Pourquoi les entreprises dépensent des milliards en IA et obtiennent les mêmes résultats que l'année dernière
Il existe une expérience qui se répète dans des milliers d'entreprises et qui se termine toujours de la même façon. L'équipe identifie une tâche répétitive, connecte un modèle de langage, automatise les étapes visibles et annonce que l'IA fonctionne désormais. Les dirigeants approuvent le budget suivant. Six mois plus tard, les indicateurs financiers ne bougent pas.
Ce n'est pas un problème technologique. C'est un problème de perspective.
Le co-fondateur de Superlinked a décrit ce schéma avec une franchise rare dans le secteur technologique : lorsqu'il a dû reconstruire son moteur de vente avec moins de personnes, la première chose qu'il a faite a été de pointer un modèle de langage vers son processus de prospection et de lui demander d'envoyer davantage d'e-mails à davantage de personnes. Les messages sont partis. Les réponses ne sont pas arrivées. La partie facile du processus s'est accélérée ; la partie difficile — savoir qui contacter et quand — est restée exactement la même.
C'est la même expérience. Et elle produit presque toujours le même résultat.
---
Le chiffre qui explique le malaise
Les données sur l'adoption de l'IA en entreprise sont spectaculaires en volume et déconcertantes en résultats. Les dépenses mondiales en IA devraient atteindre 2 590 milliards de dollars en 2026, soit une croissance de 47 % par rapport à l'année précédente. Le marché spécifique des modèles et plateformes d'IA est projeté à 64 milliards de dollars, avec un taux de croissance de 63 %.
Voici le contraste : selon les données de McKinsey, 60 % des organisations n'ont toujours pas enregistré d'impact sur leur EBIT à l'échelle de l'entreprise au titre de leurs programmes d'IA. Seulement 37 % ont indiqué que l'IA avait contribué positivement à leur marge opérationnelle, un chiffre pratiquement inchangé par rapport à l'année précédente. PwC a constaté que seulement 12 % des PDG affirment que l'IA a produit des bénéfices simultanés sur les coûts et sur les revenus.
Il existe un écart entre l'argent qui entre et la valeur qui en sort, et cet écart a une architecture spécifique.
L'explication la plus commode est que les modèles ne sont pas encore suffisamment performants. Mais Anthropic a interrogé plus de 500 responsables techniques et a constaté que le principal obstacle à la mise en œuvre d'agents d'IA n'est pas la capacité du modèle : c'est l'intégration avec les systèmes existants (46 %), la qualité et l'accès aux données (42 %) et les coûts de déploiement (43 %). Les modèles sont capables de faire davantage que ce que les entreprises parviennent à exploiter. Le problème se situe avant et après le modèle, pas à l'intérieur de celui-ci.
Ce que les entreprises achètent, pour la plupart, c'est de la vitesse sur des étapes individuelles. Et la vitesse sur une étape, lorsque le reste du processus ne change pas, déplace le goulot d'étranglement sans l'éliminer. Le travail s'accumule au maillon suivant de la chaîne, qui reste humain, manuel ou dépendant de données que personne n'a correctement connectées.
---
Ce que révèle le temps de vérification humaine
L'expérience de Superlinked met en évidence quelque chose que les métriques standard d'adoption de l'IA ne capturent pas. Lorsque l'équipe a repensé son processus de prospection de zéro, elle a cessé de mesurer le nombre d'e-mails envoyés et a commencé à identifier de véritables signaux de douleur : des ingénieurs décrivant des problèmes spécifiques dans des dépôts de code open source. Un agent peut lire des milliers de ces fils par semaine ; une équipe humaine ne le peut pas. Il ne s'agit pas d'une automatisation de tâches, mais d'un accès à des informations qu'il était auparavant physiquement impossible de traiter.
La différence architecturale est fondamentale. L'ancien processus partait d'une liste achetée. Le nouveau part de la preuve d'un problème. Le premier automatise l'exécution. Le second automatise la découverte.
Mais la partie la plus utile du récit n'est pas le cas de succès. C'est la métrique que l'auteur propose pour savoir si une refonte fonctionne : le temps qu'une personne met à vérifier le travail de l'agent. Si ce temps diminue, le processus s'améliore. S'il reste stable ou augmente, l'entreprise produit davantage de volume sans réduire l'effort total. Elle fait croître la charge de supervision, pas elle ne la réduit.
Cette métrique est inconfortable parce qu'elle oblige à mesurer quelque chose que presque aucune entreprise ne mesure aujourd'hui. Les tableaux de bord d'IA en entreprise affichent généralement le nombre de tâches automatisées, la vitesse de traitement, le taux d'achèvement. Ils montrent rarement combien de temps un réviseur humain consacre à valider chaque résultat de l'agent, ni combien de ces résultats nécessitent une correction avant de pouvoir être utilisés.
Le temps de vérification humaine est directement lié à l'économie du processus. Si l'automatisation d'une tâche prend deux secondes mais que la vérification de son résultat prend cinq minutes, l'entreprise n'a rien économisé. Elle a ajouté une étape intermédiaire. Et si cette étape intermédiaire croît parallèlement au volume de l'agent, le coût opérationnel peut augmenter en même temps que les dépenses en infrastructure d'IA.
McKinsey a signalé qu'environ 20 % des organisations limitent déjà l'utilisation de l'IA en raison de ses coûts opérationnels, y compris les coûts d'inférence. Cela laisse entendre que le modèle d'expansion linéaire — davantage d'agents, davantage de tokens, davantage d'automatisation — atteint un plafond économique qui apparaît plus tôt que ce que les vendeurs de plateformes anticipent généralement.
---
Où réside la valeur que personne ne comptabilise
Il existe un schéma de distribution de la valeur qui échappe au bilan lorsqu'on évalue l'investissement en IA en entreprise. Les plateformes facturent à l'usage, au siège, au volume de tokens traités. Les cabinets de conseil facturent la mise en œuvre et la refonte des processus. Les fournisseurs d'infrastructure facturent le calcul et le stockage. Tout cela apparaît comme une dépense dans le compte de résultat.
Ce qui n'apparaît pas avec la même clarté, c'est le coût du travail humain qui reste nécessaire pour que le système fonctionne. Les réviseurs qui valident les résultats. Les ingénieurs qui corrigent les intégrations défaillantes. Les analystes qui rapprochent les données entre le nouveau système et les systèmes hérités qui n'ont jamais été connectés. Les managers qui conçoivent les critères d'escalade parce que l'agent ne sait pas quand s'arrêter.
Ce travail ne disparaît pas avec l'adoption de l'IA. Dans de nombreux cas, il se réorganise. Et dans certains cas, il se multiplie temporairement pendant que le système apprend et que les processus se stabilisent. La promesse de réduction des coûts salariaux qui justifie de nombreux investissements en IA suppose que ce travail de supervision, de correction et de coordination tende vers zéro. Les données d'impact sur l'EBIT suggèrent que cette tendance est plus lente que ce que les modèles économiques initiaux avaient prévu.
La question que très peu d'organisations se posent avant d'approuver le budget est celle du coût de supervision de l'agent, et non seulement de son entraînement ou de sa licence. Anthropic a identifié l'intégration avec les systèmes existants comme la barrière la plus citée. Ce n'est pas un problème technique mineur : c'est le coût de connecter l'agent aux données faisant autorité dont il a besoin pour produire des résultats vérifiables. Sans cette connexion, l'agent travaille avec des informations incomplètes ou obsolètes, et le temps de vérification humaine ne diminue pas parce que les réviseurs doivent combler cet écart manuellement.
Les dépenses en modèles et en plateformes projettent des croissances de 63 % en glissement annuel. Les dépenses en intégration, gouvernance et refonte des processus ne bénéficient pas d'une métrique équivalente en termes de visibilité publique, mais c'est précisément là que se détermine si l'investissement produit un retour ou s'il se contente de déplacer le travail ailleurs dans la chaîne.
---
L'architecture qui sépare l'adoption de l'impact
Il existe une distinction que les organisations affichant le plus grand impact financier de l'IA semblent avoir résolue avant les autres. McKinsey a signalé que 40 % des organisations dont le chiffre d'affaires dépasse un milliard de dollars sont déjà en train de mettre à l'échelle des agents d'IA, contre 27 % l'année précédente. Mais McKinsey a également constaté que seulement 6 % de l'ensemble des organisations se qualifient de « haute performance » en matière d'IA, définies comme celles qui attribuent au moins 5 % de leur EBIT à l'impact de la technologie.
Cet écart entre les 40 % qui montent en puissance et les 6 % qui génèrent un impact mesurable sur les marges signale une lacune architecturale, et non une lacune d'intention. Les organisations qui montent en puissance sans impact achètent de la vitesse sur des étapes individuelles. Celles qui convertissent cet investissement en EBIT repensent l'intégralité du processus : quelles informations l'agent utilise, où il a l'autorité d'agir sans supervision, où il escalade vers un humain, comment ses performances sont mesurées en termes de résultat du processus et non seulement de tâche accomplie.
Le cas de Superlinked illustre cette différence avec précision. La première tentative a automatisé l'exécution. La seconde a repensé l'entrée : au lieu de partir d'une liste, le processus commence par un signal comportemental indiquant que quelqu'un rencontre le problème précis que le produit résout. Cette différence n'est pas mineure. C'est la différence entre mettre à l'échelle le volume et mettre à l'échelle la pertinence.
Ce qui rend cette refonte viable n'est pas un modèle plus puissant. C'est la décision de mesurer le processus à rebours depuis le résultat : combien de réponses qualifiées sont produites, et non combien d'e-mails sont envoyés. Et c'est cette orientation vers le résultat qui permet d'identifier où l'agent doit agir, où il doit attendre et où le processus nécessite un humain que l'agent n'est pas encore capable de remplacer.
L'investissement en IA qui ne passe pas par cette refonte n'échoue pas parce que la technologie est insuffisante. Il échoue parce qu'il accélère un processus qui produisait des résultats médiocres et le transforme en un processus qui produit les mêmes résultats médiocres à plus grande échelle, avec des dépenses d'infrastructure plus élevées et avec l'illusion d'une modernisation suffisante pour justifier le budget suivant. Le temps de vérification humaine, si quelqu'un prend la peine de le mesurer, raconterait cette histoire avec beaucoup plus d'honnêteté que n'importe quel tableau de bord de tâches automatisées.










