Data / IA
AI Factory, gouvernance, frugalité : Sopra Steria Next présente sa feuille de route pour sortir de l’ « IA spectacle »
Par Laurent Delattre, publié le 30 avril 2026
Après la phase d’expérimentation, l’intelligence artificielle entre dans un moment de vérité. Pour les DSI, l’enjeu n’est plus de tester, mais de transformer durablement. Dans la première publication de son CIO Compass, Sopra Steria Next propose une lecture structurée des défis à venir et trace une trajectoire concrète pour passer d’une « IA spectacle » à une IA industrialisée, gouvernée et créatrice de valeur.
En décembre dernier, Sopra Steria Next dévoilait son « CIO Compass », sa boussole 2026 pour aider les DSI « BizTech » à naviguer dans les chantiers incontournables de 2026. Quatre points cardinaux structuraient les priorités : faire passer l’IA de la démonstration à l’impact réel, bâtir une donnée de confiance, transformer l’IT pour qu’elle rime avec performance et durabilité, et moderniser les plateformes sans perdre la main sur la sécurité ni la souveraineté.
Il en émergeait un constat sans ambiguïté : le DSI n’est plus seulement le garant du run. Il est le grand arbitre d’une équation à multiples inconnues – innovation, dette technique, risques, maîtrise des coûts, adoption par les métiers – où chacune de ses décisions engage la capacité de son entreprise à créer de la valeur.
Avec le rapport « La Fin de la GenAI spectacle » publié cette semaine, Sopra Steria Next zoome sur le point cardinal Nord, celui de l’IA, chantier sans doute le plus exposé aujourd’hui, mais aussi le plus transformateur pour les organisations.
De la GenAI « spectacle » à l’IA « by design »
Le message porté par ce nouveau volet est clair : l’intelligence artificielle a changé de nature. Après une phase marquée par les démonstrations et les expérimentations, elle entre désormais dans une logique de structuration et d’industrialisation. Aujourd’hui, la question n’est plus de tester ce que l’IA peut faire, ni même de concevoir de nouveaux assistants personnels, capables de fournir des conseils, d’effectuer des recherches ou de synthétiser des informations, mais de définir précisément ce que l’IA doit produire, dans quelles conditions et avec quels résultats attendus. « Les ruptures technologiques commencent souvent par produire davantage de démonstrations spectaculaires que de bénéfices tangibles » rappelle Isabelle Pons, AI Programme Chief Operating Officer chez Sopra Steria. « L’IA n’échappe pas à ce schéma mais ce qui change, c’est la vitesse à laquelle la technologie évolue, ce qui contraint les organisations à structurer beaucoup plus vite leur réponse ».
Cette accélération change profondément la nature du défi pour les entreprises. Là où les phases d’expérimentation pouvaient autrefois s’étaler dans le temps, l’accélération impose de construire, presque simultanément, les usages, les architectures et les cadres de gouvernance. Autrement dit, il ne s’agit plus seulement d’innover, mais de poser dès le départ les bases d’une IA fiable, maîtrisée et capable de s’inscrire durablement dans les opérations.
Pour autant, un écart persiste entre ambition et réalité. Si l’adoption est massive, l’industrialisation reste encore limitée. Moins d’un tiers des projets atteignent une production stable, révélant des fragilités structurelles en matière de gouvernance, d’architecture et de compétences.
C’est précisément à ce point de bascule que s’intéresse le CIO Compass « Nord » de Sopra Steria Next : aider les DSI à sortir de la logique expérimentale pour entrer dans une discipline industrielle de l’IA.
Le passage à l’échelle, un défi structurel
« L’an dernier, nous avons observé chez nos clients une première étape décisive : ils ont sélectionné quelques cas d’usage et tenté de les faire passer en production. Mais passer en production ne signifie pas juste changer d’échelle en augmentant le nombre d’utilisateurs. Il faut construire une véritable chaîne industrielle, intégrant dès l’origine la supervision, la maintenance, la sécurité, l’observabilité et la capacité d’évolution dans le temps », souligne Isabelle Pons.
Si autant de projets peinent à dépasser le stade du POC, ce n’est pas faute d’idées ou de cas d’usage, mais parce que les conditions d’industrialisation sont largement sous-estimées. Dans la plupart des organisations, les premières initiatives ont été conçues comme des démonstrateurs. Elles n’intègrent ni les exigences de sécurité, ni les contraintes d’intégration au système d’information, ni les mécanismes de pilotage dans la durée. « Un POC peut donner l’impression que tout est simple. Mais il ne reflète ni les exigences de sécurité, ni les contraintes d’intégration, ni les besoins de supervision. Or, dès que l’on vise la production, cette complexité devient centrale », confirme Isabelle Pons.
Dès lors, l’enjeu n’est plus d’industrialiser des cas d’usage isolés, mais de construire un socle commun capable de les supporter dans la durée. Pour y parvenir, le rapport esquisse un cadre structuré, en intégrant dès l’origine les enjeux de valeur, d’industrialisation, de sécurité et de pilotage dans la durée.
Ces principes traduisent une même exigence : inscrire chaque initiative dans une trajectoire cohérente, en anticipant dès l’origine les contraintes d’architecture, de gouvernance et de coûts. Concrètement, cela se traduit par des arbitrages structurants qui engagent l’ensemble du système d’information. Les entreprises doivent arbitrer entre solutions intégrées et développements spécifiques, éviter les dépendances excessives, maîtriser des coûts d’inférence par nature volatils et renforcer une gouvernance encore immature. « L’expérience du cloud a montré qu’il est toujours plus difficile de sortir d’une dépendance que de l’anticiper », rappelle Isabelle Pons. « Les choix d’architecture doivent donc intégrer cette dimension dès le départ ».
Au-delà des questions d’architecture, la maturité réelle en IA repose aussi sur une vision plus large selon Sopra Steria Next : elle s’exprime dans la manière dont l’IA augmente les collaborateurs, transforme les processus, s’intègre aux opérations physiques et accélère le développement logiciel. Lorsque ces quatre dimensions convergent, l’IA cesse d’être une accumulation de cas d’usage pour devenir un véritable « système nerveux » à l’échelle de l’entreprise, capable de relier données, décisions et opérations dans une logique continue.
Des AI Factories pour sortir du « cimetière des pilotes »
Pour dépasser la logique du POC jetable, le rapport préconise la mise en place d’AI Factories, levier clé de l’industrialisation.
Loin d’une approche fragmentée, fondée sur une succession de projets indépendants, l’AI Factory repose sur un principe simple : mutualiser les briques techniques, les données, les pratiques et la gouvernance afin de créer un socle commun, sur lequel les cas d’usage peuvent être déployés plus rapidement, avec un niveau de qualité et de sécurité constant.
Selon le rapport, ce modèle permet de sortir d’une logique exploratoire pour entrer dans une véritable discipline industrielle. Il garantit la cohérence des architectures, la reproductibilité des déploiements et une meilleure maîtrise des risques, tout en limitant la dette technique. Il favorise également une collaboration plus étroite entre IT et métiers, en structurant des équipes pluridisciplinaires et en rapprochant les expertises data, produit et opérationnelles.
Isabelle Pons insiste sur le caractère progressif de cette transformation. « Il ne s’agit pas de construire une plateforme idéale en amont, mais de poser des premiers standards, puis de les enrichir à mesure que les cas d’usage se déploient. Chaque mise en production permet d’apprendre et de renforcer le socle commun ».
Cette logique cumulative change profondément la dynamique des projets IA. Elle permet de capitaliser sur chaque déploiement, d’accélérer les suivants et, surtout, d’éviter l’écueil du « cimetière des pilotes », où s’accumulent des initiatives prometteuses mais jamais industrialisées.
Frugalité et maîtrise : choisir le modèle « juste »
À mesure que l’IA passe à l’échelle, une autre évidence s’impose : la performance ne repose pas uniquement sur la puissance des modèles mobilisés, mais aussi sur leur adéquation aux usages. Car si le passage à l’échelle exige de la rigueur, il impose aussi une forme de sobriété : des choix technologiques pertinents en phase d’expérimentation deviennent rapidement coûteux, complexes et difficiles à soutenir lorsqu’ils sont généralisés à l’ensemble de l’organisation.
Dès lors, la frugalité devient un principe d’architecture à part entière. Dans un contexte où le déploiement de l’IA à grande échelle soulève des questions croissantes de soutenabilité — qu’il s’agisse des coûts d’inférence, de la pression sur les ressources GPU ou de l’empreinte environnementale globale —, Sopra Steria Next défend le principe d’une frugalité « by design », fondée sur le choix du modèle le plus pertinent plutôt que du plus puissant. La personnalisation de modèles plus compacts, entraînés sur les données et le vocabulaire propres à l’entreprise, s’impose ainsi comme une alternative crédible au recours systématique aux LLM ainsi que le souligne Isabelle Pons : « Il n’est pas nécessaire de mobiliser des modèles massifs pour tous les cas d’usage. Des modèles plus spécialisés permettent de mieux maîtriser les coûts, tout en offrant davantage de contrôle, de lisibilité et de capacité d’évolution ».
Cette approche répond à plusieurs enjeux : la maitrise des coûts, la souveraineté technologique et de la durabilité, en limitant la dépendance à des modèles généralistes coûteux et énergivores. Enfin, elle facilite la maitrise technologique, les modèles plus compacts étant plus faciles à contrôler, à adapter et à faire évoluer.
Piloter la valeur : au-delà de la performance des modèles
Cette recherche de frugalité met en lumière une réalité plus large : la performance d’un système d’IA ne peut plus être évaluée à l’aune de ses seules performances techniques ou de ses coûts d’exécution.
À mesure que les usages se déploient, la question n’est plus seulement de savoir combien coûte un modèle, mais ce qu’il produit réellement pour l’organisation, et dans quelles conditions il peut être exploité dans la durée.
Isabelle Pons insiste ainsi sur la nécessité d’élargir la lecture de la valeur : « L’évaluation du ROI doit intégrer l’ensemble des dimensions – risques, coûts d’intégration, exigences réglementaires, impacts humains – et pas uniquement la performance du modèle ».
Autrement dit, la création de valeur ne se mesure plus uniquement en gains de productivité immédiats ou en qualité de réponse. Elle repose sur la capacité à intégrer l’IA dans les processus métier, à en maîtriser les risques, à en soutenir l’exploitation dans le temps et à accompagner les transformations organisationnelles qu’elle induit.
Ce changement de perspective marque une rupture avec les approches expérimentales. L’IA devient un actif à gérer, au même titre que les autres composantes du système d’information, avec ses coûts, ses dépendances et ses impacts organisationnels.
Shadow AI : quand l’usage devance l’organisation
Le shadow IT n’est pas un phénomène nouveau. Les organisations l’ont déjà vécu avec Slack, WhatsApp ou les outils de partage de fichiers grand public : face à un SI perçu comme trop lent, les métiers s’équipent eux-mêmes. L’histoire se répète avec le shadow AI, mais à une toute autre puissance.
Deux facteurs changent radicalement la donne. D’abord, la vitesse : le cycle d’industrialisation d’un outil prend des mois ; le cycle d’adoption par les collaborateurs prend désormais quelques jours. À peine une solution est-elle encadrée qu’une nouvelle génération est déjà en circulation. L’industrialisation court structurellement après l’usage. Ensuite, l’étendue de ce qu’il est possible de faire en autonomie : là où le shadow IT d’hier se limitait à partager des fichiers, l’IA permet aujourd’hui de produire, d’analyser et bientôt d’agir, sans validation, sans traçabilité. « Les interactions avec l’IA rendent plus difficile la traçabilité des données et des usages, ce qui complexifie considérablement les mécanismes de contrôle », souligne Isabelle Pons.
La réponse ne peut pas être uniquement défensive. Interdire n’a jamais suffi à contenir le shadow IT. L’enjeu pour la DSI est ailleurs : réduire l’écart de désirabilité en proposant des services encadrés qui ne sacrifient pas l’expérience utilisateur, et industrialiser suffisamment vite pour ne pas laisser le terrain libre. « Si la DSI n’est pas en mesure de proposer des services suffisamment aboutis, les métiers avanceront sans elle », avertit Isabelle Pons. Avec l’IA agentique, ce risque prend une dimension inédite : celle de voir proliférer des micro-systèmes automatisés, non sécurisés et non pilotés.
Gouvernance et conduite du changement : les laissées pour compte de l’industrialisation
Face à ces dérives, une évidence s’impose : si les AI Factories constituent un socle indispensable, elles ne suffisent pas à elles seules à garantir une industrialisation maîtrisée de l’IA. Celle-ci suppose également un cadre de gouvernance capable d’encadrer les usages, de piloter les risques et d’aligner les initiatives avec les priorités de l’entreprise.
Or, la gouvernance et la conduite du changement restent aujourd’hui les maillons les plus fragiles de la transformation opérée par l’IA. « L’IA est encore largement abordée sous un angle technologique », observe Isabelle Pons. « Mais déployer un outil, qu’il s’agisse d’un Copilot ou d’un accès à ChatGPT, ne transforme pas une organisation ». Autrement dit, distribuer des outils ne garantit ni leur adoption, ni leur bon usage. Sans cadre clair, les initiatives se multiplient, les pratiques divergent et les risques s’accumulent, comme en témoigne la montée du shadow AI.
La gouvernance devient dès lors un levier stratégique. « Elle permet de définir des priorités, d’arbitrer les cas d’usage, de piloter la transformation des compétences, de structurer le management par les risques ou encore de s’assurer que les exigences de conformité et de sécurité sont effectivement appliquées au niveau opérationnel », explique Isabelle Pons. « Or, les entreprises commencent tout juste à se poser ces questions de gouvernance et de conduite du changement, parfois parce que le management par les risques les intimide encore ».
Ce frein s’explique en partie par la nature même de l’IA : elle introduit des risques plus diffus, plus difficiles à anticiper et à contrôler, tout en déplaçant la responsabilité au niveau des usages. Là où les systèmes traditionnels reposaient sur des règles déterministes et des contrôles centralisés, l’IA oblige à gérer de l’incertitude, des comportements probabilistes et des usages décentralisés, autant d’éléments qui complexifient la mise en place d’un pilotage par le risque à grande échelle.
Dans ce contexte, gouvernance et conduite du changement apparaissent plus que jamais comme les véritables conditions de réussite des projets IA. Sans elles, les architectures les plus solides et les modèles les plus performants peinent à produire de la valeur à grande échelle.
Piloter l’IA : le nouveau défi du DSI
Au fil de ce CIO Compass « Nord », un constat s’impose : l’IA ne tiendra ses promesses qu’à condition d’être structurée, gouvernée et pilotée avec rigueur. « Le principal risque aujourd’hui n’est pas d’aller trop vite ou trop lentement, mais de ne pas piloter sa propre transformation », souligne Isabelle Pons. « Le métier de DSI va être profondément bouleversé. La manière de concevoir un système d’information est en train de changer, tout comme la manière de le développer, de l’opérer, de gérer le patrimoine applicatif ».
Or, beaucoup de DSI abordent encore l’IA avec des logiques héritées des systèmes traditionnels – projets ponctuels, architectures stables, contrôle centralisé – alors même qu’elle impose un pilotage continu, distribué et beaucoup plus orienté usages. Dit autrement, la question n’est plus de savoir si l’IA va transformer l’entreprise, mais si les DSI sont prêts à transformer leur manière de la piloter.
L’industrialisation de l’IA marque ainsi une rupture : ce qui relevait hier de projets expérimentaux devient aujourd’hui un enjeu de pilotage global, où se mêlent architectures, usages, coûts, risques et gouvernance. Et c’est précisément là que se situe la ligne de fracture : d’un côté, des organisations capables de transformer l’IA en discipline industrielle, maîtrisée et créatrice de valeur ; de l’autre, des systèmes où les usages se multiplient plus vite que les cadres qui devraient les contenir. L’enjeu n’est donc plus de déployer l’IA, mais d’éviter qu’elle ne se déploie sans cadre.
L’industrialisation de l’IA n’est pas une course à la vitesse, rappelle Sopra Steria Next. C’est un test de discipline. Et pour les DSI, ce pourrait bien être le test le plus exigeant de leur carrière.
À LIRE AUSSI :
