Aller au contenu
Cabinet d'expertise en transformation technologique · ARDIANE Group Innover, sécuriser, réussir

Intelligence artificielle

Composer le budget d'un projet IA, des postes de coût au choix entre construire et acheter

L'essentiel

Le budget d'un projet IA peut se décomposer en six postes : cadrage, données, construction, évaluation, exploitation et conformité, dont une part se dépense une fois et une autre revient tant que le service existe. Management Square décrit ici chaque poste par sa nature et par ce qui le fait varier, puis ce que change le choix entre construire, adapter un modèle existant et acheter un service.

Sommaire de la page

Le budget d’un projet IA se répartit sur deux horizons : celui du projet, qui a une date de fin, et celui du service, qui court jusqu’à son retrait. Le premier porte le cadrage et la construction. Le second porte l’usage du modèle, la réévaluation des réponses et la mise à jour des données.

Ce budget peut se décomposer en six postes : le cadrage, les données, la construction, l’évaluation, l’exploitation et la conformité. Le cadrage et la construction se dépensent pour l’essentiel une fois. L’exploitation revient à chaque période. Les données, l’évaluation et la conformité ont une part de chaque nature. Le poids de chaque poste dépend de l’option retenue : construire, adapter un modèle existant ou acheter un service. Nous décrivons ces postes par leur nature et par ce qui les fait varier, sans montant : un chiffre s’établit projet par projet, à partir d’hypothèses écrites. La mesure des gains fait l’objet de notre article sur le ROI de l’intelligence artificielle.

Les postes du budget d’un projet IA et ce qui les fait varier

Poste Ce qu’il finance Ponctuel ou récurrent Ce qui le fait varier
Cadrage Choix du cas d’usage, relevé du processus actuel, critères de réussite et d’arrêt Ponctuel, repris à chaque extension de périmètre Nombre de directions concernées, degré de description du processus
Données Accès aux sources, préparation, droits, mise à jour du corpus ou des jeux d’exemples Ponctuel pour la préparation, récurrent pour la mise à jour État des sources, nombre de propriétaires, présence de données personnelles
Construction Développement, intégration aux applications, sécurité des accès Ponctuel Nombre d’applications reliées, option d’approvisionnement
Évaluation Jeu de cas de référence, temps des experts du métier, campagnes rejouées Ponctuel pour la constitution, récurrent à chaque changement Fréquence des changements de modèle, de consigne ou de corpus, part de jugement humain
Exploitation Usage du modèle ou capacité de calcul, supervision, support, maintenance Récurrent Volume de demandes, longueur des textes traités, nombre d’appels par réponse
Conformité Classement du système, analyses, documentation, contrôle humain Ponctuel pour l’instruction, récurrent pour la tenue à jour Niveau de risque du système, rôle de l’organisation, données personnelles

Le temps des équipes métier traverse plusieurs lignes : les experts qui constituent le jeu de référence, les responsables qui jugent les réponses, les utilisateurs qui prennent l’outil en main. S’il n’est compté sur aucune ligne, il se prend sur l’activité courante sans avoir été décidé.

Le poste de conformité se chiffre une fois le système classé. Le règlement (UE) 2024/1689 attache ses obligations au rôle de l’organisation et au niveau de risque du système. Ce classement s’instruit au cadrage, avec vos juristes, dans le cadre que décrit notre page sur la gouvernance de l’IA.

La part ponctuelle et la part récurrente de la dépense

La part ponctuelle a la forme d’un budget de projet : un début, une fin, un livrable. La part récurrente commence à la mise en service et se reconduit à chaque exercice, jusqu’au retrait du service.

Pour un service fondé sur un modèle de langage facturé à l’usage, la ligne d’exploitation suit trois grandeurs : le nombre de demandes, le volume de texte lu et produit à chaque demande, compté en jetons, et le nombre d’appels au modèle nécessaires pour une réponse. Ces grandeurs se relèvent dans les traces d’exploitation, selon les pratiques du LLMOps.

Prenons une hypothèse de calcul, qui n’est pas un relevé. Un assistant reçoit 1 500 demandes par jour ouvré et transmet au modèle 4 000 jetons par demande, consigne et passages compris : le volume lu atteint 6 millions de jetons par jour. Si une seconde passe de vérification, de même volume, est ajoutée à chaque réponse, ce volume double sans qu’un utilisateur de plus soit servi. La ligne d’exploitation s’écrit donc comme une formule, dont chaque hypothèse reste visible et se remplace par une mesure dès le pilote.

Lorsque le modèle est hébergé par l’organisation, la formule change : la dépense tient à la capacité de calcul réservée et à l’équipe qui l’exploite, et elle court même lorsque les demandes sont peu nombreuses.

Certaines dépenses récurrentes suivent un événement plutôt que le calendrier. Le fournisseur retire une version du modèle : le jeu de référence est rejoué et la consigne reprise. Une source documentaire est refondue : le corpus est préparé de nouveau. La finalité s’élargit : le classement est réexaminé. Une réserve inscrite au budget évite de traiter chacun de ces événements comme un dépassement.

Reste à désigner la direction qui portera la ligne récurrente une fois le projet clos. Le suivi de cette dépense à l’usage emprunte les pratiques de notre page FinOps : un propriétaire pour chaque coût, et un coût unitaire suivi d’une période à l’autre.

Construire, adapter un modèle existant ou acheter un service

Le choix entre ces options se fait cas d’usage par cas d’usage, selon les critères de notre page stratégie IA. Ce qui suit décrit seulement la manière dont chacune déplace les postes.

Acheter un service, qu’il s’agisse d’une fonction d’IA dans un logiciel déjà en place ou d’un assistant du marché, réduit la construction au paramétrage et à l’intégration. L’exploitation prend la forme d’un abonnement ou d’une facturation à l’usage, fixés par le contrat. Trois postes restent à la charge de l’acheteur : la préparation des données que le service lira, l’évaluation sur ses propres cas, et la conformité attachée à son rôle. Une ligne s’ajoute, celle de la sortie : reprendre ses données et ses paramétrages le jour où le service est remplacé.

Adapter un modèle existant recouvre plusieurs degrés. Une consigne travaillée pèse peu sur la construction. Une recherche documentaire, selon le principe du RAG, grossit le poste des données : le corpus se prépare, puis se tient à jour. L’ajustement du modèle ajoute des exemples à produire, un entraînement et un artefact à réentraîner lorsque le modèle de base change, ce que détaille notre article sur le fine-tuning d’un LLM.

Construire mobilise tous les postes, et y ajoute des compétences à garder dans la durée ainsi qu’une chaîne de mise en production et de surveillance, objet de notre page MLOps et LLMOps.

L’arbitrage que nous proposons se fait sur le coût complet. Une option légère à construire peut devenir lourde à exploiter lorsque le volume croît, puisqu’une facturation à l’usage suit les demandes. Une option lourde à construire peut coûter peu par demande une fois la capacité installée, à condition que cette capacité soit employée. La comparaison demande donc une hypothèse de volume à plusieurs horizons, écrite avant le choix.

Un budget demandé par tranches, hypothèses à l’appui

Nous proposons une méthode : présenter le budget par tranches, chacune assortie d’un critère de poursuite et d’un critère d’arrêt.

La première tranche finance le cadrage et une preuve sur des données réelles : un périmètre de données, un jeu de référence, un prototype mesuré. Elle produit les mesures de volume et de qualité qui manquaient aux hypothèses. La deuxième finance la construction, et n’est engagée qu’au vu de ces mesures. Vient ensuite la ligne d’exploitation, présentée avec sa formule, sa réserve et la direction qui la porte.

Certaines situations justifient de s’en tenir à la première tranche : aucune direction n’accepte de porter la ligne récurrente, l’accès aux données n’est pas acquis, ou le métier ne sait pas encore écrire ce qu’est une bonne réponse. Le budget de construction serait alors demandé sur des hypothèses que rien ne permet de vérifier.

Le premier document à établir est le tableau des postes, rempli pour un seul cas d’usage, avec en face de la ligne d’exploitation ses hypothèses de volume et le nom de la direction qui en répondra.

Insights

À lire sur le sujet

Tous les insights
Un centre d'excellence IA, pour quoi faire et jusqu'à quand ?

Un centre d'excellence IA est une équipe transverse qui met en commun ce que plusieurs projets d'intelligence artificielle n'ont pas intérêt à refaire séparément : compétences rares, socle technique, méthode d'évaluation. Management Square examine ici les questions qu'un comité de direction se pose avant d'en créer un : son utilité, son rattachement, ce qu'il centralise, le risque de goulet et sa durée.

Lire l'analyse
Droits, outils, contenus lus : la sécurité des agents IA telle qu'un RSSI l'interroge

La sécurité des agents IA consiste à borner ce qu'un agent peut atteindre, quelle que soit la décision du modèle : droits réduits à la tâche, liste fermée d'outils, lectures justifiées, contenus lus tenus pour non fiables, trace de chaque appel et arrêt éprouvé. Management Square passe en revue les questions qu'un responsable de la sécurité pose avant d'autoriser un agent, à partir de sources publiques nommées.

Lire l'analyse
Situer la maturité IA d'une entreprise sur des signes observables, puis choisir la suite

La maturité IA d'une entreprise peut se définir comme sa capacité, constatée sur pièces, à conduire un cas d'usage d'intelligence artificielle de l'idée au service exploité, puis à recommencer avec le suivant. Management Square propose ici une grille de diagnostic en cinq dimensions (usages, données, exploitation, encadrement, compétences), avec les signes observables de chaque niveau et la suite qu'ils appellent.

Lire l'analyse

FAQ

Questions fréquentes

Une autre question ? Posez-la-nous

Que comprend le budget d'un projet IA ?

Le budget d'un projet IA peut se décomposer en six postes : le cadrage, les données, la construction, l'évaluation, l'exploitation et la conformité. S'y ajoute le temps des équipes métier, sollicitées pour décrire le processus, juger les réponses et prendre l'outil en main. Chaque poste se chiffre à partir d'hypothèses écrites, propres au projet, sur les volumes, les sources de données et l'option d'approvisionnement retenue.

Quels coûts d'un projet d'IA reviennent après la mise en service ?

L'exploitation revient à chaque période : usage du modèle ou capacité de calcul, supervision, support et maintenance. Trois autres postes gardent une part récurrente : la mise à jour des données, la réévaluation à chaque changement de modèle, de consigne ou de corpus, et la tenue à jour du dossier de conformité. Ces dépenses ne cessent qu'au retrait du service et demandent une direction qui les porte après la clôture du projet.

Acheter un service d'IA revient-il moins cher que construire ?

La comparaison dépend du volume d'usage et de l'horizon retenu. Un service acheté réduit la construction et reporte la dépense sur l'abonnement ou sur la facturation à l'usage, qui croît avec le nombre d'utilisateurs ou de demandes. Une solution construite demande davantage au départ, puis une équipe et une capacité d'hébergement. Les deux options se comparent sur le coût complet, à plusieurs niveaux de volume.

Faut-il prévoir une ligne de conformité dans le budget d'un projet d'IA ?

Oui, pour un montant qui dépend du système. Le règlement (UE) 2024/1689 attache ses obligations au rôle tenu par l'organisation, fournisseur ou déployeur, et au niveau de risque du système ; le RGPD, règlement (UE) 2016/679, s'applique dès que des données personnelles sont traitées. Le classement du système, instruit au cadrage avec les juristes de l'organisation, indique les analyses, la documentation et le contrôle humain à financer.

Un projet à faire aboutir ?

Un premier échange suffit pour situer votre enjeu, identifier les bons interlocuteurs et vous dire franchement ce que nous pouvons apporter.