IA en entreprise : le piège financier que personne ne voit

Il y a quelque chose d'absurde dans cette histoire. Le coût de l'intelligence artificielle générative est divisé par dix chaque année. Moins cher, plus puissant, plus accessible : sur le papier, tous les voyants sont au vert. Et pourtant, dans les couloirs de la tech, on entend de plus en plus la même histoire : une direction financière qui découvre une facture IA à plusieurs millions de dollars, un accès coupé en urgence à certains outils, un projet pilote censé faire économiser de l'argent et qui, au final, en coûte davantage.

Comment une technologie de moins en moins chère peut-elle devenir un gouffre financier ? En creusant un peu, on retrouve toujours les mêmes quatre pièges.

On ne mesure plus, on mitraille

Il y a un vieux principe économique qui explique presque tout ici. Au XIXe siècle, l'économiste britannique William Stanley Jevons observait déjà ce phénomène à propos du charbon : quand une ressource devient plus efficace et moins chère, on ne la consomme pas moins — on la consomme partout, tout le temps, sans même y penser.

Ça vous rappelle quelque chose ? C'est exactement ce qui s'est passé avec la photo numérique. Tant qu'une photo coûtait cher (la pellicule, le développement), on cadrait, on réfléchissait avant de déclencher. Le jour où le cliché n'a plus rien coûté, on a arrêté de faire attention — et on s'est retrouvé, quelques années plus tard, à payer un abonnement de stockage pour garder des milliers de photos qu'on ne regardera jamais.

Avec l'IA, c'est le même réflexe. On relance une requête trois fois plutôt que de prendre trente secondes pour affiner son prompt. On colle un document de cinquante pages entier dans le chat, par facilité, alors qu'un extrait aurait suffi. Rien de tout ça n'est grave en soi — le problème, c'est que le coût de chaque clic reste invisible au moment où on le fait. Et l'addition, elle, ne l'est pas.

Le vrai gouffre : quand l'IA arrête de répondre et commence à agir

Ce premier mécanisme reste marginal comparé au second, qui change réellement la donne. Pendant longtemps, utiliser l'IA voulait dire poser une question et recevoir une réponse. Ce temps est en train de se terminer. On confie désormais des missions entières à des agents autonomes, qui vont les exécuter seuls, étape par étape, sans qu'on regarde par-dessus leur épaule à chaque instant.

Le hic, c'est qu'un agent, pour ne pas se tromper, se comporte comme un stagiaire un peu trop consciencieux : à chaque nouvelle étape, il relit tout le dossier depuis le début, par sécurité. Multipliez ça par le nombre d'étapes d'une tâche complexe, et vous comprenez pourquoi confier un projet de développement à un agent peut coûter environ mille fois plus cher qu'une simple question posée à un chatbot. Pire : pour une tâche identique, la facture finale peut varier d'un facteur de 1 à 30, sans que personne — pas même l'IA elle-même — ne sache vraiment l'expliquer.

Le piège des "80 % de réussite"

Voilà pourquoi tant de projets pilotes, pourtant prometteurs au départ, finissent abandonnés. Le scénario se répète presque à l'identique d'une entreprise à l'autre : une démonstration impressionnante, un calcul rapide qui montre que l'IA coûte cent fois moins cher qu'un salarié pour la même tâche, et on se lance.

Puis vient le terrain. D'abord, il faut connecter l'outil à des systèmes informatiques parfois vieux de dix ans — et cette seule étape absorbe déjà une bonne partie des économies prévues. Ensuite, l'IA atteint généralement un taux de réussite autour de 80 %. C'est un excellent score. Sauf que les 20 % d'erreurs qui restent touchent parfois un diagnostic, un contrat, une facture client. Et là, on ne remplace plus l'humain : on paie la machine, puis on paie l'humain qui doit tout relire derrière elle pour éviter la catastrophe. Deux salaires pour le prix d'un, en quelque sorte — ce qui explique en grande partie pourquoi une part importante des projets d'IA en entreprise ne survivent pas à leur première année.

Quand le management met de l'huile sur le feu

Le dernier mécanisme n'a rien de technique. C'est une erreur de pilotage, purement humaine. Certaines entreprises ont eu l'idée d'évaluer leurs équipes sur leur niveau de consommation d'outils IA — plus on l'utilise, mieux c'est noté. Des dirigeants de grandes entreprises technologiques ont même déclaré publiquement qu'ils s'inquiéteraient de voir leurs ingénieurs ne pas "dépenser" assez de ressources IA.

Le résultat ne surprendra personne : les équipes se mettent à utiliser l'IA pour tout, même quand ce n'est pas nécessaire, uniquement pour cocher la bonne case dans le tableau de bord de leur manager.

Ce n'est pas l'outil qui compte, c'est la méthode

Face à ces quatre pièges, une leçon se dégage assez nettement : ce n'est pas la puissance du modèle qui fait le succès d'un déploiement IA, c'est la façon dont on l'introduit dans l'organisation. Les entreprises qui s'en sortent le mieux ne sont pas celles qui ont acheté l'outil le plus cher. Ce sont celles qui ont pris le temps de former leurs équipes, et qui ont construit des assistants spécialisés, taillés pour un métier précis plutôt que pensés pour tout faire un peu.

La bonne question n'est donc plus "quel outil IA choisir ?", mais "qu'est-ce qu'il faut automatiser — et surtout, qu'est-ce qu'il ne faut surtout pas automatiser ?". Dans un contexte où beaucoup d'organisations, y compris en Afrique de l'Ouest, s'équipent rapidement en solutions IA pour rester compétitives, cette discipline n'est plus un détail : c'est elle qui décidera si l'IA devient un vrai levier de rentabilité, ou simplement une nouvelle ligne de coût qu'on ne maîtrise plus.