ROI, IA et cloud : ce que doivent anticiper les décideurs

L’adoption ciblée de l’IA améliorera considérablement le retour sur investissement d’ici 2026.

Les entreprises qui traitent l’IA comme un projet secondaire n’iront pas loin. Nous assistons actuellement à un abandon de l’expérimentation au profit d’une intégration ciblée et disciplinée de l’IA. Cette année, la plupart des entreprises ont enregistré un retour sur investissement de l’IA d’environ 16 %. Ce n’est pas mal, mais cela ne change pas la donne. Cela va changer rapidement. D’ici 2026, les entreprises qui resserreront leurs priorités en matière d’IA et se concentreront sur des cas d’utilisation spécifiques doubleront ce rendement.

Les entreprises intelligentes se concentrent moins sur les expériences frontales tape-à-l’œil que sur les domaines dans lesquels l’IA peut réellement faire bouger les choses, comme les opérations de back-office, l’automatisation et l’aide à la décision. C’est là que se trouve la valeur. Les gagnants seront ceux qui cesseront d’essayer de tout construire en interne et travailleront plutôt avec des fournisseurs spécialisés. Pourquoi ? Parce que les outils développés par les fournisseurs sont déjà optimisés, testés et évolutifs. Selon Martin Reynolds, directeur technique de Harness, les entreprises qui procèdent ainsi sont deux fois plus performantes que les modèles internes. Il ne s’agit pas d’un petit écart, mais d’un delta concurrentiel.

Les équipes dirigeantes doivent être claires sur ce point : une stratégie d’IA fragmentée brûle les ressources. Si elle ne permet pas de résoudre des problèmes réels, elle ne doit pas être mise en place. Concentrez-vous, consolidez et agissez rapidement. Au fur et à mesure que les cas d’utilisation mûrissent et que les fournisseurs affinent les outils de performance, ces plateformes offriront un retour sur investissement précis et des mesures concrètes, et non un battage médiatique.

Le code généré par l’IA introduit de nouvelles vulnérabilités dans la chaîne d’approvisionnement des logiciels

L’utilisation de l’IA pour écrire du code fait couler beaucoup d’encre. À première vue, c’est rapide, évolutif et impressionnant. Mais regardez-y de plus près. Ces outils de développement de l’IA sont souvent formés sur des bases de code publiques obsolètes ou vulnérables. Cela signifie qu’ils ne reconnaissent pas toujours les failles de sécurité qui pourraient déjà être exploitées dans la nature. Pire encore, ces suggestions de code générées par l’IA sont rarement accompagnées d’une traçabilité des origines. Vous obtenez des résultats qui semblent exacts, mais vous n’avez aucune idée de leur origine ni de leur sécurité.

Martin Reynolds, de Harness, l’a directement dénoncé. À mesure que le code généré par l’IA se développe, les vulnérabilités augmentent également. code généré par l’IA augmente, les vulnérabilités augmentent aussi. En fait, la recherche montre que près de 45 % du code généré par les systèmes d’IA pourrait être défectueux ou non sécurisé. Si vous laissez entrer ce code dans votre pipeline logiciel, vous invitez le risque à grande échelle.

Les équipes dirigeantes doivent en être conscientes. Les systèmes sécurisés ne sont pas le fruit de suppositions. Vous verrez de plus en plus d’entreprises intégrer l’application automatisée de politiques et la surveillance continue directement dans leurs flux de travail de développement. Des outils tels que l’analyse de la composition des logiciels passeront du statut d’outil utile à celui d’outil non négociable. Il ne s’agit pas de ralentir. Il s’agit de s’assurer que votre vitesse ne crée pas d’obligations.

Nous avons déjà vu ce film se dérouler avec des composants open-source compromis. Les enjeux sont aujourd’hui plus importants avec le code généré par l’IA qui est déployé dans des environnements de production. L’automatisation de la piste d’audit et l’application de vérifications au moment de l’exécution sont des mesures essentielles pour toute entreprise qui développe l’IA. Faites de la sécurité une routine, pas une réaction.

Les coûts non maîtrisés du cloud menacent d’annuler les gains d’investissement dans l’IA.

L’IA repose sur le calcul. Et ce calcul n’est pas gratuit. À mesure que les charges de travail liées à l’IA et à l’apprentissage automatique évoluent, les dépenses liées au cloud vont dans la même direction, à savoir vers le haut. Si vous ne vous préoccupez pas sérieusement de la gouvernance, vous risquez d’être confronté à un dépassement de 50 % des dépenses. La plupart des entreprises s’appuient encore sur des rapports périodiques pour gérer cela, et c’est un raisonnement dépassé. La surveillance en temps réel des coûts du cloud doit être la norme, et non l’exception.

Martin Reynolds, directeur technique chez Harness, est clair sur le risque. Sans contrôle adaptatif, l’IA peut devenir un centre de coûts incontrôlable. La solution est simple : utilisez l’IA pour gérer l’IA. Mettez en œuvre la détection des anomalies en temps réel, augmentez ou diminuez automatiquement les ressources en fonction de la demande réelle et éliminez les processus inutiles avant qu’ils n’aient un impact sur les résultats. Si vous n’avez pas mis en place une stratégie d’optimisation autonome, vous aurez du mal à faire évoluer l’IA de manière rentable.

Pour les dirigeants, il s’agit d’une question de jugement et de contrôle. Vous investissez dans l’IA pour améliorer les performances, pas pour gonfler les coûts d’infrastructure. Qu’il s’agisse de la mise à l’échelle automatique des charges de travail, du redimensionnement des instances de calcul ou de la détection instantanée des fuites financières, vous avez besoin d’une visibilité en temps réel et de boucles d’action. C’est ce type de discipline opérationnelle qui distinguera les entreprises efficaces de celles qui ne le sont pas. Les investissements que vous faites aujourd’hui dans l’IA ne sont rentables que s’ils sont soutenus par une surveillance financière automatisée.

Les cadres réglementaires imposent une gouvernance plus forte de l’IA dans le développement

L’horloge réglementaire tourne. Les gouvernements ne resteront pas les bras croisés pendant que l’IA dépasse les politiques. Des lois telles que la loi européenne sur l’IA et les réglementations régionales américaines plus strictes modifient déjà la manière dont les entreprises gèrent l’IA, en particulier le code généré par les machines. Ces nouveaux cadres exigent la transparence, l’auditabilité et une plus grande responsabilité pour les décisions algorithmiques. Les entreprises doivent s’aligner maintenant, pas plus tard.

Martin Reynolds, de Harness, l’explique bien : à mesure que le code généré par l’IA se généralise, les risques augmentent avec lui. Près de 45 % du code généré par l’IA peut contenir des vulnérabilités. Il ne s’agit pas d’un problème théorique, mais d’une faiblesse réelle et documentée intégrée à vos systèmes si vous n’y prêtez pas attention. Les régulateurs s’en rendent compte. Et elles réagissent en formulant des attentes plus détaillées en matière de conformité.

Ce n’est pas facultatif. Les directeurs techniques et les directeurs informatiques doivent intégrer l’application automatisée des politiques et les contrôles de sécurité en temps réel tout au long du cycle de développement. Analyse continue. Des pistes d’audit plus solides. Conformité intégrée, et non boulonnée. Si votre système ne peut pas montrer ce qu’il fait et pourquoi il le fait, dans tous les environnements et toutes les versions, vous devrez faire face à des conséquences juridiques et à des atteintes à votre réputation.

Pour les conseils d’administration et les équipes dirigeantes, le message est clair : l’IA apporte de la valeur lorsqu’elle est déployée de manière responsable. La gouvernance doit évoluer avec l’automatisation. Les dirigeants qui considèrent la conformité comme une priorité stratégique ne se contenteront pas de réduire l’exposition, ils renforceront la confiance des clients, des partenaires et des autorités de réglementation dans leurs systèmes d’IA.

L’IA passe de la génération de code à l’automatisation complète du cycle de vie des logiciels.

L’IA ne se contente plus d’écrire du code. La technologie s’étend à l’ensemble du cycle de développement des logiciels, aux tests, à l’optimisation du déploiement, à la surveillance des systèmes et même à la résolution des incidents. Cette évolution est importante car elle s’attaque aux véritables obstacles qui empêchaient l’IA d’offrir une efficacité de bout en bout. La vitesse sans la stabilité ne suffit pas. Ce qui compte, c’est une automatisation capable d’anticiper les problèmes, d’agir en conséquence et de s’améliorer au fil du temps.

Les pipelines d’IA multi-agents sont essentiels à cet égard. Ces systèmes ne se contentent pas d’assister les ingénieurs, ils interviennent à plusieurs stades du développement. Ils analysent le code, optimisent les flux de travail, détectent les défaillances éventuelles avant le lancement et déclenchent une auto-remédiation en cas de problème. Selon Martin Reynolds, directeur technique de Harness, il s’agit d’un moment décisif pour l’IA dans le domaine de l’ingénierie. D’ici 2026, ces capacités autonomes deviendront des attentes de base dans les équipes performantes.

Pour les dirigeants, cela signifie que vos opérations logicielles sont sur le point de devenir véritablement autonomes. Les pipelines de développement peuvent devenir plus rapides, plus prévisibles et moins dépendants des interventions manuelles. Mais pour y parvenir, vous devrez investir dans des architectures capables de prendre en charge des actions autonomes de manière sûre et fiable. Il ne s’agit pas seulement d’outils, il s’agit de construire des systèmes qui apprennent, s’améliorent et fonctionnent sans interruption.

Cette tendance a également des répercussions sur la stratégie en matière de main-d’œuvre. Au fur et à mesure que les tâches de bas niveau sont automatisées, les compétences de votre équipe se déplacent vers le haut. Plus sur l’architecture, la sécurité, la modélisation des données, moins sur le débogage répétitif ou le déploiement. C’est là que le talent apportera de la valeur. Les dirigeants qui anticipent ce changement, en adoptant une automatisation évolutive qui s’étend à l’assurance qualité, au CI/CD et à la surveillance de l’exécution, amélioreront la qualité, accéléreront la livraison et positionneront leurs équipes de manière à obtenir des résultats à plus forte valeur ajoutée.

Principaux enseignements pour les dirigeants

• Les investissements ciblés dans l’IA génèrent un véritable retour sur investissement : Les dirigeants devraient donner la priorité à des applications d’IA ciblées en back-office et à des plateformes tierces éprouvées pour doubler le ROI actuel d’ici 2026 et éviter les inefficacités liées à des déploiements internes dispersés.
• Le code généré par l’IA augmente les risques de sécurité : Les dirigeants doivent investir dans des audits de code automatisés et dans l’application de politiques, car près de 45 % du code généré par l’IA peut être vulnérable et manque de traçabilité, ce qui pose des risques croissants en matière de conformité et de sécurité.
• Les dépenses liées au cloud nécessitent un contrôle en temps réel : Pour éviter que les charges de travail d’IA ne gonflent les coûts d’infrastructure jusqu’à 50 %, les entreprises doivent mettre en place un contrôle en temps réel des coûts du cloud, une détection des anomalies et une optimisation automatisée des ressources.
• La réglementation augmente le coût d’une mauvaise gouvernance : Avec des cadres tels que la loi européenne sur l’IA qui renforce la surveillance, les entreprises doivent adopter une analyse continue de la sécurité, appliquer une politique par défaut et maintenir des pistes d’audit détaillées pour rester conformes et compétitives.
• L’IA redéfinit l’automatisation du développement logiciel : Les entreprises devraient accélérer l’adoption de pipelines d’IA multi-agents pour les tests, le déploiement et la résolution des incidents afin de réduire les erreurs humaines, d’accélérer la livraison et d’orienter les équipes vers des travaux d’ingénierie à plus forte valeur ajoutée.