Comment un DSI a déployé 5 projets IA en parallèle sans exploser le budget

En 2026, le budget IT des DSI stagne ou diminue, tandis que la pression pour démontrer rapidement un ROI sur les investissements IA s’intensifie. Pour beaucoup de directeurs informatiques, cela crée un casse-tête apparent : comment piloter plusieurs projets IA simultanément sans se disperser, tout en maîtrisant les coûts et en livrant des résultats ? C’est précisément le défi qu’un DSI d’une ETI manufacturière a réussi à relever en 2025-2026, en mettant en place une gouvernance pragmatique et une méthode d’orchestration des projets.

Retour sur cette expérience, qui révèle moins la magie d’une baguette magique technologique que la discipline méthodologique d’un pilotage intelligent des projets IA en contexte contraint.

Le contexte : l’équilibriste du budget IT

Le DSI de cette entreprise de 300 salariés héritait en janvier 2025 d’une situation classique chez les ETI : cinq initiatives IA identifiées par les directions métiers, provenant de la direction commerciale (optimisation du pipeline CRM), de la chaîne logistique (prévisions de demande), de l’usine (maintenance prédictive), des RH (recrutement assisté), et du direction financière (automatisation de la comptabilité). Ces cinq initiatives avaient un potentiel réel, mais aucun budget d’expansion prévu. Au contraire, l’IT devait s’attendre à une réduction possible du budget d’exploitation.

Le premier réflexe aurait été classique : lancer les cinq projets en parallèle sans coordination réelle, espérer que chaque initiative trouve sa propre traction, et gérer les crises au fil du temps. C’est le piège que décrivent les rapports 2026 : des entreprises qui lancent plusieurs projets IA en parallèle dans différentes directions métiers, résultant en des solutions incompatibles, des données en silos, des budgets dupliqués, et des équipes frustrées.

Le DSI a refusé ce chemin. Il a au contraire mis en place une gouvernance IA stricte avant même de lancer le premier projet.

Étape 1 : une gouvernance IA avant les projets

La première décision a été de créer une structure de gouvernance claire, avec trois niveaux de pilotage. En haut, un comité stratégique composé du PDG, du CFO, du DSI, et des directeurs métiers impliqués. Ce comité se réunissait mensuellement pour arbitrer entre les priorités, allouer les ressources, et maintenir un vue d’ensemble de la transformation IA. Ce n’était pas un comité technique, mais un comité de business, avec pour responsabilité d’assurer que les projets IA contribuaient aux objectifs de l’entreprise.

Ensuite, un bureau IA composé du DSI, d’un responsable données, d’un ingénieur IA, et d’un responsable des projets. Ce bureau avait un mandat clair : garantir la cohérence technique des cinq projets, mutualiser les infrastructures et les données, identifier les risques, et assurer que les budgets ne dérapaient pas. Enfin, chaque projet avait son chef de projet dédié et son sponsor métier, mais tous les chefs de projet revenaient régulièrement au bureau IA pour synchroniser leurs approches et partager les apprentissages.

C’est une leçon que nous partageons chez DécisionIA auprès des dirigeants : la gouvernance n’est pas un frein à la vélocité des projets IA. C’est au contraire ce qui permet d’aller plus vite et plus loin. Les entreprises qui réussissent à déployer plusieurs projets IA sans dérapage budgétaire sont celles qui organisent leur gouvernance en amont, pas celles qui l’improvisent.

Étape 2 : une infrastructure partagée et une stratégie données centralisée

Le second levier a été la mutualisation technique. Plutôt que de laisser chaque projet IA utiliser ses propres outils, ses propres pipelines de données et ses propres modèles, le DSI a défini une stack IA commune : une plateforme MLOps centralisée, un data warehouse partagé, une gouvernance des données unique, et un portefeuille de modèles IA réutilisables.

Cette approche avait deux bénéfices directs. D’abord, elle réduisait drastiquement les coûts d’infrastructure. Au lieu de provisionner une plateforme IA par projet, l’entreprise mutualise une seule plateforme pour les cinq. Les coûts d’infrastructure IA représentaient environ 15-20 % du budget total IA : cette mutualisation les ramenait à 10 %. Deuxièmement, elle accélérait la livraison des projets. Un projet lancé trois mois après le premier pouvait bénéficier des données nettoyées du premier projet, réutiliser certains modèles, et éviter de recréer les mêmes pipelines. Cela réduisait en moyenne de 30 % le temps de développement par projet après le premier.

Pour cela, une stratégie données très claire avait été établie : quels données, quel niveau de qualité, quelle source de vérité. Cette clarté, bien que fastidieuse à mettre en place, a évité les conflits ultérieurs sur la cohérence des données entre projets.

Étape 3 : un modèle de financement à risque partagé

Le troisième levier a été le modèle financier. Plutôt que d’allouer un budget global puis de laisser les directeurs métiers se battre pour des ressources, le DSI a proposé un modèle innovant : les deux premiers projets (maintenance prédictive et optimisation CRM) étaient financés intégralement par le budget IT, en échange d’une robustesse et d’une documentação impeccable. Les trois projets suivants étaient financés en co-investissement, le métier payant une part proportionnelle au bénéfice qu’il en tirait.

Ce modèle avait une conséquence subtile mais puissante : cela forçait chaque direction métier à être précise sur ses objectifs et sur le ROI attendu. Les projets financés partiellement par le métier étaient scrutés de plus près, avec des critères de succès très clairs. Et cela crée une discipline : les directeurs métiers n’acceptaient que les projets où le ROI était réel et mesurable, pas les initiatives vagues ou spéculatives. C’est une approche que le Chief AI Officer ou un CAI Officer aurait pu mettre en place d’ailleurs dans les grandes organisations.

Étape 4 : un rythme de livraison très discipliné

Enfin, le DSI a imposé un rythme de lancement très discipliné : POC, pilot, puis industrialisation. Au lieu de lancer les cinq projets en même temps, il a lancé les deux premiers en parallèle (maintenance prédictive et optimisation CRM), puis attendu quatre mois avant de lancer le troisième. Ce tempo permettait au bureau IA de capturer les apprentissages des premiers projets et de les intégrer dans les suivants. Cela réduisait considérablement le risque d’erreurs répétées. Et cela permettait aux équipes IT de ne pas se disperser sur cinq fronts simultanément.

Ce rythme était cadencé : deux mois pour les phases de POC et de définition, deux mois pour le pilote, trois mois pour l’implémentation complète, puis un mois de stabilisation et d’apprentissages avant le prochain lancement. Pas de flou, pas de glissement de délai de trois mois qui devient six. Discipline militaire.

Les résultats : en budget, dans les délais, avec un ROI réel

Après douze mois, voici où en était ce DSI : quatre projets livrés en production (maintenance prédictive, optimisation CRM, prévision de demande logistique, automatisation comptable). Le cinquième projet (recrutement assisté) était en phase de pilote et sur le point de démarrer l’implémentation. Zéro dérapage budgétaire. Les quatre projets avaient généré un ROI estimé à 2,3 millions d’euros en année pleine (réductions de coûts + génération de revenus additionnels), largement supérieur à l’investissement total qui s’était élevé à 450 000 euros.

En termes de délai, tous les projets avaient respecté le calendrier établi, ni avant, ni après. La maintenance prédictive avait réduit les arrêts machines non planifiés de 22 %. L’optimisation CRM avait augmenté la taille moyenne des deals de 18 %. La prévision de demande avait réduit les ruptures de stock de 35 %. Et l’automatisation comptable avait supprimé trois ETP de travail administratif, redéployés sur de la tâche à plus forte valeur ajoutée.

Les pièges évités et les conditions du succès

Plusieurs facteurs ont défini le succès de ce déploiement. D’abord, la gouvernance établie avant les projets, pas après. Trop de DSI commencent les projets et créent la gouvernance en cours de route. Trop tard : les habitudes sont déjà prises, les silots déjà formés, les budgets déjà dupliqués. Deuxièmement, la mutualisation technique des ressources et des données. Cela exige de la discipline et de la vision long terme, mais cela transforme le coût unitaire d’un projet IA. Troisièmement, la discipline du rythme de lancement. Lancer cinq projets IA en parallèle est séduisant en apparence. C’est aussi le meilleur moyen de tous les rater. Le rythme cadencé (deux puis un) apporte une progression saine et contrôlée.

Enfin, et ce point est capital, la clarté sur la mesure du ROI. Chaque projet avait des métriques claires, définies avant le lancement. Ce n’était pas « améliorer l’efficacité », c’était « réduire les arrêts machines de X % » ou « augmenter la taille moyenne des deals de Y % ». Cette clarté initiale a permis d’évaluer rigoureusement chaque projet et de justifier les investissements auprès de la direction générale.

Leçons pour les DSI en 2026

Ce retour d’expérience contredit un mythe couramment entendu : celui où la gouvernance ralentit les projets IA. La réalité observée ici est inverse. Une gouvernance bien pensée accélère les projets, sécurise les budgets, et crée une culture d’accountability qui pousse les équipes à performer. Les DSI qui réussissent en 2026 ne sont pas ceux qui lancent le plus de projets. Ce sont ceux qui lancent le bon nombre de projets avec une rigueur inébranlable.

Sources :