Où ne pas mettre d'IA : la décision la plus rentable est celle qu'on ne prend pas

Conclusion opérationnelle

Le choix le plus rentable d'un projet d'IA générative se fait souvent avant le projet : c'est la décision de ne pas le lancer. Un usage qui ne produit pas de valeur mesurable, qui ne tolère pas l'erreur ou qui exige une vérification aussi longue que le travail initial coûtera plus qu'il ne rapportera, quelle que soit la qualité du modèle.

Ce raisonnement va contre une tendance naturelle. Face à un problème, on cherche spontanément ce qu'on pourrait ajouter, rarement ce qu'on pourrait ne pas faire.^[2] L'IA générative renforce cette tendance, parce qu'elle rend chaque idée facile à prototyper.

Décision recommandée : avant tout projet d'IA, soumettez l'usage envisagé à trois questions. Saurons-nous mesurer ce qu'il rapporte ? Que coûte une erreur ? Combien de temps prend la vérification d'un résultat ? Si l'une des réponses est défavorable, ne lancez pas le projet, ou réduisez-le jusqu'à ce qu'elle devienne favorable.

1. Pourquoi la question est rarement posée

Liam Nugent, qui a conçu des applications de services financiers pour le grand public, résume le problème dans un billet publié en septembre 2026 : demandez à une équipe ce qu'elle a livré dans l'année, elle vous donnera une liste ; demandez-lui ce qu'elle a abandonné, et la salle se tait.^[1]

Ce silence n'est pas seulement culturel. Des chercheurs ont publié en 2021 dans la revue Nature les résultats de huit expériences sur la manière dont les gens cherchent à améliorer un objet, une idée ou une situation. Les participants envisageaient d'abord des changements qui ajoutent quelque chose, et négligeaient systématiquement ceux qui retirent quelque chose, même lorsque le retrait était la meilleure solution. Ce biais s'accentuait quand ils étaient soumis à une charge mentale plus forte.^[2]

Un comité qui examine des idées d'usage de l'IA est exactement dans cette situation : il reçoit des propositions d'ajout, rarement des propositions de retrait. La question « où ne pas mettre d'IA » doit donc être posée explicitement, parce qu'elle ne se posera pas d'elle-même.

2. Premier critère : une valeur que l'on sait mesurer

Un usage d'IA se justifie par un gain : du temps économisé, des erreurs évitées, un délai de réponse raccourci, un volume traité plus important. Ce gain n'existe, pour l'entreprise, que si elle sait le mesurer.

La mesure suppose deux choses. Il faut connaître la situation de départ, par exemple le temps moyen consacré aujourd'hui à une tâche. Il faut aussi pouvoir observer la situation d'arrivée avec le même indicateur. Sans point de départ, on ne pourra jamais dire si le projet a rapporté quelque chose.

Un projet dont la valeur se décrit seulement en termes vagues, comme « gagner en efficacité » ou « moderniser nos pratiques », échoue à ce premier critère. Ce n'est pas un jugement sur l'idée : c'est le constat qu'on ne saura ni la piloter, ni l'arrêter si elle ne fonctionne pas.

3. Deuxième critère : la tolérance à l'erreur

Un modèle d'IA générative produit des résultats plausibles, pas des résultats garantis. La question utile n'est donc pas « le modèle se trompe-t-il ? », car il se trompera, mais « que se passe-t-il quand il se trompe ? ».

Deux situations s'opposent. Dans la première, l'erreur est visible et sans conséquence durable : un brouillon de courrier mal tourné, que son auteur corrige avant envoi. Dans la seconde, l'erreur est invisible ou irréversible : un montant erroné dans une facture envoyée automatiquement, une clause mal résumée dans un contrat que personne ne relit, une action déclenchée sans contrôle sur un système de production.

On pourrait penser demander au modèle d'indiquer lui-même quand il n'est pas sûr. Amrut Joshi explique pourquoi cette solution ne tient pas : le score de confiance qu'un modèle de langage donne lorsqu'on le lui demande est un texte produit comme n'importe quel autre texte, et non la mesure de quoi que ce soit. Un score fiable doit refléter l'information dont on dispose et avoir été comparé, sur un historique, à ce qui s'est réellement passé pour le même type de question.^[3] La seule estimation sérieuse du taux d'erreur est donc celle que l'entreprise mesure elle-même, sur ses propres cas.

L'ANSSI va dans le même sens dans ses recommandations de sécurité pour les systèmes d'IA générative : elle recommande de limiter les actions automatiques déclenchées par un système d'IA à partir d'entrées non maîtrisées (recommandation R27), et de contrôler systématiquement le code source généré par IA (recommandation R30).^[4]

4. Troisième critère : le coût de la vérification humaine

Puisque l'erreur est possible, un résultat important doit être vérifié. Ce contrôle a un coût, et c'est souvent lui qui décide de la rentabilité du projet.

Le calcul est simple à poser. Si la vérification d'une réponse proposée par le modèle prend presque autant de temps que sa rédaction sans aide, le gain est faible. Si la vérification exige de refaire le raisonnement complet, par exemple pour contrôler un calcul ou une analyse juridique, le gain peut devenir nul ou négatif.

Les usages les plus rentables sont ceux où vérifier est beaucoup plus rapide que produire : relire un texte court, comparer un résumé à un document que l'on connaît, valider une proposition de classement. Les usages les moins rentables sont ceux où la vérification exige la même expertise et le même temps que le travail lui-même.

5. Le coût que l'on oublie : l'exploitation

Un projet qui passe les trois critères n'est pas encore rentable. Il reste un coût que les études préalables omettent souvent : celui de faire vivre le système dans la durée.

Liam Nugent raconte avoir refusé à plusieurs reprises de construire certaines fonctions dans des applications de services financiers. L'argument qui a convaincu ses interlocuteurs n'était pas le coût de construction, mais le coût d'exploitation, présenté sur plusieurs années.^[1] Il en tire une double règle : être extrêmement sélectif sur ce que l'on ajoute à un système, et intransigeant sur ce que l'on en retire.^[1]

Pour un usage d'IA générative, ce coût d'exploitation recouvre l'abonnement ou la consommation du service (ou, pour un modèle installé chez soi, le matériel et son entretien, dont nous parlions dans notre article du 30 septembre), le suivi de la qualité des résultats, l'adaptation aux nouvelles versions du modèle, la gestion des accès et la formation des nouveaux arrivants. Il recouvre aussi la sécurité du fournisseur lui-même, sujet de notre article du 28 octobre. Un projet dont le gain mensuel ne couvre pas ces frais récurrents n'est pas rentable, même s'il a été peu coûteux à construire.

6. Ce que cela ne veut pas dire

Ces critères ne conduisent pas à renoncer à l'IA. Ils conduisent à la placer là où elle rapporte : sur des tâches fréquentes, dont la valeur se mesure, où l'erreur se voit et se corrige, et où la vérification est rapide.

Ils conduisent aussi, souvent, à réduire un projet plutôt qu'à l'abandonner. Un outil qui « analyse les contrats » échoue au troisième critère. Un outil qui repère dans un contrat les clauses de résiliation et de pénalités, pour qu'un juriste les lise en priorité, peut le passer : la vérification porte sur quelques paragraphes, et l'expert reste responsable de l'analyse.

7. Plan d'action

1. Lister les idées d'usage proposées dans l'entreprise, sans les juger.
2. Mesurer la situation de départ de chaque tâche visée : temps passé, volume, taux d'erreur actuel.
3. Décrire la conséquence d'une erreur pour chaque usage, et indiquer si elle est visible avant d'atteindre un client ou un système.
4. Chronométrer la vérification d'un résultat sur quelques cas réels, et la comparer au temps de production sans IA.
5. Écarter ou réduire les usages qui échouent à l'un des trois critères.
6. Chiffrer l'exploitation sur trois ans pour les usages retenus, et pas seulement leur mise en place.
7. Prévoir la sortie : fixer à l'avance l'indicateur et le seuil en dessous desquels l'usage sera arrêté.

Recommandation finale

La liste des usages d'IA qu'une entreprise a décidé de ne pas lancer est aussi utile que la liste de ceux qu'elle a lancés. Elle montre que les décisions ont été prises sur des critères, et non par entraînement.

La mesure la plus rentable est aussi la plus simple : poser les trois questions avant le premier prototype, et accepter que la réponse soit parfois non.

Cet article constitue une information générale et ne constitue pas un avis juridique.