Le moteur de financement de l’IA : pourquoi l’optimisation des coûts TI devient une priorité stratégique

Découvrez comment l’optimisation stratégique des coûts TI et l’AI FinOps aident les organisations à financer l’innovation en IA, à accroître l’efficacité et à maximiser la valeur commerciale des investissements en IA.
6 min de lecture
Manish Rane
Manish Rane
Directeur adjoint, Groupe de gestion de produits, Services infonuagiques hybrides, HCLTech
6 min de lecture
Le moteur de financement de l’IA : pourquoi l’optimisation des coûts TI devient une priorité stratégique

Chaque ère de la technologie d’entreprise a été marquée par une priorité d’investissement clé. Un élément qui oriente les budgets, les architectures et les feuilles de route vers lui. À la fin des années 1990, c’était le web. Les entreprises se sont ruées pour être présentes en ligne car l’alternative était de se faire distancer, puis est arrivé , qui est passé d’une initiative technologique à une attente pour presque tous les DSI. Aujourd’hui, cette priorité, c’est .

L’ampleur du changement est significative. Le marché mondial de l’AI devrait dépasser 1,42 mille milliards $US d’ici 2032, avec une croissance à près de 15 % par an. L’AI occupe une part de plus en plus importante des budgets technologiques, mais la question la plus importante n’est pas simplement de savoir combien les organisations dépensent pour l’AI. Il s’agit de savoir d’où vient cet argent et si la valeur créée suit le rythme de l’investissement.

L’écart de valeur crée un défi de financement.

L’infrastructure nécessaire pour soutenir l’AI est substantielle. McKinsey estime qu’un investissement mondial d’environ 6,7 mille milliards $US dans des centres de données pourrait être nécessaire d’ici 2030 pour répondre à la demande de capacité de calcul, les centres de données adaptés à l’AI représentant une part importante de cet investissement.

Pourtant, les retombées de l’AI sont encore en développement.

L’enquête McKinsey 2025 State of AI, menée auprès de 1 993 répondants dans 105 pays, a révélé que seulement 39 % ont constaté un impact de l’AI sur l’EBIT au niveau de l’entreprise. Parmi ceux qui signalent un impact, la plupart mentionnent l’EBIT des organisations AI.

Cela crée une tension évidente. L’adoption de l’AI s’accélère, mais la valeur mesurable pour l’entreprise ne suit pas encore l’ampleur des investissements. Cela ne signifie pas que les organisations font marche arrière. Elles réorientent plutôt les dépenses technologiques.

Une reconfiguration, pas une gelée.

Le BCG 2025 IT Spending Pulse met en lumière ce changement : les dépenses en AI, , cloud et augmentent, tandis que les catégories plus établies comme l’infrastructure de serveurs, les appareils des utilisateurs finaux, la gestion des systèmes et les opérations informatiques subissent plus de pression.

Il s’agit d’une réaffectation délibérée du capital technologique.

La question pour les responsables TI évolue donc.

Il ne s’agit plus simplement de :

Comment dépenser moins ?

C’est maintenant :

Comment libérer davantage de capital pour les technologies et les capacités qui généreront la plus grande valeur ?

C’est ici que l’optimisation des coûts devient stratégique.

Là où l’optimisation prend vie

Une grande part de l’opportunité réside dans des leviers d’optimisation TI déjà connus.

Les organisations peuvent dimensionner adéquatement la capacité de calcul au lieu de payer pour une infrastructure rarement utilisée. Elles peuvent déplacer les données rarement consultées vers des niveaux de stockage à moindre coût, rationaliser les licences logicielles et éliminer les outils redondants. Elles peuvent aussi revoir les portefeuilles applicatifs, l’utilisation de l’infrastructure et la consommation cloud pour repérer les dépenses qui ne génèrent plus de valeur suffisante.

Dans le passé, l’optimisation était souvent associée à la réduction du budget TI. À l’ère de l’AI, l’objectif est de plus en plus de libérer du capital issu de dépenses technologiques à faible valeur ou sous-utilisées et de le réinvestir dans des priorités d’investissement plus élevées.

Cela signifie que l’optimisation doit être directement liée à la stratégie d’investissement technologique de l’organisation.

La prochaine frontière, c’est l’AI elle-même.

À mesure que l’AI passe de l’expérimentation à la production quotidienne, les organisations doivent gérer le coût des charges de travail AI avec la même discipline que celle historiquement appliquée à l’infrastructure et au cloud. C’est ici que la gouvernance financière de l’AI (« AI FinOps ») s’impose.

L’AI introduit de nouveaux facteurs de coût que la gestion financière TI traditionnelle n’était pas conçue pour gérer. L’utilisation des GPU et accélérateurs, la sélection des modèles, les charges de travail d’entraînement et d’inférence, la consommation de jetons et la fréquence des charges de travail peuvent tous influencer significativement l’économie d’une application AI.

Un cluster de calcul inactif peut représenter un gaspillage important de dépenses. Le coût de chaque appel d’inférence peut s’accumuler rapidement au fur et à mesure que l’application AI prend de l’ampleur. Un modèle performant sur le plan technique peut néanmoins être inefficace sur le plan économique s’il consomme bien plus de ressources de calcul qu’une alternative.

Cela soulève une nouvelle série de questions pour les responsables technologiques :

  • Quelle part est consacrée à l’entraînement par rapport à l’inférence ?
  • Quels modèles et charges de travail consomment le plus de capacité de calcul ?
  • Avec quelle efficacité les accélérateurs sont-ils utilisés ?
  • Quel est le coût de l’exploitation d’une application AI à grande échelle ?
  • Quand une organisation doit-elle privilégier un modèle plus grand et plus performant — et quand un modèle plus petit suffit-il ?
  • Quel est le coût d’une charge de travail AI par rapport aux résultats d’affaires obtenus ?

Ces questions portent la gestion des coûts d’AI au-delà de la comptabilité classique de l’infrastructure.

L’objectif n’est plus de comprendre la facture technologique. Il s’agit de comprendre l’économie unitaire de l’AI.

Du coût par charge de travail au coût par résultat

C’est ici que la gouvernance financière de l’AI (« AI FinOps ») peut devenir plus stratégique.

L’optimisation technologique traditionnelle est souvent axée sur des indicateurs comme l’utilisation de l’infrastructure, le coût des licences ou la consommation cloud. L’AI offre la possibilité de lier beaucoup plus directement la consommation technologique aux résultats d’affaires.

Par exemple, les organisations peuvent commencer à mesurer le coût des interactions clients assistées par l’AI, des transactions automatisées, des résultats générés ou des processus d’affaires parallèlement à la valeur créée par ces activités.

Cela change la discussion de :

« Combien coûte cette charge de travail AI ? »

à :

« Quel résultat d’affaires obtenons-nous pour chaque dollar investi en AI ? »

Cette distinction est importante, car l’utilisation de l’AI peut croître très vite. Sans visibilité sur son économie sous-jacente, une application AI à succès peut rapidement devenir coûteuse.

Intégrer la visibilité des coûts à l’architecture AI et aux modèles d’exploitation doit donc se faire avant que les charges de travail AI ne prennent de l’ampleur, non une fois que les coûts deviennent difficiles à contrôler.

L’optimisation devient une stratégie de financement de l’AI.

L’implication pour les DSI et les chefs des finances est claire.

L’AI ne nécessite pas forcément un budget technologique sans cesse croissant. Elle requiert une approche différente dans l’allocation du capital technologique.

D’abord, les organisations doivent considérer leur patrimoine technologique comme un portefeuille d’investissements. Certains domaines continueront d’exiger un financement. D’autres peuvent être candidats à la consolidation, la modernisation ou la réduction. Le capital libéré par ces décisions pourra alors être réorienté vers des initiatives AI ayant un dossier d’affaires clair.

Ensuite, les investissements en AI nécessitent leur propre discipline de coût. Les organisations doivent comprendre ce qu’elles dépensent, quelle efficacité ont leurs charges de travail et si la valeur d’affaires obtenue justifie la poursuite de l’investissement.

Cela crée un programme d’optimisation à deux volets :

Optimisez le patrimoine TI existant pour financer l’AI.

Optimisez l’AI elle-même afin d’assurer que l’investissement génère de la valeur.

Les deux sont nécessaires.

Financer l’avenir intelligemment.

L’AI continuera à absorber une part croissante des investissements technologiques à mesure qu’elle s’intègre dans les fonctions d’affaires. La réponse n’est pas de restreindre cet investissement simplement parce que les retombées sont encore émergentes.

Il s’agit plutôt d’orienter plus délibérément l’allocation du capital technologique.

Les organisations qui tireront le plus profit de l’AI ne seront pas nécessairement celles qui dépensent le plus. Ce seront celles capables de rediriger continuellement le capital vers les occasions à plus forte valeur, tout en gardant une visibilité sur l’économie de ce qu’elles financent déjà.

Cela fait de l’optimisation des coûts TI plus qu’un simple exercice de gestion des coûts.

Elle devient le mécanisme de financement qui permet aux organisations d’investir dans l’AI aujourd’hui, tout en établissant la discipline financière nécessaire pour que cet investissement porte ses fruits demain.

Sources

  1. Statista, Artificial Intelligence, Worldwide (Market Forecast outlook). https://www.statista.com/outlook/tmo/artificial-intelligence/worldwide/
  2. McKinsey & Company, The cost of compute: A $7 trillion race to scale data centers (Avril 2025). https://www.mckinsey.com/industries/technology-media-and-telecommunications/our-insights/the-cost-of-compute-a-7-trillion-dollar-race-to-scale-data-centers
  3. McKinsey & Company, The State of AI (2025 Global Survey, Novembre 2025). https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
  4. Boston Consulting Group, IT Spending Pulse: AI Agents and GenAI Reshape Priorities (Avril 2025). https://www.bcg.com/publications/2025/ai-shifts-it-budgets-to-growth-investments
Partager sur
DFS Cloud hybride Blogues Le moteur de financement de l’IA : pourquoi l’optimisation des coûts TI devient une priorité stratégique