Cabinet IA vs ESN : pourquoi les DSI changent de prestataire

Sur les dix-huit derniers mois, les RFP IA en grande entreprise ont changé de forme. Le périmètre d'origine — un appel d'offres « transformation IA » envoyé en parallèle aux trois ESN référencées du panel — laisse de plus en plus place à un short-list mixte : deux ESN historiques, un cabinet de conseil généraliste, un ou deux cabinets IA spécialisés. Ce n'est pas un effet de mode. C'est une lecture pragmatique des résultats obtenus depuis 2023 : les premiers POC GenAI confiés en régie ESN n'ont pas, dans l'ensemble, produit ce qu'on en attendait.

L'observation n'est pas un procès des ESN. Le modèle ESN reste le plus efficace au monde pour exécuter à grande échelle un cahier des charges stable — ERP, infrastructure, run applicatif, TMA. Le souci, c'est que l'GenAI ne ressemble en rien à un cahier des charges stable. Le cadrage, le choix de modèle, l'évaluation, la trajectoire de mise en production évoluent au fil de l'expérimentation. Cette instabilité fonctionnelle est précisément ce que le modèle ESN n'a pas été conçu pour absorber. Les DSI qui changent de prestataire ne le font pas par déception : ils le font parce que la nature du chantier a changé.

Pourquoi les ESN ont historiquement gagné — et pourquoi ça change

Pendant vingt ans, le modèle ESN a coché toutes les cases du grand compte français : référencement panel, capacité de mobilisation, gestion administrative simplifiée, profils interchangeables sur des stacks normalisées. Pour un projet SAP, un déploiement Salesforce, une refonte d'application métier, ce modèle reste imbattable. Le client achète une compétence standardisée à un volume prévisible, et l'ESN livre.

L'GenAI casse ce contrat implicite sur trois points. D'abord la stack ne se normalise pas — entre OpenAI, Anthropic, Mistral, Cohere, les modèles open source hébergés en interne, le bon choix dépend du cas d'usage et change tous les six mois. Ensuite la compétence n'est pas standardisée — un ingénieur ML expérimenté sur des problèmes de RAG, d'évaluation, de fine-tuning, n'est pas substituable par un développeur Python formé en deux semaines. Enfin la valeur ne se mesure plus en jours-hommes livrés mais en décisions prises au bon moment : choisir tel modèle plutôt que tel autre, refuser un cas d'usage qui ne décollera pas, prioriser une intégration plutôt qu'un POC séduisant. C'est un travail de cadrage, pas de production.

Le constat fait par BCG dans son rapport 2024 sur la valeur de l'IA est sans appel : seules 26% des entreprises tirent une valeur tangible de leurs investissements GenAI, et l'écart se fait moins sur la qualité technique que sur la qualité du cadrage initial. C'est précisément l'angle mort des grandes ESN, dont le modèle économique récompense le volume facturé en aval, pas la sélectivité en amont.

Les limites structurelles d'une ESN sur l'IA

L'écart ne tient pas à un défaut de bonne volonté — toutes les grandes ESN françaises ont créé leur practice IA depuis 2023, recruté des profils ML, signé des partenariats Microsoft/AWS/Google. Le problème est plus profond : il est structurel. Trois caractéristiques du modèle ESN entrent en friction avec les besoins d'un projet IA.

Le pricing à la régie pousse à la sur-allocation. Quand chaque jour-homme est facturé, l'incitation économique est de mobiliser davantage de profils et de prolonger le chantier. Sur un projet IA où la valeur naît souvent d'avoir moins de cas d'usage mieux qualifiés, l'incitation joue contre le client. C'est un point qui revient régulièrement dans les échanges entre DSI, notamment au sein de cercles comme le CIGREF : sur l'IA, le client paie souvent pour explorer pendant que le prestataire facture en attendant que le besoin se précise.

Le panel de profils est calibré sur l'exécution, pas le cadrage. Les ESN savent mobiliser cinquante développeurs en six semaines. Elles peinent à fournir un seul ingénieur ML capable de challenger un sponsor métier sur la pertinence d'un cas d'usage. Ce profil existe — mais il est rare, cher, et lorsqu'il rejoint une grande ESN il est rapidement happé par le pre-sales ou le management.

Le modèle de partenariat éditeur est captif par construction. Quand une ESN est partenaire Gold Microsoft, son outil par défaut sera Azure OpenAI. Quand elle a investi dans Databricks, le RAG passera par Mosaic. Ce n'est pas une mauvaise foi — c'est une logique économique normale (les remises partenaires structurent une partie de la marge). Mais ça produit des préconisations qui ne sont pas neutres techniquement.

Ce qu'un cabinet IA apporte spécifiquement

Le cabinet IA — au sens où le terme est utilisé depuis 2023 dans le marché français, par opposition au cabinet de conseil généraliste type McKinsey ou au pure player technique — se positionne sur un segment plus resserré. La promesse tient en trois éléments.

Le premier, c'est une équipe entièrement composée de profils qui font de l'IA leur métier principal — ingénieurs ML, anciens de labos de recherche, data scientists ayant opéré des modèles en production. Pas de bench rotatif où un consultant peut basculer de SAP à GenAI selon les missions. Le deuxième, c'est l'exposition à plusieurs dizaines de chantiers IA en parallèle, ce qui crée une bibliothèque de patterns d'échec et de réussite difficile à reproduire en interne ou en ESN. Le troisième, c'est l'absence de partenariat captif avec un fournisseur — un cabinet IA digne de ce nom doit pouvoir préconiser un modèle Anthropic ce mois-ci et un Mistral le mois suivant, sans que ses commerciaux aient un sujet.

L'analyse State of AI 2024 de McKinsey souligne que les organisations performantes sur la GenAI ont en commun une fonction de cadrage très resserrée — souvent moins de cinq personnes pour piloter un portefeuille de cas d'usage à l'échelle d'un groupe. Le cabinet IA opère typiquement sur ce périmètre, là où l'ESN intervient en aval avec des équipes de quinze à cinquante personnes.

Le critère « agnosticisme techno » qui sépare les deux modèles

C'est probablement le point le plus discriminant en pratique, et le moins explicité dans les RFP. Une ESN historique qui rejoint un projet IA arrive avec un préférent — Azure si elle est partenaire Microsoft, AWS si elle est née sur Bedrock, Vertex si elle s'est positionnée chez Google. Quand le DSI demande « quel modèle pour ce cas d'usage ? », la réponse est filtrée par cette préférence. Ça ne veut pas dire qu'elle est mauvaise — souvent elle est honorable. Mais elle n'est pas neutre.

L'agnosticisme techno d'un cabinet IA n'est pas une posture marketing : c'est une condition économique. Un cabinet de quinze à cinquante personnes ne tire pas l'essentiel de son chiffre d'affaires de remises partenaires. Sa marge vient de la qualité du cadrage facturé en forfait. Il n'a donc aucun intérêt à pousser un fournisseur plutôt qu'un autre. C'est cette indépendance qui rend possible une vraie comparaison entre Claude, GPT-4, Mistral Large et Llama selon le cas d'usage — comparaison que peu d'ESN font sérieusement, parce qu'elle n'est pas dans leur intérêt commercial.

Le modèle économique : régie ESN vs forfait cadrage cabinet

C'est la différence la plus mécanique, et celle qui produit le plus d'effets de bord. En régie, le prestataire est payé au temps passé. Sa marge augmente avec le volume facturé. Si le projet dérive, ce n'est pas son problème commercial immédiat — au contraire. Sur la transformation digitale classique, où les besoins sont stables, ce modèle n'est pas dramatique : le client peut arbitrer en interne ce qu'il veut prolonger ou non.

Sur l'IA, le mécanisme se retourne. Comme le besoin se précise pendant le chantier (essais de modèles, tests d'évaluation, ajustements de prompts), la régie facture l'exploration. Le client paie pour qu'on apprenne à sa place. À la fin du chantier, il a souvent un POC qui fonctionne en démonstration mais qu'aucune équipe ne sait reprendre, parce que la connaissance accumulée est partie avec les profils mobilisés.

Le forfait cadrage du cabinet IA inverse l'incitation. Le prestataire est payé pour livrer un résultat — un dossier de cadrage, une short-list de modèles évalués, une architecture cible documentée — dans une enveloppe fixe. Si le cabinet met deux semaines plutôt que quatre, c'est sa marge qui augmente. Il a donc un intérêt direct à aller vite, à trancher tôt, à dire « ce cas d'usage ne tient pas la route, allons sur le suivant ». C'est exactement ce dont la plupart des DSI ont besoin sur leur portefeuille IA aujourd'hui.

Le débat entre consultant IA indépendant et cabinet structuré se rejoue en interne du segment cabinet, mais il ne change pas le constat sur le différentiel ESN/cabinet : ce sont deux logiques économiques distinctes, et l'une produit des résultats que l'autre ne peut pas produire mécaniquement.

Cinq signaux faibles qu'il est temps de changer de prestataire

Sur les chantiers IA que nous voyons reprendre en cours de route, les signaux d'alerte sont remarquablement constants. Les voici, sans ordre particulier mais avec une fréquence qui dépasse l'anecdote.

Quand l'ESN reste pertinente — et c'est souvent

Il faut le dire clairement : le cabinet IA n'est pas la bonne réponse à tous les chantiers. La règle de partage que nous voyons fonctionner chez nos clients tient en trois cas.

L'ESN reste le bon partenaire quand le cas d'usage est industrialisé et stable : extraction documentaire à grande échelle sur un format figé, classification de tickets sur une taxonomie validée, agent conversationnel sur un périmètre métier verrouillé. À partir du moment où la spécification ne bouge plus, le modèle régie redevient économiquement performant et la capacité d'industrialisation de l'ESN est un atout.

Elle reste également pertinente sur la partie infrastructure et MLOps de la chaîne — déploiement, monitoring, intégration au SI existant, gestion des environnements, observabilité. C'est un terrain où les compétences ESN s'appliquent sans friction et où le cabinet IA n'apporte pas grand-chose de spécifique.

Enfin elle reste indispensable sur les chantiers de TMA IA à mesure que les premiers systèmes passent en production : maintenance corrective, évolutions mineures, support N2/N3. Aucun cabinet IA spécialisé n'a vocation à mobiliser quinze profils sur un run trois ans. C'est précisément le métier de l'ESN, et ses tarifs régie sont compétitifs sur ce périmètre.

Le bon montage qu'on observe en 2026 ressemble plutôt à ceci : cabinet IA en cadrage et pilotage des trois à six premiers mois, ESN en relais sur l'industrialisation et le run. Les deux ne sont pas substituables — ils sont complémentaires sur la chaîne de valeur. Le défaut consiste à les confondre, en confiant à l'ESN un cadrage qu'elle ne sait pas faire, ou au cabinet une industrialisation qu'il n'a pas vocation à mener. Le choix du bon prestataire tient largement à ce séquençage.

Comment nous nous positionnons sur cette ligne de partage

LityLabs intervient en cabinet IA, sur la partie cadrage et architecture. Nos missions types : audit d'un portefeuille de cas d'usage existant, short-list de modèles pour un cas précis, architecture de référence GenAI, accompagnement sponsor exécutif sur les arbitrages. Nous travaillons en forfait, en équipe resserrée, et nous gardons une indépendance stricte vis-à-vis des fournisseurs de modèles et de cloud — c'est ce qui permet de préconiser Anthropic, Mistral ou OpenAI selon le cas, et de challenger les préconisations d'un partenaire ESN si elles ne tiennent pas.

Sur l'industrialisation, nous travaillons régulièrement avec les ESN déjà référencées chez nos clients. Le cabinet pose le cadrage, l'ESN exécute, et le DSI garde le pilotage central. Cette articulation marche bien quand elle est anticipée dès le départ. Elle est plus difficile à mettre en place quand le client a déjà engagé une grosse régie ESN sans cadrage préalable.

Notre expertise GenAI et nos références sectorielles détaillent les cas d'usage où ce modèle a produit des résultats — banque, assurance, industrie, services. Le point commun : un cadrage en amont, des décisions tranchées tôt, une industrialisation en aval avec les bons partenaires.