requêtes plus complexes et des volumes d’inférence plus élevés peuvent faire augmenter les dépenses, même lorsque le prix unitaire baisse. Un modèle moins cher ne se traduit donc pas nécessairement par une facture globale d’IA moins élevée.

Cela modifie la manière dont les entreprises doivent évaluer leurs fournisseurs. Les capacités du modèle restent importantes, mais le prix unitaire ne constitue qu’une partie de l’équation. Les dirigeants doivent également examiner l’efficacité avec laquelle un système accomplit une tâche, dans quelle mesure l’utilisation peut être mesurée et contrôlée, si les charges de travail peuvent être transférées d’un fournisseur à l’autre, et comment la tarification pourrait évoluer à mesure que les déploiements prennent de l’ampleur.

La concurrence entre les fournisseurs devrait continuer à offrir des opportunités aux acheteurs professionnels. La baisse des coûts unitaires peut rendre de nouveaux cas d’utilisation économiquement viables, tandis qu’une meilleure maîtrise des coûts peut rendre les budgets plus prévisibles. Les entreprises peuvent tirer parti de cette concurrence pour négocier de meilleures conditions et éviter une dépendance inutile vis-à-vis d’une seule plateforme.

L’essentiel est d’établir un lien entre les achats et des résultats mesurables. Un prix de l’IA plus bas est certes utile, mais l’objectif ne consiste pas simplement à acheter des jetons ou de la puissance de calcul à moindre coût. Il s’agit de générer davantage de valeur commerciale pour chaque dollar investi. Pour les dirigeants, c’est cet indicateur qui compte en fin de compte.

Le développement rapide de l’IA complique la planification à long terme et rend la discipline financière d’autant plus importante

L’intelligence artificielle évolue si rapidement qu’une stratégie approuvée aujourd’hui peut se retrouver confrontée, en l’espace de quelques mois, à des conditions différentes en matière de technologie, de tarification et de concurrence. Cela pose un problème concret aux dirigeants : les entreprises doivent investir pour l’avenir sans consacrer trop de capitaux à des hypothèses qui pourraient devenir obsolètes.

M. Diasio met directement le doigt sur ce problème : « Il s’agit d’une technologie qui change la donne toutes les six semaines ; il est donc compréhensible que les dirigeants n’aient pas encore défini de feuille de route ni trouvé le discours approprié pour accompagner ce changement. » M. Diasio ajoute que les organisations doivent choisir leurs initiatives de manière réfléchie et les orienter vers la création de valeur financière, sous peine de « tourner en rond ».

Cela ne signifie pas pour autant que les entreprises doivent attendre que la technologie de l’IA se stabilise. Attendre comporte en soi un risque sur le plan concurrentiel. Une approche plus efficace consiste à réaliser des investissements par étapes, avec des objectifs commerciaux clairs et des critères bien définis pour poursuivre, étendre, repenser ou mettre fin à un projet.

Cela nécessite de meilleurs indicateurs de mesure. Les dirigeants doivent établir un lien entre les programmes d’IA et des résultats tels que la croissance du chiffre d’affaires, la réduction des coûts d’exploitation, la productivité des collaborateurs, la fidélisation de la clientèle, l’amélioration des délais d’exécution ou la réduction des risques. L’indicateur approprié dépend du cas d’utilisation. Un système de service client, par exemple, doit être évalué en fonction de la qualité du service et de sa rentabilité, plutôt que sur la seule base du nombre d’utilisateurs.

Les dirigeants doivent également faire la distinction entre l’expérimentation et le déploiement à grande échelle. Les expérimentations permettent de vérifier si une technologie fonctionne et si les collaborateurs sont susceptibles de l’utiliser. Les investissements en production sont soumis à des exigences plus strictes : ils doivent garantir des performances fiables, la sécurité, la gouvernance, l’intégration et une analyse de rentabilité crédible. Distinguer ces différentes étapes permet d’éviter que des démonstrations prometteuses ne se transforment automatiquement en engagements coûteux à long terme.

L’objectif stratégique est donc d’allier flexibilité et responsabilité. Les entreprises peuvent agir rapidement tout en réexaminant fréquemment leurs hypothèses. Les feuilles de route en matière d’IA doivent permettre d’adapter les modèles et de changer de fournisseurs sans qu’il soit nécessaire de repenser l’ensemble de la stratégie. La technologie continuera d’évoluer ; la discipline d’investissement doit évoluer avec elle.

Le manque de visibilité sur l’utilisation de l’IA devient un problème financier direct

Les entreprises ne peuvent pas maîtriser efficacement leurs dépenses en matière d’IA si elles ne savent pas où cette technologie est utilisée, par qui et à quel coût. Pour de nombreuses entreprises, cette visibilité reste étonnamment limitée.

Les données publiées en juin par Flexera ont révélé que plus des deux tiers des entreprises ne disposent pas d’une visibilité sur l’utilisation des logiciels d’IA. Environ trois entreprises sur cinq ont également signalé une augmentation, d’une année sur l’autre, des dépenses excessives liées à l’IA. Pris dans leur ensemble, ces résultats suggèrent que la gestion des coûts liés à l’IA devient un enjeu opérationnel majeur, et non plus simplement une préoccupation liée aux achats.

Le défi prend de l’ampleur à mesure que l’adoption de l’IA se généralise au sein d’une organisation. Différentes équipes peuvent acquérir des applications d’IA de manière indépendante, les collaborateurs peuvent s’abonner à des services qui se chevauchent, et les plateformes logicielles peuvent proposer des fonctionnalités d’IA facturées séparément. Parallèlement, les coûts liés aux API et aux modèles peuvent varier en fonction de l’utilisation réelle. Les budgets logiciels annuels traditionnels risquent de ne pas refléter correctement ces tendances.

Une meilleure visibilité ne signifie pas pour autant qu’il faille limiter l’adoption utile de l’IA. L’objectif est de bien comprendre les modes d’utilisation afin de prendre de meilleures décisions. Les dirigeants ont besoin d’une vue d’ensemble permettant de savoir quels outils sont utilisés, qui en sont les responsables, quels sont leurs coûts, quelles fonctions métier ils prennent en charge, et si ces applications génèrent une valeur mesurable.

Ces informations contribuent également à renforcer la gouvernance. Les entreprises peuvent ainsi identifier les abonnements redondants, les charges de travail dont le coût s’avère plus élevé que prévu, les licences inutilisées et les services d’IA fonctionnant en dehors des politiques de sécurité ou de gestion des données approuvées. Les équipes financières, informatiques, des achats, de la sécurité et métier ont donc besoin d’une vue d’ensemble commune plutôt que de registres distincts relatifs à l’activité liée à l’IA.

La maîtrise des coûts doit également tenir compte de la valeur ajoutée. Une dépense liée à l’IA qui augmente rapidement peut se justifier si elle génère une amélioration plus importante du chiffre d’affaires, de la productivité ou des résultats pour les clients. À l’inverse, un logiciel peu coûteux peut tout de même constituer un gaspillage si les employés l’utilisent rarement ou s’il n’apporte que peu d’avantages mesurables.

Pour les équipes de direction, l’objectif est clair : rendre les dépenses liées à l’IA suffisamment transparentes pour pouvoir les gérer. À mesure que le déploiement s’étend, il ne suffit plus de connaître le montant total de la facture. Les dirigeants doivent comprendre ce qui génère cette facture et ce que l’entreprise en retire en contrepartie.

Le FinOps s’étend au domaine de l’IA, les entreprises souhaitant exercer un contrôle plus strict sur leurs coûts technologiques variables

Le FinOps prend de plus en plus d’importance dans le domaine de l’IA d’entreprise. À l’origine, cette approche visait à permettre aux équipes financières, techniques et commerciales de gérer conjointement les dépenses liées au cloud. L’IA engendre un nouvel ensemble de coûts variables, notamment l’utilisation des modèles, les ressources informatiques, les abonnements logiciels et les frais liés à la consommation. À mesure que son adoption se généralise, ces coûts doivent faire l’objet d’une gestion active.

C’est important car les dépenses liées à l’IA peuvent évoluer rapidement en fonction de l’utilisation. Les services d’IA générative peuvent facturer soit en fonction des « tokens » (les unités utilisées pour traiter les données d’entrée et générer des résultats), soit en fonction des ressources informatiques et d’autres indicateurs de consommation. Un nombre accru d’utilisateurs, des invites plus longues, des charges de travail plus importantes ou une utilisation plus intensive des modèles peuvent donc faire grimper les coûts rapidement. Un budget reposant principalement sur les licences ou les frais de déploiement initiaux risque de ne pas refléter la réalité dans son intégralité.

L’application des principes FinOps peut offrir une meilleure visibilité aux dirigeants. Les entreprises peuvent suivre la consommation d’IA par produit, service, application, modèle ou processus métier, puis établir un lien entre ces dépenses et les résultats obtenus. Il est ainsi plus facile d’identifier les charges de travail inefficaces, les services redondants, les applications dont le coût s’avère plus élevé que prévu, ainsi que les opportunités d’utiliser des modèles moins coûteux lorsque les fonctionnalités haut de gamme ne sont pas nécessaires.

La Tokenomics Foundation témoigne de l’intérêt croissant pour la formalisation de cette discipline. Cette organisation, présentée le mois dernier en tant que branche de la Linux Foundation, a pour objectif d’aider les entreprises à maîtriser leurs dépenses en matière d’IA à l’échelle de l’entreprise. Cette évolution suggère que la gestion des coûts liés à l’IA devient une compétence organisationnelle à part entière, plutôt qu’une simple tâche isolée relevant des services financiers ou informatiques.

Pour les dirigeants, la gouvernance ne doit pas se limiter à la réduction de la facture mensuelle. Il convient plutôt de se demander si chaque catégorie de dépenses liées à l’IA génère suffisamment de valeur. Une charge de travail entraînant une forte consommation de jetons peut tout de même se justifier d’un point de vue économique si elle augmente de manière significative le chiffre d’affaires, la productivité ou la qualité du service. En revanche, une application peu coûteuse mais générant peu de valeur pourrait mériter d’être supprimée.

Les entreprises doivent donc définir clairement les responsabilités dès le début. Le service financier peut fixer des objectifs économiques, les équipes techniques peuvent mesurer la consommation et l’efficacité de l’architecture, le service des achats peut gérer les conditions des fournisseurs, et les dirigeants peuvent rester responsables des résultats. Des indicateurs communs aident ces différents services à prendre des décisions en s’appuyant sur les mêmes informations en matière de coûts et de performances.

L’objectif n’est pas simplement de disposer d’une IA moins coûteuse. Il s’agit de mettre en place une économie de l’IA maîtrisée et mesurable. Les entreprises qui comprennent ce qu’elles dépensent, pourquoi elles le font et ce qu’elles en retirent seront mieux à même de développer à grande échelle les applications performantes, tout en mettant fin à celles qui ne justifient pas la poursuite des investissements.

Faits marquants

• Repensez le choix entre « acheter » et « développer » : la hausse des coûts liés au calcul, aux logiciels et à la formation modifie la rentabilité de l’IA. Les dirigeants doivent comparer les coûts totaux de possession et opter pour le développement en interne lorsque les capacités propriétaires permettent de se démarquer de manière significative.
• Exigez davantage de vos fournisseurs en matière de coûts et de valeur ajoutée : les fournisseurs d’IA réagissent à la pression sur les coûts en modifiant leurs tarifs et leurs stratégies de gestion des coûts. Tirez parti d’une concurrence accrue pour négocier des conditions avantageuses, tout en évaluant votre consommation globale et les résultats de votre entreprise.
• Veillez à ce que vos plans d’investissement dans l’IA restent flexibles : les progrès rapides peuvent rapidement rendre obsolètes les hypothèses à long terme. Financez vos initiatives par étapes, définissez des indicateurs clés de performance (KPI) financiers et opérationnels clairs, et ne développez vos activités que lorsque les résultats justifient un investissement supplémentaire.
• Rendez les dépenses liées à l’IA transparentes : selon Flexera, plus des deux tiers des entreprises ne disposent pas d’une visibilité précise sur l’utilisation des logiciels d’IA, tandis qu’environ trois sur cinq font état d’une augmentation, d’une année sur l’autre, des dépenses excessives liées à l’IA. Suivez l’utilisation, la propriété, le coût et la valeur ajoutée pour l’entreprise à l’échelle de l’organisation.
• Étendez la discipline FinOps à l’IA : les coûts variables liés aux modèles, aux jetons et à la puissance de calcul nécessitent une gestion financière continue. Confiez aux équipes financières, informatiques, d’achats et métier la responsabilité partagée d’établir un lien entre l’utilisation de l’IA et des retours mesurables.