IA en entreprise : la course à l’optimisation des coûts est lancée

L’euphorie de l’IA générative laisse place à la réalité des factures. Entre optimisation des tokens, techniques RAG et exploration de modèles alternatifs comme le chinois GLM, les entreprises apprennent à industrialiser l’IA sans se ruiner. Le nouveau numéro d’Applications & Données décrypte cette transition cruciale.

Quand les factures d’IA dépassent les budgets

Deux ans après le lancement de ChatGPT, le réveil est brutal pour de nombreuses directions informatiques. Ce qui devait révolutionner l’entreprise à moindre coût se transforme en gouffre financier. Un projet pilote d’IA générative peut facilement générer des factures mensuelles à cinq ou six chiffres, simplement en traitant quelques milliers de requêtes quotidiennes.

Le coupable ? Les tokens, ces unités de traitement du texte par lesquelles les fournisseurs d’IA facturent leurs services. Un token représente environ quatre caractères en français. Une simple conversation avec un chatbot d’entreprise peut consommer plusieurs milliers de tokens, et multiplié par des millions d’interactions, la note s’envole.

C’est dans ce contexte que LeMagIT consacre le numéro 28 de sa revue Applications & Données à la maîtrise des projets d’intelligence artificielle. Selon la publication spécialisée, l’heure n’est plus à l’expérimentation tous azimuts mais à l’optimisation rigoureuse et au passage à l’échelle maîtrisé.

SAP révèle sa stratégie d’optimisation interne

Premier cas d’école présenté dans la revue : SAP dévoile comment l’entreprise utilise l’IA pour développer ses propres applications tout en contrôlant sa consommation de tokens. Une révélation significative, car l’éditeur allemand fait partie des rares géants technologiques à partager publiquement ses méthodes d’optimisation.

L’enjeu pour SAP est double. D’abord, prouver que l’IA peut effectivement accélérer le développement logiciel sans exploser les budgets. Ensuite, démontrer à ses propres clients qu’une approche méthodique permet de bénéficier de l’IA générative de manière rentable.

Cette transparence intervient à un moment charnière : les entreprises réalisent que la différence entre un prompt optimisé et non-optimisé peut représenter un facteur multiplicateur de 10 en termes de coûts. Sur des millions de requêtes quotidiennes, cela se traduit par des millions d’euros annuels d’écart. Les « ingénieurs en efficience IA » deviennent aussi stratégiques que les ingénieurs DevOps l’étaient il y a cinq ans lors de la migration vers le cloud.

Le RAG, solution technique ou contournement économique ?

Autre sujet central du numéro : un guide pratique sur l’implémentation du RAG (Retrieval-Augmented Generation). Cette technique permet à une IA de consulter des documents spécifiques avant de répondre, plutôt que de s’appuyer uniquement sur sa mémoire d’entraînement initiale.

Concrètement, au lieu de réentraîner entièrement un modèle sur les 10 000 documents internes d’une entreprise – opération coûtant entre 100 000 et plusieurs millions d’euros – le RAG permet au modèle de les consulter à la demande. C’est obtenir 70 à 80% des bénéfices pour moins de 5% du coût, selon les estimations d’experts du secteur.

Mais au-delà de l’aspect technique, le RAG représente surtout une stratégie de contournement économique. Il permet d’éviter les coûts prohibitifs du fine-tuning (personnalisation approfondie d’un modèle) tout en gardant le contrôle sur ses données sensibles. Pour les DSI, c’est le « good enough » qui permet de passer à l’échelle rapidement sans engager des budgets pharaoniques.

Decathlon verdit son infrastructure IA

L’étude de cas Decathlon abordée dans la revue illustre une autre dimension cruciale : le Green IT appliqué à l’intelligence artificielle. L’enseigne sportive ne se contente pas de déployer des solutions d’IA pour optimiser sa logistique ou personnaliser l’expérience client, elle intègre dès la conception des critères d’efficience énergétique.

Cette approche n’est pas que cosmétique. Une IA optimisée énergétiquement est généralement aussi optimisée économiquement. Les entreprises qui investissent dans le Green IT pour l’IA font d’une pierre deux coups : réduction de l’empreinte carbone ET des coûts opérationnels. Optimiser les requêtes pour diviser par trois la consommation électrique, c’est aussi diviser les factures d’infrastructure par trois.

Pour les investisseurs et analystes, les métriques énergétiques deviennent ainsi des indicateurs d’efficience opérationnelle. Une entreprise qui communique sur sa consommation d’énergie par requête IA signale implicitement qu’elle maîtrise ses coûts de production.

GLM : le modèle chinois qui bouscule le duopole américain

Surprise du numéro : un focus approfondi sur GLM (General Language Model), la famille de modèles développée par la startup chinoise Zhipu AI. Qualifié de « LLM chinois star » par la rédaction, GLM-4 rivalise avec GPT-4 sur certains benchmarks tout en offrant une meilleure compréhension du chinois.

Mais au-delà des performances techniques, l’intérêt croissant pour GLM révèle une stratégie de diversification géopolitique des risques technologiques. Les entreprises européennes prennent conscience de leur dépendance excessive aux technologies américaines (OpenAI, Anthropic, Google) et explorent des alternatives.

Explorer GLM, même s’il n’est pas nécessairement supérieur, c’est créer un levier de négociation et préparer des plans B en cas de tensions commerciales ou de hausses tarifaires unilatérales. C’est le début d’un monde multipolaire de l’IA, où les entreprises gèrent plusieurs stacks technologiques selon les régions et les cas d’usage.

Cette fragmentation pose néanmoins des questions : les modèles chinois seront-ils adoptés massivement en Europe malgré les tensions géopolitiques ? Comment gérer la complexité opérationnelle de multiples fournisseurs ? Les clauses de confidentialité des données sont-elles équivalentes ?

Renault mise sur le quantique pour l’après-IA

Dernier sujet abordé : le projet d’informatique quantique chez Renault. Si cette technologie peut sembler futuriste, son inclusion dans un numéro consacré à la maîtrise des projets IA n’est pas anodine. Elle signale que l’industrie automobile anticipe une complexification exponentielle que l’IA classique ne pourra pas gérer seule.

Optimisation de batteries, conduite autonome de niveau 5, gestion de chaînes logistiques à millions de variables : ces défis nécessiteront potentiellement la puissance de calcul quantique. L’automobile est un secteur indicateur – quand Renault investit dans une technologie émergente, c’est qu’un mur de complexité a été identifié à horizon 5-7 ans.

Le quantique n’est plus de la recherche fondamentale, il entre dans la planification stratégique des grands industriels. Pour les professionnels de l’IT, c’est un signal : la prochaine vague technologique se prépare déjà, et elle pourrait rendre obsolètes certaines approches d’optimisation actuelles.

Les trois scénarios pour 2027-2028

Cette publication intervient à un moment charnière qui pourrait bifurquer selon plusieurs trajectoires d’ici 18 à 24 mois.

Scénario 1 – Optimisation généralisée : Les techniques de compression et d’optimisation deviennent standard, divisant les coûts par 5 à 10. Les modèles plus petits et spécialisés remplacent les LLM géants pour 80% des cas d’usage. L’IA devient une commodité abordable.

Scénario 2 – Fragmentation géopolitique : L’écosystème IA se divise en blocs (États-Unis, Chine, Europe), chacun avec ses champions. Les entreprises multinationales doivent gérer 3 à 4 stacks technologiques différentes selon les régions, augmentant la complexité et les coûts.

Scénario 3 – Rupture quantique : Les premiers ordinateurs quantiques commerciaux rendent obsolètes certaines approches d’optimisation classiques, créant une nouvelle course technologique où seuls les acteurs ayant anticipé restent compétitifs.

Quel que soit le scénario, une certitude émerge : la maîtrise technique de l’IA devient un avantage concurrentiel aussi décisif que l’était l’optimisation cloud il y a cinq ans. Les entreprises qui développent cette expertise interne aujourd’hui disposeront d’un avantage de 40 à 60% sur leurs coûts opérationnels IA demain.

Que faire maintenant ?

Pour les professionnels IT, plusieurs actions concrètes se dégagent de ces retours d’expérience. D’abord, auditer immédiatement la consommation de tokens des applications IA en production. Beaucoup d’entreprises déploient sans mesurer, découvrant les dégâts plusieurs mois plus tard.

Ensuite, tester une implémentation RAG sur un cas d’usage interne avant d’envisager le réentraînement d’un modèle complet. Le rapport coût-bénéfice est généralement bien plus favorable. Former les équipes de développement aux bonnes pratiques d’optimisation – prompt engineering, caching, compression – devient aussi stratégique que la formation DevOps l’était il y a quelques années.

Enfin, diversifier les fournisseurs de LLM. Évaluer GLM-4 ou d’autres alternatives pour des cas d’usage non-critiques permet de créer un levier de négociation et de préparer des plans de continuité. La dépendance à un fournisseur unique est un risque que peu d’entreprises peuvent se permettre.

Le numéro 28 d’Applications & Données, disponible sur LeMagIT, compile ces enseignements issus de SAP, Decathlon, Renault et d’autres acteurs en première ligne de l’industrialisation de l’IA. Une lecture indispensable pour quiconque doit transformer l’expérimentation en production viable.

La question qui reste ouverte

Malgré tous ces efforts d’optimisation, une interrogation fondamentale demeure : les techniques actuelles suffiront-elles ou faudra-t-il repenser fondamentalement les architectures de LLM ? Les gains d’efficience observés aujourd’hui – facteurs 3 à 10 – seront-ils suffisants face à la croissance exponentielle des cas d’usage ?

Certains experts estiment que nous atteignons les limites de l’optimisation incrémentale et qu’une rupture architecturale sera nécessaire. D’autres parient sur l’émergence de modèles radicalement plus petits et spécialisés. Le quantique pourrait redistribuer les cartes. Ou alors, la régulation européenne imposera des contraintes énergétiques qui forceront l’innovation.

Une chose est certaine : l’IA en entreprise entre dans sa phase de maturité, où l’efficience opérationnelle prime sur l’innovation à tout prix. Les pionniers de cette optimisation dessinent les standards de demain. Et comme souvent en technologie, ceux qui maîtrisent les coûts finissent par dominer le marché.