L’intelligence artificielle ne transforme pas seulement la manière de développer des logiciels. Elle commence aussi à modifier les décisions d’investissement des entreprises.
Selon l’étude The State of AI 2026* publiée par McKinsey en août 2026, 32 % des organisations interrogées ont déjà renoncé à acheter au moins un logiciel ou une fonctionnalité parce qu’elles estimaient pouvoir le développer en interne à l’aide d’outils de développement assistés par IA.
Le chiffre est révélateur d’une évolution du marché. Des développements qui auraient pu sembler trop longs ou trop coûteux deviennent plus accessibles.
Mais cela ne signifie pas que développer devient systématiquement préférable à acheter.
L’IA déplace plutôt les frontières d’un arbitrage ancien : faut-il acheter une solution existante ou développer son propre outil ?
Pourquoi l’IA change l’équation du développement logiciel
Développer un logiciel a longtemps supposé de mobiliser des compétences techniques importantes, parfois pendant plusieurs mois, avant même de disposer d’une première version exploitable.
Les outils d’IA dédiés au développement changent progressivement cette dynamique.
Ils peuvent notamment aider les équipes à générer du code, produire de la documentation, expliquer ou optimiser du code existant et accélérer certaines étapes du développement. Les recherches de Google sur l’usage de l’IA par les développeurs montrent d’ailleurs que ces outils sont désormais utilisés dans plusieurs activités centrales du développement logiciel.
Cette accélération peut rendre envisageables des projets qui ne l’étaient pas forcément auparavant.
Une entreprise peut par exemple reconsidérer le développement d’une fonctionnalité très spécifique à son activité, d’un petit outil interne ou d’une interface permettant de mieux faire circuler l’information entre plusieurs systèmes.
C’est précisément ce que révèle le chiffre de McKinsey : certaines organisations commencent à comparer le coût d’un achat logiciel avec une possibilité qui devient plus accessible, celle de construire elles-mêmes la fonctionnalité dont elles ont besoin.
Pour autant, rendre le développement plus accessible ne fait pas disparaître tout ce qui vient après l’écriture du code.
Créer une première version n’est qu’une partie du projet
Un prototype peut aujourd’hui être créé beaucoup plus rapidement qu’il y a quelques années.
Mais entre une première version fonctionnelle et un outil utilisé quotidiennement dans une entreprise, il reste plusieurs étapes.
Le logiciel doit pouvoir s’intégrer aux outils existants, gérer correctement les données, répondre aux exigences de sécurité, être testé et maintenu, mais aussi pouvoir évoluer avec les besoins de l’entreprise.
Il faut également penser à ceux qui vont l’utiliser.
Un outil techniquement fonctionnel mais mal intégré aux pratiques des équipes peut générer de nouvelles difficultés plutôt que résoudre celles qui existaient au départ.
Cette distinction est importante lorsqu’il faut arbitrer entre développer et acheter. Le temps nécessaire pour produire du code n’est qu’une composante du coût réel d’un logiciel.
La maintenance, l’hébergement, les évolutions, la sécurité, les intégrations et les compétences nécessaires pour faire vivre l’outil doivent également entrer dans l’équation.
L’IA accélère le développement, pas nécessairement la mise en production
Le rapport DORA 2024 de Google permettent d’observer un autre phénomène intéressant. Une adoption plus importante de l’IA y est associée à une amélioration de plusieurs indicateurs du processus de développement, notamment la qualité du code et de la documentation.
Mais cette progression ne s’accompagne pas automatiquement de meilleures performances lorsqu’il faut mettre les modifications en production. Dans les données étudiées, une hausse de 25 % de l’adoption de l’IA est associée à une diminution estimée de 7,2 % de la stabilité des mises en production.
Concrètement, produire du code plus efficacement ne garantit pas que les modifications pourront être déployées sans bugs, incidents ou dysfonctionnements.
Google avance notamment l’hypothèse que la capacité à générer davantage de code peut conduire à des modifications plus importantes, alors que les changements de petite taille et des mécanismes de test robustes restent essentiels à la stabilité. Il s’agit d’une hypothèse avancée par les auteurs pour interpréter les résultats, et non d’une causalité démontrée.
L’IA peut donc accélérer certaines étapes. Elle ne dispense pas des pratiques nécessaires pour transformer du code en un logiciel fiable et durable.
Acheter ou développer : le choix n’est plus forcément binaire
La question est souvent formulée ainsi : faut-il acheter une solution existante ou développer un logiciel sur mesure ?
Dans la pratique, il existe davantage de possibilités.
Acheter reste pertinent lorsqu’un besoin est standard et déjà bien couvert par le marché. Si plusieurs solutions répondent correctement au besoin, reconstruire les mêmes fonctionnalités apporte rarement une valeur suffisante pour justifier le développement et la maintenance d’un nouvel outil.
Connecter peut être plus pertinent lorsque les outils déjà en place répondent aux besoins, mais fonctionnent mal ensemble. Le problème ne vient alors pas nécessairement des logiciels eux-mêmes, mais de la circulation de l’information entre eux.
Automatiser permet de fluidifier certaines étapes d’un processus sans développer une nouvelle application complète. Une partie du besoin peut parfois être résolue en faisant mieux communiquer les systèmes existants ou en automatisant certaines actions.
Développer sur mesure prend davantage de sens lorsque le besoin est réellement spécifique au métier, aux processus ou au modèle de l’entreprise et que les solutions disponibles imposent trop de compromis.
L’arrivée de l’IA ne fait disparaître aucun de ces scénarios. Elle peut en revanche modifier leur équilibre économique et technique.
Quels critères pour arbitrer entre achat et développement ?
La facilité de développement ne devrait pas devenir le principal critère de décision. Pour arbitrer entre une solution existante et un développement spécifique, plusieurs éléments peuvent être comparés.
Le besoin est-il réellement spécifique ?
Si toutes les entreprises du secteur rencontrent le même problème, il existe peut-être déjà une solution satisfaisante. Si le fonctionnement recherché repose au contraire sur une organisation ou un savoir-faire propre à l’entreprise, le développement spécifique peut devenir plus pertinent.
Quelles solutions existent déjà ?
Comparer les logiciels disponibles permet d’identifier ce qu’ils couvrent correctement, mais aussi les compromis qu’ils imposeraient. La question n’est pas de trouver une solution correspondant à 100 % au cahier des charges, mais de déterminer si les écarts justifient réellement un développement.
Peut-on résoudre le problème sans créer un nouvel outil ?
Une intégration, une automatisation ou une évolution de l’existant peut parfois répondre au besoin avec moins de complexité.
Qui fera vivre la solution dans deux ou trois ans ?
Cette question est particulièrement importante lorsque l’IA rend la création initiale très rapide. Développer crée aussi une responsabilité dans la durée : corriger, sécuriser, maintenir et faire évoluer la solution.
Quel scénario est le plus pertinent sur la durée ?
Comparer uniquement le prix d’un abonnement avec le coût initial d’un développement donne une vision incomplète. Les coûts récurrents, les évolutions futures, les intégrations et les ressources nécessaires doivent également être évalués dans la durée.
L’IA facilite le développement, mais elle ne dit pas quoi construire
Les 32 % relevés par McKinsey ne signent pas la fin des logiciels du marché. Ils montrent que certaines entreprises commencent à reconsidérer des développements qu’elles auraient auparavant écartés.
Cela rend le choix plus ouvert, mais pas nécessairement plus simple.
Acheter, connecter, automatiser ou développer : la bonne réponse dépend du besoin, de l’existant, des contraintes techniques et de ce qui créera réellement de la valeur pour l’entreprise.
C’est précisément l’objectif du cadrage stratégique : comparer ces différents scénarios avant d’engager du temps et du budget dans une solution.
Chez Keleo, nous accompagnons les entreprises dans cette phase de réflexion pour déterminer ce qui mérite d’être conservé, connecté, automatisé ou développé sur mesure.