Les entreprises dépensent des billions en IA et récoltent des centimes
Il existe un chiffre qui devrait trôner sur le bureau de chaque directeur financier qui signe aujourd'hui un budget consacré à l'intelligence artificielle : 40 %. C'est la proportion d'entreprises qui, selon une enquête récente de Bain & Company menée auprès de 951 grandes corporations mondiales, ont mesuré leurs économies réelles liées à l'IA et les ont trouvées dans une fourchette allant de zéro à dix pour cent. Non pas parce que la technologie a échoué en production. Mais parce que la valeur promise n'a jamais réussi à se transformer en valeur capturée.
Les dépenses mondiales en IA atteindront 2 590 milliards de dollars cette année, soit un bond de 47 % par rapport à l'exercice précédent, selon les projections de Gartner. Pour l'année prochaine, le chiffre approche les 3 500 milliards. Ce sont des chiffres qui impressionnent. Ce qui n'impressionne pas, du moins pas de la bonne manière, c'est ce qui se trouve de l'autre côté de cette équation : plus de 37 % des entreprises interrogées s'étaient fixé comme objectif des réductions de coûts comprises entre 11 % et 20 %, et la majorité a atterri bien en dessous. Sans alarmes. Sans révisions. Avec de nouveaux budgets déjà approuvés pour la prochaine vague.
Ce n'est pas une histoire de technologie défaillante. C'est une histoire sur la façon dont les organisations construisent des dépendances qu'elles ne savent pas nommer, et sur la manière dont les systèmes qui semblent progresser tournent parfois simplement en rond sur eux-mêmes.
Le cycle que personne ne veut voir inscrit au tableau
Bain a identifié un mécanisme qui, décrit clairement, devrait susciter un malaise dans n'importe quelle salle de direction : 44 % des entreprises financent la prochaine vague d'IA avec les économies réalisées lors de la vague précédente. Des économies qui, selon la même enquête, se sont révélées inférieures aux projections.
Il s'agit d'une circularité structurelle. L'entreprise investit dans l'automatisation robotique des processus ou dans l'apprentissage automatique, obtient moins que prévu, utilise cette base réduite pour financer le cycle suivant avec l'intelligence générative, et se prépare désormais à répéter l'opération avec des agents autonomes. Chaque cycle d'investissement se justifie par les retours incomplets du précédent. Le résultat net n'est pas une accumulation de valeur. C'est une accumulation de paris.
Ce qui est frappant, ce n'est pas que cela se produise. Ce qui est frappant, c'est que cela se produit sans friction. Bain décrit le déficit comme un écart qui « devrait mettre les dirigeants mal à l'aise », mais qui n'est pas suffisamment important pour tuer les programmes. Cette zone intermédiaire — trop coûteuse pour être ignorée et trop petite pour être abandonnée — est précisément là où vivent les systèmes fragiles. Ils ne s'effondrent pas d'un coup. Ils se dégradent lentement, tout en continuant à sembler opérationnels.
Ce que le rapport ne dit pas explicitement, mais qui émerge de sa logique, c'est que ce schéma porte un nom organisationnel précis : l'entreprise est devenue dépendante d'un cycle d'investissement technologique qui fonctionne comme un substitut à des décisions plus profondes sur sa manière de fonctionner. Chaque nouvel outil reporte la question que personne ne veut se poser sereinement : sommes-nous en train de repenser la façon dont cela fonctionne, ou nous contentons-nous d'automatiser ce que nous faisons déjà mal ?
Pourquoi le problème des données est en réalité un problème de gouvernance
41 % des entreprises interrogées par Bain désignent l'accès et l'intégration des données comme le principal obstacle à l'avancement de l'IA. Ce constat occupe cette position depuis des années. Il a survécu à des vagues massives de modernisation des infrastructures, à des migrations vers le cloud et à des consolidations de plateformes. Il est toujours là.
Cela ne peut s'expliquer uniquement par des difficultés techniques. Les obstacles techniques, dans des organisations dotées de budgets de cette envergure, finissent par être résolus. Ce que l'argent et les nouveaux systèmes ne résolvent pas, c'est l'absence de décisions claires sur qui est responsable de quelle donnée, qui détient l'autorité pour imposer des normes et qui supporte le coût politique de l'unification de sources que différents services gèrent comme des territoires propres.
La donnée fragmentée est presque toujours le symptôme d'un pouvoir fragmenté. Les organisations qui ne parviennent pas à intégrer leurs données n'ont pas principalement un problème d'architecture technique : elles ont un problème d'architecture humaine. Personne ne s'approprie le problème dans sa globalité, et c'est pourquoi il se perpétue même lorsque l'on change les outils autour de lui.
Bain propose, avec une certaine ironie productive, d'utiliser l'IA elle-même pour s'attaquer à ce nœud : identifier un flux de travail répétable et à haute valeur ajoutée dans lequel les personnes extraient des données manuellement, consolident des feuilles de calcul et produisent des rapports, puis remplacer cette séquence complète. Non pas comme solution définitive, mais comme démonstration que le problème peut bouger. La tactique a du mérite, mais elle ne fonctionne que si quelqu'un détient l'autorité nécessaire pour imposer la consolidation que l'outil va exiger. Sans cette décision préalable, l'agent d'IA devient un système de plus qui coexiste avec le chaos au lieu de l'ordonner.
Le rapport de Bain souligne également que la gouvernance de l'IA est répartie de manière presque équitable entre la technologie, les fonctions métier et les équipes centrales, sans responsable clairement désigné dans la majorité des organisations. Cela a des conséquences concrètes : lorsqu'un agent autonome commet une erreur aux conséquences réelles dans un système de production, la reddition de comptes ne peut pas s'improviser au moment des faits. Elle doit avoir été établie en amont. Les organisations qui ne l'ont pas fait n'ont pas un problème d'IA. Elles ont un problème de gouvernance que l'IA vient tout juste de rendre visible.
Ce qui sépare ceux qui capturent de la valeur de ceux qui accumulent simplement des dépenses
Bain distingue, dans une formulation qui mérite d'être lue lentement, deux types d'entreprises : celles qui déploient des outils d'IA sur les processus existants, et celles qui utilisent l'IA comme prétexte pour repenser dès le départ le fonctionnement du travail. La distance entre les deux n'est pas d'ordre technologique. Elle relève de l'ambition organisationnelle et de la volonté d'assumer le coût politique de la transformation des structures décisionnelles du quotidien.
Le premier groupe produit les chiffres du rapport Bain : des économies de 0 % à 10 %, des budgets en hausse, des attentes qui se déplacent vers la prochaine vague. Le second groupe, considérablement plus petit, construit quelque chose de différent. Non pas parce qu'il dispose d'une meilleure technologie, mais parce qu'il a décidé que la technologie n'était pas l'objet central de l'initiative. L'objet central, c'était le processus, le rôle, la décision. La technologie était l'instrument permettant de les repenser.
La recommandation de Bain de ne pas « paver des chemins de terre avec l'IA » capture ce point avec précision. Si le processus en cours d'automatisation comporte des inefficacités de conception, les automatiser ne fait que les rendre plus rapides et plus difficiles à percevoir. Le vrai gain ne vient pas de faire la même chose plus vite. Il vient du fait de se demander, avant d'approuver quelque programme que ce soit, comment ce processus serait conçu de zéro s'il était construit aujourd'hui. Cette question, aucun modèle de langage n'y répond. C'est une organisation dotée d'une clarté suffisante sur ce qu'elle souhaite produire, et d'un leadership prêt à assumer le coût de la transition, qui y répond.
C'est ici qu'apparaît la fragilité la plus silencieuse de tout le phénomène. 90 % des entreprises augmentent leur budget consacré à l'IA. Seules 7 % disposent d'agents fonctionnant de manière totalement autonome en production. Cet écart entre investissement et autonomie réelle est l'espace dans lequel s'accumule la dépendance que personne n'a encore nommée : la dépendance envers un cycle d'investissement qui génère l'illusion de transformation sans produire le redéploiement qui la rendrait soutenable.
Les directeurs financiers que Bain a interrogés dans le cadre d'une ligne de recherche parallèle signalent qu'ils commencent à modifier les indicateurs avec lesquels ils évaluent le retour sur investissement de l'IA. Moins d'accent sur les économies de coûts directes, davantage d'attention à la rapidité d'accès à l'information, à la qualité des décisions et à la vitesse de réponse face aux variations. Ce changement d'indicateurs n'est pas cosmétique. Il indique qu'une partie du leadership financier a compris que la question n'était pas « combien avons-nous économisé » mais « que pouvons-nous faire maintenant que nous ne pouvions pas faire avant ». Arriver tardivement à cette distinction coûte cher. Mais y arriver reste préférable à continuer de mesurer les mauvaises choses avec des budgets de plus en plus importants.
La maturité organisationnelle face à l'IA ne se mesure pas à la taille de l'investissement ni à la sophistication des outils choisis. Elle se mesure à la capacité d'une organisation à auditer avec honnêteté ses propres paris passés, à assigner des responsabilités avant que l'erreur ne survienne et à résister à la tentation de financer la prochaine vague avec les retours incomplets de la précédente. Les entreprises qui ne peuvent pas faire ces trois choses ne sont pas sur la voie de la transformation. Elles tournent à l'intérieur d'un cycle qui s'autofinance et qui, pour le moment, ne leur a pas encore généré un coût suffisant pour s'arrêter et l'observer.
