Le coût total de l’IA : ce que les responsables de l’ingénierie devraient demander avant d’acheter

Le contenu de cette page a été traduit automatiquement par un service tiers.

Dans le cadre de mes fonctions à la tête des alliances mondiales chez Aras, je passe beaucoup de temps à échanger avec des partenaires et des clients qui sont tous confrontés à la même question aujourd’hui. Tout le monde a vu une démonstration impressionnante de l’IA. Mais ils sont beaucoup moins nombreux à pouvoir me dire ce qui se passe six mois après cette démonstration, lorsque le projet pilote doit devenir une solution capable de fonctionner pour des milliers d’utilisateurs, avec des années de données d’ingénierie et un véritable budget.

C’est dans cet écart entre ce que l’IA peut vous montrer et ce qu’il faut réellement pour la faire fonctionner que se jouera la prochaine phase de l’évaluation de l’IA en entreprise. C’est également cet écart qui a largement influencé notre propre réflexion chez Aras, notamment notre approche de l’IA au sein d’Aras InnovatorEdge, sur laquelle je reviendrai plus loin dans cet article.

Ces dernières années, les discussions dans le secteur se sont surtout concentrées sur les capacités : des assistants capables de trouver des informations, de résumer des documents, de recommander les prochaines étapes, de rédiger du contenu et de prendre en charge certaines tâches courantes. Ces démonstrations sont réellement impressionnantes, et les gains de productivité sont bien réels. Mais les capacités n’ont jamais été la partie la plus difficile. Le véritable défi consiste à les exploiter de manière fiable, sécurisée et rentable à l’échelle de toute une entreprise, et c’est précisément ce qu’une démonstration de quinze minutes n’est pas conçue pour montrer.

Une démonstration vous montre la façade, pas les fondations

J’ai commencé à voir les choses comme si je visitais une rangée de maisons récemment construites. Depuis la rue, dix maisons peuvent sembler presque identiques, avec la même superficie, les mêmes finitions et le même attrait extérieur. Ce que vous ne pouvez pas voir depuis la rue, c’est la qualité des fondations, ce qui se cache derrière les cloisons ou si l’installation électrique respecte les normes. Vous n’achèteriez jamais une maison de cette façon et, de plus en plus, nos clients nous disent qu’ils ne veulent pas non plus acheter de l’IA de cette manière.

Une interface conversationnelle soignée ne vous dit pas si le système sous-jacent comprend réellement comment vos données d’ingénierie relient les exigences aux conceptions, les conceptions aux modifications, les modifications aux fournisseurs et à l’historique de maintenance. Elle ne vous dit pas si les autorisations des utilisateurs sont préservées, si une réponse peut être retracée jusqu’à sa source ou si l’expérience qui fonctionnait parfaitement lors d’une démonstration résistera à une charge de production et à toute la complexité du monde réel. Les éléments de l’IA d’entreprise qui comptent le plus à long terme, l’architecture, les fondations de données, la gouvernance et les aspects économiques, sont rarement ceux qu’un fournisseur met en avant en premier.

Demandez où l’intelligence fonctionne réellement

L’une des questions les plus utiles qu’un acheteur puisse poser est d’une simplicité trompeuse : où cela fonctionne-t-il réellement ?

Certaines fonctionnalités d’IA sont intégrées nativement à la plateforme. D’autres dépendent de modèles externes, de services cloud, de bases de données vectorielles ou de technologies partenaires connectées en arrière-plan. Aucune de ces approches n’est mauvaise en soi ; une architecture distribuée peut permettre à une organisation de choisir le modèle adapté à chaque tâche. Mais les clients méritent de savoir clairement ce qui relève de chaque approche, car cette décision d’architecture influence discrètement l’exposition aux risques de sécurité, la protection de la propriété intellectuelle, les performances, la responsabilité du support et, au bout du compte, les coûts.

Un assistant peut sembler faire partie intégrante de votre environnement PLM alors qu’il s’appuie en réalité sur plusieurs services externes, chacun avec ses propres licences, frais de consommation et exigences de sécurité. C’est une conception tout à fait raisonnable si vous le savez dès le départ. C’est une mauvaise surprise si vous le découvrez au moment du renouvellement. Demandez donc à vos fournisseurs de répondre clairement : qu’est-ce qui reste dans la plateforme principale, qu’est-ce qui en sort, où les modèles s’exécutent-ils réellement, quelles données franchissent une limite de sécurité pour y parvenir et qui est responsable du support de chaque composant ? Ce ne sont pas de simples détails techniques. Ils définissent le véritable profil de risque et de coût de l’investissement.

Le temps gagné n’est pas nécessairement de l’argent économisé

Presque toutes les analyses de rentabilité de l’IA que je vois commencent par une histoire de gain de temps : un ingénieur trouve une information en quelques minutes au lieu de plusieurs heures, un responsable qualité examine davantage de dossiers sans avoir à ouvrir chaque fichier, un technicien de maintenance obtient un résumé de l’historique d’un produit avant même le début d’un appel. Ce sont de vrais avantages. Mais ils ne représentent que la moitié du calcul.

Pour déterminer la valeur économique réelle, il faut déduire ce qu’il en coûte pour permettre ces gains de productivité : nouveaux droits d’utilisation, consommation cloud, utilisation des modèles, stockage, travaux d’intégration, préparation des données, surveillance, sécurité, ainsi que les services professionnels et la formation nécessaires à la mise en œuvre. Une tâche réalisée 30 % plus rapidement ne se traduit pas automatiquement par un bénéfice commercial de 30 %. Une partie du temps gagné est réinvestie dans la vérification de ce que l’IA a produit. Et un projet pilote qui semblait peu coûteux peut présenter un tout autre visage une fois déployé à l’échelle de l’entreprise, lorsque la consommation augmente avec lui.

C’est exactement la discussion que les directeurs financiers commencent à mettre sur la table : cette IA réduit-elle réellement le coût du travail effectué, ou ajoute-t-elle simplement une nouvelle couche opérationnelle dont les coûts se répartissent discrètement entre les logiciels, l’infrastructure, l’intégration et la gouvernance ?

Attention à la taxe cachée sur vos propres données

L’IA d’entreprise repose sur les données de l’entreprise et, dans l’ingénierie et la fabrication, ces données représentent des décennies d’investissement : structures produit, exigences, configurations, dessins, résultats de simulation, dossiers fournisseurs, constats qualité, preuves de conformité et historique de maintenance. Ces informations appartiennent au client, sans ambiguïté, même lorsqu’elles résident dans l’application ou le cloud d’un fournisseur.

À mesure que l’IA s’intègre davantage aux logiciels d’entreprise, les clients sont en droit de poser une question directe : devons-nous payer simplement pour accéder à nos propres informations par l’intermédiaire d’une couche d’IA ? Il existe une véritable valeur, qui peut légitimement être facturée, dans le fait d’exposer ces données de manière sécurisée, de préserver les autorisations, d’orchestrer les services et de maintenir la traçabilité ; les fournisseurs doivent être rémunérés pour ce travail. Mais le modèle commercial doit clairement distinguer les capacités d’IA à valeur ajoutée de l’accès de base à des données que les clients possèdent déjà et pour lesquelles ils ont déjà payé afin de les gérer. Demandez précisément si les nouveaux frais sont liés à des API gouvernées, à la consommation des modèles, à l’infrastructure, à des agents prédéfinis, à l’orchestration, à la transformation des données ou à la mise en œuvre, plutôt qu’à une vague ligne budgétaire « IA ».

Bon nombre des dirigeants avec lesquels je discute ont déjà connu ce scénario : une promesse de plateforme globale qui se fragmente progressivement en une accumulation de modules complémentaires, de connecteurs, de niveaux d’offre et de frais. Il est raisonnable d’appliquer dès maintenant la même vigilance à la tarification de l’IA.

Un seul fournisseur d’IA ne constitue pas une stratégie d’IA

Il est peu probable qu’un seul modèle soit la bonne réponse pour tous les cas d’usage d’une entreprise. Un modèle optimisé pour résumer des documents peut être mal adapté à l’analyse technique. Un modèle public peut ne pas répondre aux exigences d’un programme réglementé ou de défense. Un modèle hautement spécialisé peut produire d’excellents résultats tout en étant excessif, et trop coûteux, pour les tâches courantes.

Les organisations continueront à choisir leurs services d’IA en fonction de la nature du travail : sensibilité des données, précision requise, environnement de déploiement, latence, explicabilité et coût. Votre stratégie d’IA ne devrait donc pas dépendre d’un seul fournisseur ou d’un seul modèle. Les modèles continueront d’évoluer rapidement, les tarifs changeront et les facteurs de différenciation d’aujourd’hui finiront par se banaliser. L’investissement durable ne réside pas dans un modèle particulier, mais dans les fondations qui l’entourent : données gouvernées, autorisations, règles métier, API, traçabilité et orchestration. Si vous ne pouvez pas remplacer un modèle par un autre sans reconstruire l’environnement numérique qui lui fournit son contexte, vous n’avez pas réduit la dépendance vis-à-vis d’un fournisseur. Vous l’avez simplement déplacée.

Passer d’une fonctionnalité d’IA à un modèle opérationnel d’IA

Une excellente démonstration prouve qu’une fonctionnalité d’IA est techniquement possible. Elle ne prouve pas que cette capacité peut être mise en œuvre de manière sûre dans une entreprise réelle.

Rendre l’IA opérationnelle implique de répondre à des questions plus difficiles : qui est responsable lorsqu’une recommandation est erronée, quelles actions un agent peut-il effectuer de manière autonome et lesquelles nécessitent une validation humaine, comment les prompts et les modèles sont-ils mis à jour, et comment ces changements sont-ils testés avant d’affecter le travail en production ? Dans les environnements d’ingénierie en particulier, il ne s’agit pas de questions abstraites de gouvernance : les décisions produit prises ou influencées par l’IA peuvent avoir des conséquences sur la qualité, la sécurité, la conformité, les coûts et les obligations de maintenance à long terme. L’IA doit donc faire davantage que produire une réponse qui semble plausible ; elle doit fonctionner dans le cadre des mêmes contrôles qui régissent déjà le travail sous-jacent, en préservant les autorisations, le contexte de configuration, l’état du cycle de vie et un historique clair des informations ayant conduit au résultat.

Comment je conseillerais à un client d’évaluer la qualité de l’IA

Commencez par les fondations de données. L’IA travaille-t-elle à partir d’informations d’entreprise gouvernées et connectées, ou recherche-t-elle simplement des formulations similaires dans des documents déconnectés ? Comprend-elle les relations entre les enregistrements ou se contente-t-elle de récupérer des correspondances ?

Examinez ensuite l’architecture. Un fournisseur doit pouvoir vous dire clairement où vont vos données, comment elles sont traitées, quels modèles sont utilisés et ce qui se passe si l’un de ces services externes change ou devient indisponible.

La gouvernance est tout aussi importante. L’IA doit hériter de vos autorisations existantes, produire des résultats traçables et permettre aux utilisateurs d’examiner, d’approuver, de corriger ou d’annuler les décisions ayant des conséquences importantes, et non créer un processus parallèle qui contourne les contrôles auxquels vous faites déjà confiance.

Enfin, demandez des preuves, pas des assurances. Comment la capacité a-t-elle réellement été testée en matière de précision, d’hallucinations, de latence, de sécurité et de passage à l’échelle ? Est-elle aujourd’hui utilisée dans de véritables scénarios de production et a-t-elle permis de réduire de manière mesurable les temps de cycle, d’améliorer la qualité ou de diminuer les risques ? Une bonne solution d’IA fait ses preuves par son architecture, sa gouvernance et des résultats reproductibles, pas par la qualité de sa présentation commerciale.

La place d’Aras dans cette réflexion

Chez Aras, notre point de départ est qu’une IA efficace pour l’ingénierie doit s’appuyer sur un contexte produit fiable, et non sur un chatbot simplement ajouté au-dessus du PLM. La valeur de vos informations produit n’a jamais résidé uniquement dans les enregistrements eux-mêmes ; elle se trouve dans les relations entre les exigences, les structures, les configurations, les conceptions, les modifications, les fournisseurs, les événements qualité, les décisions de fabrication, les obligations de conformité et l’historique de maintenance. Ce contexte connecté constitue la continuité numérique, et notre objectif est de permettre à l’IA d’y fonctionner sans assouplir les autorisations, les contrôles du cycle de vie et la traçabilité dont dépendent les organisations d’ingénierie.

C’est cette réflexion qui sous-tend Aras InnovatorEdge. Edge API offre aux partenaires et aux clients un moyen contrôlé d’exposer les informations et les actions de la continuité numérique. Edge Builder permet de créer des applications ciblées pour des rôles et des tâches spécifiques. Edge AI est conçu comme la base permettant de créer, d’orchestrer et de gouverner des agents d’IA qui fonctionnent directement avec Aras Innovator®. Toutes les capacités d’IA n’ont pas besoin de résider dans la plateforme principale. Les organisations doivent être libres d’intégrer différents modèles et services en fonction de leurs propres exigences techniques, de sécurité et économiques. Ce qui doit rester constant, ce sont les fondations gouvernées sous-jacentes : un enregistrement produit faisant autorité, un ensemble unique d’autorisations et un historique traçable, plutôt qu’une mosaïque d’expérimentations d’IA déconnectées.

Je le dirai également sans détour : aucun d’entre nous, fournisseurs comme clients, n’a encore totalement déterminé où l’IA crée le plus de valeur ni défini précisément à quoi devrait ressembler son adoption. C’est précisément pour cette raison qu’Aras travaille en étroite collaboration avec ses partenaires et ses clients afin de déterminer où l’IA apporte une valeur réelle et concrète, ce qu’il faut pour la déployer et la gouverner de manière responsable, et comment elle s’intègre au travail d’ingénierie déjà en cours.

Les démonstrations continueront à devenir plus impressionnantes. Les organisations qui réussiront avec l’IA seront celles qui auront veillé à renforcer également les fondations sous-jacentes et qui auront posé les questions difficiles avant de signer, et non après.

Si vous êtes en train d’évaluer l’IA d’entreprise pour votre organisation d’ingénierie et souhaitez discuter des critères à prendre en compte, je serai ravi d’échanger avec vous. C’est une grande partie de ce que mon équipe et moi sommes là pour faire. Contactez-moi sur LinkedIn ou écrivez-moi dans les commentaires ci-dessous.