Dépenser 5 fois plus en IA sans résultat : le piège qui guette votre budget

Au premier semestre 2026, les entreprises ont multiplié par cinq leurs dépenses liées à l'IA, selon une analyse publiée par SaaStr en partenariat avec 20VC. Le chiffre est frappant. Ce qui l'est encore plus : presque aucune de ces entreprises n'est capable de montrer que ces dépenses ont fait bouger son chiffre d'affaires. Ce phénomène a même un nom dans les cercles investisseurs : la « token ROI crisis ». En clair, on dépense beaucoup en IA (les fameux "tokens", c'est-à-dire les unités de calcul facturées par les modèles d'IA) et on ne sait pas si ça vaut le coup.

Ce n'est pas une critique de l'IA en tant que technologie. C'est un signal d'alarme sur la façon dont les entreprises l'adoptent, souvent sans cadre de mesure, parfois sans objectif précis. Si vous envisagez d'intégrer l'IA dans vos outils ou vos process, ce constat vous concerne directement.

Ce que veut dire « dépenser en IA » concrètement

Quand une entreprise « intègre l'IA », elle paie généralement pour utiliser un modèle comme GPT-4o (OpenAI), Claude (Anthropic) ou Gemini (Google). Ces modèles fonctionnent à la consommation : chaque texte analysé, chaque réponse générée, chaque document résumé consomme des "tokens" et coûte de l'argent. Plus vos équipes ou vos outils sollicitent le modèle, plus la facture monte.

Au départ, les montants restent modestes, quelques centaines d'euros par mois. Mais dès qu'une fonctionnalité IA est déployée à l'échelle (un chatbot client, un assistant interne, une analyse automatique de documents), la consommation explose. C'est exactement ce qui s'est passé au premier semestre 2026 : les entreprises ont mis l'IA en production, les volumes ont décollé, et les budgets ont suivi mécaniquement, sans que les équipes dirigeantes aient toujours anticipé la trajectoire.

Pourquoi personne ne peut mesurer l'impact sur les revenus

La vraie question n'est pas de savoir si l'IA « fonctionne ». C'est de savoir si elle rapporte plus qu'elle ne coûte. Et là, la plupart des entreprises buttent sur trois problèmes concrets.

• Pas d'objectif chiffré au départ. On intègre l'IA parce que c'est dans l'air du temps, parce qu'un concurrent l'a fait, ou parce qu'une démo était convaincante. Mais personne n'a défini ce que « succès » veut dire en euros, en heures gagnées ou en clients supplémentaires.
• Des gains diffus, difficiles à isoler. Si un commercial gagne 20 minutes par jour grâce à un assistant IA, comment prouver que cela a généré un contrat de plus ? Le lien de causalité est rarement direct.
• Des coûts cachés sous-estimés. Le prix des tokens est visible sur la facture. Le temps passé à former les équipes, à adapter les process, à corriger les erreurs du modèle... l'est beaucoup moins. Ces coûts existent pourtant bien.

La question à poser avant de commencer

Avant de valider un budget IA, une intégration ou même un simple abonnement à un outil dopé à l'IA, posez cette question à voix haute : comment saurons-nous dans 3 mois si ça a rapporté quelque chose ? Si personne dans la pièce ne peut répondre avec un chiffre ou un indicateur précis, le projet n'est pas prêt.

Ce n'est pas une question piège. C'est la même logique que pour n'importe quel investissement. Un nouvel employé, un outil CRM, une campagne marketing : on définit ce qu'on attend avant de signer. L'IA ne devrait pas déroger à cette règle, même si l'enthousiasme autour du sujet pousse parfois à brûler les étapes.

1. Définissez un problème précis. Pas « améliorer la productivité », mais « réduire de 30 % le temps de traitement des demandes entrantes ».
2. Choisissez un indicateur mesurable avant le déploiement. Temps, volume, taux de conversion, coût unitaire : n'importe quoi de chiffrable.
3. Fixez une durée de test courte. Trois mois suffisent généralement pour voir si la tendance est là. Si les données ne bougent pas, c'est une information utile.
4. Budgétez les coûts complets. Tokens, temps de paramétrage, formation, maintenance : le coût réel est souvent deux à trois fois le prix affiché par le fournisseur.

Ce que ça change si vous faites développer un outil sur mesure

Faire développer une application métier ou un SaaS avec une brique IA intégrée, c'est un investissement plus lourd qu'un abonnement à un outil existant. Le risque de dépense sans mesure y est donc encore plus élevé. Si votre prestataire ne vous demande pas quels résultats vous voulez mesurer avant de coder, c'est un signal d'alerte.

Un bon cadrage comprend toujours une réponse à cette question : quelle donnée, dans votre tableau de bord, sera différente dans six mois si l'IA fait son travail ? Ce peut être le nombre de dossiers traités par jour, le taux d'erreur sur une tâche précise, ou le temps moyen passé sur une étape de votre process. Si vous ne pouvez pas nommer cette donnée aujourd'hui, repoussez le démarrage de quelques semaines et clarifiez d'abord l'objectif.

En résumé

La crise du ROI des tokens n'est pas une fatalité. C'est le résultat d'une adoption trop rapide, sans cadre de mesure. Les entreprises qui s'en sortent le mieux ne sont pas forcément celles qui dépensent le plus en IA : ce sont celles qui ont défini, avant de dépenser, ce qu'elles voulaient observer.

• Les dépenses en IA ont été multipliées par 5 au S1 2026, sans impact mesurable sur les revenus pour la majorité des entreprises (SaaStr / 20VC).
• Le problème principal : aucun indicateur de succès n'est défini avant le déploiement.
• Les coûts réels incluent bien plus que les tokens : formation, adaptation, maintenance.
• La question à poser en premier : comment mesure-t-on l'impact dans 3 mois ?
• Valable pour un outil SaaS acheté comme pour une application développée sur mesure.

// sources
SaaStr