Alexandre Ruiz, auteur de La Couche IA : Le coût caché de l'IA n'est pas toujours celui du modèle Les entreprises surveillent le prix des licences et la consommation de tokens, mais oublient parfois le plus important : combien coûte réellement un processus assisté par IA, de la première requête jusqu'au résultat métier ? Alexandre Ruiz, architecte des systèmes d'entreprise et auteur de La Couche IA, considère que sans cette vision complète, les gains de productivité peuvent masquer une facture organisationnelle bien plus importante. PAR ALEXANDRE RUIZ, ARCHITECTE DES SYSTÈMES D'ENTREPRISE ET AUTEUR DE LA COUCHE IA Une démonstration d'intelligence artificielle ne dure que quelques minutes. Un collaborateur soumet un document, obtient une synthèse et mesure les secondes gagnées. La promesse paraît évidente : produire plus vite, à moindre coût. Il suffirait alors d'additionner les abonnements, les appels API et quelques journées d'intégration pour calculer le retour sur investissement. Cette approche repose pourtant sur une confusion fondamentale : le coût de production d'une réponse n'est pas le coût du processus qui la rend utile. Entre un résultat généré par un modèle et une décision effectivement prise, il existe toute une organisation. Des données doivent être accessibles, des droits vérifiés, des réponses contrôlées et des erreurs corrigées. Des collaborateurs doivent parfois reprendre le travail, des responsables le valider et des systèmes d'information l'intégrer. Une synthèse produite en dix secondes, mais qui attend trois jours avant d'être exploitée, illustre parfaitement ce paradoxe. La technologie a accéléré une tâche. Elle n'a pas nécessairement amélioré le processus. Des gains individuels qui ne deviennent pas automatiquement collectifs Cette distinction trouve un écho dans une expérimentation publiée en avril 2025 par Microsoft Research. Menée auprès de 6 000 travailleurs, elle montre que l'accès à un outil d'IA générative modifie notamment les pratiques individuelles liées aux emails, sans entraîner de diminution statistiquement significative du temps consacré aux réunions. Le résultat mérite attention. Rédiger plus rapidement un document est souvent une décision individuelle. Supprimer une réunion, modifier un circuit de validation ou redistribuer une responsabilité suppose une transformation collective. Or, dans de nombreux projets, l'IA vient simplement se superposer aux processus existants. Elle automatise la production des documents sans remettre en question leur utilité, accélère les transmissions sans supprimer les étapes redondantes et multiplie les analyses sans améliorer nécessairement les décisions. Nous optimisons le coût d'exécution des tâches sans toujours nous demander si ces tâches devraient encore exister. Ce décalage peut devenir une source majeure de dépenses invisibles. Les quatre dimensions du coût réel de l'IA Pour évaluer sérieusement un projet, il faut dépasser les seuls coûts techniques et distinguer quatre dimensions. Le coût technique comprend les licences, l'inférence, les infrastructures, l'intégration, la supervision et la sécurité. Il est généralement le plus visible, parce qu'il se retrouve dans les budgets informatiques et les factures des fournisseurs. Le coût humain correspond au temps consacré à la préparation des données, à la vérification des réponses, à la correction des erreurs et à la formation. Une IA qui produit rapidement une réponse approximative peut déplacer la charge de travail plutôt que la réduire. Le coût organisationnel est souvent le plus difficile à isoler. Il comprend les nouveaux circuits de validation, la gestion des exceptions, l'évolution des responsabilités et la maintenance des processus automatisés. Lorsqu'un assistant impose un contrôle supplémentaire sans supprimer aucune étape existante, le gain promis peut rapidement s'éroder. Le coût d'opportunité, enfin, est peut-être le plus stratégique. Chaque euro investi dans un projet d'IA est un euro qui ne finance pas une autre transformation. Une simplification des règles métier, une meilleure circulation des données ou la suppression d'une ressaisie peuvent parfois produire davantage de valeur qu'un modèle supplémentaire. Ces quatre dimensions ne constituent pas une nouvelle méthode comptable normalisée. Elles proposent un cadre de décision pour identifier les coûts que les évaluations techniques traditionnelles tendent à négliger. Le bon indicateur : le coût par résultat réellement obtenu Prenons un exemple fictif. Une entreprise déploie un assistant capable de traiter 500 demandes administratives. Les synthèses sont produites en quelques secondes et le coût d'inférence reste faible. Mais supposons que 30 % des dossiers nécessitent une correction humaine de quinze minutes. Cela représente déjà 37,5 heures de reprise pour 150 dossiers, sans compter les contrôles systématiques, les coûts d'intégration et les délais de validation. L'exemple ne démontre pas que l'automatisation serait moins rentable qu'un traitement manuel. Il montre pourquoi le seul prix d'une réponse générée ne permet pas de conclure. Le véritable calcul doit comparer, avant et après déploiement, le coût complet d'un dossier correctement traité et clôturé, à qualité de service comparable. Cette mesure doit intégrer les traitements réussis, les reprises, les interventions humaines et les dépenses d'exploitation. Elle doit également être accompagnée d'indicateurs de délai complet, de taux d'erreur et de satisfaction des utilisateurs. Une IA capable de générer mille réponses n'apporte pas nécessairement plus de valeur qu'un processus qui résout correctement cent demandes. Le volume produit n'est pas le résultat métier. L'économiste Daron Acemoglu souligne d'ailleurs, dans une étude publiée par le NBER en 2024, les limites des extrapolations qui assimilent des gains de productivité sur certaines tâches à des gains économiques généralisés. Son analyse porte sur la macroéconomie, mais elle rappelle une précaution également utile aux entreprises : ne pas confondre le potentiel technique d'automatisation avec la valeur effectivement créée. La gouvernance n'est pas un supplément facultatif À ces questions économiques s'ajoutent les exigences de maîtrise des risques. Le guide d'auto-évaluation de la CNIL rappelle notamment l'importance d'un objectif clairement défini, de la qualité des données, de la transparence, de la sécurité et de l'attribution des responsabilités. Ces exigences ne doivent pas être traitées comme de simples frais annexes. Pour les traitements concernés, elles conditionnent la possibilité d'utiliser les résultats de manière fiable et conforme. La difficulté consiste à intégrer ces obligations dans un fonctionnement cohérent, plutôt qu'à empiler de nouveaux contrôles autour d'un processus déjà complexe. Une validation humaine peut être indispensable lorsqu'une décision présente des conséquences importantes. Elle peut aussi devenir une formalité coûteuse si son rôle, ses critères et sa valeur ajoutée ne sont pas définis. L'enjeu n'est donc pas de supprimer systématiquement les vérifications, mais de concevoir une chaîne de traitement dans laquelle chaque intervention possède une justification claire. Avant d'investir, définir les conditions d'un arrêt Pour les DSI, la conséquence est directe : un projet IA ne devrait pas être approuvé sur la seule démonstration de ses capacités. Avant le déploiement, trois éléments devraient être exigés : une hypothèse de valeur mesurable, une estimation du coût complet et des critères explicites de poursuite ou d'abandon. L'hypothèse doit pouvoir être vérifiée. Par exemple : réduire de 20 % le coût complet de traitement d'un dossier, sans dégrader la qualité ni augmenter les délais. Le seuil est ici illustratif ; il doit être fixé en fonction de la situation de départ et des objectifs métier. Le projet doit ensuite être évalué sur un périmètre représentatif, avec des dossiers simples, complexes et atypiques. Les résultats doivent être comparés à ceux du processus existant, et pas seulement aux performances annoncées par le fournisseur. Enfin, il faut accepter qu'un projet techniquement réussi puisse être économiquement décevant. Dans ce cas, arrêter ou redessiner le dispositif n'est pas un échec de l'innovation. C'est une décision de gestion rationnelle. L'intelligence artificielle peut produire des gains considérables. Mais elle ne dispense pas les entreprises de revoir leur fonctionnement. Elle peut même les conduire à reproduire plus rapidement des processus dont la pertinence n'a jamais été interrogée. La question décisive pour une DSI n'est donc pas : « Combien coûte une réponse générée par notre IA ? » mais : « Combien nous coûte l'obtention d'un résultat fiable, utile et exploitable, de bout en bout ? » C'est à cette échelle que se mesure la véritable rentabilité de l'intelligence artificielle. Matt Riley, Sharp : Un plan de continuité d'activité ne se limite pas aux risques majeurs Galaxy Book6 Series : 10 raisons de choisir la performance Le guide de la migration écoresponsable vers Windows 11 IA locale : la nouvelle ère de l’Intelligence artificielle ?