Selon la dernière prévision de Gartner, les dépenses mondiales en intelligence artificielle atteindront 2 590 milliards de dollars en 2026 — soit une hausse de 47 % par rapport à 2025, un chiffre qui, s’il se confirme, ferait de l’IA la catégorie de dépenses technologiques ayant connu la croissance la plus rapide de l’histoire des entreprises. Ces dépenses sont bien réelles. Le déploiement d’infrastructures qu’elles financent l’est tout autant. Les 81 milliards de dollars de chiffre d’affaires trimestriel de Nvidia, la production 2026 de mémoire HBM de Micron déjà entièrement vendue, et les chantiers de data centers qui s’étendent de la Virginie à Singapour sont autant de preuves tangibles que les budgets des entreprises se déversent massivement dans les systèmes d’IA.
Ce qui est tout aussi réel, mais beaucoup moins souvent rapporté, c’est l’écart de responsabilité qui se creuse lorsque 2 590 milliards de dollars de dépenses annuelles doivent, à terme, produire un retour mesurable au moins équivalent. Une enquête d’Axios publiée le 28 mai décrit très concrètement ce à quoi ressemble un déploiement d’IA mal gouverné : un grand groupe — non identifié, mais décrit comme un client corporate de premier plan — a dépensé 500 millions de dollars en un seul mois en services d’IA, faute d’avoir mis en place des contrôles d’usage ou un suivi des coûts. Aucune limite de dépense n’avait été fixée. Personne n’avait examiné la consommation avant que la facture n’arrive. Une note d’IA de 500 millions de dollars en 30 jours n’est pas le dérapage d’un projet pilote de startup. C’est une défaillance de gouvernance d’entreprise à grande échelle — l’une des nombreuses qui commencent à émerger à mesure que le premier élan d’enthousiasme pour l’IA rencontre le premier vrai cycle de contrôle budgétaire des directions financières.
Le problème des directions financières
La dynamique interne des directions financières évolue depuis fin 2025. Dans la plupart des grandes entreprises, les premières décisions d’achat d’IA ont été prises par les directions techniques — DSI, directeurs technologiques et équipes stratégie IA — avec un contrôle relativement limité de la part des finances. L’argument de la vitesse revenait dans tous les secteurs : si les concurrents adoptent l’IA plus vite, l’écart de productivité et de structure de coûts devient irréversible. Ce raisonnement, conjugué à l’enthousiasme général autour des grands modèles de langage, a créé un environnement permissif où les dépenses en IA échappaient au cycle habituel d’analyse coûts-bénéfices qui encadre les dépenses informatiques.
Au deuxième trimestre 2026, cet environnement a changé. Selon une étude de Forrester, les entreprises reportent à 2027 environ 25 % de leurs dépenses IA prévues, à mesure que le contrôle financier se durcit. Dans une enquête Gartner, moins d’un décideur sur trois est capable d’identifier des résultats financiers précis attribuables à ses investissements en IA. Les projets passés en production après une phase de preuve de concept font désormais l’objet d’une évaluation pour le renouvellement de leur financement — et les critères d’évaluation sont devenus plus stricts. Des gains de productivité réels mais diffus (des collaborateurs qui exécutent leurs tâches plus vite, sans que cela se traduise de façon mesurable dans le compte de résultat) ne suffisent plus à justifier une ligne budgétaire désormais scrutée chaque trimestre par la direction financière.
La directrice des opérations d’Uber a évoqué publiquement ce constat en mai 2026, déclarant aux analystes que les coûts liés à l’IA étaient « plus difficiles à justifier » que l’entreprise ne l’avait initialement anticipé. Venant d’une entreprise résolument tournée vers la technologie, dotée de ressources d’ingénierie considérables et d’une culture de gestion des coûts très rigoureuse, la déclaration a du poids. Uber dispose des moyens d’évaluer le ROI de l’IA avec plus de rigueur que la plupart des entreprises. Sa difficulté à relier les dépenses IA à des résultats financiers ne traduit donc pas une incapacité d’analyse — elle reflète le véritable défi que représente la mesure de la valeur de flux de travail améliorés par l’IA, lorsque ces gains sont répartis sur des milliers de collaborateurs, chacun économisant de petites quantités de temps qui n’apparaissent nulle part dans un budget.
La défaillance de gouvernance à 500 millions de dollars
Le chiffre de 500 millions de dollars révélé par l’enquête d’Axios est exceptionnel par son ampleur, mais pas par sa nature. Un déploiement d’IA en entreprise sans gouvernance des usages produit des coûts qui s’emballent — le mécanisme est le même, que la facture s’élève à 5 millions ou à 500 millions de dollars. La plupart des contrats d’IA en entreprise sont facturés à la consommation : plus les appels d’API ou les tokens consommés augmentent, plus la facture grimpe. Contrairement à une licence logicielle classique, dont le coût annuel est fixe quel que soit l’usage, la tarification à la consommation de l’IA crée un lien direct entre l’adoption par les collaborateurs et le montant de la facture mensuelle. Si l’adoption s’accélère de façon inattendue, les coûts s’envolent avec elle.
Pour qu’une facture d’IA atteigne 500 millions de dollars, plusieurs conditions doivent se cumuler : une tarification à la consommation sans plafond de dépense engagé, un rythme d’adoption qui dépasse les hypothèses de planification de l’organisation, des outils de suivi insuffisants pour détecter une consommation anormale avant qu’elle ne s’accumule sur un mois entier, et — c’est le point critique — un processus achats-finance qui n’a pas appliqué les garde-fous standards qui encadrent d’ordinaire les autres dépenses cloud. Les dépenses cloud des entreprises sur AWS, Azure et Google Cloud ont produit des histoires similaires au cours de la dernière décennie ; la gestion des coûts cloud est devenue une pratique mature précisément parce que la douleur d’une consommation non maîtrisée a appris aux entreprises que les contrats engagés et les outils de suivi ne sont pas optionnels.
La différence, avec les dépenses en IA, c’est que le discours dominant — chaque collaborateur doit utiliser des outils d’IA, résister à l’IA est un risque concurrentiel — a activement découragé le contre-pouvoir naturel qui aurait dû freiner une adoption sans limites. Les équipes finance qui exprimaient des inquiétudes sur les coûts en 2024 et début 2025 étaient souvent présentées comme des freins à la transformation. La facture de 500 millions de dollars est en partie la conséquence d’une culture d’entreprise où la vigilance sur les coûts a été temporairement reléguée au second plan au profit de la vitesse d’adoption. Cette culture est aujourd’hui en train de s’inverser.
Où le retour sur investissement apparaît — et où il n’apparaît pas
Les entreprises qui parviennent à démontrer un ROI IA mesurable se concentrent dans des fonctions bien précises : les acteurs des services financiers qui utilisent l’IA pour la détection de fraude et la modélisation du risque ; les entreprises de logistique qui l’utilisent pour l’optimisation des tournées et la prévision de la demande ; les centres de service client qui remplacent ou renforcent le support de premier niveau par des agents IA ; les équipes de développement logiciel qui utilisent des assistants de code IA pour réduire le temps consacré à la génération de code de routine et au débogage.
Ces cas d’usage partagent une structure commune : le résultat est quantifiable, le point de comparaison (pertes liées à la fraude sans IA, coûts d’inefficacité des tournées, volumes de tickets support, heures de développeurs) est mesurable, et l’intervention de l’IA est suffisamment isolée pour que sa contribution puisse être attribuée avec précision. JPMorgan Chase a fait passer son investissement en IA d’une R&D expérimentale à une infrastructure cœur de métier, avec un budget technologique de 19,8 milliards de dollars et 2 000 collaborateurs dédiés à l’IA — un contraste frappant avec les difficultés d’adoption de Copilot chez Microsoft, où le déploiement en entreprise a pris du retard malgré un engagement financier comparable. Ce niveau d’engagement traduit une confiance réelle dans un retour quantifiable, l’essentiel se situant dans les fonctions des services financiers, où la mesure fait partie intégrante du métier.
Les fonctions où le ROI est le plus difficile à démontrer sont justement celles qui ont suscité le plus d’enthousiasme au début de l’adoption de l’IA : le travail de la connaissance. Rédaction d’e-mails, synthèse de réunions, génération de documents, synthèse de recherche — toutes ces tâches sont bel et bien plus rapides avec l’assistance de l’IA. Les gains de productivité sont réels au niveau individuel. Le problème, c’est la traduction en résultat financier : un collaborateur qui exécute ses tâches 20 % plus vite ne produit pas automatiquement 20 % de production en plus qui se traduirait en chiffre d’affaires, et un gain de productivité de 20 % à l’échelle d’un effectif ne se traduit pas automatiquement par une réduction d’effectif de 20 %, si l’organisation ne pilote pas activement ses effectifs en fonction des gains d’efficacité.
Les vagues de licenciements structurels chez Cloudflare, Coinbase et Upwork illustrent un premier modèle pour convertir les gains de productivité de l’IA en résultat financier : réduire les effectifs sur les postes où l’IA peut reproduire la fonction, et comptabiliser la baisse de coûts comme le retour sur investissement. Ce modèle est inconfortable, mais il est lisible financièrement. Le modèle plus répandu — maintenir les effectifs tout en améliorant la productivité, et capter la valeur sous forme d’une meilleure qualité de production ou de délais plus courts — est beaucoup plus difficile à faire apparaître dans un compte de résultat, et de plus en plus difficile à défendre en revue budgétaire lorsque les outils d’IA génèrent eux-mêmes leur propre ligne de coût.
La fracture entre l’infrastructure et l’application
Le tableau financier le plus clair des dépenses IA de 2026 sépare le côté offre du côté demande. Côté offre — Nvidia, Micron, TSMC et les opérateurs de data centers hyperscale — les retours sont mesurables et considérables. Les dépenses en infrastructure IA génèrent du chiffre d’affaires en infrastructure IA pour les entreprises qui fournissent la puissance de calcul, la mémoire et la connectivité. Les 2 590 milliards de dollars de dépenses IA des entreprises se déversent vers ces sociétés d’une façon qui se reflète directement dans leurs résultats trimestriels et que valident les prévisions des analystes.
Côté demande — les entreprises qui dépensent ces 2 590 milliards de dollars pour déployer l’IA dans leurs opérations — le tableau financier est beaucoup moins homogène. L’affirmation de Jensen Huang selon laquelle l’IA agentique nécessite 1 000 % de puissance de calcul en plus que l’IA générative suggère que le côté demande de l’équation n’en est encore qu’à ses débuts ; si les applications d’IA les plus gourmandes en calcul n’ont pas encore été déployées à grande échelle, le problème du ROI pourrait en partie être un problème de calendrier — les retours des flux de travail agentiques qui automatisent entièrement des processus métier complexes sont mesurables, mais pas encore visibles, tout simplement parce que ces flux de travail sont encore en construction.
C’est la lecture optimiste la plus cohérente. Le contrôle exercé par les directions financières en 2026 est simplement le marché qui fait ce qu’il doit faire : exiger une justification des dépenses au moment où le cycle initial d’investissement porté par l’enthousiasme touche à sa fin, et où les décisions de renouvellement exigent une valeur démontrée. Les entreprises capables de démontrer cette valeur — dans la détection de fraude, l’optimisation des tournées, le service client, le développement logiciel — continueront d’investir. Celles qui n’y parviennent pas devront affronter exactement le type de report de dépenses que mesure Forrester. Ce n’est pas une crise pour l’IA. C’est le processus normal par lequel un cycle d’investissement technologique arrive à maturité.
Ce qui se profile
Les dépenses IA des entreprises au second semestre 2026 seront façonnées par trois pressions simultanées. D’abord, le cycle de reddition de comptes imposé par les directions financières : les décisions de dépense prises en 2024 et 2025 font désormais l’objet de revues de renouvellement, et le seuil d’exigence pour poursuivre a augmenté. Ensuite, l’élargissement des capacités de l’IA agentique : des systèmes qui exécutent de façon autonome des processus métier à plusieurs étapes, plutôt que d’assister des collaborateurs humains, relèvent d’un modèle de ROI différent, où le point de comparaison est le coût complet d’un salarié plutôt qu’un gain de productivité marginal. Enfin, la maturation de la gouvernance des achats d’IA : l’épisode des 500 millions de dollars va faire émerger toute une génération de pratiques de gestion des coûts IA en entreprise, tout comme les factures cauchemardesques d’AWS entre 2012 et 2015 ont donné naissance à la gestion des coûts cloud comme discipline à part entière.
Les entreprises qui marquent une pause pour évaluer leurs investissements n’abandonnent pas l’IA. Elles font ce que toute entreprise finit par faire face à un investissement technologique majeur : se demander si le retour justifie le coût, et ajuster en conséquence. Le chiffre de 25 % de dépenses reportées avancé par Forrester n’est pas un vote de défiance. C’est un vote pour la responsabilité — la même exigence de responsabilité que le côté offre de l’industrie de l’IA affiche déjà dans ses résultats trimestriels, et à laquelle le côté demande est désormais sommé de se conformer.
L’histoire du client aux 500 millions de dollars continuera d’être citée dans les conseils d’administration tout au long de 2026, comme preuve que la gouvernance de l’IA doit adopter la même rigueur que la gouvernance du cloud. La conséquence de cette prise de conscience n’est pas moins de dépenses en IA. C’est des dépenses en IA plus difficiles à justifier globalement, mais qui produisent un retour mesurablement meilleur par dollar investi. Pour les fournisseurs d’infrastructure qui vendent la puissance de calcul, cette distinction compte moins que pour les entreprises qui achètent. Pour la couche applicative de l’IA — les entreprises qui vendent les outils que les collaborateurs utilisent au quotidien — ce virage vers la responsabilité constitue le premier vrai test permettant de savoir si leurs produits génèrent réellement la valeur pour laquelle ils ont été achetés.
La question qui doit précéder la question du ROI
Il existe une confusion particulière qui ressemble à un problème de mesure, mais qui est en réalité un problème de définition. Lorsque des dirigeants d’entreprise affirment être incapables de calculer le ROI de leur investissement en IA, ils décrivent souvent le symptôme d’une défaillance plus profonde : ils n’ont jamais défini, avec assez de précision, ce que l’IA était censée accomplir pour pouvoir vérifier si elle l’a fait. Le ROI est un ratio. Le numérateur, c’est la valeur produite. Si l’on est incapable d’énoncer, avant même de commencer, à quoi ressemblerait cette valeur — de façon précise, mesurable, sous une forme qui puisse être suivie face à un scénario de référence —, alors le calcul du ROI est impossible par construction, et non par complexité comptable.
Ce problème n’est pas propre à l’IA. C’est exactement celui qui a miné les premiers déploiements de CRM, d’ERP, et les migrations vers le cloud. Chaque vague technologique en produit une version : la technologie est achetée parce que la direction s’est laissé convaincre qu’elle créerait de la valeur, le déploiement est mesuré à l’aune d’indicateurs de mise en œuvre plutôt que de résultats, et la revue de ROI arrive avant même que l’organisation n’ait modifié ses façons de travailler de manière à réellement faire émerger cette valeur. L’IA emprunte exactement ce même chemin d’échec, mais à un coût plus élevé et sur des délais plus courts. Sur les 2 590 milliards de dollars de dépenses annuelles en IA, une part importante correspond à des déploiements où l’indicateur de mise en œuvre — postes activés, modèles intégrés, automatisations lancées — a été considéré comme la preuve de la création de valeur, sans que le travail plus exigeant consistant à définir la valeur réellement visée par le déploiement n’ait été fait.
Le signal le plus clair de cette dynamique est ce schéma récurrent de défaillance de gouvernance : des entreprises qui dépensent 500 millions de dollars en outils d’IA que les collaborateurs finissent par contourner, parce que ces outils ne correspondent pas à la structure réelle de leurs tâches. Un collaborateur qui contourne un outil ne fait pas preuve de mauvaise volonté. Il résout correctement un problème d’optimisation. Si l’outil ne produit pas de meilleurs résultats que la méthode précédente, la réponse rationnelle consiste à revenir à la méthode précédente. La question qui doit précéder celle du ROI est la suivante : sur quelle tâche précise cet outil est-il meilleur que ce que nous faisions avant, et comment le saurons-nous ? Les organisations qui ont répondu à cette question avant même l’achat — qui ont cartographié le flux de travail, identifié le goulot d’étranglement et défini l’indicateur de succès — sont celles que l’on retrouve dans les analyses de déploiement de l’IA en entreprise affichant des retours mesurables. Celles qui ont sauté cette étape sont celles qui alimentent les données agrégées de ROI qui inquiètent tout le monde.
Ce que les chiffres globaux ne vous disent pas
Le chiffre de 2 590 milliards de dollars souffre d’un biais précis que les statisticiens appellent la négligence du taux de base. Lorsqu’on entend que les dépenses mondiales en IA ont progressé de 47 % sur un an, ce chiffre déclenche une inférence pleine d’assurance : l’IA fonctionne, donc les dépenses en IA sont justifiées, donc dépenser encore plus en IA est rationnel. Ce raisonnement paraît logique, mais il saute l’étape qui compte vraiment : quelle proportion de ces 2 590 milliards de dollars a réellement produit un retour mesuré, et à quoi ressemble la répartition de cette proportion ?
La réponse honnête, au vu des éléments disponibles, est que nous n’en savons rien avec précision. Le constat de l’enquête Gartner — moins d’un décideur sur trois capable d’identifier des résultats financiers précis — nous apprend quelque chose d’important : le dénominateur du calcul de ROI est immense, et le numérateur reste en grande partie non comptabilisé. Mais ce constat provient lui-même d’une enquête basée sur des perceptions déclarées, qui comportent leurs propres biais. Les décideurs qui ont validé ces dépenses ont tout intérêt à déclarer de l’incertitude plutôt qu’à confirmer un retour négatif. Le chiffre de report avancé par Forrester nous indique que 25 % des dépenses prévues sont différées, mais il ne nous dit pas si les 75 % restants, eux, avancent sur la base de preuves plus solides — ou simplement portés par une dynamique organisationnelle.
Pour raisonner avec justesse sur le ROI de l’IA en entreprise en 2026, il faut distinguer trois catégories réellement différentes, que les chiffres globaux ont tendance à confondre en une seule. La première catégorie regroupe les dépenses en IA qui ont produit des retours quantifiés et documentés : détection de fraude dans les services financiers, prévision de la demande en logistique, gains de productivité précis en développement logiciel mesurés en temps d’exécution. Ces cas existent, et se multiplient. La deuxième catégorie regroupe les dépenses en IA dont le retour est plausible et globalement positif, mais pas mesuré avec la précision requise pour une reddition de comptes financière : assistance au travail de la connaissance, synthèse de réunions, appui à la recherche. La troisième catégorie regroupe les dépenses en IA où l’indicateur de déploiement a été utilisé comme substitut à la création de valeur, sans que le retour réel n’ait jamais été évalué. Les données de report de Forrester suggèrent que cette troisième catégorie est loin d’être marginale.
L’erreur commise par le marché en 2024 et début 2025 a été de considérer que le montant global des dépenses validait, en soi, la thèse globale. Ce n’était pas le cas. Il validait simplement que les entreprises étaient prêtes à parier que l’IA produirait un retour. Le cycle de reddition de comptes de 2026 est en train de tester si ce pari était correctement calibré. Les entreprises qui sortiront de ce test avec leur budget IA intact seront celles qui auront su distinguer ces trois catégories avant que leur direction financière ne pose la question — et non après.
Le problème de la dilution des responsabilités
Un schéma récurrent apparaît chaque fois qu’une technologie se déploie plus vite que l’organisation qui l’adopte n’est capable de construire les structures de responsabilité nécessaires pour en assurer le suivi — et les dépenses IA des entreprises en 2026 en constituent un cas d’école. Aucune entreprise du Fortune 500 n’a décidé, en tant que politique délibérée, que le ROI de l’IA resterait non mesuré. Ce qui s’est produit, ce sont des centaines de petites décisions, individuellement raisonnables — un chef de service qui valide un pilote parce que la démonstration du fournisseur était convaincante, une direction financière qui approuve la ligne budgétaire parce que les concurrents dépensent aussi, un chef de projet qui déclare un succès parce que l’outil a été déployé dans les délais — qui, mises bout à bout, forment un système où aucun acteur n’est en position de poser la seule question qui compte vraiment : est-ce que cela a fonctionné ? L’incitation de chaque décideur était rationnelle à son échelle. Le pilote a été financé parce que dire non à l’IA en 2025 représentait un risque de carrière plus grand que dire oui et produire un résultat ambigu dix-huit mois plus tard.
Il ne s’agit pas d’une histoire de mauvais acteurs ou d’incompétence. C’est une histoire sur la façon dont des droits de décision dilués produisent une responsabilité diluée — un mode de défaillance structurellement différent de celui que la gouvernance d’entreprise classique est conçue pour détecter. La discipline traditionnelle d’allocation du capital suppose un décideur unique, responsable du résultat. Les achats d’IA de la vague 2024-2026 ont souvent impliqué une douzaine de valideurs répartis sur autant de directions, chacun prenant un pari modeste et défendable, sans qu’aucun ne soit responsable du portefeuille global — un cas d’école de dilution de la responsabilité. La défaillance de gouvernance à 500 millions de dollars qui ouvre cet article n’est pas une mauvaise décision isolée. C’est la somme de nombreuses petites décisions raisonnables, prises par des personnes qui n’ont jamais été en position de voir l’ensemble. Pour y remédier, il faut confier la responsabilité du chiffre global à quelqu’un — un propriétaire unique et responsable de l’allocation du capital IA à l’échelle de l’entreprise, comme fonctionnait la budgétisation du capital avant que l’IA ne transforme chaque direction en son propre bureau d’achats — et non produire une énième enquête sur le ressenti des équipes.
Sources
- Gartner — Prévisions de dépenses IT et IA : projections des dépenses technologiques mondiales des entreprises en 2026
- Axios — Enquête sur la gouvernance de l’IA en entreprise : étude de cas d’une dépense IA incontrôlée de 500 millions de dollars (mai 2026)
- Forrester Research — Dépenses IA en entreprise et reddition de comptes sur le ROI : données de l’enquête 2026
- JPMorgan Chase — Publications annuelles sur les investissements technologiques et l’engagement en infrastructure IA
- Uber — Commentaires de la directrice des opérations sur la justification des coûts IA lors de la conférence analystes du T1 2026
