AI Gouvernance des dépenses d’investissement pour les conseils d’administration : du portefeuille d’expérimentations aux dossiers d’investissement bancables

1. Traiter les dépenses AI comme un portefeuille gouverné

Un portefeuille AI contient plus que des projets. Il comprend généralement des cas d’usage censés modifier les revenus, les coûts, le risque ou le service ; des capacités partagées de données et d’intégration ; des abonnements à des modèles et à des applications ; des capacités de cloud ou de centre de données ; des équipes spécialisées ; des fonctions de contrôle ; et les activités de changement nécessaires pour modifier la manière dont le travail est effectué. Chaque catégorie a une durée de vie économique, un profil de dépendance et un degré de réversibilité différents. Un budget d’innovation unique peut masquer ces différences.

Le conseil d’administration a besoin d’une vision qui rapproche les engagements entre les classifications comptables. Certaines dépenses peuvent correspondre à des infrastructures immobilisées, d’autres à des charges d’exploitation, et d’autres encore être intégrées dans la masse salariale d’une unité opérationnelle ou dans des contrats fournisseurs. La question économique est celle du total des flux de trésorerie et des capacités incrémentales engagés pour le portefeuille, y compris le coût d’exploitation après le lancement. Une initiative peut sembler abordable pendant un pilote parce que l’intégration à l’entreprise, la sécurité, la remédiation des données, la refonte des processus, la formation, la surveillance et les coûts récurrents restent en dehors du registre du pilote.

Les informations officielles montrent pourquoi la discipline en matière d’engagements est importante. Alphabet a déclaré des dépenses d’investissement de USD 91.4 billion pour 2025, principalement des infrastructures techniques, et a indiqué s’attendre à une augmentation significative des investissements en 2026 dans les serveurs, les équipements réseau et les centres de données.[4] Le rapport annuel 2026 de Microsoft indique que des investissements AI sont réalisés à une échelle significative et en amont de flux de revenus pleinement développés.[5] Meta a déclaré des dépenses d’investissement de USD 72.22 billion pour 2025, y compris les remboursements de principal au titre de contrats de location-financement, et anticipait des dépenses d’investissement de USD 115 billion à USD 135 billion en 2026 pour soutenir les efforts AI et son activité principale.[6] Amazon a déclaré des dépenses d’investissement décaissées de USD 96.3 billion au cours des six premiers mois de 2026, principalement des infrastructures technologiques soutenant la croissance d’AWS et les capacités de traitement des commandes.[7] Ces chiffres reposent sur des définitions différentes et répondent à des finalités commerciales diverses. Leur pertinence tient à l’ampleur, aux longs délais de mise en œuvre et à l’incertitude de la demande décrites dans les documents déposés.

Le portefeuille devrait donc présenter cinq totaux : les dépenses cumulées approuvées ; les engagements contractuels et de location ; le rythme annuel actuel de dépenses ; le coût d’exploitation prévisionnel à l’échelle ; et les demandes de capacité non engagées. Il devrait également identifier les cas d’usage qui consomment chaque capacité partagée. Cela évite qu’une plateforme soit approuvée comme une nécessité stratégique alors que les bénéfices qui en dépendent restent sans responsable.

2. Donner au conseil d’administration un mandat de gouvernance défini

La surveillance du conseil d’administration devrait porter sur l’exposition significative, la cohérence du portefeuille, l’appétit pour le risque et la qualité des preuves. Elle ne devrait pas obliger les administrateurs à choisir des modèles ou à gérer des sprints de livraison. La direction reste responsable de proposer et d’exécuter les investissements. Le conseil établit quels engagements nécessitent une approbation, quels éléments de preuve doivent les accompagner, comment fonctionne la remise en cause indépendante et ce qui se passe lorsqu’un cas d’usage ne respecte pas ses conditions.

Les seuils d’approbation devraient combiner la matérialité financière, le risque et la réversibilité. Une application peu coûteuse touchant l’emploi, le crédit, la santé, la sécurité, les infrastructures critiques ou des données personnelles sensibles peut mériter une surveillance plus étroite qu’un outil de productivité plus important. Une réservation de capacité pluriannuelle peut nécessiter l’attention du conseil parce qu’elle réduit la flexibilité stratégique, même si la trésorerie à court terme est modeste. Les seuils devraient donc tenir compte des dépenses cumulées, des engagements non annulables, des décisions et des utilisateurs concernés, de la sensibilité des données, de l’autonomie, de la portée géographique et du coût de sortie.

Le conseil a également besoin d’un dirigeant responsable. Un directeur général, un directeur financier ou un sponsor de transformation nommé devrait être responsable de la valeur du portefeuille. Les responsables technologiques sont responsables de l’architecture et des preuves de livraison. Les propriétaires métier sont responsables de la base opérationnelle de référence, de l’adoption et des bénéfices réalisés. Les responsables du risque, de la sécurité, de la confidentialité, du juridique et de la conformité sont responsables de normes indépendantes dans le cadre de leurs mandats. L’audit interne peut tester la conception et le fonctionnement sans devenir un approbateur de première ligne.

Tableau 1. AI Droits de décision du portefeuille et responsabilité des preuves

La répartition est un modèle. Les responsabilités et délégations réelles doivent suivre la constitution, la réglementation et le cadre de risque de l'organisation.

3. Faire du cas d'usage l'unité de valeur

Un modèle, une plateforme ou un lac de données est rarement l'unité directe de valeur métier. La valeur apparaît lorsqu'un groupe défini d'utilisateurs modifie une décision ou un flux de travail et que ce changement produit un résultat mesurable. Le cas d'usage doit donc préciser l'utilisateur, le processus opérationnel, la décision ou la tâche, la contribution de AI, la responsabilité humaine, la situation de référence, le résultat cible et les contrôles concernés. Cette définition établit un lien entre la technologie et les flux de trésorerie, le service ou le risque.

Le périmètre du cas d'usage exige de la rigueur. Une affirmation telle que « améliorer le service client avec AI » est trop large pour une approbation d'investissement. Un cas encadré pourrait définir une assistance pour un type de contact, une population d'utilisateurs et un canal spécifiés ; mesurer le temps de traitement, la résolution au premier contact, la qualité, les réclamations et l'escalade ; identifier les sources de données et de connaissances approuvées ; et conserver l'autorité humaine pour les exceptions définies. Le périmètre devient testable et les coûts deviennent imputables.

Les capacités partagées doivent être réparties de manière transparente. Si dix cas d'usage nécessitent une couche de récupération, des contrôles d'identité et une surveillance, le cas de la plateforme doit présenter la capacité partagée minimale, la capacité incrémentale par cas d'usage et la marge de capacité inutilisée. Affecter chaque coût partagé au premier cas d'usage peut faire apparaître une capacité viable comme non rentable. Traiter tous les coûts partagés comme des coûts indirects stratégiques peut faire apparaître chaque cas d'usage comme artificiellement attractif. Le portefeuille doit présenter les paramètres économiques avant et après une méthode de répartition cohérente.

Les cas d’usage ont aussi besoin d’identifiants stables et d’une gestion des versions. Un pilote qui commence comme une assistance à la rédaction peut ensuite générer des communications clients ou formuler des recommandations. Ses profils de risque, de données et de bénéfices ont changé. Le dossier d’approbation doit montrer le nouveau périmètre, l’engagement cumulé et l’incidence sur les contrôles, plutôt que de permettre à l’initiative de conserver son étiquette initiale de faible risque.

4. Exiger un business case de qualité investissement

Un business case de qualité investissement est un dossier de décision capable de résister à un examen contradictoire sur les plans financier, opérationnel, technologique et des risques. Il part du problème opérationnel et du contrefactuel en statu quo. Il compare ensuite les options, identifie la voie privilégiée, quantifie le coût et le bénéfice sur l’ensemble du cycle de vie, démontre la capacité de livraison et d’adoption, et énonce les contrôles nécessaires à l’utilisation. Sa profondeur doit être proportionnée à l’engagement et aux conséquences.

Le Green Book 2026 du HM Treasury décrit cinq dimensions liées : stratégique, économique, commerciale, financière et de gestion. Il exige également une évaluation des options et le respect de la proportionnalité.[17] Les orientations connexes relatives au business case élaborent les propositions au moyen de business cases stratégique préliminaire, préliminaire et complet.[18] Ces cadres du secteur public ne sont pas des règles d’approbation interne à l’entreprise. Leur intérêt pour les conseils d’administration réside dans la séparation entre la justification stratégique, la valeur, les modalités fournisseurs, la soutenabilité financière et les éléments probants de mise en œuvre.

Le contrefactuel mérite une attention particulière. Le business case doit comparer l’option AI privilégiée avec le statu quo, une refonte des processus sans AI, une option analytique fondée sur des règles ou conventionnelle, l’externalisation, l’achat et le développement interne. Si la performance de référence se dégrade, le maintien du résultat actuel peut lui-même nécessiter un investissement. Si une transformation existante capture déjà une partie du bénéfice, le business case AI ne doit revendiquer que l’effet incrémental.

Le business case doit exposer l’incertitude sans la dissimuler dans une estimation ponctuelle unique. Les fourchettes de coûts doivent refléter la maturité de l’estimation. Les fourchettes de bénéfices doivent refléter la confiance dans la mesure et l’adoption. L’analyse de scénarios doit montrer les résultats en matière de demande, de prix, d’utilisation, de qualité, de productivité et de contrôle. Les dépendances à l’égard de la disponibilité des fournisseurs, de l’énergie, des droits sur les données, des compétences spécialisées et de l’évolution des processus doivent rester explicites.

Tableau 2. Éléments probants minimaux pour un business case AI

Les éléments probants doivent gagner en maturité avec l'engagement. Une proposition de découverte peut s'appuyer sur des plages bornées ; les décisions de production et de mise à l'échelle exigent des données contrôlées, traçables et à jour.

5. Segmentez le portefeuille avant de le classer

La comparaison de portefeuille ne fonctionne que lorsque des investissements de nature différente sont identifiés. Un segment peut contenir des cas d'usage de revenus, un autre des cas de capacité de main-d'œuvre ou de coûts, un autre des applications de risque et de contrôle, et un autre une capacité stratégique dont les bénéfices directs se concrétisent via plusieurs cas en aval. Les travaux d'infrastructure et de conformité obligatoire doivent rester visibles en tant que couches distinctes plutôt que d'être mis en concurrence selon une mesure de rendement commune non étayée.

Le portefeuille peut également être segmenté par maturité. La découverte valide le problème et les données disponibles. L'expérimentation teste la faisabilité technique dans un environnement borné. Le pilote teste le processus de bout en bout, le comportement des utilisateurs et les contrôles. La mise en production établit un service contrôlé. La mise à l'échelle augmente le nombre d'utilisateurs, le volume, la couverture géographique ou l'autonomie. La revue des bénéfices vérifie les résultats réalisés et détermine si la capacité doit être étendue, corrigée, maintenue ou abandonnée.

La segmentation des risques doit influencer le parcours d'approbation. Le cadre de gestion des risques AI du NIST organise l'activité autour de gouverner, cartographier, mesurer et gérer, la gouvernance s'exerçant sur l'ensemble du cycle de vie AI.[10] Son profil AI génératif identifie les actions relatives aux risques qui peuvent être nouveaux ou amplifiés par les systèmes génératifs.[11] Le cadre de responsabilité de la GAO regroupe les pratiques autour de la gouvernance, des données, de la performance et de la surveillance.[12] Ces cadres soutiennent un inventaire commun tout en permettant aux contrôles de varier selon le cas d'usage, le contexte et les conséquences.

La cartographie obtenue doit faire apparaître l’exposition stratégique et financière. Une petite expérimentation peut rester dans le pool de découverte. Un service en production avec un coût récurrent de modèle et de cloud a sa place dans le portefeuille engagé. Une plateforme partagée doit montrer les cas d’usage et la demande qui la justifient. Un investissement de contrôle obligatoire doit montrer l’exposition qu’il atténue et les conséquences opérationnelles d’un retard.

6. Établir une cartographie du portefeuille de cas d’usage

La cartographie du portefeuille compare la valeur économique attendue à la confiance d’exécution. La valeur économique peut combiner des flux de trésorerie incrémentiels, des coûts monétaires évités, de la capacité utilisable, une amélioration du service et une réduction des risques, avec des libellés distincts lorsque la conversion monétaire est faible. La confiance d’exécution combine la clarté du problème, les preuves des bénéfices, la préparation des données, la conception des contrôles, l’adoption et la capacité de livraison. La taille des bulles peut représenter le coût annualisé ou l’engagement cumulé.

La cartographie guide l’action. Les cas à forte valeur et à forte confiance sont candidats à une mise à l’échelle contrôlée. Les cas à forte valeur et à faible confiance méritent un investissement ciblé dans les preuves plutôt qu’un engagement automatique. Les cas à moindre valeur et à forte confiance peuvent rester utiles lorsqu’ils permettent une capacité stratégique, répondent à une obligation ou offrent une voie rapide vers l’adoption. Les cas à moindre valeur et à faible confiance doivent normalement être arrêtés, fusionnés ou renvoyés à la définition du problème.

Un bureau de portefeuille doit empêcher la cartographie de devenir un concours de beauté. Les scores nécessitent des définitions ancrées, des dates de source et des responsables. Le comité doit voir les plages de confiance et les échecs aux limites critiques. Il doit aussi examiner la concentration par fournisseur, modèle, fournisseur de cloud, domaine de données, processus métier et fonction de contrôle. Dix cas d’usage individuellement attractifs peuvent créer une dépendance partagée significative.

Les cas d’usage, scores et coûts annualisés sont des hypothèses de modélisation. La taille des bulles représente le coût annuel ; la cartographie soutient la gouvernance et n’établit ni prévision ni recommandation.

[/FIGURE]

7. Faire progresser les bénéfices au moyen d’une échelle de confiance

La confiance dans les bénéfices doit être acquise par les preuves. Une hypothèse managériale peut justifier des dépenses de découverte. Elle ne doit pas soutenir un engagement de production important. Un pilote contrôlé peut établir si la technologie modifie la performance des tâches dans des conditions définies. Les preuves issues de la production peuvent montrer si le processus élargi, les utilisateurs et les contrôles soutiennent le résultat. La vérification financière peut confirmer si le changement a créé des résultats en matière de trésorerie, de capacité, de service ou de risque après prise en compte des coûts et des effets d’éviction.

L’échelle évite une fausse précision. Un bénéfice peut avoir un montant estimé élevé et une faible confiance. Un autre peut avoir un montant plus faible et des preuves plus solides. Le portefeuille doit rendre compte des deux. La confiance doit diminuer lorsque le cas d’usage change de population, de données, de modèle, de processus ou d’échelle, car les preuves antérieures peuvent ne pas être transposables.

La recherche de l’OCDE sur l’adoption de AI indique que l’incertitude quant au retour sur investissement et une maturité insuffisante des données constituent des obstacles importants, et que les managers peuvent sous-estimer les implications des processus et culturelles à l’échelle de l’entreprise.[8] Une autre revue de l’OCDE consacrée à la recherche expérimentale constate que la performance dépend de la tâche et de l’expérience utilisateur, tandis que les preuves organisationnelles à long terme restent limitées.[9] Ces conclusions plaident pour un transfert prudent des expérimentations sur des tâches individuelles vers des affirmations de flux de trésorerie à l’échelle de l’entreprise.

La fonction finance doit définir les preuves requises à chaque niveau. Le temps gagné ne se traduit pas automatiquement par de la trésorerie économisée. Il peut créer de la capacité, améliorer le service, réduire les heures supplémentaires, éviter des recrutements ou permettre une réduction des effectifs ; chaque voie comporte des preuves et des conséquences différentes. Une hausse des revenus exige un groupe de contrôle crédible ou une autre méthode d’attribution. La réduction des risques peut nécessiter une analyse de la perte attendue ou du coût des contrôles et doit préserver les conséquences non financières graves qui ne se prêtent pas à une simple monétisation.

L'échelle définit la maturité des preuves. Elle n'attribue pas de probabilité universelle ni de hausse de valorisation à un niveau de confiance.

[/FIGURE]

8. Établir la situation de référence et le contrefactuel

La situation de référence doit enregistrer les performances avant l'intervention AI. Selon le cas d'usage, elle peut inclure le volume de transactions, le temps de traitement, les reprises, les erreurs, les défauts, les pertes, la conversion, la marge, les réclamations, le délai de cycle, le niveau de service, les exceptions de contrôle et l'effort des collaborateurs. Les systèmes sources, la période de mesure, les exclusions et la saisonnalité doivent être documentés. Une situation de référence constituée après un pilote réussi peut introduire un biais de sélection.

Le contrefactuel définit ce qui se produirait sans l'investissement proposé. La continuité d'activité peut inclure les tendances de productivité existantes, les variations de prix contractuelles, les plans d'effectifs, l'amélioration des processus et d'autres mises en production technologiques. Le dossier doit éviter de revendiquer des bénéfices déjà attendus de ces facteurs. Lorsqu'un contrôle randomisé est impraticable, un déploiement par étapes, un groupe apparié, une série temporelle interrompue ou une comparaison avant-après définie peuvent fournir des éléments utiles si les limites sont précisées.

Les bénéfices nécessitent une chaîne allant d'un indicateur opérationnel aux états financiers ou à un résultat encadré par la gouvernance. Les minutes économisées par tâche ne deviennent une capacité annuelle qu'après multiplication par le volume éligible, l'adoption, la réduction durable du temps et le redéploiement productif. La capacité ne devient un coût évité que lorsqu'un plan d'embauche approuvé est modifié ou qu'une dépense de tiers est supprimée. Le chiffre d'affaires devient une contribution après prise en compte, le cas échéant, du coût de livraison, de la cannibalisation, des remises, de l'attrition et de la fiscalité. Le conseil d'administration doit voir chaque étape de réconciliation.

Le cadre britannique Digital and Data Benefits a été élaboré pour aider à quantifier les bénéfices des programmes numériques et de données et est destiné à être utilisé avec les orientations du Green Book.[19] Le Government Efficiency Framework relie également les économies identifiées à la gestion des bénéfices et à des dispositifs de gouvernance plus larges.[20] Leur contexte de secteur public diffère de celui d'un portefeuille d'entreprise. La discipline générale reste utile : définir les types de bénéfices, les méthodes de mesure, la responsabilité et la relation entre changement opérationnel et valeur.

9. Faire de la préparation des données un préalable à l'allocation du capital

La préparation des données a une valeur économique directe, car la remédiation consomme du temps, des efforts spécialisés et de l'attention opérationnelle. Elle affecte également la performance et le risque de contrôle. Un cas d'usage doit identifier les données requises, le propriétaire des données, la base juridique ou le droit contractuel, la voie d'accès, la qualité, l'exhaustivité, la traçabilité, la représentativité, la conservation, la classification de sécurité, la résilience et la surveillance. Les inconnues doivent entraîner des conséquences sur les coûts et le calendrier.

L'évaluation de la préparation doit distinguer l'existence d'un jeu de données de son accès utilisable. Les données peuvent être réparties entre plusieurs systèmes, verrouillées dans des contrats fournisseurs, disponibles uniquement par extraction manuelle ou inadaptées à la fréquence requise. Les étiquettes peuvent être incohérentes. Les résultats historiques peuvent refléter des politiques passées qui ont changé. Les données d'entraînement peuvent ne pas représenter les utilisateurs actuels ou les cas limites. Une affirmation générale selon laquelle l'organisation dispose de données ne résout pas ces problèmes.

La carte thermique doit utiliser des scores ancrés. Un score rouge signifie qu'une condition définie est absente ou inacceptable. L'ambre signifie que la remédiation est financée et délimitée. Le vert signifie que les preuves actuelles satisfont le critère de passage. Le gris signifie que la dimension n'a pas été évaluée. Les moyennes peuvent masquer des défaillances rédhibitoires ; les questions de droits, de sécurité ou d'usage prohibé doivent donc rester visibles même lorsque d'autres dimensions sont matures.

L'économie du cas d'usage doit inclure la remédiation des données et le contrôle continu. Un produit de données peut soutenir plusieurs cas d'usage, ce qui permet une allocation partagée des coûts. Le conseil d'administration doit voir les cas d'usage qui justifient l'investissement, le séquencement requis et le risque que la demande anticipée ne se matérialise pas.

Les scores sont des hypothèses de modélisation hypothétiques : 1 signifie absent ou inacceptable, 3 signifie remédiation délimitée, et 5 signifie des preuves prêtes pour le critère de passage.

[/FIGURE]

10. Rapprocher l’économie sur l’ensemble du cycle de vie

Le modèle de coûts doit inclure la découverte, la construction, l’intégration, les données, la sécurité, la validation, les licences, l’inférence de modèle, le cloud ou l’infrastructure, le changement, la formation, le support, la surveillance et la mise hors service. Il doit également inclure le personnel interne lorsque celui-ci représente une capacité rare ou des embauches incrémentales. Les engagements au titre de volumes minimaux, de capacité réservée, de baux et de contrats take-or-pay doivent être présentés séparément de l’utilisation variable.

Le modèle de bénéfices doit distinguer les gains de trésorerie, de capacité, de chiffre d’affaires, de service et de risque. Ces catégories ne doivent pas être additionnées dans un total monétaire unique, sauf si la base de conversion est crédible. Un cas d’usage peut afficher un rendement de trésorerie positif et un résultat client ou de contrôle distinct. Un cas d’usage de conformité obligatoire peut avoir un rendement conventionnel limité tout en préservant l’autorisation d’exercer. Son coût reste néanmoins en concurrence pour le capital et la capacité de livraison.

L’exemple hypothétique ci-dessous utilise un modèle nominal sur cinq ans, un taux d’actualisation de 11 %, aucune valeur terminale et un traitement fiscal simplifié. Il suppose que les coûts de mise en œuvre surviennent avant la montée en charge, que les bénéfices augmentent progressivement avec l’adoption et que le coût annuel d’exploitation augmente avec le volume. Il exclut la structure de financement, le risque de change, le besoin en fonds de roulement, la capitalisation comptable et les interactions avec d’autres programmes. Il s’agit d’hypothèses de modélisation, et non de données de marché.

Tableau 3. Économie hypothétique d’un cas d’usage, du pilote à la montée en charge

Les valeurs sont hypothétiques : USD millions. La VAN utilise un taux d’actualisation nominal de 11 % sur cinq ans, sans valeur terminale ; les totaux sont arrondis et ne constituent pas une prévision.

Les valeurs de basculement améliorent la décision. Le dossier doit indiquer le niveau d’adoption, le prix unitaire, le taux d’erreur, le bénéfice par transaction ou le volume à partir desquels la VAN atteint zéro ou un seuil fixé par le conseil d’administration. Il doit également indiquer la trésorerie à risque avant la prochaine décision réversible. Cela concentre le débat sur les hypothèses qui déterminent la valeur.

La vision portefeuille doit éviter les doubles comptages. Une plateforme de données partagée ne peut pas revendiquer le bénéfice intégral de chaque cas d’usage dépendant alors que chaque cas d’usage revendique aussi la même valeur. Un gain de productivité ne peut pas être comptabilisé à la fois comme réduction des coûts, évitement d’embauches et revenu supplémentaire, sauf si l’organisation dispose d’une affectation crédible de la capacité libérée. La finance doit tenir un registre des bénéfices avec un propriétaire unique et un traitement unique pour chaque résultat.

11. Chiffrer explicitement l’infrastructure, la capacité et l’énergie

L’économie de AI peut varier selon le choix du modèle, la consommation de jetons ou de puissance de calcul, la latence, la longueur du contexte, la mise en cache, l’utilisation, la capacité réservée, le stockage, les transferts de données, l’amortissement du matériel et la disponibilité de l’électricité. Le conseil d’administration n’a pas besoin d’une grille tarifaire technique. Il a besoin des facteurs unitaires, des engagements contractuels, de la sensibilité et des mesures d’atténuation.

L’Agence internationale de l’énergie indique que les centres de données axés sur AI ont connu une croissance rapide et que la consommation d’énergie par tâche simple de AI s’est nettement améliorée, tandis que les usages vidéo, de raisonnement et agentiques plus intensifs peuvent consommer bien plus d’énergie.[3] Elle signale également une croissance forte et incertaine de la capacité des centres de données et de la demande d’électricité. L’implication pour un cas d’usage d’entreprise est que le coût par tâche doit être mesuré dans les conditions de charge réelles plutôt qu’estimé à partir d’une démonstration.

L’approbation des capacités doit s’appuyer sur des éléments probants de demande. Une entreprise peut réserver des infrastructures pour des raisons stratégiques, de protection de l’approvisionnement ou de latence, mais le dossier doit démontrer une utilisation engagée, une valeur d’option et un scénario défavorable. Les équipements à long délai de livraison, les contrats d’énergie et les baux de centres de données peuvent réduire la réversibilité. Le dossier déposé par Alphabet, par exemple, décrit des projets de centres de données pluriannuels et des engagements importants en infrastructures techniques.[4] La configuration des faits est propre à l’entreprise ; elle illustre comment l’économie de l’infrastructure dépasse un court pilote logiciel.

Le routage des modèles peut préserver de la valeur. Les modèles moins coûteux peuvent traiter des tâches délimitées, les modèles plus grands étant utilisés pour les exceptions. La récupération d’informations, la mise en cache, la conception des prompts et les contraintes de processus peuvent réduire la consommation. Le portefeuille doit suivre le coût par résultat métier achevé et accepté, et non simplement le coût par requête. Les sorties échouées, répétées ou corrigées manuellement doivent figurer au dénominateur.

12. Concevoir les contrôles comme partie intégrante de l’investissement

Les contrôles sont des exigences produit et opérationnelles assorties de coûts, d’un calendrier et d’une responsabilité. Ils doivent être conçus avec le cas d’usage plutôt qu’ajoutés après la réussite technique. L’ensemble de contrôles peut inclure la finalité approuvée, l’accès, la minimisation des données, les tests, la revue humaine, la séparation des tâches, les restrictions sur les sorties, la journalisation, la surveillance, la réponse aux incidents, la supervision des fournisseurs, la conservation des enregistrements, la solution de repli et la mise hors service.

La proportionnalité des contrôles est importante. Le cadre du NIST est volontaire et indépendant du cas d’usage, et il met l’accent sur la gestion continue des risques tout au long du cycle de vie.[10] L’ISO/IEC 42001 spécifie un système de management AI pour les organisations fournissant ou utilisant AI et repose sur une structure d’amélioration continue.[13] Les orientations révisées de la Réserve fédérale pour 2026 en matière de risque de modèle mettent l’accent sur une approche fondée sur les risques, adaptée au profil de modèle, à la taille et à la complexité d’une organisation bancaire.[14] Les orientations bancaires s’appliquent dans le périmètre réglementaire indiqué. Leur enseignement plus large en matière de gouvernance est que la validation, les limites, la surveillance et les contrôles doivent être proportionnés à l’usage significatif.

Les obligations juridiques nécessitent une analyse propre à chaque juridiction. Le règlement de l’UE sur l’AI repose sur une structure fondée sur les risques et s’applique progressivement ; la Commission européenne a indiqué que les pouvoirs d’exécution et certaines obligations de transparence s’appliquaient à compter d’août 2026, d’autres dispositions relatives aux risques élevés étant soumises à des dates ultérieures.[15][16] Un document destiné au conseil d’administration doit préciser le rôle, la localisation et la classification du cas d’usage de l’organisation, ainsi que l’avis juridique. Une mention générique « conforme à l’AI » ne suffit pas.

Tableau 4. Conception des contrôles liée aux éléments probants de l’investissement

Le tableau est un modèle de gouvernance et ne remplace pas les exigences juridiques, réglementaires, de sécurité, de confidentialité ou propres au secteur.

13. Utilisez des jalons de contrôle pour aligner le niveau d’autorité sur le niveau d’engagement

Les jalons doivent autoriser un prochain engagement défini. Le jalon 0 admet le problème en phase de découverte. Le jalon 1 approuve une expérimentation circonscrite lorsque la base de référence, l’accès aux données et le plan de test sont clairs. Le jalon 2 approuve un pilote lorsque le processus, les utilisateurs, les contrôles et la méthode d’évaluation des bénéfices sont prêts. Le jalon 3 approuve la mise en production après validation des éléments probants sur les performances et les contrôles de bout en bout. Le jalon 4 approuve le passage à l’échelle après démonstration de l’adoption et de l’économie unitaire. Le jalon 5 clôture les bénéfices et détermine l’extension, le maintien ou le retrait.

Chaque jalon doit avoir quatre issues : avancer ; avancer avec des conditions assorties d’un délai ; suspendre dans l’attente d’éléments probants ; ou arrêter. Les conditions exigent un responsable, un élément probant, une échéance et une conséquence. Les approbations conditionnelles répétées doivent être signalées, car elles peuvent transformer une absence d’éléments probants en exposition permanente.

Le pouvoir d’approbation doit augmenter avec le niveau d’engagement et les conséquences. Une équipe déléguée peut approuver une expérimentation de petite taille et isolée. Un comité d’investissement peut approuver une mise en production. Le conseil d’administration peut approuver un engagement important en infrastructures, une modification substantielle de l’automatisation ou un cas d’usage à fort impact. Les actions d’urgence restent possibles via une exception définie et une revue rétrospective.

Les éléments probants à chaque point de contrôle sont cumulatifs. Le pouvoir d'approbation doit refléter l'engagement cumulé, le risque, la réversibilité et les utilisateurs concernés.

[/FIGURE]

14. Tester l'adoption avant de revendiquer la valeur du passage à l'échelle

L'acceptation technique montre qu'un système peut fonctionner. Les preuves d'adoption montrent que les personnes l'utilisent dans le processus prévu et que le résultat opérationnel perdure. Un dossier de passage à l'échelle doit définir les utilisateurs et transactions éligibles, l'utilisation active, la fréquence, l'achèvement, l'acceptation, la dérogation, le retraitement, la solution de repli et l'assistance. Il doit aussi identifier les tâches qui ont quitté le système mesuré.

L'adoption doit être mesurée par rapport à un dénominateur de processus. Le nombre d'utilisateurs sous licence est un faible indicateur si seule une petite part des travaux éligibles passe par le système. Un taux d'utilisation élevé peut aussi être trompeur si les résultats sont écartés ou corrigés. Les résultats acceptés par transaction éligible constituent un lien plus solide avec la valeur.

La conception des processus et les incitations comptent. Les utilisateurs peuvent contourner un contrôle lent ou peu fiable. Les managers peuvent encourager l'utilisation sans modifier la charge de travail ni les objectifs. Les salariés peuvent gagner du temps mais recevoir davantage de travail, ce qui affecte la qualité et la rétention. Le business case doit préciser comment évoluent les rôles, les indicateurs de performance, la formation, la supervision, l'assistance et la consultation du personnel. Lorsque des droits des salariés ou des accords collectifs s'appliquent, un avis spécialisé est requis.

Le pilote doit représenter la population opérationnelle visée. Des volontaires enthousiastes, des données propres et un faible volume peuvent surestimer les performances à l'échelle. Un essai en production doit inclure des utilisateurs ordinaires, des périodes de pointe, des exceptions et la reprise après défaillance. Les seuils d'adoption doivent donc être associés à des seuils de qualité et de contrôle.

15. Rendre explicites les décisions d'arrêt ou de passage à l'échelle

Un examen d'arrêt ou de passage à l'échelle combine la confiance dans les bénéfices, l'économie unitaire, l'adoption, la préparation des données, l'efficacité des contrôles et la capacité de mise en œuvre. Il doit avoir lieu à une date ou un volume défini et avant le prochain engagement significatif. La décision est une action de portefeuille, et non une notation rétrospective du projet.

Le passage à l'échelle peut signifier plus d'utilisateurs, de transactions, de pays, d'unités commerciales, de sources de données, d'autonomie ou de capacités de modèle. Chaque forme modifie les risques et les coûts de manière différente. L'approbation doit préciser la dimension du passage à l'échelle et les éléments probants qui restent valides. Un cas d'usage qui s'étend à une nouvelle juridiction ou à une nouvelle population concernée peut nécessiter une reclassification et un nouvel examen des contrôles.

L'arrêt doit s'accompagner d'un plan opérationnel. L'équipe doit avoir l'autorité nécessaire pour résilier un contrat, libérer la capacité réservée, archiver les données, retirer les accès, conserver les enregistrements, notifier les utilisateurs, rétablir le processus et tirer les enseignements. Un discours fondé sur les coûts irrécupérables ne doit pas maintenir en vie un cas d'usage non économique ou non maîtrisé.

Tableau 5. Matrice de décision d'arrêt ou de passage à l'échelle

Les seuils sont des exemples hypothétiques. Chaque organisation doit définir ses seuils de matérialité, de risque et de preuve dans le cadre de sa gouvernance.

Les valeurs et seuils sont des hypothèses de modélisation. Les couleurs de statut résument les éléments probants sous-jacents et ne permettent pas à elles seules d’établir l’état de préparation ou la valeur.

[/FIGURE]

16. Contrôle des fournisseurs, concentration et sortie

La sélection des fournisseurs peut déterminer les coûts, les performances, l’utilisation des données, la capacité d’audit, la résilience des services et la sortie. Le dossier de justification économique devrait distinguer le fournisseur de modèle, le fournisseur d’application, le fournisseur de cloud ou d’infrastructure, l’intégrateur et le fournisseur de données. Un même contrat peut combiner plusieurs rôles. La concentration doit être évaluée à l’échelle du portefeuille, car des unités d’affaires distinctes peuvent créer une exposition partagée importante sans vision centrale.

La due diligence doit couvrir le périmètre des services, les facteurs de coût, les minimums, la capacité, la sécurité, la confidentialité, la propriété intellectuelle, l’utilisation des données d’entraînement, les modifications de modèle et de fonctionnalités, les sous-traitants, la notification des incidents, la localisation des données, l’audit, la coopération avec les autorités de régulation, la portabilité, la transition et la résiliation. Les déclarations des fournisseurs doivent être vérifiées au regard de l’usage prévu et des éléments probants internes. Une certification ou une norme peut appuyer la due diligence tout en restant insuffisante pour l’acceptation du cas d’usage.

L'économie de sortie doit être quantifiée. L'exportation de données, la reconstruction des flux de travail, la formation des utilisateurs, l'exploitation en parallèle et la conservation des enregistrements peuvent être significatives. Un changement de modèle peut modifier les performances sans version logicielle conventionnelle. Les contrats et l'exploitation doivent donc prévoir un préavis, des tests et un retour arrière. Lorsque le double approvisionnement n'est pas économiquement justifié, le conseil d'administration doit voir la dépendance acceptée et le plan de repli.

Le bureau de portefeuille doit tenir un calendrier des engagements. Il doit indiquer les dates de renouvellement, les revues de prix, les paliers de volume minimum, les réservations de capacité et les fenêtres de résiliation. Une décision d'arrêt prise après un renouvellement automatique offre une protection économique moindre qu'un réexamen programmé avant la date d'engagement.

17. Donner au conseil d'administration un tableau de bord fondé sur des données probantes

Le tableau de bord du conseil d'administration doit être compact et traçable. Il doit présenter les totaux du portefeuille, l'évolution depuis la réunion précédente, les décisions requises et les exceptions significatives. Il doit afficher les dépenses approuvées, les engagements, le rythme annualisé, le coût prévisionnel à l'échelle, les bénéfices par niveau de confiance, l'adoption, les défaillances des contrôles critiques, les jalons de données, la concentration et les cas d'usage approchant d'une revue d'arrêt ou de passage à l'échelle.

Les agrégats nécessitent une exploration détaillée. Une moyenne de portefeuille au vert peut masquer un cas d'usage rouge à fort impact. Le conseil doit voir les exceptions par engagement cumulé et par risque. Il doit aussi voir l'ancienneté des conditions, les reports répétés de jalons et les bénéfices restés au stade de l'hypothèse ou du pilote alors que les dépenses se poursuivaient.

La valeur prévisionnelle et la valeur réalisée doivent rester distinctes. Le tableau de bord peut afficher le bénéfice attendu pondéré par la confiance à des fins de scénario, mais cela ne doit pas être présenté comme une valeur réalisée. Les flux de trésorerie, capacités, revenus et résultats de service vérifiés par la finance doivent figurer sur des lignes distinctes. Les coûts évités doivent préciser le plan ou le contrat approuvé qui a été modifié.

Le dossier du comité doit énoncer les hypothèses et changements significatifs. Un prix de modèle plus bas, un volume d'utilisateurs plus élevé, une licence de données révisée ou une nouvelle réglementation peuvent modifier le dossier. Le contrôle de version doit conserver la base approuvée à chaque jalon et expliquer l'évolution actuelle. Cela soutient la responsabilité sans créer un dossier de justification économique figé qui devient obsolète après le lancement.

18. Mobiliser le système de gouvernance en quatre-vingt-dix jours

Le premier mois doit établir l'inventaire et le périmètre de décision. La direction doit recenser tous les cas d'usage AI, plateformes, engagements d'infrastructure, abonnements, fournisseurs et domaines de données. Chaque élément reçoit un responsable, un niveau de maturité, des dépenses cumulées, un rythme annualisé, la prochaine date d'engagement et une classification des risques. La finance rapproche le grand livre et les contrats de l'inventaire.

Le deuxième mois doit établir le référentiel commun de preuves. Les responsables métiers définissent les références de départ et les mécanismes de bénéfices. Les équipes technologiques et de données évaluent l'architecture et l'état de préparation. Les fonctions de contrôle définissent des jalons proportionnés. Les achats identifient la concentration et l'exposition aux renouvellements. Le bureau de portefeuille cartographie les dépendances et identifie les cas dont le prochain engagement doit être suspendu dans l'attente de preuves.

Le troisième mois doit exécuter le premier cycle d'arrêt ou de passage à l'échelle. La direction sélectionne les cas les plus exposés et dont l'engagement est le plus proche. Le comité d'investissement teste les dossiers de justification économique, les conditions et les voies de sortie. Le conseil approuve l'enveloppe du portefeuille, les exceptions significatives et la cadence de reporting future. Les équipes exploitent ensuite le système comme un processus décisionnel récurrent.

Tableau 6. Mobilisation sur quatre-vingt-dix jours de la gouvernance des dépenses d'investissement AI

La séquence est indicative. Le calendrier doit refléter l'échelle du portefeuille, les obligations réglementaires, la disponibilité des données et la maturité de la gouvernance existante.

Le bureau devrait commencer par les décisions importantes, et non par une reconstruction historique complète. Les expérimentations de moindre valeur peuvent suivre un parcours simplifié. Les éléments à fort engagement, à fort impact ou proches d'un renouvellement méritent une attention immédiate. L'inventaire peut mûrir pendant que le système de gouvernance commence à protéger la prochaine décision.

Conclusion

AI La gouvernance des dépenses d'investissement relie les progrès technologiques à la discipline capitalistique. Le conseil a besoin d'un portefeuille réconcilié de cas d'usage, de capacités partagées et d'engagements. Chaque cas d'usage important doit avoir un problème opérationnel défini, un scénario contrefactuel, une analyse économique sur toute la durée de vie, une préparation des données, une conception des contrôles, un plan d'adoption et un responsable désigné des bénéfices. Les éléments probants doivent mûrir au fil des jalons de décision avant que l'engagement n'augmente.

Le système décrit dans cet article utilise cinq instruments liés : une cartographie du portefeuille de cas d'usage, une échelle de confiance dans les bénéfices, une carte thermique de préparation des données, des jalons de contrôle et un tableau de bord arrêter ou passer à l'échelle. Ensemble, ils indiquent quels cas méritent un financement d'exploration, lesquels nécessitent une remédiation ciblée, lesquels sont prêts pour une mise à l'échelle contrôlée et lesquels doivent être clôturés. Ils révèlent également des infrastructures partagées et des expositions aux fournisseurs qui ne peuvent pas être gouvernées expérimentation par expérimentation.

Une bonne gouvernance préserve l'apprentissage tout en protégeant le capital. Un cas arrêté peut produire des éléments probants utiles lorsque les engagements sont limités et que les enseignements sont capturés. Un cas passé à l'échelle acquiert une autorité accrue grâce à des performances représentatives, à l'adoption par les utilisateurs, à des contrôles efficaces et à une valeur vérifiée par la finance. Le rôle du conseil est d'expliciter ces normes et de veiller à ce que la direction les applique avant que le portefeuille ne devienne difficile à inverser.

Annexe A. Questions du conseil pour un engagement important AI

1. Quel problème opérationnel et quel processus concerné entrent dans le périmètre ?
2. Que se passe-t-il dans le scénario de statu quo, et quelles options non-AI ont été testées ?
3. Quels bénéfices sont des résultats en termes de trésorerie, de capacité, de revenus, de service ou de risque ?
4. Quel est le niveau de confiance actuel pour chaque avantage et quels éléments probants le renforcent ?
5. Quels sont les engagements de trésorerie, de capacité et contractuels sur l'ensemble du cycle de vie ?
6. Quelles conditions relatives aux droits sur les données, à la qualité, au lignage, à la sécurité et à la surveillance restent en suspens ?
7. Quelles décisions humaines, quelles parties concernées et quelles juridictions sont impliquées ?
8. Quels contrôles sont requis avant le pilote, la production et la mise à l'échelle ?
9. Quels seuils d'adoption et de qualité déclenchent la mise à l'échelle, le maintien ou l'arrêt ?
10. Quel est le prochain engagement irréversible et quel est le plan de sortie avant celui-ci ?

Annexe B. Dossier de preuves minimal pour l'arrêt ou la mise à l'échelle

1. Définition actuelle du cas d'usage et historique des versions.
2. Méthode de mesure de la situation de référence, du contrefactuel et des avantages.
3. Dépenses réelles et prévisionnelles, engagements et coût annuel d'exploitation.
4. Résultats du pilote ou de la production auprès d'utilisateurs représentatifs et dans des conditions représentatives.
5. Éléments probants sur l'adoption, l'acceptation, les reprises, les contournements et les solutions de repli.
6. État de préparation des données et mesures correctives en suspens.
7. Résultats des tests de contrôle, incidents, limitations et acceptation du risque résiduel.
8. Performance des fournisseurs, concentration, renouvellement et position de sortie.
9. Économie des scénarios, valeurs de basculement et liquidités à risque avant le prochain jalon.
10. Recommandation de la direction avec conditions, responsable, date et conséquence.

Références

1. Banque des règlements internationaux, Financer le boom de AI : des flux de trésorerie à la dette, Bulletin de la BRI n° 120, publié le 7 janvier 2026. https://www.bis.org/publ/bisbull120.htm
2. Banque des règlements internationaux, La course aux investissements dans AI, Article de recherche de la BRI n° 1367, publié le 14 juillet 2026. https://www.bis.org/publ/work1367.htm
3. Agence internationale de l'énergie, Questions clés sur l'énergie et AI, publié en 2026. https://www.iea.org/reports/key-questions-on-energy-and-ai
4. Alphabet Inc., Rapport annuel sur formulaire 10-K pour l'exercice clos le 31 décembre 2025, déposé le 5 février 2026. https://www.sec.gov/Archives/edgar/data/1652044/000165204426000018/goog-20251231.htm
5. Microsoft Corporation, Rapport annuel sur formulaire 10-K pour l'exercice clos le 30 juin 2026, déposé le 30 juillet 2026. https://www.sec.gov/Archives/edgar/data/789019/000119312526323660/msft-20260630.htm
6. Meta Platforms, Inc., Rapport annuel sur formulaire 10-K pour l'exercice clos le 31 décembre 2025, déposé le 29 janvier 2026. https://www.sec.gov/Archives/edgar/data/1326801/000162828026025534/meta-12312025x10kars.htm
7. Amazon.com, Inc., Rapport trimestriel sur formulaire 10-Q pour le trimestre clos le 30 juin 2026, déposé le 31 juillet 2026. https://www.sec.gov/Archives/edgar/data/1018724/000101872426000026/amzn-20260630.htm
8. OCDE, Boston Consulting Group et INSEAD, L'adoption de l'intelligence artificielle dans les entreprises : de nouveaux éléments pour l'action publique, publié le 2 mai 2025. https://doi.org/10.1787/f9ef33c3-en
9. OCDE, Les effets de la AI générative sur la productivité, l'innovation et l'entrepreneuriat, Documents de l'OCDE sur l'intelligence artificielle n° 39, publié le 20 juin 2025. https://doi.org/10.1787/b21df222-en
10. Institut national des normes et de la technologie, Cadre de gestion des risques liés à l'intelligence artificielle 1.0, publié le 26 janvier 2023. https://doi.org/10.6028/NIST.AI.100-1
11. Institut national des normes et de la technologie, Cadre de gestion des risques liés à l'intelligence artificielle : Profil pour l'intelligence artificielle générative, publié le 26 juillet 2024. https://doi.org/10.6028/NIST.AI.600-1
12. Bureau de responsabilité gouvernementale des États-Unis, Intelligence artificielle : un cadre de responsabilisation pour les agences fédérales et autres entités, GAO-21-519SP, publié le 30 juin 2021. https://www.gao.gov/products/gao-21-519sp
13. Organisation internationale de normalisation, ISO/IEC 42001:2023 Technologies de l'information — Intelligence artificielle — Système de management, publié en décembre 2023. https://www.iso.org/standard/81230.html
14. Conseil des gouverneurs du Système de réserve fédérale, Orientations révisées sur la gestion du risque de modèle, SR 26-2, publiées le 17 avril 2026. https://www.federalreserve.gov/supervisionreg/srletters/SR2602.htm
15. Commission européenne, AI Act : cadre réglementaire pour l'intelligence artificielle, mis à jour le 3 août 2026. https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai
16. Union européenne, règlement (UE) 2024/1689 établissant des règles harmonisées en matière d'intelligence artificielle, publié le 12 juillet 2024. https://eur-lex.europa.eu/eli/reg/2024/1689/oj
17. HM Treasury, The Green Book 2026, publié le 5 février 2026. https://www.gov.uk/government/publications/the-green-book-appraisal-and-evaluation-in-central-government/the-green-book-2026
18. HM Treasury, Orientations sur l'élaboration de business cases, mises à jour le 30 juin 2026. https://www.gov.uk/government/publications/guidance-on-developing-business-cases
19. Département des sciences, de l'innovation et de la technologie et Government Digital Service, Cadre des bénéfices liés au numérique et aux données, publié le 7 avril 2026. https://www.gov.uk/government/publications/digital-and-data-benefits-framework
20. Cabinet Office et HM Treasury, Cadre d'efficience gouvernementale, publié en 2025. https://www.gov.uk/government/publications/the-government-efficiency-framework/the-government-efficiency-framework--2