Les coûts de déploiement de l’IA en entreprise ont bondi en 2026, tandis que les contrôles ont pris du retard

Les coûts de déploiement de l’IA en entreprise ont bondi en 2026, malgré des modèles moins chers et des années de promesses selon lesquelles l’intelligence artificielle rendrait les opérations plus efficaces.

Cette contradiction est désormais au cœur de la stratégie IA des entreprises. Les modèles continuent de s’améliorer, mais les systèmes de production consomment davantage de tokens, exploitent plus de données et exigent davantage de soutien humain. De nombreuses entreprises ne parviennent pas à relier ces coûts croissants à des retours mesurables.

Channel Dive a relevé cette évolution dans une synthèse de septembre couvrant des rapports publiés entre février et août. L’ensemble retrace le passage d’une expérimentation sans limites à un examen plus attentif des aspects financiers, opérationnels et de sécurité.

Le changement le plus important n’est pas une perte soudaine de confiance dans l’IA. Les entreprises considèrent toujours cette technologie comme stratégiquement importante, et de nombreux dirigeants prévoient d’augmenter leurs dépenses. Ce qui a changé, c’est l’exigence de justification.

Les DSI doivent désormais expliquer pourquoi l’usage de l’IA progresse plus vite que les économies, les revenus ou la productivité. Ils doivent également identifier les coûts répartis entre les clouds, les abonnements logiciels, les fournisseurs de modèles, les projets internes et les workflows créés par les employés.

Cette pression crée un conflit direct entre l’expansion de l’IA et le contrôle financier. Les entreprises tentent de faire évoluer des systèmes dont la consommation peut fluctuer fortement, alors que leurs processus de gestion ressemblent encore à une budgétisation annuelle traditionnelle.

Ce conflit transforme les coûts de déploiement de l’IA en entreprise en enjeu de conseil d’administration. Il crée également de nouvelles missions pour les prestataires de services managés, les consultants, les spécialistes du cloud et les ingénieurs déployés chez les clients.

L’histoire des coûts de l’IA est passée des modèles aux systèmes complets

Le bilan des coûts de 2026 porte sur l’exploitation de l’IA à grande échelle, et non plus seulement sur le paiement de l’accès aux modèles.

Un chatbot expérimental peut paraître peu coûteux, car son périmètre est limité. Un déploiement en production présente une surface de coûts bien plus large.

Le système peut nécessiter de la préparation des données, une infrastructure de récupération d’informations, des revues de sécurité, des tests, du monitoring, de l’évaluation et une intégration avec les applications métier. Il peut aussi exiger des spécialistes capables de repenser les workflows et de résoudre les défaillances.

L’IA agentique ajoute une couche supplémentaire. Un agent IA est un logiciel capable de planifier des étapes, d’utiliser des outils et d’agir avec une supervision limitée. Une demande d’employé peut donc déclencher de nombreux appels de modèle, recherches, requêtes de base de données et étapes de validation.

Une interaction unique ne représente plus une seule unité de travail. Elle peut devenir une chaîne de décisions dont la longueur varie selon la tâche, le modèle, les données et le comportement de l’agent.

Cette variabilité rend les prévisions difficiles. Les logiciels traditionnels associent souvent les coûts à des licences, des utilisateurs ou à une capacité d’infrastructure relativement stable. Les charges de travail IA peuvent modifier leur consommation pendant leur exécution.

McKinsey a indiqué que l’utilisation de tokens peut varier jusqu’à 30 fois lorsque des agents effectuent la même tâche. Les tokens sont les unités de texte que les modèles traitent lorsqu’ils lisent des prompts et génèrent des réponses.

La même analyse a révélé que l’adoption à l’échelle de l’entreprise entraîne près de quatre fois plus de dépenses que les usages isolés. Son enquête de mai portait sur 75 répondants qualifiés dans cinq grands secteurs.

Parmi ces organisations, 62 % avaient dépassé le stade de l’expérimentation pour entrer dans un déploiement actif. Pourtant, 93 % ont déclaré dépasser leurs budgets IA, selon l’analyse de la demande en IA du cabinet.

Ces chiffres expliquent pourquoi la baisse du coût des entrées de modèle n’a pas clos le débat sur les coûts. Des coûts unitaires plus faibles peuvent encourager davantage d’usage, des contextes plus vastes, des raisonnements plus complexes et des étapes automatisées supplémentaires.

Channel Dive a décrit la phase précédente comme du « tokenmaxxing », lorsque les organisations encourageaient les employés à intensifier l’usage sans limites clairement définies. À la mi-année, les équipes financières en découvraient les conséquences.

Le problème rappelle l’effet rebond observé dans d’autres technologies. L’efficacité rend chaque unité moins chère, mais une accessibilité accrue augmente la consommation totale.

L’IA intensifie cette dynamique, car de meilleurs modèles rendent possibles des tâches auparavant peu pratiques. Une équipe qui résumait autrefois des documents peut ensuite déployer des agents pour la recherche, le codage, le support client et les opérations internes.

Chaque expérimentation réussie crée une pression pour ajouter des utilisateurs et des workflows. Chaque expansion ajoute également du travail d’évaluation, de gouvernance et d’intégration.

La facture qui en résulte est répartie plutôt que centralisée. L’usage des modèles peut apparaître dans des comptes cloud, des fonctionnalités logicielles intégrées, des contrats API, des achats départementaux et des environnements expérimentaux.

Cette fragmentation masque le coût total jusqu’à ce que les équipes financières rapprochent plusieurs systèmes. À ce stade, la consommation a déjà eu lieu.

Les coûts de déploiement de l’IA en entreprise ne peuvent donc pas être compris à travers les seuls tarifs des tokens. L’unité pertinente est le workflow complet, y compris son infrastructure, sa supervision, sa sécurité et son résultat métier mesurable.

Les coûts de déploiement de l’IA en entreprise ont révélé un déficit de visibilité

De nombreuses organisations ont accru leurs dépenses en IA avant de mettre en place un moyen fiable de les visualiser, de les attribuer ou de les contrôler.

La visibilité des coûts est la capacité à relier la consommation à une équipe, un workflow, un produit et un résultat métier. Sans ces liens, un tableau de bord peut afficher de l’activité sans expliquer la valeur créée.

KPMG a observé cette distinction dans son étude du deuxième trimestre. Seules 26 % des organisations interrogées disposaient d’informations sur les coûts en temps réel, bien que 66 % utilisent des tableaux de bord et que 61 % aient mis en place des processus d’approbation.

Par ailleurs, 35 % ont identifié la gestion des coûts de l’IA et la culture économique comme un obstacle majeur. Seules 36 % avaient mis en œuvre des contrôles directs sur les tokens ou l’usage.

Ces résultats décrivent des organisations capables d’autoriser des projets IA, mais qui ne peuvent pas toujours en observer l’économie pendant leur exploitation. Un processus d’approbation régit l’entrée, tandis qu’un contrôle de l’usage régit ce qui se passe ensuite.

L’écart devient dangereux lorsque les employés et les unités métier peuvent activer l’IA de manière indépendante. Les éditeurs de logiciels intègrent de plus en plus de fonctionnalités génératives dans leurs produits existants, ce qui rend l’adoption possible sans événement d’approvisionnement distinct.

Les développeurs peuvent également connecter des modèles via des API. Les utilisateurs métier peuvent créer des workflows automatisés avec des outils low-code. Les départements peuvent acheter des applications spécialisées en dehors de l’IT centralisée.

Cette expansion produit une prolifération de l’IA, c’est-à-dire des outils et des déploiements qui se chevauchent et se répandent dans une organisation sans responsabilité coordonnée. L’IA fantôme correspond à la part non autorisée de cette activité.

Près des deux tiers des organisations ne disposaient pas d’une visibilité suffisante sur leurs actifs IT pour contrôler les coûts de l’IA, selon une étude Flexera mise en avant par Channel Dive. Cet inventaire insuffisant complique à la fois la gestion financière et la sécurité.

Une entreprise ne peut attribuer un coût à un workflow lorsqu’elle ne connaît pas chaque modèle, source de données et application impliqués. Elle ne peut pas non plus déterminer si plusieurs équipes achètent des capacités équivalentes.

McKinsey a estimé que 20 % à 30 % des dépenses IA ne sont souvent pas comptabilisées, car les investissements restent fragmentés. Cette catégorie inclut les contrats de modèles, les logiciels compatibles avec l’IA, les ressources cloud et les expérimentations départementales.

Cela ne signifie pas que l’argent disparaît. Cela signifie que l’organisation ne peut pas le relier de manière fiable à une responsabilité, une consommation ou une performance métier.

Apptio, propriété d’IBM, a constaté des faiblesses similaires dans la gestion financière des technologies. Son étude portait sur plus de 1 500 décideurs exerçant des fonctions de gestion financière et de FinOps.

Le FinOps est la pratique qui relie la consommation technologique à la responsabilité financière. Elle est née autour des coûts du cloud, mais l’IA introduit des charges de travail moins prévisibles et des acheteurs plus dispersés.

Neuf répondants sur dix d’Apptio ont indiqué que les doutes concernant la valeur influençaient les décisions d’investissement technologique. Près de la moitié ont qualifié cet effet de majeur.

Dans le même temps, 80 % ont signalé des silos de données qui entravaient les informations nécessaires pour justifier les dépenses. La mauvaise qualité des données affecte donc à la fois le système d’IA et l’argument financier qui le soutient.

Seuls 13 % des répondants ont déclaré optimiser activement les coûts cloud de l’IA et du machine learning. Cela laisse un large écart entre le suivi des dépenses et la modification des charges de travail pour réduire le gaspillage.

La source du financement ajoute une pression supplémentaire. Deux tiers des investissements dans l’IA provenaient de la réaffectation de budgets existants, contre la moitié l’année précédente.

Cela signifie que l’expansion de l’IA entre fréquemment en concurrence avec d’autres priorités technologiques. Elle n’est pas protégée par un réservoir illimité de nouveaux capitaux.

Chaque dépassement peut retarder la modernisation, la cybersécurité, la migration vers le cloud ou le travail sur les applications. Le débat dépasse donc largement la question de savoir si un outil d’IA individuel semble utile.

Le problème de visibilité affaiblit également la confiance interne. Les responsables financiers constatent une hausse de la consommation, tandis que les équipes produit mettent en avant des bénéfices qui peuvent être difficiles à mesurer.

Les deux parties peuvent avoir raison. Les employés peuvent accomplir certaines tâches plus rapidement, sans que l’entreprise parvienne à transformer ces gains en baisse des coûts ou en hausse de la production.

Ce décalage fait de l’attribution le défi central. Les dirigeants doivent savoir si un workflow a modifié un indicateur opérationnel, et pas seulement si les employés l’ont utilisé.

Le retournement central est celui d’une capacité accrue avec moins de prévisibilité

De meilleurs systèmes d’IA ont étendu ce que les entreprises pouvaient automatiser, mais ont aussi rendu la demande plus difficile à prévoir.

Les premiers business cases de l’IA supposaient souvent que l’amélioration des modèles réduirait le coût d’exécution d’une tâche fixe. Ce calcul ne fonctionne que lorsque la tâche et l’usage restent stables.

Aucune de ces deux conditions n’a survécu à l’adoption généralisée. Les employés utilisent plus fréquemment des modèles améliorés, tandis que les développeurs leur confient des missions plus longues et plus complexes.

Les agents accentuent l’incertitude, car ils déterminent les étapes intermédiaires durant leur fonctionnement. Deux exécutions peuvent emprunter des chemins différents, appeler des outils différents et consommer des quantités de calcul différentes.

Le routage des modèles peut aider. Le routage envoie chaque demande vers un modèle adapté à sa difficulté, au lieu d’attribuer toutes les tâches à l’option la plus performante.

La mise en cache peut également réduire le travail répété en réutilisant des résultats antérieurs. Des modèles plus petits peuvent gérer la classification, l’extraction ou les recherches de routine avant qu’un modèle plus grand n’entre dans le workflow.

Ces techniques réduisent le gaspillage, mais elles nécessitent de l’ingénierie et de la gouvernance. Elles créent également un système supplémentaire qui doit être testé, surveillé et maintenu.

Le défi des coûts se déplace donc plutôt qu’il ne disparaît. Une organisation peut dépenser moins pour l’inférence tout en dépensant davantage pour l’architecture, l’évaluation et la main-d’œuvre spécialisée.

C’est là que le conflit entre promesse et réalité devient clair. L’IA a notamment été vendue comme un moyen de réduire le travail humain et d’accélérer la livraison.

En production, les entreprises ont souvent besoin de nouveaux spécialistes pour rendre ces systèmes fiables. Elles ont besoin d’ingénieurs data, de professionnels de la sécurité, de chefs de produit, d’experts métier et de personnes capables de repenser les processus.

Les ingénieurs déployés chez les clients sont devenus une réponse à ce besoin. Ces spécialistes travaillent dans les environnements clients, en reliant la technologie des fournisseurs à des opérations métier spécifiques.

Gartner prévoit que plus de 85 % des fournisseurs technologiques lanceront des programmes d’ingénierie déployée chez les clients d’ici la fin de 2026. Cette approche vise à raccourcir les délais de déploiement et à combler les déficits de compétences des entreprises.

Microsoft, Amazon Web Services, Google, OpenAI, Anthropic, Accenture et Deloitte ont tous adopté des versions de ce modèle. Palantir est largement crédité d’avoir établi cette approche.

Travelers Insurance offre un exemple concret. Ses experts centraux en IA sont intégrés par rotation à des équipes transversales réunissant ingénieurs, chefs de produit et dirigeants métier.

Ces spécialistes aident les équipes à résoudre des problèmes définis, puis reversent des composants réutilisables à une plateforme d’IA partagée. Cette conception vise à éviter que chaque département ne reconstruise les mêmes capacités.

Ce modèle peut accélérer le déploiement, mais il ne supprime pas les exigences de responsabilité à long terme. Les équipes internes doivent toujours posséder suffisamment d’expertise pour exploiter, évaluer et modifier ce que créent les spécialistes externes.

Gartner a averti que sept entreprises sur dix seraient contraintes d’abandonner des projets agentiques menés par des missions d’ingénieurs déployés chez les clients. Les risques cités comprennent des coûts élevés et des compétences internes insuffisantes.

Cet avertissement fait du modèle de service un élément du débat sur les coûts. Un spécialiste peut accélérer l’implémentation, mais la dépendance à l’expertise externe peut augmenter le coût durable du changement.

La même tension s’applique aux fournisseurs. Ils souhaitent que leurs clients adoptent rapidement l’IA, mais les déploiements complexes exigent une assistance plus concrète que les ventes traditionnelles de logiciels.

Peter Bryant d’Omdia a déclaré à Channel Dive que les ingénieurs déployés chez les clients seraient essentiels pour transformer les opportunités en revenus. Les clients ne peuvent pas attendre que leurs partenaires terminent leur formation alors que les modèles continuent d’évoluer.

Cela crée une pression sur l’ensemble du canal. Les fournisseurs de services managés doivent développer des compétences d’implémentation de l’IA tout en maîtrisant la gouvernance, la sécurité et l’attribution des coûts.

Les services d’assistance traditionnels ne suffisent pas. Les clients ont besoin de partenaires capables d’identifier un flux de travail à forte valeur, de l’intégrer, de le mesurer et d’en contrôler la consommation.

Le résultat inverse le récit initial de l’automatisation. L’IA ne remplace pas simplement du travail ; elle crée une nouvelle discipline opérationnelle autour du choix de l’intelligence à utiliser.

Les retours existent, mais ils apparaissent souvent au mauvais endroit

La question la plus difficile pour l’IA en entreprise n’est pas de savoir si les employés en tirent de la valeur, mais si l’organisation peut la capter.

Un employé peut rédiger un document plus vite ou trouver une information plus tôt. Ces améliorations comptent, mais elles ne modifient pas automatiquement un état financier.

Si le temps économisé se transforme en réunions supplémentaires, en capacité inutilisée ou en expérimentation non suivie, l’entreprise enregistre des coûts logiciels plus élevés sans gain opérationnel correspondant.

Certains bénéfices apparaissent aussi en dehors du dossier d’analyse initial. Une étude SAP citée par Channel Dive a montré que les entreprises bénéficiaient d’une aide pour les interactions clients et les analyses métier.

Les mêmes répondants ne faisaient pas nécessairement état des réductions attendues de temps ou de coûts. L’IA créait de la valeur, mais pas toujours là où les planificateurs l’avaient prévu.

Cette distinction est importante, car les dossiers d’analyse reposent souvent sur un indicateur étroit. Un déploiement de service client peut viser une réduction du temps de traitement tout en améliorant plutôt la détection des problèmes.

Un assistant de programmation peut accélérer les tâches individuelles tout en générant davantage de code à examiner, sécuriser et maintenir pour les équipes. Un agent de recherche peut trouver davantage de preuves tout en augmentant le travail de vérification.

Ces résultats ne constituent pas par définition des échecs. Ils le deviennent lorsque les dirigeants continuent de mesurer le mauvais résultat ou ne parviennent pas à identifier une amélioration matérielle.

L’enquête 2026 de Gartner montre à quel point le déploiement à grande échelle reste limité. Seules 22 % des organisations avaient réussi à étendre l’IA à plusieurs unités opérationnelles ou adopté une approche centrée d’abord sur l’IA.

L’enquête portait sur 1 303 répondants issus d’organisations disposant d’un chiffre d’affaires annuel important. Onze pour cent ne savaient pas combien leur fonction avait dépensé en IA en 2025.

Malgré cette incertitude, 85 % des responsables fonctionnels prévoyaient d’augmenter leurs dépenses en 2026. Ils avaient consacré en moyenne 12 % de leurs budgets fonctionnels à l’IA l’année précédente.

Cette combinaison est révélatrice. L’investissement s’accélère plus vite que la connaissance organisationnelle des coûts et des retours.

Gartner a également constaté un écart de performance significatif. Les entreprises les plus performantes suivaient continuellement les retours, traitaient l’IA comme un portefeuille et réaffectaient les ressources loin des projets faibles.

Ces organisations ont déclaré des retours positifs pour 81 % de leurs initiatives d’IA. Les moins performantes ne pouvaient pas identifier le retour de 29 % des projets.

Cette différence ne prouve pas que la mesure seule crée de la valeur. Les organisations dotées d’une gestion plus solide peuvent aussi disposer de meilleures données, de meilleurs talents et d’une meilleure conception des processus.

La corrélation soutient néanmoins une conclusion pratique. Les portefeuilles d’IA exigent des décisions actives quant aux projets à développer, repenser ou arrêter.

C’est inconfortable, car arrêter un projet peut sembler signaler un recul stratégique. L’anxiété concurrentielle rend cette décision plus difficile.

De nombreux dirigeants estiment que sous-investir présente un risque plus grand que trop dépenser. Les équipes peuvent donc maintenir en vie des pilotes faibles afin de préserver des options ou de démontrer une activité.

Channel Dive a qualifié cela de « purgatoire des pilotes ». Les projets restent suffisamment visibles pour consommer des ressources, mais ne deviennent jamais des éléments fiables des opérations centrales.

La dette technique aggrave le problème. Les anciennes applications, les données fragmentées et les processus incohérents limitent ce qu’une couche d’IA peut accomplir.

Un modèle peut produire une bonne recommandation alors que le flux de travail environnant ne dispose pas de données fiables ou de l’autorisation nécessaire pour agir. Les réviseurs humains absorbent alors la complexité non résolue.

C’est pourquoi de meilleures performances des modèles ne garantissent pas des coûts opérationnels plus faibles. Le goulot d’étranglement se situe souvent dans le processus métier plutôt que dans le modèle.

Les entreprises doivent mesurer les résultats au niveau du flux de travail. Parmi les indicateurs utiles figurent le temps de cycle, les taux d’erreur, la résolution client, la conversion, la qualité de production et les reprises évitées.

Les indicateurs d’usage restent utiles pour le diagnostic, mais ils ne constituent pas une preuve de valeur. Davantage de prompts peuvent signaler l’adoption, la confusion, des boucles d’automatisation ou une conception inefficace du flux de travail.

Une lecture sceptique des enquêtes sur les coûts de 2026 est également importante. Nombre d’entre elles sont financées par des fournisseurs, reposent sur des déclarations volontaires ou sur des échantillons modestes.

Les différentes études définissent différemment le déploiement, le retour, la maturité et les dépenses d’IA. Leurs pourcentages ne doivent pas être combinés en une seule estimation du marché.

Pourtant, la direction reste cohérente dans plusieurs rapports indépendants. Les dépenses augmentent, la visibilité reste limitée et les retours dépendent fortement de la discipline de gestion.

La gouvernance et la sécurité figurent désormais sur la même facture

Un déploiement d’IA qui ignore la gouvernance n’a pas éliminé les coûts ; il les a reportés sous forme de risque et de remédiation.

La gouvernance définit qui peut utiliser un système d’IA, aux données auxquelles il peut accéder, les actions qu’il peut entreprendre et la manière dont ses résultats sont examinés.

Ces décisions affectent directement les coûts. Des autorisations excessives augmentent l’exposition, tandis qu’une surveillance insuffisante rend les défaillances plus difficiles à détecter et à examiner.

L’IA fantôme crée une combinaison particulièrement difficile. Des outils non autorisés peuvent générer une consommation non suivie tout en déplaçant des informations sensibles hors des systèmes approuvés.

Channel Dive a cité une enquête de WitnessAI dans laquelle 47 % des décideurs en entreprise identifiaient l’informatique et l’infrastructure comme la principale source d’IA fantôme.

Cette constatation remet en cause l’hypothèse selon laquelle l’utilisation non autorisée provient principalement d’employés négligents. Les équipes techniques peuvent créer leurs propres déploiements non approuvés en testant des modèles ou des infrastructures.

Les incidents de sécurité entraînent alors des coûts au-delà de la consommation des modèles. Enquêtes, examens juridiques, notifications aux clients, modifications des systèmes et perte de productivité font tous partie de l’empreinte économique du déploiement.

La gouvernance peut aussi accroître les dépenses à court terme. Examens, contrôles d’accès, journaux d’audit, tests de red team et application des politiques exigent des outils et une main-d’œuvre spécialisée.

Cela ne rend pas la gouvernance facultative. Cela signifie qu’un dossier d’analyse crédible doit intégrer ces exigences dès le départ.

Une approche universelle peut gaspiller des ressources. Un outil de synthèse à faible risque n’a pas besoin des mêmes contrôles qu’un agent qui modifie les dossiers clients.

Les organisations ont besoin de contrôles liés aux données, aux autorisations et aux conséquences de chaque flux de travail. L’analyste Gartner Shiva Varma a plaidé en faveur d’une évaluation de la confiance au niveau de l’agent et du processus.

Cette approche peut protéger les systèmes à haut risque sans entraver chaque cas d’usage. Elle rend aussi l’attribution des coûts plus précise, car les contrôles suivent la charge de travail.

La gouvernance des données mérite une attention égale. Un système d’IA fondé sur des informations dupliquées, obsolètes ou mal autorisées générera un travail de révision supplémentaire.

Les équipes peuvent accuser le modèle alors que l’environnement de connaissances sous-jacent constitue la véritable contrainte. Les échecs répétés de récupération augmentent alors l’utilisation de tokens sans améliorer le résultat.

La gouvernance soutient donc à la fois la sécurité et l’économie. Une responsabilité claire réduit les outils redondants, tandis que des parcours de données approuvés limitent les remédiations imprévisibles.

Les programmes de coûts les plus solides relient les données financières, opérationnelles et de sécurité. Une équipe doit voir ce qu’un flux de travail consomme, ce qu’il produit et les risques qu’il introduit.

Cette vision intégrée aide aussi les partenaires du canal. Les clients ont de plus en plus besoin de conseils couvrant l’infrastructure, la sécurité, les données, la conception des applications et la gestion financière.

Un partenaire qui se concentre uniquement sur la sélection des modèles passera à côté de l’essentiel du coût de déploiement. Un partenaire qui se concentre uniquement sur la réduction des coûts peut affaiblir la qualité ou la sécurité.

Le véritable objectif d’optimisation est une production utile dans des contraintes acceptables. Cela exige d’équilibrer les capacités du modèle, la latence, la précision, la sécurité et la consommation totale du flux de travail.

Trois signaux montreront si les coûts de l’IA passent sous contrôle

La prochaine phase sera déterminée par l’attribution des coûts, la discipline des projets et une responsabilité interne durable.

Le premier signal est l’adoption de rapports sur les coûts de l’IA au niveau du flux de travail. Les organisations ont besoin de plus qu’un total mensuel consolidé.

Un plan de contrôle utile relie les appels aux modèles, les ressources cloud, les fonctionnalités logicielles et la révision humaine à un processus métier. Il enregistre également les mesures de qualité et de résultats.

McKinsey a indiqué que seules 20 % à 25 % des entreprises disposaient de capacités matures de FinOps pour l’IA. Son analyse suggérait que les organisations ayant une maturité de prévision plus forte économisaient 10 % supplémentaires sur leurs dépenses d’IA.

Ces chiffres font de la maturité un test mesurable. Si l’attribution en temps réel s’étend dans les mois à venir, le choc des coûts de 2026 aura produit une réponse opérationnelle.

Si les entreprises continuent de s’appuyer sur des feuilles de calcul et des factures tardives, les dépassements resteront difficiles à prévenir. Des contrôles appliqués après la consommation ne peuvent pas façonner le comportement des agents pendant l’exécution.

Le deuxième signal est de savoir si les dirigeants mettent fin aux pilotes faibles. La discipline de portefeuille exige d’arrêter les projets qui ne peuvent démontrer de valeur après une période d’évaluation définie.

Les conclusions de Gartner suggèrent que les entreprises les plus performantes travaillent déjà de cette façon. Elles suivent les retours, réévaluent les initiatives et déplacent les ressources vers des opportunités plus solides.

Il faudra surveiller les entreprises qui signalent moins de pilotes mais davantage de flux de travail en production. Ce schéma indiquerait une consolidation autour de projets dotés de propriétaires et de résultats définis.

Un nombre croissant de pilotes enverrait le message inverse. Cela suggérerait que l’expérimentation reste plus facile que la refonte des processus ou l’arrêt des projets.

Le troisième signal est de savoir si les entreprises conservent la responsabilité après le départ des spécialistes externes. Les ingénieurs déployés chez les clients peuvent résoudre les problèmes immédiats de déploiement, mais les clients ont besoin de capacités internes durables.

Travelers propose un modèle grâce à sa combinaison d’experts centraux et d’équipes transversales intégrées. Les composants réutilisables reviennent vers une plateforme partagée plutôt que de rester isolés.

Le test important n’est pas la vitesse à laquelle un fournisseur lance un agent. Il s’agit de savoir si le client peut exploiter, gouverner et améliorer ce système six mois plus tard.

Une forte dépendance au renouvellement de l’ingénierie externe renforcerait les inquiétudes concernant les coûts continus. Un transfert de connaissances réussi les atténuerait.

Les fournisseurs de modèles continueront à réduire certains coûts unitaires, et de nouveaux outils d’optimisation amélioreront le routage, la mise en cache et l’observabilité. Ces gains comptent, mais ils ne résolvent pas la fragmentation des responsabilités.

Les coûts de déploiement de l’IA en entreprise relèvent, au final, d’un problème de gestion qui s’exprime à travers la technologie. La facture augmente lorsque les organisations étendent l’usage avant d’avoir défini les responsabilités, les indicateurs de mesure et les limites opérationnelles.

Les entreprises n’ont pas besoin de suspendre leurs investissements dans l’IA. Elles doivent remplacer une consommation sans restriction par des décisions de portefeuille réfléchies.

Chaque workflow de production doit avoir un responsable, un résultat mesurable, un parcours de données approuvé et une limite de consommation. Il doit également prévoir une condition à partir de laquelle l’organisation cessera de le financer.

La facture de 2026 ne démontre pas que l’IA en entreprise a échoué. Elle montre que l’adoption a progressé plus vite que les contrôles nécessaires pour rendre son économie lisible.

La question pour le prochain cycle budgétaire est donc précise : chaque workflow d’IA peut-il expliquer ce qu’il a consommé, ce qu’il a modifié et qui demeure responsable lorsque l’expérimentation devient une infrastructure ?