Agents IA en entreprise : coûts, valeur et risques réels
La vague d’enthousiasme suscitée par la baisse du prix symbolique risque de cacher le point central : pour de nombreuses entreprises, l’IA coûte plus cher, pas moins. C’est la thèse de l’article publié par McKinsey en juillet 2026, « Cet agent IA en vaut-il la peine ? Économie agentique et modèle opérationnel moderne »ce qui illustre un paradoxe désormais évident dans les budgets des entreprises : les modèles sont moins chers par unité de calcul, mais la dépense totale augmente parce que les entreprises utilisent plus d’outils, sur plus de processus, avec des flux plus longs et plus complexes.
Selon le document, le coût de déduction de capacités comparables à GPT-3.5 est passé de 20 dollars par million de jetons à 0,07 dollars en 2024, comme le rapporte l’IA Index de Stanford. Cependant, au cours de la même période, les dépenses des entreprises consacrées aux grands modèles de langage ont triplé en 12 mois à la fin de 2025, tandis que 93 % des personnes interrogées dans le cadre d’une enquête McKinsey ont déclaré avoir dépassé leurs budgets IA. Le point crucial, écrivent les auteurs, est que les jetons ne coïncident pas avec la valeur : ils ne sont que la facture.
Parce que la facture s’alourdit même si les modèles coûtent moins cher
L’explication qui ressort du document est très concrète. Les agents ne fonctionnent pas comme une seule demande et une seule réponse. Ils doivent se souvenir du contexte, appeler des outils externes, vérifier les étapes, corriger les erreurs et réessayer lorsqu’un résultat n’est pas fiable. Chaque étape augmente la consommation réelle de ressources. McKinsey rapporte six facteurs principaux : la pérennité du contexte, le coût de la phase de revue, la variabilité des chemins suivis par les agents, l’utilisation de modèles puissants même pour des tâches simples, l’orchestration entre agents et outils et la structure de l’information qui peut rendre le traitement inefficace.
Les données les plus pertinentes concernent les retouches. Dans certains workflows d’agents, environ 60 % des coûts ne proviennent pas de la première réponse, mais du contrôle ultérieur, des corrections et de la nouvelle vérification.
Un autre élément critique est la dispersion des coûts : pour une même tâche, notamment en programmation, la dépense peut varier très largement en fonction du parcours suivi par l’agent. Cela rend fragile toute approche qui ne s’intéresse qu’au coût moyen.
McKinsey ajoute un point qui concerne directement les dirigeants. De nombreuses entreprises utilisent des modèles frontières pour des tâches qui pourraient être exécutées avec des modèles plus petits, des systèmes déterministes ou des logiciels traditionnels. En d’autres termes, ils paient pour une capacité premium là où elle n’est pas nécessaire. La question n’est pas de couper des jetons dans l’abstrait, mais de comprendre quel niveau « d’intelligence » doit être alloué à chaque processus, avec un critère similaire à celui avec lequel un investissement en capital est décidé.
Le véritable avantage concurrentiel se déplace vers les données et la gouvernance
L’aspect le plus intéressant du texte McKinsey n’est pas la comptabilité technique, mais la réflexion sur la concurrence. Si les agents permettent de reproduire rapidement des processus qui nécessitaient autrefois des années de réorganisation, l’avantage ne réside plus seulement dans l’exécution. Les obstacles se déplacent vers les données first party, le contexte opérationnel et la gouvernance. Un représentant commercial, un système de souscription ou un copilote du service client vaut bien plus s’il est alimenté par des signaux internes, un historique de décisions, des transcriptions, la télémétrie des processus et la sémantique commerciale.
Le document aborde ici un point que l’on retrouve également dans les analyses les plus récentes du marché. Gartner a écrit le 1er juillet 2026 que jusqu’à 234 milliards de dollars de dépenses en logiciels d’application d’entreprise pourraient être exposés d’ici 2030 à ce que l’on appelle « »Arbitrage agentique »c’est-à-dire déplacer la valeur des modèles SaaS traditionnels basés sur des licences vers des systèmes dans lesquels les agents effectuent le travail directement. Gartner estime que ce phénomène pourrait représenter environ 20 % des dépenses SaaS des entreprises d’ici la fin de la décennie.
Cela change la hiérarchie des priorités. Si les logiciels deviennent de plus en plus « sans tête », c’est-à-dire moins liés à l’interface et plus accessibles aux agents qui effectuent des actions de manière autonome, l’avantage concurrentiel passe du nombre d’utilisateurs licenciés à la capacité de contrôler où et comment le travail est effectué. C’est un changement de logique qui affecte les fournisseurs, les clients et les intégrateurs.
Les signaux qui arrivent du marché
Les dernières nouvelles confirment que les entreprises entrent dans une phase moins expérimentale et plus industrielle.
Deloitte, dans son édition 2026 du «État de l’IA dans l’entreprise »basé sur plus de 3 000 dirigeants dans 24 pays, décrit le passage de l’ambition à l’activation : l’IA n’est plus considérée comme un projet à part entière, mais comme un levier à intégrer dans les processus et structures décisionnels. Le même rapport insiste sur un point proche de la lecture de McKinsey : il ne suffit pas d’insérer l’IA dans le travail existant, il faut repenser le travail lui-même.
Anthropic, dans une enquête menée auprès de plus de 500 responsables techniques publiée fin 2025 et relancée en 2026, affirme que 80 % des organisations interrogées font état d’un retour mesurable des agents d’IA. C’est un chiffre qui témoigne d’un réel intérêt opérationnel, mais qui ne nie pas le problème de coût : il suggère plutôt que les entreprises sont prêtes à dépenser plus lorsqu’elles voient un bénéfice mesurable. Il s’agit alors de faire la distinction entre les dépenses qui génèrent de la productivité et celles qui résultent d’une mauvaise architecture, de redondances ou d’un manque de contrôle.
Également Google Cloud, dans le rapport «Tendances des agents IA 2026», parle de cinq changements destinés à redéfinir les rôles, le workflow et la création de valeur en 2026. Le document ne fournit pas, dans la synthèse accessible, des chiffres comparables à ceux de McKinsey ou de Gartner, mais confirme que les agents passent de la phase d’essai à la réorganisation des workflows.
L’adoption augmente, mais reste superficielle
Toutes les nouvelles ne vont pas dans le sens d’une accélération totale. L’Office for National Statistics du Royaume-Uni, dans un rapport publié le 20 juillet 2026, montre que l’adoption de l’IA dans les entreprises britanniques a augmenté : la part des entreprises de plus de dix salariés déclarant utiliser l’IA est passée de 12 % en septembre 2023 à 35 % en mars 2026. Mais l’ampleur de son utilisation reste limitée. Seules 10 % des entreprises qui utilisent l’IA déclarent l’avoir largement intégrée, et seulement 15 % déclarent que plus de la moitié de leurs salariés l’utilisent dans leur travail quotidien.
La donnée est importante car elle corrige une lecture trop linéaire du marché. L’IA entre dans les entreprises, mais le fait souvent de manière fragmentée : outils gratuits, équipes uniques, cas d’usage isolés, peu d’intégration avec les systèmes et données internes. Dans ce scénario, les coûts peuvent augmenter sans que la valeur n’augmente au même rythme. La dépense dépend non seulement du prix du modèle, mais aussi de la manière dont l’organisation absorbe la technologie.
Le point aveugle des directeurs financiers
Dans l’article de McKinsey, il y a un passage qui présente un grand intérêt pour la finance d’entreprise : l’IA est décrite comme une nouvelle classe de dépenses à traiter avec ses propres mesures. Il ne suffit plus d’avoir un poste générique au sein du budget informatique. Nous avons besoin d’indicateurs mesurant le coût par résultat, la performance de l’intelligence utilisée, la comparaison entre le travail humain, l’automatisation traditionnelle et le travail des machines. C’est un changement de perspective qui touche particulièrement les directeurs financiers.
La même logique s’applique aux CIO et aux CTO. La première, selon McKinsey, doit construire le système qui apporte le bon contexte au bon agent au bon moment. Le second doit améliorer l’économie du travail des machines, en intervenant sur l’architecture, la sélection des modèles, la mise en cache, le routage, l’évaluation et l’autonomie. Ce sont des tâches qui montrent clairement que le jeu ne se joue plus seulement entre l’achat de logiciels et l’expérimentation en laboratoire.
Acheter, construire ou s’associer : le nouveau choix industriel
L’un des points les plus utiles du texte concerne l’ancienne distinction entre acheter, développer en interne ou s’appuyer sur des partenaires. McKinsey soutient que le choix doit être fait charge de travail par charge de travail, et non plateforme par plateforme. Pour les tâches très sensibles ou à volume interne très élevé, une solution privée ou sur site peut s’avérer judicieux ; pour les activités spécialisées et peu fréquentes, l’API d’un modèle frontière peut être appropriée ; pour les environnements mixtes, des niveaux de routage sont nécessaires pour décider du meilleur emplacement à chaque fois.
Le tableau ci-dessous présente des exemples allant de la recherche juridique à l’aide au tri, jusqu’à l’extraction de documents.
Cinq scénarios commerciaux et leur répartition probable de la charge de travail
| Scénario | Volume | Prévisibilité | Sensibilité | Seuil de qualité | Emplacement le plus probable |
|---|---|---|---|---|---|
| Raisonnement d’expert (juridique, stratégique, recherche) | Basse | Variable | Moyenne | Performance de niveau frontière requise | API des meilleurs modèles (les capacités comptent plus que le coût unitaire) |
| Classification de gros volumes (triage des services, détection des fraudes) | Haut | Écurie | Faible-moyen | Validable | Modèles ouverts gérés ou privés (le coût unitaire est le facteur dominant) |
| Charges de travail réglementées (banques, demandes de soins de santé) | Moyen-élevé | Écurie | Haut | Moyen-élevé | Cloud privé ou infrastructure souveraine (résidence et contrôle des données requis) |
| Plateforme d’agents hétérogènes (nombreux cas d’usage, besoins mixtes) | Mixte | Variable | Mixte | Mixte | API + couche de routage (la possibilité de choisir dynamiquement le modèle a une valeur concrète) |
| Activités internes à très gros volume (synthèses, extraction de documents) | Très grand | Prévisible | Faible-moyen | Validable | Infrastructure privée/sur site (les économies d’échelle prédominent) |
Cette approche devient encore plus pertinente à mesure que le marché se redéfinit. Gartner s’attend à ce que l’arbitrage agentique exerce une pression sur la structure traditionnelle des logiciels d’entreprise. Si cette prédiction se réalise, les entreprises qui développent aujourd’hui uniquement ce qui est nécessaire pour connecter les données, les flux de travail et le contexte propriétaire pourraient se retrouver dans une position plus forte que celles qui achètent des packages standards sans construire de couche distinctive interne.
De la chasse aux coûts à la mesure de la valeur
Le message final de l’étude de McKinsey est le suivant : le risque pour les PDG n’est pas de payer trop cher pour un seul modèle, mais d’augmenter un nouveau poste de coût avant d’avoir appris à le gérer. C’est pour cette raison que les auteurs insistent sur la nécessité de traiter le travail des machines avec la même discipline avec laquelle les entreprises gèrent le travail humain, le capital, les risques et les opérations.
C’est une ligne qui se reflète également dans le Stanford AI Index 2026. Stanford rapporte que l’économie de l’IA continue de se développer rapidement, avec une forte augmentation des investissements privés et une croissance particulièrement intense de l’IA générative. Toutefois, plus de capital ne signifie pas automatiquement plus d’efficacité. Cela signifie que les entreprises entrent dans une phase dans laquelle les erreurs de conception organisationnelle peuvent devenir très coûteuses.
La leçon, en somme, est moins technologique qu’il n’y paraît. Le prix des jetons continuera probablement de baisser. Mais la valeur économique des agents se mesurera ailleurs : qualité des données, contrôle du contexte, choix du bon modèle, métriques partagées, frontières correctes entre interne et externe. Les entreprises qui confondent l’abondance de l’IA avec la commodité de l’IA risquent de dépenser plus tout en obtenant moins. Ceux qui apprennent à traiter les agents comme une capacité opérationnelle, et non comme une démonstration permanente, peuvent transformer les coûts en productivité.
