Les dépenses mondiales des entreprises en intelligence artificielle ont atteint 581,7 milliards de dollars en 2025, soit une augmentation de 130 % par rapport à l’année précédente, selon le Stanford HAI AI Index. Le taux d’adoption en entreprise a atteint 88 %, le plus élevé jamais enregistré. Et pourtant, moins de 6 % des organisations déclarent obtenir un impact financier significatif de leurs investissements dans l’IA, défini comme une amélioration d’au moins 5 % du résultat avant intérêts et impôts.
L’écart entre le volume des investissements et la réalisation de valeur est plus large que toute mesure comparable dans l’histoire récente des technologies d’entreprise. Un indice développé par Axis Intelligence Research mesurant la distance entre les taux d’adoption et les retours mesurables a obtenu un score de 82 sur 100, ce qui signifie que le décalage structurel est au moins égal à celui observé lors des premiers essors du cloud computing et du big data, mais avec un niveau de dépenses bien plus élevé.
Le problème n’est pas un manque d’ambition. Les entreprises dépensent massivement en GPUs, infrastructure cloud, licences de plateformes d’IA et talents en ingénierie de données. L’enquête McKinsey State of AI de novembre 2025 a révélé que 88 % des organisations avaient déployé l’IA dans au moins une fonction, contre 72 % l’année précédente. Les dépenses sont concentrées au sommet : les entreprises leaders consacrent plus de 80 % de leurs investissements en IA à la refonte de fonctions commerciales entières plutôt qu’à des améliorations progressives de productivité.
Le goulot d’étranglement se situe dans le déploiement en production. Le Pulse Research de VentureBeat de juillet 2026 a révélé que seulement 21 % des organisations exécutent des charges de travail d’IA en production à grande échelle. L’utilisation des GPUs dans les déploiements en entreprise est étonnamment faible : 83 % des répondants ont indiqué que leurs clusters de GPUs fonctionnent à 50 % de capacité ou moins. Seulement 44 % des organisations suivent systématiquement les coûts de calcul ou le retour sur investissement, ce qui suggère que de nombreuses entreprises achètent des infrastructures plus rapidement qu’elles ne peuvent mesurer si celles-ci produisent de la valeur.
Trois barrières structurelles empêchent le passage à l’échelle des projets pilotes. La fragmentation des données est la première : les données d’entreprise sont réparties entre des systèmes sur site, plusieurs fournisseurs cloud et différentes juridictions réglementaires, ce qui rend difficile un déploiement unifié de l’IA. Le fossé des compétences est la deuxième : l’IA en production exige une expertise à l’intersection de la science des données et de l’architecture des systèmes, une combinaison que peu d’équipes IT possèdent. La structure économique de l’acquisition de matériel est la troisième : les entreprises sont confrontées au choix entre d’importantes dépenses d’investissement pour des équipements pouvant devenir obsolètes en deux ans et une facturation cloud à l’usage qui devient prohibitive à grande échelle soutenue.
L’enquête BCG AI Radar auprès de plus de 1 800 cadres dirigeants a révélé que seulement 25 % des entreprises avaient créé une valeur significative à partir de l’IA, et que l’écart entre les leaders et les retardataires de l’IA s’accélérait plutôt que de se réduire. L’analyse de BCG a attribué cette disparité à des facteurs organisationnels : les leaders ont investi dans la gouvernance, les cadres de mesure et la gestion du changement, tandis que les retardataires traitaient l’IA comme un simple exercice d’achat de technologie.
L’écart est également visible dans les chiffres d’utilisation du matériel. Les entreprises qui ont acheté des GPUs pendant la pénurie de 2023-2024 se retrouvent aujourd’hui avec des clusters sous-utilisés, tandis que le prix de la prochaine génération de matériel a doublé. La structure d’incitation favorise l’achat de davantage de matériel plutôt que l’optimisation de ce qui est déjà installé, car les budgets d’acquisition et les budgets opérationnels sont gérés séparément.
L’analyse de TechRadar sur le fossé d’investissement le présente comme un problème de transition. Le secteur de l’IA a dépassé la phase d’expérimentation pour entrer dans une phase d’attentes où les conseils d’administration et les investisseurs veulent voir des résultats mesurables. Les infrastructures, les pratiques de gouvernance et les viviers de talents nécessaires pour produire ces résultats à grande échelle ne sont pas encore en place pour la majorité des organisations qui signent des chèques. La courbe des dépenses et la courbe de la valeur ont divergé, et combler cet écart est le défi opérationnel central de l’IA en entreprise en 2026.
Sources : The AI investment gap (TechRadar, Jul 29) ; Stanford HAI AI Index 2026 (Stanford HAI, 2026) ; McKinsey State of AI 2025 (McKinsey, Nov 2025) ; BCG AI Radar 2025-2026 (BCG, 2026) ; VentureBeat Pulse Research (VentureBeat, Jul 2026)
Traduit par Lydie