Alors que l’IA d’entreprise entre dans l’ère de la maximisation de la valeur : ce que les équipes de développement peuvent apprendre de l’accessibilité numérique

L’économie de l’intégration de l’IA a changé radicalement à mesure que la réalité du coût des jetons s’est imposée. Le tokenmaxxing a pu être amusant tant qu’il a duré, mais l’innovation sans ROI n’est pas durable. Maintenant que nous sommes au-delà de l’ère des jetons bon marché, l’IA doit se justifier par des résultats commerciaux réels et mesurables à l’échelle de l’entreprise. Cela signifie qu’il ne faut plus lancer l’IA sur chaque défi. Les organisations doivent être beaucoup plus stratégiques, en utilisant l’IA pour ce qu’elle fait de mieux, et en déployant d’autres approches lorsqu’une solution meilleure existe.

Le coût caché de la vitesse de l’IA

Les gains de vitesse de développement grâce aux outils d’IA méritent d’être célébrés. Mais si le code est truffé de problèmes, le réel progrès est négligeable. Les conséquences sont lourdes : perte de temps et d’argent, risque juridique et mauvaise expérience client.

Le domaine de l’accessibilité numérique peut nous enseigner beaucoup sur l’utilisation stratégique de l’IA. C’est un secteur où les normes codifiées et les exigences de conformité strictes sont des réalités quotidiennes, et il n’y a aucune place pour l’inexactitude ou l’inefficacité. Avec l’accessibilité numérique, l’objectif n’est pas de devenir meilleur dans la correction des problèmes ; il s’agit d’empêcher ces problèmes de se produire dès le départ. Cet objectif devrait être le même pour toute application de l’IA. Sinon, la dette technique s’accumule rapidement.

Selon IBM, ignorer la dette technique peut entraîner un déclin du ROI de 18 – 29 %. Des résultats de ce type peuvent annuler tous les gains de vitesse apportés par l’IA. Dans l’enquête 2026 de Deque auprès de 200 dirigeants d’ingénierie d’entreprise, 64 % ont désigné l’accessibilité comme le principal facteur de retouches post‑production, même si ces mêmes équipes ont explicitement demandé à leurs agents IA d’écrire du code accessible.

La dette d’accessibilité, tout comme la dette technique, est l’accumulation de problèmes d’accessibilité non résolus sur les propriétés numériques d’une organisation. C’est une dette qui se capitalise avec le temps — les problèmes non traités lors de la conception et du développement deviennent plus coûteux à corriger ultérieurement. Des recherches récentes montrent qu’il est 30 fois plus cher de corriger un problème d’accessibilité détecté en production qu’au stade de la conception. Cela offre aux organisations une véritable incitation financière à détecter les problèmes tôt, surtout avec les volumes actuels de production de code.

IA stratégique vs. outils déterministes

L’IA n’est pas toujours la solution. Dans de nombreux cas, les outils déterministes basés sur des règles offrent des résultats plus cohérents, plus rapidement et à moindre coût. Pour prendre la bonne décision quant à ce qu’il faut utiliser et quand, les équipes devraient commencer par décomposer le flux de travail en sous‑tâches et évaluer la meilleure façon d’aborder chaque défi. Par exemple, les tâches qui nécessitent une vérification constante — vérifier chaque élément par rapport à une norme définie — sont des candidates idéales pour les outils déterministes basés sur des règles.

L’IA convient au jugement, à la synthèse et à la génération d’options. Elle n’est pas adaptée à la validation : vérifier tout de la même manière, à chaque fois.

Certaines équipes d’ingénierie gèrent cela en exécutant la même révision à plusieurs reprises et en comparant les résultats. Cela fonctionne, mais ce n’est pas gratuit. Dans les propres expériences de Deque, une seule passe de revue de code consommait environ 60 % des jetons dépensés sur une tâche. Le codage lui‑même représentait environ 13 %. L’écriture des tests prenait une part comparable. Et une seule passe est rarement suffisante. La même révision doit souvent être exécutée de trois à dix fois sur le même code avant de converger vers la liste complète des vrais problèmes. Chaque passe est une recherche nouvelle, pas cumulative, donc rien ne se transmet de la passe précédente.

La pertinence de cela dépend de la tolérance aux coûts. Une organisation peut créer suffisamment d’agents, les laisser itérer et vérifier le travail des uns et des autres, et converger vers une bonne réponse. Mais cela implique de le payer en jetons et en temps de cycle. L’alternative est plus simple : une vérification déterministe renvoie le même résultat à chaque fois, sans passes répétées.

Exploiter le contexte et l’humain dans la boucle

Une autre approche décrite dans une étude de cas récente consistait à combiner automatisation et IA agentique avec une révision humaine. Dans le nouveau flux de travail de l’organisation, les constats d’accessibilité étaient transmis à un agent IA, qui utilisait un outil de remédiation pour appliquer directement les correctifs HTML attendus au code source, puis créait et documentait automatiquement des pull requests. Les ingénieurs examinaient ensuite les modifications générées par l’IA, approuvaient les pull requests et maintenaient la gouvernance de la qualité et des résultats. Le résultat : 253 heures d’ingénierie récupérées, avec une remédiation 98 % plus rapide globalement. Le flux de travail aurait permis d’économiser plus de 25 000 $ en coûts d’ingénierie.

Obtenir de bons résultats d’un agent IA dépend de sa configuration, pas seulement de bons prompts. Les ingénieurs appellent cela ingénierie de harnais et ingénierie de contexte : créer les outils, vérifications et informations disponibles spécifiques qui permettent à un agent de bien travailler dans un environnement donné, plutôt que de laisser le modèle se débrouiller seul. Un agent qui révise du code n’a pas besoin que l’ensemble du code soit chargé dans sa fenêtre de contexte. Laissez‑le rechercher les fichiers pertinents et ne charger que le code environnant dont il a besoin, et il produira généralement un meilleur travail pour moins d’argent qu’un agent à qui l’on donne tout d’un coup. La même logique s’applique à la réutilisation du contexte entre les appels plutôt que de le reconstruire à chaque fois.

En prenant du recul, rappelez‑vous que la raison pour laquelle tout cela importe, c’est que le volume de code généré par l’IA augmente à un rythme véritablement frénétique. Dans ce contexte, la hausse des coûts semble inévitable : soit parce qu’il faut corriger tous les problèmes que le code d’IA non validé engendre, soit parce qu’il faut vérifier des quantités toujours plus importantes de code avant qu’il n’atteigne la production.

Mais la hausse des coûts n’est pas inévitable. Et l’accessibilité numérique propose une solution—une solution qui implique plusieurs équilibres, entre l’IA et les outils basés sur des règles, déterministes ; entre l’automatisation alimentée par l’IA et la validation humaine ; et entre l’évolutivité et la rentabilité. Trouver le bon équilibre relève de la discipline organisationnelle. Plus les organisations développeront rapidement la discipline d’utiliser l’IA de manière intentionnelle, efficace et appropriée, plus tôt elles pourront s’attendre à des retours positifs et mesurables sur leurs investissements en IA.