Chaque ère de la technologie d’entreprise a eu une priorité d’investissement déterminante. Une priorité qui a influencé les budgets, les architectures et les feuilles de route. À la fin des années 1990, c’était le web. Les entreprises se sont empressées de se mettre en ligne, car l’alternative était de se faire dépasser; puis est venue la cloud, qui est passée d’une initiative technologique à une attente pour presque tous les DSI. Aujourd’hui, cette priorité est AI.
L’ampleur de ce changement est considérable. Le marché mondial de l’AI devrait dépasser 1,42 trillion USD d’ici 2032, avec une croissance annuelle d’environ 15 %. L’AI occupe une part toujours 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 plutôt de savoir d’où provient 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’environ 6,7 trillions USD d’investissements dans les centres de données pourraient être nécessaires à l’échelle mondiale d’ici 2030 afin de répondre à la demande en capacité de calcul, les centres de données compatibles AI représentant une part importante de cet investissement.
Cependant, les retours de l’AI se développent encore.
Le sondage McKinsey 2025 State of AI, qui couvre 1 993 répondants dans 105 pays, a révélé que seulement 39 % ont signalé un impact de l’AI sur l’EBIT au niveau de l’entreprise. Parmi ceux qui ont signalé un impact, la plupart ont déclaré l’EBIT des organisations AI.
Voilà qui crée une tension claire. L’adoption de l’AI s’accélère, mais la valeur mesurable pour l’entreprise ne suit pas encore le rythme des investissements. Cela ne signifie pas que les organisations reculent. Elles changent simplement la destination de leurs investissements technologiques.
Un redéploiement, pas un gel.
Le rapport IT Spending Pulse 2025 de BCG met en avant ce changement : les dépenses en AI, GenAI, cloud et sécurité augmentent, tandis que des catégories plus établies comme l’infrastructure serveur, les appareils des utilisateurs finaux, la gestion des systèmes et les opérations informatiques subissent une pression accrue.
Cela représente une réallocation délibérée du capital technologique.
La question pour les responsables TI évolue donc.
Il ne s’agit plus simplement de :
Comment peut-on dépenser moins ?
C’est plutôt :
Comment peut-on libérer davantage de capital pour les technologies et capacités qui offriront la plus grande valeur ?
C’est là que l’optimisation des coûts devient stratégique.
Où vit l’optimisation
Une grande partie de l’opportunité réside dans les leviers d’optimisation TI connus.
Les organisations peuvent ajuster la capacité de calcul au lieu de payer pour une infrastructure rarement utilisée. Elles peuvent déplacer les données peu consultées vers des niveaux de stockage moins coûteux, rationaliser les licences logicielles et éliminer les outils en double. Elles peuvent aussi revoir les portefeuilles applicatifs, l’utilisation de l’infrastructure et la consommation cloud afin d’identifier des dépenses qui n’apportent plus suffisamment de valeur.
Autrefois, 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 provenant de dépenses technologiques à faible valeur ou sous-utilisées, et de le réaffecter à des investissements plus prioritaires.
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.
Alors que l’AI passe de l’expérimentation à la production courante, les organisations doivent gérer le coût des charges AI avec la même rigueur qu’elles ont historiquement appliquée à l’infrastructure et au cloud. C’est là que l’AI FinOps émerge.
L’AI apporte de nouveaux facteurs de coûts que la gestion financière TI traditionnelle n’était pas conçue pour gérer. L’utilisation des GPU et accélérateurs, le choix des modèles, les charges d’entraînement et d’inférence, la consommation de jetons et la fréquence des workloads peuvent tous avoir un effet significatif sur l’économie d’une application AI.
Un cluster de calcul inactif peut représenter un gaspillage important. Le coût de chaque appel d’inférence peut croître rapidement à mesure qu’une application AI prend de l’ampleur. Un modèle performant d’un point de vue technique peut s’avérer économiquement inefficace s’il consomme nettement plus de ressources qu’une alternative.
Cela crée une nouvelle série de questions pour les responsables technologiques :
- Combien est dépensé pour l’entraînement par rapport à l’inférence ?
- Quels modèles et workloads consomment le plus de ressources 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 utiliser un modèle plus gros et plus puissant — et quand un modèle plus petit suffit-il ?
- Quel est le coût d’un workload AI par rapport au résultat d’affaires qu’il génère ?
Ces questions font passer la gestion des coûts de l’AI au-delà de la simple comptabilité de l’infrastructure traditionnelle.
L’objectif n’est plus de comprendre la facture technologique. Il s’agit de comprendre l’économie unitaire de l’AI.
Du coût par workload au coût par résultat
C’est là que l’AI FinOps peut devenir plus stratégique.
L’optimisation technologique traditionnelle se concentre souvent sur des indicateurs comme l’utilisation de l’infrastructure, les coûts de licences ou la consommation cloud. L’AI offre l’opportunité de relier beaucoup plus directement la consommation technologique aux résultats d’affaires.
Par exemple, les organisations peuvent commencer à mesurer le coût d’interactions clients propulsées par l’AI, de transactions automatisées, d’une production générée ou de processus opérationnels, en parallèle de la valeur créée par ces activités.
Cela fait évoluer la discussion de :
« Combien coûte ce workload AI ? »
à :
« Quel résultat d’affaires obtenons-nous pour chaque dollar dépensé dans l’AI ? »
Cette distinction est importante, car l’utilisation de l’AI peut croître rapidement. Sans visibilité sur son économie sous-jacente, une application AI performante peut devenir coûteuse.
Il est donc essentiel de bâtir la visibilité des coûts au sein de l’architecture AI et des modèles d’exploitation avant que les workloads AI n’atteignent une grande échelle, et non après que les coûts deviennent difficiles à contrôler.
L’optimisation devient une stratégie de financement de l’AI.
L’implication pour les DSI et DAF est claire.
L’AI n’a pas nécessairement besoin d’un budget technologique en expansion constante. Elle requiert une approche différente de l’allocation du capital technologique.
Premièrement, les organisations doivent considérer leur parc technologique comme un portefeuille d’investissements. Certains domaines continueront de nécessiter des fonds. D’autres pourraient être candidats à la consolidation, à la modernisation ou à la réduction. Le capital libéré par ces décisions peut alors être redéployé vers les initiatives AI ayant un dossier d’affaires clair.
Deuxièmement, les investissements AI exigent leur propre discipline des coûts. Les organisations doivent comprendre ce qu’elles dépensent, à quel point les workloads sont efficaces et si la valeur générée justifie l’investissement continu.
Cela crée un double agenda d’optimisation :
Optimiser le parc TI existant pour financer l’AI.
Optimiser l’AI elle-même afin que l’investissement génère de la valeur.
Les deux sont nécessaires.
Financer l’avenir intelligemment.
L’AI continuera d’absorber une part croissante des investissements technologiques à mesure qu’elle s’intègre à l’ensemble des fonctions d’affaires. La solution n’est pas de restreindre cet investissement simplement parce que les retours sont encore émergents.
Il s’agit d’être plus intentionnel dans l’allocation du capital technologique.
Les organisations qui tireront le plus profit de l’AI ne seront pas nécessairement celles qui dépenseront le plus. Mais celles qui sauront sans cesse redéployer leur capital vers les occasions à plus forte valeur, tout en gardant une visibilité sur l’économie de ce qui est déjà financé.
L’optimisation des coûts TI devient ainsi plus qu’un exercice de gestion.
Elle devient le mécanisme de financement qui permet aux organisations d’investir dans l’AI aujourd’hui, tout en développant la discipline financière nécessaire pour rentabiliser cet investissement demain.
Références
- Statista, Artificial Intelligence, Worldwide (Market Forecast outlook). https://www.statista.com/outlook/tmo/artificial-intelligence/worldwide/
- 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
- McKinsey & Company, The State of AI (2025 Global Survey, novembre 2025). https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
- 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
