Bon nombre des défis auxquels les organisations font face aujourd’hui avec l’IA sembleront familiers à quiconque a vécu les premières années de l’informatique en nuage, écrit Stephanie Sanchez, directrice de la stratégie chez Grass Valley. La différence, c’est que l’IA avance plus vite, ce qui rend plus important que jamais d’établir les bons modèles d’exploitation avant que la complexité ne s’installe.

On est déjà passés par là.

Pas avec l’intelligence artificielle, bien sûr, mais avec une autre vague technologique arrivée avec un élan similaire, un enthousiasme similaire et beaucoup des mêmes promesses. Il y a vingt ans, l’informatique en nuage a changé la façon dont les organisations construisaient, déployaient et consommaient la technologie. Cela a ouvert la porte à de nouveaux niveaux d’agilité, réduit les barrières à l’innovation et transformé fondamentalement les TI d’entreprise.

Elle a aussi mis en lumière des faiblesses dans la façon dont de nombreuses organisations gouvernaient la technologie, géraient les coûts et prenaient des décisions architecturales. En regardant le rythme d’adoption de l’IA aujourd’hui, je me rappelle ces premières années du cloud.

Dans presque tous les secteurs, les organisations expérimentent de nouveaux modèles, testent de nouveaux outils et identifient des occasions d’améliorer la productivité, d’automatiser les processus et d’accélérer la prise de décision. Dans bien des cas, ils voient une réelle valeur. La rapidité de l’innovation est remarquable.

Le défi, c’est que les modèles d’exploitation évoluent rarement aussi rapidement que la technologie. Durant les premières étapes de l’adoption du cloud, la plupart des discussions portaient sur ce que la technologie rendait possible. Beaucoup moins se concentraient sur la gouvernance, la responsabilité financière ou la flexibilité à long terme. Ces discussions survinrent plus tard, souvent après que les organisations eurent accumulé de la complexité, des coûts inattendus ou des dépendances difficiles à défaire.

Cloud a finalement tenu sa promesse. Mais de nombreuses organisations ont passé des années à s’attaquer à des problèmes qui auraient pu être évités si elles avaient établi les bons cadres plus tôt.

L’IA nous donne l’occasion d’aborder les choses différemment. La question n’est pas de savoir si les organisations devraient adopter l’IA; Cette décision a en grande partie été prise. La question est de savoir si nous pouvons appliquer les leçons tirées des cycles de transformation précédents avant que la complexité ne devienne intégrée.

Prioriser le résultat souhaité
Quand on repense à l’ère du cloud, on a parfois tendance à suggérer que les organisations ont évolué trop rapidement. Je ne pense pas que ce soit ça le problème.

L’innovation exige de l’expérimentation. Les organisations qui attendaient la certitude totale se retrouvaient souvent désavantagées. Les entreprises qui ont le plus bénéficié du cloud étaient généralement prêtes à apprendre en pratiquant. Le vrai défi était que la gouvernance, la reddition de comptes et la visibilité arrivaient souvent après que l’adoption ait déjà évolué.

Le même schéma émerge avec l’IA. Les employés découvrent de nouvelles façons de travailler. Les équipes de développement intègrent l’IA dans les processus de livraison de logiciels, et les unités d’affaires explorent des cas d’utilisation qui auraient semblé irréalistes il y a seulement quelques années.

Rien de tout cela n’est intrinsèquement problématique. Ce qui importe, c’est de s’assurer que les modèles d’exploitation évoluent parallèlement à la technologie.

Les organisations qui créent la plus grande valeur grâce à l’IA ne seront pas nécessairement celles qui déploient le plus d’outils. Ce sont eux qui établiront des liens clairs entre l’adoption de l’IA et des résultats d’affaires mesurables.

Avant de choisir un modèle, de mettre en place une plateforme ou de lancer un programme pilote, les organisations devraient se poser une question simple : quel problème essayons-nous de résoudre?

L’objectif peut être d’améliorer la productivité des employés, d’accélérer le développement logiciel, d’améliorer l’expérience client ou d’accroître l’efficacité opérationnelle. Quel que soit l’objectif, la technologie doit rester liée à un résultat défini.

Sinon, l’expérimentation peut rapidement devenir une « activité sans impact ».

Le choix disparaît plus vite que tu ne le penses
L’une des leçons les plus précieuses de la transformation du nuage a été de comprendre à quel point il peut être difficile de retrouver de la flexibilité une fois que les systèmes, les données et les processus sont étroitement liés à une plateforme particulière.

Le paysage de l’IA évolue à un rythme extraordinaire. Les modèles continuent de s’améliorer, de nouveaux fournisseurs arrivent régulièrement sur le marché, et des capacités qui semblaient différenciées il y a six mois deviennent rapidement monnaie courante. Un modèle qui fonctionne le mieux pour le développement logiciel n’est peut-être pas le meilleur choix pour la création de contenu, la synthèse ou les tâches analytiques.

Cela ne signifie pas que chaque organisation devrait adopter une stratégie multi-modèles dès le premier jour. Cela signifie toutefois que les organisations devraient réfléchir soigneusement avant de créer des dépendances inutiles alors que le marché évolue encore.

La normalisation apporte des avantages. La simplicité a de la valeur. Mais la flexibilité compte aussi. La capacité d’évaluer des alternatives, de s’adapter à l’évolution de l’économie et de choisir le bon modèle pour une charge de travail particulière pourrait s’avérer de plus en plus importante au cours des prochaines années.

Beaucoup d’organisations ont tiré cette leçon au cours de leur parcours dans le cloud. Le même principe s’applique à l’IA.

Créer une visibilité financière avant l’échelle
S’il y a une leçon que tout leader technologique retient de l’adoption du cloud, c’est que la visibilité compte.

Beaucoup d’organisations n’ont développé des approches matures de gestion des coûts cloud qu’après que la consommation ait déjà augmenté de façon significative. À ce moment-là, le défi était souvent la remédiation plutôt que l’optimisation. L’IA présente un risque similaire.

Une poignée de projets pilotes peut rapidement devenir des centaines d’utilisateurs, des milliers d’invitations quotidiennes et une consommation croissante dans plusieurs fonctions d’affaires. Sans visibilité, il devient difficile de comprendre non seulement ce qui est dépensé, mais aussi quelle valeur est créée.

C’est là que l’IA FinOps devient importante. La conversation ne devrait pas se limiter au contrôle des coûts, mais plutôt se concentrer sur la compréhension de la relation entre l’investissement et les résultats.

Les employés terminent-ils les tâches plus rapidement? Les cycles de développement deviennent-ils plus courts? L’expérience client s’améliore-t-elle? Les processus d’affaires deviennent-ils plus efficaces?

L’objectif n’est pas de dépenser moins. Il s’agit de créer la transparence nécessaire pour prendre des décisions éclairées sur l’endroit où l’IA crée de la valeur et où elle ne crée pas. L’innovation fonctionne mieux lorsqu’elle est soutenue par la responsabilité.

Pourquoi l’IA est différente
La comparaison avec le nuage est utile, mais elle a ses limites. Le nuage a transformé l’endroit où la technologie opérait. L’IA commence à influencer la façon dont le travail est réalisé. Cette distinction compte.

L’adoption du cloud a été largement menée par les équipes technologiques. L’IA est adoptée par des employés dans presque toutes les fonctions d’une organisation. Elle influence la prise de décision, la créativité, les interactions avec les clients, le développement logiciel et le travail de connaissances.

Le défi du leadership est donc plus large. Au-delà de la gouvernance technique seule, le succès nécessite de l’éducation, de la gestion du changement, des politiques claires et une compréhension partagée de la place de l’IA au sein de l’organisation.

Surtout, elle exige que les organisations reconnaissent que l’IA n’est pas une initiative technologique autonome, mais une capacité d’affaires.

À Grass Valley, nous voyons l’IA à travers cet angle. Nous ne déployons pas l’IA pour elle-même. L’objectif est d’améliorer le résultat d’un client, d’un employé ou d’une entreprise de façon mesurable. Cela demande de l’expérimentation et aussi de la discipline.

Nous avons besoin de la liberté de tester de nouvelles idées, mais aussi de visibilité sur les coûts, de confiance dans nos cadres de gouvernance et de flexibilité pour nous adapter à mesure que la technologie continue d’évoluer.

Aller de l’avant avec un but
Aucune organisation ne prendra toutes les décisions d’IA correctement; La technologie avance trop vite pour ça. Ce qui importe, c’est de créer un modèle opérationnel qui permette aux organisations d’apprendre, de s’adapter et d’évoluer avec succès au fil du temps.

L’ère du cloud nous a appris que la gouvernance introduite trop tard devient une correction. Il nous a appris que la visibilité devient plus difficile une fois que la complexité s’installe. Il nous a appris que préserver la flexibilité tôt est souvent plus facile que de la récupérer plus tard.

Ces leçons restent pertinentes. Nous avons déjà vu ce type de transformation. La différence, c’est que l’IA évolue plus vite que le nuage ne l’a jamais fait.

En tant que leaders, le défi qui nous attend est d’appliquer ces leçons plus tôt, en équilibrant la rapidité nécessaire pour innover avec la discipline nécessaire pour évoluer.