Les projets d’IA gagnent des prix, mais qui parle des coûts réels ?

Derrière les cas d’utilisation primés et les études de cas mettant en avant des gains de productivité spectaculaires, une réalité économique souvent passée sous silence émerge : les coûts opérationnels post-déploiement. J’ai récemment mené un audit anonyme d’un projet de workflow documentaire ayant remporté un prix industriel, révélant une vérité dérangeante : l’automatisation peut parfois coûter bien plus cher que le processus manuel qu’elle remplace.

L’illusion des gains de productivité

Ce projet, salué pour avoir réduit de 90 % les délais de traitement des contrats fournisseurs, semblait être un succès retentissant. Pourtant, quelques mois après sa mise en production, l’équipe financière a découvert une augmentation inquiétante des coûts mensuels. Le traitement de documents, dont le volume était resté stable, coûtait désormais entre 12 et 14 dollars par document, contre environ 80 cents auparavant. Comment une solution automatisée, technologiquement stable et primée, pouvait-elle générer des coûts unitaires 15 fois supérieurs ?

Le piège des coûts cachés

L’explication réside dans la structure même du workflow automatisé. Contrairement aux logiciels traditionnels, où les coûts sont prévisibles une fois la plateforme déployée, un pipeline automatisé peut engendrer des dépenses variables. Chaque document nécessite des interprétations, des vérifications de conformité et des validations, déclenchant plusieurs requêtes de modèles et vérifications en arrière-plan. Automatiser ne signifie pas éliminer les coûts : cela les transforme.

La réalité économique post-pilotage

Pendant la phase pilote, ces coûts étaient masqués, imputés à un fonds central d’innovation. Une fois le projet transféré au budget opérationnel, la vérité a éclaté. En deux mois seulement, l’équilibre économique du département est devenu négatif. Ce cas illustre un problème plus large : les projets d’IA sont souvent évalués sur des métriques de vitesse et de volume, mais rarement sur le coût unitaire réel.

L’argument fallacieux des coûts décroissants

Un argument courant soutient que la baisse des prix des modèles d’IA devrait réduire les coûts opérationnels. Effectivement, selon le rapport Stanford HAI AI Index, le coût des requêtes de modèles a chuté de plus de 280 fois entre fin 2022 et fin 2024. Cependant, cette réduction ne se traduit pas nécessairement par des économies globales. Gartner prévoit même une augmentation de plus de cinq fois des coûts d’inférence par workflow d’ici 2028, en raison de la complexité croissante des processus automatisés.

Conclusion : automatiser n’est pas synonyme d’économies

Les modèles moins chers ne garantissent pas des processus métiers moins coûteux. L’efficacité d’un système automatisé dépend de l’ensemble du workflow, pas seulement du prix des modèles. Les entreprises doivent donc évaluer non seulement la vitesse et le volume, mais aussi le coût réel de chaque transaction automatisée. Sinon, les gains initiaux pourraient rapidement se transformer en dettes opérationnelles.