Les budgets IA augmentent avec les capacités et les prix

La croissance des dépenses en IA exige une lecture plus attentive des budgets IT

Les dernières prévisions trimestrielles de Gartner situent les dépenses mondiales en intelligence artificielle (IA) à 2,7 billions de dollars en 2026, soit une hausse de 49,5 %, suivie d’une nouvelle augmentation de 36,2 % en 2027. Pour un directeur des systèmes d’information (DSI), interpréter cette croissance suppose de distinguer les investissements supplémentaires, les changements dans les achats existants et la hausse du coût des composants. Tous peuvent faire augmenter les dépenses en IA, mais chacun affecte différemment le budget IT.

John-David Lovelock, Distinguished VP Analyst chez Gartner, explique comment ces évolutions interagissent à mesure que l’IA se développe parallèlement aux autres activités IT. Il relie trois évolutions : les organisations ont reçu des financements supplémentaires, des achats familiers acquièrent des capacités d’IA, et la demande pour les composants qui sous-tendent ces capacités fait monter les coûts.

Les financements supplémentaires et l’évolution des achats font tous deux progresser les dépenses en IA

Les financements supplémentaires offrent la voie la plus directe vers la croissance sans coupes ailleurs. Selon Lovelock, les DSI ont reçu un peu d’argent supplémentaire pour l’IA en 2024 et un ajout plus limité en 2025, « il n’y a donc pas eu de redéploiement, et désormais une plus grande part de leurs dépenses relève du repositionnement que du redéploiement ». Dans son analyse, cet argent supplémentaire a permis aux investissements en IA de croître parallèlement aux activités existantes. Le changement intervenu ensuite concerne la manière dont les organisations utilisent et classent l’argent déjà présent dans leurs budgets.

Un achat ordinaire d’ordinateurs portables montre comment une dépense existante peut devenir liée à l’IA. Une entreprise qui remplace ses ordinateurs portables peut désormais acheter des machines équipées de puces IA ; un achat de routine acquiert donc une composante IA à mesure que les équipements évoluent. Les employés ont toujours besoin d’ordinateurs, et le budget de remplacement répond toujours à ce besoin. Pourtant, les nouvelles spécifications font entrer cet achat dans les dépenses d’IA.

Les logiciels d’entreprise peuvent évoluer de la même manière lorsque les fournisseurs intègrent l’IA dans des applications que les entreprises achètent déjà. Les applications gagnent en capacités tout en continuant à répondre à un besoin métier existant. Pour le responsable du budget, l’étape suivante consiste à examiner ce qui a changé : ce que l’achat permet de faire, ce qu’il coûte et le travail qu’il soutient. Le classer comme lié à l’IA décrit une évolution de l’achat ; comparer séparément les allocations montre si une autre activité a perdu des financements.

Un travail existant peut aussi devenir lié à l’IA par un changement de finalité. Une mission de stratégie d’entreprise, par exemple, peut passer de l’examen de la stratégie d’entreprise à l’évaluation de la manière dont l’IA pourrait la transformer. L’organisation continue de financer un travail de stratégie, mais les questions ont changé. La description que donne Lovelock du repositionnement inclut donc des changements de fond à la fois dans les achats et dans les objectifs des projets.

Ces exemples montrent comment Lovelock voit les dépenses nouvelles et existantes converger vers l’IA. « Les nouvelles dépenses nettes vont davantage vers l’IA, et les dépenses existantes se transforment vers l’IA », dit-il. Il s’attend à ce que d’ici 2030, « chaque dollar devienne un dollar d’IA d’une manière ou d’une autre », décrivant l’emprise de l’IA sur les achats et les projets. Selon lui, les dépenses liées à l’IA augmentent à la fois grâce à des investissements additionnels et grâce à des activités que les organisations financent déjà.

Lovelock établit la même distinction pour les hyperscalers, les entreprises qui exploitent des infrastructures cloud de très grande taille. Il affirme qu’elles maintiennent l’expansion conventionnelle du cloud tout en investissant dans l’IA : « Les hyperscalers n’ont pas détourné un seul centime de leur cloud. Ainsi, AWS, Google, Microsoft et Meta continuent tous à développer leur infrastructure cloud au même rythme qu’en 2022. » Il décrit donc un investissement cloud qui se poursuit parallèlement au déploiement de l’IA.

Parallèlement à cet investissement continu, Lovelock décrit le déploiement de l’IA comme quelque chose qui « constitue le plus grand projet d’infrastructure jamais entrepris par l’humanité », soulignant l’ampleur des nouvelles constructions physiques. Son analyse inclut des ajouts d’infrastructure substantiels ainsi que des changements dans des achats familiers. Ceux-ci imposent des contraintes différentes aux budgets : la construction ajoute de la capacité, tandis que les remplacements compatibles avec l’IA et les logiciels modifient ce que les organisations obtiennent via des catégories de dépenses établies.

Les prévisions par catégorie montrent où les dépenses en IA progressent

Ces formes de dépenses apparaissent dans les prévisions de Gartner pour les différentes catégories de l’IA. Les taux de croissance montrent à quelle vitesse les dépenses devraient augmenter, mais c’est le budget de départ qui détermine la hausse en dollars. Une catégorie affichant une croissance en pourcentage plus rapide peut donc ajouter moins de dollars qu’une catégorie plus importante progressant plus lentement.

Dans cette comparaison, les agents et assistants IA sont des systèmes logiciels qui exécutent des tâches ou aident les utilisateurs à les accomplir ; Gartner suit leurs dépenses séparément de celles des autres logiciels. Les plateformes de développement IA fournissent des outils pour créer des applications d’IA, et Gartner attribue la révision à la hausse de cette catégorie au développement d’applications sur mesure par les entreprises ainsi que par les fournisseurs de logiciels et de services. À mesure que ces plateformes prouvent leur utilité, les organisations ont davantage de raisons d’acheter des outils de création d’applications. La révision reflète l’évolution de l’évaluation de cette demande par Gartner.

Le développement d’applications crée aussi une demande pour des modèles adaptés à des travaux spécifiques. Les modèles de langage spécialisés par domaine sont conçus pour un secteur particulier ou un cas d’usage métier, et Gartner les qualifie de « petite opportunité, mais en croissance » pour les fournisseurs de modèles. Cette opportunité accompagne sa prévision de croissance plus élevée pour les modèles d’IA générative, qui produisent du contenu comme du texte ou des images. Ici aussi, comparer les dépenses totales suppose de considérer la taille de chaque catégorie en plus de son taux de croissance.

La demande de mémoire accentue la pression sur le coût des composants

Les dépenses au sein de ces catégories dépendent aussi du coût des équipements nécessaires pour fournir des capacités d’IA. Lovelock décrit une séquence dans laquelle des serveurs IA plus performants nécessitent davantage de mémoire et de stockage, ce qui accroît la demande de composants et fait monter le prix des puces. Les dépenses peuvent donc augmenter à la fois en raison de besoins en ressources plus importants et de prix plus élevés. Une facture plus lourde peut refléter le coût de fourniture d’une capacité autant qu’une augmentation de ce que l’organisation peut faire.

Pour Lovelock, l’exigence inattendue concernait la quantité de mémoire nécessaire aux serveurs. Il explique que l’augmentation des dépenses consacrées à leurs principales puces de traitement avait été anticipée. Toutefois, à mesure que les serveurs gagnaient en fonctionnalités, ils avaient aussi besoin de davantage de mémoire et de stockage, qu’il inclut dans le besoin plus large en mémoire. Un plan d’approvisionnement doit donc couvrir les composants de support nécessaires pour exploiter les capacités de traitement des serveurs.

La demande pour ces composants a, à son tour, modifié les perspectives de prix. Lovelock remet en cause la description habituelle d’une pénurie de mémoire et insiste sur la vigueur de la demande : « Il existe une surdemande massive de mémoire, et cela a fait grimper le prix de ces puces à des niveaux incroyablement élevés », dit-il. Il relie les exigences des serveurs aux prix sur l’ensemble du marché des composants, ce qui signifie qu’un projet peut devenir plus coûteux même lorsque son périmètre prévu reste inchangé.

L’évolution des prix tranche avec l’expérience antérieure de Lovelock en matière de prévisions sur les semi-conducteurs. « Les semi-conducteurs ont été, ces 30 dernières années, un marché agréable et facile à analyser », dit-il, décrivant des hausses de dépenses graduelles et relativement prévisibles. En 2015, ses prévisions situaient les dépenses en semi-conducteurs à environ un billion de dollars d’ici 2030. Il se souvient des critiques affirmant que cette projection méconnaissait la loi de Moore, la tendance de long terme à l’augmentation de la densité des transistors sur les puces, ainsi que la fabrication des semi-conducteurs, le processus de production des puces.

Lovelock s’attend désormais à ce que les dépenses en puces approchent les 2 billions de dollars d’ici 2030. Il attribue ce changement à l’IA, la demande de mémoire et la forte hausse du prix des puces contribuant à doubler les dépenses attendues par rapport aux perspectives d’avant l’IA. La comparaison montre à quel point ses attentes de dépenses ont évolué pour la technologie sous-jacente. Elle relie aussi les perspectives à l’échelle du secteur aux composants dont les acheteurs individuels ont besoin.

Pour les acheteurs, la question pratique est de savoir comment les exigences des serveurs et les prix du marché interagissent sur la durée d’un plan d’achat. Un serveur plus performant peut nécessiter davantage de mémoire et de stockage, tandis que la demande d’autres acheteurs fait monter les prix de ces mêmes composants. L’augmentation du budget a alors deux causes liées : la quantité de ressources requise et le prix de chaque ressource. Les décisions d’approvisionnement doivent tenir compte des deux lors de l’estimation du coût d’une capacité planifiée.

Les DSI doivent réévaluer les capacités, les coûts et les risques

Cette interaction rend difficile toute planification fondée sur des hypothèses fixes concernant les capacités futures de l’IA et ses prix. Lovelock s’attend à plusieurs changements majeurs sur une courte période : « Les deux prochaines années, les trois prochaines années, comportent au moins trois transitions majeures. » Son avertissement porte à la fois sur ce que les organisations pourront faire et sur ce que cela coûtera. Une décision de dépense prise aujourd’hui peut donc reposer sur des hypothèses techniques et de coût qui évolueront avant que l’investissement ne produise le bénéfice attendu.

À mesure que ces hypothèses évoluent, les DSI doivent réexaminer l’équilibre entre bénéfice attendu et risque accepté. « Si vous pensez savoir ce qui va se passer avec l’IA à partir de ce qui se passe avec l’IA, vous vous trompez », affirme Lovelock. Il fait de l’équilibre entre risque et rendement la « priorité numéro un » du DSI. Pour chaque nouvel engagement de dépense, cela signifie évaluer la capacité à fournir, les conditions nécessaires pour la fournir et le coût que l’organisation est prête à supporter si ces conditions changent.

Points clés

• Distinguer les sources de croissance des dépenses en IA : les DSI qui évaluent la prévision de Gartner d’une croissance de 49,5 % en 2026 doivent distinguer les nouveaux investissements, les achats existants qui acquièrent des capacités d’IA et la hausse des prix. Les suivre séparément permet de clarifier ce que les dépenses supplémentaires apportent et de déterminer si d’autres activités perdent des financements.
• Comparer la croissance des catégories à la taille des budgets : les agents IA, les modèles et les plateformes de développement ont des taux de croissance et des budgets de départ différents. Les responsables budgétaires ont besoin de ces deux mesures pour évaluer les hausses en dollars et planifier les allocations.
• Réévaluer le prix de l’infrastructure de support : les serveurs IA nécessitent davantage de mémoire et de stockage, tandis qu’une forte demande fait monter le prix des composants. Les équipes achats doivent actualiser à la fois les quantités de ressources et les coûts unitaires lorsqu’elles estiment le coût des capacités planifiées.
• Revoir les hypothèses d’investissement : l’évolution des capacités et des coûts peut modifier le rendement attendu d’un projet d’IA avant qu’il ne produise des bénéfices. Les DSI doivent réévaluer la capacité requise, les conditions de mise en œuvre et l’exposition financière à mesure que ces hypothèses évoluent.