Contexte et enjeux
Les capacités d'IA en entreprise s'étendent, mais les retours financiers restent inférieurs aux investissements. Selon le PDG de Domino Data Lab, Thomas Robinson, 57 % des organisations peinent à générer un ROI supérieur aux dépenses. Le décalage est le plus prononcé dans les secteurs où une mauvaise prédiction entraîne des conséquences graves, comme la recherche pharmaceutique, les services financiers ou la sécurité nationale.
Mesure et limites des retours
Robinson souligne que la plupart des métriques actuelles comptent les sièges, les jetons ou le taux d'adoption, ce qui indique le coût mais pas le gain. Cette approche réduit la visibilité sur les bénéfices réels et empêche d'identifier les leviers de création de valeur. Il rappelle que le maximum d'économie possible est de 100 % du coût, mais que les entreprises qui envisagent l'IA comme moteur d'innovation à moyen terme (1 à 5 ans) peuvent viser une augmentation du chiffre d'affaires plutôt qu'une simple réduction de dépenses.
Modèle de gouvernance à trois niveaux
Face à la méfiance croissante – 41 % des organisations testent ou déploient des IA agentiques sans cadre de gouvernance – Domino propose un modèle en trois couches. La première couche est un moteur de politiques qui filtre chaque projet dès l'initiation, imposant des règles de conformité et de risque. La seconde couche assure une surveillance continue et un traçage des modèles en production, permettant de détecter les dérives ou les hallucinations. La troisième couche repose sur un humain responsable du résultat final, garantissant que les décisions automatisées restent sous contrôle humain. Cette architecture vise à limiter les erreurs de raisonnement que les modèles « reasoning » ne maîtrisent pas encore.
Implications pour l'adoption future
Robinson anticipe que la valeur de l'IA d'entreprise migrera des modèles eux‑mêmes vers leur intégration dans les processus métiers, la gouvernance et les flux de travail. Les fournisseurs de modèles développent des équipes d'ingénierie dédiées à l'implémentation, ce qui indique un déplacement des investissements vers le support opérationnel plutôt que vers la seule amélioration algorithmique. Cette tendance suggère que les organisations devront réorienter leurs budgets vers des plateformes d'orchestration, des outils de suivi de conformité et la formation de personnel capable d'interpréter les sorties d'IA dans des contextes à haute conséquence.
