James Hemery, Yield : IA en entreprise : le coût caché des gains de productivité Un modèle d’IA moins cher à l’appel n’est pas forcément plus économique s’il multiplie les erreurs et les vérifications humaines. James Hemery, fondateur et CEO de Yield, plaide pour raisonner en coût par tâche accomplie plutôt qu’en prix du modèle, et alerte sur les automatisations « shadow AI » qui deviennent des dépendances critiques non maîtrisées. PAR JAMES HEMERY, FONDATEUR ET CEO DE YIELD L'intelligence artificielle promet aux entreprises de produire davantage, plus rapidement et à moindre coût. Pourtant, entre la démonstration technologique et son intégration dans les opérations quotidiennes, l'équation économique est loin d'être aussi évidente. Une tâche automatisée peut générer de nouvelles dépenses, un développement accéléré peut ralentir la livraison d'un logiciel et un outil créé en interne peut devenir une dépendance difficile à maîtriser. À mesure que l'IA se généralise, les entreprises doivent apprendre à mesurer ce que leur coûte réellement cette nouvelle productivité. Le prix d'un modèle ne dit rien de son coût réel Dans le choix d'une solution d'IA, les comparaisons se concentrent encore largement sur les performances des modèles et leur prix d'utilisation. Pourtant, un modèle moins cher à l'appel ne constitue pas nécessairement une solution plus économique. S'il multiplie les erreurs, nécessite plusieurs tentatives ou impose des vérifications humaines systématiques, l'économie initiale peut rapidement disparaître. À l'inverse, un modèle plus coûteux peut se révéler plus rentable lorsqu'il permet d'obtenir un résultat directement exploitable. Pour une entreprise, le véritable indicateur devrait donc être le coût par tâche accomplie (cost per task), en intégrant l'inférence du modèle, le temps de contrôle humain, les corrections et la maintenance des automatisations. Cette approche suppose également d'adapter les modèles aux usages. Résumer un document, extraire des informations d'une facture ou assister un développeur dans une tâche complexe ne nécessitent pas les mêmes capacités. Mobiliser systématiquement le modèle le plus puissant revient parfois à surdimensionner une infrastructure pour répondre à un besoin simple. L'efficacité économique repose davantage sur la pertinence des choix techniques que sur la recherche permanente de la meilleure performance. Pourquoi vous paierez plus cher pour l'IA en 2026, et 3 conseils pour limiter les frais Quand l'IA accélère le développement, mais pas la livraison Cette difficulté à mesurer les gains se retrouve particulièrement dans le développement logiciel. Les assistants de programmation permettent aujourd'hui de générer davantage de code et d'accélérer certaines étapes de production. Mais cette vitesse supplémentaire ne se répercute pas mécaniquement sur l'ensemble du cycle de développement. Si les équipes produisent plus rapidement sans accélérer les phases de revue, de test ou de mise en production, les goulets d'étranglement se déplacent simplement vers d'autres étapes. L'entreprise peut alors se retrouver avec davantage de code à vérifier, des corrections supplémentaires et une complexité accrue à maintenir dans le temps. Pour évaluer les effets de l'IA, il devient donc nécessaire de regarder au-delà du volume produit. Le délai entre l'expression d'un besoin et sa mise à disposition des utilisateurs, la fréquence des mises en production, la stabilité des applications ou encore le temps consacré aux corrections constituent des indicateurs autrement plus utiles. La productivité d'une équipe technique ne se résume pas à sa capacité à écrire du code. Elle dépend de sa capacité à concevoir, livrer et maintenir des logiciels qui répondent durablement aux besoins de l'entreprise. Des automatisations qui deviennent des actifs à maîtriser Au-delà des coûts directs, l'IA transforme également la manière dont les entreprises construisent leurs outils internes. Des collaborateurs développent leurs propres agents, automatisent leurs reportings ou connectent plusieurs applications pour simplifier leurs processus de travail, parfois sans intervention des équipes informatiques. Ces initiatives peuvent générer des gains importants, mais elles créent également de nouvelles dépendances. Lorsqu'une automatisation repose sur un compte personnel, des instructions non documentées ou des outils dont personne ne maîtrise véritablement le fonctionnement, sa continuité devient fragile. Le risque du shadow AI ne se limite donc pas à la sécurité des données. Il concerne aussi la conservation du savoir-faire opérationnel et la capacité de l'entreprise à reprendre le contrôle de ses processus. Une automatisation devenue essentielle doit être considérée comme un véritable actif logiciel, avec une documentation, une supervision et un responsable identifié. Cette exigence rejoint celle de la souveraineté technologique. Au-delà de la nationalité des fournisseurs, les entreprises doivent s'interroger sur la localisation du traitement des données, les dépendances à leurs prestataires et leur capacité à changer de solution sans reconstruire l'ensemble de leur système. L'IA ne supprime pas les contraintes économiques et opérationnelles du logiciel : elle les déplace et en crée parfois de nouvelles. Après une première phase consacrée à l'expérimentation, les entreprises doivent désormais aborder son déploiement comme un véritable sujet d'ingénierie, de maîtrise des coûts et de gestion des actifs technologiques. Tanguy Duthion, Avanoo et Alex Combessie, Giskard : « Quelles IA ont accès à nos données ? » : la question que tout RSSI redoute en comité de direction 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 ?