Contexte et enjeux

Les dépenses d’entreprises en outils d’intelligence artificielle ont explosé, entraînant une pression accrue des actionnaires pour justifier chaque dollar consommé. Les métriques classiques – licences par poste ou nombre de connexions – ne reflètent pas l’impact opérationnel réel, comme le montre le cas d’une société où 92 % des ingénieurs utilisaient l’IA mais où un seul ingénieur absorbait 65 % du budget IA.

Fonctionnement de la plateforme Larridin

Larridin propose ce qu’elle qualifie de première plateforme de mesure de valeur IA. Elle agrège les données d’adoption des outils IA (nombre de requêtes, licences), les métriques de productivité des employés (délais de revue de code, livrables) et les dépenses associées (factures API, coûts des agents autonomes). En suivant les flux de travail complets, le système identifie les points où l’IA génère un gain mesurable et ceux où elle crée de la friction ou du gaspillage budgétaire.

Analyse des données et résultats concrets

Le Engineering AI Impact Report de Larridin, basé sur plus de 1 000 développeurs, révèle que la proportion de pull‑requests assistés par l’IA est passée de 35 % en avril à 62 % en septembre. Paradoxalement, le temps moyen d’attente en revue de code a augmenté de plus de 50 % sur la même période, indiquant un goulet d’étranglement en aval. Un autre client a découvert, grâce à la plateforme, un écart de coût de 66 fois entre deux outils de codage IA utilisés pour des tâches similaires, ce qui a conduit à la résiliation du contrat du produit le plus cher sans perte de productivité.

Implications et limites

Ces observations confirment que la simple mesure du volume d’usage IA est insuffisante. En liant chaque dépense à un indicateur de résultat, Larridin permet aux dirigeants de prioriser les investissements et d’optimiser les processus automatisés. Toutefois, la fiabilité dépend de l’intégrité des données d’entrée – notamment la précision des rapports de temps et des factures API – et de la capacité des entreprises à déployer les agents de collecte à grande échelle. Le modèle actuel repose également sur des enquêtes internes, ce qui peut introduire un biais de déclaration.