Les entreprises pensent souvent payer l’intelligence artificielle avec un abonnement, une facture cloud ou une licence logicielle. Pour Satya Nadella, PDG de Microsoft, ce calcul est incomplet. Dans une longue prise de position publiée sur X, le dirigeant estime que l’IA d’entreprise impose un second prix, moins visible mais potentiellement plus stratégique : la connaissance interne que les organisations doivent révéler pour rendre les modèles réellement utiles.
L’idée est simple, mais lourde de conséquences. Plus une entreprise veut obtenir des réponses pertinentes d’un système d’IA, plus elle doit lui fournir de contexte : processus métier, corrections humaines, habitudes de décision, documents internes, historiques de projets, critères d’évaluation, méthodes commerciales ou techniques. En clair, elle ne paie pas seulement pour accéder à une intelligence artificielle ; elle contribue aussi à enrichir l’écosystème qui la rend performante.
Nadella décrit ce phénomène comme un « paradoxe inversé de l’information », en référence au paradoxe classique de l’économiste Kenneth Arrow. Là où Arrow s’intéressait à la difficulté pour un vendeur de prouver la valeur d’une information sans la dévoiler, Nadella estime que l’IA inverse le problème : c’est désormais l’acheteur qui doit exposer une partie de son savoir propriétaire pour obtenir toute la valeur du produit.
Le vrai coût de l’IA d’entreprise ne se limite pas à la facture
Dans les déploiements d’IA générative, la valeur ne vient pas uniquement du modèle de fondation. Elle dépend surtout de ce que l’entreprise lui apporte : ses données, ses workflows, ses validations, ses règles implicites et ses cas limites. Un assistant IA généraliste devient utile lorsqu’il comprend le vocabulaire, les priorités et les contraintes propres à une organisation.
C’est précisément là que se situe le coût caché. Une entreprise peut payer une solution d’IA pour automatiser le support client, accélérer la rédaction juridique ou améliorer l’analyse financière. Mais pour que l’outil donne de bons résultats, elle doit souvent lui fournir des exemples de réponses, des documents internes, des critères de qualité et des corrections régulières. Ce travail transforme progressivement le système en miroir opérationnel de l’entreprise.
Le risque n’est pas seulement technique. Il est aussi concurrentiel. Les données brutes sont importantes, mais les ajustements successifs, les arbitrages et les retours humains peuvent révéler une forme de savoir-faire institutionnel encore plus précieuse.
Ce que Nadella appelle le « résidu » de l’IA
Chaque interaction avec une IA laisse une trace. Une question posée, une réponse corrigée, une évaluation interne, un prompt amélioré ou un résultat rejeté : tous ces micro-signaux construisent peu à peu une mémoire de la manière dont l’entreprise pense et travaille.
Nadella qualifie ce phénomène de « résidu » généré par l’usage de l’IA. Ce résidu n’est pas forcément visible dans un tableau de bord financier, mais il peut contenir des éléments très sensibles : préférences métier, procédures non documentées, critères de décision, stratégies de négociation, façons de résoudre des incidents, ou encore méthodes d’analyse propres à une équipe.
Au fil du temps, ce corpus d’interactions peut devenir plus révélateur que les documents de départ. Un contrat, une procédure ou une base de connaissances décrivent ce qu’une entreprise sait. Les corrections et les évaluations montrent comment elle applique ce savoir dans la réalité.
Pourquoi cette question devient stratégique pour les DSI et les directions métier
Pour les directions informatiques, le sujet dépasse largement la conformité ou la cybersécurité. Il touche à la maîtrise de la chaîne de valeur de l’IA. Si une entreprise confie trop largement ses données, ses prompts et ses boucles d’amélioration à un fournisseur unique, elle peut créer une dépendance difficile à défaire.
Le problème n’est pas seulement de savoir si un modèle s’entraîne officiellement sur les données du client. Il faut aussi se demander où résident les prompts, les historiques, les évaluations, les embeddings, les mémoires persistantes, les connecteurs et les couches d’orchestration. Ces composants forment l’architecture réelle de l’IA en entreprise.
Une organisation qui perd la maîtrise de cette couche risque de perdre une partie de son avantage compétitif. Elle peut aussi se retrouver enfermée dans une solution dont il devient coûteux de sortir, non parce que le modèle est irremplaçable, mais parce que toute l’intelligence accumulée autour de lui y est attachée.
Copilot, Microsoft Graph et la question sensible des accès
La position de Satya Nadella comporte une part d’ironie apparente : Microsoft commercialise Copilot, un assistant dont l’intérêt repose justement sur sa capacité à accéder à de larges volumes de données d’entreprise via Microsoft Graph. Ce dernier permet à Copilot de raisonner sur des documents, emails, conversations et fichiers auxquels l’utilisateur est autorisé à accéder.
Microsoft distingue toutefois deux sujets : l’accès aux données pour répondre à une requête utilisateur, et l’utilisation de ces données pour entraîner des modèles de fondation. L’entreprise affirme que les informations récupérées via Microsoft Graph ne servent pas à entraîner ses modèles d’IA, et que Copilot respecte les permissions existantes, les contrôles d’identité et les étiquettes de sensibilité.
Cette distinction est importante, mais elle ne suffit pas à supprimer tous les risques. Si les droits d’accès internes sont trop permissifs, un assistant IA peut faire remonter des informations que l’utilisateur n’aurait jamais consultées manuellement. Le problème n’est alors pas uniquement l’IA : c’est l’IA qui rend visibles des failles anciennes dans la gouvernance documentaire.
Plusieurs travaux cités dans le débat public ont souligné cette difficulté. Concentric AI a indiqué que Copilot avait accédé à près de trois millions d’enregistrements confidentiels par organisation au premier semestre 2025. De son côté, EPC Group a relevé qu’environ 80 % des environnements Microsoft 365 audités présentaient des risques significatifs de partage excessif, incluant des informations salariales, des documents de fusion-acquisition ou des données clients.
Le paradoxe Microsoft : alerter sur la dépendance tout en vendant l’infrastructure
Le message de Nadella peut aussi être lu comme une feuille de route stratégique pour Azure. Il invite les entreprises à conserver leur mémoire organisationnelle, leurs évaluations privées et leurs couches d’orchestration sous contrôle. Or ces briques ont besoin d’infrastructure cloud, de stockage, de calcul, de sécurité, de gestion des identités et d’outils de développement.
Autrement dit, Microsoft défend une approche où les entreprises peuvent changer de modèle de fondation, mais pas forcément de socle cloud. L’argument est cohérent avec l’évolution du marché : les modèles deviennent plus interchangeables, tandis que la valeur se déplace vers l’architecture, la donnée, les connecteurs, les politiques d’accès et les systèmes d’évaluation.
Pour les entreprises, la question n’est donc pas de rejeter les plateformes cloud ou les assistants IA. Elle est de savoir quelles couches doivent rester sous leur contrôle direct, et lesquelles peuvent être externalisées sans perte stratégique.
Vers des architectures IA indépendantes des modèles
La tendance qui se dessine est celle d’architectures plus agnostiques vis-à-vis des modèles. Plutôt que de lier toute leur stratégie à un seul fournisseur, les équipes techniques cherchent à construire des couches intermédiaires capables de dialoguer avec plusieurs modèles : OpenAI, Anthropic, Google, Mistral, Meta ou des modèles spécialisés déployés en interne.
Des outils comme LangChain ou Haystack s’inscrivent dans cette logique. Ils permettent de traiter les modèles comme des composants remplaçables, et non comme des dépendances figées au cœur du système. Cette approche facilite les comparaisons de performance, la maîtrise des coûts, la résilience et la négociation avec les fournisseurs.
Mais l’orchestration ne se limite pas au routage des requêtes. Elle englobe aussi la gestion des prompts, la récupération documentaire, les évaluations, les journaux d’usage, les contrôles de sécurité et parfois la mémoire à long terme. C’est là que se concentre une partie croissante de la valeur.
Ce que les entreprises devraient garder sous leur contrôle
Pour éviter de payer l’IA deux fois de manière déséquilibrée, les entreprises doivent identifier les actifs qui constituent leur avantage durable. Dans la pratique, plusieurs éléments méritent une attention particulière.
- Les données sensibles et propriétaires : contrats, plans stratégiques, données clients, documents RH, informations financières, code source ou recherches internes.
- Les prompts métier : instructions affinées par les équipes, modèles de raisonnement, formats de réponse et règles opérationnelles.
- Les évaluations privées : jeux de tests, critères de qualité, benchmarks internes et retours d’experts.
- La mémoire organisationnelle : historiques de décisions, corrections, préférences métier et apprentissages accumulés.
- La couche d’orchestration : connecteurs, routage entre modèles, règles d’accès, journalisation et supervision.
Ces éléments doivent être considérés comme des actifs stratégiques, au même titre qu’une base clients, un brevet ou une méthode industrielle. Les céder implicitement à un fournisseur, même sans intention directe, peut créer une dépendance durable.
Conseils pratiques avant de déployer une IA générative en entreprise
Avant de généraliser un assistant IA, les organisations devraient mener un audit précis de leurs données et de leurs permissions. Beaucoup de risques associés à l’IA viennent de problèmes existants : dossiers trop largement partagés, absence de classification, droits hérités, canaux collaboratifs mal gouvernés ou documents confidentiels accessibles à trop d’utilisateurs.
Voici quelques mesures concrètes à mettre en place avant un déploiement à grande échelle :
- Cartographier les sources de données connectées à l’IA : messagerie, stockage documentaire, CRM, ERP, bases internes, outils de support.
- Réduire les accès excessifs avant d’activer des fonctions de recherche ou de raisonnement transversal.
- Définir une politique claire de conservation pour les prompts, les conversations, les évaluations et les journaux.
- Vérifier contractuellement l’usage des données : entraînement, fine-tuning, télémétrie, sous-traitants, localisation et suppression.
- Mettre en place des évaluations internes afin de mesurer la qualité des réponses sans dépendre uniquement des métriques du fournisseur.
- Prévoir une stratégie de sortie : export des prompts, des embeddings, des historiques utiles et des workflows critiques.
Le nouvel enjeu : posséder sa boucle d’apprentissage
Le cœur du message de Nadella tient en une idée : les entreprises doivent posséder leur boucle d’apprentissage IA. Cette boucle regroupe tout ce qui permet au système de s’améliorer dans un contexte donné : données, retours humains, évaluations, ajustements, mémoire et décisions d’orchestration.
Si cette boucle reste dans l’entreprise, l’investissement dans l’IA crée un actif cumulatif. Chaque interaction améliore les processus, affine les outils internes et renforce la connaissance opérationnelle. Si elle est capturée par un fournisseur, une partie de cette valeur peut sortir du périmètre de contrôle de l’organisation.
C’est pourquoi de plus en plus d’entreprises cherchent à séparer les rôles : le modèle fournit la capacité de raisonnement ou de génération, tandis que l’entreprise conserve les données, le contexte, les règles et les mécanismes d’évaluation. Cette séparation n’est pas toujours simple, mais elle devient essentielle pour les organisations qui voient l’IA comme une infrastructure stratégique plutôt qu’un simple logiciel.
Un débat qui dépasse Microsoft
Le sujet soulevé par Satya Nadella ne concerne pas uniquement Microsoft, Copilot ou Azure. Il touche toute l’industrie de l’IA générative. Les fournisseurs de modèles ont besoin de données, de signaux d’usage et de retours pour améliorer leurs produits. Les entreprises, elles, veulent bénéficier de ces outils sans abandonner ce qui fait leur différence.
Cette tension va probablement structurer les prochaines années du marché. Les clients professionnels demanderont davantage de garanties sur la confidentialité, la portabilité, l’interopérabilité et la souveraineté des données. Les fournisseurs, de leur côté, chercheront à proposer des environnements intégrés, simples à déployer, mais souvent plus difficiles à quitter.
Le vrai arbitrage ne sera donc pas seulement technique. Il sera économique et stratégique : accepter une intégration profonde pour aller vite, ou investir dans une architecture plus maîtrisée pour préserver son autonomie.
Conclusion : l’IA rentable sera celle dont l’entreprise garde la maîtrise
L’avertissement de Satya Nadella met en lumière une réalité souvent sous-estimée : dans l’IA d’entreprise, la valeur ne vient pas uniquement du modèle, mais de tout ce que l’organisation lui apporte. Les abonnements et les coûts cloud sont visibles. La perte potentielle de savoir-faire, elle, est plus silencieuse.
Pour les entreprises, l’objectif n’est pas de se priver d’IA, mais de l’adopter avec une architecture qui protège leurs actifs essentiels. Garder la main sur les données, les permissions, les prompts, les évaluations et la mémoire organisationnelle devient une condition clé pour transformer l’IA en avantage compétitif durable.
En résumé, l’IA peut accélérer considérablement le travail des équipes. Mais si une entreprise ne contrôle pas la manière dont son savoir est capturé, enrichi et réutilisé, elle risque effectivement de payer deux fois : d’abord avec son budget, puis avec ce qu’elle possède de plus précieux, son intelligence collective.