L’IA coûte-t-elle plus cher qu’elle ne rapporte ?

Deux ans après la déferlante de l’intelligence artificielle générative, l’heure des bilans comptables a sonné. L’adoption explose et les promesses de gains de productivité sont nombreuses, mais le retour sur investissement, lui, demeure introuvable. Entre dépenses d’infrastructure vertigineuses et opacité des coûts d’usage indexés sur la métrique fluctuante des "tokens", les entreprises font face à une inflation technologique difficilement maîtrisable. "Ce qui est clair, c’est que l’IA permet de réels gains de productivité, de l’ordre de 40 %", nous explique en off le patron d’un grand groupe informatique Français. "Là où il me fallait 100 développeurs hier, je n’en ai plus besoin que de 50, expérimentés. Mais si je peux me passer des profils juniors, il faut tout de même que je continue à en recruter, faute de quoi, d’ici 5 ans, je me mets en danger. À mes 50 développeurs, il faut donc que j’en ajoute 10 débutants, qui vont me coûter sans me rapporter. Et à cela s’ajoutent encore le coût des infrastructures et celui des tokens, pour l’utilisation des IA, sur lequel il est difficile d’avoir de la visibilité. Moralité : si je cumule le coût de mes 50 salariés, plus mes 10 juniors, plus les coûts IT, je ne suis pas certain du tout que cela me coûte moins cher que mes 100 salariés actuels. Et bien malin qui saurait prévoir l’évolution des coûts. Pour l’heure, l’IA reste un pari."

Une position qui résume bien le point de vue actuel de nombreux dirigeants. Si l’IA est toujours vantée comme incontournable, représentant un saut quantique censé doper la productivité globale et redéfinir les frontières de l’efficacité opérationnelle, en ce printemps 2026, l’euphorie du premier effet "waouh" semble bel et bien retombée. L’heure est désormais à une certaine redescente générale : chaque entreprise observe attentivement ce que fait son concurrent avant d’avancer plus loin et, surtout, de dépenser davantage. Car les gains tangibles se font attendre, tandis que la facture, elle, arrive à échéance chaque mois.

Le mirage des gains de productivité et la frustration du ROI

Arnaud Naudan, président du cabinet BDO France, constate ainsi deux types de réaction chez ses 30 000 clients, face à l’intelligence artificielle. D’un côté de l’inquiétude et de l’anxiété, de l’autre, l’espoir de nouvelles opportunités. Sauf que, pour le moment, il estime que l’IA n’a pas fait la preuve d’un réel retour sur investissement : "En réalité, les gains espérés d’efficacité sont difficilement mesurables", estime cet expert de la santé financière des entreprises. Pour lui, pour l’heure, l’IA contribue surtout à la QVT, la qualité de vie au travail, des salariés, en leur donnant des outils qui peuvent leur permettre de simplifier certaines tâches. "On constate une certaine frustration des directions sur le ROI réel de l’IA par rapport aux espoirs. Pour le comment, les gains ne sont pas là".

La question des bénéfices réels de l’IA réside dans la nature même des gains de productivité affichés. Certes, l’IA générative permet d’écrire un code informatique 40 % plus vite, de synthétiser des rapports juridiques en quelques secondes ou de générer des campagnes marketing personnalisées en un clic. Mais ces gains de temps se traduisent-ils automatiquement par des économies ou par une création de valeur mesurable ? La réponse est nuancée, pour ne pas dire négative. "Les entreprises constatent ce que les économistes appellent un effet de surproduction de documents ou de tâches, explique un consultant du Boston Consulting Group (BCG). On produit plus, on produit plus vite, mais on ne réduit pas les coûts fixes. On assiste plutôt à une inflation du volume de données traitées en interne sans que le chiffre d’affaires n’en soit directement impacté."

C’est également ce que constate le directeur du numérique et de la transformation d’une grande banque française : "C’est vrai que ça devient facile de produire toujours plus, mais la dépense, elle, elle est bien matérielle. Le risque, c’est celui du toujours plus, qui ne crée pas de valeur. Toujours plus de technologie, mais aussi de complexité et de dépenses. Nous avons donc un gros travail à faire en matière d’optimisation. Nous sommes donc paradoxalement dans un moment où il faut plutôt chercher à faire le juste nécessaire. Et nous ne dépensons que si nous sommes certains que cela va créer réellement de la valeur."

Difficile réalité comptable

Le baromètre annuel du cabinet BCG sur l’IA, actualisé au début de l’année 2026, met ainsi à jour une réalité comptable difficile : les organisations prévoient de consacrer en moyenne 1,7 % de leur chiffre d’affaires à l’IA cette année (contre seulement 0,8 % en 2025). Selon les chiffres du cabinet Gartner, les dépenses mondiales en IA devraient atteindre 2 590 milliards de dollars en 2026, soit une augmentation de 47 % par rapport à l’année précédente. Illustration de cette inflation des coûts de l’IA, chez L’Oréal, les dépenses en matière de technologie dépassent désormais les dépenses pour la recherche – pourtant historiquement essentielles chez le géant mondial de la beauté. Face à ces dépenses, une note sectorielle de Gartner révèle que seuls 36 % des directeurs financiers se disent aujourd’hui confiants dans la capacité de ces investissements à générer des résultats financiers nets et quantifiables. Le problème de fond est structurel : moins de 21 % des entreprises ayant déployé l’IA générative ont réellement repensé et restructuré leurs processus de travail opérationnels. Or injecter des outils algorithmiques coûteux dans des structures anciennes, sans en modifier l’organisation, revient à rouler en voiture de course dans des embouteillages urbains.

L’équation complexe et volatile du "token"

Pour comprendre pourquoi la facture opérationnelle de l’IA échappe si facilement au contrôle des directions informatiques et financières, il faut se pencher sur l’unité de mesure de cette économie : le token. Contrairement aux logiciels traditionnels facturés sous forme de licences fixes annuelles ou d’abonnements par utilisateur (SaaS), la tarification de l’IA générative repose en grande partie sur une logique de facturation à la consommation, indexée sur ces fameux tokens. Un token peut être défini comme une unité de base textuelle ou numérique qu’un grand modèle de langage (LLM), comme Chat GPT, Claude ou Gemini, utilise pour traiter et générer des informations. Pour simplifier, un token équivaut environ à quatre caractères en français, ou aux trois quarts d’un mot. Chaque fois qu’une entreprise interroge une IA (ce qu’on appelle la requête ou le prompt) et chaque fois que celle-ci répond (l’output), des milliers de tokens sont consommés. Sachant que les prix de ces tokens varient fortement selon le fournisseur et le type d’abonnement. Pour la dernière version de Chat GPT, le prix grand public actuellement affiché est de 5 dollars pour 1 million de tokens.

Risques tarifaires majeurs

Cette mécanique tarifaire introduit trois risques majeurs pour les budgets des entreprises. Plus la requête d’un collaborateur est complexe et intègre des documents d’analyse volumineux, plus cela consomme de tokens. Ensuite, cette consommation est difficile à prévoir : contrairement à un abonnement fixe, le coût mensuel dépend du comportement des utilisateurs. Enfin, les IA elles-mêmes peuvent consommer des tokens, dans le dos des utilisateurs : avec l’émergence des systèmes d’agents autonomes, les machines dialoguent entre elles pour résoudre un problème, un agent IA en sollicitant un autre, qui va lui-même effectuer une recherche, entraînant des cascades de requêtes et une consommation de tokens hors de tout contrôle humain direct.

Certes, le coût unitaire du token pour les modèles standards a drastiquement chuté depuis deux ans grâce à l’optimisation des puces et à la concurrence de modèles open source. Mais cette baisse du prix unitaire est largement contrebalancée par une explosion des volumes consommés : la baisse des prix stimule un tel usage que la facture globale finale augmente.

Importants coûts cachés

Et ce n’est pas tout : le coût d’usage et l’abonnement aux interfaces ne représentent en réalité que la partie émergée de l’iceberg financier. L’industrialisation de l’IA implique des investissements périphériques que beaucoup d’organisations avaient sous-estimés lors de la phase des prototypes. Le premier poste de dépense imprévu concerne la structuration de la donnée. Pour qu’une IA générative soit pertinente et ne subisse pas d’"hallucinations" (génération de fausses informations), elle doit être connectée aux bases de données internes de l’entreprise. Bases qui doivent être fiables et exploitables. Or, nettoyer, catégoriser, sécuriser et mettre à jour ces bases de données exige des investissements massifs en data ingénierie. Le second poste critique concerne la cybersécurité. L’intégration de l’IA ouvre de nouvelles failles de sécurité majeures : fuites de données confidentielles via les requêtes des employés, attaques par empoisonnement des modèles ou usurpations d’identité sophistiquées. Toujours selon les données de Gartner, les dépenses mondiales dédiées spécifiquement à la cybersécurité de l’IA vont doubler entre 2025 et 2026, passant de 25,9 milliards à plus de 51,3 milliards de dollars. Une sorte de prime d’assurance obligatoire qui alourdit considérablement le coût total.

Robotisation et abondance de main-d’œuvre virtuelle

Face à cela, des gains existent, heureusement. C’est notamment le cas avec la robotisation, désormais dopée à l’IA. Selon Pascale Fung, cofondatrice et directrice de l’innovation et de la recherche d’AMI Labs, la licorne française créée par Yann Le Cun, interrogée lors de l’AgentForceTour organisé porte de Versailles par Salesforce, "la robotisation est un axe majeur de développement de l’IA. Aujourd’hui, le coût des robots est en baisse de 40 à 50 % d’une année sur l’autre. Et les nouvelles générations de robots, nourris à l’IA, permettent des gains de productivité de 30 % sur l’ensemble des opérations industrielles." Si les coûts poursuivent leur baisse, viendra effectivement un moment où le recours aux IA sera rentable. Quand ? Pour le moment, personne n’est vraiment capable de le prédire.

Au-delà des stricts gains de productivité, l’IA permettrait surtout d’atteindre une forme d’"abondance" jusqu’ici difficile à imaginer. "Aujourd’hui, grâce aux modèles algorithmiques, les organisations deviennent capables de réaliser des tâches à un coût incrémental quasi nul, des actions qu’il était techniquement et financièrement impossible de déployer massivement par le passé", explique ainsi Sylvain Duranton, Global leader pour le cabinet BCG X. "Par exemple, dans la relation client, aux États-Unis aujourd’hui, il y a des entreprises qui travaillent pour les services de santé et qui ont développé des agents IA pour contacter les patients qui sortent de l’hôpital et s’assurer que tout se passe bien. Ce sont des IA avec des voix de synthèse, qui téléphonent aux patients. L’avantage, c’est que vous avez quelqu’un qui est toujours de bonne humeur, qui connaît le dossier médical en intégralité, qui ne part jamais en vacances, qui peut parler 5 minutes pour vérifier que tout va bien mais qui peut rester aussi en ligne et parler une demi-heure si jamais c’est nécessaire, sans que cela ne pose de problème de ressource ou de coût. Quand il y a une vague de chaleur à New York, ces IA sont déjà capables d’appeler des centaines de milliers de personnes de plus de 70 ans pour vérifier si elles ont des symptômes de déshydratation ou pas et voir s’il y a besoin d’intervention humaine. C’est la même chose avec le code, qu’on peut produire en abondance."

Quantité ou qualité ?

En abondance, certes, mais pas toujours avec la qualité attendue. "Une des questions qui se pose beaucoup actuellement, c’est celle de la réplicabilité", explique un expert du secteur. "Les modèles actuels ont dû mal à reproduire les mêmes réponses lorsqu’on leur pose plusieurs fois la question, ou à plusieurs jours d’intervalle." Pour des secteurs exigeants comme la finance ou le juridique, cette absence de déterminisme et cette instabilité des réponses représentent un risque opérationnel lourd, difficilement compatible avec les exigences de conformité. Ce que confirme notre DSI dans la banque : "Pour l’instant, les modèles fonctionnent plutôt bien à petite échelle, avec des petites équipes. Mais dès que vous voulez passer à l’échelle de grandes entreprises, même les meilleurs se cassent le nez dessus. Cela milite donc pour faire pour l'instant des choses chirurgicales, adaptées à des petits périmètres, plutôt que de déployer massivement, avec des coûts importants et sans garantie de retour sur investissement."

Cette incertitude quant aux projections futures se reflète également dans la vision qu’ont les dirigeants de l’évolution de leurs propres masses salariales. Émilie Sidiquian, patronne de Salesforce en France, rapportait, à l’occasion du récent AgentForceTour, une étude menée aux États-Unis auprès de différents patrons interrogés sur l’avenir de leurs effectifs à l’horizon 2030 : "On leur a demandé, si vous avez 10 000 salariés aujourd’hui, combien pensez-vous que vous en aurez en 2030 ? Une partie a répondu 500 ou moins, parce que tout aura été automatisé. Mais d’autres ont estimé qu’ils pourraient être 25 000, grâce aux nouveaux marchés, aux nouvelles compétences, aux nouvelles possibilités apportées par l’IA et ses agents." Sur la question des effectifs, notre patron français d’un grand groupe informatique a lui aussi sa vision : "Demain, les DRH géreront les ETP, le personnel et la masse salariale. Et les DSI, les agents IA et les tokens. On va clairement assister à une réduction des effectifs, avec une vague annoncée dans les trois ou quatre prochaines années. Mais on n’est incapable de dire, en face, quelles seront les économies réellement réalisées." Un pari… à l’issue toujours incertaine.