Article de Julien Ricciarelli-Bonnal

27 juillet 2026

L’IA devient-elle trop chère pour tenir toutes ses promesses ?

Pendant plusieurs années, la compétition autour de l’intelligence artificielle a surtout été racontée comme une bataille de performances. Il fallait disposer du modèle le plus puissant, entraîner davantage de paramètres, répondre plus vite, intégrer plus de données et annoncer des capacités toujours plus spectaculaires. Les entreprises technologiques ont accepté cette escalade parce que l’enjeu semblait dépasser le rendement immédiat : perdre la course pouvait signifier abandonner une partie du marché numérique de demain.

Cette période n’est pas terminée, mais une autre bataille commence à s’imposer. Elle porte moins sur ce que l’intelligence artificielle sait accomplir que sur ce qu’elle coûte réellement à construire, à déployer et à maintenir. Les centres de données, les processeurs spécialisés, l’électricité, le refroidissement, les acquisitions, les talents et l’intégration dans les logiciels d’entreprise absorbent des sommes dont la progression devient difficile à dissimuler derrière la seule promesse technologique.

SAP vient d’en donner une illustration mesurée mais révélatrice. L’entreprise a légèrement abaissé son objectif de résultat opérationnel non-IFRS pour 2026 afin de tenir compte de plus de 100 millions d’euros d’impact lié aux acquisitions de Dremio et Prior Labs. Dans le même temps, elle maintient ses objectifs de revenus cloud et prévoit toujours environ 10 milliards d’euros de flux de trésorerie disponible. Il ne s’agit donc pas d’une crise, mais du rappel qu’une stratégie IA ambitieuse produit des coûts avant de produire tous les bénéfices attendus. 

Le cas d’Alphabet rend la tension plus visible encore. Le groupe a continué d’enregistrer une forte croissance de ses activités, notamment dans le cloud, tout en supportant une envolée de ses dépenses d’infrastructure. Au deuxième trimestre 2026, Alphabet a annoncé un flux de trésorerie disponible négatif de 5,9 milliards de dollars, sous l’effet d’investissements massifs dans les capacités nécessaires à l’IA. La technologie continue de stimuler la demande, mais son financement commence à peser directement sur la génération de trésorerie. 

La question n’est donc plus de savoir si l’intelligence artificielle possède un potentiel économique. Elle consiste à déterminer si les revenus, les gains de productivité et les nouveaux usages progresseront suffisamment vite pour absorber le coût de la course engagée.

La puissance des modèles repose sur une économie très matérielle

L’intelligence artificielle est souvent présentée comme un logiciel presque abstrait, accessible depuis une interface et disponible instantanément. Cette simplicité apparente masque une infrastructure particulièrement lourde. Entraîner les modèles, répondre aux requêtes, stocker les données et garantir la disponibilité des services suppose des centres de données, des réseaux, des processeurs spécialisés, des systèmes de refroidissement et une alimentation électrique continue.

Chaque amélioration de performance peut augmenter les besoins en calcul. Les modèles plus ambitieux exigent davantage de ressources pendant leur entraînement, tandis que leur diffusion à grande échelle transforme ensuite le coût de l’inférence en dépense permanente. Une démonstration utilisée par quelques milliers de personnes ne représente pas le même défi économique qu’un assistant intégré à une suite logicielle, un moteur de recherche ou un service cloud fréquenté quotidiennement par des centaines de millions d’utilisateurs.

Les géants technologiques ne financent donc pas seulement des équipes de chercheurs. Ils construisent une capacité industrielle dont le retour dépendra du volume de demande, du prix accepté par les clients et de la durée pendant laquelle les équipements resteront compétitifs. Or les cycles d’innovation rapides peuvent accélérer l’obsolescence d’infrastructures pourtant extrêmement coûteuses.

Cette réalité explique pourquoi les dépenses augmentent parfois plus vite que les flux de trésorerie. Les revenus issus de l’IA apparaissent progressivement, alors que les investissements doivent souvent être engagés plusieurs années avant que toutes les capacités soient utilisées. Les entreprises construisent aujourd’hui les centres de données dont elles espèrent avoir besoin demain, sans pouvoir prévoir avec certitude quels modèles, quels fournisseurs ou quels usages domineront réellement le marché.

L’avantage concurrentiel dépend alors autant de l’ingénierie financière que de la performance scientifique. Les acteurs capables de financer longtemps cette avance peuvent saturer le marché, réduire leurs prix et attendre que les usages se développent. Les autres doivent choisir des segments plus étroits, louer leurs infrastructures ou dépendre de plateformes dont les conditions économiques pourront évoluer.

Les acquisitions accélèrent la stratégie mais retardent sa rentabilité

La baisse limitée de l’objectif de profit de SAP ne résulte pas seulement du coût quotidien des modèles. Elle reflète aussi une stratégie d’acquisitions destinée à renforcer rapidement les données, les technologies et les compétences nécessaires à ses ambitions. Dremio apporte une infrastructure de données, tandis que Prior Labs développe des modèles spécialisés dans les données tabulaires, particulièrement importantes pour les systèmes d’entreprise.

Acheter une technologie permet de gagner du temps. Une entreprise évite plusieurs années de recherche interne, récupère des équipes déjà constituées et intègre plus rapidement une capacité différenciante à ses produits. Mais cette accélération possède un prix immédiat, auquel s’ajoutent les coûts d’intégration, les doublons organisationnels, les adaptations techniques et l’incertitude sur la capacité à transformer l’actif acquis en revenus durables.

Dans l’IA d’entreprise, l’enjeu est particulièrement complexe. Il ne suffit pas de produire une réponse convaincante dans une interface conversationnelle. Les systèmes doivent s’intégrer aux processus financiers, logistiques, commerciaux ou humains, respecter les droits d’accès, préserver la traçabilité des données et fonctionner dans des environnements réglementés. La promesse commerciale dépend donc d’un travail d’intégration souvent moins spectaculaire que le modèle lui-même, mais beaucoup plus coûteux à industrialiser.

SAP conserve une activité cloud en forte croissance, avec un chiffre d’affaires trimestriel de 6,28 milliards d’euros et un carnet de commandes cloud actuel de 22,9 milliards d’euros au deuxième trimestre 2026. Ses investissements ne sont donc pas engagés dans le vide. Ils illustrent néanmoins le décalage classique entre l’acquisition d’une capacité et sa conversion complète en marge supplémentaire. 

Ce décalage peut rester parfaitement acceptable tant que la croissance future le compense. Il devient problématique lorsque les acquisitions s’accumulent, que les intégrations ralentissent et que les clients tardent à payer davantage pour des fonctionnalités qu’ils considèrent progressivement comme normales.

Les prix baissent alors que les coûts restent considérables

La concurrence crée une deuxième difficulté. À mesure que les modèles se multiplient, les performances se rapprochent sur de nombreux usages et le prix du traitement diminue. Les entreprises clientes peuvent comparer davantage de fournisseurs, utiliser plusieurs modèles ou remplacer une solution devenue trop chère. Ce mouvement favorise l’adoption, mais réduit aussi la capacité des producteurs à répercuter l’ensemble de leurs coûts.

Le marché valorise encore fortement la puissance, mais les utilisateurs professionnels regardent de plus en plus le rapport entre qualité, vitesse et coût. Un modèle légèrement moins performant peut devenir économiquement préférable s’il traite dix fois plus de requêtes pour le même budget. Les fournisseurs doivent donc continuer d’investir dans les modèles les plus avancés tout en proposant des versions plus petites, plus rapides et moins coûteuses.

Cette pression s’étend aux logiciels qui intègrent l’intelligence artificielle. Une fonctionnalité peut être proposée en supplément, incluse dans un abonnement plus cher ou intégrée sans hausse tarifaire pour défendre la position concurrentielle du produit. Dans ce dernier cas, l’IA améliore peut-être la fidélisation ou la valeur perçue, mais elle augmente aussi le coût du service sans créer immédiatement une nouvelle ligne de revenus identifiable.

Le paradoxe devient évident : plus l’intelligence artificielle se banalise, plus les entreprises doivent la proposer, mais plus il devient difficile de la facturer comme une innovation exceptionnelle.

Les marges dépendront alors de la capacité à réduire le coût d’inférence, concevoir des puces propriétaires, optimiser les modèles et réserver les systèmes les plus puissants aux tâches qui les justifient réellement. La bataille ne portera plus seulement sur le meilleur résultat possible, mais sur le meilleur résultat économiquement soutenable.

Le retour sur investissement ne peut plus rester une promesse générale

Les premières années ont laissé une large place à l’expérimentation. Les entreprises pouvaient financer des pilotes, former leurs équipes et intégrer des assistants sans exiger une rentabilité immédiate, parce qu’elles cherchaient d’abord à comprendre la technologie. Cette phase était nécessaire, mais elle ne peut pas devenir un modèle de gestion permanent.

Le retour sur investissement ne se résume pas à comparer le prix d’un abonnement au nombre d’heures économisées. Il faut aussi intégrer le coût des données, de la sécurité, de la supervision, de la formation, de la conduite du changement et des erreurs éventuelles. Une solution peu coûteuse à l’achat peut devenir chère lorsqu’elle nécessite plusieurs mois d’intégration ou une validation humaine systématique.

À l’inverse, certains bénéfices apparaissent difficilement dans un tableau financier immédiat. Une meilleure qualité de service, une décision plus rapide, une réduction du risque ou l’amélioration d’un produit peuvent produire de la valeur sans générer directement une économie visible. L’enjeu consiste donc moins à imposer un calcul unique qu’à définir, pour chaque usage, ce qui doit réellement être mesuré.

Les entreprises ont besoin de distinguer les outils de productivité individuelle, les automatisations opérationnelles, les fonctions intégrées aux produits et les investissements exploratoires. Chacune de ces catégories possède un horizon de rendement différent. Les traiter comme un portefeuille homogène conduit soit à conserver trop longtemps des projets faibles, soit à interrompre trop tôt des initiatives structurantes.

Cette discipline suppose de définir une gouvernance économique et opérationnelle des usages de l’intelligence artificielle⁠, avec des responsables identifiés, des critères de réussite, des étapes de validation et des règles permettant d’arrêter une initiative lorsque ses résultats ne justifient plus ses coûts.

Les géants technologiques peuvent supporter la course, pas indéfiniment l’irrationalité

Les entreprises qui dominent aujourd’hui l’IA disposent d’un avantage considérable : elles génèrent déjà des revenus massifs grâce au cloud, à la publicité, aux logiciels ou au commerce. Elles peuvent financer des infrastructures à une échelle inaccessible à la majorité du marché et absorber plusieurs années de pression sur leurs flux de trésorerie.

Cet avantage ne rend pourtant pas leurs investissements automatiquement rentables. Une capacité surdimensionnée, une demande surestimée ou une guerre des prix prolongée peuvent réduire fortement le rendement attendu. Les marchés financiers acceptent les dépenses tant qu’ils perçoivent une croissance crédible, mais leur patience dépendra de la capacité des entreprises à relier progressivement leurs milliards investis à des revenus récurrents et à des marges défendables.

Une étude publiée en 2026 résume assez bien cette ambiguïté : l’IA peut constituer une révolution technologique réelle tout en produisant des dynamiques de bulle localisées, notamment lorsque les investissements progressent plus vite que la monétisation observée. Les deux phénomènes ne s’excluent pas. Une technologie peut transformer durablement l’économie et provoquer simultanément des excès de valorisation ou de capacité. 

La comparaison avec les infrastructures numériques précédentes est utile. Les réseaux, le cloud et les smartphones ont nécessité des investissements considérables avant de devenir rentables à grande échelle. Mais tous les acteurs qui ont financé ces transitions n’en ont pas bénéficié de la même manière. Certains ont construit les plateformes dominantes ; d’autres ont supporté les coûts d’une capacité qui a finalement profité à leurs concurrents.

L’intelligence artificielle suivra probablement une trajectoire comparable. La valeur créée pourra être immense sans garantir que chaque modèle, chaque acquisition ou chaque centre de données produira le rendement espéré.

L’IA ne manque pas de promesses, elle doit désormais financer leur réalisation

L’intelligence artificielle ne devient pas trop chère parce qu’elle serait inutile. Elle devient chère parce que ses promesses exigent une infrastructure, des données, des acquisitions et une capacité d’intégration qui dépassent largement le coût visible d’un logiciel. Plus les usages se généralisent, plus cette économie matérielle apparaît dans les comptes.

Les premiers signaux financiers ne prouvent pas que les investissements sont excessifs. SAP continue de croître dans le cloud et Alphabet bénéficie d’une demande soutenue pour ses services. Ils montrent cependant que la croissance des revenus ne suffit pas toujours à empêcher une pression temporaire sur les profits ou la trésorerie lorsque les dépenses avancent encore plus vite.

La prochaine étape de la compétition opposera donc moins les entreprises qui promettent le plus à celles qui savent financer, industrialiser et monétiser leurs promesses. La performance des modèles restera essentielle, mais elle sera évaluée avec d’autres critères : coût par usage, consommation énergétique, capacité disponible, intégration, fidélisation et marge.

Les dirigeants devront eux aussi abandonner l’idée qu’adopter l’IA consiste simplement à acheter un outil. Ils devront choisir les usages capables de justifier l’investissement, organiser leur déploiement et accepter d’arrêter ceux dont la valeur reste théorique. La technologie continuera de progresser, mais son économie deviendra beaucoup moins indulgente.

L’intelligence artificielle peut tenir une grande partie de ses promesses. Reste à savoir si ceux qui les financent pourront attendre assez longtemps pour en récolter les bénéfices.

👉 Une technologie coûteuse ne crée de valeur que lorsqu’elle sert des priorités précises. Ricciarelli Partners accompagne les entreprises qui souhaitent aligner leurs investissements, leurs offres et leur développement sur une stratégie réellement soutenable⁠.