Un assistant documentaire peut être développé pour quelques dizaines de milliers d’euros. Une IA agentique connectée à l’ERP, au CRM et aux outils financiers peut dépasser plusieurs centaines de milliers d’euros. Pourtant, les deux projets seront présentés sous la même étiquette : « IA sur mesure ».
Alors, combien faut-il réellement prévoir ? Pour une solution métier sérieuse, le budget démarre généralement autour de 30 000 € HT. Une première mise en production ciblée se situe souvent entre 30 000 et 70 000 € HT ; un système intégré à plusieurs applications entre 70 000 et 150 000 € HT ; une plateforme critique, prédictive ou multi-agents peut dépasser 150 000 à 300 000 € HT. Les délais vont de deux à trois mois pour un périmètre limité à six ou douze mois pour un système complexe.
Ces montants ne constituent pas un barème universel. Le vrai prix dépend moins du nom du modèle choisi que du processus à transformer, de l’état des données et du niveau de fiabilité attendu.
| Niveau de projet | Périmètre couvert | Budget HT | Délai |
|---|---|---|---|
| Cadrage et POC | Audit du besoin et des données, prototype, tests sur échantillon | 15 000 à 30 000 € | 3 à 8 semaines |
| MVP métier | Cas d’usage limité, interface simple, une ou deux sources, premiers utilisateurs | 30 000 à 70 000 € | 2 à 3 mois |
| Solution en production | Intégrations ERP/CRM, droits, supervision, tests, sécurité et exploitation | 70 000 à 150 000 € | 3 à 6 mois |
| Système critique ou multi-agents | Plusieurs processus, autonomie encadrée, haute disponibilité, conformité renforcée | 150 000 à 300 000 € et plus | 6 à 12 mois et plus |
Un POC n’est pas une petite production. Il répond à une question de faisabilité : « l’IA réalise-t-elle cette tâche avec une qualité suffisante sur nos données ? » La production ajoute les droits, la traçabilité, la sécurité, la gestion des erreurs et la continuité de service.
Gartner estime qu’au moins 50 % des projets d’IA générative ont été abandonnés après leur preuve de concept fin 2025, notamment à cause de données insuffisantes, de coûts croissants, de contrôles inadaptés ou d’une valeur mal définie. Le problème n’est donc pas de réussir la démonstration, mais de construire un produit exploitable.
1. Le problème métier et le niveau de fiabilité
Résumer une note n’exige pas la même qualité qu’approuver une commande ou détecter une fraude. Plus l’erreur produit un impact financier, juridique ou opérationnel, plus il faut investir dans les tests, les contrôles, la traçabilité et la validation humaine. Une collaboration Humain-IA bien supervisée permet de réserver l’autonomie aux actions répétitives et réversibles.
2. L’état des données
Si les données sont structurées et documentées, le projet avance vite. Si elles sont réparties entre ERP, fichiers Excel, courriels et procédures informelles, il faut d’abord les rendre exploitables. Gartner indique que 63 % des organisations ne disposent pas, ou ignorent si elles disposent, des pratiques de gestion adaptées à l’IA. Nettoyer les référentiels, définir la source de vérité et clarifier les accès font donc partie du projet.
3. Les connexions au système d’information
Une IA métier doit lire une commande, consulter un contrat, mettre à jour le CRM ou transmettre une exception. Chaque interaction ajoute des règles, des permissions et des cas d’échec. Trois outils disposant d’API propres peuvent coûter moins cher à connecter qu’un seul logiciel propriétaire ancien : l’interfaçage d’applications peut donc peser lourd dans le devis.
4. Le choix entre API, modèle open source et entraînement spécifique
« Sur mesure » ne signifie pas entraîner un grand modèle depuis zéro. La valeur vient généralement du choix d’un modèle existant, de sa connexion aux connaissances internes, des règles métier, des évaluations et de l’intégration au workflow.
Une API commerciale réduit l’investissement initial, mais crée un coût variable et une dépendance fournisseur. Un modèle open source hébergé dans un environnement maîtrisé offre davantage de contrôle, au prix d’une infrastructure et d’une expertise d’exploitation supérieures. Le fine-tuning n’est justifié que si les tests démontrent qu’une approche plus simple ne suffit pas.
Le Stanford AI Index a mesuré une diminution de plus de 280 fois du coût d’inférence d’un système atteignant le niveau de GPT-3.5 entre novembre 2022 et octobre 2024. L’IA devient plus accessible, mais l’intégration métier ne devient pas gratuite.
5. La sécurité, la conformité et l’exploitation
Authentification, chiffrement, journalisation, cloisonnement et reprise sont peu visibles pendant une démonstration, mais indispensables en production. Le NIST recommande de tester les systèmes avant leur déploiement, puis de les surveiller pendant toute leur exploitation. La CNIL demande également de clarifier les finalités, les données et les responsabilités, avec une analyse d’impact lorsque le traitement présente un risque élevé.
À partir du 2 août 2026, des obligations de transparence de l’AI Act s’appliquent aussi à certains systèmes. Documentation, supervision et conformité doivent donc être budgétées dès le cadrage.
Un devis de développement ne représente qu’une partie du coût total de possession, ou TCO. Il faut additionner trois blocs.
Le coût de construction comprend le cadrage, la préparation des données, le développement, les interfaces, les évaluations, la sécurité, la mise en production et le pilotage.
Le coût d’exploitation comprend les appels aux modèles, l’hébergement, la supervision, le support et les réévaluations. Selon le volume et le niveau de service, prévoir chaque année 15 à 25 % de l’investissement initial constitue une hypothèse prudente à affiner.
Le coût interne comprend le temps des métiers, de la DSI, du RSSI, du DPO et des utilisateurs, puis la formation. L’oublier produit un budget artificiellement bas. Le pilotage doit ensuite suivre un coût par dossier, document ou action réussie : une facture cloud globale ne dit pas si le cas d’usage est rentable.
Dans une étude portant sur 5 179 agents de support, des chercheurs du NBER ont observé une hausse moyenne de productivité de 14 %, avec des écarts importants selon l’expérience des salariés. L’OCDE recense de son côté des gains expérimentaux allant souvent de 5 à plus de 25 % sur certaines tâches. Mais BCG observe aussi que 74 % des entreprises interrogées n’avaient pas encore démontré de valeur tangible grâce à l’IA.
Gagner du temps n’est pas automatiquement gagner de l’argent. Une heure économisée ne devient une économie que si elle permet d’absorber du volume, d’éviter un recrutement ou de réallouer réellement la capacité.
Une formule prudente consiste à calculer :
Gains annuels capturés = volume × temps réellement économisé × coût horaire complet × taux d’adoption × taux de réallocation, auxquels on ajoute les erreurs évitées ou le revenu incrémental démontrable.
Puis :
ROI = (gains capturés – coût total) / coût total × 100.
Prenons une équipe de 20 personnes. Le processus ciblé consomme cinq heures par semaine et par personne, sur 45 semaines, avec un coût complet de 45 € de l’heure. Le gisement théorique est de 202 500 € par an. En retenant seulement 60 % de valeur réellement capturée, le gain défendable tombe à 121 500 €.
Si le projet coûte 90 000 € et son exploitation 18 000 € la première année, le coût total atteint 108 000 €. Le ROI à douze mois est alors d’environ 12,5 %, avec un délai de retour proche de onze mois. Ce résultat est moins spectaculaire qu’une promesse de « ROI multiplié par dix », mais il peut être défendu devant une direction financière.
Il faut aussi tester un scénario dégradé. Que devient le business case si l’adoption atteint 40 % au lieu de 60 %, si le volume baisse ou si 20 % des réponses nécessitent une reprise manuelle ? Un projet qui n’est rentable que dans le meilleur scénario n’est pas encore un investissement : c’est un pari.
Pour un cas d’usage bien choisi, le calendrier réaliste se décompose ainsi :
- deux à quatre semaines pour cadrer le problème, les données, les risques et les indicateurs ;
- trois à huit semaines pour tester la faisabilité sur un périmètre réduit ;
- six à douze semaines pour développer un MVP connecté à l’environnement métier ;
- trois à six mois pour une mise en production robuste ;
- six à douze mois ou plus pour un système critique, multi-sites ou multi-agents.
Ces phases peuvent se chevaucher. Les supprimer reporte simplement le travail après la mise en production, lorsque chaque correction coûte davantage.
Notre guide sur les 5 étapes d’intégration d’une IA agentique sur mesure détaille cette progression, du cas d’usage jusqu’à l’amélioration continue.
La bonne méthode consiste à réduire l’incertitude avant d’augmenter le périmètre.
1. Partir d’un processus, pas d’une technologie. Une tâche fréquente et mesurable offre un meilleur terrain qu’un chatbot généraliste.
2. Définir un KPI et un seuil d’arrêt. Temps de traitement, taux d’erreur, coût par dossier ou délai de recouvrement : si le POC ne franchit pas le seuil, on corrige ou on arrête.
3. Réutiliser les modèles existants. N’entraîner un modèle qu’après comparaison avec une API, un RAG ou un modèle open source.
4. Limiter les premières interfaces. Connecter uniquement les sources nécessaires à la preuve de valeur réduit le délai et le risque.
5. Garder l’humain aux points sensibles. Une autonomie progressive coûte moins cher qu’une fiabilité absolue sur tous les cas.
6. Concevoir une architecture réversible. Pouvoir changer de modèle ou de fournisseur évite qu’une économie immédiate ne devienne une dépendance coûteuse.
Et parfois, la bonne décision consiste à ne pas utiliser d’IA. Une règle métier stable, une automatisation classique ou une évolution de l’application existante peuvent résoudre le problème plus simplement. C’est précisément le doute défendu dans notre article sur les fausses promesses de l’IA : la technologie doit rester proportionnée à la valeur attendue.
Pour produire un devis fiable, le prestataire doit connaître le processus, les volumes, le temps consommé, les erreurs, les applications à connecter, la sensibilité des données et l’autonomie souhaitée.
Chez Access it, les projets structurants d’IA sur mesure pour entreprise démarrent généralement autour de 30 000 € HT. L’accompagnement peut couvrir l’idéation, l’audit des données et des technologies, le POC, l’intégration au système d’information, la mise en production et la conduite du changement.
Le cadrage doit établir trois chiffres pilotables : le coût total sur douze à trente-six mois, la valeur attendue dans un scénario prudent et le point à partir duquel le projet sera arrêté ou redimensionné.
Vous avez identifié un processus coûteux ou un cas d’usage IA ? Parlez-nous de votre projet pour obtenir une première estimation du budget, du délai et du ROI potentiel.
Vos questions fréquentes
Pour une solution métier mise en production, environ 30 000 € HT constitue un point de départ réaliste. Un POC peut coûter moins, mais ne comprend généralement ni toutes les interfaces, ni la sécurité, ni l’exploitation du produit final.
Le POC valide la faisabilité sur quelques scénarios. La production ajoute droits, interfaces, tests, traçabilité, supervision et support. Son budget peut être deux à cinq fois supérieur selon la criticité.
Un agent limité à une tâche peut entrer dans un MVP de 30 000 à 70 000 € HT. S’il agit dans plusieurs outils et gère des exceptions, comptez plutôt 70 000 à 150 000 € HT, davantage pour un système critique.
Rarement. Un modèle existant complété par les données, les règles et les interfaces suffit souvent. L’entraînement devient pertinent lorsque des tests prouvent un gain suffisant pour justifier son coût.
Pas systématiquement. Un SaaS convient à un besoin standard. Le sur-mesure devient pertinent pour un processus différenciant, plusieurs applications, des règles spécifiques ou lorsque licences et contournements coûtent trop cher.
Un cas ciblé peut atteindre l’équilibre en douze à vingt-quatre mois ; un programme transformant peut demander deux à quatre ans. Tout dépend de l’adoption et de la conversion du temps gagné en valeur économique.
Sources externes consultées
- Gartner — Why 50% of GenAI Projects Fail (2026)
- Gartner — Lack of AI-Ready Data Puts AI Projects at Risk
- BCG — 74% of Companies Struggle to Achieve and Scale AI Value
- OCDE — The effects of generative AI on productivity, innovation and entrepreneurship
- NBER — Generative AI at Work
- Stanford HAI — 2025 AI Index Report
- NIST — AI Risk Management Framework
- CNIL — Guide d’auto-évaluation pour les systèmes d’IA
- Commission européenne — AI Act
- Deloitte France — Intelligence artificielle : quel retour sur investissement ?
Note éditoriale
Les fourchettes de budget et de délai présentées dans cet article sont des ordres de grandeur Access it destinés au cadrage. Elles ne sont ni un tarif forfaitaire ni une moyenne statistique du marché. Un devis dépend du périmètre, des données, des intégrations, des risques et du niveau de service attendu.
