L'IA a changé le coût du logiciel : repensez vos décisions IT

Pendant des années, la planification technologique des entreprises a suivi une logique simple : construire un logiciel coûtait cher, et le maintenir coûtait encore plus cher.

Cette logique a façonné une génération de décisions. On a acheté du SaaS plutôt que de développer en interne. On a contourné les systèmes existants plutôt que de les repenser. On a traité le vieux code comme quelque chose à éviter, pas à reconsidérer. Tout cela avait du sens dans un monde où le logiciel était coûteux à produire et à faire évoluer.

Mais ce monde change. Et quand l'économie sous-jacente change, la feuille de route finit par devoir changer avec elle.

L'ancienne économie du logiciel

La plupart des plans technologiques reposaient sur deux hypothèses : construire est cher, maintenir l'est encore plus. Ces hypothèses poussaient à la prudence. Si tout était coûteux, la réponse rationnelle était d'étirer la durée de vie des systèmes, d'externaliser la complexité, et de ne surtout pas ouvrir un vieux système sans nécessité absolue.

C'est l'une des raisons du succès du SaaS : acheter paraissait plus sûr que posséder. Et les grands chantiers de modernisation étaient présentés comme des projets pluriannuels, parce que l'alternative (réécrire, reconstruire) semblait trop risquée et trop chère. Cette logique est encore inscrite dans beaucoup de décisions aujourd'hui. Mais la courbe des coûts bouge.

L'IA réduit le coût de construction

L'une des preuves les plus claires vient d'une étude contrôlée de Microsoft Research et GitHub : les développeurs assistés par l'IA ont accompli une tâche de codage 55,8 % plus vite que le groupe témoin.

Ce résultat ne doit pas être surinterprété : c'était une tâche précise dans un cadre contrôlé, pas une affirmation sur toutes les équipes. Mais c'est une preuve solide que l'assistance IA peut comprimer significativement le temps de développement dans les bonnes conditions. Et ce n'est plus un comportement de niche : l'usage d'outils de codage assistés par l'IA est devenu courant en entreprise.

Le vrai basculement : la maintenance aussi devient moins chère

C'est ici que beaucoup de discussions stratégiques sont en retard. L'histoire médiatique s'est concentrée sur la génération de code. Mais la maintenance est sans doute là où l'économie devient la plus stratégique.

Maintenir, ce n'est pas seulement corriger des bugs. C'est comprendre un vieux système, relire du code, naviguer dans un dépôt inconnu, générer des tests, mettre à jour des interfaces, modifier sans risque des processus existants. L'exemple de Duolingo est parlant : dans son étude de cas publiée par GitHub, l'entreprise rapporte une nette accélération des revues de code et de la montée en compétence des développeurs sur des bases de code qu'ils ne connaissaient pas.

Une fois que la maintenance devient moins chère, et pas seulement la construction, les implications pour la planification deviennent bien plus larges.

Pourquoi cela compte pour votre feuille de route

Si le logiciel devient moins cher à construire et à modifier, plusieurs hypothèses de long terme s'affaiblissent. Un contrat SaaS qui semblait évident il y a trois ans mérite peut-être un second regard. Une modernisation qui exigeait autrefois un grand programme externe est peut-être désormais faisable avec une petite équipe interne outillée par l'IA. Une décision build-vs-buy tranchée il y a deux exercices ne repose peut-être plus sur l'économie actuelle.

Les premières fissures apparaissent généralement à trois endroits.

1. Les renouvellements SaaS

Beaucoup d'abonnements ont été justifiés à une époque où le développement interne paraissait lent et coûteux. À mesure que ces coûts changent, certaines catégories de logiciels (tableaux de bord internes, outils d'administration, interfaces opérationnelles) ressemblent moins à des produits qu'il faut louer, et davantage à des capacités qu'on pourrait construire. Cela ne veut pas dire tout remplacer : cela veut dire tester les renouvellements à l'aune de l'économie d'aujourd'hui, pas de l'habitude.

2. La modernisation de l'existant

Les vieux systèmes survivaient en partie parce que les comprendre et les modifier coûtait trop cher. C'est précisément là que l'IA change la donne : elle aide à traduire des artefacts hérités souvent illisibles en descriptions compréhensibles, et à décider quoi garder, mettre à jour ou abandonner.

3. Les décisions build-vs-buy

La question devient moins binaire. Elle n'est plus seulement « construire ou acheter », mais : quelles couches faut-il acheter, lesquelles personnaliser, et lesquelles vaut-il désormais la peine de posséder, parce que le coût de possession a baissé ?

Ce n'est pas qu'un sujet d'adoption de l'IA

Il est tentant de ranger tout cela sous « initiative IA ». C'est trop étroit. C'est un sujet de planification et d'allocation des ressources. En France, l'adoption progresse vite mais reste largement individuelle et superficielle, comme le montrent les travaux de France Num sur la transformation numérique des TPE-PME.

La bonne réponse n'est pas de lancer une expérimentation incontrôlée. C'est de revisiter les hypothèses derrière la feuille de route, avec gouvernance et discipline.

Les questions à se poser maintenant

• Quels abonnements SaaS renouvelons-nous par inertie plutôt que par calcul actuel ?
• Quels systèmes hérités sont devenus plus modifiables que notre feuille de route ne le suppose ?
• Quelles décisions build-vs-buy faut-il rouvrir parce que le modèle de coût a bougé ?
• Nos horizons de planification reflètent-ils la réalité technologique, ou seulement la tradition budgétaire ?

Ce ne sont pas des questions secondaires. Elles deviennent des questions de portefeuille centrales.

L'implication réelle pour les dirigeants

Les organisations qui s'adapteront le plus tôt ne seront pas celles qui lancent le plus de pilotes. Ce seront celles qui remarquent plus vite que leurs hypothèses de planification vieillissent. Quand l'économie du logiciel bascule, une feuille de route autrefois prudente devient silencieusement conservatrice.

Le travail n'est pas d'abandonner la planification long terme. C'est de mettre à jour les hypothèses économiques qui la sous-tendent.

Vous voulez savoir quels cas d'usage IA méritent d'entrer dans votre feuille de route ? Parlez-en à un expert SprintOS, 30 minutes, sans engagement.

Sources

• Sida Peng, Eirini Kalliamvakou, Peter Cihon, Mert Demirer, The Impact of AI on Developer Productivity: Evidence from GitHub Copilot (55,8 % d'accélération sur une tâche contrôlée).
• Étude de cas Duolingo publiée par GitHub (données rapportées par l'entreprise).
• France Num : transformation numérique et IA des TPE-PME françaises.