La réponse en bref
Gartner s'attend à ce que les dépenses mondiales des utilisateurs finaux en modèles et plateformes d'IA atteignent 64 milliards de dollars en 2026, en hausse de 63,4 % par rapport à 39 milliards en 2025. Dans ce total, les modèles d'IA générative croissent de 117 %, les dépenses en plateformes d'IA de 36,9 %, et le point marquant reste les modèles spécialisés et spécifiques à un domaine, à 210 %. Publiée le 20 juillet 2026, la prévision décrit un marché toujours en forte expansion, mais où les acheteurs ont commencé à poser des questions plus dures sur les coûts, la latence, la performance et les retours démontrables.
Pour les équipes qui construisent et achètent de l'IA, le signal sous la croissance est un passage de l'expérimentation à la redevabilité. L'argent continue de circuler, mais il se déplace vers des modèles plus petits et spécialisés, et vers des fournisseurs capables de démontrer une valeur mesurable et d'appliquer des politiques là où et comme l'IA est utilisée. Les gagnants de la prochaine phase ne seront pas ceux qui livrent le plus gros modèle — ce seront ceux qui aident les entreprises à dépenser efficacement et à le prouver.
Qu'a réellement prévu Gartner ?
Le 20 juillet 2026, Gartner a projeté que les dépenses mondiales des utilisateurs finaux sur le marché des plateformes et modèles d'IA totaliseront 64 milliards de dollars en 2026, soit une hausse de 63,4 % par rapport aux 39 milliards dépensés en 2025. C'est un marché qui a presque doublé en deux ans et ne montre aucun signe de net ralentissement, alors même que la conversation générale est passée de la capacité au coût. La croissance est large, mais inégalement répartie entre les catégories suivies par Gartner.
Sous le total, c'est la composition qui compte. Les dépenses en modèles d'IA générative devraient croître de 117 % en 2026, tandis que les dépenses en plateformes d'IA — l'outillage pour construire, servir et exploiter les modèles — augmentent plus modérément de 36,9 %. Le segment de loin le plus dynamique reste les modèles de langage spécifiques à un domaine et les modèles spécialisés, prévus à 210 %. Ce dernier chiffre est révélateur : les entreprises se tournent de plus en plus vers des modèles plus petits, adaptés à une tâche ou à un secteur, plutôt que de payer des prix « frontière » pour une intelligence généraliste dont elles n'ont pas besoin. Les équipes qui montent leur première intégration de GenAI ont désormais un vrai choix entre un modèle généraliste et un modèle ciblé, et le coût les pousse vers le ciblage.
Gartner a aussi signalé un changement de comportement des acheteurs qui recadre toute la prévision. « Les budgets IA des entreprises font l'objet d'un examen renforcé, axé sur l'efficacité d'usage, la maîtrise des coûts et des retours quantifiables », déclare Arunasree Cheparthi, Senior Principal Research Analyst chez Gartner. Selon la firme, les dépenses se déplacent vers les fournisseurs capables de démontrer une valeur claire sur les coûts, la latence, la performance et la fiabilité, et d'offrir les outils d'évaluation, de suivi des coûts et d'application des politiques dont les entreprises ont besoin pour garder leurs déploiements d'IA sous contrôle. Dans le cadre posé par Gartner, les plus grands gagnants seront les fournisseurs qui aident les entreprises à gérer où et comment l'IA est utilisée — pas simplement ceux dotés du modèle brut le plus puissant.
Pourquoi une hausse de 63 % compte-t-elle maintenant ?
Le chiffre phare compte parce qu'il tranche un débat en cours. Pendant un an, la question ouverte a été de savoir si les dépenses IA des entreprises étaient une ligne budgétaire durable ou une vague de budgets expérimentaux que la finance reprendrait. Une prévision de 64 milliards de dollars, en hausse de 63 %, dit que la demande est structurelle : l'IA est passée des pilotes à des systèmes que les entreprises comptent financer pendant des années. Si vous traitez encore l'IA comme un coût discrétionnaire de laboratoire, le marché vous a déjà dépassé.
La composition compte encore plus que le total. Un bond de 210 % des modèles spécialisés et spécifiques à un domaine — contre 36,9 % relativement contenus pour les plateformes — montre où la valeur se fixe. Les entreprises apprennent qu'un modèle plus petit, calibré pour leur domaine, bat souvent un modèle généraliste géant sur la métrique qui compte vraiment : le coût par résultat utile. C'est exactement le calcul derrière l'essor des modèles affinés et spécifiques à un domaine, où un modèle ciblé sur une infrastructure moins chère offre une meilleure précision et une latence plus faible pour une tâche définie qu'un généraliste surdimensionné.
Et le thème de l'examen compte parce qu'il change qui remporte le budget. Quand l'argent était facile, le plus gros modèle attirait l'attention. À mesure que les budgets se resserrent, les questions décisives deviennent : combien cela coûte-t-il par requête, à quelle vitesse, avec quelle fiabilité, et pouvons-nous prouver le retour ? C'est autant un problème de gouvernance et de FinOps qu'un problème de modélisation, et il récompense les équipes qui instrumentent leurs dépenses IA plutôt que celles qui se contentent de les augmenter. Une précision sur le périmètre s'impose aussi : il s'agit d'une prévision de marché, pas d'un chiffre d'affaires garanti, et les catégories de Gartner évoluent — traitez la direction comme ferme et les répartitions exactes comme indicatives.
Qu'est-ce que cela change à votre budget IA ?
La première chose que cela change est la réponse par défaut à « quel modèle ? » Il y a un an, prendre le plus gros modèle frontière était un réflexe défendable. Aujourd'hui, avec les modèles spécialisés comme segment le plus dynamique et la finance qui surveille le coût par résultat, « utiliser le plus gros modèle pour tout » relève plus de l'habitude coûteuse que du choix sûr. Le risque n'est pas de dépenser en IA ; c'est de dépenser sans discipline de sélection des modèles associant chaque charge à l'option la moins chère qui passe la barre de qualité.
La deuxième : le coût de l'IA devient une métrique opérationnelle de premier plan, pas une note de bas de page. À mesure que les dépenses se comptent en dizaines de milliards sur le marché, chaque entreprise ressent la même pression en interne : consommation de tokens non bornée, jobs de fine-tuning inactifs et inférence surprovisionnée s'accumulent en silence. Sans suivi des coûts, harnais d'évaluation et responsabilité claire, un budget IA peut croître de 63 % et livrer peu — le schéma classique de dépenses en hausse au retour non prouvé. Pour les équipes régulées de la FinTech et de la santé en France, cela croise des obligations de gouvernance : le règlement DORA encadre le risque lié aux prestataires tiers dans l'UE, et savoir quel modèle touche quelles données, à quel coût, devient à la fois un artefact financier et de conformité.
Le troisième risque est le plus discret : confondre croissance du budget et progrès. Une ligne IA plus grosse est facile à approuver et difficile à justifier après coup si personne n'a mesuré ce qu'elle a produit. Les équipes en difficulté ne sont pas celles qui dépensent trop peu ou trop en agrégat — ce sont celles qui ne peuvent pas relier la dépense à un résultat mesurable quand on le leur demande. Intégrer tôt l'évaluation, l'attribution des coûts et l'application des politiques dans votre programme d'IA et de transformation numérique coûte bien moins cher que de le reconstruire sous la pression d'une revue budgétaire.
Ce que cela signifie pour les équipes logicielles en France
Si vous montez en charge sur l'IA, construisez la couche de mesure avant la prochaine fonctionnalité. Mettez en place dès maintenant le suivi des coûts, un harnais d'évaluation simple et une responsabilité par charge, pour que chaque appel de modèle ait un propriétaire, un coût et un objectif de qualité. Le but n'est pas de ralentir — c'est de garantir que les 63 % de plus que vous dépenserez probablement l'an prochain achètent 63 % de valeur en plus, et que vous puissiez le prouver quand la finance le demande. Cette discipline sépare un programme d'IA durable d'une ligne budgétaire menacée à la prochaine revue.
Si vous construisez des fonctionnalités d'IA, voyez le bond de 210 % des modèles spécialisés comme une autorisation de dimensionner juste. Pour la plupart des tâches de production — classification, extraction, routage, génération structurée — un modèle affiné ou spécifique à un domaine sur une infrastructure modeste battra un modèle frontière généraliste sur le coût et la latence tout en égalant sa qualité. Réservez les plus gros modèles au travail réellement difficile et ouvert. Associer chaque tâche au plus petit modèle qui passe la barre est le levier de coût le plus puissant disponible — et c'est exactement là qu'un engagement ciblé en IA et données se rentabilise.
Il y a aussi une lecture opérationnelle. Le message de Gartner — les gagnants sont les fournisseurs et les équipes qui aident à gérer où et comment l'IA est utilisée — vaut au sein de votre organisation autant que sur le marché. Une capacité qui possède la sélection des modèles, la gouvernance des coûts et l'évaluation comme travail de routine — en interne ou via une équipe d'ingénierie dédiée — transforme une prévision comme celle-ci en plan. Les équipes sans cette capacité continueront d'approuver des budgets IA plus gros et continueront d'être surprises, à la revue suivante, de ne pas pouvoir dire ce que l'argent a acheté.
Que faire ce trimestre
Transformez une prévision de marché en une passe de posture courte et concrète plutôt qu'en un chèque en blanc plus gros.
- Inventoriez vos dépenses IA. Listez chaque modèle, plateforme et endpoint que vous payez, son coût mensuel et son propriétaire — vous ne pouvez pas gouverner des dépenses que vous n'avez pas cartographiées.
- Mesurez le coût par résultat. Reliez le suivi des coûts de tokens et d'inférence à une métrique métier, pas seulement à un tableau de bord d'usage brut, pour que la dépense corresponde à la valeur.
- Dimensionnez juste vos modèles. Pour chaque charge de production, testez si un modèle plus petit ou affiné passe la barre de qualité à moindre coût et latence avant de choisir par défaut un modèle frontière.
- Mettez en place l'évaluation. Construisez un harnais d'évaluation léger pour que les changements de modèle ou de fournisseur se décident sur qualité, coût et latence mesurés — pas au ressenti.
- Définissez politique et responsabilité. Précisez quels modèles peuvent toucher quelles données, appliquez le moindre privilège sur les clés, et donnez à chaque charge d'IA un propriétaire nommé et responsable de son coût.
- Décidez build-vs-buy délibérément. Choisissez où une plateforme, un modèle spécialisé ou un développement interne convient à chaque cas d'usage, et évitez de payer des prix frontière pour des tâches banalisées.
Une hausse de marché de 63 % confirme que l'IA d'entreprise est là pour durer — et avertit que la phase d'argent facile se termine. Les équipes qui associent des budgets en hausse à une mesure réelle, à des modèles bien dimensionnés et à une responsabilité claire transformeront cette croissance en valeur cumulée. Les équipes qui traitent une ligne IA plus grosse comme une récompense en soi apprendront, à la prochaine revue budgétaire, que dépenser plus et obtenir plus ne sont pas la même chose.
Questions fréquentes
Combien les entreprises dépenseront-elles en plateformes et modèles d'IA en 2026 ?
Gartner prévoit que les dépenses mondiales des utilisateurs finaux en modèles et plateformes d'IA totaliseront 64 milliards de dollars en 2026, en hausse de 63,4 % par rapport à 39 milliards en 2025. Publiée le 20 juillet 2026, cette prévision couvre le marché des plateformes et modèles d'IA et traduit une dynamique toujours forte, même si les acheteurs surveillent de plus près les coûts et le retour sur investissement.
Quelles parties du marché de l'IA croissent le plus vite ?
Gartner s'attend à une croissance de 117 % des dépenses en modèles d'IA générative et de 36,9 % des dépenses en plateformes d'IA en 2026. Le segment le plus dynamique reste les modèles de langage spécialisés et spécifiques à un domaine, dont la croissance est estimée à 210 %, les entreprises passant des modèles généralistes à des modèles plus petits, adaptés à une tâche ou à un secteur précis.
Que sont les modèles de langage spécifiques à un domaine (DSLM) ?
Les modèles de langage spécifiques à un domaine sont des modèles d'IA adaptés à une tâche, un secteur ou un domaine de connaissance restreint, plutôt que de tout faire comme un grand modèle généraliste. Parce qu'ils sont plus petits et ciblés, ils peuvent être moins coûteux à exploiter, offrir une latence plus faible et une meilleure précision sur leur tâche cible — d'où la croissance de 210 % attendue par Gartner pour ce segment en 2026, alors que les équipes optimisent coûts et résultats mesurables.
Que recommande Gartner de prioriser aux entreprises ?
Gartner indique que les budgets IA des entreprises font l'objet d'un examen renforcé, axé sur l'efficacité d'usage, la maîtrise des coûts et des retours quantifiables. L'analyste Arunasree Cheparthi, Senior Principal Research Analyst, note que les dépenses se déplacent vers les fournisseurs capables de démontrer une valeur claire sur les coûts, la latence, la performance et la fiabilité, et d'offrir des outils d'évaluation, de suivi des coûts et d'application des politiques sur l'ensemble des déploiements.
Sources
Gartner — Forecasts Worldwide AI Platforms and Models Market to Grow 63% in 2026
AIwire (HPCwire) — Gartner Forecasts Worldwide AI Platforms and Models Market to Grow 63% in 2026
Kaohoon International — Gartner Forecasts Worldwide AI Platforms and Models Market to Grow 63% in 2026