Dans la plupart des organisations financières en ce moment, deux documents ne sont séparés que de quelques clics. L'un est l'argumentaire qui a justifié l'investissement dans l'IA. L'autre est la facture. Ils ne concordent pas, et l'écart se creuse d'une manière que personne n'avait modélisée.
Selon Gartner, les estimations des coûts de l'IA dans de nombreuses entreprises ont été erronées de 500 à 1000 %, et l'on s'attend à ce que plus de la moitié des projets pilotes d'IA soient abandonnés d'ici 2028 en raison de dépassements de coûts imprévus. Un écart de cette ampleur indique que le problème ne se limite pas aux erreurs d'approvisionnement, mais touche la structure des coûts elle-même.
Pourquoi la courbe des coûts perturbe le modèle
Les coûts d'expérimentation sont limités. Les coûts de déploiement sont limités. L'utilisation continue (tokens, calcul, pipelines de données, réentraînement) augmente avec l'adoption, et le succès accélère cette croissance.
Cela inverse la relation entre utilisation et coût unitaire que les services financiers ont l'habitude de prendre en charge. Une application sous licence devient moins chère par utilisateur à mesure que le nombre d'utilisateurs augmente. Un déploiement d'IA qui analyse la même question analytique à chaque requête devient plus cher par réponse à mesure que l'adoption progresse.
L'avertissement de Gartner aux directeurs financiers qui appliquent l'ancienne stratégie technologique est sans détour : les hausses annuelles de 2 % à 3 % des coûts de main-d'œuvre que vous aviez prévues sont remplacées par des hausses de 8 % à 10 % des coûts du cloud et des fournisseurs.
La majeure partie de ces dépenses se justifie selon ses propres critères. Quelqu'un a posé une question raisonnable et obtenu une réponse fluide. Rien n'a échoué. Le coût s'est simplement accumulé sans responsable.
Pourquoi le retour est si difficile à percevoir
Placez maintenant le deuxième document à côté du premier. Gartner constate que 84 % des directeurs financiers peinent à mesurer le retour sur investissement de l'IA, et que moins d'un responsable financier sur six dispose d'une méthode qui donne des résultats reproductibles. L'enquête 2025 de BCG, menée auprès de plus de 280 cadres financiers expérimentés, situe le retour sur investissement médian dans la fonction Finance à 10 %, environ un tiers d'entre eux faisant état de gains limités, voire inexistants. L'enquête 2026 de Deloitte sur les tendances en finance apporte des précisions : 63 % des responsables financiers interrogés ont pleinement déployé l'IA, tandis que 21 % font état d'un retour sur investissement clair et mesurable.
L'interprétation habituelle est que les pratiques de mesure doivent rattraper leur retard par rapport au déploiement. Il existe également une raison structurelle, et c'est la même raison pour laquelle la courbe des coûts dérape.
Vous ne pouvez mesurer que ce qui se répète. Lorsqu'un système d'IA reconstruit l'analyse chaque fois qu'on le lui demande, il n'existe aucune unité de travail stable à utiliser comme référence. Le résultat varie en fonction de la formulation de la question. Deux personnes qui posent la même question au cours de la même semaine obtiennent des réponses suffisamment différentes pour que cela compte, et personne ne peut dire laquelle est juste ni ce qui a changé entre les deux. Dans ces conditions, comparer le trimestre en cours au trimestre précédent aboutit à un récit, pas à un chiffre.
L'analyse de Bain sur les domaines où l'IA fonctionne déjà dans la finance aboutit à la même contrainte, mais par un autre biais : la limite tient aux données qui fournissent le contexte plutôt qu'au coût du calcul. Les recommandations de Bain concernant l'évaluation des résultats sont tout aussi précises. Mesurez l'impact sur les résultats de l'entreprise, et non sur les prompts utilisés ou les heures économisées.
Ce qui change lorsque la logique est encadrée
La logique métier est définie par la finance, et non déduite par l'IA. Lorsque la règle de rapprochement, la méthodologie d'allocation, le seuil de matérialité et la logique de gestion des exceptions résident dans des workflows régis, chaque requête d'IA fait appel à une logique qui existe déjà et qui a déjà été validée.
Deux éléments en découlent. L'analytique complexe s'exécute au sein du workflow plutôt que dans le modèle, ce qui remplace les dépenses en jetons qui augmentent avec la curiosité de l'organisation par une exécution prévisible et gouvernée. Et les réponses deviennent comparables, car la même logique approuvée produit la même réponse contrôlée sur les données actuelles, quelle que soit la façon dont la question a été formulée.
La comparabilité est ce qu'exige une base de référence, et celle-ci est accompagnée de la piste d'audit : quelles données ont été utilisées, quelles règles ont été appliquées, qui a approuvé le résultat. Une affirmation de productivité formulée de cette manière est une affirmation qu'un contrôleur approuvera.
C'est là le contenu concret de la norme à laquelle l'IA doit satisfaire dans la finance. Visible, compréhensible, reproductible, auditable : ce que nous appelons le cadre VURA. Dans une discussion sur la mesure, reproductible pèse de tout son poids. Cela fait la distinction entre un projet pilote ayant permis une bonne semaine et un workflow ayant généré un chiffre que vous pouvez défendre en conseil d'administration.
La mise à l'échelle est une décision de portefeuille
La gestion de portefeuille ne fonctionne que si les unités peuvent être comparées entre elles. Les workflows sous gouvernance se comparent facilement. L'utilisation ponctuelle de l'IA produit une unité de travail différente à chaque cycle, ce qui explique pourquoi les organisations où l'activité liée à l'IA est la plus importante sont souvent celles qui sont le moins capables de dire ce que cela leur a rapporté.
La question à se poser lors de la prochaine revue de l'IA n'est donc pas le nombre de cas d'usage en production ni le montant total des sommes engagées. Demandez combien coûte l'exécution du deuxième workflow une fois que le premier fonctionne, et si la réponse qu'il a produite ce mois-ci peut être comparée à celle qu'il a produite le mois dernier. Deux réponses fiables signifient que vous avez quelque chose à mettre à l'échelle. Deux réponses floues signifient qu'un déploiement plus important aggravera le problème de mesure, sur une courbe de coûts qui ne profite à personne.
Les équipes financières qui maîtrisent cet aspect finissent par aboutir à quelque chose de véritablement différent : une fonction où les processus de clôture et de prévision s'exécutent en continu, parce que la logique sous-jacente est suffisamment stable pour qu'on puisse lui faire confiance sans devoir la reconstruire à chaque cycle. Cette destination est accessible. C'est le fait de dépenser plus rapidement qui le retarde.