Prévenir le dérapage des coûts avec un budget technologique mieux défini

Vous dire de rechercher les pertes d'efficacité dans votre tech stack sans vous donner d'indices ne sert à rien. Ces pertes d'efficacité doivent être identifiées, analysées et traitées. Et c'est ce que nous allons faire ensemble. 

Le cloud peut être inefficace, lorsque les nombreux problèmes de provisionnement excessif, de sous-utilisation et de configuration freinent la productivité. La présence d'outils data inefficaces dans votre environnement (utilisés ou non) impacte les taux d'adoption : la « fatigue technologique » est une réalité. On peut aussi penser au coût d'utilisation des données. Souvent imprévues, ces dépenses consomment impitoyablement les budgets.   

Sans une approche proactive, les initiatives data rencontreront toujours des obstacles, des retards et seront des cibles privilégiées en cas de coupes budgétaires. En tant que leader de la data, vous devez connaître ces zones problématiques et savoir y remédier. 

Heureusement, quel que soit votre secteur, il y a quelques domaines typiques à explorer. Le Scénario du leader de la data qui suit l'illustre parfaitement.

Les outils data, parfait. Des outils fragmentés et redondants, non merci. La solution : tailler dans le vif. 

Selon une étude, près de 70 % des employés perdent plus de 20 heures par semaine à chercher des outils et des informations dispersés dans des silos¹³. Cela semble fou, mais c'est la triste réalité de la fragmentation des outils : les équipes data ont du mal à utiliser les technologies de votre organisation. Ce n'est pas un scoop : les tâches chronophages empêchent d'agir rapidement et de prendre des décisions éclairées. Il suffit de poser la question à l'équipe marketing de Georgia-Pacific. Pire encore, la fragmentation peut entraîner des problèmes de conformité réglementaire si l'entreprise manipule des données confidentielles ou sensibles. 

Quand 25 % des équipes data se plaignent déjà d'avoir du mal à implémenter des outils d'IA¹⁴, la fragmentation ne fait que nuire encore davantage à l'efficacité, ajouter des coûts et entraver l'adoption de l'IA. 

1. Auditez vos données et votre analytics : cherchez les outils qui se recoupent et les redondances entre les départements, qui ont tendance à s'accroître lorsque de nouvelles fonctionnalités et des projets s'ajoutent. Il est rare que les équipes appliquent des règles strictes de qualité et de gouvernance des données, ou qu'elles contrôlent réellement quels outils elles utilisent et comment. Par où allez-vous commencer votre audit ? Consultez les conseils des leaders de la data.

2. Utilisez des solutions de données et d'analytics qui englobent toute l'entreprise : si vous bénéficiez d'une visibilité et d'une évolutivité de bout en bout, les données (structurées ou non) sont plus faciles à atteindre et à interpréter, qu'elles se trouvent dans un lakehouse, un warehouse ou même un open lakehouse. Une solution unique offre des capacités interfonctionnelles, mais ce n'est pas son seul avantage. Elle réduit aussi les frais de maintenance, de licence et d'intégration. Ces économies peuvent être réinvesties dans le recrutement ou la formation continue.

Intéressons-nous maintenant aux pertes d'efficacité dans le cloud. On pense en général aux ressources surprovisionnées, sous-exploitées ou mal configurées. Autrement dit, vous n'utilisez pas (ou pas pleinement) les ressources disponibles ou il vous en manque. Résultat : hausse des coûts, problèmes de performance ou encore failles de sécurité. Chiffre intéressant : en 2024, 78 % des entreprises avaient affecté moins de 75 % de leurs dépenses cloud¹⁵, donc tout effort de gestion dans ce sens vous placera en tête du peloton. 

Le coût des requêtes analytiques mérite qu'on s'y attarde. C'est en effet un domaine caractérisé par une grande variabilité des outils. Certaines solutions mettent en cache et indexent les requêtes en mémoire. Les avantages sont nombreux : cette fonctionnalité minimise le nombre de requêtes envoyées au data warehouse (et donc les frais associés), accélère l'exécution des requêtes, accroît la disponibilité et améliore l'expérience utilisateur.  

Le coût des données augmente constamment, c'est une réalité. Les requêtes d'IA générative, par exemple, consomment énormément de puissance de calcul et exigent d'importants investissements dans l'infrastructure back-end. Si l'on intègre la demande croissante de modèles d'IA générative et agentique, le coût énergétique de l'IA dépassera celui de toutes les autres initiatives IT d'ici 2027¹⁶.

Dans leurs politiques de gouvernance, sujet abordé dans le chapitre 2, certaines entreprises décident d'inclure les coûts énergétiques et des moyens de maîtriser les dépenses incontrôlées. Certaines fonctionnalités de plateforme comme la surveillance en temps réel et les alertes automatiques en cas de consommation anormale peuvent aider à effectuer des audits réguliers et éviter les dépenses excessives. De plus, la plupart des fournisseurs de données proposent aujourd'hui une facturation à l'utilisation, plutôt qu'un forfait fixe par utilisateur et par mois. Si vous n'avez pas encore opté pour ce principe de tarification, parlez-en à votre fournisseur : cela peut vous aider à éliminer des coûts inutiles. 

Les leaders de la data connaissent bien ce dilemme : faut-il chercher la performance quoi qu'il en coûte, ou maîtriser les coûts aux dépens de la performance ? Chez Qlik, nous pensons que vous n'avez pas à choisir.  

L'IA est très gourmande en puissance de calcul, mais beaucoup de modèles ML se dégradent rapidement et coûtent cher à réentraîner. La fragmentation des données décuple les besoins en stockage et les données pour l'IA ne sont pas préparées assez tôt. 

Aujourd'hui, les entreprises essaient de trouver l'équilibre entre rapidité et optimisation des budgets, pas seulement pour réduire les coûts, mais surtout pour bien cibler les investissements et éviter que les équipes surprovisionnent ou dédoublent des ressources. Découvrez comment la société Steinemann aborde cette question dans notre prochain Scénario du leader de la data. 

Comme le montre Steinemann, des entreprises de tout profil adoptent des outils d'IA pour rester compétitives, avec pour conséquence immédiate une hausse des dépenses. Une hausse notable. On ne parle pas seulement des outils d'IA : les coûts du cloud augmentent également. 

Les plateformes cloud sont idéales pour exploiter des modèles d'IA , stocker des datasets volumineux et ajouter de la puissance de calcul à la volée. Elles permettent d'expérimenter et d'évoluer à grande vitesse, mais la facture mensuelle peut être affolante. À mesure que les projets d'IA se développent, des capacités puissantes sont nécessaires, et cela se répercute sur l'utilisation du cloud (et par conséquent, sur son coût). 

Gardez aussi en tête qu'une fois toutes vos données importées, il faudra les préparer pour l'IA, ce qui va sans doute mobiliser d'autres solutions fragmentées et impliquer d'autres frais sauf si, comme chez Steinemann, ces outils sont intégrés.

Dans un monde idéal, vous pourriez fournir n'importe quel dataset à un modèle d'IA et il saurait spontanément séparer le bon grain de l'ivraie. Malheureusement, ce n'est pas (encore) le cas. Pour le moment, les données doivent répondre à un certain nombre de critères pour être immédiatement exploitables par l'IA et permettre de diviser par deux le temps de traitement, soit une économie de 2,5 millions de dollars¹⁸. Nous avons vu au chapitre 2 que les données prêtes pour l'IA doivent répondre à certains critères : diversité, pertinence, précision, sécurité, visibilité et facilité de consommation. 

De toute manière, qui voudrait passer des heures à nettoyer et déplacer des données à la main ? Personne. Les outils dotés de fonctions d'IA low-code ou no-code prennent en charge la majeure partie de cet effort (transformation, suppression des doublons et mise en forme) pour que votre équipe puisse se concentrer sur les insights réellement exploitables. En prime, ces outils réduisent le nombre d'erreurs et accélèrent tout le processus. 

Personne n'aime non plus attendre la fin d'un traitement par batch, surtout lorsqu'on peut obtenir des insights dès l'acquisition des données. Si vous utilisez des outils de streaming comme Kafka ou Kinesis, l'ingestion en temps réel fournira à vos modèles d'IA des données toujours actualisées. Plus rapide, cette approche réduit les coûts de stockage et permet à votre équipe de réagir dans l'instant. 

Enfin, évitez surtout de gaspiller les données. Si toute l'organisation a accès à toutes les données, certains datasets seront certainement dupliqués, et le fait d'interroger le cloud data warehouse va peser sur les coûts de stockage et de calcul. Contrôler les accès en fonction du rôle est une mesure simple et efficace, du moment que chaque équipe a accès aux données dont elle a besoin. Vous éviterez ainsi de payer pour des données inutilisées ou inutiles.

Il y a une chose à savoir à propos de l'optimisation des coûts. Il faut s'en occuper aujourd'hui, il faudra s'en occuper plus tard, et il faudra s'en occuper souvent. Sans cela, la question des coûts risque de redevenir rapidement un problème. 

Mais soyons clairs. Cette stratégie n'est pas qu'une question d'économies. Elle vise à créer un modèle commercial durable du point de vue de l'évolutivité et de la croissance. En effet, sans un plan solide, il est difficile de voir, de comprendre et de composer avec les forces invisibles qui nuisent à l'efficacité des données et de l'IA. 

Notre dernier Scénario du leader de la data met précisément en lumière l'intérêt d'une stratégie budgétaire durable. 

Les workloads d'IA sont insatiables. Si vous ne vous méfiez pas, les modèles peuvent engloutir votre budget avant que vous ayez le temps de réagir. Bien souvent, les équipes mobilisent trop de capacité de calcul ou réentraînent inutilement les modèles sans se demander si cela en vaut vraiment la peine. C'est un peu comme de conduire une voiture de sport dans les embouteillages : impressionnant, mais pas vraiment probant. 

Misez plutôt sur des modèles de prix flexibles avec suivi des coûts et abandonnez les abonnements forfaitaires décorrélés de votre utilisation réelle. Relativement récentes, ces offres basées sur la consommation sont préférées par les organisations qui ne veulent payer que pour ce qu'elles utilisent. Et leur popularité est tout à fait compréhensible : elles apportent une grande flexibilité (et donc de l'évolutivité) sans ajouter de risque. 

Les silos de données sont, eux aussi, dans le viseur. Quand vos pipelines de données et vos outils d'analytics ne sont pas synchronisés, vos systèmes s'enrayent. Vous vous retrouvez à déplacer les mêmes données plusieurs fois de suite et à répéter des requêtes pendant que le coût du shadow IT augmente silencieusement dans l'ombre. Toute cette fragmentation brouille votre vision des coûts et vous empêche d'éviter les frais superflus. 

La solution peut être de rassembler tous vos outils sur une même plateforme pilotée par l'IA, qui vous permettra de créer des tableaux de bord pour suivre en temps réel l'utilisation des données et les dépenses, et repérer les anomalies avant qu'elles ne fassent fondre votre budget. Dans chaque département, vous créerez ensuite des applications pour repérer immédiatement les frais inconnus ou imprévus, et révéler les possibilités de gagner en efficacité dans toute l'entreprise.  

La vérité est que les budgets technologiques sont dispersés : le marketing en détient une partie, l'IT a le sien et même les RH en gardent une portion. C'est ainsi que les coûts s'accumulent. Sans un leadership clair, les dépenses ne sont pas maîtrisées. Chaque équipe investit au hasard et il devient impossible de chiffrer réellement les dépenses. 

Les opportunités se présentent. Saisissez-les en alignant soigneusement vos initiatives d'IA et cloud sur vos objectifs. Veillez à ce que toutes les parties prenantes du projet aient une compréhension approfondie des dépenses liées au développement de l'IA ainsi qu'aux coûts de déploiement du cloud pour le stockage, les logiciels, le transfert de données et les opérations. Vérifiez aussi que vous pouvez mesurer ces dépenses par rapport aux économies réalisées et à la hausse des revenus, entre autres indicateurs.

Restez vigilants. Sinon, les utilisateurs des données (donc toute l'organisation) risquent de dépenser sans compter ou, pire encore, d'impacter la rentabilité, la productivité et la réputation de l'entreprise à tous les niveaux hiérarchiques. 

Mais tout n'est pas perdu. Pour tirer le meilleur parti de vos données, de vos intégrations et de vos initiatives d'IA, vous devez repérer les pertes d'efficacité et planifier vos projets avec soin.