LegalOn Technologies propose Professional AI à l'échelle mondiale, en utilisant l'IA pour soutenir le travail juridique et d'autres fonctions commerciales clés. En combinant expertise métier et IA, elle permet aux personnes de se concentrer sur les jugements et décisions complexes. Son objectif est une gestion pilotée par l'IA qui améliore la qualité et la rapidité des décisions commerciales.
Cette approche s'étend au-delà de ses produits pour faire de l'organisation elle-même une organisation native de l'IA. L'entreprise a intégré Codex dans son processus de développement et a élargi son adoption dans toute l'organisation grâce à un usage quotidien.
À mesure que l'adoption s'installait, un nouveau défi est apparu : le contrôle des coûts. Un usage illimité de modèles haute performance pouvait faire grimper les dépenses, tandis que des restrictions générales risquaient de compromettre les gains de productivité permis par l'IA.
Comment réduire les coûts sans ralentir le développement ? LegalOn Technologies a relevé ce défi en sélectionnant parmi GPT‑6 (Astra, Luna) et GPT‑6.1 Sol en fonction de la complexité des tâches et du stade de développement, et en alignant les budgets sur le stade de croissance de chaque activité. L'entreprise a divisé les coûts par deux tout en maintenant la vitesse de développement.
Optimiser les modèles pour maintenir la vitesse de développement et réduire les coûts
L'entreprise a d'abord donné aux développeurs un accès illimité à son modèle principal, GPT‑5.5 en mode Fast. Ils en ont élargi l'utilisation à la conception, à l'implémentation et au travail quotidien, en apprenant par l'expérimentation comment mieux répartir les responsabilités entre humains et IA.
Continuer à utiliser des modèles haute performance sans limites dépasserait inévitablement le budget annuel. Le Development CoE propulsé par l'IA de l'entreprise (AID CoE) a commencé à élaborer des lignes directrices pour la sélection des modèles. L'AID CoE a testé et surveillé les modèles, tandis que les responsables partageaient ses conclusions avec leurs équipes. Cela a permis à chaque ingénieur de choisir indépendamment le modèle le plus adapté à chaque tâche.
Associer les modèles aux tâches et allouer les ressources de manière stratégique
Les nouvelles lignes directrices ont fait évoluer l'entreprise d'une utilisation du modèle le plus performant pour chaque tâche vers le choix du modèle approprié pour le travail. Les équipes commençaient avec un modèle léger et passaient à des modèles plus performants à mesure que la complexité des tâches augmentait.
Pour soutenir la gouvernance, l'entreprise a également introduit des contrôles système via les paramètres d'administration, avec des limites d'utilisation mensuelles pour les départements et les individus. L'AID CoE surveille l'utilisation et ajuste les limites selon les besoins de l'activité.
Les tests internes menés sous ces contrôles ont aidé à rendre les critères de sélection plus précis. GPT‑6 Luna, le modèle le plus léger, gère l'implémentation de code avec des exigences claires ; GPT‑6.1 Sol prend en charge la conception standard, l'analyse de données et la préparation de documents ; et GPT‑6 Astra, le modèle le plus performant, gère les jugements avancés, y compris la conception d'architecture. L'association des modèles aux tâches est progressivement devenue une pratique partagée au sein des équipes.
Choisir parmi trois modèles pour différentes tâches
GPT-6 Luna
Exécution et implémentation quotidiennes ; exécution des automatisations quotidiennes ; délégation de tâches et d'analyses relativement simples ; implémentation de code, principalement en tant que sous-agent.
GPT-6.1 Sol
Conception et analyse standards ; conception logicielle relativement simple ; analyses numériques de routine et création de documents ; tâches nécessitant des délais d'exécution plus courts qu'avec Luna.
GPT-6 Astra
Analyse, conception et orchestration complexes ; analyse et création de documents complexes ; conception logicielle complexe ; coordination des agents en tant qu'orchestrateur.
Parallèlement à la sélection des modèles, l'entreprise a commencé à restreindre le mode Fast par défaut, en n'autorisant les demandes individuelles qu'en cas de besoin. Bien que ce changement ait suscité des inquiétudes quant à la vitesse de développement, les équipes ont utilisé des approches telles que l'exécution de tâches en parallèle pour maintenir les performances et effectuer une transition en douceur.
Elle a également introduit des plafonds budgétaires pour les dépenses d'IA aux niveaux du département, du groupe et de l'individu. Il a été demandé à l'activité LegalOn établie d'améliorer l'efficacité des coûts jusqu'à environ 20 %, tandis que les nouvelles activités en phase de lancement ont reçu des budgets généreux pour encourager l'utilisation active de l'IA.
Yuta Tokitake, Senior Engineering Manager chez LegalOn Technologies, explique que les nouvelles activités ont privilégié la rapidité commerciale à l'efficacité des coûts. L'objectif était d'utiliser l'IA de manière intensive pour accroître la production et, à terme, stimuler la croissance de l'activité.
Ensemble, la sélection des modèles, les restrictions de fonctionnalités et les budgets adaptés à chaque activité ont réduit les coûts quotidiens estimés d'environ 65 %. Cette approche a permis de maîtriser le budget global tout en orientant les ressources vers les activités que l'entreprise souhaitait développer.
Résultats en un coup d'œil
L'optimisation des modèles et l'allocation stratégique des ressources ont donné les résultats suivants :
Un passage de l'utilisation du modèle le plus performant pour chaque tâche à la sélection de GPT‑6 Astra, GPT‑6.1 Sol ou GPT‑6 Luna en fonction de la complexité des tâches et du stade de développement.
Des performances de développement maintenues après la restriction du mode Fast par défaut, soutenues par des pratiques d'équipe telles que l'exécution de tâches en parallèle.
Des plafonds budgétaires qui combinaient environ 20 % d'efficacité accrue dans les activités matures avec un investissement actif dans les nouvelles activités.
Une réduction de 65 % des coûts quotidiens estimés par rapport à GPT‑5.5 grâce au choix parmi les modèles GPT‑6 et 6.1.
Mesurer le véritable ROI de l'investissement en IA grâce aux mises en production de fonctionnalités
Grâce à l'optimisation des modèles, l'entreprise a réduit ses coûts sans sacrifier la vitesse de développement ni la qualité. Les équipes constatent également que l'IA raccourcit progressivement le cycle allant du développement à la mise en production.
Mais l'entreprise regarde plus loin. Le développement plus rapide fait-il à lui seul de l'investissement dans l'IA une réussite ? Le lien entre développement plus rapide et valeur pour les clients restait flou. « Il est presque acquis que l'IA peut accélérer le développement des systèmes et les mises à jour », déclare Tokitake. « Ce que nous voulons vraiment comprendre, c'est si ce développement plus rapide se traduit réellement en valeur pour les clients. »
Cette question a incité l'entreprise à développer sa propre métrique, déplaçant la base d'évaluation des investissements en IA de la vitesse de développement et du volume d'utilisation vers la valeur client.
Tokitake explique : « Lorsque nous utilisons l'IA, nous pouvons suivre le coût des tâches individuelles, mais le coût total d'un travail complet—une livraison de fonctionnalité—reste souvent une boîte noire. Nous avons donc conçu la mesure autour de chaque livraison de fonctionnalité en tant qu'unité unique. En reliant la valeur client que cette livraison apporte aux coûts réels de l'IA investis, nous visons à rendre le retour sur investissement visible et précis. »
L'entreprise construit actuellement le pipeline pour calculer cette métrique. Une fois achevé, il rendra visible le véritable ROI en termes de valeur client. LegalOn Technologies va au-delà de la gestion des coûts de l'IA pour relier directement l'investissement technologique à la valeur commerciale.
Construire une organisation et une gouvernance pour l'ère de l'IA
L'objectif suivant est de transformer le savoir-faire en IA des ingénieurs individuels en une compétence à l'échelle de l'organisation. Comme première étape, l'entreprise prévoit de construire une base de connaissances pour recueillir et partager l'expérience pratique. Elle capturera des connaissances telles que les meilleures combinaisons de modèles pour la conception, l'implémentation et la revue, et transformera rapidement les succès individuels en meilleures pratiques à l'échelle de l'entreprise.
Ces changements, portés par l'expérience pratique des équipes, façonnent également l'organisation et le recrutement. Les gains de productivité liés à l'IA amènent l'entreprise à repenser fondamentalement la manière dont le travail est réparti entre les humains et l'IA, ainsi que ses plans d'effectifs. Elle a déjà commencé à mettre l'accent sur les compétences en IA dans le recrutement, à mesure que sa stratégie d'investissement et sa structure organisationnelle évoluent.
Transformer l'adoption de l'IA en un avantage concurrentiel durable exige d'affiner continuellement l'équilibre entre la gouvernance et la liberté d'action des équipes. L'AID CoE et l'équipe de sécurité travaillent ensemble pour optimiser la performance, les coûts et les risques sous plusieurs angles, en construisant un cadre flexible qui soutient l'expérimentation dans toute l'organisation.
« Des restrictions excessives par des règles et des budgets peuvent compromettre l'élan d'une organisation. Ce dont nous avons besoin, c'est d'un modèle opérationnel flexible qui équilibre efficacement le contrôle des risques avec la vitesse dont les équipes ont besoin. »Yuta Tokitake, Senior Engineering Manager, LegalOn Technologies