Pourquoi les projets IA échouent avant le passage à l'échelle

On me demande souvent combien coûte un projet d'IA générative. C'est presque toujours la mauvaise première question.

La note du cloud, ou celle des tokens, est la partie visible du coût. Et la plus petite. Le vrai coût d'un programme IA est ailleurs : dans les données qu'il faut préparer et gouverner, dans l'intégration au système d'information existant, dans la sécurité et la conformité — surtout en environnement régulé —, dans l'exploitation, et dans la capacité réelle de l'organisation à adopter le nouvel usage. C'est souvent là que se joue la facture, et c'est presque jamais ce qu'on regarde en premier.

La bonne première question n'est pas « combien », mais « lequel »

Tout le monde, en ce moment, lance des expérimentations. Beaucoup moins d'organisations savent dire laquelle mérite de passer à l'échelle — et pourquoi. Les POC se multiplient, les démonstrations impressionnent, et les décisions de financement se prennent sur l'enthousiasme plus que sur une évaluation du couple coût complet / valeur métier.

Le problème n'est pas technique. C'est un problème de gouvernance : quel cas d'usage mérite réellement d'être financé, à quel coût complet, et selon quels critères de décision ?

Trois questions structurent ce cadrage. D'abord la valeur : quel changement d'usage ce cas produit-il, et quel bénéfice mesurable en découle pour l'entreprise ? Ensuite le coût complet : au-delà du modèle et de l'infrastructure, qu'exigent les données, l'intégration, la conformité et l'exploitation dans la durée — en gardant à l'esprit que la dépense IA est consommée en continu, pas immobilisée ? Enfin les conditions du passage à l'échelle : qu'est-ce qui doit être vrai — techniquement, économiquement, humainement — pour que l'expérimentation devienne un service durable ?

Des critères de décision portés au niveau métier

Le point le plus souvent négligé : ces critères doivent être définis et portés par les directeurs métier, pas seulement par la DSI. Un cas d'usage IA n'a de valeur que dans un processus métier ; c'est donc au métier de dire ce que « réussi » voudra dire, et à la gouvernance de vérifier que le réel suit. C'est la même mécanique que pour tout investissement structurant — la chaîne livrables → objectifs d'usage → bénéfices — appliquée à une technologie dont l'économie est plus variable et plus rapide que celle du cloud classique.

Les organisations qui traversent bien cette période ne sont pas celles qui expérimentent le plus. Ce sont celles qui savent arrêter un POC sans regret, financer un cas d'usage avec des critères explicites, et prouver la valeur de ce qu'elles ont mis à l'échelle. L'IA par la valeur, pas par la prouesse — même si la prouesse est souvent le déclencheur.