Selon une enquête de Fivetran, 39 % des entreprises consacrent au moins un quart de leur budget d’intelligence artificielle à corriger, reconstruire ou retraiter leurs données. L’éditeur parle d’une « taxe IA ». C’est-à-dire une dépense qui ne crée aucune valeur directe, mais qui retarde les projets et réduit le retour sur investissement.
Le problème, c’est que l’obstacle ne vient pas toujours du modèle. Des données mal intégrées, peu fiables ou dépourvues de contexte métier obligent les équipes à refaire le même travail avant chaque nouveau projet.
Beaucoup d’investissements, peu de déploiements à grande échelle
Fivetran a interrogé 500 dirigeants spécialisés dans l’IT, les données et l’IA aux États-Unis, en Europe et en Asie-Pacifique. L’enquête s’est déroulée du 24 août au 7 septembre 2026.
Le contraste est net. D’un côté, 83 % des organisations ont investi au moins un million de dollars dans l’IA au cours de l’année écoulée. De l’autre, seules 37 % affirment avoir déployé plusieurs initiatives à grande échelle.
Les entreprises achètent donc des modèles et multiplient les expérimentations. Mais leur infrastructure de données freine encore le passage en production.
Une taxe qui allonge les délais et réduit le retour sur investissement
Deux tiers des répondants (66 %) citent la qualité ou l’intégration des données parmi les principales sources de travail imprévu. Et les conséquences se mesurent. Les entreprises qui consacrent au moins un quart de leur budget à cette taxe signalent cinq fois plus souvent des retards importants.
Le retour sur investissement suit la même logique. Chez celles qui limitent la taxe à moins de 10 % de leur budget, 62 % obtiennent un retour supérieur à leurs attentes. Cette part tombe à 40 % chez celles qui supportent les coûts correctifs les plus élevés.
À titre d’exemple, pour une organisation qui investit cinq millions de dollars par an, une taxe de 25 % représente 1,25 million de dollars mobilisés avant même la création de valeur. Par ailleurs, l’ampleur du phénomène varie selon les régions : 45 % des entreprises américaines sont concernées, contre 37 % en Asie-Pacifique et 34 % en Europe, au Moyen-Orient et en Afrique.
George Fraser, directeur général et cofondateur de Fivetran, résume la situation : « Les entreprises dépensent des millions en IA, mais une trop grande part de cet investissement sert à corriger sans cesse les mêmes problèmes de données ».
84% of organizations lose at least 10% of their AI spending to avoidable data work. Our new AI Tax Index 2026 shows how data quality issues, fragmented integrations, and repeated engineering work drive up costs and delay AI initiatives. Read the report: https://t.co/49dm940Qd7 https://t.co/mlHfk4hsvr
— Fivetran (@fivetran) November 12, 2026
Ce sont les intégrations sur mesure qui alourdissent la facture
Les choix techniques pèsent aussi sur le résultat. Parmi les entreprises qui s’appuient surtout sur des intégrations développées sur mesure, 53 % perdent au moins un quart de leur budget IA en corrections et retraitements. Chez celles qui utilisent des plateformes d’intégration standardisées, cette proportion est de 40 %. Les premières rencontrent en outre deux fois plus souvent des retards de plus d’un mois.
Par contre, une architecture entièrement construite en interne offre davantage de contrôle. Mais elle oblige les équipes à maintenir chaque connecteur, à suivre chaque changement de format et à réparer chaque rupture de pipeline.
Les dirigeants commencent à revoir leurs priorités
Face à ces constats, les priorités évoluent. En cas de budget IA supplémentaire, 31 % des dirigeants choisiraient d’abord d’améliorer leur infrastructure de données. Seuls 17 % privilégieraient le recrutement et 16 % l’achat de nouveaux modèles.
Cette hiérarchie semble indiquer que le modèle n’est plus perçu comme l’unique facteur de performance. D’ailleurs, neuf organisations sur dix estiment que réduire ces inefficacités accélérerait de plus de 10 % le délai nécessaire pour créer de la valeur. 41 % anticipent même un gain supérieur à 25 %.
Une précision s’impose toutefois. L’étude émane d’un éditeur de solutions d’intégration de données, qui a donc intérêt à mettre ce sujet en avant. Ses conclusions sont à lire avec cette nuance en tête.
Reste que le message est clair. Avant d’ajouter un agent IA, un nouveau modèle ou une couche d’automatisation, il faut vérifier la fiabilité, l’accessibilité et la traçabilité des données qui les alimentent. Car une IA performante ne compense pas des données défaillantes. Elle automatise seulement leurs erreurs, plus vite et à plus grande échelle.
- Partager l'article :
Restez à la pointe de l'information avec
INTELLIGENCE-ARTIFICIELLE.COM !

