L’avertissement de Bain sur les coûts de l’IA dans les télécoms révèle un piège d’opex

Bain a lancé un avertissement sur les coûts de l’IA dans les télécoms, avec un constat frappant : les dépenses d’automatisation peuvent augmenter les dépenses opérationnelles même après la disparition de postes et de tâches. Le cabinet estime que les agents IA, les tokens et les services de données associés pourraient à terme représenter 20 % à 30 % de la base de coûts d’un opérateur.

Cet avertissement remet en cause une hypothèse fréquente des programmes d’IA dans les télécoms. Des modèles moins coûteux et une réduction des tâches manuelles ne garantissent pas un budget opérationnel plus faible. Si les opérateurs conservent leurs systèmes, contrats, validations et flux de travail humains existants, l’IA devient une dépense supplémentaire qui s’ajoute à l’ancienne structure.

Ce conflit est important car les opérateurs appliquent déjà l’IA au service client, aux opérations réseau, à l’ingénierie logicielle et aux systèmes de support métier. AT&T expérimente le routage de modèles et les modèles ouverts, tandis que Microsoft promeut des agents réseau spécialisés. Selon Bain, ces outils ne génèrent des économies que lorsque les opérateurs réorganisent le travail autour d’eux.

L’avertissement de Bain sur les coûts de l’IA dans les télécoms modifie l’équation des économies

Le message central de Bain est que les télécoms peuvent remplacer une partie de leur base de coûts par l’IA, ou ajouter des dépenses d’IA sans supprimer les coûts qu’elle était censée remplacer.

Le cabinet a publié son analyse des télécoms le 10 septembre 2026. Elle décrit une évolution probable des structures opérationnelles des télécoms au cours des trois à cinq prochaines années. Les agents IA effectueront ou accompagneront davantage de travail, tandis que les personnes conserveront la responsabilité des décisions critiques.

Bain présente un modèle opérationnel possible dans lequel les dépenses traditionnelles représentent 70 % à 80 % des coûts totaux. Les agents IA, la consommation de tokens et les services associés constituent les 20 % à 30 % restants.

Ce modèle n’est pas en lui-même une prévision d’économies. Il décrit une évolution de ce pour quoi les opérateurs paient et de la manière dont ces dépenses se comportent.

Dans le scénario favorable, les coûts de l’IA remplacent une part comparable des dépenses héritées. Les opérateurs éliminent les tâches redondantes, simplifient les processus, réduisent les logiciels inutiles et modifient leurs besoins en personnel. Les coûts totaux pourraient rester globalement stables tandis que la rapidité, la capacité ou la qualité de service s’améliorent.

Le scénario dangereux commence lorsqu’un opérateur ajoute les mêmes dépenses d’IA sans supprimer une grande partie de la base existante. Les employés continuent de suivre les processus établis. Les abonnements logiciels restent actifs. Les accords d’externalisation se poursuivent. Les assistants IA prennent en charge des étapes isolées, sans éliminer les transferts de responsabilités ni les systèmes en double.

Les dépenses opérationnelles totales augmentent alors à hauteur de la nouvelle couche d’IA. La productivité, l’expérience client ou les revenus doivent s’améliorer suffisamment pour justifier cette hausse. Sinon, l’opérateur finance une organisation plus complexe plutôt qu’une organisation plus efficace.

Cette distinction est importante car les dépenses opérationnelles, souvent abrégées en opex, se répètent au fil du fonctionnement de l’entreprise. Un projet d’investissement échoué peut laisser un actif visible et une dépréciation définie. L’usage des tokens, l’inférence cloud, la supervision et l’examen humain peuvent au contraire générer des coûts mensuels variables répartis entre les départements.

Les agents IA créent aussi des dépenses allant au-delà de l’accès aux modèles. Ils appellent des outils logiciels, récupèrent des informations stockées, évaluent les résultats, conservent le contexte et répètent parfois des étapes infructueuses. Les opérateurs doivent payer l’infrastructure et les contrôles qui entourent ces actions.

Bain rejette donc le coût par token comme principale mesure. Un token bon marché ne révèle pas si un flux de travail automatisé a résolu un problème. L’unité utile est le coût de résolution d’un problème client, de gestion d’un incident réseau, de production d’une proposition ou d’achèvement d’une livraison logicielle.

Le reportage initial a mis en évidence l’implication la plus frappante. Aucun des deux parcours illustrés par Bain ne réduit automatiquement les coûts totaux. L’un remplace les dépenses traditionnelles par des dépenses d’IA, tandis que l’autre augmente la facture combinée.

C’est ce qui a changé. La conversation sur l’IA dans les télécoms ne porte plus seulement sur la capacité des modèles à automatiser le travail. Elle devient un test financier : les opérateurs peuvent-ils supprimer les processus, contrats et couches organisationnelles que l’automatisation rend inutiles ?

Des modèles moins coûteux peuvent tout de même générer des factures plus élevées

La baisse des prix des modèles compte moins lorsque l’usage, la complexité des flux de travail et la demande augmentent plus vite que le coût par token ne diminue.

Bain indique que les prix des modèles ont chuté d’environ un facteur dix chaque année. Cela semble tracer une voie directe vers une baisse des dépenses d’IA. Toutefois, des coûts unitaires plus faibles encouragent souvent un usage plus large, des prompts plus volumineux, des raisonnements plus complexes et des agents fonctionnant plus longtemps.

Un employé qui utilisait autrefois l’IA pour résumer un document peut ensuite lui demander d’examiner l’historique complet d’un dossier. Une équipe réseau peut passer de la génération de notes d’incident à la coordination du diagnostic, de la remédiation, de la validation et de l’escalade. Chaque amélioration élargit le volume de contexte, de raisonnement et d’utilisation d’outils nécessaire.

L’IA agentique amplifie cet effet. Un agent IA est un logiciel capable de planifier et d’exécuter une séquence d’actions, plutôt que de répondre à un seul prompt. Il peut consulter plusieurs systèmes, reconsidérer un résultat infructueux et appeler un autre modèle avant d’achever une tâche.

Ces boucles peuvent consommer des tokens sans produire de résultat acceptable. Le contexte répété peut être envoyé à chaque appel de modèle. Plusieurs garde-fous peuvent inspecter la même sortie. Deux agents peuvent effectuer des vérifications qui se chevauchent parce que des équipes distinctes les ont conçus indépendamment.

La facture du modèle ne couvre aussi qu’une partie de la dépense. Un flux de travail de production peut exiger un logiciel d’orchestration, du stockage, de l’observabilité, de l’évaluation, des contrôles de cybersécurité et une supervision humaine. Les opérateurs peuvent optimiser l’inférence tout en négligeant le système plus vaste qui l’entoure.

La demande crée une autre source de pression. Une fois que les employés découvrent des applications utiles, l’adoption s’étend aux différentes unités opérationnelles. Les opérations réseau et le service client sont particulièrement exposés, car ils comportent des flux à haut volume avec de grandes quantités de contexte opérationnel.

Les équipes peuvent également utiliser par défaut des modèles de raisonnement plus récents pour des tâches routinières. Ces modèles peuvent fournir une meilleure analyse, mais leurs chaînes de raisonnement plus longues consomment davantage de tokens. Payer moins pour chaque token n’aide pas lorsqu’une tâche en utilise beaucoup plus.

Ce schéma rappelle l’effet rebond observé dans d’autres technologies. L’efficacité réduit le coût d’une activité individuelle, ce qui encourage les personnes à en effectuer davantage. La consommation totale peut augmenter même si chaque unité devient moins chère.

Les opérateurs télécoms font face à une complication supplémentaire car leurs charges de travail sont continues. Les demandes clients, alarmes, tickets, changements de configuration et contrôles de fraude se poursuivent jour et nuit. Une faible hausse du coût de chaque événement automatisé peut devenir significative à l’échelle d’un réseau.

La bonne comparaison n’est donc pas un modèle par rapport à un autre. Les opérateurs doivent comparer un flux de travail activé par l’IA au coût total et au résultat du processus qu’il remplace.

Ce calcul doit inclure les taux d’achèvement, les tentatives répétées, les escalades, les erreurs, la supervision, l’infrastructure et les corrections en aval. Il doit également reconnaître la valeur qui n’apparaît pas sous forme d’économies de main-d’œuvre immédiates, comme un rétablissement plus rapide ou une diminution de l’attrition client.

Le résultat peut favoriser l’IA même lorsque les dépenses directes augmentent. Un agent réseau qui réduit la durée d’une panne majeure peut produire une valeur commerciale substantielle. Un chatbot qui crée des interactions plus longues sans résoudre davantage de demandes peut produire l’effet inverse.

C’est pourquoi l’analyse de Bain sur les coûts de l’IA dans les télécoms se concentre sur le coût par tâche achevée. Elle oblige les opérateurs à relier les dépenses à un résultat mesurable, plutôt qu’à célébrer la baisse des tarifs des tokens ou une adoption accrue.

Le véritable piège d’opex est le modèle opérationnel dual

L’IA devient un piège d’opex lorsqu’elle effectue de nouvelles tâches à la marge tandis que l’organisation héritée continue de fonctionner sans changement.

Les entreprises de télécommunications partent rarement de systèmes propres. Nombre d’entre elles exploitent des réseaux multifournisseurs, des plateformes de support métier personnalisées, des accords d’externalisation de long terme et des logiciels accumulés au fil des années d’expansion et d’acquisitions.

Ajouter un assistant à cet environnement peut accélérer une étape. Cela ne supprime pas automatiquement les étapes restantes.

Prenons le cas d’un agent de service client qui utilise l’IA pour résumer un appel. Le résumé peut faire gagner du temps, mais l’employé doit toujours gérer l’authentification, rechercher dans plusieurs systèmes, demander des validations, mettre à jour les dossiers et résoudre le problème du client. L’opérateur paie toujours pour chaque plateforme sous-jacente et chaque transfert organisationnel.

Un assistant d’opérations réseau crée le même risque. Il peut classer une alarme ou recommander une réponse, tandis que les ingénieurs continuent d’utiliser le processus établi de surveillance, de gestion des tickets et d’escalade. La sortie de l’IA devient un élément supplémentaire que les employés doivent examiner.

Bain appelle cela un modèle opérationnel dual. Le flux de travail piloté par des humains reste intact, tandis que l’IA en exécute des fragments autour de lui. Les licences, coûts d’externalisation, couches de gestion et contrôles manuels survivent parce que le processus sous-jacent ne change jamais.

Une refonte de bout en bout produit un résultat différent. Un opérateur commence par le résultat, cartographie chaque étape nécessaire pour l’atteindre et décide quelles étapes doivent disparaître. L’IA participe alors à un processus plus simple au lieu de se greffer sur une complexité héritée.

Bain cite les travaux de Vivo sur les opérations réseau en boucle fermée comme exemple. Selon le cabinet de conseil, l’opérateur a repensé un processus complet allant de la détection à la résolution. L’IA peut détecter des anomalies, identifier les causes probables, effectuer des actions correctives, valider les résultats et escalader les exceptions.

Cette structure cible l’incident dans son ensemble plutôt qu’une seule étape analytique. L’attention humaine se concentre sur les cas nécessitant un jugement ou une intervention. Le flux de travail peut générer de la valeur même si les dépenses d’IA restent importantes, car moins de transferts manuels retardent la résolution.

Toutefois, les opérateurs doivent considérer les contrats fournisseurs comme une partie de la refonte. Si des agents reprennent un travail auparavant effectué via des licences logicielles, des prestataires externes ou des équipes sous-traitées, ces engagements doivent être réexaminés. Sinon, l’automatisation crée des économies techniques sans économies financières.

La planification des effectifs exige une attention égale. Supprimer des employés expérimentés avant que le nouveau processus ne fonctionne peut dégrader la qualité de service et les connaissances institutionnelles. Conserver chaque rôle inchangé après la maturation de l’automatisation peut préserver des coûts en double.

Gartner a ajouté un avertissement plus large le 9 septembre. Sa prévision sur l’avenir du travail prévoit que 30 % des employés licenciés en raison d’un remplacement par l’IA devront être réembauchés d’ici 2029. Le cabinet s’attend à ce que nombre de ces réembauches coûtent plus cher, car les viviers de talents et les connaissances institutionnelles se seront affaiblis.

Cette prévision couvre des secteurs au-delà des télécoms, mais elle renforce directement le test de résistance de Bain. Une réduction précipitée peut rendre l’analyse de rentabilité initiale attrayante, puis engendrer plus tard des coûts de recrutement, de formation, de service et de remédiation.

L’objectif n’est pas de protéger chaque activité existante. Il est d’éviter de traiter la réduction des effectifs comme une preuve que le système repensé fonctionne.

Les opérateurs doivent d’abord établir si l’IA peut achever le flux de travail ciblé avec un niveau acceptable de qualité et de risque. Ils peuvent ensuite modifier les rôles, contrats, validations et systèmes en fonction de performances vérifiées. Cette séquence relie le changement organisationnel à des preuves opérationnelles.

Le piège de l’opex ne se résume donc pas à une inférence coûteuse. C’est la survie de la base de coûts d’hier sous la couche d’automatisation de demain.

AT&T montre à quoi ressemble l’économie des tokens en pratique

La réponse d’AT&T illustre l’alternative : adapter la capacité du modèle à chaque tâche et concevoir l’orchestration en fonction du coût total du workflow.

Bain indique qu’AT&T a étudié comment traiter plus efficacement des milliards de tokens chaque jour. L’opérateur a repensé son orchestration afin que de grands agents de coordination puissent déléguer le travail à des modèles plus petits et spécialisés.

Selon le témoignage d’AT&T cité par Bain, cette approche a réduit les coûts jusqu’à 90 % tout en triplant le débit. Ces chiffres correspondent à une affirmation de l’entreprise, et non à une référence sectorielle vérifiée de manière indépendante. Ils montrent néanmoins ce qu’une stratégie sérieuse de maîtrise des coûts cherche à optimiser.

AT&T appelle son approche la tokenomics. Dans ce contexte, la tokenomics consiste à gérer la consommation des modèles comme une ressource opérationnelle, en faisant des choix selon la complexité des tâches, les performances et le coût.

L’opérateur a exploré les modèles ouverts, car ils offrent davantage de contrôle sur le déploiement et l’optimisation. Sa stratégie de tokenomics ne consiste pas à envoyer chaque requête vers le plus grand modèle disponible.

Une tâche de classification de routine peut nécessiter un petit modèle. Un diagnostic réseau complexe peut justifier un système de raisonnement plus performant. Un agent coordinateur peut acheminer le travail entre eux plutôt que d’utiliser un modèle coûteux pour chaque étape.

Cette stratégie est importante parce que la sélection des modèles intervient souvent de façon invisible. Les employés choisissent un outil familier, ou les développeurs définissent un modèle par défaut pour une application. L’écart de coût paraît faible lors d’un pilote, mais s’amplifie lorsque l’utilisation atteint des volumes de production.

Le routage crée ses propres coûts et risques. L’opérateur doit évaluer quel modèle peut traiter chaque tâche de manière fiable. Il a besoin de règles de repli, de suivi des performances, de contrôles de sécurité et de limites claires pour la revue humaine.

Ces mécanismes soutiennent toutefois une meilleure question financière. L’opérateur peut se demander quelle combinaison de modèles, d’outils et de personnes résout la tâche au niveau de service requis.

L’expérience de Microsoft offre une comparaison utile. Son CTO pour le secteur des télécommunications a déclaré que les grands modèles de détection d’anomalies ajoutaient une complexité considérable tout en apportant une amélioration limitée par rapport aux méthodes statistiques traditionnelles. L’entreprise a déplacé son attention de la prédiction de chaque panne réseau vers une réaction rapide lorsqu’elle survient.

Cet aveu est précieux, car il distingue un cas d’usage techniquement intéressant d’un cas d’usage financièrement utile. Un modèle plus sophistiqué ne crée pas de valeur lorsque des méthodes plus simples obtiennent des résultats presque équivalents.

Microsoft continue de voir un potentiel dans les opérations réseau et les systèmes de support métier. Son cadre Network Operations Agent utilise des agents spécialisés pour des fonctions telles que la télémétrie, la gestion des tickets, le dépannage et la coordination des interventions sur le terrain.

Far EasTone Telecom a utilisé ce cadre dans son centre d’exploitation réseau. Selon le compte rendu de déploiement de Microsoft, près de 60 % des activités du centre d’exploitation réseau de l’opérateur sont assistées par l’IA.

Assisté ne signifie pas autonome. Microsoft maintient une supervision humaine pour les changements apportés à son propre réseau, même lorsque des agents soutiennent des workflows opérationnels avancés. Cette distinction limite le risque opérationnel, mais préserve aussi une partie du coût humain.

C’est le compromis central de la gestion des coûts de l’IA dans les télécoms selon Bain. Les opérateurs veulent davantage d’automatisation, mais les exigences de fiabilité imposent évaluation, approbations et responsabilité. Retirer la supervision trop tôt peut entraîner des pannes ou des actions incorrectes. Maintenir une supervision excessive peut annuler le bénéfice économique.

L’approche d’AT&T n’élimine pas cette tension. Elle la rend mesurable. Le routage des modèles, les budgets dédiés et la comptabilisation par tâche permettent aux dirigeants de voir où une plus grande autonomie améliore le résultat et où elle ne fait qu’augmenter la consommation.

La leçon pratique n’est pas que chaque opérateur télécom doit reproduire une architecture unique. Elle est que les dépenses d’IA nécessitent un système de contrôle conçu à cet effet avant que l’adoption n’atteigne des milliards de tokens quotidiens.

Ce que le récit des économies de coûts ne prouve toujours pas

Bain propose un modèle opérationnel utile, mais ses pourcentages sont des scénarios, et non des économies ou pertes vérifiées dans l’ensemble du secteur des télécommunications.

La structure 70-30 est une estimation de l’évolution possible des coûts. Bain précise que son illustration n’intègre pas les variations absolues des dépenses. Elle ne doit pas être interprétée comme une prédiction selon laquelle chaque opérateur consacrera la même part à l’IA.

Les opérateurs ont des empreintes réseau, des structures de main-d’œuvre, des accords d’externalisation, des réglementations et des stratégies cloud différents. Un modèle adapté à une entreprise peut être inapproprié pour une autre.

Le coût d’une tâche terminée dépend également du résultat retenu. Une interaction client peut être mesurée par le temps de traitement, la résolution, la satisfaction, la fidélisation ou le chiffre d’affaires. Un programme d’automatisation peut paraître réussi selon un indicateur et faible selon un autre.

Les incidents réseau posent un problème similaire. Un diagnostic plus rapide aide, mais le résultat ne compte que si la recommandation est exacte et que la réparation aboutit. Un agent qui produit des réponses rapides mais peu fiables peut accroître le travail de revue et de correction.

L’argument de Bain suppose également que les opérateurs peuvent identifier et supprimer les coûts hérités. Il s’agit souvent d’un défi contractuel et organisationnel plutôt que technique. Un contrat logiciel peut durer des années. Un contrôle réglementé peut rester obligatoire. Une fonction externalisée peut couvrir des activités que l’IA ne traite que partiellement.

L’incertitude de la demande complique encore les prévisions. La consommation de tokens peut s’accélérer à mesure que les employés trouvent davantage d’usages. Elle peut aussi se stabiliser lorsque la gouvernance s’améliore, que les petits modèles gagnent en maturité ou que l’automatisation conventionnelle remplace des appels d’IA inutiles.

Les bénéfices peuvent apparaître en dehors de la ligne des dépenses d’exploitation. Une meilleure fiabilité réseau peut réduire le churn. Une génération plus rapide de propositions peut améliorer la capacité commerciale. Des kiosques ruraux automatisés peuvent desservir des marchés qui ne soutiendraient pas un magasin avec personnel.

Bain cite un pilote de Telia impliquant des kiosques de libre-service équipés d’IA dans des communautés rurales. Cet exemple fait évoluer la question économique : il ne s’agit plus de réduire le travail existant, mais de servir une demande auparavant non rentable.

Il s’agit d’un cas de croissance, et non d’un simple cas de réduction des coûts. Il peut justifier de nouvelles dépenses d’IA si le service génère suffisamment de revenus ou de valeur pour les clients. Traiter chaque projet comme un programme de réduction de l’opex manquerait cette distinction.

Il existe également un risque que les entreprises utilisent cet avertissement pour ralentir des déploiements utiles. Les dépenses d’IA sont réelles, mais les retards, les pannes, le travail répétitif et la frustration des clients le sont aussi. Éviter chaque coût variable préserverait les inefficacités que les opérateurs cherchent à corriger.

La meilleure réponse est une expérimentation disciplinée, liée aux résultats métier. Un pilote doit établir la qualité, le coût d’exécution, l’adoption et le risque opérationnel. Il doit également identifier précisément quelle ancienne dépense peut disparaître si le pilote passe à l’échelle.

C’est là que les preuves de concept échouent souvent. Une démonstration peut montrer qu’un modèle exécute une tâche. Elle prouve rarement qu’une organisation peut supprimer un workflow, renégocier un contrat ou modifier la responsabilité associée à cette capacité.

Une lecture sceptique de l’avertissement de Bain est donc équilibrée. Son analyse n’établit pas que l’IA augmentera les coûts totaux de chaque opérateur. Elle montre pourquoi la baisse des prix des modèles et des pilotes impressionnants constituent des preuves insuffisantes d’économies.

La responsabilité incombe désormais aux opérateurs. Ils doivent publier ou valider en interne l’économie au niveau des tâches, et non se contenter de chiffres d’adoption, de volumes de tokens ou d’annonces sur les effectifs.

Trois signaux montreront si les opérateurs télécoms échappent au piège

Le prochain test consistera à savoir si les opérateurs relient la consommation d’IA aux résultats obtenus, retirent les coûts en double et étendent les workflows éprouvés sans affaiblir le service.

Le premier signal est le reporting au niveau des tâches. Les opérateurs devraient suivre le coût total des dossiers clients résolus, des incidents réseau, des versions logicielles et des propositions commerciales. Ces chiffres doivent inclure les modèles, l’infrastructure, les évaluations, les nouvelles tentatives, les outils et la revue humaine.

Si les coûts par tâche diminuent tandis que la qualité d’exécution reste stable, la trajectoire favorable de Bain gagne en crédibilité. Si les tarifs des tokens baissent mais que le coût total par résultat augmente, le piège de l’opex prend forme.

Le deuxième signal est l’abandon visible des dépenses héritées. Les opérateurs devraient montrer qu’une automatisation réussie conduit à moins d’applications redondantes, à des chaînes de processus plus courtes, à des contrats d’externalisation révisés ou à des rôles repensés.

Les réductions d’effectifs seules ne suffisent pas. Les prévisions de réembauche de Gartner soulignent le risque de supprimer des personnes avant que l’automatisation, la formation et la gouvernance soient prêtes. Des économies durables exigent que le processus lui-même change.

Des preuves que les opérateurs réduisent les logiciels en double et les transferts manuels renforceraient la thèse de Bain sur la refonte des workflows. La poursuite de la croissance à la fois des dépenses d’IA et des contrats hérités appuierait son scénario de dérive des coûts.

Le troisième signal est une expansion contrôlée des pilotes vers des workflows de production à forte valeur. Bain recommande de sélectionner trois processus coûteux et difficiles à repenser de bout en bout. Le service client, les opérations réseau et la livraison logicielle sont des candidats évidents.

Une expansion réussie doit produire davantage qu’une démonstration. Elle doit établir la responsabilité, les taux d’erreur acceptables, les règles d’escalade humaine et la responsabilité financière. Chaque agent doit avoir un responsable désigné et un résultat mesurable.

Observez la façon dont les opérateurs évoquent ces programmes dans leurs mises à jour financières et leurs briefings opérationnels. Les affirmations sur le nombre d’agents ou de tokens consommés révèlent une activité, pas une valeur. Les indicateurs liés à la résolution, au rétablissement, à la fidélisation, au débit et au coût total révèlent si le modèle opérationnel a changé.

Les prochains mois ne trancheront pas l’économie à long terme de l’IA dans les télécommunications. Ils peuvent révéler si les dirigeants ont accepté le défi comptable immédiat.

La recherche de Bain sur les coûts de l’IA dans les télécoms laisse aux opérateurs un choix concret. Ils peuvent continuer à ajouter des assistants aux anciens workflows, ou reconstruire certains workflows autour de résultats mesurables. Les acheteurs et les employés devraient demander quels coûts disparaissent à l’arrivée de chaque nouvel agent. Si les dirigeants ne peuvent pas répondre à cette question, l’efficacité promise reste une prévision de dépenses plutôt qu’un résultat métier.