Comment les coûts liés à la préparation des données doivent-ils être imputés aux initiatives d'IA ?

Les coûts liés à la préparation des données doivent être imputés aux initiatives d’IA en fonction du degré de contribution directe de ces activités au projet d’IA. Les coûts liés exclusivement à un cas d’utilisation spécifique de l’IA, tels que l’étiquetage des données d’entraînement ou la mise en place d’un pipeline de données dédié, relèvent entièrement de cette initiative. Les coûts liés à l’infrastructure de données partagée nécessitent des modèles de répartition qui reflètent la consommation ou les avantages réels. Nous présentons ci-dessous une vue d’ensemble de la situation : ce que ces coûts englobent, pourquoi leur imputation est difficile, et comment les pratiques de gestion financière informatique peuvent apporter de la cohérence à la comptabilité des investissements en IA.

Quels sont les différents types de coûts liés à la préparation des données pour l'IA ?

Les coûts liés à la préparation des données dans le cadre des initiatives d'IA englobent toutes les dépenses nécessaires pour rendre les données brutes prêtes à être utilisées pour l'entraînement, la validation et le déploiement des modèles. Ces coûts couvrent généralement la main-d'œuvre, les outils, le stockage, la puissance de calcul et les activités de gouvernance. Comprendre l'étendue totale de ces coûts constitue la première étape vers une estimation précise Attribution des coûts liés à l'IA.

Les principales catégories de coûts sont les suivantes :

• Collecte et intégration des données : Extraire des données des systèmes sources, mettre en place des pipelines et convertir les formats afin que les données puissent être utilisées par les flux de travail d'IA
• Nettoyage et validation des données : Identifier les doublons, corriger les erreurs et veiller au respect des normes de qualité : c'est souvent la phase la plus exigeante en termes de main-d'œuvre
• Étiquetage et annotation des données : Annoter manuellement ou de manière semi-automatique les données afin que les modèles d'apprentissage supervisé puissent s'entraîner à partir de celles-ci
• Stockage et puissance de calcul pendant la préparation : Les ressources cloud ou sur site utilisées lors de l'exécution de tâches de transformation, de contrôles qualité ou de l'hébergement d'environnements de préproduction
• Activités liées à la gouvernance des données et à la conformité : Des évaluations de la protection de la vie privée, la gestion des consentements et le suivi de la traçabilité sont nécessaires avant que les données puissent alimenter, d'un point de vue juridique ou éthique, un modèle d'IA.
• Licences d'outils et de plateformes : Plateformes d'ingénierie des données, outils ETL et logiciels d'orchestration utilisés spécifiquement pendant les phases de préparation

De nombreuses organisations sous-estiment les coûts liés à la préparation des données, car elles les considèrent comme des frais informatiques généraux plutôt que comme des coûts directs liés à un investissement dans l'IA. Dans la pratique, la préparation des données représente systématiquement la plus grande part des dépenses totales d'un projet d'IA, ce qui rend un suivi précis indispensable pour comprendre la véritable valeur de cet investissement.

Pourquoi est-il si difficile d'imputer les coûts liés à la préparation des données aux projets d'IA ?

Il est difficile d’imputer les coûts de préparation des données aux initiatives d’IA, principalement parce que les ressources de données et l’infrastructure sont partagées entre plusieurs utilisateurs. Un même pipeline de données peut alimenter simultanément un tableau de bord de veille stratégique, un processus de reporting réglementaire et un modèle d’IA. En l’absence de délimitation claire entre ces utilisateurs, l’imputation des coûts à l’un d’entre eux relève davantage d’une appréciation subjective que d’une mesure directe.

Plusieurs facteurs structurels viennent aggraver cette difficulté :

• Infrastructure partagée sans comptage : La plupart des plateformes de données n'ont pas été conçues pour suivre la consommation par cas d'utilisation en aval ; il n'existe donc aucun moyen natif de distinguer l'utilisation liée à l'IA des autres utilisations.
• Travaux préparatoires antérieurs au projet d'IA : Le nettoyage des données historiques ou les travaux de mise en place de pipelines réalisés il y a plusieurs années continuent de profiter au modèle d'IA, mais imputer ces coûts irrécupérables à l'initiative actuelle fausse la rentabilité du projet.
• Responsabilité transversale : Les équipes d'ingénierie des données, informatiques et métier sont chacune responsables d'une partie du processus de préparation, et les coûts sont imputés à différentes lignes budgétaires au sein des différents services.
• Flux de travail itératifs et non linéaires : Les projets d'IA passent par plusieurs itérations de préparation des données à mesure que les modèles s'améliorent, ce qui rend difficile de déterminer à quel moment la préparation prend fin et le développement du modèle commence
• Absence de politique d'attribution convenue : En l'absence d'un cadre de gouvernance formel, chaque équipe applique sa propre logique, ce qui donne lieu à des chiffres incohérents sur lesquels les services financiers et la direction ne peuvent pas se fier

Il en résulte que les décisions relatives à la répartition des coûts liés à l'IA sont souvent prises de manière informelle, à un stade avancé du cycle de vie du projet, et sans avoir une vision complète de l'ensemble des coûts. C'est exactement le genre de problème qui Pratiques FinOps visent à y remédier en intégrant dès le départ un système structuré de responsabilisation dans la gestion des coûts.

Quels sont les modèles de répartition utilisés pour les coûts liés à l'infrastructure de données partagée ?

Les organisations ont recours à plusieurs modèles d'imputation pour répartir les coûts liés à l'infrastructure de données partagée entre les différentes initiatives d'IA. Le choix du modèle approprié dépend de la qualité des données de consommation disponibles, du niveau de maturité des pratiques de gestion financière informatique et du degré de précision avec lequel la direction doit pouvoir appréhender les coûts liés aux investissements dans l'IA.

Répartition basée sur la consommation directe

Lorsque les plateformes prennent en charge la facturation à l'utilisation, les coûts sont répartis en fonction des heures de calcul réelles, de l'espace de stockage consommé ou des exécutions de pipeline déclenchées par le projet d'IA. Il s'agit du modèle le plus précis, que les spécialistes du FinOps recommandent par défaut, car il lie directement les dépenses aux décisions prises par l'équipe d'IA. Ce modèle nécessite le marquage ou l'étiquetage des ressources d'infrastructure au niveau de la charge de travail.

Répartition proportionnelle ou en fonction de l'activité

Lorsque le comptage n'est pas disponible, les organisations estiment la part de l'infrastructure partagée consommée par l'initiative d'IA par rapport à l'ensemble des utilisateurs. Par exemple, si un projet d'IA représente environ 40% d'exécutions du pipeline de données, il absorbe 40% des coûts d'exploitation de ce pipeline. La méthode de calcul des coûts par activité applique une logique similaire, mais utilise des facteurs de coût tels que le nombre d’enregistrements traités ou le nombre de tâches de transformation exécutées, plutôt que de simples pourcentages.

Répartition forfaitaire ou répartition par centre de coûts

Certaines organisations mutualisent les coûts liés à la plateforme de données partagées et les répartissent de manière égale entre tous les projets ou unités opérationnelles qui y ont recours. Cette approche est simple sur le plan administratif, mais c'est la moins précise. Elle constitue un point de départ lorsque les données de consommation ne sont pas disponibles, mais elle peut fausser l'analyse des investissements dans l'IA en surfacturant ou en sous-facturant certaines initiatives en fonction de leurs habitudes d'utilisation réelles.

Quel que soit le modèle que vous choisissiez, l'important est de le documenter, de l'appliquer de manière cohérente et de le réexaminer à mesure que les charges de travail liées à l'IA évoluent. Une attribution incohérente d'un projet à l'autre rend impossible l'évaluation comparative des performances des investissements dans l'IA au fil du temps.

Comment la pratique ITFM gère-t-elle la transparence des coûts liés à l'IA ?

La gestion financière des technologies de l'information (ITFM) assure la transparence des coûts liés à l'IA en mettant en place un cadre structuré qui associe chaque élément de coût, y compris la préparation des données, à l'initiative d'IA qu'il soutient. Plutôt que de laisser les coûts liés à l'IA dispersés dans les budgets des différents services, la pratique ITFM les regroupe au sein d'une vue d'ensemble cohérente sur laquelle les services financiers, les responsables informatiques et les promoteurs métier peuvent tous s'appuyer pour prendre des décisions.

Dans la pratique, une approche ITFM visant à assurer la transparence des coûts liés à l'IA implique plusieurs activités interdépendantes :

• Alignement taxonomique : Définir une taxonomie des coûts cohérente qui intègre la préparation des données comme une catégorie de coûts à part entière dans le cadre des initiatives d'IA, plutôt que de la considérer comme des frais généraux informatiques génériques
• Mappage des couches de coûts : Suivi des coûts depuis les infrastructures sous-jacentes (puissance de calcul, stockage, licences) jusqu'aux produits d'IA spécifiques ou aux cas d'utilisation qu'ils permettent, en passant par les services partagés, à l'aide de cadres tels que la taxonomie TBM
• Showback et chargeback : Sensibiliser les équipes chargées de l'IA au coût global de la préparation des données qu'elles utilisent, que ce soit par le biais de rapports d'information sur les coûts ou de mécanismes formels de refacturation qui instaurent une véritable responsabilité financière
• Intégration de la prévision et de la planification : Intégrer les estimations des coûts de préparation des données dans les analyses de rentabilité des projets d'IA avant le début des travaux, afin que la direction approuve les investissements en tenant compte d'un coût total de possession réaliste
• Fréquence des rapports : Mettre en place des cycles de reporting réguliers permettant de suivre les dépenses réelles liées à la préparation des données par rapport au budget, afin de pouvoir apporter rapidement des ajustements lorsque les coûts s'écartent des prévisions

Les cadres de « Technology Business Management » (TBM) vont encore plus loin en établissant un lien entre les coûts d'investissement dans l'IA et les résultats commerciaux que ces initiatives sont censées générer, ce qui permet d'évaluer non seulement ce que coûte l'IA, mais aussi ce qu'elle rapporte.

Les coûts liés à la préparation des données doivent-ils être capitalisés ou comptabilisés en charges ?

La question de savoir si les coûts liés à la préparation des données doivent être capitalisés ou passés en charges dépend du fait que ces travaux donnent lieu à la création d’un actif à long terme générant des avantages économiques futurs ou s’ils servent à soutenir les activités de la période en cours. Selon la plupart des normes comptables, les coûts qui permettent directement le développement d’un modèle d’IA développé en interne peuvent être capitalisés pendant la phase de développement de l’application, tandis que les coûts liés à la recherche préliminaire ou à la maintenance post-déploiement sont comptabilisés en charges.

Concrètement, la distinction s'applique comme suit :

• Mettre en majuscules les coûts liés à la préparation des données, lorsqu'ils sont directement liés à la création d'un modèle d'IA spécifique qui sera utilisé au-delà de la période considérée, que le projet a passé avec succès l'évaluation de faisabilité et que ces coûts peuvent être mesurés de manière fiable. On peut citer, à titre d'exemple, l'étiquetage d'ensembles de données d'entraînement pour un modèle propriétaire ou la mise en place d'un pipeline d'ingestion dédié servant exclusivement ce modèle.
• Dépense les coûts liés à la préparation des données lorsqu'ils concernent des travaux exploratoires ou expérimentaux, lorsque l'infrastructure de données sert à plusieurs fins au-delà du projet d'IA, ou lorsque l'initiative d'IA n'atteint pas le seuil requis pour être considérée comme un actif interne.

Les coûts liés à l’infrastructure de données partagée, qui dessert plusieurs utilisateurs, constituent une zone grise. La plupart des organisations comptabilisent la partie partagée en charges et ne capitalisent que les coûts supplémentaires directement et exclusivement imputables au projet de développement d’IA. Vos équipes financières et comptables doivent s’accorder sur une politique qui tienne compte à la fois de vos normes comptables et de la nature spécifique de chaque initiative d’IA, car un traitement incohérent d’un projet à l’autre engendre un risque d’audit et fausse les comparaisons d’investissements.

Quelles mesures de gouvernance permettent de garantir une imputation cohérente des coûts liés à l'IA au fil du temps ?

Pour garantir une attribution cohérente des coûts liés à l'IA au fil du temps, il est nécessaire de mettre en place une structure de gouvernance qui définisse à qui incombent les décisions d'attribution, comment ces décisions sont prises et comment elles sont réexaminées à mesure que les projets et l'infrastructure évoluent. En l'absence de gouvernance, les approches d'attribution dérivent à mesure que les équipes changent, que les outils sont remplacés et que les initiatives en matière d'IA prennent une ampleur qui n'avait pas été anticipée au lancement du projet.

Les mesures de gouvernance suivantes permettent d'assurer une cohérence durable :

1. Définir une politique d'attribution : Documentez les modèles d'allocation utilisés par votre organisation pour l'infrastructure de données partagée, les conditions dans lesquelles chaque modèle s'applique, ainsi que les personnes habilitées à approuver les exceptions. Mettez cette politique à la disposition des équipes financières, informatiques et chargées des projets d'IA.
2. Définir clairement les responsabilités : Désignez, pour chaque initiative d'IA, un responsable des coûts chargé de suivre les dépenses liées à la préparation des données, de valider les affectations budgétaires et de communiquer les chiffres réels au service financier. En l'absence de responsable désigné, les décisions d'attribution reviennent par défaut à la personne qui se trouve disponible.
3. Mettre en place un rythme régulier de révision : Réexaminez la répartition des coûts liés à l'IA à intervalles réguliers, généralement tous les mois ou tous les trimestres, afin de détecter rapidement tout écart. À mesure que les charges de travail liées à l'IA augmentent, les habitudes de consommation évoluent et les pourcentages de répartition, qui étaient exacts au début du projet, peuvent ne plus refléter la réalité.
4. Intégrer l'attribution dans la gouvernance des projets : Exiger que les dossiers d'analyse de rentabilité relatifs à l'IA comprennent une estimation des coûts de préparation des données et une méthode d'attribution clairement définie avant l'approbation du projet. Cela permet d'établir une base de référence par rapport à laquelle les résultats réels pourront être évalués.
5. Utilisez des conventions d'outillage et de balisage cohérentes : Appliquer les normes de marquage des ressources dans les environnements cloud et sur site afin que les charges de travail liées à la préparation des données puissent être identifiées dans les rapports de coûts sans qu'un rapprochement manuel soit nécessaire.
6. Se connecter aux rapports ITFM et TBM plus généraux : Intégrez l'attribution des coûts par IA dans votre stratégie globale gestion stratégique de portefeuille processus permettant d'évaluer les investissements dans l'IA au même titre que les autres initiatives technologiques, en utilisant le même cadre financier.

La gouvernance n'est pas une démarche ponctuelle. À mesure que votre portefeuille d'IA s'étoffe et que votre infrastructure de données gagne en complexité, votre cadre d'attribution doit évoluer en parallèle. Les organisations qui considèrent cela comme une compétence de gestion continue, plutôt que comme une tâche spécifique à un projet, bénéficient systématiquement d'une meilleure visibilité financière et prennent des décisions d'investissement en matière d'IA plus fiables.

Comment nous vous aidons à attribuer et à gérer les coûts liés à l'IA

Chez It’s Value, nous aidons les organisations à développer les capacités de gestion financière nécessaires pour suivre, attribuer et optimiser les coûts liés aux investissements dans l’IA, y compris la préparation des données, avec la précision exigée par les équipes de direction et les services financiers. Notre approche associe les cadres ITFM et TBM à un accompagnement pratique à la mise en œuvre, afin que vous puissiez passer de données de coûts dispersées à des informations structurées et exploitables pour la prise de décision.

Plus précisément, nous vous accompagnons dans les domaines suivants :

• Conception de la taxonomie des coûts : Définir la place qu'occupent la préparation des données et les autres catégories de coûts liés à l'IA au sein de votre structure globale de coûts informatiques, afin que chaque dépense soit visible et traçable
• Sélection et mise en œuvre d'un modèle d'attribution : Nous vous aidons à choisir et à mettre en œuvre le modèle de répartition le plus adapté aux coûts d'infrastructure partagés, et à définir les outils et les normes de marquage nécessaires pour garantir la reproductibilité de ce processus.
• Pratiques FinOps pour les charges de travail d'IA dans le cloud : Appliquer les principes du FinOps aux coûts de calcul et de stockage dans le cloud générés par les charges de travail liées à l'IA et à la préparation des données, afin que les décisions d'optimisation soient prises en continu plutôt qu'a posteriori
• Mise en place d'un cadre de gouvernance : Mettre en place les structures de responsabilité, les fréquences de révision et les processus de reporting qui garantissent la cohérence de l'imputation des coûts liés à l'IA à mesure que votre portefeuille prend de l'ampleur
• Intégration du TBM : Établir un lien entre les coûts d'investissement dans l'IA et les résultats opérationnels dans le cadre d'une gestion de la valeur d'entreprise (TBM), afin que vous puissiez démontrer la valeur des dépenses consacrées à l'IA au conseil d'administration et aux parties prenantes de l'entreprise

Si vous souhaitez apporter structure et transparence à la gestion des coûts liés à l'IA, contactez-nous et nous vous montrerons comment mettre en place une stratégie d'attribution adaptée à votre organisation.