L’IA d’entreprise passe de l’expérimentation à l’action. Alors que les organisations mettent l’IA en production et l’étendent à l’ensemble de l’entreprise, l’attention se tourne désormais vers la mise à l’échelle et l’impact d’affaires mesurable. Dans ce contexte, les dirigeants doivent savoir si le modèle d’IA résout le bon problème, s’il s’intègre aux processus existants et s’il peut fonctionner de manière économique à l’échelle de l’entreprise.

Notre plus récente étude, Les impératifs de l’impact de l’IA, 2026, illustre la difficulté. Le rapport révèle que 43 % des principaux projets d’IA lancés au cours des 24 prochains mois devraient échouer. En même temps, la période médiane de retour sur investissement attendue pour des initiatives d’IA majeures est d’environ 18 mois.

La plus grande différence entre les initiatives d’IA réussies et celles qui échouent est la présence d’un objectif d’affaires clair dès le départ.

De nombreux prototypes d’IA et preuves de concept fonctionnent bien en environnement contrôlé, mais ne livrent pas une valeur d’affaires mesurable parce qu’ils sont guidés par la technologie plutôt que par les besoins d’affaires.

Ce défi va au-delà du simple choix du bon cas d’utilisation. Les modèles d’IA dépendent de la qualité des données disponibles et de leur capacité à s’intégrer aux systèmes et processus déjà utilisés par l’organisation. Un modèle performant du point de vue technique peut tout de même rencontrer des difficultés en production si les données sous-jacentes sont peu fiables ou si la solution ne peut pas bien s’intégrer aux flux de travail de l’entreprise.

L’étude reflète ces défis opérationnels plus globaux. Parmi les organisations sondées, 40 % citent la coordination interfonctionnelle comme obstacle à l’adoption de l’IA, 39 % ont de la difficulté à arrimer les initiatives d’IA à la stratégie d’affaires, et 34 % rapportent des difficultés à établir des mesures de succès appropriées.

Choisir le bon modèle pour la tâche

L’économie de l’IA d’entreprise fait aussi évoluer la façon dont les organisations considèrent le choix du modèle.

Les grands modèles de langage (LLM) jouent un rôle important lorsqu’un large corpus de connaissances et un raisonnement complexe sont nécessaires. Mais plusieurs charges de travail en entreprise sont plus étroites, répétitives et spécifiques à une industrie, une fonction ou une organisation. Cela vient appuyer de plus en plus l’utilisation de petits modèles de langage (SLM).

On y trouve trois principaux avantages : l’économie des jetons, la confidentialité des données et la différenciation.

Les grands modèles de langage consomment un nombre important de jetons, ce qui rend les applications d’IA d’entreprise à gros volume coûteuses et moins rentables. Les modèles plus petits, adaptés à un domaine particulier, peuvent offrir une performance similaire pour des cas d’utilisation ciblés à un coût bien moindre.

Garder les modèles et charges de travail dans l’environnement propre à l’organisation peut aussi offrir un meilleur contrôle sur les données d’affaires et de clients sensibles. Ceci est particulièrement important lorsque des exigences de confidentialité, de sécurité ou de conformité limitent la façon dont l’information peut être traitée.

Il y a aussi un aspect stratégique. Une organisation qui peaufine ses modèles à partir de ses propres données, processus et connaissances sectorielles peut ainsi créer des capacités d’IA qui reflètent sa propriété intellectuelle, plutôt que de dépendre uniquement des capacités offertes au marché en général.

Selon moi, les SLM offrent le bon équilibre de coût, performance, sécurité et différenciation d’affaires pour la majorité des cas d’utilisation en entreprise.

L’importance de ce choix grandit à mesure que la consommation d’IA augmente. Nos recherches révèlent que 22 % des organisations citent déjà le manque de transparence quant au suivi des coûts et les rythmes de consommation imprévisibles comme un défi technique qui freine l’adoption de l’IA. L’intégration entre plusieurs systèmes d’IA est citée par 30 %, tandis que 29 % évoquent la qualité, la quantité et l’accessibilité des données.

Les entreprises auront besoin de plus d’un modèle

Le choix entre SLM et LLM n’a pas à être binaire.

Les SLM peuvent fonctionner comme un des éléments d’un environnement d’IA plus large qui inclut aussi les modèles plus volumineux, des agents d’IA et des technologies d’orchestration. Les demandes spécialisées peuvent être traitées par de petits modèles, tandis que les tâches plus complexes sont confiées à des modèles à la capacité de raisonnement supérieure.

La capacité de prendre cette décision de façon dynamique devient importante à mesure que le nombre de modèles et de cas d’utilisation croît.

Un élément clé est un routeur intelligent de modèles, qui choisit dynamiquement le modèle le plus approprié en fonction de la complexité de la demande, du contexte d’affaires, de la sensibilité des données et des considérations de coût.

Cela permet aux entreprises d’optimiser la sélection du modèle sans exiger que les employés ou clients choisissent quelle technologie sous-jacente doit traiter chaque demande. Combinée aux agents et aux couches d’orchestration, l’architecture peut répartir le travail selon ce que la tâche requiert, tout en maintenant une expérience utilisateur uniforme.

Cela peut également aider à éviter d’avoir à concevoir une toute nouvelle pile d’IA pour chaque cas d’utilisation. L’évolutivité signifie créer une architecture capable de supporter de multiples applications sans refonte significative ou nouveaux goulots d’étranglement opérationnels.

Cette architecture doit tout de même s’intégrer à l’ensemble du patrimoine technologique. L’IA ne peut fonctionner indépendamment des applications d’entreprise, des plateformes de données, des contrôles de sécurité et de l’infrastructure existante.

Ce point demeure important. Les recherches de HCLTech révèlent que seulement 21 % des répondants considèrent que leur patrimoine de données est modernisé et opérationnel, tandis que les organisations continuent de signaler des difficultés avec l’orchestration des données, la gestion intelligente des données et la consolidation de plateformes.

Intégrer la gouvernance à l’architecture

Le même principe s’applique à la gouvernance. La sécurité, la confidentialité, la conformité et l’IA responsable ne peuvent être considérées comme des aspects distincts à traiter uniquement lorsque le modèle arrive en production.

Ces exigences doivent être intégrées dans l’architecture elle-même, en parallèle avec l’intégration à l’écosystème technologique existant de l’organisation.

La recherche confirme l’importance de cette base. Parmi les organisations interrogées, 90 % affirment que la modernisation des données est importante pour exploiter des systèmes d’IA responsables et conformes, alors que 87 % estiment qu’elle est essentielle pour améliorer la précision et la fiabilité des modèles.

Au fur et à mesure que les entreprises introduiront plus de modèles et des agents de plus en plus autonomes, la gouvernance devra également devenir continue. Les organisations auront besoin de visibilité sur la performance des modèles, leurs coûts, la façon dont ils accèdent aux données et si leur comportement demeure conforme aux balises de sécurité et de conformité établies.

Pour les dirigeants qui prennent aujourd’hui des décisions d’architecture pour l’IA, la priorité doit ultimement être la rigueur, non la seule recherche de l’échelle.

Cela implique de choisir des modèles selon le problème, concevoir en vue de la réutilisation et de la mise à l’échelle, intégrer l’IA aux processus d’entreprise existants et d’imbriquer la gouvernance dans tout l’environnement. À mesure que l’IA devient une composante critique des opérations d’affaires, ces choix d’architecture détermineront de plus en plus si l’expérimentation se transforme en valeur durable.