Dans certains cas d'entreprises, l'introduction d'un modèle d'intelligence artificielle engendre des coûts variables supplémentaires, de la latence, de l'incertitude et une obligation de gouvernance, sans apporter d'avantages supplémentaires par rapport aux règles établies. Refuser dans ces situations n'est pas du conservatisme : c'est la même rigueur technique qui permet d'accepter dans d'autres.
Une entreprise qui n'a jamais exclu une application de l'IA n'est probablement pas en train d'évaluer : elle l'adopte.
Lorsque la règle est déterministe et écrite. Calcul d'une commission, validation fiscale, seuil de remise : tout ce qui peut être formulé comme une condition l'est. Un modèle n'introduit ici de la variabilité que là où existait une certitude.
Lorsque le coût de l'erreur est élevé et le volume faible. Dix décisions par mois ayant un impact financier considérable ne peuvent être automatisées : elles exigent une planification rigoureuse et sont prises par une personne. Les économies potentielles sont négligeables, mais le risque, lui, est bien réel.
Lorsqu'il n'existe aucune donnée exclusive qui procure un avantage. Si le problème peut être résolu tout aussi bien avec des connaissances générales accessibles à tous, cela ne crée aucune différenciation. Cela peut s'avérer utile comme outil ponctuel, mais pas dans le cadre d'un projet.
Lorsque le processus n'est pas défini. L'automatisation avant la cartographie conduit à l'automatisation de l'ambiguïté, comme nous l'avons évoqué dans L'IA ne réparera pas une entreprise mal conçue.
Lorsque le coût unitaire ne correspond pas. Si le coût de résolution d'un dossier dépasse celui du processus actuel, une fois les nouvelles tentatives, la supervision et la correction des erreurs prises en compte, alors les chiffres l'emportent.
Lorsque les obligations de gouvernance l'emportent sur les avantages. Dans un cas d'utilisation classé à haut risque par le règlement européen sur l'IA, le dispositif de documentation, de surveillance et de traçabilité peut s'avérer disproportionné par rapport aux économies modestes réalisées. Il est donc conseillé de le calculer au préalable.
Problème | Solution basée sur l'IA | Alternative moins chère |
|---|---|---|
Classer les documents par type | Modèle de langage | Règles relatives aux métadonnées et à la structure |
Extraire les données des factures des fournisseurs fixes | Modèle multimodal | Modèles par fournisseur |
Détecter les clients en double | Modèle de similarité | Règles de normalisation et de déterminisme |
Réponses aux questions fréquemment posées | assistant conversationnel | Effectuez une recherche approfondie dans une base de données organisée. |
Prioriser les incidents | Modèle prédictif | Règles commerciales explicites |
Aucune des alternatives à droite n'est séduisante, et toutes présentent trois avantages vérifiables : un coût fixe, un comportement reproductible et une traçabilité triviale.
La règle générale que nous appliquons : Si un problème peut être résolu par une règle, il est résolu par une règle.. Ce modèle est réservé aux cas d'ambiguïté réelle : langage libre, forte variabilité, cas imprévisibles.
Refuser un cas d'utilisation mal défini de manière directe peut engendrer des frictions. Il est préférable de procéder par une redirection.
Nommez ce qui résout le problème. « Il ne faut pas de modèle, il faut que les données clients soient centralisées. » La conversation passe d'une approche négative à une approche analytique.
Quantifiez la différence. Comparaison du coût de l'alternative avec celui du projet d'IA, exploitation et gouvernance comprises. Les chiffres sont plus convaincants que les arguments.
Laissez la porte ouverte avec discrétion. D'après Stanford HAI, le coût de l'inférence a été divisé par plus de 280 entre fin 2022 et fin 2024. Une opération non rentable aujourd'hui pourrait l'être l'année prochaine. Il est donc judicieux de consigner le calcul et de le réexaminer, plutôt que de le rejeter définitivement.
Proposez une solution de rechange rapide. L'énergie qui anime la proposition est généralement positive. La réorienter vers un projet réalisable dans les semaines à venir permet de maintenir la dynamique.
Les organisations qui gèrent bien cela possèdent un atout que les autres n'ont pas : une liste documentée des cas évalués et rejetés, avec la raison et la date.
Cette liste remplit trois objectifs : elle évite de rouvrir la même discussion chaque trimestre avec différentes parties prenantes ; elle permet de réexaminer les décisions en cas d’évolution de la conjoncture économique ou technique ; et elle démontre à un comité, un client ou un auditeur que l’entreprise procède à une évaluation plutôt que de simplement suivre les tendances.
Un inventaire de la gouvernance de l'IA sans aucun cas écarté revient, en pratique, à recenser tout ce qui a été proposé.
Il existe un effet secondaire qui atténue les frictions initiales. Lorsqu'une organisation rejette des dossiers en se fondant sur un jugement éclairé, ceux qu'elle approuve parviennent au comité avec une crédibilité bien plus grande. Le parrainage interne cesse d'être un simple élan d'enthousiasme et devient une décision justifiée.
Il y a aussi un aspect commercial à cela. Un fournisseur qui déconseille un projet lorsque les chiffres ne sont pas bons est un fournisseur dont le jugement est précieux. Nous préférons perdre ce projet et remporter la prochaine négociation, qui est généralement plus importante.
La question à se poser lors de toute évaluation n'est pas de savoir si cela est possible grâce à l'IA. Presque tout est possible. La question est de savoir si… devrait « Apprendre à utiliser l’IA » est une question différente et bien plus utile.
Dans six situations : lorsque la règle est déterministe et écrite, lorsque le coût de l’erreur est élevé et le volume faible, lorsqu’il n’existe aucune donnée exclusive offrant un avantage, lorsque le processus n’est pas défini, lorsque le coût unitaire n’est pas rentable et lorsque la charge de gouvernance dépasse le bénéfice attendu.
Des règles métier explicites, la normalisation des données, des modèles spécifiques au fournisseur, une recherche bien ordonnée et des validations déterministes offrent trois avantages : un coût fixe plutôt que variable, un comportement reproductible et une traçabilité triviale.
En règle générale, si un problème peut être exprimé comme une condition, il se résout par une condition. Ce modèle est réservé aux cas d'ambiguïté réelle : langage libre, forte variabilité ou situations imprévisibles.
Cela ne devrait pas être le cas. Le coût de l'inférence a été divisé par plus de 280 entre fin 2022 et fin 2024, selon Stanford HAI ; ainsi, une opération irréalisable aujourd'hui pourrait s'avérer rentable dans un an. Il est conseillé de documenter le calcul et la date afin qu'il puisse être vérifié ultérieurement.
Parce qu’elle évite de rouvrir la même discussion chaque trimestre, permet de revoir les décisions lorsque les conditions économiques ou techniques changent et démontre à un comité ou à un auditeur que l’organisation évalue avec discernement plutôt que d’adopter par défaut.
Identifier la solution au problème, quantifier la différence de coût entre les différentes options, consigner le calcul pour un examen ultérieur et proposer une solution alternative pouvant être mise en œuvre en quelques semaines afin de maintenir la dynamique.
Est-ce que ça vaut la peine de le faire avec l'IA ? Nous analysons votre situation particulière et vous indiquons si l'option est pertinente, quelle est l'alternative la moins coûteuse et à quel moment il serait judicieux de la réévaluer. Si la réponse est négative, nous vous le dirons également. Parlons-en →
Español Español 
English
Français
العربية
Português
Deutsch
Italiano
