Pourquoi les contrats d'IA continuent de facturer des heures alors que la valeur se trouve ailleurs
La plus grande friction dans l'adoption de l'intelligence artificielle en entreprise n'est pas d'ordre technique. Elle ne réside ni dans les modèles, ni dans la qualité des données, ni dans la capacité de calcul. Elle se trouve dans le contrat. Pendant que les organisations investissent des centaines de millions dans des déploiements d'IA en espérant des retours structurels, la grande majorité continue de signer des accords qui récompensent le temps investi, et non l'impact généré. Ce décalage n'est pas un détail administratif : c'est la cause profonde pour laquelle tant d'initiatives d'IA restent coincées entre le pilote prometteur et l'échelle opérationnelle qui n'arrive jamais.
Le rapport le plus récent de McKinsey sur l'état de l'IA le confirme avec une précision inconfortable : l'adoption s'est étendue, mais les défis de mise à l'échelle persistent, et la corrélation la plus forte avec l'impact réel ne se trouve pas dans l'investissement technologique, mais dans la refonte des flux de travail. Exprimé en termes économiques : les entreprises paient pour l'installation alors qu'elles devraient payer pour la transformation.
La contractualisation fondée sur les résultats n'est pas une mode. C'est la réponse structurelle à un problème d'architecture des incitations que les modèles traditionnels ne peuvent pas résoudre.
Le problème n'est pas le fournisseur, c'est la logique du contrat
Les contrats en régie et les accords à prix fixe ont été conçus pour gérer la livraison de logiciels dans lesquels les livrables étaient définissables, les délais prévisibles et la valeur relativement linéaire par rapport à l'effort. L'IA remet en cause ces trois conditions.
Un système d'IA qui automatise la gestion des incidents dans une infrastructure ne livre pas un module. Il livre une réduction du temps de résolution, une baisse des coûts opérationnels, une moindre dépendance au personnel d'astreinte et, à terme, une réorganisation de l'équipe opérationnelle. Aucun de ces résultats n'apparaît dans une facture d'heures. Et aucun ne peut être attribué avec précision à un jalon de projet spécifique.
Le résultat est prévisible : le fournisseur facture ce qu'il peut mesurer, à savoir les heures. Le client paie pour quelque chose qu'il attendait, mais que le contrat n'a jamais formellement promis. Lorsque le ROI ne se concrétise pas, personne n'est techniquement responsable, parce que le contrat ne l'exigeait pas.
Cette logique présente trois défaillances structurelles. La première est l'absence de corrélation entre l'intrant et la valeur générée : dépenser davantage en conseil ou en licences ne produit pas nécessairement plus d'impact. La deuxième est le manque de mécanismes de responsabilité, car sans résultat défini contractuellement, le fournisseur n'a aucune incitation à le poursuivre. La troisième, souvent ignorée, est le coût total de possession que les contrats traditionnels rendent invisible : la gestion du changement organisationnel, l'acculturation de l'équipe à l'IA, la reconversion des processus, ainsi que les coûts qui disparaissent lorsque la solution fonctionne bien — comme le personnel ou les logiciels que l'IA remplace. Tout cela reste hors bilan, bien que ce soit précisément ce qui détermine si l'investissement a été rentable.
La logique d'un contrat orienté vers les résultats
Un contrat fondé sur les résultats n'est pas simplement un contrat dans lequel le fournisseur reçoit un bonus si les choses se passent bien. Son architecture est plus précise et plus exigeante pour les deux parties.
Le point de départ est la définition collaborative des indicateurs qui comptent — non pas les indicateurs techniques, mais ceux du métier : réduction des coûts opérationnels, augmentation du taux de résolution au premier contact client, diminution du temps de cycle dans la chaîne d'approvisionnement. Sur la base de ces indicateurs, on établit des lignes de référence vérifiées, avec une méthodologie de mesure convenue, et on construit la logique d'attribution : quelle part du résultat peut raisonnablement être reliée à la solution d'IA, et dans quelles conditions.
Le paiement est structuré en couches. Une base fixe couvre les coûts minimaux d'exploitation du fournisseur. Une composante variable s'active lorsque les résultats dépassent des seuils définis. Dans les déploiements les plus sophistiqués, des bandes de variance sont établies — ce que certains appellent des corridors de tolérance — à l'intérieur desquels le fournisseur assume un risque à la baisse mais capture également de la valeur à la hausse.
Cette conception modifie la dynamique de pouvoir dans la relation commerciale. Le fournisseur cesse d'être un exécutant de tâches pour devenir un partenaire exposé au résultat. Ce changement de position n'est pas rhétorique : il a des conséquences sur la façon dont les équipes sont affectées, sur la rapidité avec laquelle on répond à un problème de performance du modèle, et sur l'investissement continu que le fournisseur est prêt à consentir dans le compte client.
Pour que cela fonctionne, le fournisseur doit disposer de capacités que les modèles traditionnels n'exigeaient pas. Il lui faut des consultants qui comprennent le métier du client avant de parler de technologie. Il lui faut des ingénieurs qui construisent pendant que la définition se précise, et non après. Et il lui faut l'infrastructure pour opérer le modèle en production de façon continue, y compris la gouvernance des coûts d'inférence et la surveillance de la dégradation des performances du modèle dans le temps.
L'erreur de mise à l'échelle la plus fréquente
Il existe un schéma d'échec dans l'adoption de l'IA qui se répète avec suffisamment de régularité pour être considéré comme structurel : les organisations ne savent pas où concentrer leur attention et oscillent entre deux extrêmes tout aussi coûteux l'un que l'autre.
Certaines misent sur des problèmes trop circonscrits. Elles construisent un agent pour automatiser la gestion des dépenses fournisseurs sans considérer que le problème réel concerne l'ensemble de la chaîne d'approvisionnement. Le résultat est une solution qui fonctionne dans son propre silo et qui ne peut pas passer à l'échelle parce qu'elle n'a pas été conçue pour se connecter aux processus qui lui donnent son contexte.
D'autres organisations tentent d'optimiser tout en même temps et sans étapes intermédiaires. Elles cherchent à transformer leurs opérations à grande échelle sans avoir au préalable démontré le modèle de valeur sur un segment délimité. Le résultat est un projet qui consomme des ressources pendant des années, génère des rapports d'avancement, et ne produit aucun changement observable dans les indicateurs qui importent au conseil d'administration.
Ce qui relie ces deux extrêmes, c'est l'absence d'un modèle opérationnel avant le choix de la technologie. Les organisations qui parviennent à déployer l'IA de manière durable travaillent avec deux processus simultanés : la refonte des processus d'une part, et l'architecture des données et de la technologie d'autre part. Non pas en séquence, mais en parallèle. Et ce qui maintient ces deux processus alignés, c'est la gestion du changement, la stratégie organisationnelle et la gestion du produit en tant que discipline permanente.
C'est là l'argument le plus solide en faveur de la contractualisation fondée sur les résultats : elle oblige à avoir cette clarté avant de signer. Un fournisseur qui accepte d'être évalué sur le résultat doit comprendre le processus que le client souhaite améliorer. Cette conversation précontractuelle a plus de valeur stratégique que de nombreux mois de conseil ultérieur.
Quand le bon incitatif construit le bon partenaire
La contractualisation par les résultats réordonne qui capture la valeur dans un déploiement d'IA et de quelle manière. Mais elle révèle également quelque chose sur les fournisseurs que très peu d'organisations analysent avant de signer.
Un fournisseur qui opère selon cette logique doit absorber du risque. Pour absorber du risque, il a besoin d'une conviction dans sa capacité de livraison. Cette conviction ne peut pas être seulement commerciale : elle doit être soutenue par une architecture technique, par un historique d'exécution et par une gouvernance interne qui lui permette de gérer la qualité du modèle en production pendant des mois ou des années, et pas seulement au moment du lancement.
Peu de fournisseurs possèdent cette capacité aujourd'hui. Et cette rareté a des implications pour les acheteurs : le marché des fournisseurs véritablement engagés sur les résultats est plus restreint qu'il n'y paraît à la lecture de la seule littérature commerciale. Filtrer ceux qui peuvent réellement opérer sous ce modèle et ceux qui l'affichent simplement comme un différenciateur commercial requiert de poser exactement les questions que la contractualisation par les résultats oblige à formuler avant la signature.
Du point de vue de la distribution de la valeur, ce modèle possède également une vertu que les contrats traditionnels n'ont pas : il rend visible ce qui restait auparavant hors bilan. Les coûts du changement organisationnel, l'investissement dans la formation, les systèmes qui deviennent redondants, le personnel qui est réaffecté — tout cela fait désormais partie de l'analyse de la valeur partagée entre le client et le fournisseur. Cette visibilité ne garantit pas l'équité, mais elle élimine la possibilité que le succès du fournisseur et celui du client évoluent dans des univers parallèles.
Lorsque les incitations s'alignent autour du résultat, le centre de gravité de la relation commerciale se déplace de la gestion des coûts vers la maximisation du retour. Cette différence n'est pas sémantique. C'est elle qui détermine si l'IA en entreprise produit un impact vérifiable ou si elle se contente de produire des projets.
