Le paradoxe du retour sur investissement de l'IA : pourquoi les modèles généralistes et les ERP traditionnels ruineront votre budget

En octobre 2025, Deloitte a publié un rapport confirmant ce que tout consultant devrait savoir depuis un certain temps déjà : les entreprises investissent des milliards de dollars dans l’intelligence artificielle générative, mais le retour sur investissement promis reste encore très difficile à atteindre.

Nous nous attendions à ce que l'IA automatise instantanément nos systèmes d'entreprise et réduise drastiquement nos coûts opérationnels. Au lieu de cela, les dirigeants constatent une explosion des factures logicielles, des programmes pilotes au point mort et un manque flagrant de valeur ajoutée tangible. Le marché est manifestement encore dans la confusion, et la récente panique autour des modèles économiques SaaS témoigne de cette profonde incertitude.

Si votre entreprise peine à rentabiliser ses nouvelles initiatives en IA, le problème ne réside pas dans le concept même d'intelligence artificielle, mais plutôt au niveau de la production.

À mon avis, nous assistons actuellement à une grave inadéquation architecturale. Les organisations commettent deux erreurs simultanément : elles achètent le mauvais type de solutions d’intelligence et tentent de les intégrer au mauvais type de logiciel.

Permettez-moi de vous expliquer précisément où je vois votre budget IA s'effondrer et comment je pense que vous pouvez inverser la tendance en repensant entièrement votre approche des systèmes d'entreprise.

Illusion du cerveau universel

Au cours de mes récentes expériences, j'ai constaté un instinct récurrent et dangereux : la pulsion de rechercher les modèles d'IA les plus imposants et les plus célèbres du marché. De mon point de vue, la plupart des gens semblent se focaliser exclusivement sur les grands modèles de langage généralistes (LLM), dotés de milliards de paramètres et de capacités universelles toujours plus vastes.

Ne vous méprenez pas, je pense que ces modèles généralistes massifs sont indéniablement fantastiques pour de nombreuses applications grand public.

Cependant, ma vision de l'avenir des technologies d'entreprise est bien différente. Dans mon travail quotidien, je constate constamment que ces domaines requièrent des compétences totalement différentes.

Je partage entièrement l'avis de Yann LeCun, , lorsqu'il souligne que ces vastes modèles logiques ne possèdent aucune compréhension intrinsèque du monde physique. Ce ne sont que des moteurs probabilistes conçus pour prédire le prochain mot logique. À mon sens, il est totalement absurde de s'acharner à créer des modèles avec toujours plus de paramètres si l'objectif est d'exécuter une logique métier très spécifique.

Si vous demandez à un juriste généraliste d'optimiser le flux de marchandises en cross-docking dans un entrepôt à forte activité, ou de recalculer une nomenclature complexe suite à une pénurie soudaine de composants, je peux vous garantir que vous vous exposez à des difficultés. La réponse pourrait sembler irréprochable sur le plan grammatical et témoigner d'une assurance déconcertante, mais j'ai constaté par moi-même que cette même solution est souvent soit matériellement impossible à mettre en œuvre, soit financièrement catastrophique.

Je crois que le véritable retour sur investissement dans les logiciels d'entreprise ne réside pas dans une connaissance généraliste couvrant des milliards de paramètres, mais dans une hyperspécialisation.

La solution à ce gaspillage de ressources me paraît évidente : le modèle de langage simplifié (SLM). Un SLM fonctionne généralement avec moins de 10 milliards de paramètres et est entraîné sur des jeux de données de haute qualité, soigneusement sélectionnés. Au lieu d'avoir une connaissance superficielle de tout ce qui existe sur Internet, un SLM est conçu pour tout connaître d'un domaine spécifique.

Si une entreprise envisage de déployer une solution SLM localisée, elle en prend véritablement le contrôle. Vos données confidentielles restent à jamais dans votre périmètre de sécurité. Vous bénéficiez d'un agent hautement spécialisé qui comprend les contraintes physiques et logistiques de vos opérations spécifiques, tout en consommant une fraction de la puissance de calcul et des coûts d'API requis par les géants du cloud.

Le piège du châssis sur mesure

L'acquisition du modèle d'IA adéquat et spécialisé ne résout que la moitié du problème. La seconde raison majeure expliquant la difficulté à obtenir des résultats concrets en matière d'IA réside dans l'environnement où cette intelligence est déployée.

Comme je l'ai longuement expliqué dans mon précédent article, «Le tueur d'IA : pourquoi les données corrompues ruineront votre agent», une dure réalité menace l'IA d'entreprise : on ne peut pas installer un moteur Ferrari ultra-performant dans un châssis rouillé de trente ans et espérer un miracle.

Historiquement, les entreprises arboraient fièrement leurs systèmes ERP sur site, fortement personnalisés. Aujourd'hui, cette personnalisation extrême constitue une prison technologique intrinsèquement remplie de données corrompues.

L'IA apprenant exclusivement à partir de données historiques, la nourrir avec dix ans de données obsolètes ne fait que amplifier vos inefficacités à une vitesse fulgurante. Ce infernal de données erronées et de résultats catastrophiques explique précisément pourquoi les entreprises paient le prix fort pour des logiciels d'IA sans obtenir le moindre retour sur investissement.

Informations exploitables pour les dirigeants d'entreprise

Si vous êtes CEO, directeur financier ou responsable informatique chargé de justifier votre budget actuel en matière d'IA ou de planifier votre prochaine migration ERP, voici les étapes pratiques que vous devez suivre pour obtenir un retour sur investissement mesurable.

1. Convertissez vos personnalisations principales : cessez de considérer votre ERP comme une pièce unique. Convertissez activement vos personnalisations existantes en extensions. Bien que l’IA puisse techniquement lire les tables personnalisées, elle ne dispose pas du pré-entraînement sémantique nécessaire pour comprendre vos champs spécifiques, ce qui entraîne des cycles de réentraînement coûteux, voire des interprétations erronées. En déplaçant la logique personnalisée vers des extensions externes pilotées par API, votre base de données principale reste standardisée et immédiatement compréhensible par l’IA.

2. Privilégiez les modèles de langage simplifiés : cessez de vous préoccuper du modèle le plus complexe publié cette semaine par les géants de la tech. Commencez plutôt à évaluer les modèles à pondération ouverte, facilement paramétrables pour votre secteur d’activité. Calculez le retour sur investissement d’un modèle de langage simplifié hébergé dans votre propre environnement (sur du matériel local dédié ou dans un cloud privé comme AWS) par rapport aux coûts récurrents et imprévisibles de la location de jetons d’API généralistes.

3. Effectuez une migration de données « nettoyage » : avant de lancer un programme pilote d’IA, il est impératif de faire le ménage dans vos données. Lors de la migration vers un ERP cloud moderne, soyez intransigeant avec vos données historiques. Ne migrez pas quinze ans de factures clôturées ni de codes fournisseurs obsolètes. Archivez ces informations dans un lac de données distinct et utilisez la BI générative pour les interroger au besoin. Importez uniquement vos données de référence actives, vos transactions en cours et vos soldes d’inventaire actuels dans le nouveau système. Un rapport signal/bruit élevé est la condition essentielle à la précision de l’IA. Pour approfondir le sujet, consultez le guide de migration.

Mon avis final

Le paradoxe du retour sur investissement mis en lumière par Deloitte constitue un signal d'alarme indispensable pour l'ensemble du secteur technologique. Il nous rappelle que le simple fait de souscrire à un abonnement au dernier logiciel à la mode ne transforme pas comme par magie une organisation en une machine de guerre autonome.

Une véritable intelligence d'entreprise exige une rigueur architecturale sans faille. Le marché assistera sans aucun doute à une élimination des entreprises qui tentent d'imposer une IA généraliste pour corriger leurs processus hérités défaillants. En revanche, les organisations qui associent la spécialisation pointue des Small Language Models à l'agilité standardisée de l'extensibilité des ERP Cloud cesseront enfin de courir après les tendances éphémères. Elles bâtiront les fondations nécessaires à la création d'une valeur réelle et exponentielle au sein même des unités de production.

Écrit par Andrea Guaccio 

28 mars 2026