Les entreprises resserrent leurs paris IA face aux coûts
Après plusieurs années d’adoption tous azimuts, les entreprises regardent enfin la facture de l’IA. Entre gouvernance, licences, gains mesurables et arbitrages de trésorerie, le critère central redevient le retour sur investissement.
Les entreprises qui ont multiplié les usages d’IA commencent à faire les comptes, et la question n’est plus seulement d’adopter, mais de choisir quoi financer. Dans les échanges rapportés avec PwC, Jack Henry & Associates et Meta Platforms, le retour sur investissement, la gouvernance et la consommation de calcul s’imposent comme les nouveaux filtres. En toile de fond, le marché passe d’une phase d’expérimentation généreuse à une logique d’arbitrage beaucoup plus sèche. Les bilans, eux, n’aiment pas les slogans.
Quand l’enthousiasme cède la place aux calculatrices
Chez Meta Platforms, Heidi Rhodes raconte une première phase où l’instruction était simple : tester, rater, apprendre. Mark Zuckerberg avait fait de l’adoption de l’IA une priorité interne, au point de dire aux équipes : « This is going to be the year that everyone is going to adopt AI. » Puis les factures de jetons, autrement dit les coûts liés à l’usage des modèles, ont rappelé que l’IA n’est pas gratuite. « In 2023, it was: Any single problem that you have, rub some AI on it. Then we got our token bills », résume-t-elle.
Le signal est désormais plus net : « Unless you can show me real ROI, we can end the conversation there. » Cette phrase dit beaucoup de l’état du marché. L’adoption reste large, mais la tolérance à la dépense aveugle se réduit. Les directions financières demandent désormais des preuves d’effet concret, pas seulement des démonstrations séduisantes.
Dans les secteurs régulés, la prudence vient avant l’outil
Jack Henry & Associates, actif dans les services financiers, a commencé par poser des garde-fous. Mimi Carsley explique que l’entreprise a d’abord défini les règles d’approbation des outils d’IA et les données accessibles aux salariés. Cette séquence est logique dans un secteur régulé, où le risque de fuite, de non-conformité ou d’usage mal maîtrisé compte autant que le gain de productivité.
Le coût, lui, reste très concret. Fournir des licences Microsoft Copilot à l’ensemble des 7 300 salariés pourrait ajouter 3 millions de dollars de dépenses, selon Carsley. L’entreprise revoit donc régulièrement les accès. « If someone’s not using their license, we’ll go talk to them and coach them up. If they’re still not using it, we actually seize it back and redeploy it elsewhere in the organization », dit-elle. L’IA d’entreprise rejoint ici une vieille habitude de finance : rien ne se perd, tout se réalloue.
Chez PwC, le problème n’est pas le manque d’idées, mais le tri. Karen Young explique que les équipes testent beaucoup de cas d’usage, mais que le déclencheur du financement reste le client et la capacité à mettre l’outil à l’échelle. La consigne interne est limpide : « We lead them to use the right tool for the right model for the right reason. » Autrement dit, toutes les tâches ne méritent pas le même modèle, ni la même facture.
Le vrai test n’est pas le temps gagné, mais ce qu’on en fait
La mesure des gains devient plus sophistiquée. Un exemple cité par PwC montre un client ayant transformé 14 processus finance, avec des prévisions et scénarios passés de plusieurs semaines à quelques minutes. Pour autant, le vrai sujet n’est pas seulement la vitesse. Karen Young demande ce que font ensuite les salariés de ce temps libéré : plus d’analyse, plus de stratégie, ou juste une pause café plus longue ?
Mimi Carsley pose la même question sous un angle budgétaire. Si l’IA fait gagner cinq minutes sur la rédaction d’un e-mail, la valeur dépend de la réallocation de ce temps. « If you’re not redeploying that savings to another productivity or efficiency, did you really gain anything by the spend? », dit-elle. Cette logique change la discussion dans les comités de direction : un gain de productivité n’est utile que s’il se transforme en autre chose, sinon il reste un compteur joli mais inutile.
Heidi Rhodes va plus loin et met en garde contre un réflexe trop rapide de réduction d’effectifs. Elle cite un client dont l’équipe commerciale est devenue 20 % à 30 % plus productive après que l’IA a pris en charge des heures de recherche. La question devient alors politique autant qu’économique : faut-il réduire les équipes, ou profiter de cette efficacité pour vendre davantage ? Sa réponse penche clairement vers la seconde option.
Le calcul compute devient la ligne de fracture de l’IA
À mesure que l’IA monte en puissance, le sujet du calcul, ou compute, prend une place centrale. Chez Anthropic, Dario Amodei a décrit ce poste comme « the deepest business dilemma » de son entreprise. Le problème est simple à formuler, difficile à résoudre : il faut acheter de la capacité un à deux ans avant de savoir si le revenu la justifiera. Trop peu de calcul, et les clients ou les nouveaux produits manquent de ressources. Trop de calcul, et l’entreprise se met en danger financièrement.
Selon Bloomberg, les engagements d’Anthropic atteindraient près de 901 milliards de dollars, dont environ 71 milliards à échéance d’ici septembre 2027 [à vérifier]. L’entreprise veut justement renforcer son matelas de trésorerie via son introduction en Bourse, présentée comme un moyen d’absorber l’écart possible entre dépenses et revenus. Dans ce contexte, l’IPO sert moins à financer une expansion classique qu’à acheter du temps. C’est moins glamour qu’un lancement de produit, mais plus rassurant qu’une ligne de crédit qui tremble.
Amodei a aussi expliqué que la société limitait ses achats initiaux de capacité et pouvait compléter avec le marché spot si la demande dépassait les attentes. Cette stratégie fonctionne comme une assurance, dit-il. Elle réduit le risque d’être coincé avec trop peu de ressources, tout en évitant de surinvestir avant que le marché ne confirme la trajectoire. Reste que le sous-texte est clair : l’IA générative promet beaucoup, mais son industrialisation se heurte toujours à la même contrainte, celle du capital à immobiliser avant le verdict du marché.
Ce que ce virage dit du marché
Les témoignages convergent sur un point : l’IA entre dans une phase d’exécution plus dure. Les entreprises ne cherchent plus seulement à savoir si l’outil marche, mais combien il coûte, qui en profite et comment la valeur est réinjectée dans l’activité. Le débat n’oppose plus les enthousiastes aux sceptiques ; il oppose les usages qui transforment réellement l’organisation à ceux qui consomment du budget pour un bénéfice flou.
Dans ce contexte, trois critères dominent déjà : la gouvernance, la mesure du retour, et la capacité à absorber le coût du calcul. Les entreprises qui sauront relier ces trois dimensions garderont de la marge. Les autres risquent de découvrir, un peu tard, que l’IA adore les démonstrations. Les factures, elles, préfèrent les preuves.