À mesure que les usages de l’intelligence artificielle se généralisent en entreprise, la question de leur coût devient de plus en plus centrale. Si l’attention se porte souvent sur le prix des modèles ou des requêtes adressées aux IA génératives, un autre facteur pèse fortement sur la facture : la manière dont les données sont préparées, stockées et mises à disposition.
Pour Victor Coustenoble, Staff Solutions Architect and Team lead chez Starburst, la qualité des données constitue un levier essentiel pour maîtriser les coûts tout en améliorant les performances des modèles.
« Lorsqu’on parle du coût de l’IA, on se concentre souvent sur le prix des modèles ou des tokens. Pourtant, le véritable sujet réside aussi dans la qualité et la gestion des données qui leur sont fournies.
Dans de nombreuses organisations, les modèles reçoivent encore des volumes considérables de données redondantes, obsolètes ou sans rapport avec la requête. Cette approche augmente mécaniquement la consommation de tokens, ralentit les traitements et accroît le risque de réponses imprécises. À l’inverse, fournir un contexte plus ciblé, plus pertinent et mieux gouverné permet non seulement d’améliorer la qualité des résultats, mais aussi de réduire significativement les coûts d’exploitation. »
Au-delà de l’utilisation des modèles, l’architecture de données représente également un enjeu majeur en matière de coûts. Les entreprises continuent souvent de dupliquer leurs données afin d’alimenter différents environnements dédiés aux projets d’IA, une pratique qui génère des coûts supplémentaires.
Cette logique vaut également pour les infrastructures de données, dont le coût est souvent relégué au second plan :
« L’autre poste de dépense souvent sous-estimé concerne l’infrastructure de données. De nombreuses architectures continuent de multiplier les copies de données entre différents environnements afin d’alimenter les projets d’IA. Ces duplications génèrent des coûts de stockage, de transfert, d’intégration et de maintenance qui, à grande échelle, peuvent dépasser ceux des modèles eux-mêmes.
Pour construire une IA économiquement viable, les entreprises doivent donc adopter une approche plus sobre dans leur gestion et leur consommation de la donnée. Limiter les duplications, exploiter les données là où elles résident déjà, s’appuyer sur des formats ouverts et renforcer leur gouvernance. L’objectif n’est pas de faire moins d’IA, mais d’utiliser des données plus précises et de meilleure qualité avec une infrastructure plus efficace. »
En définitive, la maîtrise des coûts de l’IA ne repose pas uniquement sur le choix des modèles ou l’optimisation des requêtes. La façon dont les entreprises organisent, gouvernent et exploitent leurs données constitue également un facteur déterminant. Pour Starburst, une stratégie de données plus efficace permet ainsi de concilier performance des projets d’intelligence artificielle et maîtrise des dépenses, sans limiter les usages de ces technologies.
