L’intelligence artificielle peine à convaincre les entreprises sur le plan financier

Un enthousiasme tempéré par la facture

Après une phase d’adoption massive, les entreprises commencent à mesurer l’impact réel de l’intelligence artificielle sur leurs résultats. La tendance au « tokenmaxxing », qui consistait à utiliser l’IA de manière intensive sans réelle contrainte de coût, a cédé la place à une réalité plus complexe : les budgets alloués s’épuisent plus vite que prévu et le retour sur investissement reste difficile à établir.

Des budgets dépassés en quelques mois

Plusieurs grandes entreprises ont déjà tiré la sonnette d’alarme. Uber aurait ainsi épuisé l’intégralité de son budget annuel dédié à l’IA en seulement quatre mois, selon des informations rapportées par la presse. Andrew Macdonald, président et directeur général de l’entreprise, a reconnu ne pas pouvoir établir de lien direct entre les dépenses engagées pour les outils d’IA et l’amélioration des services proposés aux utilisateurs. « Ce lien n’existe pas encore », a-t-il déclaré.

Microsoft a également entrepris de réduire le nombre de licences Claude Code allouées à ses équipes, en particulier au sein de son pôle Experiences + Devices. L’entreprise prévoit de déplacer la majorité de ses ingénieurs vers son propre outil, GitHub Copilot CLI, d’ici à la fin du mois de juin.

Ces décisions illustrent un phénomène plus large : la facture des abonnements aux modèles d’IA les plus performants alourdit les budgets sans que les bénéfices concrets soient toujours faciles à quantifier. Selon des analyses récentes, un abonnement mensuel à 200 dollars peut permettre de consommer jusqu’à 14 000 dollars de tokens chez OpenAI, et 8 000 dollars chez Anthropic, ce qui représente une subvention massive de la part des plateformes. Les marges brutes des entreprises clientes deviennent négatives dès lors que leurs équipes utilisent ne serait-ce que 25 % des limites de taux allouées.

Productivité : des premiers résultats contrastés

L’une des promesses centrales de l’IA est l’amélioration de la productivité. Pourtant, les données disponibles restent mitigées. Une étude publiée par la Banque de Corée au cours du premier semestre 2026 analyse les effets de l’adoption de l’IA sur une période de trois ans. Ses conclusions, bien que préliminaires, n’établissent pas de lien mécanique entre l’investissement dans ces technologies et une hausse durable de la productivité agrégée.

Dans le secteur des jeux vidéo, une analyse menée sur Steam montre que les titres déclarant un usage de l’IA dans leur développement n’obtiennent pas nécessairement de meilleures performances commerciales. Les chercheurs soulignent que de nombreux facteurs, comme l’expérience du développeur, le soutien d’un éditeur ou les stratégies de marketing, influencent davantage les ventes que le simple recours à l’IA.

Le risque d’une convergence des productions

Certains experts pointent également un effet pervers de l’utilisation massive des mêmes outils : la standardisation des productions. Tilo Mitra, ingénieur et manager, observe que lorsque tout le monde utilise des modèles entraînés sur des données similaires, les résultats tendent à se ressembler. « Le code devient “assez bon” mais négligé, les textes marketing sonnent juste mais interchangeables, les stratégies paraissent impressionnantes mais manquent d’originalité », écrit-il. Selon lui, l’IA abaisse le seuil de compétence de base, mais peut paradoxalement limiter la différenciation et l’excellence.

Mesurer l’ingénierie, un préalable oublié

La difficulté à évaluer le retour sur investissement des outils d’IA tient aussi au fait que les entreprises n’ont jamais véritablement mesuré la performance de leurs équipes d’ingénierie. Jirka Bachel, ancien directeur technique, estime que sans indicateur fiable de la valeur apportée par le développement logiciel, il est illusoire de vouloir mesurer l’apport de l’IA. Il propose de se concentrer sur la « livraison de la feuille de route » – autrement dit, la vitesse à laquelle une équipe transforme les priorités en fonctionnalités mises en production – plutôt que sur le nombre de lignes de code générées.

Des modèles trop puissants pour des tâches simples

Autre source de gaspillage : l’utilisation systématique des modèles les plus coûteux pour des tâches qui n’en requièrent pas la puissance. Tim O’Brien compare cette pratique à celle qui consisterait à utiliser une Ferrari pour ses trajets quotidiens. « Corriger la grammaire d’un e-mail peut être fait avec un modèle léger, pour quelques dixièmes de centime, alors qu’envoyer la même requête au modèle le plus performant peut coûter 35 centimes », explique-t-il. L’écart se creuse rapidement sur une journée entière d’utilisation.

Un investissement massif adossé à des promesses incertaines

Au niveau macroéconomique, les sommes engagées dans l’infrastructure d’IA atteignent des niveaux historiques. Les dépenses des hyperscalers – Microsoft, Alphabet, Amazon, Meta et Oracle – dans les centres de données et les équipements spécialisés dépassent désormais, en proportion du PIB américain, les investissements ferroviaires du XIXe siècle. Alphabet prévoit ainsi de lever 85 milliards de dollars en fonds propres, sa première émission d’actions depuis plus de vingt ans.

Selon plusieurs observateurs, une part significative de la croissance du PIB américain est aujourd’hui portée par ces dépenses technologiques. Si celles-ci venaient à ralentir, l’économie du pays pourrait rapidement entrer en récession. Les profits des entreprises non financières américaines seraient, pour environ 80 %, attribuables à Nvidia et aux hyperscalers. La concentration des valorisations boursières autour d’une poignée de valeurs liées à l’IA, qui représentent désormais près de 40 % de la capitalisation du S&P 500 selon la Bank of America, rend l’ensemble du système financier vulnérable à un retournement de confiance.

Vers une rationalisation des usages

Face à ces constats, les entreprises cherchent à mieux encadrer leurs dépenses. Certaines réduisent le nombre de licences, d’autres mettent en place des systèmes de suivi plus précis. La question centrale reste celle de la valeur ajoutée : l’IA permet-elle vraiment d’accélérer la mise sur le marché de fonctionnalités utiles ? La réponse, pour l’instant, varie selon les secteurs, la maturité des équipes et la qualité des données disponibles.

Les observateurs s’accordent sur un point : l’avantage concurrentiel ne résidera pas dans la simple adoption de l’IA, mais dans la capacité à discerner où son utilité s’arrête et où le jugement humain reprend le dessus.