BNEXT Prendre rendez-vous
Ressources›Vision

Faut-il prévoir un coup de frein à l'adoption de l'IA dans les entreprises ?

Nicolas Kennel
Nicolas Kennel 13 août 2026

Depuis deux ans, l'intelligence artificielle générative s'est installée dans les entreprises avec une promesse relativement simple : accéder, pour quelques dizaines d'euros par mois et par utilisateur, à des capacités qui semblaient encore inimaginables quelques années auparavant.

ChatGPT, Claude, Gemini, Copilot, Mistral et les différents Copilots AI ont largement contribué à cette première phase d'adoption. Pourtant, derrière cette simplicité apparente, un changement beaucoup plus profond est en cours.

Nous passons progressivement de l'IA utilisée par un humain à l'IA intégrée dans les processus de l'entreprise. Et cette évolution pourrait profondément modifier l'équation économique.

Lorsque l'IA devient une API, un agent, un outil de recherche, un système de traitement documentaire ou une brique d'automatisation, son coût n'est plus seulement celui d'un abonnement mensuel. Il devient aussi un coût de consommation. Plus l'IA travaille, plus elle consomme.

La question mérite donc d'être posée : cette évolution pourrait-elle provoquer un coup de frein à l'adoption de l'IA dans les PME et ETI ?

Je pense qu'un ralentissement est possible. Je pense également qu'il pourrait être temporaire et, paradoxalement, plutôt sain. Car derrière cette question du coût se joue quelque chose de beaucoup plus important : le passage de l'expérimentation à une véritable stratégie IA.

Une adoption qui accélère fortement

Bpifrance Le Lab indiquait début 2025 que 31 % des TPE-PME françaises utilisaient l'IA générative, contre 15 % environ un an auparavant. L'adoption augmentait avec la taille de l'entreprise : 29 % des TPE de 1 à 9 salariés l'utilisaient, contre 53 % des PME de 100 salariés et plus.

L'accélération s'est poursuivie. En février 2026, Bpifrance indiquait que 55 % des TPE-PME utilisaient désormais des IA génératives à fin 2025, contre 31 % fin 2024. 17 % déclaraient un usage régulier.

L'étude plus large menée par Bpifrance Le Lab auprès de 1 209 dirigeants de PME et ETI montrait également que 58 % considèrent l'IA comme un enjeu de survie à moyen terme, alors que seulement 32 % déclaraient effectivement l'utiliser au moment de l'enquête. Autre information révélatrice : parmi les PME et ETI utilisatrices, 54 % avaient recours à une solution gratuite.

Ce dernier chiffre mérite que l'on s'y attarde. Il montre qu'une partie importante de l'adoption actuelle repose encore sur une économie de découverte : abonnements individuels, versions gratuites, assistants généralistes, expérimentations personnelles. Nous ne sommes pas encore partout dans une logique d'industrialisation. Et c'est précisément lorsque cette industrialisation commence que la question économique change.

De l'abonnement à la consommation

Un collaborateur qui utilise un assistant conversationnel est relativement simple à budgéter : 50 collaborateurs × X euros par mois donnent une dépense annuelle relativement prévisible. Un agent IA fonctionnant dans un processus métier obéit à une autre logique. Pour accomplir une mission, il peut :

recevoir une demande
rechercher des informations
analyser plusieurs documents
interroger une base de connaissances
appeler un modèle de langage
utiliser un outil externe
raisonner sur le résultat
effectuer une nouvelle recherche
contrôler sa réponse
appeler éventuellement un second modèle
recommencer certaines étapes en cas d'échec

Une action métier ne correspond donc plus nécessairement à une requête IA. Et certains usages avancés, notamment ceux utilisant davantage de raisonnement, de contexte ou plusieurs étapes agentiques, peuvent fortement augmenter le nombre de tokens et de calculs nécessaires.

Une étude publiée en 2025 sur la consommation énergétique de l'inférence illustre bien ce phénomène : dans les scénarios utilisant beaucoup plus de calcul au moment de la réponse, l'augmentation du nombre de tokens peut faire croître très fortement les ressources nécessaires par requête.

La conséquence économique est importante : l'IA introduit progressivement dans le système d'information une nouvelle catégorie de coûts variables. Cela pourrait surprendre certaines entreprises habituées au modèle SaaS classique.

Le vrai sujet ne sera bientôt plus le prix de l'abonnement

Imaginons une PME qui automatise progressivement la qualification des emails entrants, la préparation des devis, l'analyse des appels d'offres, le support client, la recherche documentaire, certaines tâches administratives, la préparation des rendez-vous commerciaux.

Le dirigeant ne pourra plus simplement demander « Combien coûte notre abonnement IA ? ». Il devra progressivement poser une autre question : « Combien nous coûte l'IA pour réaliser ce processus ? » C'est un changement fondamental.

Prenons un exemple fictif. Une automatisation traite 10 000 demandes clients par mois. L'ensemble des coûts IA associés représente 1 800 €. L'entreprise pourra alors commencer à raisonner ainsi : coût IA par demande, 0,18 €. Si cette automatisation permet d'économiser 800 heures de travail et d'améliorer le délai de réponse, le coût de 1 800 € devient secondaire. À l'inverse, si elle ne produit presque aucune valeur mesurable, même 500 € peuvent être trop chers.

La bonne question n'est donc pas « L'IA est-elle chère ? » mais « Quelle valeur produit chaque euro consommé par l'IA ? »

Vers un FinOps de l'IA ?

Nous avons connu cette évolution avec le cloud. La facilité de consommation du cloud a progressivement fait apparaître la nécessité de suivre, affecter, prévoir et optimiser les dépenses. C'est l'une des raisons du développement du FinOps. Le même mouvement commence à toucher l'IA : en 2026, la FinOps Foundation a d'ailleurs élargi sa réflexion au-delà du seul cloud vers la notion plus large de Technology Value, l'IA prenant une place croissante dans les préoccupations des praticiens.

Je pense donc que les entreprises devront progressivement développer ce que l'on pourrait appeler un AI FinOps. Pas nécessairement avec une nouvelle armée de consultants ou des tableaux de bord gigantesques. Pour une PME, quelques indicateurs pourraient suffire :

coût IA par processus, par document, par client, par tâche
temps économisé
valeur produite
ratio valeur/coût

L'IA ne sera alors plus considérée uniquement comme un outil informatique. Elle deviendra une ressource économique mesurable.

Alors oui, il pourrait y avoir un coup de frein

Lorsqu'une entreprise découvrira qu'un déploiement agentique à grande échelle génère une facture variable difficile à prévoir, certains projets seront probablement reconsidérés. Gartner estimait en 2025 que plus de 40 % des projets d'IA agentique pourraient être abandonnés d'ici fin 2027, notamment en raison de l'augmentation des coûts, d'une valeur métier insuffisamment claire et de contrôles de risques inadéquats.

Il faut cependant interpréter ce type de prévision avec prudence : elle ne signifie pas que 40 % de l'IA agentique va disparaître. Elle indique surtout que l'enthousiasme technologique ne suffit plus lorsque l'on passe à l'industrialisation. Et c'est plutôt une bonne nouvelle, car la question du ROI revient enfin au centre.

L'effondrement du coût de l'intelligence

Au moment même où les entreprises commencent à prendre conscience du coût de consommation de l'IA, le coût nécessaire pour obtenir un niveau donné de performance diminue extrêmement rapidement.

Epoch AI a étudié l'évolution des prix permettant d'atteindre différents niveaux de performance sur plusieurs benchmarks. Selon les tâches considérées, ces prix ont diminué historiquement à des rythmes allant de 9 à 900 fois par an. Les auteurs précisent que les diminutions les plus spectaculaires sont récentes et qu'il serait imprudent de supposer qu'elles se poursuivront au même rythme.

Une autre étude publiée fin 2025, s'appuyant notamment sur les données d'Epoch AI et d'Artificial Analysis, estime que le prix nécessaire pour atteindre un niveau donné de performance a diminué d'environ 5 à 10 fois par an sur la période étudiée.

Il ne s'agit pas nécessairement de dire « Le même modèle coûtera dix fois moins cher l'année prochaine ». Cela signifie plutôt : « Le niveau d'intelligence qui nécessitait hier un modèle très coûteux peut progressivement être obtenu avec un modèle beaucoup moins cher. » Cette distinction est essentielle pour les entreprises.

Le meilleur modèle du monde n'est pas nécessairement le meilleur modèle pour l'entreprise

Une PME n'a pas besoin du modèle le plus puissant disponible pour chacune de ses tâches. A-t-on besoin d'un modèle de raisonnement extrêmement sophistiqué pour classer un email, extraire un numéro de facture, identifier une catégorie de produit, résumer un compte rendu, router une demande client ? Probablement pas.

La logique économique de demain sera donc probablement d'utiliser le modèle suffisant plutôt que systématiquement le modèle le plus puissant. Les architectures pourront combiner plusieurs catégories :

modèle premium pour les tâches complexes
modèle économique pour les tâches courantes
petit modèle spécialisé
modèle open-weight
éventuellement modèle local pour certains usages

C'est ce que j'appelle la logique du bon modèle pour la bonne tâche.

De nouveaux acteurs vont continuer d'arriver

Le marché actuel ne se limite déjà plus à OpenAI. Anthropic, Google, Mistral, Meta, DeepSeek, Alibaba et d'autres acteurs contribuent à une concurrence extrêmement forte. Elle ne porte plus uniquement sur la puissance des modèles, mais aussi sur le coût, la vitesse, la taille des modèles, la consommation, la spécialisation, le déploiement local, les modèles ouverts, la souveraineté et l'intégration dans les logiciels existants.

Il est raisonnable d'envisager qu'à horizon 1 à 2 ans apparaissent encore de nouveaux acteurs, de nouvelles architectures et de nouvelles offres économiques. C'est une hypothèse prospective, pas une certitude. En revanche, la tendance historique de baisse du coût nécessaire pour atteindre un niveau donné de performance est, elle, documentée.

Voilà le paradoxe

D'un côté, la consommation globale d'IA dans l'entreprise risque d'exploser. De l'autre, le coût unitaire permettant d'obtenir une capacité donnée diminue rapidement. Ces deux phénomènes peuvent parfaitement coexister. Nous l'avons déjà vécu avec l'informatique, le stockage ou le cloud : une ressource devient moins chère, donc nous en consommons beaucoup plus.

L'enjeu pour les PME et ETI ne sera donc probablement pas simplement de réduire le prix du token. Il sera de maîtriser la multiplication des usages.

Faut-il alors attendre deux ans ?

Non. Et pourtant, je ne conseillerais pas non plus à une PME d'investir massivement aujourd'hui dans des infrastructures ou des architectures extrêmement rigides. La période actuelle me semble au contraire idéale pour : préparer, adopter, cadrer, expérimenter et mesurer.

Parce que les technologies peuvent changer extrêmement rapidement. Les compétences, elles, se construisent progressivement. Les données doivent être préparées. Les processus doivent être compris. Les collaborateurs doivent apprendre. Les dirigeants doivent acquérir une culture suffisante pour décider. La gouvernance doit se mettre en place. Les cas d'usage doivent être découverts dans le fonctionnement réel de l'entreprise. Et cette préparation prend du temps.

La réglementation européenne renforce d'ailleurs cette nécessité d'acculturation. L'article 4 de l'AI Act impose aux fournisseurs et déployeurs de systèmes d'IA de prendre des mesures afin d'assurer un niveau suffisant de maîtrise de l'IA chez les personnes concernées par leur utilisation. Cette obligation est applicable depuis février 2025. Former et acculturer n'est donc plus seulement une bonne pratique de transformation : cela entre aussi dans le paysage réglementaire européen.

2026-2028 : investir moins dans les certitudes technologiques et davantage dans les capacités

Face à l'incertitude technologique, une entreprise pourrait être tentée d'attendre. « Les modèles seront meilleurs dans deux ans. » Probablement. « Ils seront moins chers. » C'est plausible. « De nouveaux acteurs vont apparaître. » Très probablement.

C'est une raison pour éviter certains investissements irréversibles. Ce n'est pas une raison pour arrêter d'apprendre.

Je distinguerais deux catégories d'investissements. Les investissements technologiques à surveiller : engagement très long auprès d'un fournisseur unique, dépendance forte à un modèle propriétaire, architecture difficilement réversible, automatisations massives sans mesure de ROI. Sur ces sujets, la prudence est parfaitement rationnelle.

Les investissements que je considère comme beaucoup plus durables :

Former les collaborateurs
Acculturer les dirigeants
Cartographier les usages
Identifier le Shadow AI
Créer une gouvernance
Classifier les données et améliorer leur qualité
Documenter les processus
Expérimenter sur de petits périmètres
Mesurer la valeur créée
Apprendre à comparer les modèles
Préparer la réversibilité
Développer une culture de l'expérimentation

Ces investissements conserveront leur valeur même si le meilleur modèle de 2028 n'existe pas encore aujourd'hui.

C'est là que se créera l'écart entre les entreprises

Imaginons deux PME en 2028. Elles ont accès exactement au même modèle, dix fois moins cher que les solutions disponibles quelques années auparavant et nettement plus performant.

Entreprise A a attendu que le marché se stabilise. Elle commence à former ses collaborateurs. Elle découvre ses problèmes de données. Elle cherche ses premiers cas d'usage. Elle commence à réfléchir à la confidentialité. Elle découvre que certains collaborateurs utilisent déjà différentes IA sans cadre. Elle doit maintenant comprendre quels processus pourraient être transformés.

Entreprise B expérimente depuis deux ans. Ses collaborateurs connaissent les forces et les limites de l'IA. Ses données critiques sont identifiées. Ses principaux processus sont documentés. Elle connaît ses cas d'usage, mesure déjà certains gains et dispose d'un cadre d'utilisation. Elle sait distinguer les tâches nécessitant un modèle puissant de celles pouvant utiliser un modèle économique. Elle a pensé son architecture pour pouvoir changer de fournisseur.

Les deux entreprises disposent de la même technologie. Elles ne disposent absolument pas de la même capacité à l'exploiter.

Les études sur l'adoption de l'IA vont déjà dans cette direction : les organisations qui obtiennent le plus de valeur ne se contentent pas d'ajouter des outils, elles repensent davantage leurs workflows et leurs modes de fonctionnement.

L'adoption n'est pas la transformation

Donner accès à ChatGPT, Claude, Gemini ou un autre assistant à ses collaborateurs est utile. Former au prompting est utile. Ce sont pourtant des premières marches. La question stratégique suivante sera beaucoup plus profonde :

Pourquoi ce processus fonctionne-t-il ainsi ?
Quelles tâches doivent réellement continuer d'exister ?
Lesquelles doivent rester humaines ?
Lesquelles peuvent être augmentées par l'IA ?
Lesquelles pourront être confiées à des agents ?
Lesquelles peuvent tout simplement disparaître ?

Et surtout : que faisons-nous du temps et de la capacité ainsi libérés ? C'est là que commence la véritable transformation.

Ma conviction

Oui, la tarification à la consommation peut provoquer ponctuellement un coup de frein à certains projets IA. Oui, certaines entreprises découvriront que leurs expérimentations sont plus coûteuses à industrialiser qu'elles ne l'imaginaient. Oui, certains projets agentiques seront probablement abandonnés faute de ROI. Et ce n'est pas nécessairement inquiétant : cela peut être le signe que l'IA entre enfin dans une phase de maturité économique.

Dans le même temps, la baisse spectaculaire des coûts d'inférence, l'arrivée de modèles plus petits, la progression des modèles ouverts, la concurrence internationale et les innovations matérielles rendent très probable la disponibilité d'une intelligence de plus en plus accessible économiquement.

La stratégie gagnante pour une PME ou une ETI ne consiste donc probablement ni à foncer tête baissée, ni à attendre. Elle consiste à avancer par petits pas, tout en construisant les capacités qui seront nécessaires demain. Je la résumerais en quatre verbes :

Préparer l'organisation et ses données
Adopter suffisamment pour apprendre réellement
Cadrer pour protéger l'entreprise et ses collaborateurs
Mesurer pour distinguer l'usage séduisant de l'usage créateur de valeur

Puis transformer lorsque la technologie, l'économie et la maturité de l'organisation le permettront.

Car un dirigeant pourrait parfaitement me dire aujourd'hui : « Pourquoi investir maintenant puisque l'IA sera probablement meilleure et moins chère dans deux ans ? » Ma réponse serait simple : vous avez probablement raison concernant la technologie. Vous auriez tort d'attendre pour préparer votre entreprise. Car dans deux ans, vos concurrents auront probablement accès aux mêmes modèles que vous.

Ce qui fera la différence ne sera peut-être plus l'accès à l'intelligence artificielle. Ce sera la capacité de votre organisation à savoir quoi en faire.

Ne pas nécessairement investir massivement dans l'IA d'aujourd'hui. Investir dès maintenant dans la capacité de l'entreprise à exploiter l'IA de demain.

Principales sources

Bpifrance Le Lab, L'adoption de l'IA générative dans les TPE-PME : 31 % d'utilisateurs fin 2024, différences d'adoption selon la taille des entreprises.
Bpifrance Le Lab, Les entreprises françaises et l'IA : l'aube d'une révolution : 1 209 dirigeants de PME-ETI, 32 % d'entreprises utilisatrices, 58 % considérant l'IA comme un enjeu de survie à moyen terme, 54 % des utilisateurs ayant recours à une solution gratuite.
Bpifrance, février 2026, bilan des dispositifs IA : 55 % des TPE-PME utilisent l'IA générative à fin 2025, contre 31 % fin 2024.
Epoch AI, LLM inference prices have fallen rapidly but unequally across tasks, mars 2025.
Gundlach, Lynch, Mertens & Thompson, The Price of Progress: Algorithmic Efficiency and the Falling Cost of AI Inference, 2025.
FinOps Foundation, State of FinOps 2026 : de la gestion des coûts du cloud vers la notion de Technology Value.
Oviedo et al., Energy Use of AI Inference: Efficiency Pathways and Test-Time Compute, 2025.
Nicolas Kennel
Nicolas Kennel
Conseiller IA des dirigeants et de leurs équipes, fondateur de BNEXT.
Qui est Nicolas Kennel ? →

À lire aussi

Vision
L'IA n'a pas provoqué le crash de l'emploi annoncé. Maintenant, on peut passer aux choses sérieuses ?
17 novembre 2026 · 1 min de lecture

Pas de licenciements en masse, mais un gel : moins d'entrées chez les jeunes de 21 à 29 ans. La vraie question : qui formera les cadres de demain si la première marche de l'échelle disparaît ?

Lire →
Vision
Excel poussé vers la sortie par Claude ?
12 novembre 2026 · 1 min de lecture

Les systèmes d'IA absorbent des fonctions qui faisaient la force des logiciels. Quand l'IA fait ce que faisait le logiciel, la valeur change de place.

Lire →
Toutes les ressources →

Parlons de votre entreprise et de vos équipes.

Un premier échange pour clarifier votre situation et identifier la bonne première marche.

Prendre rendez-vous Diagnostic IA gratuit
BNEXT Révélons l'IA vraiment utile à votre entreprise.
Grand Est Développement, offreur de solutions Data/IA Activateur France Num
Charte pour une IA éthique Mentions légales
© 2024-2026 BNEXT SAS. Tous droits réservés.