Au premier semestre 2026, une question est revenue très souvent dans les discussions autour de l’IA en entreprise : combien coûtent les modèles ?

Le sujet est partout. Prix des tokens, coûts d’inférence, arbitrages entre modèles propriétaires et modèles open source, comparatifs de performance, nouvelles architectures plus efficaces. Ces sujets comptent. Ils doivent être suivis de près lorsqu’on construit des systèmes IA sérieux.

Mais dans la majorité des projets IA d’entreprise, ce n’est pas là que se situe le vrai sujet.

Le coût du modèle est visible, mesurable, facile à comparer. Il donne l’impression qu’on tient un levier clair. Pourtant, le coût réel d’un projet IA se situe souvent ailleurs : dans les données à rendre exploitables, dans l’intégration aux outils existants, dans la transformation des processus, dans la formation des équipes, dans la supervision, dans la maintenance et dans la gouvernance.

Autrement dit, ce qui coûte cher n’est pas seulement de faire fonctionner un modèle. C’est de faire fonctionner l’IA dans l’entreprise.

Le vrai sujet apparaît quand on sort de la démo

Il est naturel de commencer par la technologie. L’IA impressionne par ses capacités visibles : générer un texte, résumer un document, prédire une demande, détecter une anomalie, automatiser une tâche.

Mais un projet IA ne se résume jamais au choix d’un modèle.

Dans le retail, par exemple, les cas d’usage sont nombreux et très concrets : prévision de demande, optimisation des stocks, aide à l’approvisionnement, personnalisation, analyse de documents fournisseurs, support interne, relation client augmentée. Ces sujets ont un potentiel évident. Ils parlent aux métiers. Ils peuvent produire de vrais gains opérationnels.

Mais dès qu’on quitte la démonstration pour regarder le déploiement réel, les questions changent.

Qui va utiliser la recommandation ? À quel moment du processus ? Avec quel niveau de confiance ? Quelles données alimentent le système ? Comment gérer les promotions, les ruptures, les événements locaux, les exceptions magasin ? Qui arbitre quand l’IA propose une décision différente de l’intuition métier ? Comment mesure-t-on l’impact ?

Ces questions sont moins visibles qu’un benchmark de modèles. Elles sont pourtant beaucoup plus déterminantes.

PPDA, une boussole pour cadrer les projets IA

J’ai créé PPDA comme une boussole pour cadrer les projets IA dans leur ensemble, sans les réduire à leur seule dimension technique.

PPDA signifie People, Process, Data, Algorithms.

Cette grille de lecture vient de mon expérience des projets IA. À force de construire, déployer et observer des systèmes d’intelligence artificielle, j’ai vu se répéter le même déséquilibre : beaucoup d’énergie est mise sur les algorithmes, beaucoup moins sur les personnes, les processus et les données.

Or ce sont souvent ces dimensions qui décident de la réussite ou de l’échec.

People, ce sont les personnes concernées par l’IA : utilisateurs, managers, équipes métier, IT, data, responsables qui devront décider, superviser ou assumer les résultats. Une solution IA peut être performante et rester inutilisée si elle n’est pas comprise, si elle fait peur ou si elle retire du contrôle sans expliquer ce qu’elle apporte.

Process, ce sont les processus métier. L’IA ne se branche pas simplement sur une organisation. Elle modifie une manière de travailler, une séquence de décisions, une répartition des responsabilités, parfois même la définition d’un bon résultat.

Data, ce sont les données : leur disponibilité, leur qualité, leur accès, leur gouvernance, leur sécurité, leur actualisation. Beaucoup d’entreprises découvrent l’écart entre « nous avons les données » et « ces données sont exploitables de manière fiable dans un système IA ».

Algorithms, enfin, ce sont les modèles et les méthodes. Ils comptent évidemment. Mais ils doivent être choisis en fonction du besoin, des données disponibles, des contraintes de production, du niveau d’explicabilité attendu et de la capacité à maintenir la solution dans le temps.

L’ordre est important. People demande généralement plus d’attention que Process, Process plus que Data et Data plus qu’Algorithms. Un bon repère consiste à considérer qu’environ 70 % de la charge du projet concerne les personnes et les processus, 20 % les données et le socle technologique, et 10 % les algorithmes.

Chez aiko, nous utilisons cette grille de lecture dans nos missions, notamment dans les Diagnostics Data & IA, pour aider les entreprises à prioriser des cas d’usage réalistes, actionnables et alignés avec leurs capacités.

Ce que le premier semestre confirme

Le premier enseignement, c’est que les meilleurs cas d’usage IA ne sont pas toujours les plus spectaculaires.

Dans beaucoup d’entreprises, la valeur se trouve dans des irritants très opérationnels : gagner du temps sur une tâche répétitive, fiabiliser une décision, mieux exploiter une base documentaire, réduire une friction entre équipes, améliorer une prévision, fluidifier un processus.

Ce ne sont pas toujours les cas d’usage qui font les meilleures démonstrations. Mais ce sont souvent ceux qui créent de la valeur.

Le deuxième enseignement, c’est que le passage à l’échelle révèle les angles morts.

Un POC peut fonctionner avec un périmètre réduit, des données préparées, des utilisateurs motivés et une supervision forte. Le déploiement réel est une autre histoire. Il faut tenir dans la durée, avec des données qui évoluent, des utilisateurs différents, des contraintes SI, des règles métier, des exceptions, des coûts de maintenance et des exigences de sécurité.

Le POC teste principalement Data et Algorithms : la disponibilité des données et la capacité du modèle à produire le résultat attendu. Il teste beaucoup moins People et Process. C’est l’une des raisons pour lesquelles une démonstration réussie ne devient pas toujours une solution utilisée en production.

Pour dépasser ce stade, il faut travailler les quatre dimensions en parallèle. Cela suppose d’embarquer les utilisateurs en continu, dès le cadrage et pendant les tests, mais aussi de mettre au point le processus en continu. Les usages réels font apparaître des exceptions, des besoins de contrôle ou des responsabilités qui ne sont pas toujours visibles au départ.

Le troisième enseignement, c’est que les entreprises ne manquent pas toujours d’idées. Elles manquent souvent d’une manière structurée de les évaluer.

Beaucoup de cas d’usage semblent intéressants au départ. Mais tous ne méritent pas d’être construits. Certains ne sont pas assez prioritaires. D’autres reposent sur des données indisponibles. D’autres encore supposent un changement de processus que l’organisation n’est pas prête à absorber.

C’est là que PPDA devient utile. La grille permet de sortir du débat abstrait sur « l’IA en général » pour regarder chaque cas d’usage de manière concrète.

Avant la rentrée, faire le tri

La période estivale est souvent un bon moment pour prendre du recul. Après un premier semestre dense, beaucoup d’entreprises ont accumulé des idées, testé des outils, lancé des initiatives, parfois ouvert plusieurs chantiers en parallèle.

La bonne question n’est pas : faut-il faire plus d’IA au second semestre ?

La bonne question est : quels projets IA méritent vraiment d’être poursuivis, renforcés ou arrêtés ?

Pour y répondre, je regarderais chaque sujet avec PPDA.

Les équipes concernées sont-elles identifiées et embarquées ? Le processus cible est-il clair et peut-il évoluer avec les retours du terrain ? Les données nécessaires sont-elles disponibles et fiables ? La solution technique est-elle proportionnée, maintenable et intégrable en production ?

Ces questions sont simples, mais elles changent la manière de décider. Elles permettent de ne pas confondre une idée séduisante avec un projet prêt à créer de la valeur.

Le débat sur le coût des modèles continuera. Il est utile. Mais il ne doit pas devenir un écran de fumée.

Dans l’IA d’entreprise, le vrai sujet n’est pas seulement de choisir le bon modèle. C’est de construire les conditions qui permettent à l’IA d’être utilisée, intégrée, pilotée et utile.

C’est exactement ce que PPDA cherche à rendre visible.

Plus de détails sur l'approche PPDA de Manuel Davy