McKinsey a publié le 25 août 2026 son rapport annuel State of AI, construit à partir de 1 719 réponses collectées dans 97 pays entre mai et juin 2026. Le chiffre le plus commenté de cette édition : 32 % des entreprises déclarent avoir renoncé à l'achat d'au moins un logiciel ou d'une fonctionnalité SaaS parce qu'elles ont pu le construire elles-mêmes avec des outils de codage agentique basés sur l'IA.
Ce n'est pas un chiffre issu d'une startup ou d'une conférence marketing : c'est une mesure terrain portant sur des décisions d'achat réelles, pondérées par le PIB de chaque pays représenté. Il signale un changement de rapport de force entre éditeurs logiciels et directions IT — mais il appelle aussi à plusieurs nuances importantes.
Cet article décrypte les données vérifiées du rapport, leur portée réelle pour les PME et ETI françaises, et les limites que McKinsey documente lui-même dans ses notes méthodologiques.
Méthode et périmètre du rapport McKinsey 2026
Réponse directe. Le rapport McKinsey State of AI 2026 repose sur 1 719 répondants dans 97 pays, sondés entre le 4 mai et le 8 juin 2026. Les réponses sont pondérées par la part de chaque pays dans le PIB mondial. La population couverte va des startups aux grandes multinationales, avec une représentation sectorielle large (services financiers, industrie, santé, technologie, grande distribution).
Quelques repères méthodologiques à garder en tête pour interpréter les chiffres :
- Réponses déclaratives : McKinsey mesure des perceptions et des décisions rapportées, pas des résultats financiers audités. Un répondant qui dit « nous avons arrêté d'acheter un SaaS » exprime une décision managériale, pas nécessairement un gain de productivité prouvé.
- Seuil 'high performer' très sélectif : les 6 % qualifiés de « hauts performers » sont ceux qui attribuent au moins 5 % de leur EBIT à l'IA. La majorité des données dites « global » incluent toutes les maturités.
- Définition de 'scaler' : dans le rapport, scaler un système IA agentique implique un déploiement significatif dans au moins une fonction — pas un simple pilote ou une expérimentation isolée.
Cette clarté méthodologique est essentielle : les chiffres qui suivent sont des tendances mesurées, avec leurs marges d'interprétation, pas des garanties de résultats applicables à tout contexte.
32 % des entreprises ont dit non au SaaS
Réponse directe. 32 % des organisations représentées dans le McKinsey 2026 ont renoncé à l'achat d'un ou plusieurs logiciels ou fonctionnalités SaaS parce qu'elles pouvaient les construire elles-mêmes grâce à des outils de codage agentique. Cette proportion monte à environ 50 % parmi les « high performers ».
Que recouvre concrètement ce chiffre ?
- Des fonctionnalités développées en interne : des équipes techniques ont produit en quelques semaines, avec l'aide d'agents codeurs, des outils équivalents à des fonctionnalités SaaS qui auraient coûté plusieurs dizaines de milliers d'euros en licences annuelles.
- Des décisions de non-renouvellement : des licences logicielles n'ont pas été reconduites après qu'une fonctionnalité équivalente a été développée en interne à coût marginal.
- Des remplacements de BI ou de reporting : dans certains cas, des outils d'analyse de données ont été remplacés par des pipelines agentiques custom, pilotés directement par les équipes métier.
Ce mouvement n'est pas universel. Il est surtout documenté dans les organisations qui disposent déjà d'équipes techniques structurées, capables de piloter des outils d'automatisation et de développement agentique. Pour les PME sans DSI solide, la portée immédiate du chiffre est différente — non pas inexistante, mais plus lente à matérialiser.
Il est également important de noter que « construire plutôt qu'acheter » génère ses propres coûts : maintenance, évolution, gestion des modèles IA sous-jacents, et coûts d'inférence. Le différentiel économique n'est pas automatiquement favorable au build.
L'IA agentique s'installe dans les grandes organisations
Réponse directe. La part des grandes entreprises ayant déployé des agents IA à l'échelle est passée de 27 % à 40 % en un an. Mais dans une fonction donnée, le plafond reste inférieur ou égal à 10 % — ce qui illustre que le déploiement est encore très fragmenté et peu transversal.
Les données agrégées du rapport dessinent une adoption à deux vitesses :
- 23 % des organisations déclarent scaler au moins un système IA agentique quelque part dans l'entreprise.
- Dans les grandes entreprises, la progression est nette (+13 points en un an).
- Dans une fonction métier spécifique, moins d'une organisation sur dix a atteint le stade de déploiement à l'échelle.
Les domaines où l'IA agentique crée le plus de valeur mesurée :
- Réductions de coûts : supply chain, opérations de service client, manufacturing.
- Gains de revenus : marketing et ventes, développement produit, ingénierie logicielle.
Ces chiffres corroborent une réalité terrain que les équipes qui accompagnent les organisations dans leurs projets d'outils internes sur mesure constatent : les succès sont concentrés sur des cas d'usage précis, à périmètre délimité, pas sur des transformations transversales décidées du sommet.
Un signal d'alerte à noter : 1 répondant sur 5 indique que son organisation limite l'usage de l'IA en raison des coûts opérationnels. La phase d'expérimentation « gratuite » est terminée. Les coûts d'inférence à l'échelle deviennent structurants — un point que les directions financières commencent à intégrer dans leurs analyses.
Ce que les données révèlent sur le ROI
Réponse directe. 37 % des répondants déclarent que l'IA contribue à au moins une partie de leur EBIT — un chiffre stable par rapport à 2025, ce qui indique que la progression qualitative des usages ne se traduit pas encore en élargissement de la population « IA profitable ».
Seulement 6 % atteignent le seuil « high performer » (5 % ou plus de l'EBIT attribuable à l'IA). Ce seuil reste très concentré sur des organisations qui ont :
- investi tôt dans la structuration de leurs données ;
- déployé des cas d'usage métier précis, pas des expérimentations transversales ;
- développé des compétences internes pour piloter et évaluer les systèmes IA.
La conclusion opérationnelle de McKinsey est claire : il existe un large écart entre les organisations qui « font de l'IA » (57 % déclarent utiliser l'IA dans au moins une fonction) et celles qui en tirent un avantage financier mesurable (37 % sur l'EBIT, dont seulement 6 % de manière significative).
Combler cet écart ne demande pas plus d'expérimentation. Il demande des déploiements ciblés sur des processus à valeur ajoutée claire et mesurable — avec des indicateurs définis avant le lancement, pas après. C'est là que les projets de développement sur mesure orientés résultat prennent tout leur sens : cibles précises, métriques dès le départ, évolution incrémentale.
Lecture concrète pour les DSI et les dirigeants
Le virage build-vs-buy documenté par McKinsey n'efface pas les avantages du SaaS — rapidité de déploiement, maintenance externalisée, conformité intégrée. Il signale que le différentiel de coût et de délai entre acheter et construire se réduit pour les organisations techniques. Voici trois questions pratiques pour évaluer votre situation.
1. Vos équipes tech ont-elles accès aux bons outils agentiques ?
Les organisations qui « construisent plutôt qu'acheter » utilisent des outils comme des agents codeurs à grande échelle, avec de la formation et des processus de validation associés. Sans cet investissement en outillage et en compétences, le chiffre de 32 % ne s'applique pas directement à votre situation — il est une cible, pas un acquis automatique.
2. Avez-vous chiffré votre coût d'exploitation IA ?
Le fait qu'1 organisation sur 5 limite son usage en raison des coûts opérationnels est un signal fort. Construire en interne avec l'IA a un coût d'inférence croissant selon le volume et la complexité des tâches automatisées. Modéliser ce coût avant de remplacer un SaaS est non négociable pour une décision économiquement fondée.
3. Votre portefeuille SaaS est-il audité régulièrement ?
Si 32 % des organisations ont renoncé à un achat, elles ont eu une raison de comparer sérieusement les options. Un audit annuel du portefeuille logiciel — posture build-vs-buy incluse, avec estimation des coûts complets des deux options — devient une pratique de base pour les directions IT en 2026.
Pour les organisations qui souhaitent explorer cette démarche, le point de départ le plus fiable reste d'identifier un cas d'usage à valeur mesurable, de prototyper avec des ressources limitées, et de mesurer avant d'étendre. Si vous souhaitez en discuter dans votre contexte, l'équipe Genee est disponible pour une première analyse.
FAQ — Faut-il encore acheter du SaaS ? McKinsey 2026 chiffre le virage build-vs-buy : 32 % des entreprises ont déjà tranché
Le rapport McKinsey State of AI est-il publié chaque année ?
Oui. McKinsey publie son rapport State of AI annuellement depuis plusieurs années. L'édition 2026 a été publiée le 25 août 2026, basée sur 1 719 réponses collectées dans 97 pays entre mai et juin 2026. C'est l'une des études de référence sur l'adoption de l'IA en entreprise, avec une méthodologie déclarée et une pondération par PIB des pays représentés.
Les 32 % qui construisent en interne disposent-ils tous d'équipes tech importantes ?
Pas nécessairement, mais c'est un facteur déterminant. Le rapport montre que cette pratique est particulièrement répandue parmi les 'high performers' (les 6 % les plus avancés sur l'EBIT IA) et les grandes entreprises. Pour les PME sans équipe technique structurée, le seuil d'entrée reste plus élevé — mais des approches hybrides, avec un partenaire externe et une équipe interne minimale, permettent d'initier cette démarche.
Pourquoi 63 % des répondants continuent-ils d'acheter du SaaS malgré l'IA agentique ?
Le SaaS conserve des avantages réels : délai de déploiement immédiat, maintenance externalisée, conformité souvent intégrée, et coût prévisible. Pour de nombreuses fonctions — comptabilité, CRM, gestion RH — un SaaS mature reste plus efficient qu'un développement interne. Le virage build-vs-buy est sélectif : il s'applique aux fonctionnalités différenciantes ou aux cas d'usage très spécifiques à l'organisation, pas à l'ensemble du portefeuille logiciel.
Une PME peut-elle vraiment construire des outils IA plutôt que d'acheter du SaaS ?
Oui, mais de façon sélective. Les outils de codage agentique ont significativement réduit le coût de développement de fonctionnalités ciblées. Une PME avec un développeur expérimenté peut aujourd'hui créer en quelques semaines des outils qui auraient requis des mois il y a trois ans. La clé est de cibler des cas d'usage précis — reporting personnalisé, automatisation d'un workflow interne, intégration de données métier — plutôt que de tenter de remplacer un logiciel entier.
Comment McKinsey définit-il un 'high performer' dans ce rapport ?
Un 'high performer' est une organisation qui attribue au moins 5 % de son EBIT à l'usage de l'IA. Dans le rapport 2026, cette catégorie représente 6 % des répondants. Ces organisations se distinguent par un investissement précoce dans la structuration de leurs données, des cas d'usage à ROI défini, et des équipes internes capables d'évaluer et de piloter les systèmes IA déployés.
L'EU AI Act change-t-il quelque chose pour les organisations qui construisent leurs outils IA en interne ?
Oui, potentiellement. Les organisations qui développent en interne des systèmes IA utilisés dans des décisions significatives (recrutement, crédit, accès à un service, gestion de travailleurs) peuvent être qualifiées de 'fournisseurs' au sens de l'EU AI Act et soumises aux obligations correspondantes — documentation, traçabilité, supervision humaine selon le niveau de risque. Un audit préalable du système développé est recommandé avant tout déploiement à l'échelle.