Depuis deux ans, les entreprises multiplient les expérimentations autour de l’intelligence artificielle. Assistants conversationnels, agents autonomes, automatisation de processus, analyse documentaire : les cas d’usage se sont développés rapidement. Dynagile ne fait pas exception.
Jusque-là, lorsque le sujet IA arrivait en comité direction, il s’agissait principalement de trouver des cas d’usage. En interne bien sûr : comment améliorer le travail quotidien de nos équipes ? Mais également pour nos clients : comment améliorer la qualité du delivery ? Quels agents développer pour répondre aux enjeux métiers de nos clients ?
Plus récemment, c’est le coût de l’IA, ou plutôt sa maîtrise, qui est devenu le sujet central de nos discussions. La mise à disposition de l’agent Copilot Cowork, qui a été largement adopté par l’ensemble de nos collaborateurs, nous pousse à nous poser plus sérieusement la question : comment passer l’IA à l’échelle sans faire sauter la banque ?
À mesure que les usages se généralisent, j’ai la conviction que la rentabilité devient un sujet partagé :
- Notre DSI/RSSI apporte la maîtrise technologique, la sécurité et la gouvernance.
- Côté DAF, je dois apporter la discipline économique et la visibilité budgétaire.
- Côté Direction Générale, nous arbitrons les priorités et les investissements.
En parallèle, nous mettons l’accent sur la responsabilisation de nos collaborateurs (en commençant par les managers) par le biais de formations et d’une communication transparente.
Et, ensemble, je crois que nous essayons de répondre à une même question : comment créer de la valeur avec l’IA sans perdre la maîtrise des coûts ?
L’approche FinOps de l’IA pour maîtriser ses coûts.
Dans la majorité des cas, les dépassements budgétaires ne proviennent pas d’une seule cause. Ils résultent souvent d’un cumul de facteurs.
Mauvais choix de modèle.
L’une des erreurs les plus fréquentes consiste à utiliser systématiquement les modèles les plus avancés disponibles sur le marché. Ces modèles, souvent qualifiés de frontier models, offrent des capacités remarquables de raisonnement, d’analyse et de génération. Ils rassurent l’utilisateur, surtout celui qui n’a jamais été proprement formé à l’IA.
Et pourtant, par exemple sur Copilot, utiliser Microsoft Cowork ou l’agent Recherche pour extraire des informations d’une facture ou orienter une demande support revient souvent à vouloir tuer une mouche avec un canon (ce qui n’est d’ailleurs pas conseillé).
L’enjeu est donc de choisir le modèle le plus pertinent au regard du besoin métier, ce que les experts du FinOps appellent désormais le model right-sizing.
Il incombe ainsi à l’organisation de proposer des formations et outils (FAQ, guides) pour guider les usages responsables de l’IA. Une initiative qui sera autant à la faveur de la DAF que de votre DRH et votre Direction RSE.
Faible visibilité sur le coût complet du cas d’usage.
Pendant longtemps, les dépenses informatiques étaient relativement simples à anticiper : licences logicielles, infrastructures, serveurs ou capacité cloud.
L’intelligence artificielle introduit une logique différente dans la mesure où le coût n’est plus seulement lié à l’infrastructure. Il dépend directement de l’usage réel et intègre ainsi plusieurs variables :
- Modèle utilisé
- Nombre de requêtes effectuées
- Volume de données envoyé au modèle
- Nombre d’appels API
- Ressources de calcul mobilisées
- Connecteurs utilisés
- Capacités d’orchestration mises en œuvre dans les agents
C’est précisément ce qui rend l’exercice plus complexe pour les directions financières.
Un projet peut apparaître très raisonnable lors d’une démonstration, puis voir ses coûts évoluer fortement une fois adopté à l’échelle de l’entreprise.
Expérimentations d’agents IA menées hors gouvernance
Un agent peut interroger plusieurs sources de données, utiliser différents connecteurs, déclencher des workflows ou agir sur des applications métiers.
Sans visibilité sur ces capacités, les coûts comme les risques deviennent difficiles à maîtriser.
La gouvernance ne consiste pas simplement à tenir un inventaire des agents déployés. Elle suppose de comprendre leurs connexions, leurs sources de données, leurs capacités d’action et leur périmètre d’utilisation. La gouvernance devient ainsi un sujet de sécurité, de conformité… mais également de maîtrise des coûts.
À lire également : « Gouverner les agents Copilot : de l’inventaire à la compréhension des capacités »
Les agents Copilot se multiplient en entreprise. Découvrez comment passer de l’inventaire à une gouvernance efficace et sécurisée.
Objectifs métier insuffisamment définis
L’objectif n’est pas d’utiliser l’IA parce qu’elle est disponible. L’objectif est d’identifier les processus où elle apporte un bénéfice tangible.
D’une part, si vos collaborateurs ont bien été formés, il est de leur responsabilité d’utiliser l’IA à bon escient et d’identifier les cas dans lesquels l’IA leur apporte de la valeur et ceux dans lesquels l’IA est une perte de temps. Notre responsable Marketing et Communication, en parle par exemple dans un article autour des cas d’usages de l’IA en marketing et communication.
D’autre part, lorsqu’on développe des agents, le plus souvent pour automatiser un processus, il est indispensable d’être très clair sur les bénéfices attendus pour les métiers et de savoir mesurer la valeur créée. Nous y reviendrons juste après dans une partie dédiée aux indicateurs.
L’IA « à tout prix »
L’engouement actuel autour de l’intelligence artificielle peut conduire à un réflexe dangereux : considérer que tout projet d’automatisation doit nécessairement intégrer de l’IA. Dans la réalité, ce n’est pas toujours le cas.
Pour un processus stable, répétitif et basé sur des règles métier clairement définies, une automatisation classique peut s’avérer plus rapide, plus robuste et plus économique.
Comme l’explique Vanessa Silfille dans son article consacré à l’écueil de « l’IA à tout prix », l’enjeu n’est pas de choisir la technologie la plus avancée mais celle qui résout durablement le problème métier posé.
Les indicateurs que les DAF devraient suivre
L’un des principaux changements introduits par le FinOps IA consiste à abandonner les métriques purement techniques. Le nombre de tokens consommés a finalement peu de sens pour un décideur métier. Les indicateurs les plus pertinents sont ceux qui mesurent la valeur créée :
- Coût par dossier traité
- Coût par workflow terminé
- Coût par utilisateur actif
- Coût par ticket support résolu
- Temps réellement économisé
- Taux d’adoption
- Taux d’erreur
- Part de traitement reprise par un collaborateur
Autrement dit, les indicateurs doivent parler le langage de l’entreprise avant celui de l’infrastructure.
Chez Dynagile, notre conviction est simple : un projet IA ne peut pas être évalué uniquement par des experts technologiques.
Les meilleurs arbitrages naissent de la rencontre entre expertise métier, expertise financière et maîtrise technique.
C’est cette approche qui nous permet d’aider les PME et ETI à identifier les processus à automatiser, à choisir le bon niveau d’intelligence et à construire des usages durables économiquement.
Et si vous souhaitez en savoir plus sur la gouvernance et les reportings FinOps que nous avons pu mettre en place chez Dynagile pour maîtriser nos coûts de l’IA, n’hésitez pas à me contacter.
