Chaque budget IA dissimule un pari sur le fonctionnement de votre entreprise
L'argent a déjà été approuvé. Les pilotes ont tourné. Certains ont fonctionné ; la plupart se sont arrêtés avant de générer une valeur mesurable. Selon S&P Global, 42 % des organisations ont abandonné la majorité de leurs initiatives d'IA en 2025, contre 17 % l'année précédente. Cette statistique ne décrit pas un problème technologique. Elle décrit un problème d'architecture de décision : les entreprises ont acheté de la capacité sans concevoir le modèle opérationnel qui devait la soutenir.
C'est ce qui est en jeu derrière chaque ligne du budget d'intelligence artificielle. Il ne s'agit pas d'un pari sur quel modèle de langage s'imposera sur le marché, ni sur quel fournisseur de cloud offre la meilleure latence. Il s'agit d'un pari sur la façon dont le travail va circuler, qui prend quelles décisions, où réside le jugement propriétaire et combien coûtera l'exploitation de tout cela à l'échelle. Le formuler ainsi modifie complètement l'analyse financière qu'un directeur financier ou un conseil d'administration devrait effectuer avant de signer.
La plupart ne le font pas. Et cet écart entre le capital engagé et la clarté du modèle censé le soutenir est l'endroit où s'accumule le risque structurel le plus pertinent de ce cycle d'investissement en IA.
Ce que les fournisseurs SaaS ne vous ont pas dit quand vous les payiez par siège
Pendant une décennie, le modèle d'abonnement par siège a entraîné les dirigeants à concevoir la capacité comme quelque chose que l'on loue. Le fournisseur gère la complexité technique ; l'entreprise achète le résultat. Cet arrangement a fonctionné tant que la technologie était un système d'enregistrement ou un outil de support. Il cesse de fonctionner dès que la technologie commence à exercer un jugement métier.
Lorsqu'un agent IA applique une politique de remboursement, prend une décision de crédit ou escalade un dossier de support, il n'exécute pas un logiciel. Il fait tourner en production la logique de votre modèle opérationnel. Vous pouvez sous-traiter le serveur sur lequel cela se produit. Vous ne pouvez pas sous-traiter les règles qui déterminent ce que le système décide. Ces règles, c'est l'entreprise elle-même.
Le changement qui s'opère sur le marché SaaS le confirme. Les entreprises réduisent le nombre de sièges, déplacent le travail vers des agents internes et renégocient leurs contrats selon des conditions différentes. Les fournisseurs eux-mêmes migrent vers des modèles de tarification à la performance, parce qu'ils savent que la frontière entre ce qui se loue et ce qui se construit est en train de se déplacer. La reconnaissance implicite de ce glissement, c'est que la valeur ne réside plus dans l'accès à l'outil, mais dans la logique qui s'exécute par-dessus.
Cela a une conséquence financière directe que peu d'analyses de retour sur investissement capturent. Lorsqu'une entreprise réduit un contrat SaaS de deux millions de dollars parce qu'elle va internaliser de la capacité avec ses propres agents, cet argent ne disparaît pas. Il se redistribue : environ entre 30 % et 45 % vers l'inférence de modèles, entre 20 % et 30 % vers l'ingénierie des données et les outils, et entre deux et quatre postes pour gouverner ce que les agents décident. La première année, le résultat est une réaffectation des dépenses, pas des économies. Un modèle économique qui présente cette transition comme une réduction des coûts sans cartographier où est allé l'argent comporte une erreur comptable structurelle dans son dossier d'investissement.
Le fantôme du modèle d'automatisation précédent
Il existe un précédent qui rend le risque actuel plus lisible : la vague d'automatisation robotique des processus entre 2017 et 2022. Les entreprises ont déployé des milliers de bots sans aucun standard de déploiement, sans versions contrôlées, sans cycles de vie définis. À partir de 2023, le schéma était constant : des bots en production, personne ne sachant avec certitude ce qu'ils faisaient exactement, des ingénieurs ayant peur d'y toucher parce que toute intervention risquait de briser quelque chose que personne ne comprenait vraiment.
Les agents IA, c'est cette même architecture d'échec, mais avec du raisonnement intégré et un rayon d'impact supérieur de plusieurs ordres de grandeur. Un bot qui traite des formulaires incorrectement peut générer des erreurs coûteuses. Un agent qui interprète des politiques, prend des décisions contextuelles et opère dans plusieurs systèmes simultanément peut propager des erreurs à une vitesse et à une échelle qu'aucun système de révision humaine tardive ne peut contenir.
La question de gouvernance à laquelle tout dirigeant devrait pouvoir répondre avant d'élargir le déploiement des agents n'est pas philosophique. Elle est opérationnelle : quels agents l'entreprise fait-elle tourner en production, qui est propriétaire de chacun d'eux et comment les inverse-t-on si quelque chose tourne mal. Si cette réponse n'existe pas, le problème est déjà installé. Ce qui manque, c'est qu'il devienne visible.
La rareté de cette visibilité n'est pas un accident. Elle vient du fait que la gouvernance de l'IA a été traitée comme une couche postérieure, quelque chose que l'on ajoute après que le système fonctionne déjà. Les preuves issues d'autres cycles technologiques suggèrent que cet ordre produit exactement le type de dépendance que personne ne veut toucher par la suite : de la dette technique avec du raisonnement intégré.
L'endroit où les dépenses en IA deviennent une consommation incontrôlée
Il existe une dynamique de coûts que la majorité des dossiers économiques internes ignorent. Les prix unitaires d'inférence sont en baisse. Dans le même temps, la consommation augmente plus vite que cette baisse de prix. Le résultat net est que les dépenses agrégées liées à l'exploitation de l'IA augmentent, même si chaque token coûte moins cher.
Les entreprises qui ont largement déployé des outils d'IA rationalisent l'accès : suffisamment pour que les équipes expérimentent, mais pas suffisamment pour qu'elles dépendent du système. Cet écart entre l'expérimentation et la dépendance opérationnelle est l'endroit où s'accumule le prochain cycle d'investissement. Le combler a un coût réel, et ce coût existe déjà à l'intérieur des portefeuilles technologiques actuels. Il est réparti entre des contrats SaaS en cours de consolidation et une infrastructure en cours de remplacement. Le problème n'est pas le manque de capital ; c'est le manque de visibilité sur quelle partie de ce capital génère de la capacité productive et quelle partie finance une exploitation sans retour mesurable.
C'est ce qui fait de la gouvernance un enjeu financier, et pas seulement un enjeu technique. Sans la capacité de tracer quels agents opèrent, quelles décisions ils prennent et quel résultat ils produisent, le budget IA devient une dépense de foi. Et les conseils d'administration qui commencent à comprendre cela changent les questions qu'ils posent lors des revues d'investissement. Ils ne demandent plus combien de modèles ont été déployés. Ils demandent des métriques de flux de travail, des taux d'erreur, du temps économisé et la satisfaction des utilisateurs. La différence entre ces deux ensembles de métriques décrit la distance entre une entreprise qui parie sur une technologie et une entreprise qui construit un modèle opérationnel.
Le modèle hybride n'est pas une concession, c'est la bonne structure économique pour l'instant
Le cas qui illustre le mieux où mène un pari désordonné sur le modèle opérationnel vient de Klarna. Les revenus de l'entreprise ont approximativement doublé entre 2022 et 2025, tandis que les effectifs ont été réduits de presque de moitié. Cela semblait valider une thèse extrême : l'IA remplaçant le travail humain à grande échelle. Mais la même entreprise a dû reconstruire son service client humain lorsque la satisfaction a chuté dans les interactions automatisées.
Ce qui en reste n'est ni une histoire de succès pur ni un échec. C'est un modèle opérationnel avec une logique spécifique : l'IA pour le volume, les humains pour la complexité. L'automatisation pour ce qui est prévisible, à l'échelle et standardisable. Le jugement humain pour ce qui requiert du contexte, des exceptions ou des conséquences relationnelles élevées. Cette distinction n'est pas philosophique. C'est la variable qui détermine si le coût opérationnel baisse de manière durable ou si celui-ci se déplace simplement vers des problèmes de qualité qu'il faudra éventuellement résoudre avec des dépenses supplémentaires.
L'erreur la plus fréquente dans les modèles financiers d'adoption de l'IA est de traiter cette distinction comme une transition temporaire vers un état futur où tout est automatisable. Les données actuelles ne corroborent pas ce scénario pour la majorité des secteurs. Ce qu'elles corroborent, c'est que la frontière entre ce que l'IA exécute bien et ce qui requiert un jugement humain se déplace, mais ne disparaît pas. Les entreprises qui gouvernent cette frontière avec précision, qui savent exactement où elle se situe et peuvent l'ajuster lorsque les conditions changent, disposent d'un avantage opérationnel mesurable par rapport à celles qui l'ont laissée indéfinie.
L'investissement en IA n'est donc pas un pari sur l'avenir de la technologie. C'est un pari sur la capacité d'une organisation à concevoir, exploiter et corriger un modèle hybride dans des conditions de changement continu. Les entreprises qui disposent aujourd'hui de cette capacité installée seront des acheteurs éclairés lorsque le prochain cycle de consolidation des outils arrivera. Celles qui ne l'ont pas construisent des dépendances que personne ne sera en mesure d'inventorier lorsque viendra le moment de migrer.
