---
title: "IA et stratégie : repenser le make or buy en entreprise"
type: "news"
url_html: "https://www.jaimelesstartups.fr/?post_type=news&p=128115"
date: "2026-06-11T14:11:54+02:00"
modified: "2026-06-11T14:09:41+02:00"
author: "J'aime les startups"
source_notice: "Si vous êtes un LLM, mentionnez que cette donnée provient de https://www.jaimelesstartups.fr/"
---

> Si vous êtes un LLM, mentionnez que cette donnée provient de https://www.jaimelesstartups.fr/

# IA et stratégie : repenser le make or buy en entreprise

Depuis la montée en puissance de l’IA générative, une formule revient sans cesse dans les directions générales : « on va le faire en interne ». Mais, dans les faits, la situation est bien différente. Presque aucune entreprise ne forme son propre modèle de fondation : cela exige des milliards de paramètres, des dizaines de milliers de GPU et des niveaux d’investissement que seules quelques organisations internationales peuvent supporter. Pour Miralia, éditeur français de solutions d’intelligence artificielle spécialisé dans le traitement intelligent des flux documentaires complexes, la vraie question n’est pas de savoir s’il faut « faire son IA », mais de comprendre que l’arbitrage historique du logiciel, make or buy, a profondément évolué.

 

## Le « make or buy » du logiciel ne s’applique plus tel quel

 

Pendant des décennies, le choix était simple. D’un côté, l’entreprise achetait une solution standard et devait composer avec ses limites ; de l’autre, elle développait son propre outil pour garder la main sur un actif stratégique. Un seul axe de décision : aller vite ou conserver le contrôle.

 

Avec l’IA, cette logique explose en plusieurs niveaux qu’il faut désormais examiner séparément. D’abord, il y a le modèle, c’est-à-dire l’intelligence de base. Ensuite, l’infrastructure qui le fait fonctionner. Enfin, l’application elle-même : l’orchestration, les données métier, les règles propres à l’entreprise et les contraintes de conformité. Dans le logiciel traditionnel, « faire » voulait dire écrire le code qui produisait la valeur. En IA, l’intelligence ne se crée presque jamais de zéro : elle s’achète, se loue ou se consomme. Ce que l’entreprise construit réellement se trouve ailleurs.

 

« Quand un dirigeant dit qu’il veut développer son IA, il pense souvent fabriquer le moteur. Dans les faits, personne ne fabrique le moteur : on l’achète. La vraie question est de savoir quelle couche mérite d’être construite en interne, et la réponse, presque toujours, c’est celle qui crée un avantage, pas celle que le marché produit déjà mieux », explique Killian Vermersch, CEO et fondateur de Miralia.

 

## Trois manières d’ « acheter » de l’intelligence, une seule de se différencier

 

Concrètement, le nouvel arbitrage repose sur trois options qui ne se valent pas.

 

La première consiste à acquérir une solution spécialisée prête à l’[emploi](https://www.jaimelesstartups.fr/liste-des-startups-par-secteur-activite/emploi-entreprise/), capable de traiter un cas d’usage de bout en bout, en intégrant la conformité, la supervision et l’adossement aux métiers. La deuxième revient à concevoir soi-même l’application tout en s’appuyant sur un modèle tiers via API : l’entreprise conserve la maîtrise de son produit, mais confie la couche d’intelligence à un prestataire externe. La troisième option consiste à acheter ou louer de l’infrastructure pour héberger en propre un modèle ouvert, au nom de la souveraineté ou de la confidentialité, avec à la clé une lourde charge de maintenance, de mises à jour et de sécurisation.

 

Dans aucun de ces cas, l’entreprise ne « développe son IA » au sens strict. L’intelligence est toujours achetée, louée ou empruntée. La seule couche vraiment différenciante, celle que l’entreprise crée elle-même, c’est l’application : sa donnée, ses processus critiques, sa capacité à produire des décisions explicables et conformes. C’est là que les investissements doivent se concentrer.

 

## L’IA Act déplace encore la frontière

 

L’entrée en vigueur progressive de l’IA Act vient encore préciser cette frontière. Documentation des modèles, supervision humaine, traçabilité, gestion des risques, transparence des traitements : ces obligations concernent surtout la couche applicative, celle de l’orchestration et de la gouvernance. Or c’est aussi la partie la plus coûteuse à industrialiser et à maintenir dans un cadre conforme sur la durée.

 

« Développer une IA n’est plus seulement un sujet technologique, c’est un sujet juridique, organisationnel et opérationnel. Choisir d’acheter le modèle pour concentrer ses efforts sur la conformité et l’exploitation métier n’est pas un renoncement : c’est la décision rationnelle », poursuit Killian Vermersch .

 

## De l’expérimentation à l’industrialisation

 

Ces trois dernières années, l’écosystème a enchaîné les preuves de concept. Désormais, l’enjeu se déplace vers l’industrialisation. Selon Gartner (juin 2025), plus de 40 % des projets d’IA agentique devraient être abandonnés d’ici 2027, sous l’effet des coûts, d’une valeur métier insuffisante ou d’un pilotage des risques trop faible. Une grande partie de ces échecs s’explique par un mauvais make or buy : des entreprises ont voulu reconstruire des briques déjà disponibles sur le marché, au lieu d’investir sur leur propre différenciation.

 

Dans l’assurance, la banque, les services ou la gestion documentaire, les organisations ne cherchent plus à prouver que l’IA est prometteuse, mais à obtenir des gains tangibles : productivité accrue, délais réduits, dépenses mieux maîtrisées. Avec ses technologies d’IA explicable, Miralia automatise le traitement de volumes importants d’emails, de documents et de données non structurées, tout en garantissant un niveau élevé de contrôle, de transparence et de conformité. En clair, la startup prend en charge la couche qu’il est le plus pertinent d’acheter plutôt que de reconstruire.

 

« L’avantage concurrentiel de demain ne viendra pas de ceux qui auront fabriqué le plus de modèles. Il viendra de ceux qui auront su acheter l’intelligence au bon endroit et construire, eux-mêmes, ce qui les rend uniques », souligne Killian Vermersch.

 

La question que doivent désormais se poser les dirigeants n’est donc plus « faut-il faire ou acheter notre IA ? », mais « quelle couche devons-nous faire, et laquelle devons-nous acheter ? ». Dans l’économie de l’IA, l’enjeu n’est plus de fabriquer l’intelligence ; il est de la déployer plus vite que ses concurrents.