AI4IT vs AI4Business : le renversement, et ce qu'il fait à vos budgets 2027

En 2024, nous pariions tous sur l'IA dans les processus métier. Deux ans plus tard, je construis des budgets 2027 avec des dirigeants, et le constat s'est inversé : c'est l'IA appliquée à la production du système d'information qui crée la valeur mesurable. Voici pourquoi, et ce que ça change pour vos arbitrages.

Le pari de 2024

Souvenons-nous du consensus de 2024. L'intelligence artificielle générative allait transformer le métier : un copilote pour chaque commercial, un agent pour chaque service client, une IA dans la finance, le marketing, les opérations. C'était l'AI4Business — l'IA déversée dans les processus de l'entreprise. La promesse de productivité se chiffrait en dizaines de points, et tout le monde voyait là le grand gisement de valeur. L'IA pour produire du logiciel — l'AI4IT — passait pour un sujet d'ingénieurs, utile mais périphérique.

Deux ans plus tard, les chiffres ont tranché. Et ils ont tranché à l'envers.

La déception AI4Business

Commençons par un signal qu'il faut savoir lire. On cite encore, partout, cette étude du MIT de 2025 : 95 % des pilotes d'IA générative en entreprise ne produiraient aucun ROI mesurable, malgré 30 à 40 milliards de dollars investis. Je suis l'un des premiers à en dénoncer la méthode — l'échantillon, la définition floue du « ROI », et surtout l'âge : à l'échelle de ce marché, un chiffre de 2025 est déjà une antiquité. Et pourtant elle continue de résonner. C'est cela, le vrai signal. Si une étude aussi contestable garde autant d'écho, c'est qu'elle met des mots sur une insatisfaction réelle : beaucoup de dirigeants ne voient toujours pas la valeur promise de l'IA dans leurs processus métier. Le symptôme est vrai même quand le chiffre est faux — et c'est le symptôme qui compte. Pendant que les directions peinent à industrialiser leurs pilotes, les salariés, eux, ont déjà adopté l'IA au quotidien avec leurs outils personnels : le shadow AI prospère exactement là où le projet officiel s'enlise.

Le mot d'un directeur des opérations industrielles, cité dans l'étude, résume la dissonance : « Le buzz sur LinkedIn dit que tout a changé ; dans nos opérations, rien de fondamental n'a bougé. »

Pourquoi ce blocage ? Pas par manque de modèle — la technologie est la partie facile. Le blocage est organisationnel. Ethan Mollick l'a formulé avec le problème hayékien : l'information utile dans une entreprise est tacite, distribuée, contextuelle ; une intelligence centrale, même brillante, ne s'y déploie pas toute seule. Greffer un agent probabiliste sur un processus métier suppose des données classifiées, une chaîne de responsabilité claire, une intégration aux systèmes existants et une refonte des workflows. C'est lent, c'est politique, et personne ne veut être celui qui répond quand l'agent se trompe sur une décision client. L'AI4Business n'est pas mort — il est simplement plus difficile et plus lent qu'on ne l'avait juré.

Le renversement AI4IT

Pendant que l'AI4Business cherchait son ROI, l'AI4IT l'a trouvé. Et là, les preuves ne viennent plus de slides marketing mais de retours d'expérience chiffrés, publiés par des organisations crédibles :

Le contraste est brutal. D'un côté, 95 % de pilotes métier sans ROI. De l'autre, des gains de 2× à 10× sur la production logicielle, payés en moins d'un an. Comme je le disais sur BFM en mai : l'IA est aujourd'hui 2 à 10× plus efficace sur la production de code — c'est la réalité, il faut l'accepter.

Pourquoi ce n'est pas un hasard

Le retournement n'est pas une surprise une fois qu'on en comprend le mécanisme. L'IA excelle là où le produit est du texte structuré et vérifiable, et où existe une boucle de vérification immédiate. Or c'est exactement la nature du logiciel : on compile, on teste, on déploie en intégration continue, on revoit, on encadre par des garde-fous déterministes. Quand l'agent se trompe, le test casse en quelques secondes. Le code est le terrain de jeu idéal de l'IA parce qu'il se vérifie tout seul.

Le processus métier, lui, n'a ni compilateur ni suite de tests. Sa « vérité » est diffuse, sa responsabilité est juridique, ses données sont rarement classifiées. La boucle de feedback se compte en semaines et en réunions, pas en secondes.

Autrement dit : avec l'AI4IT, on outille ceux qui savent déjà outiller. On accélère une fonction — l'ingénierie — qui maîtrise déjà la mesure, l'automatisation et le contrôle qualité. C'est pour ça que ça prend, et que ça prend vite. Et c'est aussi pour ça que l'AI4Business viendra après : il sera tiré par les capacités — plateformes, agents, FinOps, culture — que les organisations auront construites en faisant leur AI4IT.

La conséquence économique : vos budgets 2027

C'est ici que je passe le plus de temps en ce moment, et c'est le plus bel exercice de l'année : aider des dirigeants à bâtir leurs budgets 2027. Le renversement AI4IT s'y traduit par trois ruptures comptables.

1. Le coût bascule du CapEx vers l'OpEx — et il devient variable et non déterministe. Hier, on capitalisait des licences et des serveurs. Demain, la consommation de tokens devient une ligne OpEx qui respire avec l'usage. Et elle respire fort : deux workflows en apparence identiques peuvent coûter 5 à 10× l'un de l'autre sans erreur visible. Le coût croît en O(n²) avec la taille du contexte ; les ré-essais sur les tâches qui échouent gonflent la facture ; un agent surdimensionné sur une tâche triviale, à l'échelle, devient « un problème de niveau conseil d'administration » (Jaya Gupta, Token Budget Wars). Un budget 2027 qui traite le token comme une charge fixe se trompe de modèle. C'est tout l'enjeu de l'économie CapEx/OpEx de l'usine logicielle.

L'ordre de grandeur n'a rien d'anecdotique. Arthur Mensch, cofondateur et CEO de Mistral AI, l'a posé sans détour lors de son audition devant la commission d'enquête de l'Assemblée nationale sur les vulnérabilités numériques (mai 2026) : en adopteur précoce, Mistral consacre déjà ~10 % de sa masse salariale au budget tokens — et Mensch en fait une projection macro, à terme, pour les organisations comme pour l'économie. Autrement dit, ce n'est pas une ligne d'expérimentation qu'on loge dans un budget innovation — c'est une ligne structurelle, du même ordre de grandeur que les grands postes de l'entreprise, qu'il faut piloter comme tel dès 2027.

2. Le prix du token ne s'effondre pas mécaniquement — et c'est un double piège. Deux forces s'opposent. D'un côté, à capacité donnée, le coût d'inférence s'effondre — il a été divisé par ~280 en deux ans (Stanford AI Index, nov. 2022 → oct. 2024). De l'autre, le prix de la pointe, lui, monte : le modèle le plus capable d'Anthropic, Fable 5, est facturé deux fois plus cher qu'Opus 4.8 — $10 / $50 le million de tokens (entrée / sortie) contre $5 / $25 — parce que le raisonnement long et le travail agentique consomment davantage, et que la frontière se paie. Tabler sur « le token sera moins cher l'an prochain » est donc faux dès qu'on veut le meilleur modèle. La vraie pression baissière viendra d'ailleurs : des modèles ouverts — GLM-5.2 à ~$1,40 / $4,40, soit ~1/6 du prix d'un modèle propriétaire de frontière, et zéro coût marginal une fois auto-hébergé (poids MIT) — et des machines d'inférence de bureau (NVIDIA DGX Spark à ~4 000 $, 128 Go, jusqu'à 200 milliards de paramètres ; Mac M5 Max) qui rapatrient l'inférence en CapEx fixe. Et quand bien même le prix unitaire baisse, le paradoxe de Jevons joue : plus le token est bon marché, plus on en consomme — la consommation grimpe plus vite que le prix ne tombe. La vraie question budgétaire n'est donc pas « combien coûtera le token l'an prochain ? » mais « combien me coûte un résultat ? » Salesforce a tranché en supprimant toutes ses limites de tokens : le plafond de tokens est une friction, pas un garde-fou. Et le constat de terrain est constant — ceux qui coupent les budgets de tokens restent au stade pilote ; ils ont transformé une capacité en centre de coût.

3. Le FinOps de l'IA devient une discipline à part entière. Le FinOps cloud classique échoue ici, parce que le coût d'un agent dépend de son comportement à l'exécution, pas d'une ressource taggable. La nouvelle grille se construit autour de trois idées qui devraient figurer dans tout budget 2027 sérieux :

• Le coût par résultat plutôt que le décompte de tokens : coût d'un ticket résolu, d'un lead qualifié, d'une fonctionnalité livrée (Orq.ai). Rappelons que 80 % des entreprises utilisent la GenAI mais moins de 30 % relient le coût à la valeur.
• L'allocation par règles : la logique d'imputation vit dans l'outil FinOps, éditable par la finance sans toucher au code (Finout). Sans quoi l'imputation par tête s'effondre — un développeur en greenfield consomme 5 à 10× les tokens d'un développeur en revue.
• L'attribution token-vers-outcome comme actif stratégique : c'est « la couche qui manque, et c'est elle, le trésor ». La traçabilité des décisions est l'actif le plus périssable d'une entreprise — capturez-la maintenant.

Ce que je recommande à un COMEX pour 2027

Quatre arbitrages concrets, qui découlent directement de ce qui précède :

1. Financez l'usine logicielle d'abord. C'est là que le ROI est prouvé et le payback inférieur à un an. Séparez explicitement, dans le budget, la ligne AI4IT (ROI démontré, scope qui s'élargit) de la ligne AI4Business (réorganisation préalable, tarification à l'outcome, horizon plus long). Ne les financez pas au même rythme ni avec les mêmes critères.
2. Budgétez la J-courbe. La valeur de l'IA passe par un creux temporaire — apprentissage, « taxe de vérification », adaptation des chaînes — avant la pente ascendante. DORA chiffre ce coût de transition ; inscrivez-le au budget plutôt que de le subir au T2.
3. Installez le FinOps token avant que la facture n'explose. Coût par résultat, allocation par règles, observabilité du comportement des agents, garde-fous de routing. Mettre ça en place après la dérive, c'est déjà trop tard.
4. Redéfinissez la comptabilité des effectifs. McKinsey assume désormais un effectif de 40 000 humains + 20 000 agents. Chez SFEIR, je le formule autrement : 1 000 personnes pour une capacité de production de 10 000. La capacité ne se lit plus seulement en têtes — et, comme le montre Raiffeisen, le bon réflexe n'est pas de couper les effectifs (DORA le déconseille fermement) mais de réinvestir la capacité libérée dans de nouveaux produits.

En une phrase

En 2024 nous pensions que l'IA changerait d'abord le métier ; en 2026, ce sont les usines logicielles qui ont basculé — et la prochaine bataille budgétaire ne portera pas sur le prix du token, mais sur le coût par résultat. L'AI4IT n'est pas le sujet des ingénieurs : c'est le premier endroit où l'IA crée de la valeur prouvée, et donc le premier endroit où un dirigeant lucide doit mettre son argent en 2027.

Sources

1. MIT NANDA (via Legal.io), « MIT Report Finds 95 % of AI Pilots Fail to Deliver ROI » — legal.io, août 2025.
2. Ethan Mollick, « Making AI Work: Leadership, Lab, and Crowd » — oneusefulthing.org.
3. Salesforce (Srini Tallapragada), « How Engineering Became Agentic » — salesforce.com, mai 2026.
4. Intercom / Fin, « 2x, Nine Months Later » — ideas.fin.ai, avril 2026.
5. Raiffeisen Bank Ukraine (Serhii Tatsyi), « AI Didn't Make Our Engineers Just Faster, It Made Them Different » — medium.com, mai 2026.
6. AWS (Julien Lépine, IFTTD #351) — restitution SFEIR : « AWS Bedrock, 6 personnes, 72 jours », avril 2026.
7. Atlassian, « AI-native SDLC is paying off » (étude Rovo Dev sur 3 400 dépôts) — atlassian.com, mai 2026.
8. DORA & Google Cloud, « The ROI of AI-assisted Software Development » — cloud.google.com, avril 2026.
9. Jaya Gupta (Foundation Capital), « Token Budget Wars » — x.com, mai 2026.
10. Orq.ai (Reza Hosseini), « AI Agent FinOps: cost per outcome » — orq.ai, avril 2026.
11. Finout, « FinOps for AI Agents: a Four-Step Allocation Framework » — finout.io, avril 2026.
12. McKinsey (Bob Sternfels), via OfficeChai, « McKinsey Now Has 60 000 People, But 20 000 Of Them Are AI Agents » — officechai.com, janvier 2026.
13. BFM Business, « IA : et si les développeurs disparaissaient ? » (intervention de Didier Girard) — bfmtv.com, mai 2026.
14. Arthur Mensch (Mistral AI), audition devant la commission d'enquête de l'Assemblée nationale sur les vulnérabilités numériques — assemblee-nationale (YouTube), mai 2026.
15. Stanford HAI, AI Index Report (coût d'inférence ÷ ~280 en deux ans) — hai.stanford.edu/ai-index.

Didier Girard — Managing Director, SFEIR. Ce point de vue s'appuie sur la veille technologique du cabinet (Salesforce, Intercom, Raiffeisen, AWS, Atlassian, DORA/Google Cloud, Bain, MIT, McKinsey, 2025-2026).