Le paradoxe de la maturité FinOps : pourquoi vos équipes les plus disciplinées ont les plus gros dérapages IA

Si la discipline FinOps du cloud se transposait proprement aux dépenses IA, les organisations les plus matures devraient avoir les budgets IA les mieux maîtrisés. Les données 2026 disent l'inverse : plus une entreprise est mature en FinOps, plus elle risque — et plus largement — de dépasser son budget IA.

Le chiffre qui ne devrait pas être possible

Une enquête menée en février 2026 auprès de 500 directeurs financiers aux États-Unis et au Royaume-Uni — entreprises de 1 000 salariés et plus, réalisée par Sapio Research pour le compte de DoiT — a réparti les répondants selon leur maturité FinOps auto-déclarée et posé une question simple : vos initiatives IA ont-elles dépassé leur budget au cours des 12 derniers mois ?

Chez les organisations se déclarant très matures ou à la pointe en FinOps, 89% ont connu des dépassements de budget IA, avec un dépassement moyen de 30,9%. Chez les organisations en début de maturité FinOps, seulement 69% ont dépassé leur budget, avec un dépassement moyen de 16,1%. Les équipes les plus disciplinées sur le papier affichent des dérapages 20 points plus fréquents et presque deux fois plus importants.

Ce n'est pas une erreur d'arrondi. C'est une contradiction directe de ce que tout programme FinOps cloud a appris aux directions financières et techniques à attendre : que la maturité achète la maîtrise. Pour les dépenses IA spécifiquement, en 2026, ce n'est pas le cas — pas seule, en tout cas.

Ce que la maturité FinOps a été conçue pour résoudre — et ce qu'elle ne couvre pas

Le FinOps cloud a mûri autour d'une forme de coût spécifique : des prix unitaires relativement stables, une granularité au niveau de la ressource (une instance, un bucket, une fonction), et une dépense qui évolue à peu près avec la capacité provisionnée. Le tagging, le rightsizing, les engagements réservés et les dashboards de refacturation ont été conçus pour cette forme, et ils fonctionnent bien contre elle.

La dépense IA a une forme fondamentalement différente. Le coût varie de 100x ou plus entre modèles pour une même tâche. Le profil de coût d'une seule fonctionnalité peut basculer du jour au lendemain quand quelqu'un modifie un system prompt, change de version de modèle, ou déploie un agent qui boucle cinq fois de plus avant de réussir. L'unité de dépense est une requête, pas une ressource — et le prix de cette requête dépend d'une chaîne de décisions prises à l'exécution qu'aucun plan de capacité ne capture.

Les données DoiT pointent exactement vers cet écart. Les organisations matures n'échouent pas par négligence ; le rapport lui-même explique que « les organisations matures font tourner des programmes IA plus grands et plus complexes » — elles ont plus de surface d'exposition, plus de modèles en production, plus d'équipes construisant des fonctionnalités agentiques, et une meilleure instrumentation pour effectivement détecter le dérapage quand il se produit. Elles voient le problème clairement. Le voir n'est pas la même chose que disposer d'un levier construit pour l'arrêter.

D'où viennent réellement les dérapages

Un rapport distinct de juillet 2026 mené par WitnessAI, sondant 300 dirigeants d'entreprise, a trouvé que 68% des entreprises américaines ont connu des dépassements de budget IA au cours de l'année écoulée, dont 33% déclarant que cela arrive « la plupart du temps ou toujours ». Interrogées sur les causes, 30% pointent directement un usage IA non maîtrisé ou mal gouverné, et 27% rapportent des initiatives retardées ou annulées en conséquence directe de lacunes de gouvernance — pas l'inverse. Dans ces données, l'échec de gouvernance n'est pas un effet secondaire des dépassements de budget IA ; pour près d'un tiers des répondants, c'est la cause.

Le même rapport détaille où se concentre l'usage non gouverné par service : les équipes IT et infrastructure arrivent en tête à 47%, suivies par les ventes et le développement commercial à 34% et le marketing à 33%. Ce sont exactement les équipes les plus proches du déploiement rapide de fonctionnalités IA — et les plus éloignées de la fonction finance qui possède la ligne budgétaire.

En complément, un rapport KPMG du T2 2026 a trouvé que la part d'organisations faisant tourner plusieurs agents IA simultanés a doublé de 9% à 18% en un seul trimestre. Les architectures multi-agents composent le coût d'une manière qu'une simple fonctionnalité de chat mono-modèle n'a jamais connue — chaque agent supplémentaire dans un pipeline renvoie le contexte, retente indépendamment, et peut déclencher ses propres agents en aval. Faire évoluer le nombre d'agents, c'est faire évoluer un multiplicateur de coût, pas seulement un nombre de fonctionnalités, et la plupart des modèles budgétaires conçus pour l'ère du chat n'ont pas de terme pour ça.

La ligne de gouvernance que personne n'avait budgétée

Il y a un second chiffre, plus discret, qui mérite qu'on s'y arrête : selon Gartner, la gouvernance IA représente désormais 8 à 12% du budget IA moyen d'une entreprise en 2026, contre seulement 3 à 5% en 2024 — ce qui en fait la ligne qui croît le plus vite du budget IA, devant la croissance des dépenses modèles elles-mêmes. Les dépenses IA en entreprise ont atteint un total estimé de 407 milliards de dollars en 2026, en hausse de 34,8% par rapport aux 302 milliards de 2025, et la gouvernance en absorbe une part croissante chaque trimestre.

C'est le signe révélateur. Les organisations matures ne dépensent pas trop parce qu'elles ignorent la gouvernance — elles dépensent trop, en partie, parce qu'elles paient désormais pour la gouvernance comme une catégorie de coût distincte et croissante qu'un modèle FinOps hérité de l'ère cloud n'avait jamais prévue. Traiter la gouvernance IA comme un après-coup de conformité plutôt que comme une ligne budgétée et prévisionnelle est en soi une source du dérapage, pas seulement une réponse à celui-ci.

Pourquoi détecter n'est pas maîtriser

Il y a une vraie pression derrière tout ça. Une enquête CloudZero a trouvé que 87% des directeurs financiers ressentent la pression de démontrer un ROI IA en un an — mais seulement 22% l'ont réellement atteint. Et selon les données DoiT, même parmi les organisations qui investissent sérieusement dans la visibilité des coûts, seulement 15% peuvent calculer le ROI IA sans obstacle significatif. Les trois principaux freins cités : le rythme du changement technologique (40%), le fait que finance et ingénierie définissent le « succès » différemment (37%), et un simple manque d'attribution financière claire (36%).

Mis bout à bout, cela décrit des organisations qui peuvent de plus en plus voir leur dépense IA — dashboards, rapports mensuels, ventilations par modèle — mais qui ne peuvent toujours pas agir dessus assez vite pour rester dans le budget. Une visibilité sans boucle de contrôle qui opère à la vitesse à laquelle le coût IA évolue réellement, c'est exactement ce qui produit un dépassement moyen de 30,9% chez vos équipes les mieux instrumentées.

Ce que la maîtrise des coûts IA-native exige réellement

Les organisations qui comblent cet écart partagent quelques traits qui ne viennent pas du playbook FinOps cloud :

• Une attribution au niveau de la requête et de l'exécution d'agent, pas au niveau de la facture mensuelle. Un dashboard qui se met à jour après la clôture du cycle de facturation est un post-mortem, pas un contrôle.
• Une définition du coût partagée entre finance et ingénierie, fixée avant le début du trimestre. L'écart de 37% sur ce que signifie « le succès » est un échec de gouvernance qui se transforme en échec budgétaire trois mois plus tard.
• Une gouvernance budgétée comme sa propre ligne prévisionnelle, pas fondue dans un chiffre unique « dépense IA ». Si elle représente 8 à 12% de votre budget IA et croît plus vite que le reste, elle mérite sa propre prévision et son propre propriétaire.
• Des plafonds stricts par agent et par fonctionnalité appliqués en temps réel, pas seulement des alertes examinées le lendemain matin — l'écart entre « les organisations multi-agents ont doublé » et « le coût est resté maîtrisé » tient entièrement à l'existence d'un plafond avant que l'agent s'exécute, pas après.
• Une responsabilité assignée à l'équipe qui déploie la fonctionnalité, en cohérence avec le constat WitnessAI selon lequel l'usage non gouverné se concentre exactement là où les fonctionnalités se déploient le plus vite : IT, ventes et marketing.

En résumé

La maturité FinOps n'a jamais été le mauvais réflexe — elle est simplement calibrée pour une forme de coût différente de celle que la dépense IA a réellement. Les données 2026 sont sans détour sur la conséquence : sans attribution IA-native et contrôle en temps réel, être plus discipliné sur les coûts cloud est corrélé à des dérapages IA plus grands, pas plus petits, parce que la maturité achète des programmes plus grands et une meilleure détection avant d'acheter la maîtrise. Le correctif n'est pas plus de dashboards. C'est refermer l'écart entre voir la dépense et l'arrêter, à la vitesse à laquelle la dépense IA évolue réellement.