Mi-octobre 2026, les marchés ont envoyé un message sans ambiguïté. En six séances, les fabricants américains de semi-conducteurs ont perdu environ 1 600 milliards de dollars de capitalisation boursière. La chute de CoreWeave, spécialiste des infrastructures d’IA lourdement endetté, et des ventes d’Anthropic moins dynamiques que prévu ont ravivé une question : les investissements colossaux dans l’IA seront-ils rentables ? Pour les entreprises utilisatrices, la leçon est différente, mais tout aussi nette.
Ce qui s’est passé
- Un repli marqué des valeurs de l’IA : les fabricants de puces, les spécialistes des centres de données et les fournisseurs d’équipements électriques ont reculé, en Bourse américaine comme européenne.
- Des doutes sur le financement des centres de données : certains acteurs de l’infrastructure ont fortement emprunté pour construire leurs capacités, ce qui fragilise leur modèle quand les taux sont élevés.
- Des revenus qui progressent moins vite que prévu chez certains éditeurs de modèles, ce qui interroge sur le rythme d’adoption payante.
Ce mouvement ne dit rien de l’utilité de l’IA en entreprise. Il dit que les investisseurs veulent désormais voir des revenus, pas seulement des promesses.
À retenir : ce que la Bourse demande aux géants de l’IA, vos directions financières vont le demander à vos projets : des résultats mesurables.
La fin de l’expérimentation sans fin
Sur le terrain, nous voyons la même évolution. Après deux ans de preuves de concept, les directions générales posent des questions simples : combien de temps gagné, quelle erreur évitée, quel chiffre d’affaires généré, à quel coût ? Les projets qui n’ont pas prévu de mesurer leur valeur peinent à passer en production.
Cinq réflexes pour des projets d’IA qui rapportent
1. Partir d’un processus et d’un indicateur
Un bon projet d’IA commence par un processus métier (traitement des factures, réponse aux clients, prévision des ventes) et un indicateur de référence mesuré avant le projet. Sans point de départ, pas de gain démontrable.
2. Calculer le coût complet
Appels aux modèles, infrastructure, intégration, supervision, accompagnement des équipes : le coût d’usage d’une IA générative peut surprendre à grande échelle. Suivez-le par cas d’usage dès le pilote.
3. Choisir le bon modèle, pas le plus gros
Beaucoup de tâches sont bien faites par des modèles plus petits et moins chers, parfois hébergés en interne. Réservez les modèles les plus puissants aux tâches qui le justifient.
4. Soigner les données
La plupart des déceptions viennent des données : documents mal tenus, référentiels en doublons, accès mal gérés. Une IA branchée sur des données fiables produit des résultats fiables. C’est le cœur de notre approche de la donnée prête pour l’IA.
5. Industrialiser ce qui marche
Un cas d’usage rentable doit être supervisé, versionné et maintenu, comme n’importe quelle application critique. C’est le rôle du MLOps.
| Étape | Question à se poser | Indicateur type |
|---|---|---|
| Cadrage | Quel processus, quel gain attendu ? | Temps de traitement, taux d’erreur |
| Pilote | Le gain est-il mesurable sur un périmètre réduit ? | Gain mesuré contre la référence |
| Coûts | Combien coûte chaque usage ? | Coût par requête, par dossier traité |
| Production | Le gain tient-il dans la durée ? | Suivi mensuel, qualité des réponses |
Faut-il ralentir ?
Non. Un repli boursier n’est pas une raison de geler des projets utiles. C’est plutôt une raison de les choisir mieux : moins de démonstrations spectaculaires, plus de cas d’usage mesurés. Les baisses de prix liées à la concurrence entre fournisseurs, comme le montrent les annonces de la semaine (voir l’essentiel IA du 12 octobre), peuvent même améliorer la rentabilité de vos projets.
Questions fréquentes
Comment mesurer le retour sur investissement d’un projet d’IA ?
En comparant un indicateur métier avant et après, sur un périmètre défini, et en mettant en face le coût complet du projet et de son usage.
Quels cas d’usage rapportent le plus vite ?
Ceux qui traitent de gros volumes répétitifs avec des règles claires : extraction de documents, tri de demandes, recherche dans une base documentaire, contrôles de qualité des données.
Le repli des marchés va-t-il faire baisser les prix de l’IA ?
Pas directement. Mais la concurrence entre fournisseurs et l’arrivée de puces spécialisées poussent les coûts d’usage à la baisse à moyen terme.
Vous voulez cadrer des projets d’IA qui prouvent leur valeur ? Notre audit identifie les cas d’usage rentables et les prérequis data. Parlons de vos priorités.
Sources
Pour aller plus loin : Intelligence artificielle : stratégie, IA générative et agents →
