Il y a un réflexe que je vois revenir dans presque toutes mes missions, sous des formes différentes mais avec la même racine : la conviction qu’il faut de l’IA, partout, tout de suite, faute de quoi on prend du retard. Ce réflexe a un nom, je n’ai pas peur de le dire : c’est du jusqu’au-boutisme. Et comme tout jusqu’au-boutisme, il se pare des habits de la nécessité stratégique pour éviter la seule question qui compte : en a-t-on réellement besoin ?

Je ne suis pas de celles qui pensent que l’IA est un danger existentiel. Je ne suis pas non plus de celles qui pensent qu’elle est la solution à tout. Je suis architecte : mon métier, c’est de faire la différence entre ce qui est nécessaire et ce qui est désirable, entre ce qu’on maîtrise et ce qu’on subit. Et sur l’IA, cette différence se joue avant le choix du modèle — pas après.

La grille, avant l’outil

Voici les questions que je pose, systématiquement, avant toute discussion sur quel LLM, quel agent, quelle plateforme :

Ai-je vraiment besoin d’un LLM pour faire ce dont j’ai besoin ? Ce n’est pas une question rhétorique. Une bonne partie des cas d’usage qu’on m’amène ne nécessitent ni génération de langage, ni raisonnement probabiliste — une règle métier bien pensée et une architecture légère suffisent, avec un coût et un risque sans commune mesure.

Si oui, est-ce que je maîtrise mon besoin, mes processus et mes données ? Un modèle, aussi puissant soit-il, ne compense jamais un besoin mal défini ou des données médiocres. C’est l’ordre qui compte : d’abord la maîtrise du fond, ensuite la sophistication de l’outil — jamais l’inverse.

Ensuite seulement vient le choix du modèle le mieux adapté à son contexte et à son besoin réel — pas le plus impressionnant, pas celui dont tout le monde parle.

Et enfin : suis-je sécurisée ? Ai-je besoin de me sécuriser ? C’est quoi, le risque ? Qu’est-ce que je suis prête à perdre si ça tourne mal, et qu’est-ce que ça me coûte d’y être préparée ?

Cette grille n’est pas un frein à l’innovation. C’est une méthode pour décider sans se bloquer — une approche par les risques qui permet d’avancer avec les yeux ouverts plutôt que de foncer en espérant que ça passe. Parce que si on saute ces étapes, ça coûte cher. Très cher. Et on a le plus grand mal à industrialiser ce qu’on a déployé dans la précipitation.

Ce que ça coûte, concrètement, de ne pas se poser ces questions

Ce n’est pas une posture de prudence pour la prudence. Le AI Trends Report 2026 d’Informa Tech, publié cette année par son Applied Intelligence Group, documente sans le vouloir le prix de l’absence de discernement — et vient, malgré son ton résolument commercial, confirmer chacune de ces quatre questions.

Sur la première — a-t-on vraiment besoin d’un LLM ? — le rapport lui-même acte la fin du modèle unique tout-puissant : « One Model Won’t Cut It ». Les entreprises les plus avancées n’adoptent plus un modèle généraliste, elles orchestrent des chaînes de modèles spécialisés, de couches de retrieval et de guardrails, choisis pour la tâche. C’est le principe de discernement technologique que je défends depuis longtemps, formulé cette fois par un rapport de marché : on n’a pas besoin d’un modèle à 65 milliards de paramètres pour trier des e-mails internes.

Sur la deuxième — maîtrise-t-on le besoin, le process, la donnée ? — le rapport est presque cash : la vraie contrainte n’est pas la performance des modèles, mais la question de savoir si l’organisation a les compétences, les structures et la culture pour bien utiliser l’IA. Les organisations qui réussissent ne partent pas des outils, elles partent de l’intention métier, avec l’IT en soutien plutôt qu’aux commandes. C’est exactement l’inversion que réclame une approche frugale : le besoin d’abord, l’outil ensuite.

Sur la troisième — le choix du modèle — le rapport confirme, en creux, qu’il n’existe pas de bon choix sans les deux premières étapes. Un modèle bien choisi sur un besoin mal posé reste un mauvais choix.

Sur la quatrième — la sécurité et le risque — le rapport donne deux illustrations qui devraient faire réfléchir n’importe quel comité de direction avant de se ruer sur le prochain agent conversationnel. Un salarié d’un établissement basé à Hong Kong a viré 25 millions de dollars après un appel en visioconférence où chaque participant à l’écran — chaque collègue, chaque dirigeant — était un deepfake. Une plateforme crypto a perdu 200 000 dollars et 25 millions de jetons après l’usurpation, en direct sur Zoom, d’un cadre dirigeant de Binance. Dans les deux cas, il y avait un humain présent, attentif, en train de « valider » ce qu’il voyait. Et dans les deux cas, cette validation n’a rien validé du tout, parce que rien dans le système n’était conçu pour la rendre possible. C’est le prix exact de la question qu’on n’a pas posée à temps : c’est quoi, le risque, et suis-je vraiment sécurisée ?

Et sur le coût d’industrialisation — celui qu’on découvre toujours trop tard — le rapport chiffre lui-même ce que l’absence de sobriété produit à l’échelle : les data centres représentaient environ 1,5 % de la consommation électrique mondiale en 2024, un chiffre appelé à plus que doubler d’ici 2030, l’IA étant identifiée comme le principal moteur de cette croissance. Ce n’est pas un détail environnemental en marge du sujet. C’est la démonstration matérielle que l’IA déployée sans discernement a un coût d’infrastructure qui finit, tôt ou tard, par se retourner contre le budget, contre la trajectoire de décarbonation, et contre la capacité même de l’organisation à scaler ce qu’elle a commencé sans compter.

Ce que le rapport ne voit toujours pas

Le rapport s’arrête là où, à mon sens, le travail commence vraiment. Sa réponse à la gouvernance IA se limite à un schéma organisationnel — centraliser le contrôle, décentraliser l’exécution. C’est juste, mais insuffisant : ça ne répond pas à la question de savoir qui encode les valeurs dans ces systèmes, ni à qui, en pratique, on confie le pouvoir de décider à notre place. La souveraineté n’est pas qu’une affaire de localisation des données — elle se joue aussi dans la dépendance silencieuse à la mémoire qu’un fournisseur tiers accumule sur nos organisations, invisible tant qu’elle ne s’est pas transformée en dépendance stratégique. Sur ce point, la grille de décision doit aller plus loin que ce que documente n’importe quel rapport de tendances.

Reposer la question du début

L’IA jusqu’au-boutiste n’est pas une preuve d’audace. C’est souvent l’aveu qu’on n’a pas pris le temps de se poser la première question — la seule qui, en réalité, en conditionne toutes les autres : ai-je vraiment besoin de ça ? Le pragmatisme et la frugalité ne sont pas des postures défensives. Ce sont les seules conditions qui permettent d’avancer vite sans avoir, six mois plus tard, à tout défaire.

Le rapport cité

Informa Tech Applied Intelligence Group, The Future of AI: Top Ten Trends in 2026 — view.ceros.com/informa-tech-applied-intelligence-group/2026-trends-report

Les cas évoqués, vérifiés

  • Le cas de Hong Kong correspond à l’affaire Arup (janvier 2024) : un salarié a effectué 15 virements pour un total de 25,6 millions de dollars après une visioconférence où tous les participants, y compris la direction financière, étaient des deepfakes générés à partir de vidéos publiques.
  • Le cas de la plateforme crypto correspond à l’affaire BlueBenx (2022), victime d’une usurpation par deepfake du responsable de la communication de Binance, Patrick Hillmann, qui a coûté 200 000 dollars et 25 millions de jetons BNX.
  • Les chiffres sur la consommation électrique des data centres (1,5 % de la consommation mondiale en 2024, doublement projeté d’ici 2030, IA comme principal moteur de croissance) proviennent du rapport Energy and AI de l’Agence internationale de l’énergie.

Sources

Une question, un cas similaire vécu sur un projet IA dans votre organisation ? Écrivez-moi : laurence.poussard63@gmail.com

#IA #ArchitectureDEntreprise #Gouvernance #Frugalité #ContinuousArchitecture #Sobriété