L'IA dans la gestion des actifs IT : ce qui fonctionne vraiment (et ce qui n'est que du marketing)

La moitié du marché ITAM a simplement greffé un chatbot sur une base de données et a appelé ça de l'IA. Voici la version honnête : les quatre cas d'usage où l'IA change réellement le quotidien des équipes IT et finance — et ceux qui ne sont que de la démonstration.

Si vous avez assisté à une démo ITAM ces douze derniers mois, vous avez certainement entendu le mot « IA » employé comme synonyme de « barre de recherche ». Ce n'est pas là qu'elle est utile. La version réellement utile s'appuie sur vos données d'inventaire réelles, interroge des enregistrements structurés (et non du texte libre), et produit des actions vérifiables.

Les quatre cas d'usage ci-dessous sont ceux où l'IA justifie son coût. Tout le reste — pour l'instant — n'est que décoration.

1. Recommandations de redimensionnement de licences

Le grand classique de l'IA en ITAM. Le modèle ingère les données de dernière connexion, l'utilisation des fonctionnalités, le rôle et l'ancienneté pour chaque poste payant. Il produit une liste hiérarchisée : récupération sûre, récupération probable, ne pas toucher. La catégorie « ne pas toucher » est aussi importante que les autres — elle identifie l'analyste qui se connecte une fois par trimestre pour lancer un rapport critique. Une règle naïve basée sur l'utilisation annulerait ce poste. Le modèle, lui, sait qu'il ne faut pas le faire.

L'impact financier est direct. Une entreprise de 250 personnes trouvera généralement 60 à 120 postes dans la catégorie « récupération sûre » au premier passage, représentant entre 50 000 et 200 000 € annualisés. Nous avons vu les chiffres dans l'étude de cas DAF à 90 jours.

2. Détection d'anomalies sur les dépenses et l'utilisation

Les humains sont mauvais pour détecter la dérive silencieuse. Les dépenses Adobe qui progressent de 3 % par mois pendant un an. Le budget matériel qui a augmenté de 40 % pendant un gel des recrutements. Les cinq postes GitHub qui se reconnectent après dix-huit mois d'inactivité (signe que quelqu'un a partagé des identifiants).

Un modèle de détection d'anomalies appliqué à vos données d'inventaire et de dépenses signale ces tendances automatiquement. Le signal est plus précieux que le tableau de bord : vous n'avez pas à penser à regarder.

3. Analyse de contrats et prévision des renouvellements

Les contrats sont denses, non structurés, et se ressemblent sans être identiques. Une IA capable d'analyser des PDF de contrats et d'en extraire de manière fiable :

• La date d'entrée en vigueur, la date d'échéance, le drapeau de renouvellement automatique
• Le délai de préavis (le champ le plus sujet aux erreurs)
• Les paliers tarifaires et remises sur volume
• Les plafonds de responsabilité, clauses de résidence des données, listes de sous-traitants

...transforme un dossier partagé de 200 PDF en un calendrier de renouvellements structuré. En combinant cela avec les données d'utilisation, le modèle peut prévoir les renouvellements — en prédisant quels contrats seront renégociés, réduits ou résiliés, avec des estimations d'impact financier par trimestre. La finance dispose désormais d'un pipeline glissant de 12 mois de décisions fournisseurs, au lieu d'une pile de notifications « dû le mois dernier ».

4. Interrogation de l'inventaire en langage naturel

C'est la démo que tout le monde montre, et celle qui est le plus souvent simulée. La bonne version interroge réellement vos données structurées, retourne une vraie réponse et montre son raisonnement.

Trois éléments rendent cela utile et non théâtral : la réponse est ancrée dans des enregistrements réels, elle cite la source, et elle produit une action (la liste de récupération).

La mauvaise version demande au LLM de résumer un texte qu'il a trouvé quelque part. Vous saurez laquelle vous avez sous les yeux dès la première question difficile.

Ce qui ne fonctionne pas encore (ou n'a pas d'importance)

La question des « agents »

Plusieurs plateformes ITAM (dont InventorIA) proposent désormais un niveau « agent » autonome — une IA qui n'attend pas mais agit : récupère des postes dormants, envoie des avis de renouvellement, ouvre des tickets d'approvisionnement, rédige des e-mails fournisseurs.

Cela ne fonctionne que lorsque le périmètre est délimité. Le bon schéma est : « l'agent propose, un humain confirme, puis l'agent exécute les tâches routinières ». Laisser un agent non supervisé annuler des licences est une mauvaise pratique — même avec un journal d'audit, le coût d'une erreur dépasse le temps gagné. Le bon périmètre : l'agent prépare le travail, la finance et l'IT approuvent en un clic, l'agent fait le reste.

L'évaluation honnête

Quand un éditeur vous présente de l'IA en gestion d'actifs IT, posez ces questions :

1. Quelles données utilise-t-elle ? (Bonne réponse : identité, facturation, journaux d'utilisation, contrats. Mauvaise réponse : « les données que vous lui donnez. »)
2. Montrez-moi une vraie requête sur mon type de données.
3. Quel est le taux de faux positifs dans les recommandations de récupération de licences ?
4. Puis-je voir la piste d'audit de ce que l'IA a fait et pourquoi ?
5. Que se passe-t-il quand le modèle se trompe ?

Les éditeurs qui ont fait le travail répondent à ces questions les yeux fermés. Ceux qui ne l'ont pas fait pivotent vers « laissez-moi vous montrer le chatbot ».