Près d’un dirigeant d’entreprise sur trois a des difficultés à comprendre les coûts opérationnels de l’IA alors que les organisations déploient l’IA à plus grande échelle. C’est ce qui ressort d’une étude mondiale de KPMG.
Selon une enquête de KPMG menée auprès de 2 145 hauts dirigeants d’entreprise dans vingt pays, 29 % peinent à évaluer et à maîtriser les coûts opérationnels de l’IA. Un tiers cite également une compréhension limitée de l’économie de l’IA comme un obstacle majeur au déploiement des agents d’IA.
Le défi s’accentue alors que les fournisseurs d’IA passent de plus en plus souvent d’abonnements fixes à un modèle à la consommation. Anthropic, OpenAI et GitHub facturent de plus en plus certains services sur la base de l’utilisation effective. Selon KPMG, les entreprises doivent donc apprendre à mieux prévoir, suivre et gérer le coût de leurs applications d’IA.
Les investissements sont examinés de plus près
L’augmentation des coûts pousse les organisations à adapter plus fréquemment leurs plans en matière d’IA. Près de la moitié des entreprises interrogées ont retardé ou redessiné des projets d’IA parce que le rendement attendu ne compensait plus les coûts. Selon KPMG, cela ne signifie pas que les entreprises ont moins confiance en l’IA. Les organisations choisissent surtout de concentrer leur budget sur des applications qui apportent une valeur ajoutée claire. Les modèles d’IA moins coûteux offrant des performances comparables gagnent donc rapidement en popularité.
Parallèlement, les hyperscalers continuent d’investir massivement dans l’infrastructure d’IA. Amazon consacre environ 200 milliards de dollars aux investissements cette année, principalement pour construire des capacités d’IA supplémentaires dans les centres de données AWS. Microsoft investirait environ 190 milliards de dollars et crée par ailleurs une nouvelle organisation pour permettre aux clients de développer plus rapidement des solutions d’IA. Outre les coûts, la gouvernance de l’IA reste un défi. KPMG souligne que des accords clairs sont nécessaires sur la responsabilité des décisions relatives à l’IA, sur la manière dont les résultats de l’IA sont contrôlés et sur l’identité de celui qui intervient lorsque les systèmes commettent des erreurs.
