Startup pitch : “On utilise l’IA pour automatiser X.” Investisseurs : “Wow. Voici 2M€.”

Six mois après : budget IA de 120k€ (data scientists + compute), résultat à 78% de précision. Benchmark d’un script Python de 200 lignes : 74% de précision.

Différence : 4%. Coût : 120k€.

(Si vous pensez que votre projet IA est différent — peut-être. Mais la probabilité est contre vous.)

Ce que j’ai vu dans 8 audits

Projet 1, classification de tickets support. Solution vendue : fine-tuning LLM. Solution qui marche : regex + 10 règles if/else. Économie : 60k€.

Projet 2, recommandation de produits. Solution vendue : réseau de neurones custom. Solution qui marche : collaborative filtering (sklearn en 50 lignes). Économie : 40k€.

Projet 3, détection de fraude. Solution vendue : modèle ML temps réel. Solution qui marche : seuils statistiques simples — montant > X, géolocalisation anormale. Économie : 80k€.

flowchart TD
    A["8 projets IA audités"]
    A --> B["6 projets
Script Python suffisant"]
    A --> C["2 projets
ML réellement nécessaire
(NLP avancé, vision)"]
    B --> B1["Économie totale : 340k€"]
    B --> B2["Time-to-value ÷ 6"]
    C --> C1["Validé APRÈS avoir prouvé
que les règles simples
ne suffisaient pas"]
    class C attention
    class B,B1 ok

Le problème n’est jamais la complexité du problème

C’est la complexité de la solution vendue. Parce qu’une solution complexe justifie un budget élevé, impressionne le board, et nécessite une équipe spécialisée (= job security).

Mes trois questions avant de recommander de l’IA

Question 1 : Avez-vous essayé la solution la plus bête qui pourrait marcher ? Dans 6 cas sur 8, la réponse était “Non.”

Question 2 : Quelle est la différence de précision acceptable ? Si 74% suffit, pourquoi payer 120k€ pour 78% ?

Question 3 : Qui va maintenir ce modèle dans 18 mois ? Si votre data scientist part, le modèle meurt. Si c’est du Python vanilla, n’importe quel dev peut maintenir.

Le pont avec la contrainte ESS

C’est la logique d’un projet à budget contraint — un atelier associatif, dans mon cas : quand vous n’avez pas le budget pour la solution sophistiquée, vous commencez par la solution qui marche. Et souvent, elle suffit. La sophistication est un luxe qu’on s’offre quand le simple ne suffit plus — pas avant.

L’IA est un outil puissant. Mais la plupart des problèmes ne nécessitent pas de puissance. Ils nécessitent de la clarté.

Commencez par la solution qui tient en 200 lignes. Si ça ne marche pas, ALORS vous sortez le ML.

Sources

  • Observations terrain — audits IA 2024-2025

Pour aller plus loin

  • Sculley, D. et al. — « Hidden Technical Debt in Machine Learning Systems », NeurIPS, 2015
  • Huyen, C. — Designing Machine Learning Systems, O’Reilly, 2022

Glossaire

  • Board : Conseil d’administration.
  • ESS : Économie sociale et solidaire.
  • LLM : Large Language Model — grand modèle de langage, la technologie derrière les IA génératives de texte.
  • ML : Machine Learning — apprentissage automatique.