Quatre des plus grandes publications de recherche du secteur ont livré leurs chiffres au cours de l’année écoulée : la Stack Overflow Developer Survey 2026, le rapport DORA 2025 de Google, les prédictions stratégiques de Gartner pour 2027 et l’Octoverse de GitHub. Rien de spéculatif : elles mesurent ce que les entreprises font déjà avec l’IA.
Lues depuis un bureau européen, ces données racontent une histoire que les gros titres sautent généralement. La question pour 2027 n’est plus de savoir si votre entreprise utilisera l’IA. C’est quels modèles, s’exécutant où, sous le contrôle de qui, à quel coût. C’est une décision d’ingénierie et de gouvernance, et les entreprises qui la traitent comme telle tireront davantage de l’IA que celles qui la traitent comme un abonnement.
Comme toujours sur ce blog : ce sont des conseils pratiques d’un point de vue d’ingénierie, pas un avis juridique.
L’enquête Stack Overflow auprès de plus de 30 000 professionnels montre que 66 % des utilisateurs d’IA travaillent désormais avec des agents, des outils qui exécutent des tâches en plusieurs étapes au lieu de suggérer des fragments. Parmi les utilisateurs d’assistants ou d’agents d’IA, 73 % les utilisent chaque jour. DORA, qui a interrogé environ 5 000 professionnels, situe l’adoption globale de l’IA près de 90 %.
Pour une entreprise, cela signifie que l’IA est déjà dans vos processus, qu’elle figure ou non dans un document de stratégie. Vos équipes l’utilisent, vos fournisseurs l’intègrent à leurs produits, et vos processus passent de plus en plus par elle. La vraie question s’est déplacée de l’adoption vers les règles : quelles données peuvent aller vers quel modèle, qui approuve les actions à conséquences, et qui répond de la sortie. Nous avons couvert le volet sécurité de ce basculement dans notre article sur la prompt injection ; le volet gouvernance, c’est cet article.
Le rapport DORA 2025 contient le constat que les directions devraient lire deux fois : l’adoption de l’IA est corrélée à un débit plus élevé et à plus d’instabilité dans la livraison. L’hypothèse confortable selon laquelle la vitesse supplémentaire paierait les erreurs supplémentaires n’a pas survécu au contact des données.
La conclusion de DORA est que l’IA agit comme un amplificateur. Les organisations aux processus solides s’améliorent ; les désorganisées cassent plus vite. Pour les entreprises européennes, cela pèse d’autant plus que l’UE a fait du processus une exigence légale : l’AI Act attend un usage documenté, contrôlé et supervisé de l’IA, avec des obligations qui s’échelonnent jusqu’en 2027. Amplifier un processus qu’on ne sait pas décrire est désormais un problème de conformité autant que d’ingénierie. Nous avons parcouru le calendrier dans notre article sur l’AI Act et les systèmes existants.
Gartner prédit que d’ici 2028, 60 % des plus grandes entreprises mondiales appliqueront des contrôles FinOps à l’inférence d’IA, et met en garde contre des attaques d’« épuisement de coûts » visant les applications d’IA exposées au public. Les données de Stack Overflow montrent la discipline déjà en formation : 38 % des organisations imposent des limites d’usage, 28 % revoient les dépenses et 27 % utilisent délibérément des modèles différents selon les tâches.
Ce dernier chiffre est le plus intéressant. Router les tâches vers le modèle le moins cher qui fait bien le travail, c’est là que vivent les vraies économies, et cela exige une architecture capable de changer de modèle, pas une dépendance dure à l’API d’un seul fournisseur. La maîtrise des coûts et l’indépendance vis-à-vis des fournisseurs se révèlent être la même décision d’ingénierie.
Rassemblez ces fils : l’IA est dans chaque processus, la réglementation exige du contrôle, et les coûts exigent de la flexibilité. Pour les entreprises européennes, tout converge vers une décision : où le modèle s’exécute-t-il réellement ?
Il existe trois routes réalistes.
Les API de pointe des fournisseurs américains. Les modèles les plus capables, le moins de contrôle. Les données entrent dans la portée juridique d’une autre juridiction, un thème que nous avons traité en profondeur dans notre article sur la souveraineté numérique. Pour beaucoup de charges de travail, l’échange se défend. Pour certaines, non, et savoir lesquelles, c’est le travail.
L’hébergement européen des grands modèles. Les régions UE et les offres de cloud souverain réduisent le problème de résidence des données, sans changer qui contrôle le modèle lui-même.
Les modèles open-weight sur votre propre infrastructure. L’option qui a mûri le plus vite. Les modèles aux poids téléchargeables peuvent tourner dans votre centre de données ou votre tenant cloud européen : les données ne sortent jamais, les coûts sont du matériel plutôt que du jeton, et la version du modèle change quand vous le décidez, pas quand un fournisseur la retire. Pour le traitement de documents, les assistants internes, la classification et beaucoup de travail quotidien, les modèles open-weight actuels sont largement capables.
Voici la partie qui mérite une étiquette honnête et la reçoit rarement : la plupart des grands modèles open-weight d’aujourd’hui sont chinois. Qwen (Alibaba) représentait plus de la moitié des téléchargements mondiaux de modèles ouverts en 2026. DeepSeek, GLM (Zhipu) et Kimi (Moonshot) occupent l’essentiel du haut du classement. La famille européenne la plus forte est Mistral, et Llama de Meta reste la principale lignée américaine, mais une entreprise qui assemble aujourd’hui une pile d’IA locale évaluera très probablement des modèles chinois.
Exécuter un modèle localement signifie que vos données restent chez vous ; les poids ne téléphonent pas à la maison. L’origine compte néanmoins, de manières qu’une évaluation sérieuse doit couvrir : les licences diffèrent (certaines sont du pur Apache 2.0 ou MIT, d’autres portent des conditions de revenus), les modèles ont été entraînés et alignés selon les normes d’un autre pays et peuvent porter ces présupposés dans leurs réponses, votre feuille de route dépend des décisions de publication d’un laboratoire étranger, et certains conseils d’administration et clients poseront simplement la question, il vous faut donc une réponse documentée. Rien de tout cela ne disqualifie ces modèles. Cela signifie que « quel modèle ouvert » est une décision de due diligence comme tout autre choix de fournisseur, testée contre vos cas d’usage, pas adoptée depuis un classement.
Le chiffre le plus discrètement important de l’enquête Stack Overflow : 93 % des professionnels disent avoir besoin de l’attribution des sources pour faire confiance à une réponse d’IA. Générer est devenu bon marché ; la confiance, non. En pratique, le travail humain se déplace de la production vers la vérification, dans le code, dans les documents, dans les décisions.
Cela rejoint la direction de la réglementation européenne : les attentes de transparence et de supervision humaine de l’AI Act supposent que quelqu’un de compétent contrôle ce que le système produit. Les entreprises devraient budgéter ce rôle plutôt que de supposer que l’IA le supprime. La prédiction connexe de Gartner, selon laquelle d’ici 2029 quelque 80 % des nouvelles applications seront jetables, va dans le même sens : le logiciel bon marché se multiplie, et la compétence rare devient de dire ce qui mérite de vivre, d’être maintenu et d’être digne de confiance. Ce qui, pour mémoire, est une prédiction de cabinet de conseil, pas une mesure.
Les données pointent vers quatre questions qui méritent une réponse avant le prochain cycle budgétaire :
Y répondre exige de connaître à la fois vos systèmes, vos flux de données et la réglementation. Cette intersection, choisir où l’IA s’exécute et la construire de façon que le choix reste réversible, c’est le travail que Dink mène en première ligne pour les entreprises du Benelux. Nous sommes délibérément agnostiques quant aux modèles : nous avons construit sur les API de pointe, sur l’hébergement européen et sur des modèles open-weight tournant sur l’infrastructure de clients, et la comparaison honnête entre ces routes est exactement ce que livre notre technology assessment. Une fois la décision prise, nous construisons et maintenons le résultat pendant que les modèles en dessous continuent de changer.
Quelles sont les grandes tendances de l’IA en entreprise pour 2027 ?
D’après les données de Stack Overflow, DORA, Gartner et GitHub : des agents d’IA dans le travail quotidien, une vitesse de livraison plus élevée accompagnée de plus d’instabilité, la gestion des coûts d’IA (FinOps) comme discipline standard, le choix stratégique de l’endroit où les modèles s’exécutent, et la vérification humaine comme compétence rare.
Notre entreprise devrait-elle exécuter des modèles d’IA localement ?
Pour beaucoup de charges de travail, c’est désormais réaliste : le traitement de documents, les assistants internes et la classification tournent bien sur les modèles open-weight actuels, gardent les données dans votre infrastructure et transforment des coûts au jeton en coûts matériels prévisibles. Les API de pointe restent devant pour les tâches les plus difficiles. La plupart des entreprises finissent avec un mélange, et c’est pourquoi une architecture permettant de changer de modèle compte plus que n’importe quel choix de modèle isolé.
Les modèles open-weight chinois sont-ils sûrs pour les entreprises européennes ?
Exécutés localement, ils n’envoient de données nulle part ; ce risque dépend de l’endroit où vous les exécutez, pas de leur origine. Ce qui reste relève de la due diligence fournisseur : conditions de licence, caractéristiques d’alignement et de biais, dépendance à la feuille de route et perception des parties prenantes. Évaluez-les contre vos cas d’usage comme tout fournisseur critique, et documentez la décision. Des alternatives ouvertes européennes (Mistral) et américaines (Llama, Gemma) existent et appartiennent à la même comparaison.
Que change l’AI Act pour les entreprises ordinaires en 2027 ?
Les obligations de transparence pour les systèmes d’IA qui interagissent avec des personnes s’appliquent depuis août 2026, et les obligations haut risque s’échelonnent à partir de fin 2027 après les ajustements du Digital Omnibus. Le cœur pratique reste le même quelle que soit la catégorie : savoir où vous utilisez l’IA, contrôler les données qui l’atteignent, et garder des humains en supervision des sorties à conséquences.
Comment maîtriser les coûts d’IA ?
Traitez le coût par requête comme une exigence d’architecture : mesurez la consommation par fonctionnalité et par processus, mettez en cache quand c’est possible, routez les tâches vers le modèle adéquat le moins cher, et envisagez des modèles locaux pour les charges à fort volume. Gartner s’attend à ce que le FinOps de l’inférence d’IA soit une pratique standard des grandes entreprises d’ici 2028 ; les entreprises moyennes en tirent le même bénéfice plus tôt en concevant pour cela dès maintenant.
En train de décider où l’IA devrait s’exécuter dans votre organisation, ou de ce que votre configuration actuelle donnerait sous le regard de l’AI Act ? Commencez par un technology assessment à périmètre fixe, ou contactez-nous.
Le prospectus d'introduction en bourse d'Anthropic révèle des revenus en forte croissance, des centaines de milliards d'engagements et aucun chemin clair vers la rentabilité. Quand la liquidité se tarit, la hausse des prix suit.…
Lire l’article
Tout système d'IA qui lit des e-mails, des documents ou des pages web peut recevoir des instructions de quiconque a écrit ce contenu. Pourquoi la prompt injection est le risque numéro un de l'OWASP…
Lire l’article
Les systèmes modernes dépendent de dizaines de prestataires externes, mais la plupart des processus sont conçus comme si aucun ne tombait jamais. Ce qui se passe réellement quand l'un d'eux lâche, et comment concevoir…
Lire l’article
Parlez-nous de votre plateforme — ce qu'elle exécute, ce qu'elle coûte, ce qui vous inquiète. Nous revenons vers vous avec une proposition de périmètre, sans autre engagement que la conversation.
Demander un technology assessment