Les dépenses d’Amazon et de Google dans l’IA révèlent la crise cachée des coûts du CX en entreprise

Amazon a porté son plan de dépenses d’investissement pour 2026 à 220 milliards de dollars, malgré la croissance la plus rapide d’AWS en 18 trimestres. La course aux infrastructures entre Amazon et Google révèle désormais une vérité difficile pour les équipes responsables de l’expérience client en entreprise. La demande en IA explose, mais les systèmes qui y répondent exigent davantage de capitaux, de matériel rare et d’engagements plus longs.

Cela ne signifie pas que l’IA en entreprise a échoué. L’activité cloud d’Amazon a progressé de 37 % au deuxième trimestre, tandis que ses activités IA et puces ont chacune dépassé un rythme annualisé de 25 milliards de dollars. Pourtant, Amazon s’attend toujours à ce que sa capacité d’infrastructure reste inférieure à la demande en 2026.

Google fait face à la même tension, à une autre échelle. Le chiffre d’affaires de Google Cloud a augmenté de 82 %, tandis qu’Alphabet a relevé ses dépenses d’investissement prévues pour 2026 entre 195 et 205 milliards de dollars. Les deux entreprises montrent qu’une adoption accrue de l’IA ne rend pas automatiquement les expériences client moins coûteuses ni plus simples.

Pour les entreprises, le problème dépasse la facture cloud. Les systèmes d’expérience client pilotés par l’IA nécessitent l’inférence des modèles, la recherche de données, des contrôles de sécurité, des évaluations, une revue humaine et des intégrations aux plateformes existantes. Chaque couche ajoute des coûts avant qu’une organisation puisse démontrer que l’expérience est meilleure.

Les chiffres du T2 d’Amazon ont changé le débat sur les coûts de l’IA

Les résultats d’Amazon montrent qu’une forte demande en IA et une pression intense sur les coûts peuvent coexister.

Amazon a publié ses résultats du deuxième trimestre le 30 juillet 2026. Les ventes d’AWS ont augmenté de 37 % entre avril et juin, contre 28 % au trimestre précédent. L’entreprise a présenté cette performance comme la croissance la plus rapide d’AWS en 18 trimestres.

Amazon a également indiqué que son activité IA et son activité de puces avaient chacune dépassé un rythme annualisé de 25 milliards de dollars. Ces chiffres suggèrent que les clients achètent de l’infrastructure plutôt que de simplement l’expérimenter.

Les dépenses nécessaires pour soutenir cette croissance ont augmenté tout aussi fortement. Le directeur général Andy Jassy a relevé les dépenses d’investissement prévues d’Amazon pour 2026 d’environ 200 milliards de dollars à 220 milliards. Ce total comprend des investissements dans l’infrastructure IA, les semi-conducteurs, la robotique et les satellites.

Selon Jassy, la hausse des coûts de la mémoire a été une raison majeure de ces dépenses supplémentaires. La mémoire est essentielle à l’entraînement des modèles et à l’exécution de l’inférence, c’est-à-dire à la mise à disposition d’un modèle entraîné auprès des utilisateurs. La hausse du coût des composants affecte donc à la fois les systèmes expérimentaux et les charges de production établies.

Les documents relatifs aux résultats du T2 d’Amazon établissent le calendrier de l’annonce. Des informations publiées ultérieurement ont montré pourquoi cette hausse était importante. L’entreprise avait dépensé environ 128 milliards de dollars l’année précédente, faisant de ce nouveau plan une forte progression.

Cette hausse des dépenses ne reflétait pas seulement des constructions inutilisées. Jassy a déclaré qu’Amazon manquerait encore de capacité pour satisfaire toute la demande attendue en 2026. Il a également qualifié de frappante la demande déjà visible pour 2028.

Ce détail modifie l’interprétation du trimestre. Amazon ne construit pas d’infrastructure parce que la demande en IA reste hypothétique. L’entreprise dépense massivement tout en indiquant aux investisseurs que la demande des clients dépasse toujours l’offre disponible.

Cette contrainte complique aussi une hypothèse courante en entreprise. Les acheteurs s’attendent souvent à ce qu’une plus grande échelle du cloud rende chaque nouvelle génération d’automatisation moins chère. L’échelle aide, mais elle ne peut pas compenser entièrement les pénuries, les besoins en électricité, la construction de centres de données et le remplacement fréquent du matériel.

Pour une équipe d’expérience client, cela compte au moment du déploiement. Un pilote peut gérer plusieurs milliers de conversations avec une vitesse et une précision acceptables. Un service de production doit résister aux pics saisonniers, aux pannes, aux changements de modèles et aux comportements imprévisibles des clients.

Les systèmes de production ont aussi besoin de capacité de réserve. Un centre de contact ne peut pas simplement cesser de répondre lorsque la demande d’inférence augmente ailleurs. Le fournisseur doit conserver suffisamment de matériel et de capacité réseau pour respecter ses engagements de service pendant les périodes de pointe.

Cette fiabilité a un coût réel. Elle apparaît dans les frais d’usage, les capacités réservées, les frais de plateforme, le travail d’implémentation ou les limites imposées à la qualité des modèles et à la longueur des réponses. Une entreprise peut éviter de posséder ses propres serveurs tout en payant l’infrastructure derrière chaque interaction.

Le trimestre d’Amazon a donc révélé le conflit central. La demande valide l’opportunité de l’IA, mais le coût nécessaire pour y répondre continue d’augmenter. Les acheteurs de CX en entreprise se trouvent à l’extrémité de ce conflit.

La course entre Amazon et Google reporte les coûts sur les acheteurs en entreprise

La concurrence entre Amazon et Google accroît la capacité en IA, mais elle pousse aussi les clients à prendre des engagements plus importants et plus précoces.

Google a publié ses résultats du deuxième trimestre une semaine avant Amazon. Le chiffre d’affaires de Google Cloud a augmenté de 82 %, et son carnet de commandes cloud a atteint 514 milliards de dollars. Alphabet a également indiqué que près de 90 % des entreprises du Fortune 100 utilisaient Gemini Enterprise.

La croissance de Google offre une comparaison importante, car elle affaiblit la critique la plus simple des dépenses d’Amazon. Amazon n’agit pas seule et ne répond pas uniquement à une inefficacité propre à l’entreprise. Plusieurs fournisseurs cloud augmentent leurs investissements tout en faisant état d’une forte demande.

Alphabet prévoit entre 195 et 205 milliards de dollars de dépenses d’investissement pour 2026. Sa prévision précédente se situait entre 180 et 190 milliards de dollars. La majeure partie de ces dépenses soutient l’infrastructure technique, y compris les serveurs et les centres de données utilisés pour les charges de travail IA.

Les commentaires de Google sur ses résultats soulignent également la gestion des coûts et la gouvernance au sein de Gemini Enterprise. Ce positionnement reconnaît une préoccupation qui passe déjà des directions financières aux décisions d’achat opérationnelles.

La rivalité entre Amazon et Google offre aux acheteurs en entreprise davantage de choix d’infrastructure. AWS propose Amazon Bedrock, ses modèles Nova, les modèles Anthropic et des puces Trainium personnalisées. Google associe les modèles Gemini, sa plateforme cloud et ses unités de traitement tensoriel propriétaires.

Les puces personnalisées peuvent réduire la dépendance aux accélérateurs externes et améliorer les performances pour certains cas d’usage. Cependant, elles incitent aussi les clients à concevoir des systèmes autour de l’architecture d’un fournisseur. Changer de fournisseur ultérieurement peut nécessiter de nouveaux tests, un travail sur les données et des modifications applicatives.

Le choix des modèles crée un compromis similaire. Une entreprise peut orienter les requêtes simples vers des modèles plus petits et les requêtes difficiles vers des modèles plus grands. Cette approche peut réduire l’usage de l’inférence, mais elle ajoute du travail d’orchestration, de supervision et d’évaluation.

La concurrence réduit donc certains coûts unitaires tout en augmentant la complexité des systèmes. Les entreprises gagnent davantage d’options, mais elles doivent développer l’expertise nécessaire pour les utiliser de manière responsable. Un tarif par token plus bas apporte peu de valeur lorsque des erreurs de routage augmentent les escalades ou produisent des réponses incorrectes.

Les enjeux sont particulièrement élevés dans l’expérience client. Un assistant de programmation peut demander à un développeur de vérifier un résultat. Un agent destiné aux clients répond souvent directement à une personne qui attend une réponse correcte, une politique claire et une résolution immédiate.

Une explication erronée de facturation peut générer des contacts répétés. Un remboursement non autorisé peut entraîner une perte financière. Une déclaration de compte affirmée avec assurance mais fausse peut déclencher des problèmes juridiques, réglementaires et de réputation.

Ces risques obligent les entreprises à entourer les modèles génératifs de contrôles. La génération augmentée par récupération relie un modèle à des informations approuvées par l’entreprise avant qu’il ne réponde. Des garde-fous limitent les sorties, tandis que des systèmes d’évaluation vérifient si les réponses respectent des normes définies.

Chaque contrôle consomme du temps d’ingénierie et des ressources de calcul. Les systèmes de récupération nécessitent des données indexées. Les évaluations exigent des conversations de test, des appels de modèles, des évaluateurs et des mesures répétées chaque fois qu’un modèle ou une invite change.

Amazon et Google peuvent répartir les investissements d’infrastructure entre des milliers de clients. Les entreprises individuelles ne peuvent pas répartir aussi largement les coûts d’intégration et de gouvernance. Leur justification économique dépend d’un ensemble plus restreint de flux de travail et de résultats mesurables.

C’est là que la charge des coûts se déplace. Les hyperscalers financent les centres de données, mais les clients financent le dernier kilomètre entre un modèle capable et une expérience fiable. Ce dernier kilomètre détermine souvent si un programme d’IA crée de la valeur.

Le résultat n’est pas une simple inflation des prix. C’est un problème d’engagement. Les entreprises doivent choisir des fournisseurs, des architectures et des modèles opérationnels avant que les coûts et la qualité à long terme ne soient pleinement visibles.

L’économie du CX en entreprise se brise après le pilote

La crise cachée commence lorsqu’une démonstration contrôlée devient une opération de service client soumise à des responsabilités.

Un pilote vérifie généralement si un modèle peut répondre à certaines questions sélectionnées. Il peut utiliser des documents propres, des employés coopératifs et un ensemble limité de conversations. La production introduit des données incomplètes, des demandes inhabituelles, des clients mécontents et des politiques contradictoires.

Le modèle n’est qu’une partie du coût de production. Un système complet doit identifier le client, récupérer les informations de compte, appliquer les autorisations, enregistrer les décisions et transférer les cas difficiles. Il doit également protéger les données sensibles à chaque étape.

La latence crée une autre couche de coûts. Les clients s’attendent à ce que les systèmes conversationnels répondent rapidement, même lorsqu’une demande nécessite plusieurs appels de modèles. Un raisonnement plus long peut améliorer certaines réponses, mais il consomme aussi davantage de calcul et retarde la conversation.

Les organisations peuvent réduire la latence avec des modèles plus petits ou des réponses mises en cache. Ces choix peuvent réduire la qualité dans les cas complexes. Les équipes doivent déterminer où une réponse plus rapide et moins chère reste acceptable, puis le démontrer par des tests.

Les volumes de contact peuvent également évoluer après le déploiement. Un canal numérique plus simple peut parfois attirer des questions que les clients abandonnaient auparavant. L’automatisation peut réduire la charge de traitement des agents tout en augmentant le nombre total d’interactions.

Une entreprise peut donc afficher un taux de traitement sans intervention humaine élevé sans améliorer son économie globale. Ce taux mesure la fréquence à laquelle une conversation se termine sans agent humain. Il ne révèle pas si le client a obtenu une résolution correcte ou durable.

Les contacts répétés comptent davantage. Si un système d’IA fournit une réponse incomplète, le client peut revenir par chat, téléphone et e-mail. La première interaction semble automatisée, tandis que l’ensemble du parcours devient plus coûteux.

Les entreprises ont besoin de mesures de résultat qui relient le comportement de l’IA aux résultats commerciaux. Elles comprennent les taux de contacts répétés, la réussite des tâches, la fréquence des corrections, la qualité des escalades et l’effort client. La durée moyenne de traitement ne peut à elle seule saisir ces effets.

La préparation des données représente une autre dépense majeure. Les politiques relatives aux clients se trouvent souvent sur des sites web, des plateformes d’assistance, des documents internes et des messages d’employés. Certaines sources sont à jour, tandis que d’autres contiennent des instructions obsolètes ou contradictoires.

Un modèle ne peut pas résoudre ces conflits de manière fiable par lui-même. Les équipes ont besoin de règles de propriété, d’un contrôle des versions, d’autorisations et de processus de révision. Une base de connaissances IA interrogeable peut soutenir la récupération, mais la gouvernance des contenus reste une responsabilité humaine.

Les agents IA aggravent le problème. Un agent peut sélectionner des outils et exécuter des étapes vers un objectif, plutôt que de seulement générer du texte. Cette capacité aide à modifier des commandes, planifier, résoudre des problèmes et mettre à jour des comptes.

L’action augmente également le coût de l’échec. Une réponse faible peut frustrer un client, tandis qu’une action incorrecte peut modifier un compte ou créer une obligation financière. Les entreprises doivent ajouter des règles d’autorisation, des pistes d’audit et des procédures d’annulation.

La supervision humaine ne disparaît pas dans ce modèle. Elle se déplace. Les employés passent du traitement de chaque demande à l’examen des exceptions, à la maintenance des connaissances, à l’investigation des défaillances et à l’amélioration du système.

Ce travail est difficile à estimer lors de l’approvisionnement. Les fournisseurs peuvent démontrer les performances des modèles, mais ils ne peuvent pas prédire entièrement l’état des données d’une entreprise. Ils ne peuvent pas non plus déterminer le niveau de risque que l’organisation acceptera.

La course aux infrastructures entre Amazon et Google intensifie ce défi en accélérant les sorties de modèles et de plateformes. Des lancements plus rapides créent de nouvelles capacités, mais chaque changement peut affecter la qualité des résultats, la latence et le coût. Les équipes de production doivent décider à quel moment de nouveaux tests justifient les perturbations qu’ils entraînent.

Une plateforme d’expérience client peut également dépendre de plusieurs fournisseurs. L’un fournit le centre de contact, un autre héberge les données et un troisième fournit le modèle. L’observabilité et la responsabilité se retrouvent réparties entre plusieurs contrats.

Lorsqu’une réponse ralentit ou échoue, l’entreprise doit identifier quelle couche a causé le problème. Cette enquête demande du temps et du personnel spécialisé. Les clients font l’expérience du système combiné, et non des frontières entre ses fournisseurs.

La question économique dépasse donc celle de savoir si l’IA coûte moins qu’une minute de travail d’un agent. Les dirigeants doivent comparer des parcours complets, y compris l’automatisation défaillante, les contacts répétés, la gouvernance, les intégrations et l’utilisation de l’infrastructure.

Un déploiement réussi peut tout de même générer des économies significatives. Les demandes routinières avec des politiques claires restent de bons candidats. Le risque consiste à supposer que le succès d’un flux de travail restreint établit l’économie de chaque interaction client.

Une croissance plus rapide du cloud ne prouve pas une meilleure expérience client

Amazon et Google ont démontré la demande d’infrastructures d’IA, mais pas que chaque déploiement en entreprise améliore la CX.

La croissance d’AWS chez Amazon et l’accélération de Google Cloud témoignent des dépenses des clients. Elles ne révèlent pas quelle part de ces dépenses soutient des expérimentations, l’entraînement, la migration ou des systèmes de production rentables.

Les revenus du cloud mesurent également le résultat du fournisseur, pas le retour obtenu par l’acheteur. Un fournisseur bénéficie chaque fois qu’un client consomme davantage de calcul. Le client n’en bénéficie que lorsque cette consommation réduit les coûts, augmente les revenus, réduit les risques ou améliore l’expérience.

Cette différence crée un écart d’incitations. Les fournisseurs veulent voir les charges de travail s’étendre. Les dirigeants d’entreprise doivent déterminer quelles charges de travail méritent de s’étendre et lesquelles devraient rester déterministes, pilotées par des humains ou non prises en charge.

Les résultats d’Alphabet illustrent les deux aspects. La croissance du cloud a atteint 82 %, mais l’entreprise a également relevé ses prévisions de dépenses d’investissement. La couverture du trimestre a souligné que les investisseurs se demandaient si la hausse des investissements dans l’infrastructure pèserait sur la génération de trésorerie.

L’expansion rapide de Google n’invalide pas sa stratégie. Une forte demande de cloud et un important carnet de commandes prouvent que les clients accordent de la valeur à ses capacités. L’incertitude porte sur le calendrier et la durabilité des retours.

Amazon est confronté au même test. Selon une couverture des résultats, le flux de trésorerie disponible annuel est devenu négatif à mesure que les dépenses accéléraient. L’entreprise affirme que les constructions actuelles soutiennent une future demande sous contrat.

Cette explication est plausible, car les centres de données nécessitent des années de planification et de construction. Les serveurs arrivent plus près de la mise en service, tandis que les bâtiments peuvent accueillir plusieurs générations de matériel. Amazon peut ajuster certaines commandes d’équipement si la demande faiblit.

Cependant, tous les coûts ne restent pas flexibles. Les terrains, contrats d’électricité, capacités réseau et travaux de construction représentent des engagements de longue durée. Les pénuries de mémoire et d’accélérateurs peuvent également augmenter les coûts une fois les plans de capacité engagés.

Les entreprises font face à une version réduite de ce décalage temporel. Elles paient l’intégration et la gouvernance avant que l’adoption ne devienne prévisible. Les bénéfices n’arrivent qu’après une utilisation réussie du système par les clients et la refonte du travail par les équipes opérationnelles.

Cela rend les calculs de retour sensibles aux hypothèses. Une faible variation des taux d’escalade peut modifier les besoins en personnel. Une légère baisse de qualité peut produire davantage de contacts répétés que l’automatisation n’en élimine.

Les références des fournisseurs répondent rarement à cette question. Les tests standard mesurent les capacités des modèles dans des conditions définies. La CX en entreprise dépend de données privées, de politiques locales, du comportement des clients et de la qualité des systèmes connectés.

Le point de vue sceptique remet aussi en cause l’expression de « crise des coûts de l’IA ». Les dépenses d’infrastructure ne prouvent pas à elles seules que la CX en entreprise devient inabordable. La croissance du cloud suggère que de nombreux clients y voient suffisamment de valeur pour continuer à acheter.

L’efficacité peut s’améliorer rapidement à mesure que les modèles, les puces et les logiciels mûrissent. Des modèles plus petits accomplissent déjà des tâches qui exigeaient autrefois des systèmes plus grands. Le silicium personnalisé d’Amazon et de Google peut réduire les coûts des charges de travail adaptées à ces puces.

La conclusion appropriée est plus limitée. Les entreprises ne peuvent pas considérer la baisse des coûts des modèles comme une garantie de baisse des coûts totaux. Les améliorations au niveau du modèle peuvent être compensées par une utilisation accrue, un périmètre plus large, des contrôles renforcés et une complexité d’intégration plus importante.

Microsoft offre une comparaison utile. Ses dépenses trimestrielles d’investissement ont augmenté de 70 % pour atteindre 41 milliards de dollars, tandis qu’environ deux tiers concernaient des actifs à durée de vie plus courte, tels que les processeurs et les puces graphiques. Le cycle de remplacement des actifs montre à quelle vitesse l’infrastructure peut vieillir.

Ce cycle affecte les contrats clients même lorsque les fournisseurs absorbent l’achat initial. Les fournisseurs doivent à terme récupérer leur capital via l’utilisation, la tarification ou des services à plus forte valeur. La concurrence limite leur liberté, mais n’efface pas la dépense sous-jacente.

Les responsables CX devraient mettre à l’épreuve les affirmations optimistes comme pessimistes. Ils ne devraient pas supposer que chaque conversation automatisée génère des économies. Ils ne devraient pas non plus supposer que les lourdes dépenses des hyperscalers signifient que l’adoption de l’IA ne peut pas offrir de retour viable.

La preuve décisive provient de résultats stables en production. Un système doit maintenir sa qualité durant les pics, les mises à jour de modèles, les changements de politiques et les demandes inhabituelles. Il doit aussi générer des bénéfices une fois tout le travail de soutien pris en compte.

Ce que les acheteurs d’IA en entreprise devraient surveiller ensuite

Trois signaux montreront si le cycle de dépenses actuel réduit les coûts de la CX en entreprise ou les déplace simplement vers de nouvelles catégories.

Le premier signal est la conversion par Amazon de sa capacité en croissance durable d’AWS et en génération de trésorerie positive. Son argument actuel repose sur la mise en service de l’infrastructure et sa capacité à répondre à une demande engagée. Une forte croissance doit à terme dépasser le poids de trésorerie créé par la construction et le matériel.

La croissance d’AWS a atteint 37 % au deuxième trimestre. L’entreprise a également augmenté ses dépenses parce que la mémoire est devenue plus chère. Les prochains trimestres devront montrer si cet investissement supplémentaire soutient des revenus durables sans affaiblir de façon permanente la génération de trésorerie.

Un retour à un flux de trésorerie disponible positif, accompagné d’une accélération continue d’AWS, renforcerait la thèse d’Amazon. Un ralentissement de la croissance du cloud associé à une nouvelle hausse des dépenses l’affaiblirait. Les acheteurs CX devraient suivre les deux indicateurs plutôt que de considérer la croissance des revenus comme une preuve suffisante.

Le deuxième signal est la capacité de Google Cloud à maintenir une croissance exceptionnelle tout en gérant son plan d’investissement accru. Google a signalé une croissance du cloud de 82 % et un carnet de commandes de 514 milliards de dollars. Ces chiffres créent une comparaison exigeante pour les prochains trimestres.

Google indique également que près de 90 % des entreprises du Fortune 100 utilisent Gemini Enterprise. La prochaine question porte sur la profondeur d’utilisation, et non sur le nombre de logos. Les acheteurs ont besoin de preuves que les entreprises passent de l’accès et des pilotes à des charges de travail de production récurrentes.

Google a mis en avant près de 70 millions de téléchargements de son Agent Development Kit, un cadre pour créer des agents d’IA d’entreprise. Les téléchargements indiquent l’intérêt des développeurs, mais ne mesurent ni les déploiements actifs ni les résultats clients. L’utilisation en production fournira un signal d’adoption plus fort.

Si Google maintient sa croissance du cloud tandis que l’intensité capitalistique se stabilise, la concurrence entre Amazon et Google pourrait réduire les coûts unitaires grâce à l’échelle et au silicium personnalisé. Si les dépenses continuent d’augmenter plus vite que la monétisation, les clients doivent s’attendre à une gestion d’utilisation plus stricte et à une pression plus forte pour s’engager.

Le troisième signal est une performance CX mesurable au sein des entreprises. Les acheteurs devraient demander aux fournisseurs et aux équipes internes des indicateurs couvrant l’ensemble du parcours, et non la précision des démonstrations. Ces mesures devraient inclure l’achèvement des tâches, les contacts répétés, les escalades, les corrections et l’effort client.

Le coût par interaction automatisée reste utile, mais seulement dans cet ensemble plus large. Une réponse bon marché qui génère un autre contact ne l’est pas réellement. Une réponse plus coûteuse qui accomplit une tâche difficile peut offrir une meilleure économie.

Les entreprises devraient également suivre la fréquence à laquelle les systèmes nécessitent une intervention humaine après le déploiement. Ce chiffre inclut les escalades visibles et le travail de maintenance invisible. Les mises à jour de connaissances, les changements de prompts, les revues d’incidents et les contrôles de conformité consomment tous du travail.

Les équipes d’approvisionnement peuvent améliorer leurs décisions en séparant trois catégories de coûts. L’infrastructure couvre les appels de modèles, le stockage, le réseau et la capacité réservée. La mise en œuvre couvre les intégrations, la préparation des données, les tests et la conception des flux de travail.

Les opérations couvrent la surveillance, l’évaluation, la propriété des contenus, les revues de sécurité et la gestion des exceptions. Une proposition fournisseur qui regroupe ces catégories peut masquer les futures sources de hausse.

Les acheteurs devraient également exiger la portabilité lorsqu’elle apporte une valeur pratique. Le routage des modèles et les interfaces communes peuvent réduire la dépendance à un seul fournisseur. Une portabilité complète reste difficile, car les clouds diffèrent en matière d’identité, de données, de surveillance et d’outillage pour agents.

L’objectif ne devrait pas être une indépendance théorique. Il devrait être de disposer d’une flexibilité suffisante pour déplacer certaines charges de travail lorsque le coût, la qualité ou le risque évoluent. Cette position donne aux entreprises un levier sans les obliger à maintenir des systèmes identiques partout.

Les équipes devraient commencer par des flux de travail où le résultat souhaité est observable. Le statut des commandes, les modifications de rendez-vous et les parcours de dépannage approuvés présentent des signaux d’achèvement plus clairs. Les conseils ouverts et les décisions sensibles concernant les comptes exigent davantage de prudence.

Elles devraient ensuite mesurer l’ensemble du parcours avant de s’étendre. Un pilote réussi ne devient significatif qu’après avoir résisté au trafic réel et aux changements de politiques. L’expansion devrait suivre les preuves, et non la disponibilité d’un modèle plus récent.

La concurrence entre Amazon et Google continuera de produire des modèles plus rapides et davantage de capacité cloud. Elle ne résoudra pas la qualité des données, la responsabilité ou la conception des flux de travail propres à chaque entreprise. Ces éléments restent des problèmes opérationnels locaux.

Les responsables de l’expérience client font désormais face à un choix direct. Ils peuvent considérer l’IA comme un réservoir croissant d’intelligence bon marché, ou la gérer comme un système de production coûteux. La seconde approche soulève de meilleures questions sur la qualité, la responsabilité et le retour.

Avant d’approuver la prochaine expansion de l’IA, identifiez le résultat commercial qui doit s’améliorer ainsi que chaque coût nécessaire pour y parvenir. Mesurez ensuite la performance après prise en compte des escalades, des contacts répétés et de la supervision humaine. Si le système continue de créer de la valeur, développez-le en toute confiance. Si l’analyse de rentabilité dépend de l’ignorance de ces coûts, un modèle plus grand ou un engagement cloud accru ne la réparera pas. La course aux dépenses entre Amazon et Google rend davantage de capacités disponibles, mais les entreprises doivent décider où ces capacités méritent leur place.