16 Changements Majeurs dans l’IA d’Entreprise : Analyse des Tendances 2025

Bienvenue dans notre analyse approfondie des tendances de l’IA d’entreprise pour 2025. Aujourd’hui, nous allons examiner en détail les 16 changements majeurs identifiés par Andreessen Horowitz (a16z) dans leur récente étude sur l’évolution de l’IA en entreprise. Cette analyse annuelle nous permet de comparer ces observations avec ce que nous constatons sur le terrain et d’identifier les divergences éventuelles.

Rétrospective 2024 : Les grandes tendances précédentes

Avant de plonger dans les tendances actuelles, rappelons les principales observations de l’édition 2024 :

• Une augmentation spectaculaire des budgets consacrés à l’IA générative
• Des préoccupations importantes concernant la sécurité des données d’entreprise
• Une préférence pour la personnalisation de modèles existants via le fine-tuning plutôt que la création de modèles from scratch
• Des décisions d’achat fortement influencées par les fournisseurs cloud existants
• Face au manque d’applications verticales de qualité, les entreprises préféraient développer leurs propres outils plutôt que d’en acheter

Notablement absent de cette liste : les agents IA. En mars 2024, nous étions encore avant l’avènement des modèles de raisonnement, et les grandes entreprises spécialisées dans les agents de codage n’existaient pas encore.

Les 16 Tendances Clés pour 2025

1. Des budgets plus importants que prévu, sans signe de ralentissement

A16Z a constaté que les dirigeants d’entreprise prévoient une croissance moyenne de 75% de leurs dépenses en IA au cours de l’année à venir. Cette augmentation est motivée par la découverte et la mise en œuvre de nouveaux cas d’usage. Comme l’a déclaré une entreprise : « Nous nous sommes principalement concentrés sur les cas d’usage internes jusqu’à présent, mais cette année, nous nous concentrons sur l’IA générative orientée client, où les dépenses seront significativement plus importantes. »

Il est important de noter que les agents IA ont un impact disproportionné sur cette tendance. Selon une étude de PWC, environ 88% des organisations augmentent leur budget IA en raison des agents, et environ 3/4 d’entre elles augmentent leur budget de 10% ou plus.

2. Des sources de financement différentes

Voici une statistique révélatrice : l’année dernière, les budgets d’innovation représentaient environ un quart des dépenses en IA générative. Ce chiffre est maintenant tombé à seulement 7%. La réallocation du budget central IT a bondi de 28% l’année dernière à 39% cette année. Le budget des unités commerciales est passé de 21% à 27%. Les nouveaux budgets IT centraux ont légèrement diminué, passant de 19% à 17%, tandis que la R&D centrale a augmenté de 8% à 10%.

En résumé, les dépenses en IA générative s’inscrivent désormais dans des lignes budgétaires permanentes. Cela reflète également un changement d’attitude : les projets pilotes d’agents IA sont abordés différemment des pilotes d’IA générative d’il y a un an ou un an et demi. Ces nouveaux pilotes visent à déterminer ce qui est possible maintenant et à construire l’infrastructure pour ce qui sera disponible à l’avenir.

3. Les entreprises se comportent de plus en plus comme des consommateurs

Si vous êtes un utilisateur averti de l’IA, vous utilisez probablement différents modèles pour différents cas d’usage – par exemple, Claude d’Anthropic pour le codage, GPT-4.5 pour la rédaction, et GPT-O3 pour les tâches de stratégie commerciale.

A16Z constate que les entreprises adoptent également cette approche multi-modèles, motivée par la différenciation des performances. Les organisations deviennent plus sophistiquées à mesure qu’elles acquièrent de l’expérience avec ces outils. Par exemple, « il est bien connu que les modèles d’Anthropic excellent dans les tâches liées au codage, mais il y a plus de nuances : certains utilisateurs rapportent que Claude est meilleur pour la complétion de code fine, tandis que Gemini est plus fort dans la conception et l’architecture de systèmes de haut niveau. »

Contrairement aux attentes, les entreprises ne se limitent pas à un seul outil : 37% des répondants utilisent cinq modèles ou plus.

4. Consolidation autour de quelques leaders

OpenAI continue de dominer le marché, mais Google et Anthropic ont fait d’importants progrès au cours de l’année écoulée. Fait intéressant, 67% des utilisateurs d’OpenAI ont également déployé des modèles non-frontier en production, contre seulement 41% pour Google et 27% pour Anthropic.

5. Google gagne des parts de marché dans les grandes entreprises

Les grandes entreprises font davantage confiance à Google, non seulement pour des raisons de conformité et juridiques, mais aussi parce que Google a mis l’accent sur le rapport performance/coût. Étant donné l’ampleur des cas d’usage dans les grandes entreprises, cette considération de coût est cruciale.

Les grandes entreprises sont également plus susceptibles d’adopter des modèles open source comme Llama et Mistral, ce qui est lié à la tendance au développement interne.

Le prix est un facteur déterminant. Les modèles propriétaires, en particulier les modèles non-frontier, ont connu une baisse de coût si importante que les clients optent plus fréquemment pour ces modèles fermés, bénéficiant ainsi d’autres avantages écosystémiques plutôt que de se tourner vers l’open source.

Comme l’a déclaré un client : « Les prix sont devenus attrayants et nous sommes déjà intégrés avec Google. Nous utilisons tout, de G Suite aux bases de données, et leur expertise en entreprise est attractive. » Un autre a simplement déclaré : « Gemini est bon marché. »

6. Le fine-tuning devient moins nécessaire avec l’amélioration des capacités des modèles

C’est un changement majeur par rapport à l’année dernière. Au lieu de prendre un ensemble de données d’entraînement et de prendre le temps d’affiner les modèles, maintenant que les fenêtres de contexte sont très longues et les modèles plus intelligents, les entreprises peuvent simplement utiliser ce qui est disponible sans modification.

Comme l’a expliqué une entreprise : « Au lieu de prendre les données d’entraînement et de faire du fine-tuning efficace en termes de paramètres, vous les intégrez simplement dans un contexte long et obtenez des résultats presque équivalents. »

7. L’enthousiasme pour les modèles de raisonnement

Bien que les entreprises en soient encore aux premiers stades de leurs tests, elles sont très enthousiastes quant au potentiel des modèles de raisonnement. Ces modèles, et les agents qu’ils permettent, ouvrent un nouvel ensemble de cas d’usage.

Actuellement, 23% des entreprises utilisent le modèle O3 d’OpenAI en production. 57% des répondants ont déclaré que les modèles de raisonnement accélèrent légèrement leur adoption.

Chaque amélioration de modèle ouvre de nouveaux cas d’usage. Comme l’a déclaré un dirigeant : « Les modèles de raisonnement nous permettent de résoudre des cas d’usage plus récents et plus complexes. Je prévois donc une forte augmentation de notre utilisation. »

8. Un processus d’achat plus traditionnel

Le processus d’achat ressemble de plus en plus à l’approvisionnement traditionnel de logiciels d’entreprise, avec des listes de contrôle et une sensibilité aux prix.

Les considérations qui ont le plus diminué en importance sont le raisonnement, la précision et la fiabilité, tandis que le coût de possession a considérablement augmenté. Cela reflète le passage à des budgets à plus long terme et l’utilisation plus généralisée de ces outils dans l’organisation.

9. Une confiance accrue envers les fournisseurs de modèles

Les entreprises sont devenues beaucoup plus à l’aise avec l’hébergement directement chez un fournisseur de modèles, même s’il s’agit d’une entreprise plus récente comme OpenAI ou Anthropic. L’année dernière, la plupart des organisations préféraient accéder aux modèles via un fournisseur cloud de confiance avec lequel elles avaient déjà une relation.

La principale raison de ce changement est que les dirigeants « veulent un accès direct au dernier modèle avec les meilleures performances dès qu’il est disponible ». Les accès anticipés sont également importants.

Un problème fréquemment signalé par les entreprises est la disparité entre la qualité des modèles auxquels les employés ont accès dans leur vie personnelle et ceux disponibles au travail. Plus les entreprises peuvent se rapprocher des modèles de pointe plutôt que d’être limitées à ce qui est disponible via leur fournisseur cloud standard, plus les cas d’usage qu’elles déploient seront efficaces.

10. Des coûts de changement plus élevés avec les agents IA

Les coûts de changement augmentent pour l’IA à mesure que les agents activent des cas d’usage plus complexes. L’année dernière, la plupart des entreprises concevaient leurs applications pour minimiser ces coûts et rendre les modèles aussi interchangeables que possible.

Cette approche fonctionnait bien pour les cas d’usage simples, mais l’essor des flux de travail agentiques rend plus difficile le passage d’un modèle à un autre. Les flux de travail agentiques nécessitent souvent plusieurs étapes pour accomplir une tâche, donc changer une partie du flux de travail d’un modèle pourrait affecter toutes les dépendances en aval.

On observe cette tendance dans la concurrence entre les plateformes d’agents, chacune cherchant à obtenir un ensemble plus large de cas d’usage pour leur plateforme, car les entreprises voudront l’interopérabilité des agents.

11. Évaluation des modèles : montée en puissance des benchmarks externes

A16Z a constaté une forte augmentation de l’utilisation de benchmarks externes comme proxy d’évaluation. Les benchmarks internes et les évaluations projet par projet ont légèrement diminué.

Cependant, cette tendance pourrait être temporaire. La plupart des benchmarks externes atteignent leurs limites, avec des performances qui se regroupent au sommet. Nous avons besoin d’un ensemble d’évaluations plus sophistiqué.

Si l’on considère les pistes du sommet AI Engineer comme un indicateur avancé de l’évolution du marché, on peut s’attendre à un travail considérable autour de l’évaluation et des approches d’évaluation des modèles qui trouveront également leur chemin vers l’entreprise.

12. Le paradigme construire vs acheter évolue

Contrairement à l’année dernière, où de nombreuses entreprises construisaient leurs solutions par défaut en raison du manque d’applications IA adaptées à leurs cas d’usage spécifiques, cette tendance évolue maintenant.

A16Z écrit : « Nous avons observé un changement de marché vers l’achat d’applications tierces au cours des 12 derniers mois, à mesure que l’écosystème des applications IA a commencé à mûrir. »

Les agents verticaux et fonctionnels ont été la plus grande tendance des startups ces six derniers mois au moins. De plus en plus de cas d’usage communs à différents types d’entreprises commencent à disposer d’options de qualité prêtes à l’emploi.

Cependant, même avec ces solutions, une certaine personnalisation et un travail important pour intégrer les données qui font fonctionner ces agents restent nécessaires.

Nous assisterons probablement à une bifurcation. Les organisations, voire différentes parties d’organisations, se répartiront en deux camps distincts :

1. Un camp où les solutions prêtes à l’emploi sont suffisantes (par exemple, les entreprises de biens de consommation avec des agents de service client)
2. Un autre camp, particulièrement dans les industries fortement réglementées à haute valeur (finance, santé), où la tendance sera de développer ses propres solutions agentiques

Cette division est déjà visible dans la façon dont les industries réglementées et non réglementées interagissent avec différents cas d’usage. Dans les industries non réglementées, l’utilisation d’applications tierces versus de solutions personnalisées pour l’analyse de données est assez équilibrée, tandis que dans les industries réglementées, la grande majorité utilise des solutions personnalisées.

13. Les acheteurs peinent avec la tarification basée sur les résultats

Nous sommes dans une phase expérimentale où il est clair que le modèle traditionnel par siège ne tiendra pas, mais beaucoup de ces premières tentatives de tarification basée sur les résultats ne sont pas nécessairement optimales dès le départ.

Les DSI s’inquiètent du manque de résultats clairs, des coûts imprévisibles et des problèmes d’attribution. Les entreprises restent intéressées par des modèles basés sur l’utilisation ou hybrides pour les applications d’IA.

Seuls 15% des DSI interrogés ont déclaré préférer les modèles basés sur les résultats, contre 21% qui préfèrent les modèles basés sur les sièges et 39% qui préfèrent les modèles basés sur l’utilisation.

Lorsqu’on leur a demandé quels étaient leurs plus grands défis avec la tarification basée sur les résultats, 47% des répondants ont cité le manque de résultats clairs et mesurables, et 36% ont mentionné des coûts imprévisibles et non évolutifs.

14. Certains cas d’usage deviennent omniprésents

A16Z souligne particulièrement le développement logiciel : « Le développement logiciel a connu un changement radical d’adoption, porté par une tempête parfaite d’applications prêtes à l’emploi de très haute qualité, une augmentation significative des capacités des modèles, une pertinence pour un large éventail d’entreprises et d’industries, et un retour sur investissement évident. »

Le pourcentage d’entreprises ayant le développement logiciel comme cas d’usage en production est passé de moins de 40% à plus de 70% en un an seulement.

D’autres cas d’usage qui ont connu d’importants gains sont la recherche d’entreprise, l’analyse de données et l’étiquetage de données. Le service client a connu une légère baisse d’utilisation en production.

15. L’adoption guidée par l’usage externe des employés

Une grande partie de la croissance initiale des applications d’IA d’entreprise a été motivée par le marché des prosommateurs. De nombreux DSI ont noté que leur décision d’acheter ChatGPT Enterprise était motivée par « les employés qui adorent ChatGPT. C’est la marque qu’ils connaissaient. »

Cette tendance ne fera que s’accentuer, comme l’illustre l’exemple d’Amazon qui pourrait utiliser Cursor à l’avenir pour répondre aux demandes des employés.

16. La qualité et la rapidité natives de l’IA commencent à dépasser les acteurs établis

Lorsque l’IA a commencé à se développer, les acteurs établis avaient un avantage qu’ils n’avaient pas eu lors des précédents changements de paradigme technologique. Habituellement, chaque nouveau changement de paradigme crée un nouvel ensemble d’acteurs qui commencent comme startups et finissent par surpasser les acteurs dominants.

Cependant, les acteurs établis avaient plusieurs avantages importants avec l’IA :
– Une confiance établie (cruciale pour les données sensibles)
– Une distribution existante
– La capacité financière de réaliser des investissements massifs

Mais quelque chose semble changer. La seizième et dernière tendance indique que la qualité et la rapidité natives de l’IA commencent à dépasser celles des acteurs établis.

Les entreprises recherchent de plus en plus l’accès au meilleur modèle de pointe dès que possible après sa sortie. Un domaine particulier où cela se manifeste est le développement logiciel, où la différence entre les premiers assistants de codage IA et les nouvelles plateformes de codage par agents est énorme.

Les entreprises qui préfèrent les entreprises natives de l’IA le font principalement en raison de leur rythme d’innovation plus rapide.

Conclusion : Une accélération continue

En un mot, l’histoire globale est celle de l’accélération. Les choses continuent d’évoluer plus rapidement et les entreprises s’adaptent à un rythme surprenant. Beaucoup des changements dans le comportement des entreprises reflètent presque une mentalité de consommateur – la volonté de travailler avec plusieurs modèles différents, le désir d’accéder à l’état de l’art aussi rapidement que possible.

Toutes ces tendances vont à l’encontre de ce que l’on pourrait attendre des entreprises, mais elles ont du sens dans ce contexte. Entre cette enquête et celle de l’année prochaine, nous pouvons anticiper encore plus de transformations à mesure que les agents deviennent un facteur clé.

Ces observations d’a16z résonnent fortement avec ce que nous observons sur le terrain et offrent beaucoup de matière à réflexion pour les entreprises qui élaborent leur stratégie d’IA.