Les prévisions de dépenses en IA de Gartner atteignent 2 520 milliards de dollars, mais les entreprises américaines font face à un bilan sévère du ROI

Gartner relève les enjeux de la stratégie d’IA des entreprises avec une prévision de 2 520 milliards de dollars de dépenses mondiales en 2026. Pourtant, ces prévisions de dépenses en IA de Gartner révèlent une contradiction marquée. Les dépenses accélèrent alors que de nombreuses entreprises ne parviennent toujours pas à démontrer les retours, à suivre les coûts d’exploitation ou à identifier un dirigeant unique responsable.

Ce chiffre phare ne représente pas uniquement la facture logicielle des entreprises américaines. Il inclut les dépenses mondiales en infrastructures, services, logiciels, cybersécurité, modèles, données et plateformes de développement. Plus de la moitié du total relève de l’infrastructure, largement financée par les fournisseurs de technologies.

Cette distinction rend la gueule de bois émergente de l’IA plus révélatrice, et non moins. Les hyperscalers développent leurs capacités avant que la demande des entreprises n’atteigne sa pleine maturité. Pendant ce temps, les dirigeants subissent une pression pour transformer l’expérimentation en revenus mesurables, en réductions de coûts ou en opérations plus rapides.

L’enjeu central oppose désormais l’ambition en IA à la rigueur d’exécution. Les acheteurs d’entreprise n’abandonnent pas l’intelligence artificielle, mais ils tolèrent de moins en moins les projets pilotes sans responsables, références de départ ni modèle économique de production. La prochaine phase favorisera les entreprises capables de relier chaque charge de travail à un résultat commercial.

Ce que mesurent réellement les prévisions de dépenses en IA de Gartner

Le chiffre de 2 520 milliards de dollars décrit toute une chaîne d’approvisionnement technologique, et non une seule vague d’achats de logiciels par les entreprises.

Les prévisions de janvier de Gartner plaçaient les dépenses mondiales en IA à 2 527,8 milliards de dollars pour 2026. Cela représente une hausse de 44 % par rapport aux 1 757,2 milliards de dollars de 2025. Le cabinet prévoit que le total atteindra 3 336,7 milliards de dollars en 2027.

L’infrastructure IA représente 1 366,4 milliards de dollars des prévisions pour 2026. Cette catégorie couvre les capacités de calcul, le stockage, les réseaux et les fondations connexes nécessaires au développement et à l’exploitation des systèmes d’IA. Elle représente environ 54 % du total projeté.

Gartner prévoit que les dépenses d’infrastructure augmenteront d’environ 401 milliards de dollars par rapport à leur niveau de 2025. Les dépenses consacrées uniquement aux serveurs optimisés pour l’IA devraient progresser de 49 %. Ces serveurs représenteraient 17 % de l’ensemble des dépenses en IA pendant l’année.

Les services constituent la deuxième catégorie la plus importante avec 588,6 milliards de dollars. Les logiciels suivent avec 452,5 milliards de dollars, tandis que la cybersécurité représente 51,3 milliards de dollars. Les modèles atteignent 26,4 milliards de dollars, et les plateformes de science des données comptent pour 31,1 milliards supplémentaires.

Les catégories plus modestes comprennent les plateformes de développement d’applications et les données d’IA. Bien que leurs totaux restent limités à côté de l’infrastructure, elles montrent combien de couches séparent un modèle d’un processus métier fonctionnel.

Les prévisions complètes de dépenses en IA mesurent donc bien davantage que les abonnements à des assistants tels que Copilot, Gemini, Claude ou ChatGPT. Elles reflètent une vaste montée en puissance industrielle soutenant l’entraînement des modèles, l’inférence, la sécurité, l’intégration et le déploiement en entreprise.

L’inférence est le travail de calcul effectué lorsqu’un modèle entraîné répond à une demande. Son coût augmente avec l’usage, la complexité des tâches, la taille du contexte et la quantité de contenu généré. Ainsi, un assistant apparemment simple peut générer une facture récurrente importante à grande échelle.

Cette composition compte, car les fournisseurs d’infrastructure peuvent enregistrer la demande avant que les utilisateurs finaux ne démontrent la valeur commerciale. Un fournisseur cloud peut vendre de la capacité de calcul à une entreprise qui mène des pilotes, même si ces pilotes n’atteignent jamais la production.

Les prévisions de dépenses mesurent donc plus clairement l’engagement que le succès. Elles montrent que les entreprises et leurs fournisseurs allouent des ressources à l’IA. Elles ne montrent pas si ces ressources génèrent durablement des bénéfices ou des gains de productivité.

Gartner a également décrit l’IA comme se trouvant dans un « creux de désillusion » en 2026. Ce terme désigne une période durant laquelle l’enthousiasme initial s’estompe, car les expérimentations ne répondent pas à des attentes excessives.

Le cabinet prévoit que les fournisseurs de logiciels établis stimuleront une grande partie de l’adoption de l’IA en entreprise pendant cette période. Les acheteurs recevront souvent l’IA par l’intermédiaire de systèmes existants plutôt que de lancer des projets distincts et très ambitieux.

Cette voie réduit les frictions liées aux achats, mais elle peut aussi masquer les coûts. Les frais liés à l’IA peuvent apparaître dans la consommation cloud, les contrats logiciels, les projets de conseil, le travail sur les données et les budgets de sécurité. Une équipe financière peut voir plusieurs dépenses sans disposer du coût complet d’une seule charge de travail.

C’est la première source de cette gueule de bois. Les organisations se sont engagées dans l’IA à travers de nombreuses lignes budgétaires avant de créer une méthode cohérente pour en mesurer les retours.

Les dépenses en IA des entreprises dépassent le contrôle des dirigeants

La pression immédiate pèse sur les dirigeants qui ont approuvé une adoption rapide sans instaurer une responsabilité et des contrôles opérationnels tout aussi clairs.

Une entreprise ne peut pas gérer ses dépenses en IA par le seul enthousiasme. Quelqu’un doit décider quels projets se poursuivent, quels indicateurs comptent et qui assume la responsabilité lorsque les coûts dépassent les bénéfices.

La recherche de Pearl Meyer au deuxième trimestre 2026 a révélé un large écart entre la confiance des dirigeants et la préparation des organisations. Son enquête portait sur 116 entreprises et examinait le leadership, la transformation, les talents et l’exécution de l’IA.

Quatre-vingts pour cent des PDG estimaient que leurs dirigeants pouvaient arbitrer dans l’intérêt de l’ensemble de l’entreprise. Seuls 30 % des autres membres de la direction partageaient cette évaluation. Cet écart suggère que les personnes qui mettent en œuvre la stratégie perçoivent souvent davantage de conflits que le directeur général.

La même enquête sur le leadership a révélé que 80 % des répondants estimaient que leur organisation disposait des capacités de leadership nécessaires pour gérer la transformation. Toutefois, seuls 41 % pensaient que les employés pouvaient absorber des changements supplémentaires sans se retrouver surchargés.

Ces résultats mettent en évidence deux contraintes différentes. La première concerne la responsabilité des décisions. La seconde est la capacité de l’organisation à repenser le travail alors que les employés continuent d’assumer leurs responsabilités existantes.

Les projets d’IA franchissent fréquemment les frontières traditionnelles. Un assistant de service client peut impliquer les opérations, la sécurité, le juridique, la finance, l’ingénierie des données, les ressources humaines et les achats. Une participation partagée ne garantit pas une responsabilité partagée.

Lorsque la responsabilité reste floue, chaque groupe peut optimiser un résultat différent. Les équipes technologiques peuvent privilégier la qualité du modèle, tandis que la finance surveille la consommation. Les équipes juridiques se concentrent sur l’exposition au risque, et les dirigeants métiers visent l’adoption.

Aucun de ces objectifs n’est intrinsèquement mauvais. Les problèmes commencent lorsque personne n’assume la responsabilité du résultat combiné.

La réponse imposée est un passage des objectifs d’adoption à l’économie des charges de travail. Les dirigeants doivent identifier le coût complet de chaque cas d’usage et le comparer à une référence mesurable.

Ce coût ne comprend pas seulement les tokens, qui sont les unités traitées par les modèles lorsqu’ils reçoivent et génèrent des informations. Il peut aussi inclure la préparation des données, l’intégration, l’évaluation, les examens de sécurité, la formation des employés, la surveillance et la correction humaine.

Prenons l’exemple d’un assistant d’IA utilisé pour la recherche interne. Le logiciel peut produire plus rapidement des premières ébauches, mais les employés doivent toujours vérifier les citations et concilier des informations contradictoires. Ces heures de révision doivent figurer dans l’évaluation économique.

Le même principe s’applique aux assistants de programmation. Une génération de code plus rapide a peu de valeur si les files de révision s’allongent ou si les taux de défauts augmentent. Le volume de production ne remplace ni la vitesse de déploiement, ni la fiabilité, ni l’impact client.

Les dépenses en IA des entreprises deviennent donc difficiles à justifier lorsque les tableaux de bord comptent l’activité plutôt que les résultats. Les prompts envoyés, les licences attribuées et les fonctionnalités activées sont des indicateurs d’adoption. Ils ne démontrent pas les retours financiers.

La pression à long terme touche les conseils d’administration autant que les dirigeants opérationnels. Les administrateurs doivent déterminer si la direction comprend l’exposition liée à l’IA dans les contrats, l’infrastructure, les données et la planification des effectifs.

Cette tâche devient plus difficile lorsque l’IA arrive par l’intermédiaire de fournisseurs déjà en place. Des fonctionnalités intégrées peuvent se propager entre les départements sans passer par un comité d’investissement dédié.

La discipline des achats doit rattraper ce modèle de distribution. Les entreprises ont besoin de décisions de renouvellement fondées sur la qualité de l’usage et les résultats commerciaux, et non uniquement sur les licences attribuées ou l’activité globale.

Ce changement ne réduira pas nécessairement les dépenses globales. Les prévisions de Gartner montrent une expansion rapide du marché. Il concentrera plutôt les ressources autour des charges de travail qui résistent à un examen financier et opérationnel plus rigoureux.

L’ambition en IA se heurte à un ROI mesurable

L’enthousiasme des entreprises reste élevé, mais les retours prouvés de l’IA se concentrent parmi les organisations disposant d’une responsabilité plus forte et d’une meilleure visibilité sur les coûts.

Le Global AI Pulse de KPMG pour le deuxième trimestre 2026 a interrogé 2 145 dirigeants dans 20 pays, territoires et juridictions. Les répondants représentaient des organisations ayant des revenus annuels substantiels et des programmes d’IA actifs.

Soixante-dix-neuf pour cent ont identifié l’IA comme un domaine d’investissement clé, contre 74 % au trimestre précédent. La part des organisations qui stimulent activement l’adoption est passée de 13 % à 22 %.

Cependant, seuls 7 % des dirigeants interrogés ont déclaré disposer d’un retour sur investissement établi. Près d’un quart subissaient une pression de la part des investisseurs pour démontrer la valeur.

L’enquête mondiale sur l’IA a également révélé que 42 % des organisations n’avaient qu’une visibilité partielle sur leurs dépenses en IA. Cette lacune affaiblit toute affirmation assurée concernant les retours, car une base de coûts incomplète produit un calcul incomplet.

Le retour sur investissement compare les bénéfices nets d’une initiative à son coût total. Pour l’IA en entreprise, les deux côtés de cette équation restent difficiles à isoler.

Les variations de revenus peuvent avoir plusieurs causes. Les économies de coûts peuvent refléter des décisions d’embauche, des évolutions de la demande, une refonte des processus ou des mises à niveau logicielles ordinaires. Un plan de mesure crédible doit séparer ces effets de la contribution du système d’IA.

Les bénéfices peuvent également apparaître à des rythmes différents. Un assistant peut faire gagner quelques minutes à un employé aujourd’hui, tandis qu’un parcours client repensé produit des gains mesurables de fidélisation plusieurs mois plus tard.

Ce décalage explique pourquoi les perceptions peuvent évoluer plus vite que les états financiers. Les employés peuvent se sentir plus productifs avant que leur entreprise n’enregistre une production accrue ou des coûts réduits.

KPMG a constaté que les entreprises disposant d’une responsabilité claire pour les résultats de l’IA étaient trois fois plus susceptibles de déclarer un ROI prouvé. Les organisations ayant une visibilité complète sur leurs coûts d’exploitation étaient cinq fois plus susceptibles d’établir des retours.

Ces relations ne prouvent pas que la gouvernance seule crée de la valeur. Les organisations qui réussissent peuvent disposer de meilleures données, de processus plus solides ou de cas d’usage plus adaptés. Toutefois, cette tendance contredit l’idée selon laquelle un déploiement plus large produit automatiquement de meilleurs résultats.

Sept pour cent des organisations avaient reporté des déploiements prévus parce que les coûts d’exploitation dépassaient les bénéfices attendus. Ce constat indique une discipline plutôt qu’un rejet généralisé.

Une entreprise rationnelle devrait arrêter un déploiement lorsque son modèle économique échoue. L’erreur serait de considérer chaque annulation comme une preuve que l’IA elle-même a échoué.

Les programmes les plus solides commencent de plus en plus par des problèmes opérationnels ciblés. Ils identifient un responsable, établissent une performance de référence et définissent clairement la décision que l’IA doit améliorer.

Par exemple, une équipe d’assistance peut mesurer le temps de résolution, les taux d’escalade, la satisfaction client et le volume de corrections. Ces mesures montrent si un assistant améliore l’ensemble du processus ou accélère simplement une étape.

Les travailleurs du savoir sont confrontés à un test similaire. Un système qui produit des résumés plus rapidement peut tout de même réduire la qualité si les utilisateurs ne peuvent pas remonter les affirmations jusqu’à des sources fiables.

Les équipes utilisant une base de connaissances IA peuvent relier les réponses générées à un contexte interne maîtrisé. Même dans ce cas, elles doivent évaluer l’exactitude, l’adoption, le temps de révision et l’achèvement réel des tâches.

La véritable question du ROI des dépenses en IA n’est donc pas de savoir si un modèle produit un texte utile. Il s’agit de déterminer si un flux de travail complet fournit suffisamment de valeur vérifiée pour justifier ses coûts récurrents et de mise en œuvre.

Cette exigence est plus stricte qu’une démonstration. Elle impose des performances dans les conditions quotidiennes, notamment avec des données incomplètes, des politiques changeantes, des demandes inhabituelles et des employés aux niveaux de compétence différents.

Les entreprises les plus sous pression sont celles qui ont annoncé de vastes transformations sans définir les éléments de preuve nécessaires. Leur défi n’est plus d’obtenir l’accès aux modèles. Il est de prouver que cet accès modifie les résultats économiques.

Les preuves de productivité sont plus complexes que le suggère le contrecoup

De faibles rendements mesurés ne prouvent pas que l’IA ne crée aucune valeur, mais ils remettent en cause les affirmations assurées d’une transformation immédiate.

Un document de travail du National Bureau of Economic Research publié en février 2026 a interrogé près de 6 000 hauts dirigeants d’entreprise. Les participants représentaient des sociétés des États-Unis, du Royaume-Uni, d’Allemagne et d’Australie.

Les chercheurs ont constaté que 69 % des entreprises utilisaient activement l’IA. Plus des deux tiers des dirigeants interrogés l’utilisaient également régulièrement, bien que l’usage personnel moyen ne s’élevât qu’à 1,5 heure par semaine.

Neuf dirigeants sur dix ont déclaré que l’IA n’avait eu aucun effet sur l’emploi ou la productivité de leur entreprise au cours des trois années précédentes. Les entreprises anticipaient néanmoins des effets plus importants au cours des trois années suivantes.

Les données au niveau des entreprises prévoyaient une hausse moyenne de la productivité d’environ 1,4 % et une réduction de l’emploi d’environ 0,7 % sur cette période. Les dirigeants américains anticipaient un gain de productivité plus élevé, de 2,3 %.

Ces résultats apportent une correction nécessaire à deux récits extrêmes. L’IA n’a pas déjà transformé la productivité de la plupart des entreprises. Pourtant, les dirigeants ne considèrent pas tous l’investissement comme du gaspillage.

Le moment de la mesure demeure une incertitude. Les entreprises ont adopté de nombreux outils d’IA générative récemment, tandis que la refonte des processus d’entreprise prend généralement plus de temps qu’une installation logicielle.

Une autre étude du NBER, fondée sur près de 750 dirigeants d’entreprise, a relevé des gains de productivité positifs mais inégaux. Les effets les plus importants sont apparus dans les services à forte qualification et la finance.

Ses auteurs ont décrit un paradoxe de productivité. Les dirigeants percevaient des gains supérieurs aux améliorations mesurées, peut-être parce que les effets sur les revenus ne s’étaient pas encore pleinement manifestés.

Cet écart peut se résorber dans un sens comme dans l’autre. Les résultats financiers pourraient à terme confirmer les premières perceptions de gains de productivité. À l’inverse, de meilleures mesures pourraient révéler que les employés ont confondu commodité et production économique.

La seconde possibilité mérite attention, car l’IA générative peut déplacer le travail plutôt que l’éliminer. Un modèle peut raccourcir la rédaction tout en ajoutant ailleurs des tâches de vérification, de conformité et de correction.

L’expérience des employés complique également l’analyse. Pearl Meyer a constaté que seuls 41 % des répondants estimaient que les travailleurs pouvaient absorber davantage de changements sans être surchargés.

Une organisation peut déployer des outils utiles tout en rendant le travail plus fragmenté. Les employés peuvent devoir apprendre plusieurs interfaces, surveiller des résultats automatisés et gérer des exceptions sans être déchargés de leurs responsabilités existantes.

Cela crée un coût d’adoption caché. Les sessions de formation, les revues de politiques, l’expérimentation de prompts et les changements d’outils répétés consomment du temps avant que les bénéfices ne deviennent fiables.

L’argument sceptique ne devrait pas prétendre que chaque initiative en IA ne produit aucun rendement. KPMG a indiqué que 76 % des dirigeants constataient une valeur commerciale mesurable, même si seuls 7 % avaient établi un ROI.

La valeur commerciale et un ROI établi correspondent à des niveaux de confiance différents. Une entreprise peut observer un service plus rapide ou un meilleur accès des employés sans avoir effectué un calcul financier défendable.

De même, le total de 2 520 milliards de dollars de Gartner ne doit pas être comparé directement aux bénéfices des entreprises. Une grande partie de ces dépenses correspond à des infrastructures servant plusieurs clients et une demande future.

La critique valable porte sur l’écart entre la visibilité des dépenses et celle des résultats. Les dirigeants savent souvent que l’activité liée à l’IA a augmenté. Bien moins peuvent identifier le coût précis et la contribution vérifiée de chaque déploiement.

Cette distinction explique également pourquoi une gueule de bois de l’IA peut coexister avec des budgets en hausse. Les organisations craignent toujours de prendre du retard sur leurs concurrents. Dans le même temps, elles imposent des exigences plus strictes aux projets individuels.

Le marché qui en résultera deviendra probablement plus sélectif. Les fournisseurs devront démontrer la qualité de l’intégration, la sécurité, une consommation maîtrisable et les résultats des flux de travail.

Les acheteurs exigeront également de meilleurs outils d’évaluation. Un score de benchmark décrit la performance d’un modèle à un test standardisé. Il ne prédit pas la valeur d’un processus métier personnalisé.

Les évaluations en entreprise doivent utiliser des tâches réelles, des données représentatives et des seuils d’échec définis. Elles doivent mesurer l’ensemble du flux de travail, y compris la révision humaine et les conséquences en aval.

C’est plus lent que d’annoncer un pilote. C’est aussi ce qui distingue une adoption durable d’une expérimentation temporaire.

Les fournisseurs historiques gagnent un avantage tandis que les acheteurs évitent les paris audacieux

La gueule de bois de l’IA favorise les fournisseurs établis, car les entreprises prudentes préfèrent des contrats, des contrôles de données et des flux de travail familiers.

Gartner prévoit que l’IA atteindra de nombreuses entreprises par l’intermédiaire de fournisseurs de logiciels historiques pendant la période de désillusion de 2026. Cette prévision modifie l’environnement concurrentiel pour les startups comme pour les grandes plateformes.

Microsoft, Google, Amazon, Salesforce, ServiceNow et d’autres fournisseurs établis sont déjà intégrés aux piles technologiques des entreprises. Ils peuvent ajouter l’IA à des produits utilisés pour la communication, le cloud computing, les dossiers clients, le développement et les opérations.

Leur avantage ne réside pas nécessairement dans une performance supérieure des modèles. Il tient à la distribution, aux approbations de sécurité existantes, à l’accès intégré aux données et aux relations d’approvisionnement établies.

Un acheteur peut souvent activer un assistant intégré plus rapidement qu’il ne peut approuver un nouveau fournisseur. Cette rapidité compte lorsque les conseils d’administration attendent des progrès visibles, mais que les équipes opérationnelles souhaitent limiter les risques d’intégration.

Cependant, une adoption plus facile ne garantit pas un coût inférieur. L’IA intégrée peut répartir la consommation entre les unités opérationnelles, rendant les dépenses totales difficiles à retracer.

Elle peut également réduire la pression concurrentielle. Une entreprise peut choisir l’assistant associé à sa suite de productivité existante, même lorsqu’un autre modèle est plus performant pour certaines tâches précises.

Les startups font face au défi inverse. Elles peuvent concevoir des flux de travail spécialisés et avancer rapidement, mais elles doivent justifier un contrat supplémentaire, une revue de sécurité, un projet d’intégration et une nouvelle frontière de données.

Leur position la plus solide repose sur des résultats verticaux mesurables. Un fournisseur spécialisé peut rivaliser lorsqu’il améliore suffisamment un processus défini pour surmonter les frictions de l’approvisionnement.

Cela crée un test de marché pour les prévisions de dépenses en IA de Gartner. La demande d’infrastructures peut continuer d’augmenter tandis que les dépenses applicatives se concentrent autour d’un nombre réduit de fournisseurs et de cas d’usage éprouvés.

Les hyperscalers font aussi face à leur propre version de la question du ROI. Ils doivent maintenir l’utilisation de coûteux actifs de calcul tandis que les clients deviennent plus sélectifs quant aux charges de travail.

Le taux d’utilisation mesure la part de la capacité de calcul disponible qui effectue un travail utile. Un faible taux d’utilisation peut peser sur les marges, car les centres de données supportent des coûts fixes importants.

La demande demeure suffisamment forte pour soutenir la poursuite des constructions, mais sa composition est importante. Entraîner un modèle de pointe génère une économie différente de celle du traitement de millions de demandes professionnelles plus modestes.

Les acheteurs en entreprise s’intéressent de plus en plus aux coûts d’inférence, car ces dépenses se répètent avec l’usage. Un pilote réussi peut devenir plus coûteux après l’extension de l’adoption aux employés et aux clients.

Cela crée un risque inhabituel. Un usage accru peut confirmer la demande pour le produit tout en dégradant simultanément l’économie unitaire du déploiement.

Les entreprises ont besoin de contrôles qui orientent les tâches les plus simples vers des modèles plus petits et réservent le raisonnement coûteux aux tâches difficiles. Elles ont aussi besoin de limites pour le contexte, les nouvelles tentatives, les chaînes automatisées et les sorties inutiles.

Les systèmes agentiques amplifient ce problème. Un agent IA est un logiciel qui sélectionne et exécute plusieurs étapes vers un objectif avec une supervision humaine limitée.

Une demande d’employé peut déclencher plusieurs appels de modèles, recherches, actions d’outils et étapes de validation. Le prompt visible peut donc ne représenter qu’une fraction de la consommation totale.

Une meilleure orchestration peut réduire ces coûts, mais elle exige une maturité technique. Les entreprises doivent journaliser l’activité des modèles, la relier aux résultats et identifier quelles étapes automatisées créent de la valeur.

La sécurité et la gouvernance restent tout aussi importantes. Un processus moins coûteux ne crée pas de valeur s’il expose des données confidentielles ou prend des décisions non examinées.

C’est pourquoi la compétition demeure une question d’ambition contre discipline, plutôt que d’un fournisseur contre un autre. Microsoft, Google, Amazon, Anthropic, OpenAI et les fournisseurs spécialisés sont tous soumis au même test économique.

Les fournisseurs peuvent faciliter le déploiement, mais les clients restent responsables du business case. Aucun fournisseur de modèles ne peut définir le taux d’erreur acceptable, la référence de flux de travail ou l’exposition réglementaire d’un client.

La voie des fournisseurs historiques accélérera l’accès. Son amélioration du ROI dépendra de la rigueur avec laquelle les acheteurs gouvernent ce qui se passe après l’activation.

Trois signaux détermineront si la gueule de bois de l’IA s’aggrave

La prochaine phase sera évaluée à travers la visibilité des coûts, les résultats en production et l’écart entre la croissance des infrastructures et la demande des entreprises.

Le premier signal est de savoir si les communications des entreprises deviennent plus précises sur les rendements de l’IA. Les investisseurs devraient aller au-delà des déclarations sur l’adoption et examiner les revenus, les marges, les temps de cycle et les dépenses d’exploitation.

Un argument plus solide en faveur des prévisions de dépenses en IA de Gartner émergerait si les entreprises reliaient leurs déploiements d’IA à des résultats audités ou mesurés de manière cohérente. Davantage de licences et de pilotes n’apporteraient pas le même niveau de preuve.

Le jugement s’affaiblirait si les dirigeants continuaient à déclarer des bénéfices sans préciser les niveaux de référence ni les coûts complets. Ce schéma suggérerait que l’activité liée à l’IA demeure plus facile à mesurer que sa valeur économique.

Les futures enquêtes trimestrielles de KPMG constituent un indicateur utile. Une hausse de la part de 7 % déclarant un ROI établi indiquerait que la discipline de déploiement rattrape l’adoption.

Le deuxième signal est la proportion de pilotes qui passent à une production durable. La production signifie qu’un système soutient une activité commerciale récurrente avec une supervision, des contrôles et des responsables identifiés.

Un pilote peut réussir dans des conditions soigneusement sélectionnées. La production expose le système à des utilisateurs variés, des données changeantes, des demandes inhabituelles, des contraintes de sécurité et de véritables budgets opérationnels.

Des preuves d’un usage durable en production renforceraient l’idée que les premières dépenses ont créé des fondations pour une valeur ultérieure. Des annulations répétées ou une baisse de l’usage aggraveraient la gueule de bois.

Les entreprises devraient communiquer sur la rétention des résultats, et non uniquement sur les jalons de lancement. Une charge de travail qui fonctionne bien pendant un mois mais perd ses utilisateurs ne justifie pas un rendement durable.

Le troisième signal est la manière dont les grands fournisseurs technologiques équilibrent les investissements en infrastructures avec les revenus et les marges. Leurs résultats financiers montreront si la demande absorbe la capacité en cours de construction.

La poursuite de la croissance du cloud, l’augmentation des revenus des services d’IA et la stabilité des marges étayeraient l’idée que les dépenses d’infrastructure anticipaient une demande réelle. Une faible utilisation ou une pression croissante liée aux amortissements la remettraient en cause.

Ces trois signaux doivent être interprétés ensemble. Un meilleur retour sur investissement pour les entreprises peut soutenir la demande d’infrastructure, tandis qu’une infrastructure moins coûteuse peut améliorer l’économie des charges de travail d’entreprise.

La relation inverse s’applique également. Une capacité coûteuse peut accroître les coûts d’inférence, tandis que de faibles résultats commerciaux peuvent conduire les entreprises à rationner l’usage.

Gartner prévoit déjà que les dépenses mondiales en IA dépasseront 3,3 billions de dollars en 2027. Cette projection rend les preuves d’exécution plus urgentes, car l’engagement en capital continue d’augmenter.

Les entreprises américaines ne font pas face à un simple choix entre investir et se retirer. Elles doivent déterminer quels systèmes d’IA méritent un déploiement à grande échelle, lesquels exigent une refonte et lesquels doivent être abandonnés.

Pour les développeurs, cela signifie que l’évaluation, l’observabilité et les contrôles des coûts deviendront des exigences centrales des produits. La seule capacité des modèles ne suffira pas à conclure une vente auprès d’une entreprise.

Pour les acheteurs professionnels, la question pratique est de savoir si un fournisseur peut relier les performances techniques à un flux de travail maîtrisé. Les acheteurs devraient exiger des preuves intégrant la révision humaine et les coûts opérationnels totaux.

Les travailleurs du savoir devraient surveiller si les employeurs repensent les processus ou se contentent d’ajouter des assistants. Les outils produisent de meilleurs résultats lorsque les équipes éliminent les tâches redondantes au lieu d’ajouter de nouvelles obligations aux anciennes routines.

Les prévisions de Gartner sur les dépenses en IA signalent un marché caractérisé par un engagement financier colossal. Les données sur le ROI des dépenses en IA indiquent que l’argent seul ne peut créer une préparation organisationnelle.

La gueule de bois s’aggravera si les budgets augmentent alors que la responsabilité reste fragmentée. Elle s’atténuera lorsque les entreprises pourront montrer quelles charges de travail ont amélioré les résultats, combien elles ont coûté et pourquoi elles méritent un financement continu.

Quelles preuves justifieraient la prochaine expansion de l’IA dans votre organisation ? Définissez le point de référence, le responsable, le coût total et le résultat mesurable avant d’ajouter un nouveau déploiement. Réévaluez ensuite la charge de travail après que de vrais employés l’ont utilisée dans des conditions normales. Cette discipline ne rejette pas l’ambition liée à l’IA. Elle lui donne un standard que les équipes financières, les travailleurs, les clients et les conseils d’administration peuvent évaluer.