Dans un environnement technologique en constante évolution, les entreprises australiennes se trouvent à un tournant décisif concernant l’intelligence artificielle (IA).

Les perspectives de gains financiers considérables liés à l’IA sont claires, certaines études indiquant qu’une adoption efficace d’un portefeuille d’IA pourrait générer plus de 100 millions de dollars en EBITDA additionnel. Cependant, le chemin vers un retour sur investissement (ROI) est semé d’embûches.

Environ 85 % des déploiements d’IA dans les grandes entreprises ne parviennent pas à répondre aux attentes commerciales. Ce taux d’échec élevé, qui dépasse même les difficultés notoires des précédentes transformations numériques, met en lumière les risques associés.

Lorsque les projets d’IA échouent, les conséquences peuvent être désastreuses. L’Australie illustre bien ces risques, comme en témoigne le scandale « Robodebt », qui a été si préjudiciable qu’une Commission royale a été convoquée pour enquêter.

Conseils d’un analyste de Gartner

Bien que l’enthousiasme pour les possibilités offertes par l’IA soit palpable, des études révèlent que 80 % des Australiens sont profondément préoccupés par les risques associés à l’IA, estimant que ces enjeux devraient être considérés comme une « priorité mondiale ».

Malgré ces préoccupations et une certaine réticence sociale, les directeurs des systèmes d’information (DSI) investissent massivement dans des projets d’IA. Une recherche de KPMG a montré que plus de la moitié des entreprises australiennes consacrent entre 10 et 20 % de leur budget à l’IA.

Cela accroît la pression sur les DSI et les équipes informatiques pour garantir que les projets d’IA apportent une valeur ajoutée. Les organisations qui envisagent l’IA comme une opportunité d’investissement à long terme doivent surmonter les préoccupations liées aux risques. Selon une étude de Gartner, l’évaluation et la démonstration de la valeur commerciale représentent le principal obstacle aux projets d’IA.

Nate Suda, analyste senior chez Gartner dans le domaine de la technologie financière, de la valeur et des risques, a déclaré à TechRepublic que les défis auxquels de nombreuses organisations sont confrontées pour articuler la valeur de l’IA incluent la gestion des coûts, les bénéfices en matière de productivité et les approches stratégiques nécessaires pour garantir que les investissements en IA se traduisent par une valeur commerciale tangible.

Comprendre la dynamique des coûts

La gestion des coûts constitue un obstacle majeur dans les déploiements d’IA. Contrairement aux moteurs de recherche traditionnels où les dépenses sont minimes, l’IA générative entraîne des coûts considérables en raison de sa nature interactive.

Les utilisateurs s’engagent souvent dans plusieurs échanges pour affiner les réponses, ce qui augmente exponentiellement les coûts. Chaque interaction, mesurée en tokens, s’ajoute à la dépense. Ce coût peut exploser si le comportement des utilisateurs s’écarte des hypothèses initiales.

Comme l’a souligné Suda, « l’une des plus grandes variables de coût est l’interaction humaine. Avec l’IA générative, vous ne tapez pas simplement votre question pour obtenir une réponse parfaite. Vous pourriez avoir besoin de plusieurs itérations, et vous êtes facturé pour chaque mot de votre question et de votre réponse. Si votre modèle de coût suppose une seule interaction et que les utilisateurs en ont plusieurs, vos dépenses peuvent multiplier de manière spectaculaire. »

Pour atténuer ce risque, les organisations adoptent une stratégie de « montée en charge lente ». Au lieu d’un déploiement rapide à grande échelle, elles mettent d’abord en œuvre le projet d’IA prévu avec un nombre limité d’utilisateurs avant d’augmenter progressivement ce nombre.

Cette approche itérative permet aux entreprises d’observer la performance de leurs projets d’IA ambitieux et d’ajuster en fonction des modèles d’utilisation réels, garantissant ainsi une modélisation des coûts plus précise et évitant les surprises financières.

« Les meilleures organisations montent en charge très lentement », a noté Suda. « Elles pourraient commencer avec 10 utilisateurs le premier mois, puis 20 le mois suivant, et ainsi de suite. Cette méthode les aide à comprendre l’utilisation réelle et les coûts dans un environnement en direct. »

Le dilemme de la productivité

Bien que l’IA promette d’améliorer la productivité, traduire ces améliorations en bénéfices financiers mesurables est complexe. Suda a déclaré que simplement gagner du temps, comme le montre des outils tels que Microsoft Copilot, ne se traduit pas nécessairement par une génération de revenus ou une réduction des coûts.

« Il est essentiel d’être clair sur ce que signifie la productivité et comment vous récoltez ce bénéfice en valeur, que ce soit par la génération de revenus ou la réduction des coûts », a-t-il ajouté.

Il a également souligné la nécessité de faire la distinction entre les bénéfices et la valeur. Des avantages tels qu’une meilleure rapidité, une expérience client améliorée et une productivité accrue sont significatifs, mais ils ne deviennent précieux que s’ils contribuent au résultat net.

Par exemple, l’IA générative pourrait réduire le temps nécessaire pour une série de services professionnels, mais à moins que cette efficacité ne se traduise par des revenus plus élevés ou des coûts réduits, cela devient un exemple d’IA ne tenant pas ses promesses de valeur.

Le risque de dépassement de coûts

Un autre point crucial que Suda a noté est le risque de dépassement de coûts en raison d’un comportement utilisateur imprévu. Si un système d’IA s’avère très populaire et que son utilisation dépasse les attentes, les coûts peuvent devenir astronomiques. Ce scénario souligne l’importance d’une planification minutieuse et d’un suivi en temps réel des déploiements d’IA pour gérer et prédire efficacement les dépenses.

« Si les utilisateurs adorent l’IA et l’utilisent de manière intensive, vos coûts peuvent s’envoler », a déclaré Suda. « C’est pourquoi comprendre et modéliser le comportement des utilisateurs est si crucial. »

Déploiement stratégique : Défendre, Étendre, Renverser

Gartner a développé un cadre en trois niveaux pour expliquer comment l’IA peut générer de la valeur tout en équilibrant les risques associés. Appelé « Défendre, Étendre et Renverser », chaque « niveau » de déploiement de l’IA offre des risques et des avantages potentiels différents.

• Défendre : Cela implique de petites améliorations progressives, comme l’utilisation de l’IA pour améliorer des outils existants. Ces initiatives à faible coût et à faible risque peuvent conduire à de petites victoires. Cependant, le défi réside dans l’agrégation de ces victoires en retours financiers significatifs. Selon Suda, les bénéfices articulés de nombreux projets sont marginaux, rendant difficile pour le DSI et l’équipe informatique de bâtir un soutien organisationnel solide.
• Étendre : Ici, l’IA est intégrée dans des applications existantes pour fournir des améliorations ciblées. Ces initiatives nécessitent une planification et une exécution minutieuses pour garantir qu’elles délivrent la valeur attendue, mais elles sont également plus susceptibles d’apporter des bénéfices notables.
• Renverser : L’approche la plus ambitieuse et à haut risque consiste à développer de nouveaux modèles ou applications pilotés par l’IA. Bien que les récompenses potentielles soient substantielles, l’investissement requis est important et les chances de succès sont plus faibles.

L’IA est inévitable, mais elle doit être gérée efficacement

Tout comme pour la transformation numérique, tenter d’être trop ambitieux avec l’IA dès le départ risque de conduire à des dépassements de coûts et à un retour sur investissement lent, entraînant frustration au sein du conseil d’administration et des dirigeants, voire l’abandon du projet.

Les DSI devraient plutôt adopter une approche prudente et mesurée. Comme l’a mentionné Suda, les entreprises doivent s’assurer que les solutions déployées sont évolutives et qu’elles atteignent un ROI qui peut être articulé dès le début.