Dans les premiers échanges avec les entreprises qui envisagent l’IA, la question la plus fréquente est, inévitablement, celle du coût. Elle est légitime. Le problème est que la réponse honnête est « cela dépend de nombreux facteurs », ce qui, bien qu’exact, n’aide guère la personne qui doit décider.
Cet article ne donne pas de chiffres précis, car des chiffres sans contexte induisent davantage en erreur qu’ils n’informent. Il explique en revanche les facteurs qui déterminent le coût, ce qui le fait grimper et ce qui le réduit, afin que toute entreprise puisse évaluer avec discernement les devis qu’elle reçoit.
Les postes qui composent le coût réel
Un projet d’IA comporte six catégories de coûts. Elles ne figurent pas toutes dans chaque projet, et leur poids relatif varie énormément selon le type de mise en œuvre.
Licences logicielles et infrastructure. C’est le poste le plus visible mais, paradoxalement, le plus léger dans la plupart des projets. Les API des grands modèles de langage sont facturées à l’usage. Les plateformes de machine learning dans le cloud sont facturées selon la puissance de calcul consommée. Pour les projets d’automatisation avec des outils no-code, les coûts récurrents sont généralement les plus faibles de tout le projet. Beaucoup d’entreprises sont surprises de constater à quel point l’accès à la technologie elle-même est abordable.
Préparation et gouvernance des données. C’est le poste que le plus de projets sous-estiment, et celui qui pèse le plus sur le coût total. Lorsque les données d’une entreprise sont dispersées entre plusieurs systèmes, présentent des problèmes de qualité ou ne sont pas structurées de façon exploitable, le travail de préparation peut représenter l’essentiel du coût total. La qualité des données de départ est, à elle seule, le facteur qui influe le plus sur le budget final.
Développement ou configuration du modèle. Le développement d’un modèle sur mesure varie énormément selon la complexité du problème et le type de solution. Un modèle de prévision sur des données bien structurées coûte nettement moins cher qu’un système de vision industrielle pour le contrôle qualité sur une ligne de production. Les solutions fondées sur des modèles de langage préentraînés, sans entraînement à partir de zéro, sont les plus accessibles pour les entreprises qui débutent.
Intégration aux systèmes existants. Un modèle qui n’est pas relié à l’ERP, au CRM ou aux systèmes opérationnels ne crée pas de valeur. Ce poste s’évalue mieux une fois l’infrastructure actuelle auditée. Si les systèmes disposent d’API documentées, l’intégration est plus directe. S’il s’agit de systèmes anciens sans API, elle peut constituer le travail le plus complexe de tout le projet.
Formation et conduite du changement. Les projets d’IA qui fonctionnent techniquement mais que l’équipe n’adopte pas ne rapportent rien. La formation des utilisateurs et l’accompagnement du changement sont des postes que les projets bien menés prévoient dès le départ, et non comme des suppléments en fin de parcours.
Maintenance et évolution en production. Un modèle en production exige un suivi, un réentraînement périodique et un support technique. C’est le coût le plus souvent oublié dans les budgets initiaux, et celui qui surprend le plus au moment de la deuxième année.
Les facteurs qui rendent un projet coûteux ou abordable
L’état des données. Si les données de l’entreprise se trouvent dans un système bien tenu, avec un historique suffisant, le projet est plus abordable. Si elles sont dispersées, présentent des problèmes de qualité ou s’il faut construire l’infrastructure de collecte à partir de zéro, le coût augmente sensiblement.
La complexité du problème. Automatiser le tri des e-mails entrants est bien plus simple que construire un système de vision industrielle pour détecter des défauts sur une ligne de production. La complexité du problème métier est le deuxième facteur qui pèse le plus sur le coût.
Les intégrations nécessaires. Plus il y a de systèmes à relier, et plus ces systèmes sont anciens ou mal documentés, plus le coût d’intégration augmente.
Le périmètre du premier projet. Un projet conçu pour démontrer rapidement sa valeur sur un périmètre restreint coûte moins cher qu’un projet qui cherche à tout résoudre d’un coup. La stratégie consistant à commencer petit, à démontrer le retour sur investissement puis à étendre est souvent plus efficace, tant en coût qu’en probabilité de réussite.
Les coûts cachés qui figurent rarement au budget
Le temps interne de l’équipe. Tout projet d’IA mobilise fortement des collaborateurs de l’entreprise : définir les besoins, annoter les données, valider les résultats, suivre les formations. Ce temps est rarement chiffré comme un coût du projet, alors qu’il peut représenter des mois de travail de personnes clés.
Le coût des itérations. Les projets d’IA fonctionnent rarement exactement comme prévu dès la première version. Le processus d’ajustement et d’amélioration prend du temps et, selon certains modes de contractualisation, un budget supplémentaire. Il est utile de savoir comment le prestataire gère ce processus avant de signer.
L’annotation des données. Dans les projets de vision industrielle ou de classement de documents, l’annotation manuelle des données d’entraînement est un travail qui mobilise des personnes connaissant le métier. Ce peut être le poste le plus surprenant pour qui n’a jamais mené ce type de projet.
La bonne question n’est pas combien cela coûte, mais combien cela vaut
Une entreprise qui envisage d’investir dans l’IA gagne à se demander « quelle valeur cela crée-t-il ? » plutôt que « combien cela coûte-t-il ? ». Un système de maintenance prédictive qui évite des arrêts coûteux dans une usine a une valeur calculable. Un chatbot qui traite la plupart des demandes répétitives des clients a une valeur exprimable en heures libérées pour l’équipe.
Investir dans un audit préalable, qui identifie les cas d’usage au plus fort retour potentiel et les données réellement disponibles pour les soutenir, est le moyen le plus efficace d’éviter le surinvestissement comme le sous-investissement. Avant d’établir un budget, il faut savoir ce que l’on construit, et pourquoi.
Questions fréquentes
Existe-t-il des aides ou des subventions pour les projets d’IA en entreprise ? Oui. À l’échelle européenne, Horizon Europe et le Conseil européen de l’innovation (EIC) financent des projets de recherche et d’innovation qui peuvent inclure des développements en IA, le programme pour une Europe numérique soutient l’adoption de l’IA par l’intermédiaire des pôles européens d’innovation numérique (EDIH), et chaque État membre et chaque région disposent de leurs propres dispositifs d’aide à la numérisation et à l’innovation. L’accès à chaque aide dépend du profil de l’entreprise et du type de projet : mieux vaut les examiner dès le début de la planification.
Vaut-il mieux constituer une équipe interne ou externaliser ? Pour les entreprises qui prévoient un ou deux projets à un horizon raisonnable, l’externalisation auprès d’une équipe spécialisée est plus efficace. Pour celles qui anticipent un flux continu de projets d’IA, développer des compétences internes a du sens à moyen terme, toujours en complément d’une formation qui rende les équipes progressivement autonomes.
Les coûts de l’IA ont-ils beaucoup évolué ces dernières années ? Sensiblement. Le coût des modèles de langage a nettement baissé ces dernières années. Les modèles open source offrent des options de déploiement en local très compétitives. Cette tendance se poursuit : des projets qui n’étaient pas économiquement viables il y a quelques années peuvent l’être aujourd’hui, en particulier pour les PME et les ETI.