La course mondiale à la création et au déploiement de l’intelligence artificielle avance plus rapidement que la plupart des gens ne le pensent.
Nvidia est devenue l’une des entreprises les plus valorisées au monde, grâce à la demande croissante de puces. Dépenses mondiales en IA devrait atteindre 2,5 billions de dollars en 2026, selon Gartner. Wall Street a déclaré IA l’un des thèmes d’investissement déterminants de la décennie.
Et pourtant, pour la plupart des entreprises, les résultats ne se manifestent pas. Un point de repère Étude du MIT ont constaté que 95 % des organisations n’ont constaté aucun retour mesurable sur leurs investissements en IA, malgré des dépenses comprises entre 30 et 40 milliards de dollars en initiatives d’IA d’entreprise.
Les outils fonctionnent. Les modèles sont capables. Le problème, selon les experts qui travaillent au sein de ces organisations, n’est presque jamais la technologie. Ce sont les gens, la culture et les systèmes qui l’entourent. Voici ce qui se passe réellement.
La plupart des dirigeants traitent le déploiement de l’IA comme un déploiement de logiciel. Achetez les outils, installez le système, formez le personnel. Fait.
Cette approche échoue à grande échelle. Axialentun cabinet de conseil en leadership qui travaille avec de grandes organisations sur la transformation, a étudié ce modèle de près. L’entreprise affirme que les entreprises sous-estiment systématiquement le côté humain de l’adoption de l’IA, se concentrant sur la technologie tout en ignorant la manière dont les gens changent réellement leur façon de travailler.
“L’IA est adoptée par les gens, pas par les serveurs”, a déclaré Oseas Ramirez, PDG d’Axialent, à TheStreet. “Si les gens ne changent pas leur façon de travailler, la technologie reste là.”
Même lorsque les outils d’IA générative sont entièrement disponibles, les employés ne les utilisent souvent que pour des tâches mineures et superficielles. Les flux de travail plus profonds, les décisions et les jugements restent inchangés. La technologie est présente. La transformation ne l’est pas.
Ce modèle est cohérent. Les budgets sont consacrés aux modèles et aux infrastructures, tandis que le travail plus difficile consistant à changer la façon dont les gens travaillent réellement reçoit peu d’attention. L’IA est confiée aux équipes techniques même lorsque les véritables décisions sont stratégiques. Et lorsque les expériences échouent, comme c’est souvent le cas, la plupart des organisations n’ont pas la résilience nécessaire pour aller jusqu’au bout.
Les hiérarchies de gestion et les systèmes d’incitation ont été construits bien avant l’existence de l’IA, ce qui donne peu de raisons aux employés d’adopter de nouveaux flux de travail lorsque les mesures de performance restent liées aux anciennes pratiques.
Les équipes commerciales peuvent recevoir des prévisions générées par l’IA qui remettent en question les quotas traditionnels, mais si les systèmes de rémunération restent inchangés, ces informations sont totalement ignorées.
La plupart des employés utilisent l’IA comme un moteur de recherche légèrement plus intelligent plutôt que comme un outil qui change fondamentalement la façon dont le travail est effectué.
Les organisations qui investissent massivement dans les modèles d’IA sans tenir compte de la culture ont tendance à voir les outils utilisés uniquement pour des tâches mineures, sans impact mesurable sur les résultats commerciaux.
Les entreprises qui voient de réels résultats grâce à l’IA ne sont pas nécessairement celles qui disposent des modèles les plus avancés. Ce sont eux qui ont restructuré la façon dont les gens travaillent autour de ces modèles.
Plus d’actions IA :
Cela signifie changer les mentalités, réécrire les structures d’incitation et tenir les dirigeants responsables de l’adoption, et pas seulement du déploiement. Points de recherche à la culture comme facteur décisif lorsque les organisations adoptent l’IA. Préparez la culture et l’adoption suit. Sautez-le et la technologie collecte la poussière.
Ramírez l’a dit clairement. “La majorité des employés utilisent l’IA essentiellement comme un moteur de recherche légèrement plus intelligent. La technologie est là, mais la façon dont les gens travaillent n’a pas vraiment changé. Les entreprises qui investissent le plus dans l’adoption humaine plutôt que uniquement dans la technologie obtiennent des résultats bien meilleurs.”
Même lorsque les entreprises réussissent à déployer l’IA et à en favoriser l’utilisation réelle, un nouveau problème largement invisible apparaît : elles ne peuvent pas la facturer avec précision.
La tarification des logiciels traditionnels repose sur des abonnements, des postes et des licences. Les services d’IA fonctionnent différemment. Le prix est lié aux jetons traités, aux appels d’API effectués ou aux exécutions de modèles exécutées. La plupart des systèmes de facturation n’ont jamais été conçus pour ce type de suivi de la consommation.
Vayuune plateforme de gestion des revenus qui travaille avec des entreprises SaaS sur ce défi précis, en a vu les conséquences de près. Le PDG Erez Agmon a déclaré à TheStreet que la tendance était cohérente.
“La majorité des systèmes de facturation SaaS ont été conçus en pensant aux abonnements prévisibles”, a-t-il déclaré. “L’IA conduit à une consommation erratique.”
Les entreprises qui investissent le plus dans l’adoption humaine de l’IA, plutôt que uniquement dans la technologie elle-même, obtiennent des résultats bien meilleurs, déclare un expert.Termmee/Getty Images ·Termmee/Getty Images
Le résultat est une fuite de revenus. Agmon a rappelé un directeur financier dont le système de facturation n’enregistrait l’utilisation que le jour du cycle de facturation. Si un client montait d’un niveau tarifaire en cours de mois et redescendait avant la date de facturation, la hausse disparaissait complètement.
Comme l’a dit ce directeur financier : “Je ne collecte que ce qui était à la date du cycle de facturation. J’ai raté le pic. J’ai perdu cet argent.”
Les systèmes de facturation conçus pour les abonnements forfaitaires ne peuvent pas suivre les modèles erratiques et axés sur la consommation générés par les produits d’IA, créant ainsi des écarts entre l’utilisation et les revenus facturés.
Les équipes financières ont recours à l’exportation des données d’utilisation dans des feuilles de calcul, au rapprochement manuel entre les plateformes et à la génération manuelle des factures – des solutions de contournement qui s’effondrent à mesure que l’adoption de l’IA évolue.
Les entreprises qui ne parviennent pas à capturer l’utilisation avec précision ont du mal à comprendre la valeur de leur propre produit, ce qui rend presque impossible des décisions éclairées en matière de tarification.
Les fuites de revenus s’aggravent au fil du temps : de petits écarts par client sur une large base peuvent représenter des centaines de milliers de dollars de perte de revenus annuelle.
Les entreprises qui avancent considèrent la monétisation comme une décision essentielle en matière de conception de produits, et non comme une réflexion secondaire que l’équipe financière devra régler plus tard. Ceux qui avancent assez rapidement pour construire une infrastructure de facturation capable de suivre avec précision la consommation d’IA auront un avantage structurel sur ceux qui sont encore en train de rapprocher les feuilles de calcul.
Les chiffres rendent les enjeux concrets. Les entreprises SaaS perdent généralement entre 0,25 % et 2 % de leurs revenus récurrents annuels à cause des seuls écarts de facturation. Pour une entreprise disposant de 20 à 50 millions de dollars en ARcela se traduit par une perte de revenus de 250 000 à 600 000 dollars chaque année.
L’histoire montre systématiquement que l’accès à la technologie détermine rarement quelles entreprises gagneront. L’avantage revient aux organisations qui alignent plus rapidement leurs systèmes internes avec de nouveaux outils.
À l’ère de l’IA, ce principe est plus précis que jamais. Les propres recherches du MIT ont révélé que entreprises qui réussissent avec l’IA ne sont pas ceux avec les modèles les plus avancés. Ce sont eux qui choisissent un problème, s’exécutent bien et intègrent profondément l’IA dans les flux de travail existants plutôt que d’exécuter des expériences déconnectées.
Ceux qui ignorent ces étapes constateront peut-être que le déploiement de l’IA était la partie la plus facile. Le faire fonctionner au sein d’une véritable organisation et être payé avec précision s’avère être un défi totalement différent.
Cette histoire a été initialement publiée par La rue le 7 mars 2026, où il est apparu pour la première fois dans le Technologie section. Ajoutez TheStreet en tant que Source préférée en cliquant ici.
