Une idée s'installe dans les comités de direction, et elle est solide : les outils d'intelligence artificielle générative se banalisent. Les modèles se rapprochent, les prix baissent, les fonctions se ressemblent. Ce qui coûtait cher et distinguait en 2024 se vend désormais dans un abonnement que votre concurrent a signé aussi.
La conclusion qu'on en tire est presque toujours la même : puisque le génératif devient une commodité, l'avantage se déplace vers le prédictif. Il faut donc aller chercher plus loin, vers des modèles qui anticipent plutôt que des modèles qui rédigent.
Ce raisonnement est juste dans sa prémisse et faux dans sa conclusion.
Ce qu'une commodité ne dit pas
Une commodité, en économie, est un bien interchangeable dont le prix est le seul critère de choix. L'électricité en est une. Le ciment, à qualité donnée, en est une.
Or une commodité ne dit jamais deux choses, et ce sont précisément celles qui décident du résultat : elle ne dit pas qui possède la matière qu'on y fait passer, ni qui décide de ce qu'on en fait.
2 entreprises qui achètent la même électricité n'obtiennent pas la même production. 2 entreprises qui achètent le même modèle n'obtiennent pas la même valeur. La différence n'est pas dans le fournisseur, elle est dans ce qu'on lui donne à traiter et dans ce qu'on décide de faire de ce qu'il rend.
C'est pour cette raison que la banalisation des outils ne redistribue pas l'avantage vers une technologie plus avancée. Elle le déplace vers ce qui n'est pas achetable.
Le prédictif ne contourne pas la question, il la durcit
L'argument du déplacement vers le prédictif suppose qu'un modèle qui anticipe serait moins banalisable qu'un modèle qui rédige. C'est douteux techniquement, et surtout, cela passe à côté de ce qui rend le prédictif difficile.
Un modèle prédictif vaut exactement ce que valent deux choses. D'abord les données qu'il lit : leur historique, leur fiabilité, leur cohérence dans le temps, leur documentation. Ensuite la décision qu'on lui confie : ce qu'on l'autorise à déclencher, et ce qui reste soumis à un arbitrage humain.
Aucune de ces deux conditions ne s'achète. La première se construit sur des années, souvent sans qu'on l'ait voulu, et beaucoup d'entreprises découvrent en voulant l'exploiter que leurs mesures n'ont jamais été conservées dans un état utilisable. La seconde ne se construit pas du tout : elle se décide, en comité, et elle engage.
Le prédictif ne permet donc pas d'échapper à la question de la gouvernance. Il la rend plus coûteuse à éluder, parce qu'une prévision fausse produit une décision fausse, et qu'il faudra l'expliquer.
Quand l'outil devient une commodité, ce qui reste rare n'est pas la technologie suivante. C'est la capacité d'une direction à décider, à organiser, et à répondre de ce qu'elle a déployé.
Olivier Indovino, IARH Consulting
Ce que disent les chiffres de ceux qui ont déjà essayé
L'enquête trimestrielle de KPMG auprès de 2 145 dirigeants, publiée en juin 2026, donne une mesure utile à ce débat.
49 % des organisations ont remis en cause, retardé ou réduit un déploiement d'agents parce que les coûts dépassaient la valeur produite. 7 % seulement déclarent un retour sur investissement établi.
Et le facteur qui sépare les deux groupes n'est pas le choix du modèle. Les organisations disposant d'une visibilité complète sur leurs coûts d'exploitation déclarent un retour établi cinq fois plus souvent que les autres, 15 % contre trois. Là où la responsabilité est clairement attribuée, l'écart est du même ordre.
Autrement dit, sur le terrain, ce qui distingue déjà les entreprises qui obtiennent un résultat n'est pas leur avance technologique. C'est leur capacité à mesurer et à désigner un responsable.
Trois questions, et elles ne portent pas sur les modèles
Nos données métier seraient-elles exploitables par un modèle prédictif si nous le décidions demain ? Historisées, fiables, documentées, accessibles. La réponse honnête est souvent non, et c'est une information qui vaut plus qu'un appel d'offres.
Qui, chez nous, a le mandat d'arbitrer ce qu'un modèle recommande, et de refuser ? Sans réponse nominative, la recommandation devient une décision par défaut.
Et que serions-nous prêts à expliquer, publiquement, d'une prévision qui se serait trompée ? Cette question se pose avant le déploiement, parce qu'après, elle se pose devant quelqu'un d'autre.
Une précision pour finir, et elle vaut engagement : IARH Consulting ne livre pas de modèles. Nous cadrons la décision, l'organisation et la responsabilité qui les entourent. C'est le seul endroit où la banalisation des outils n'a rien changé.
C'est l'objet d'un diagnostic dirigeant.