La facture IA grimpe vite, et souvent sans visibilité claire sur ce qu’elle rapporte. Dans un précédent article, j’évoquais le cas particulier de l’IA pour une démarche FinOps : gouvernance des modèles, suivi des tokens, fallback en cas de dépassement. Ici, je creuse une question plus large : comment savoir si cette dépense a réellement créé de la valeur ?
Où en êtes vous dans votre maturité ?
Trois niveaux suffisent à se situer :
- Démarrage : une visibilité basique sur la dépense, sans granularité par équipe ou cas d’usage.
- Optimisation : un travail actif pour réduire et rightsizer la dépense IA, mais sans lien avec les résultats business.
- Suivi du ROI : le coût et la valeur business sont enfin connectés, et chaque euro dépensé peut être justifié.
La majorité des organisations sont encore au stade 1 ou 2. Passer au stade 3 est ce qui transforme une ligne de coût en outil de décision.
Le framework coût par résultat
Coût par résultat = Coût total IA (TCO) / Métrique de valeur business
Coût total IA (TCO)
Coûts directs
- Services IA managés et compute
- Entraînement
Coûts indirects
- Stockage, bases vectorielles
- Transfert de données, appels API externes
- Monitoring et orchestration
Métriques de valeur business
- Revenu et produit : ventes, abonnements, fraude évitée
- Métriques dev : bugs corrigés, fonctionnalités livrées
- Support et rétention : rétention, satisfaction, CTR
Le ratio seul n’a pas de sens dans l’absolu : il sert à comparer dans le temps, entre modèles, ou entre cas d’usage.
Exemple d’implémentation
Pour rendre ce framework concret, prenons un exemple d’implémentation sur le support client dans une compagnie d’assurance.
| Indicateur | Avant IA | Après IA |
|---|---|---|
| Volume de requêtes/mois | 10 000 | 10 000 |
| Agents mobilisés | 50 | 8 (cas complexes uniquement) |
| Délai de résolution moyen | 3 jours | 5 minutes |
| Satisfaction client (CSAT) | 65 % | 85 % |
L’IA traite les cas standards de bout en bout, l’humain n’intervient plus que sur les cas compliqués.
Ramené au framework, le coût total IA (licences, compute, intégration) se compare à la réduction du coût humain (agents redéployés sur les cas complexes plutôt que remplacés) et aux métriques de valeur business (satisfaction client, rétention). Le ratio coût par résultat ne s’améliore vraiment que si les deux bougent dans le bon sens : un coût IA maîtrisé, et une valeur business en hausse. Un temps de traitement divisé par dix ne vaut rien si la satisfaction client reste mitigée.
Le benchmark des modèles, une discipline continue
Quel modèle choisir pour le meilleur rapport coût/valeur ? Au lancement d’un cas d’usage, on n’a souvent pas encore assez de recul pour connaître la valeur business générée. Il faut donc commencer à suivre le coût par requête dès le premier jour, avant même de pouvoir calculer un ROI complet.
De nouveaux modèles sortent en continu, souvent plus efficients. Allouer du temps de R&D pour réévaluer régulièrement ce choix n’est pas optionnel : c’est ce qui évite de payer pour un modèle dépassé six mois plus tard.
Conclusion
La question a changé : elle n’est plus “combien coûte l’IA” mais “quelle valeur génère chaque euro dépensé”. C’est ce déplacement que le FinOps doit accompagner. Comparer les coûts IA n’a de sens qu’au regard de ce qu’ils produisent : fonctionnalités livrées, SLA tenu, rétention, ventes. Sans ce lien, le suivi de la dépense IA reste un exercice de reporting, pas un outil de pilotage.