Une nouvelle enquête VentureBeat Pulse Research met en évidence un décalage croissant dans l’IA d’entreprise : les organisations renforcent leurs ambitions en matière d’infrastructure et envisagent des changements de fournisseurs alors que beaucoup n’ont toujours pas une visibilité élémentaire sur ce que coûte réellement leur calcul IA existant.

L’enquête, fondée sur 107 répondants issus d’organisations de plus de 100 employés lors d’une seule vague en juin 2026, montre que seulement 21 % déclarent exécuter de l’IA en production à grande échelle. Pourtant, selon le reportage de VentureBeat, 45 % prévoient d’évaluer des clouds spécialisés en IA au cours de l’année à venir, 64 % entendent changer ou ajouter un fournisseur d’infrastructure dans les 12 mois, et 38 % disent que cela pourrait se produire dès le prochain trimestre. Dans le même temps, 83 % des répondants exploitant des GPU ont déclaré une utilisation de 50 % ou moins, et seulement 44 % ont indiqué suivre rigoureusement le coût et le rendement de leur calcul IA.

Cette combinaison est importante car elle suggère que la prochaine phase de l’IA d’entreprise pourrait être façonnée moins par une demande brute de davantage de matériel que par une instrumentation des coûts faible, des pratiques de déploiement immatures et des décisions d’achat précipitées. Pour les concepteurs et les acheteurs d’entreprise, le titre n’est pas simplement que les budgets IA augmentent. C’est que les dépenses semblent devancer la discipline opérationnelle.

Un marché encore tôt dans son déploiement se prépare déjà à changer de plate-forme

L’un des messages les plus clairs de l’enquête est que de nombreuses entreprises en sont encore aux débuts de leur déploiement de l’IA. VentureBeat indique que 76 % des répondants expérimentent encore ou n’ont que quelques charges de travail en production. Cela rend la redistribution actuelle de l’infrastructure remarquable : les organisations ne changent pas de fournisseur à partir d’une position d’expérience opérationnelle mature et stable. Beaucoup sont encore en train de poser les fondations.

L’utilisation actuelle reste concentrée autour de fournisseurs établis. VentureBeat rapporte que Google Cloud arrive en tête de l’utilisation actuelle de l’infrastructure IA avec 48 %, tandis que d’autres grandes plateformes, dont Microsoft, AWS et Oracle, ainsi que les API de fournisseurs de modèles comme Gemini, OpenAI et Anthropic, constituent la majeure partie de la pile actuelle. À l’inverse, les fournisseurs de clouds GPU spécialisés qui attirent une forte attention dans les cercles de l’infrastructure IA, notamment CoreWeave, Lambda, Crusoe et Nebius, n’ont enregistré que peu ou pas d’utilisation actuelle dans cet échantillon.

Mais l’évaluation prévue est très différente du déploiement actuel. Le domaine le plus souvent cité pour examen au cours de l’année à venir était les clouds spécialisés en IA, à 45 %, selon l’enquête. VentureBeat a également indiqué que 32 % ont l’intention d’évaluer des accélérateurs non Nvidia et que 28 % prévoient d’évaluer la silicium Nvidia de nouvelle génération. En d’autres termes, le prochain cycle de dépenses pourrait moins consolider le statu quo que tester des alternatives à celui-ci.

C’est une distinction importante pour les équipes d’IA d’entreprise. Une société peut aujourd’hui être fortement engagée dans l’IA cloud tout en utilisant le prochain cycle budgétaire pour examiner de nouvelles couches d’infrastructure, de nouveaux types d’accélérateurs et différentes structures de coûts pour l’entraînement et l’inférence.

Les acheteurs se soucient davantage de l’adéquation et du TCO que du simple prix unitaire des tokens

Les signaux d’achat de l’enquête sont sans doute plus utiles que ses instantanés de parts de marché. Selon VentureBeat, les répondants ont déclaré que l’intégration avec la pile existante était le premier facteur dans le choix d’un fournisseur d’infrastructure IA, cité par 41 %, suivie du coût total de possession à 35 %. Le coût par million de tokens arrivait bien plus bas, à seulement 8 %.

Ce résultat va à l’encontre de la présentation populaire de la concurrence dans l’infrastructure IA comme une course au prix unitaire le plus bas. Les acheteurs d’entreprise, du moins dans cet échantillon, semblent davantage se soucier de savoir si la nouvelle infrastructure s’intègre aux systèmes d’identité, aux pipelines de données, aux outils d’observabilité, aux contrôles de gouvernance et aux contrats existants que d’un tarif de tokens mis en avant.

Le résultat aide aussi à expliquer pourquoi Microsoft Azure et Google Cloud arrivent, selon le rapport, en tête des intentions de changement à court terme avec 33 % chacun, devant OpenAI à 30 % et Gemini à 22 %. VentureBeat y voit la preuve qu’une grande partie du mouvement à court terme pourrait consister en des fournisseurs en place qui se disputent des parts de marché ou consolident les dépenses clients, plutôt qu’en une migration rapide vers de nouveaux fournisseurs spécialisés.

Pour les équipes produit, cela signifie que le mérite technique seul pourrait ne pas suffire à obtenir un budget. Les fournisseurs capables de simplifier la migration, d’unifier la facturation, d’améliorer la gouvernance ou de faciliter les achats d’entreprise pourraient avoir davantage d’influence que les vendeurs centrés uniquement sur le prix de référence.

Les données pointent vers un problème de responsabilité, pas seulement de capacité

La statistique la plus forte du rapport est peut-être celle de l’utilisation. VentureBeat indique que, parmi les entreprises exploitant des GPU, 83 % ont déclaré une utilisation de 50 % ou moins, et 49 % une utilisation de 25 % ou moins. Un autre 8 % ont déclaré ne pas mesurer l’utilisation du tout.

Si ces chiffres sont exacts, ils suggèrent qu’une grande quantité de capacité coûteuse reste inutilisée. Ce n’est pas nécessairement surprenant dans les programmes d’IA en phase initiale, où les équipes surdimensionnent souvent pour expérimenter, achètent de la capacité avant le déploiement ou n’ont pas de planificateurs de charges de travail assez sophistiqués pour maintenir les systèmes occupés. Mais cela sape l’idée que davantage de GPU soient à eux seuls la réponse immédiate à la plupart des goulets d’étranglement de l’IA d’entreprise.

Le volet comptable semble tout aussi faible. Moins de la moitié des répondants, 44 %, ont déclaré suivre rigoureusement le coût et le rendement du calcul, selon VentureBeat. D’autres ont dit ne le suivre que partiellement, ne pas pouvoir le quantifier encore, ou ne pas l’avoir priorisé.

Pris ensemble, ces résultats soutiennent la thèse centrale de l’article selon laquelle il existe un « écart de calcul » : les entreprises prennent des décisions d’infrastructure plus rapides et plus importantes que leurs systèmes de mesure ne peuvent le justifier. En pratique, cela pourrait signifier que des équipes approuvent des instances réservées, des clusters GPU, des engagements d’API de modèles ou de nouveaux partenariats cloud sans économie unitaire claire au niveau des charges de travail.

Pour l’IA d’entreprise, cela compte parce que les problèmes de coûts apparaissent généralement tard. Une preuve de concept peut tolérer une économie floue ; un produit d’inférence à grande échelle ne le peut pas. Si les organisations ne savent pas quelles charges de travail consomment le budget, quels modèles sont surdimensionnés, ou où les files d’attente GPU et les limites de mémoire créent des gaspillages cachés, la prochaine phase de dépenses pourrait simplement rendre ces inefficacités plus difficiles à corriger.

Preuves, méthodologie et ce qui reste incertain

Il s’agit d’une enquête utile, mais elle doit être lue avec prudence. VentureBeat précise lui-même que les données proviennent d’une seule vague du T2 2026, avec 107 répondants qualifiés, et qu’elles doivent être considérées comme un signal directionnel plutôt que comme une mesure précise du marché. L’échantillon est auto-sélectionné, penche vers des organisations de taille intermédiaire et favorise des adoptants de l’IA à un stade plus précoce plutôt que les plus grands opérateurs hyperscale.

Cette réserve est importante pour plusieurs raisons. D’abord, l’utilisation actuelle des fournisseurs dans cette enquête n’est pas la même que la part mondiale des dépenses d’IA d’entreprise. Ensuite, les intentions de changement déclarées sont souvent plus bruyantes que les comportements de changement réels. Enfin, les réponses sur l’utilisation et le suivi des coûts sont autodéclarées plutôt qu’auditées de manière indépendante.

Certaines des affirmations les plus prospectives sont aussi des attitudes issues de l’enquête, et non des résultats de marché observés. L’intérêt pour les clouds spécialisés en IA, les accélérateurs non Nvidia et le calcul décentralisé ou souverain reflète des plans d’évaluation, pas des achats engagés. De même, l’inquiétude concernant la bande passante mémoire et les contraintes du cache KV dans l’inférence est réelle dans les déploiements avancés, mais le constat de VentureBeat selon lequel environ un répondant sur cinq ignore le problème en dit davantage sur la maturité de l’acheteur que sur le moment où ce goulot d’étranglement deviendra urgent pour une entreprise donnée.

Même avec ces réserves, la logique interne de l’enquête est cohérente : les adoptants précoces continuent de construire, ils sont suffisamment insatisfaits pour évaluer des alternatives, et beaucoup n’ont pas encore les contrôles des coûts nécessaires pour bien juger ces alternatives.

Ce que cela signifie pour les concepteurs et les équipes d’IA d’entreprise

Pour les fournisseurs d’infrastructure, le message est clair : la vente aux entreprises concerne de plus en plus la visibilité opérationnelle, pas seulement l’accès aux accélérateurs. Les fournisseurs capables de montrer une attribution solide des coûts, des rapports d’utilisation, des contrôles de politique et une orchestration des charges de travail pourraient trouver davantage d’écho que ceux qui ne vendent que de la capacité brute.

Pour les entreprises, la priorité devra peut-être passer de l’achat de plus de calcul à une meilleure mesure du calcul actuel. Cela signifie une refacturation au niveau des charges de travail, des politiques d’acheminement des modèles, la planification des GPU, des stratégies de cache et une comptabilité plus claire entre expérimentation, entraînement et inférence. Cela signifie aussi comparer les coûts des API de modèles à l’économie de l’hébergement interne en intégrant le travail humain, l’intégration, la fiabilité et la surcharge de gouvernance, et pas seulement le prix par token.

Pour les créateurs d’IA, en particulier ceux qui livrent des produits sur Google Cloud, Microsoft Azure, AWS ou Oracle tout en consommant des API d’OpenAI, Anthropic ou Gemini, l’enquête rappelle que les choix d’infrastructure ne sont plus des décisions de fond. Ils influencent la latence, les marges, la fiabilité, la conformité et la flexibilité de la feuille de route produit. Si la finance et l’ingénierie ne peuvent pas voir ensemble ces compromis, les décisions d’architecture seront dictées par l’urgence des achats plutôt que par les preuves.

Ce qu’il faut surveiller ensuite

Le prochain signal à surveiller est de savoir si l’intérêt déclaré pour l’évaluation se traduit par un déplacement réel des charges de travail vers CoreWeave, Lambda, Crusoe, Nebius ou d’autres clouds spécialisés en IA. Un deuxième indicateur clé est de voir si les entreprises adoptent des outils plus formels d’observabilité des coûts IA au lieu de continuer à gérer les dépenses via les tableaux de bord cloud et des rapports partiels.

Il faudra aussi surveiller si la vague de changements reste concentrée chez les acteurs en place comme Google Cloud, Microsoft Azure, OpenAI et Gemini, ou si elle s’étend à une diversification significative des accélérateurs. Si les évaluations d’options non Nvidia se transforment en déploiements, cela signalerait un changement plus profond dans la manière dont les entreprises pensent la performance, le risque d’approvisionnement et le contrôle des coûts.

Enfin, surveillez les indicateurs opérationnels. Si les futures enquêtes montrent que l’utilisation des GPU augmente et que davantage d’entreprises suivent rigoureusement l’économie du calcul, alors le surinvestissement d’aujourd’hui pourrait ressembler à une douleur de croissance temporaire. Sinon, l’IA d’entreprise pourrait entrer dans son prochain cycle d’expansion avec les mêmes problèmes de visibilité, mais sur une facture plus élevée.

Point de vue de Creati.ai

L’enseignement le plus important de cette enquête n’est pas que les entreprises veulent davantage d’infrastructure IA. Cela est évident depuis un certain temps. Le signal le plus utile est que de nombreux acheteurs reconnaissent désormais l’intégration et le coût total de possession comme les véritables critères de décision, tout en manquant encore de l’instrumentation nécessaire pour mesurer l’un ou l’autre avec confiance.

Cet écart crée une ouverture dans toute la pile. Les fournisseurs cloud, les plates-formes de modèles, les fournisseurs d’observabilité et les équipes de plate-forme internes ont tous une chance de transformer le contrôle des coûts IA en fonctionnalité produit plutôt qu’en réflexion tardive pour la finance. Les gagnants pourraient être les entreprises qui rendent le calcul lisible : non seulement disponible, mais attribuable, gouvernable et facile à comparer entre charges de travail. Dans l’IA d’entreprise, une économie plus claire pourrait devenir un avantage concurrentiel plus fort que la prochaine baisse incrémentale du prix catalogue.