Le budget IA qui fait le plus mal n'est pas celui qu'on perd, mais celui qui n'arrive pas là où ça compte
Plus de 1 500 milliards de dollars en valorisations de logiciels d'entreprise se sont évaporés au cours des deux dernières années. Non pas par manque d'investissement dans l'intelligence artificielle, mais parce que cet investissement a atterri au mauvais endroit. Telle est la paradoxe qui définit le moment actuel : les entreprises n'ont jamais autant dépensé en IA et, dans le même temps, il n'a jamais été aussi difficile de montrer où se trouve la valeur.
Rohit Kedia, PDG de Xoriant, l'a formulé avec précision dans une analyse récente : la majeure partie du budget IA des entreprises s'accumule dans la couche des modèles, c'est-à-dire dans les licences de plateforme, l'infrastructure de calcul, les partenariats avec les fournisseurs et le développement de preuves de concept. Cette couche capte l'attention, génère des annonces, produit des démonstrations. Ce qu'elle ne produit pas, avec constance, ce sont des résultats qui apparaissent dans le compte de résultat.
Gartner a estimé en février 2025 que, d'ici 2026, 60 % des projets d'IA seront abandonnés faute de données prêtes à être traitées. Ce n'est pas un échec technologique. C'est un échec d'architecture budgétaire : on a financé le modèle, pas l'infrastructure qui le soutient.
La question que les responsables technologiques devraient se poser n'est pas de savoir s'il faut investir dans l'IA. Cette décision est déjà prise. La question est de savoir si l'argent construit une capacité opérationnelle réelle ou s'il finance une apparence de modernité.
Le théâtre coûteux que personne ne veut nommer
Il existe un schéma qui se répète avec une régularité frappante dans les salles de direction. Chaque semaine apporte une nouvelle annonce d'alliance avec un fournisseur de modèles, une démonstration d'agents autonomes, une promesse de flux de travail transformés. Le bruit est fort. Le théâtre, convaincant.
Lorsque l'on regarde au-delà des communiqués de presse et que l'on demande ce qui a changé de façon concrète dans la manière dont l'entreprise crée de la valeur pour ses clients, la réponse honnête est généralement décevante. McKinsey a rapporté dans son State of AI 2025 que seulement un tiers des entreprises a commencé à faire passer ses programmes d'IA à l'échelle de l'entreprise, bien que 88 % déclarent un investissement actif. Le reste dépense. Simplement pas là où ça compte.
Ce phénomène a une structure identifiable. Les budgets IA de 2023 et 2024 ont vécu majoritairement dans des lignes d'innovation ou de R&D, avec des exigences de retour sur investissement souples et un contrôle financier léger. Cela a créé les conditions parfaites pour la prolifération d'outils redondants, de pilotes départementaux sans connexion avec les processus centraux, et de contrats d'infrastructure que personne n'a jamais mesurés par rapport à un résultat commercial spécifique.
Le problème n'est pas que les entreprises expérimentent. L'expérimentation a de la valeur. Le problème survient lorsque l'expérience devient le produit, lorsque la démonstration remplace le déploiement et lorsque le budget d'innovation fonctionne comme un moyen de paraître moderne sans s'engager sur quoi que ce soit de concret.
Deloitte a constaté qu'environ 66 % des organisations ayant adopté l'IA en entreprise déclarent des améliorations de la productivité et de l'efficacité comme principal bénéfice obtenu. C'est un chiffre raisonnable. Mais il faut le lire avec attention : productivité et efficacité sont des métriques de processus, pas nécessairement d'impact économique structurel. Réduire le temps qu'un analyste met à préparer un rapport n'est pas la même chose que reconfigurer la chaîne de décisions qui fait que ce rapport a de l'importance.
La distinction entre « utiliser l'IA » et « appliquer l'intelligence » est, au fond, une distinction budgétaire. Utiliser l'IA signifie superposer des outils à des flux de travail existants : un copilote ici, un chatbot là, une couche analytique sur un tableau de bord qui existait déjà. Appliquer l'intelligence signifie quelque chose de catégoriquement différent : intégrer une capacité de décision automatisée au sein de la façon dont l'entreprise produit et délivre de la valeur, avec une traçabilité vers le résultat que cette décision affecte.
Cette deuxième option nécessite de financer des éléments qui ne génèrent pas de titres : nettoyage des données, refonte des processus, modernisation des architectures héritées, formation des équipes. Goldman Sachs a indiqué dans son rapport de mars 2026 que l'IA ne cannibalisait pas le marché des logiciels ; elle l'élargit, parce qu'elle réduit le coût de l'écriture de code tout en relevant le plafond de ce que ce code peut accomplir. Cela implique que l'espace de valeur applicable a grandi. Mais le capturer exige d'avoir construit les fondations qui le soutiennent.
Les quatre fondations que le budget ignore
Il existe quatre domaines où l'investissement arrive systématiquement en retard ou en quantité insuffisante, et les quatre déterminent si toute dépense en modèles produit de la valeur ou simplement de l'activité.
Les processus constituent le premier point de défaillance. L'IA appliquée à un flux de travail défaillant produit des résultats défaillants plus rapidement. Chaque dollar investi dans le modèle sans refonte du processus qui l'entoure est un dollar qui génère de la vitesse, mais pas de la direction. L'erreur la plus fréquente dans les programmes d'IA d'entreprise est de supposer que l'intelligence du modèle compensera le dysfonctionnement du processus. Ce n'est pas le cas. Elle l'amplifie.
L'architecture technologique est le deuxième problème. Les systèmes hérités fragmentés ne peuvent pas supporter une intelligence intégrée au point de décision. Acheter un modèle plus puissant ne résout pas un problème d'intégration. Ce qui ressemble à un problème de capacité IA est, bien souvent, un problème de dette technique non résolue que le budget IA n'a jamais touché, parce que la dette technique ne génère pas de démonstrations attractives.
Les compétences occupent la troisième place et constituent peut-être le déficit le plus coûteux en raison de son invisibilité. Il existe une différence entre une main-d'œuvre qui sait ce qu'est l'IA et une qui sait travailler avec elle. La première peut répondre à une enquête d'adoption. La seconde peut redéfinir la façon dont une équipe d'opérations, de gestion des risques ou de service client prend ses décisions. La transformation des compétences reste l'une des lignes budgétaires les plus systématiquement sous-estimées dans les programmes d'IA d'entreprise, traitée comme une gestion du changement en fin de projet plutôt que comme une condition de livraison dès le début.
Les données complètent le tableau. Aucun modèle, aussi sophistiqué soit-il, ne produit une intelligence fiable à partir de données non fiables. Et pourtant, la préparation des données ne reçoit qu'une fraction de l'investissement consacré à la sélection des modèles et à l'acquisition de plateformes. Le constat de Gartner n'est pas seulement statistique : c'est un diagnostic de priorités. Les entreprises investissent là où il y a de la visibilité et de la reconnaissance. Des données propres, bien gouvernées et connectées aux bons processus ne génèrent pas de démonstrations spectaculaires. Elles génèrent des résultats. Cette différence explique pourquoi 60 % des projets ne survivent pas.
Une étude de coûts publiée en 2026 estime que les systèmes d'IA prêts pour la production, avec conformité réglementaire et évolutivité réelle, coûtent entre 250 000 et plus d'un million de dollars par système, une fois que l'on comptabilise l'ingénierie, le travail sur les données, la gouvernance et l'intégration. Ce chiffre inclut les coûts récurrents de maintenance des modèles, de réentraînement et de surveillance. Presque aucun pilote n'a été conçu pour soutenir cette structure. Ce qui explique pourquoi les pilotes ne passent pas à l'échelle.
L'architecture budgétaire qui distingue ceux qui capturent la valeur de ceux qui l'observent
La différence entre les entreprises qui capturent une valeur durable avec l'IA et celles qui accumulent une dette d'implémentation ne réside pas dans les modèles qu'elles ont choisis. Elle réside dans la façon dont elles ont construit l'architecture d'investissement autour de ces modèles.
Les entreprises qui génèrent un retour mesurable partagent un schéma à trois couches. La première est l'investissement de fondation : travail de préparation des données, refonte des processus, modernisation des systèmes hérités et programmes de formation avec des métriques d'adoption. C'est le travail sans glamour qui détermine si tout le reste fonctionne. La deuxième couche est le déploiement de l'intelligence : une IA intégrée de façon native dans des flux de travail réels, non pas comme un outil parallèle mais comme une capacité au sein de la plateforme, du produit ou du parcours client, avec une traçabilité directe vers un résultat commercial. La troisième est l'orchestration, à la fois humaine et agentique, mais qui n'a de valeur que lorsque les deux couches précédentes sont déjà construites.
La projection de Deloitte indique que le nombre d'entreprises avec plus de 40 % de leurs projets d'IA en production doublera au cours du prochain cycle de planification. Ce chiffre importe moins comme indicateur d'adoption que comme signal du type d'entreprise qui sera capable de concurrencer sur la base d'une structure de coûts structurellement différente.
Les directeurs financiers commencent à déplacer les budgets IA depuis des lignes d'innovation à contrôle souple vers des budgets opérationnels technologiques soumis aux mêmes exigences que celles appliquées à un investissement dans un ERP ou dans des plateformes de gestion de la relation client. Cela a deux conséquences immédiates. La première est que les projets qui ne peuvent pas montrer un retour opérationnel mesurable vont perdre leur financement. La seconde est que les fournisseurs et intégrateurs de systèmes qui survivront seront ceux capables de connecter leur offre à des métriques de processus concrètes, et non à des promesses de transformation abstraite.
L'argument central de l'analyse de Kedia, et celui qui met le plus mal à l'aise les équipes technologiques, est que l'investissement IA qui comptera le plus l'année prochaine est celui qui paraît aujourd'hui le moins attrayant. Ce n'est pas un paradoxe rhétorique. C'est une description précise de la façon dont la valeur se distribue dans des marchés à forte asymétrie d'information : ceux qui investissent dans ce qui ne peut pas être démontré dans une présentation capturent la valeur que les autres se contentent de décrire dans leurs rapports annuels.
L'architecture budgétaire qui construit une intelligence appliquée est, par définition, moins visible que celle qui finance des expériences avec des modèles avancés. Mais c'est la seule qui produit des résultats capables de résister à un véritable audit de valeur. Et dans un environnement où les conseils d'administration commencent à exiger exactement cela, la visibilité de la dépense a cessé d'être son principal avantage.
