IA : la création de valeur ne se décrète pas, elle se gouverne

L'IA fonctionne. Et alors ?

Un agent intelligent parvient à exécuter en quelques secondes une tâche qui mobilisait auparavant un collaborateur pendant plusieurs heures.

La démonstration est spectaculaire.

Mais que vient-on réellement de démontrer ?

Que la technologie fonctionne, certainement. Qu'elle constitue une solution économiquement pertinente, pas nécessairement.

Lors de récents échanges avec nos collègues américains de RSM, une conviction s'est imposée : l'IA doit être gouvernée comme un investissement, et non comme une succession d'expérimentations technologiques.

La distinction peut sembler évidente. Elle est pourtant fondamentale.

Avant d'engager un projet, il faut définir la valeur attendue. Avant de l'industrialiser, il faut démontrer sa rentabilité à l'échelle. Une fois déployé, il faut mesurer la valeur effectivement créée, optimiser les ressources consommées et, si nécessaire, savoir arrêter.

Cette discipline n'a rien de révolutionnaire. Elle constitue même le fondement de toute bonne gestion des investissements.

Pourquoi serait-elle plus difficile à appliquer à l'intelligence artificielle ?

Parce que cette technologie possède plusieurs caractéristiques qui viennent bouleverser nos raisonnements économiques habituels.

Quand l'adoption précède la décision d'investir

La première particularité tient à la manière dont l'intelligence artificielle se diffuse.

Pendant longtemps, les grandes entreprises ont disposé des moyens nécessaires pour accéder aux technologies les plus avancées, avant que celles-ci ne se démocratisent progressivement.

Avec l'IA générative, la dynamique est souvent inversée.

Les collaborateurs utilisent à titre personnel des outils parfois plus puissants ou moins contraints que ceux auxquels ils ont accès dans leur environnement professionnel.

Ils expérimentent, découvrent de nouvelles possibilités, puis demandent à leur entreprise de leur offrir les mêmes capacités.

La pression pour adopter la technologie ne vient donc plus uniquement des directions informatiques ou des dirigeants. Elle vient également des utilisateurs.

Ce phénomène constitue une formidable opportunité d'innovation. Mais il introduit aussi un biais dans les décisions d'investissement.

La question devient parfois : « Comment déployer rapidement cette technologie ? », alors qu'elle devrait d'abord être : « Où crée-t-elle réellement de la valeur ? »

La peur de prendre du retard peut conduire à industrialiser des usages dont la pertinence économique n'a pas été suffisamment démontrée.

Or, avec l'IA, cette démonstration est particulièrement délicate.

Des coûts qui baissent, une facture qui pourrait augmenter

Le prix d'accès à une capacité d'intelligence artificielle donnée a considérablement diminué ces dernières années.

Les progrès algorithmiques, les innovations matérielles et la concurrence entre fournisseurs contribuent à cette évolution.

Tout semble donc indiquer que l'intelligence artificielle deviendra de plus en plus accessible.

Mais la baisse du prix unitaire ne garantit pas celle du coût total.

Un utilisateur peut aujourd'hui solliciter un modèle particulièrement sophistiqué pour traduire quelques lignes ou reformuler un courriel, alors qu'un modèle beaucoup plus économique suffirait.

À l'échelle d'une entreprise, ces choix deviennent significatifs.

Avec l'arrivée des agents autonomes, la question prend une autre dimension : un agent peut multiplier les appels aux modèles, réaliser des vérifications et recommencer certaines opérations pour parvenir à un résultat.

Un prix unitaire divisé par dix, associé à une consommation multipliée par trente, conduit mécaniquement à une facture trois fois supérieure.

D'où un premier impératif de gouvernance : mesurer le coût d'un résultat utile plutôt que la simple consommation de ressources technologiques.

Il faut également sélectionner les modèles en fonction des tâches à accomplir et comparer régulièrement les solutions disponibles.

Mais une deuxième incertitude mérite notre attention.

Et si les fournisseurs ne répercutaient pas toutes les baisses de coûts ?

L'histoire économique nous enseigne qu'une réduction des coûts de production ne se traduit pas nécessairement par une diminution proportionnelle des prix de vente. Surtout dans un environnement oligopolistique.

La création de l'OPEP illustre la capacité de producteurs concentrés à exercer une influence sur les prix de leur marché.

L'analogie avec l'intelligence artificielle possède évidemment ses limites.

Les modèles ne sont pas une ressource naturelle épuisable. Les solutions ouvertes exercent une pression concurrentielle réelle. Et rien ne permet de présumer une coordination des prix entre les grands laboratoires.

Il reste que les investissements nécessaires pour développer les modèles les plus avancés sont considérables et que les capacités de pointe demeurent concentrées entre un nombre relativement limité d'acteurs.

Deux économies pourraient ainsi coexister : celle d'une intelligence standardisée, de moins en moins coûteuse, et celle des capacités les plus avancées, pour lesquelles les fournisseurs conserveraient un pouvoir tarifaire significatif.

Cela change sensiblement la manière de construire un business case.

Une entreprise ne devrait pas fonder la rentabilité à cinq ou dix ans d'un processus automatisé sur l'hypothèse que les prix de l'IA continueront indéfiniment à baisser.

Elle devrait au contraire tester plusieurs scénarios : diminution des tarifs, stabilisation, augmentation de certaines prestations ou explosion des volumes consommés.

Et surtout, elle devrait préserver sa capacité à changer de modèle ou de fournisseur.

Car la maîtrise des coûts ne dépend pas seulement du prix auquel on achète une technologie.

Elle dépend également de notre liberté de ne plus l'acheter.

Le coût de la dépendance : ce que le business case ne voit pas toujours

Imaginons un processus administratif représentant aujourd'hui une dépense annuelle de 100.000 euros.

Une solution d'intelligence artificielle permettrait de ramener son coût à 60.000 euros.

Le gain paraît convaincant.

Mais que se passe-t-il si, trois ans plus tard, les tarifs augmentent, les volumes explosent ou les exigences de supervision deviennent plus importantes ?

L'entreprise pourra-t-elle facilement changer de fournisseur ?

Pourra-t-elle revenir à une automatisation classique ?

Et surtout, disposera-t-elle encore des compétences nécessaires pour reprendre la main ?

Cette dernière question nous paraît particulièrement importante.

Dans les métiers du conseil, de l'ingénierie ou de l'audit, les professionnels construisent une grande partie de leur expertise en exécutant des tâches, en résolvant des difficultés et en apprenant de leurs erreurs.

Si ces travaux sont intégralement automatisés, comment formerons-nous les experts capables de superviser demain les systèmes intelligents ?

Nous pourrions ainsi créer une dette de compétences : une économie immédiate obtenue au prix d'un appauvrissement progressif des savoir-faire.

Cette dette ne figure pas dans les factures des fournisseurs.

Elle peut pourtant devenir considérable.

Il serait absurde d'en conclure qu'il faut renoncer aux gains de productivité de l'IA. Celle-ci peut d'ailleurs devenir un remarquable outil pédagogique.

Mais cela signifie qu'un investissement doit être évalué au regard de ses conséquences organisationnelles et de sa réversibilité, pas seulement des économies qu'il procure aujourd'hui.

Une automatisation rentable à court terme peut constituer une mauvaise décision économique à long terme.

Gouverner la valeur : quatre décisions à prendre continuellement

Face à ces incertitudes, la gouvernance de l'IA ne peut pas se limiter aux questions de conformité, de sécurité ou de protection des données.

Ces exigences sont indispensables. Elles ne suffisent pas à démontrer la pertinence économique d'un investissement.

Il faut leur adjoindre une véritable gouvernance de la création de valeur, associant les métiers, la direction financière et les responsables technologiques.

Son rôle doit être d'éclairer quatre décisions successives, mais également récurrentes.

• Expérimenter, d'abord, en partant d'un problème métier clairement identifié. Quelle valeur cherche-t-on à créer ? Comment la mesurera-t-on ? Quelles alternatives existent, y compris sans intelligence artificielle ?

• Industrialiser, ensuite, lorsque l'expérimentation a démontré sa pertinence économique. Les gains observés sont-ils reproductibles à grande échelle ? Les coûts de supervision, de maintenance et d'intégration ont-ils été correctement anticipés ?

• Optimiser, en permanence, car les modèles et leurs conditions économiques évoluent rapidement. Un modèle plus simple, une meilleure orchestration ou une automatisation déterministe permettraient-ils d'obtenir le même résultat à moindre coût ?

• Renoncer, enfin, lorsque la valeur n'est plus au rendez-vous. Un projet doit pouvoir être arrêté, un agent désactivé, une solution remplacée ou une automatisation abandonnée.

Cette dernière décision est probablement la plus difficile.

Les organisations savent lancer des projets. Elles sont souvent moins à l'aise lorsqu'il faut reconnaître qu'un investissement ne produit plus les résultats attendus.

Pourtant, la capacité à renoncer constitue une composante essentielle de la bonne gouvernance.

Elle suppose notamment que chaque investissement dispose d'indicateurs économiques pertinents, de responsables identifiés et de rendez-vous réguliers au cours desquels sa valeur est réellement remise en question.

Un processus automatisé ne devrait pas être considéré comme définitivement acquis simplement parce qu'il fonctionne.

La maturité ne se mesure pas au nombre d'agents déployés

L'intelligence artificielle offre des perspectives considérables de transformation et de productivité.

Les entreprises auraient tort de rester spectatrices.

Mais elles auraient également tort de considérer que toute automatisation techniquement possible constitue nécessairement un progrès économique.

Dans un environnement où les technologies, les modèles économiques et les usages évoluent à une vitesse inhabituelle, la gouvernance doit permettre de préserver la capacité de décision de l'entreprise.

Décider d'investir. Décider d'accélérer. Décider de changer. Et parfois, décider de ne pas automatiser.

Les organisations les plus matures ne seront probablement pas celles qui auront déployé le plus grand nombre d'agents intelligents.

Ce seront celles qui sauront démontrer que leurs investissements créent durablement davantage de valeur qu'ils n'en consomment.

Car une IA qui fonctionne n'est pas nécessairement une IA qui mérite de fonctionner.