Comment procéder à un bilan financier post-investissement d'une initiative liée à l'IA ?

Pour réaliser un bilan financier post-investissement d’une initiative d’IA, il convient de comparer les coûts réels et les résultats commerciaux mesurables au business case initial, à l’aide d’un cadre structuré qui prend en compte à la fois les retours financiers directs et les facteurs de valeur indirects. Cette analyse doit permettre de déterminer si l’initiative a tenu ses promesses, quel a été son coût total réel et s’il convient de poursuivre, d’étendre ou d’arrêter l’investissement. Pour les grandes entreprises, ce processus est particulièrement efficace lorsqu’il intègre les dépenses liées à l’IA dans le cadre plus large des pratiques de gestion financière informatique. Les sections ci-dessous répondent aux questions les plus courantes qui se posent lors de la mise en place de cette analyse.

Quels indicateurs financiers faut-il suivre après le lancement d'une initiative d'IA ?

Après avoir lancé une initiative d'IA, vous devez suivre le coût total de possession, les économies réalisées ou l'impact sur le chiffre d'affaires, les coûts d'inférence des modèles, les gains de productivité par utilisateur ou par équipe, ainsi que les taux de réduction des erreurs ou des retouches. Ces indicateurs établissent un lien direct entre les activités liées à l'IA et les résultats financiers, et vous fournissent les données nécessaires pour évaluer si l'initiative répond aux objectifs initiaux définis dans l'analyse de rentabilité.

Au-delà des chiffres clés, répartissez votre suivi en deux catégories :

• Indicateurs de coûts : les dépenses d'infrastructure (ressources de calcul, stockage, API), les frais de licence, les coûts liés à la formation initiale et continue des modèles, l'assistance et la maintenance, ainsi que les ressources humaines internes affectées à cette initiative
• Indicateurs de valeur : gain de temps par processus, réduction de la charge de travail manuelle exprimée en ETP, chiffre d'affaires influencé ou généré, améliorations de la qualité et gains de rapidité dans la prise de décision

Une erreur courante consiste à ne suivre que les indicateurs de coût, sans mesurer les indicateurs de valeur. Sans ces deux éléments, il est impossible de calculer le retour sur investissement réel ni de prendre une décision éclairée quant à l’opportunité de développer l’initiative. Définissez dès le départ une fréquence de mesure, idéalement mensuelle pour les données de coûts et trimestrielle pour les indicateurs de valeur, afin de disposer d'une base de référence fiable au moment de l'évaluation post-investissement.

Comment calcule-t-on le retour sur investissement réel d'un projet d'IA ?

Pour calculer le retour sur investissement réel d'un projet d'IA, il faut soustraire le total des coûts réels des bénéfices réels, diviser le résultat par le total des coûts, puis exprimer ce chiffre sous forme de pourcentage. La difficulté ne réside pas dans la formule elle-même, mais dans la nécessité de déterminer avec précision ce qui relève de chaque catégorie, en particulier du côté des coûts, où les projets d'IA ont souvent tendance à sous-estimer les dépenses.

Une approche pratique se déroule en trois étapes :

1. Chiffrer le montant total des coûts réels : Prenez en compte l'ensemble des coûts liés à l'infrastructure, aux licences, au développement, à l'intégration, à la préparation des données, à la formation et à la main-d'œuvre interne, depuis le lancement du projet jusqu'à la date d'examen. Ne vous fiez pas à l'estimation budgétaire initiale ; extrayez les chiffres réels des systèmes financiers et informatiques.
2. Quantifier les avantages obtenus : Distinguez les bénéfices tangibles (réductions de coûts mesurables, recettes directement imputables aux résultats de l'IA) des bénéfices intangibles (gains de productivité, accélération des prises de décision). Convertissez les bénéfices intangibles en équivalents financiers dans la mesure du possible, par exemple en multipliant les heures économisées par le coût salarial moyen.
3. Ajuster en fonction de la durée : Si l'initiative est en place depuis moins d'un cycle complet de prestations, annualisez les chiffres relatifs aux prestations et comparez-les à une projection des coûts sur une année complète plutôt qu'à une période partielle.

En ce qui concerne plus particulièrement les initiatives liées à l'IA, il est préférable, lors du calcul du retour sur investissement, d'inclure un intervalle de confiance plutôt qu'un chiffre unique. Les performances de l'IA peuvent varier en fonction de la dérive des modèles ou de l'évolution de la qualité des données ; ainsi, un intervalle reflétant les scénarios les plus optimistes et les plus pessimistes offre aux dirigeants une vision plus fidèle de la réalité qu'une estimation ponctuelle.

Quels sont les coûts qui sont généralement négligés lors d'un bilan post-investissement dans l'IA ?

Les coûts les plus souvent négligés lors d'un bilan post-investissement en IA sont la préparation et l'étiquetage des données, le réentraînement des modèles, l'infrastructure informatique parallèle mise en place par les équipes d'ingénieurs, le temps de travail du personnel interne et le coût récurrent de la supervision humaine nécessaire pour valider les résultats de l'IA. Ces coûts cachés peuvent considérablement réduire le retour sur investissement qui semblait prometteur sur le papier lors de l'étude de faisabilité initiale.

Plusieurs catégories méritent une attention particulière :

• Coûts liés aux données : Le nettoyage, l'étiquetage et la gestion des données qui alimentent le modèle sont souvent considérés comme des coûts irrécupérables liés à un projet antérieur, plutôt que d'être imputés à l'initiative d'IA. Dans la pratique, il s'agit d'une dépendance directe qui doit être prise en compte.
• Formation continue et maintenance : Les modèles d'IA perdent en efficacité au fil du temps, à mesure que les données réelles s'écartent des données d'apprentissage. Les coûts de calcul et de main-d'œuvre liés au réentraînement périodique sont rarement pris en compte dans l'analyse d'investissement initiale.
• Travail impliquant une intervention humaine : De nombreux déploiements d'IA nécessitent une vérification humaine des résultats, en particulier dans les secteurs réglementés. Si cette charge de travail est prise en charge par les équipes existantes sans affectation explicite, elle devient invisible dans la structure des coûts.
• Intégration et gestion du changement : La connexion des résultats générés par l'IA aux systèmes en aval et la formation du personnel à leur utilisation correcte entraînent des coûts qui dépassent souvent le budget alloué au projet d'IA.

Une analyse approfondie Pratique FinOps permet de mettre en évidence les coûts liés à l'infrastructure cloud que les équipes d'ingénierie provisionnent de manière autonome, ce qui constitue l'une des sources les plus courantes de dépenses non suivies en matière d'IA dans les environnements d'entreprise.

En quoi une évaluation post-investissement dans le domaine de l'IA diffère-t-elle d'une évaluation classique de projet informatique ?

L'évaluation post-investissement d'une initiative d'IA diffère de celle d'un projet informatique classique, car la valeur de l'IA est probabiliste, dynamique et souvent indirecte, alors que les projets informatiques traditionnels produisent des résultats bien définis à des étapes bien précises. Les performances d’un modèle d’IA évoluent au fil du temps, ses coûts varient de manière non linéaire en fonction de son utilisation, et son impact commercial est souvent réparti entre plusieurs équipes plutôt que concentré sur un seul résultat mesurable.

Trois différences structurelles déterminent la manière dont vous menez l'évaluation :

• L'attribution des avantages est plus complexe : Un nouveau système ERP permet soit de traiter les transactions, soit de ne pas les traiter. Un moteur de recommandation basé sur l'IA influence les décisions, mais les résultats financiers de ces décisions dépendent de nombreux autres facteurs. Il est indispensable de disposer d'une méthodologie d'attribution claire avant l'évaluation, et non après.
• La base de coût est variable et évolutive : Les projets informatiques traditionnels comportent un coût d'investissement et un coût de fonctionnement connu. Les initiatives en matière d'IA, quant à elles, impliquent des coûts d'infrastructure qui évoluent en fonction du volume d'inférence, des cycles de réentraînement déclenchés par une baisse des performances, ainsi que des coûts liés aux données qui augmentent avec l'ampleur du projet. L'analyse doit porter sur la trajectoire, et pas seulement sur les dépenses actuelles.
• Les critères de réussite doivent inclure l'état de santé du modèle : Au-delà des indicateurs financiers, l'examen doit permettre de déterminer si le modèle continue de fonctionner conformément à ses paramètres initiaux de précision et de fiabilité. Un résultat financier positif reposant sur un modèle dont la qualité se dégrade constitue un risque futur, et non une réussite.

À quel moment une analyse post-investissement doit-elle conduire à une décision d'arrêt, de réduction ou de réorientation ?

Une analyse post-investissement doit déboucher sur une décision d'arrêt lorsque les coûts réels dépassent systématiquement les bénéfices réels sans qu'il n'existe de perspective crédible de renversement de tendance, sur une décision d'extension lorsque l'initiative génère une valeur mesurable et que la rentabilité unitaire s'améliore avec le volume, et sur une décision de réorientation lorsque la technologie de base fonctionne mais que le cas d'utilisation initial était erroné ou que le contexte de déploiement doit être modifié.

Utilisez ces indicateurs pour orienter chacune de vos décisions :

• Arrêt : Le retour sur investissement est négatif après une période de maturation raisonnable, le taux d'adoption reste faible malgré les efforts déployés en matière de gestion du changement, ou la qualité des données sous-jacentes ne peut être améliorée avec les ressources disponibles
• Échelle : Le retour sur investissement est positif et en hausse, l'adoption par les utilisateurs progresse de manière organique, et ce même modèle ou cette même approche peut être appliqué à d'autres cas d'utilisation sans augmentation proportionnelle des coûts
• Pivot : Cette technologie fournit des résultats précis, mais le processus métier qu'elle était censée soutenir a évolué, ou un autre cas d'utilisation permettrait de générer davantage de valeur avec le même investissement.

L'analyse doit déboucher sur une recommandation claire, étayée par des données, et non sur un résumé « équilibré » qui laisse la décision à l'intuition. Les dirigeants ont besoin d'une position défendable, et c'est l'analyse financière qui leur permet de l'obtenir.

Quels outils et cadres permettent d'effectuer une analyse financière basée sur l'IA à l'échelle de l'entreprise ?

À l'échelle de l'entreprise, l'analyse financière de l'IA s'appuie idéalement sur une combinaison de cadres de gestion technologique des activités (TBM), de pratiques FinOps visant à assurer la visibilité des coûts du cloud, et d'outils de gestion de portefeuille qui relient les données financières des initiatives individuelles aux décisions d'investissement de l'entreprise. Aucun outil ne couvre à lui seul l'ensemble du tableau, mais l'intégration de ces trois niveaux vous apporte la transparence et la gouvernance nécessaires pour analyser les investissements dans l'IA de manière cohérente.

Le cadre TBM propose une taxonomie qui met en correspondance les coûts liés à l'IA avec les services et les capacités métier qu'ils prennent en charge, ce qui permet de comparer les dépenses consacrées aux initiatives d'IA à celles d'autres investissements technologiques, à périmètre égal. Les pratiques FinOps mettent en évidence les coûts d'infrastructure cloud générés par les charges de travail liées à l'IA, notamment les coûts de calcul, de stockage et d'appels d'API, qui ne sont souvent pas pris en compte dans le budget officiel du projet. Gestion stratégique de portefeuille Ces outils regroupent ensuite les données au niveau des initiatives pour présenter une vue d'ensemble du portefeuille, ce qui permet à la direction de hiérarchiser les investissements dans l'IA les uns par rapport aux autres et par rapport à l'ensemble du portefeuille informatique.

Pour les organisations qui mènent plusieurs initiatives d'IA en parallèle, un modèle d'évaluation standardisé, appliqué de manière cohérente à l'ensemble de ces initiatives, revêt autant d'importance que les outils eux-mêmes. En l'absence d'une structure commune, chaque évaluation génère des données différentes, dans des formats variés, ce qui rend impossible toute comparaison entre les initiatives.

Comment nous accompagnons l'évaluation des investissements dans l'IA

Nous aidons les grandes entreprises à mettre en place une infrastructure de gestion financière qui garantit la fiabilité et la reproductibilité des analyses post-investissement menées par l'IA. Notre approche établit un lien entre les coûts des initiatives d'IA et les résultats commerciaux grâce à une combinaison de pratiques ITFM, TBM et FinOps, vous offrant ainsi une source unique d'informations fiables pour l'ensemble de votre portefeuille d'investissements technologiques. Plus précisément, nous vous accompagnons dans les domaines suivants :

• Mettre en place des structures de répartition des coûts qui prennent en compte l'ensemble des coûts liés aux initiatives d'IA, notamment l'infrastructure cloud, les données et la main-d'œuvre interne
• Mettre en œuvre des pratiques FinOps qui permettent de mettre en évidence en temps réel les dépenses cloud liées aux charges de travail d'IA, afin que les analyses post-investissement s'appuient sur des données précises plutôt que sur des estimations
• Intégrer les données financières relatives aux initiatives d'IA dans votre taxonomie TBM globale, afin de permettre une comparaison cohérente au sein de l'ensemble de votre portefeuille technologique
• Concevoir des processus de gouvernance et des fréquences de révision qui débouchent sur des recommandations claires en matière d'arrêt, d'adaptation ou de réorientation, plutôt que sur des synthèses peu concluantes

Si vous souhaitez mettre en place une approche structurée pour évaluer les investissements dans l'IA et les relier à une valeur commerciale mesurable, contactez-nous pour discuter de la manière de s'y prendre.