Pourquoi l’IA pourrait dépasser McKinsey sur certaines missions, mais pas encore

L’intelligence artificielle ne va pas faire disparaître McKinsey, Accenture ou les autres grands cabinets de conseil du jour au lendemain. En revanche, elle modifie déjà la matière première de leur métier : collecter des informations, croiser des données, produire des présentations, rédiger des synthèses ou préparer des scénarios. Autant de tâches qui exigeaient jusqu’ici beaucoup d’heures de travail qualifié et qui peuvent, dans certaines conditions, être accélérées par des logiciels.

L’enjeu dépasse la simple productivité. Si une entreprise d’IA obtient, avec moins de personnel, une réponse utile à un problème opérationnel précis, elle peut facturer un résultat plutôt que du temps passé. Cette logique ouvre la voie à de nouveaux concurrents dans les services professionnels, mais elle ne suffit pas encore à reproduire ce qu’un grand cabinet vend réellement à ses clients : une expertise, une méthode, une responsabilité et, souvent, une relation de confiance avec la direction générale.

L’IA change d’abord la production des services

Le conseil, le droit, la comptabilité ou encore l’assistance client reposent en partie sur des activités structurées et répétables. Il faut parcourir des documents, extraire des informations, comparer des options, classer des données, préparer un premier diagnostic ou rédiger une note. Les modèles d’intelligence artificielle générative sont particulièrement adaptés à ces premières étapes, lorsqu’ils sont alimentés par les bonnes informations et contrôlés par des professionnels.

Dans une mission de conseil, cela peut réduire le temps nécessaire pour passer d’une grande masse de données à un document de travail. L’IA peut aussi aider à générer plusieurs hypothèses, à résumer des entretiens ou à identifier des incohérences dans un ensemble de documents. Son avantage potentiel tient à sa capacité à traiter rapidement un grand volume d’informations, pour un coût marginal très inférieur à celui d’une équipe humaine mobilisée pendant plusieurs jours.

Cela ne veut pas dire qu’une réponse produite par un modèle est automatiquement juste ou exploitable. Un système peut mal interpréter une donnée, ignorer une contrainte propre à l’entreprise ou présenter avec assurance une information erronée. Dans les métiers à fort enjeu, l’automatisation déplace donc une part du travail : il faut moins de temps pour produire une première analyse, mais davantage de vigilance sur la qualité des sources, la confidentialité et la validation finale.

Pourquoi le modèle de la facturation horaire est fragilisé

Le modèle historique du conseil rémunère une expertise et un volume de travail. Les honoraires sont fréquemment liés au temps mobilisé, directement ou indirectement, et à la taille de l’équipe affectée au projet. Or une IA performante peut réduire le nombre d’heures nécessaires à certaines tâches. Cette baisse du temps de production rend plus visible une question ancienne pour les clients : paient-ils des heures, ou paient-ils une amélioration mesurable de leur situation ?

Les entreprises de services construites autour de l’IA peuvent proposer une autre logique : un prix basé sur le résultat. L’idée est de facturer une mission en fonction d’un objectif concret, par exemple un dispositif de sécurité administré, une prise en charge d’une fonction récurrente ou une amélioration opérationnelle. Le client achète alors davantage un service délivré qu’un nombre de consultants affectés à son dossier.

Ce changement peut être particulièrement puissant lorsque le service est assez standardisé pour être répété. À mesure que l’automatisation augmente, une même équipe peut servir davantage de clients. Selon cette thèse, les entreprises de services axées sur l’IA peuvent viser des marges brutes de 80 à 90 %, des niveaux davantage associés aux entreprises technologiques qu’aux cabinets dont le coût principal reste la masse salariale.

Une marge brute ne correspond toutefois pas au bénéfice final. Elle mesure ce qu’il reste après les coûts directement liés à la fourniture du service, avant les dépenses de vente, de recherche, d’administration ou de financement. Atteindre une marge élevée suppose donc que l’IA fonctionne de manière fiable, que l’acquisition des clients reste maîtrisée et que les tâches humaines les plus coûteuses ne réapparaissent pas à chaque cas complexe.

Les startups peuvent viser les clients laissés de côté

La menace la plus crédible pour les grands cabinets ne vient pas nécessairement d’une jeune entreprise qui tenterait de devenir le nouveau McKinsey en quelques années. Elle peut provenir de sociétés plus spécialisées, qui s’attaquent à des besoins précis et à des marchés fragmentés. Une petite entreprise n’a généralement ni le budget ni le besoin d’engager un cabinet de conseil prestigieux pour chaque problème de conformité, de sécurité informatique ou de relation client.

C’est là que des offres présentées comme du logiciel ou comme un service fortement automatisé peuvent trouver leur place. Elles visent des clients qui, auparavant, n’achetaient pas de conseil spécialisé parce que son prix était trop élevé. L’IA ne se contente pas de prendre une part d’un marché existant : elle peut aussi permettre de créer un marché pour des entreprises qui étaient jusqu’ici exclues de ce type de prestations.

Gruve illustre cette dynamique. Soutenue récemment par des investisseurs, l’entreprise a été fondée par une équipe expérimentée, qui avait déjà connu le succès dans deux entreprises. Sa stratégie associe croissance organique et acquisitions, ainsi qu’expertise humaine et capacités de l’IA. L’objectif est d’augmenter rapidement les revenus tout en maintenant des marges élevées, plutôt que de reproduire l’organisation très lourde d’un cabinet traditionnel.

Cette approche présente un avantage stratégique : éviter l’affrontement direct avec les acteurs les plus installés. Une startup qui cherche à remplacer d’emblée un grand cabinet sur les missions les plus sensibles devra convaincre des directions générales prudentes, intégrer des données confidentielles et démontrer qu’elle peut assumer les conséquences de ses recommandations. En ciblant d’abord des besoins plus délimités, elle peut bâtir sa réputation, améliorer son produit et trouver un modèle économique viable.

Pourquoi McKinsey ne sera pas remplacé immédiatement

Les grands cabinets ne vendent pas seulement des analyses. Ils vendent aussi une capacité à intervenir dans des situations ambiguës, où les données disponibles ne permettent pas de trancher seules. Une réorganisation, une acquisition, une crise interne ou un changement de stratégie impliquent des intérêts contradictoires, des rapports de pouvoir et des personnes qui doivent accepter une décision. Aucun tableau de bord, même très performant, ne fait disparaître cette dimension humaine.

McKinsey bénéficie également de relations établies, d’une marque connue des dirigeants et d’une connaissance accumulée dans de nombreux secteurs. Lorsqu’une entreprise confie une mission stratégique à un cabinet, elle recherche souvent un regard extérieur, mais aussi une méthode, une équipe capable de dialoguer avec plusieurs niveaux hiérarchiques et une forme de réassurance. Ces éléments ne sont pas faciles à emballer dans un produit logiciel.

Les entreprises traditionnelles ont toutefois un défi réel. Elles doivent intégrer l’IA sans dégrader la qualité de leurs interventions ni fragiliser un modèle de revenus éprouvé. Une firme qui facture largement du temps peut hésiter à déployer une technologie réduisant ce temps. Cette hésitation est compréhensible, mais elle peut devenir coûteuse si des concurrents apportent à leurs clients une réponse plus rapide, plus accessible et suffisamment fiable.

L’emploi : un déplacement des tâches plutôt qu’une réponse simple

La question de l’emploi accompagne naturellement cette transformation. Lorsque des tâches de recherche, de rédaction ou de traitement de données deviennent plus rapides, certains postes et certaines missions sont exposés à une baisse de volume à court terme. Les métiers de services pourraient être touchés en premier là où le travail est codifiable, répétitif et mesurable.

Mais l’histoire des transformations technologiques montre aussi que de nouveaux marchés peuvent émerger lorsque le coût d’un service diminue. Les logiciels de traitement de texte ont réduit le temps nécessaire pour produire un document, sans supprimer le besoin de rédiger, relire, organiser et communiquer. De même, des services automatisés pourraient élargir l’accès à une expertise auparavant réservée aux grandes organisations.

La compétence la plus importante pourrait alors être l’adaptabilité. Les professionnels ne seront pas seulement jugés sur leur capacité à produire une analyse de base, mais sur leur aptitude à poser le bon problème, vérifier un résultat généré par une machine, comprendre les conséquences d’une décision et faire travailler ensemble les parties prenantes. Ces capacités restent essentielles dans le conseil comme dans beaucoup de métiers de services.

Les « coéquipiers » IA attirent les investisseurs

Cette vision d’une IA qui augmente les équipes plutôt qu’elle ne les remplace intégralement guide aussi les investissements. Mayfield a alloué 100 millions de dollars à des projets centrés sur les « coéquipiers » IA. Le terme désigne des systèmes conçus pour collaborer avec des humains vers un objectif commun : prendre en charge des étapes répétitives, préparer des informations ou assister l’exécution d’un processus.

Dans une entreprise, ce type d’outil peut être envisagé comme un collègue numérique spécialisé, non comme un décideur autonome. Sa valeur dépendra de son intégration dans les outils existants, de son accès aux données autorisées et des règles de contrôle fixées par l’organisation. Une IA qui produit de bonnes réponses mais oblige les salariés à vérifier chaque ligne sans gain de temps réel n’apportera pas le rendement promis.

Pour les investisseurs comme pour les clients, le défi est donc de distinguer une démonstration impressionnante d’un service capable de fonctionner à grande échelle. Les projets les plus solides devront prouver qu’ils réduisent effectivement les coûts ou améliorent un résultat, tout en protégeant les informations des entreprises et en laissant une place claire à la supervision humaine.

Ce qu’il faut surveiller dans les prochains mois

La question n’est pas de savoir si une IA portera un jour l’étiquette d’un grand cabinet, mais quelles missions elle pourra exécuter avec une qualité suffisante pour gagner la confiance des clients. Les premiers changements devraient concerner les tâches standardisées, les services récurrents et les entreprises mal servies par les offres traditionnelles. C’est là que le rapport entre vitesse, coût et qualité peut basculer le plus vite.

Il faudra également suivre l’évolution des prix. Si les clients obtiennent des livrables comparables en moins de temps, ils demanderont logiquement des honoraires plus liés à la valeur créée. Les cabinets établis pourront répondre en équipant leurs consultants, en automatisant leurs propres processus ou en développant de nouvelles offres. Leur capacité à évoluer dépendra moins de l’existence de l’IA que de leur volonté d’adapter leur organisation et leur manière de facturer.

Enfin, la confiance restera un facteur décisif. Dans le conseil stratégique, une recommandation n’a de valeur que si elle est comprise, assumée et mise en œuvre. L’IA peut devenir un concurrent redoutable sur une part croissante de la chaîne de valeur. En juin 2025, elle apparaît surtout comme une force qui pousse tout le secteur à prouver plus clairement ce que l’expertise humaine apporte encore, au-delà des heures facturées.