Chez Bomzai, je ne vends pas de jours-homme. Je vends des systèmes Data & IA qui tournent en production, et je reste une fois qu'ils sont en service.
Dit comme ça, on pourrait croire à une simple question de facturation. Je pense que c'est plus que ça. La façon dont on est payé finit toujours par dicter la façon dont on travaille, et dans la Data et l'IA, elle décide assez souvent si un projet arrive en production ou s'arrête au POC.
Beaucoup d'IA, peu d'effet sur le résultat
McKinsey a publié en août son enquête « The state of AI in 2026 ». Près de 9 répondants sur 10 y disent que leur organisation utilise l'IA. Seuls 37 % lui attribuent un effet sur leur EBIT.
Ce chiffre ne m'étonne pas. Si vous travaillez dans le métier depuis quelques années, vous connaissez le scénario : le POC donne de bons résultats en démo, le comité est content, et ensuite il ne se passe plus grand-chose. Le modèle reste sur un poste ou dans un notebook. Les données qui l'alimentaient ont été préparées à la main pour l'occasion. Et personne n'a été désigné pour le surveiller une fois en service, pour la bonne raison qu'il n'a jamais été mis en service.
Quelques mois plus tard, on lance un autre POC.
L'algorithme est rarement en cause. Ce qui manque, c'est le travail entre la démo et la production : industrialiser les pipelines de données, déployer proprement, surveiller la dérive des modèles, poser un minimum de gouvernance. Et répondre à une question bête qu'on oublie souvent de poser : qui s'occupe du système le lundi matin, quand quelque chose casse ?
Le problème avec le jour-homme
La plupart des missions Data et IA se vendent au temps passé. On estime un nombre de jours, on constitue une équipe, on facture la présence.
Je veux être clair, je ne reproche rien aux gens qui travaillent comme ça. Beaucoup sont très bons. C'est le modèle qui pose problème, parce qu'il n'est pas aligné avec ce que veut le client.
Un projet qui dure plus longtemps rapporte plus. Un projet qui se termine vite rapporte moins. Personne ne fait exprès de traîner, mais personne n'est vraiment payé pour finir. Ce même modèle pousse aussi à repartir de zéro à chaque mission, puisque c'est le temps qui est vendu. Et il s'arrête à la livraison : l'équipe part sur une autre mission au moment précis où le système commence sa vraie vie.
Le client, lui, n'a jamais voulu acheter des jours. Il voulait traiter ses dossiers plus vite, ou payer moins cher sa plateforme. Le contrat parle d'autre chose.
Ce qu'on fait à la place
Chez Bomzai, on a choisi de vendre des systèmes en production. Concrètement, le livrable n'est ni un rapport ni un prototype. C'est un cas d'usage qui tourne dans votre environnement et que vos équipes utilisent vraiment. Tant que ce n'est pas le cas, pour nous, ce n'est pas livré.
Pour tenir ça sans exploser les délais, on standardise environ 70 % du delivery. La plupart des briques d'un système en production se ressemblent d'un client à l'autre : l'ingestion et la qualité des données, le déploiement, le monitoring, le suivi de la dérive, la gouvernance. Les réécrire à chaque projet revient à faire payer plusieurs fois la même chose. Les 30 % restants, ce sont vos règles métier, vos données, vos contraintes réglementaires, vos utilisateurs. C'est là que le temps doit aller.
On facture au périmètre, pas au temps. On s'engage sur un cas d'usage, ou sur plusieurs, et sur ce qu'ils doivent produire. Si on va plus vite grâce à ce qui est standardisé, tant mieux pour nous, votre facture ne bouge pas. Si on met plus de temps que prévu, ce n'est pas à vous de le payer. Ça nous oblige à bien cadrer dès le début, ce qui est franchement une bonne contrainte.
Et on reste après la mise en production. Un système Data et IA ne s'arrête pas le jour où il entre en service. Les données changent, et les modèles finissent par dériver. Après la mise en production, on opère le système en RUN, sous SLA, avec du monitoring et de l'amélioration continue. Le fait d'être responsable du fonctionnement de ce qu'on a construit change pas mal la manière dont on le construit. On fait moins de raccourcis quand on sait qu'on sera celui qu'on appelle.
Sur le calendrier, on vise un premier résultat visible en 30 jours. Pas tout le programme, évidemment. Un premier effet qu'on peut mesurer, pour décider de la suite sur des faits plutôt que sur une présentation.
Ce que ça donne
Bomzai a livré 180 missions Data, IA et Cloud, dans la banque, l'assurance, l'industrie, l'énergie, la finance, le transport, la santé et le luxe. Je ne cite pas les clients, mais voici trois exemples.
Chez un assureur habitation, le délai de traitement des sinistres simples est passé de 21 à 5 jours, avec un système IA en production.
Dans une banque, la facture Databricks a baissé de 38 % en 2 mois.
Et dans une banque retail, mettre un modèle de machine learning en production prenait 3 mois. Aujourd'hui, c'est 2 semaines.
Aucun de ces résultats ne tient à un algorithme particulièrement malin. Ils tiennent au fait que les systèmes ont été mis en production, puis suivis dans la durée.
Par où commencer
On ne demande à personne de signer un grand programme d'entrée. En général, on commence par un audit ou une formation, pour voir où vous en êtes et quels cas d'usage méritent de passer en production en premier. Ensuite vient un premier cas d'usage, mis en production puis opéré en RUN. Le programme, avec plusieurs cas d'usage sur la même plateforme, arrive quand les premiers ont fait leurs preuves.
À chaque étape, je me pose la même question, et je vous conseille de vous la poser aussi : qu'est-ce qui tourne réellement en production, et qu'est-ce que ça change pour le métier ?
On en parle ?
Si vous avez un POC qui marche bien en démo mais n'a jamais passé le cap de la production, ou une plateforme Data et IA dont personne ne sait vraiment qui l'opère, j'aimerais en discuter avec vous.
Écrivez-moi « DIAGNOSTIC » sur LinkedIn ou via la page contact du site. On prend 30 minutes pour regarder vos cas d'usage et ce qui peut passer en production en premier.
Jean-Emmanuel ORFEVRE, fondateur de Bomzai
