Alors que plus de 80 % des projets d’IA peinent à dépasser le stade du pilote, les entreprises cherchent à transformer leurs expérimentations en valeur opérationnelle. Dans cet avis d’expert, Long Le Xuan, Directeur Général France de Cognizant, explique comment les ESN et l’émergence des Small Language Models (SLMs) peuvent accélérer l’industrialisation de l’IA, en conciliant agilité, souveraineté et efficacité métier.
L’IA générative suscite un immense engouement mais aussi un constat préoccupant. Selon plusieurs études sectorielles récentes, plus de 80%1 des projets d’IA en entreprise ne dépassent pas le stade du pilote ou échouent au moment du passage en production.
Les causes sont multiples : manque d’expertise en interne, difficultés d’intégration dans les systèmes existants, coûts d’entraînement et de maintenance des Large Language Models (LLMs), complexité croissante des cadres réglementaires et contraintes budgétaires. Cette situation freine la transformation numérique de nombreuses entreprises qui peinent à franchir le cap entre expérimentation et industrialisation.
Le tournant des Small Language Models
Une nouvelle génération de modèles, plus légers et spécialisés, pourrait changer la donne. Les Small Language Models (SLMs) offrent une alternative plus agile et plus efficace aux LLMs généralistes. Selon Gartner2, ils devraient être utilisés trois fois plus que les LLMs d’ici 2027. Moins coûteux à entraîner et à opérer, ils permettent de développer des applications métier ciblées, adaptées à un domaine ou à une fonction précise.
Permettant une meilleure contextualisation des réponses et des performances plus fiables sur des tâches spécifiques, ils répondent aussi à un enjeu croissant : la souveraineté et la sécurité des données. En pouvant être hébergés et entraînés localement, ces modèles limitent les risques liés à la confidentialité ou à la conformité réglementaire.
De la promesse technologique à la valeur métier
Le passage à l’échelle de l’IA ne se joue pas uniquement sur le plan technique. De nombreuses entreprises découvrent aujourd’hui que les gains de productivité générés par l’IA ne se traduisent pas forcément par une réduction des budgets mais par une réallocation vers des projets d’innovation.
Dans cette logique, l’émergence de l’IA agentique, où les systèmes apprennent et s’ajustent de manière autonome, ouvre de nouvelles perspectives. En combinant agents intelligents et SLMs spécialisés, les entreprises peuvent ainsi concevoir des solutions plus contextualisées et capables de s’intégrer dans des environnements complexes tout en restant supervisées.
L’industrialisation de l’IA, un savoir-faire d’ESN
La réussite d’un projet d’IA ne tient par ailleurs pas seulement au choix du modèle. Elle repose sur la capacité à transformer une expérimentation technologique en solution opérationnelle. Et c’est précisément sur ce terrain que les Entreprises de Services du Numérique (ESN) ont un rôle clé à jouer. Au-delà de la mise en œuvre technique, elles apportent une rigueur d’exécution, un savoir-faire en matière de gouvernance des données et une expérience éprouvée de la conduite du changement.
L’industrialisation de l’IA suppose de concilier des expertises variées – ingénierie logicielle, architecture cloud, gestion de la donnée, conformité réglementaire ou cybersécurité – et de les inscrire dans un cadre agile capable d’évoluer au rythme des innovations. C’est précisément ce qui fait la valeur ajoutée des ESN : leur capacité à orchestrer ces compétences à grande échelle et à transformer des prototypes prometteurs en systèmes fiables. Les acteurs internationaux dotés d’équipes locales disposent à cet égard d’un avantage, combinant puissance industrielle de leurs centres de delivery mondiaux et compréhension fine des contextes sectoriels et réglementaires nationaux.
Vers une IA opérationnelle et durable
Les Small Language Models ramènent l’IA à une échelle plus maîtrisable et plus directement utile aux métiers. En s’affranchissant d’une dépendance totale aux grands modèles généralistes, les entreprises peuvent enfin avancer vers une IA opérationnelle et durable. Pour les acteurs du numérique, le véritable enjeu reste de garantir la réussite des projets d’IA. C’est dans cette capacité à faire passer l’IA du laboratoire à l’entreprise que les ESN ont aujourd’hui un rôle déterminant à jouer.
