Cash, capital, risque : ce que l’IA change dans l’économie du partnership

Le débat sur l’IA dans le conseil reste souvent concentré sur le bas de la pyramide. Quelles tâches junior seront automatisées ? Combien d’heures seront économisées ? Quelle part du delivery pourra être produite par des agents ? Ces questions sont légitimes. Elles ne suffisent pourtant pas à comprendre ce qui est en train de bouger.

Le sujet le plus intéressant pourrait se situer ailleurs : dans la manière dont les cabinets financent leurs investissements, rémunèrent leurs partners, partagent le risque commercial et mesurent la valeur créée. Autrement dit, dans l’économie interne du partnership.

Il faut être précis. L’IA ne rend pas le partnership model obsolète. Les cabinets de conseil restent des organisations où la confiance, la réputation, l’accès client, le jugement senior et la capacité à porter une décision difficile ont une valeur considérable. Rien, dans les annonces récentes, ne suggère que ce socle disparaît.

Ce que l’IA change est plus limité, mais plus structurant : elle accentue des tensions déjà présentes. Le modèle doit investir davantage, mesurer davantage, parfois accepter davantage de risque, tout en conservant une logique de distribution annuelle du profit à des partners dont l’incentive principal reste fortement individuel. Ce n’est pas une rupture nette. C’est un durcissement des arbitrages.

Un signal McKinsey à ne pas surinterpréter

Le Financial Times a rapporté que McKinsey préparait une réforme interne de rémunération partner, connue sous le nom de Project Acorn. Selon le FT, le projet réduirait la part de profits distribuée immédiatement en cash aux partners et augmenterait la part reçue en equity d’environ 3 à 5 points. L’objectif rapporté : simplifier un système de rémunération devenu complexe, renforcer les réserves de capital du cabinet et mieux absorber la volatilité liée à des modèles où une partie des honoraires dépend davantage des résultats.

Ce signal doit être manié avec prudence. Il ne démontre pas que McKinsey serait en difficulté structurelle. Il ne démontre pas non plus que l’IA expliquerait à elle seule la réforme. Mais il touche un point sensible : dans un partnership, la rémunération des partners n’est pas un sujet périphérique. Elle reflète une lecture du modèle économique.

Quand une firme distribue beaucoup de cash, elle exprime une certaine confiance dans la stabilité de son moteur : vendre, staffer, délivrer, facturer, distribuer. Quand elle retient davantage de capital, elle envoie un autre signal : l’avenir demande plus de flexibilité, plus de réserve ou plus d’investissement collectif.

C’est ici que l’IA devient pertinente. Non parce qu’elle expliquerait toute la réforme, mais parce qu’elle rend plus visible une question classique des professional services : quelle part du profit faut-il distribuer aujourd’hui, et quelle part faut-il retenir pour financer le modèle de demain ?

Le temps vendu reste utile, mais moins confortable

La fin du billable hour est une thèse trop simple. Dans le conseil, le droit ou l’audit, le temps reste une unité pratique. Il permet de gérer des scopes incertains, de suivre l’effort, de structurer les achats et de partager une partie du risque avec le client. Beaucoup de missions restent difficiles à évaluer uniquement sur résultat, parce que l’impact dépend aussi de la qualité d’exécution côté client, du calendrier, des arbitrages internes ou du contexte de marché.

Mais il serait tout aussi naïf de penser que rien ne bouge. Business Insider rapporte que McKinsey dit générer environ un quart de ses honoraires mondiaux via des modèles outcomes-based. Le même article cite Michael Birshan et Kate Smaje sur la montée de projets plus longs, plus multidisciplinaires et plus liés à la transformation, dans lesquels le client ne demande plus seulement “quel est le scope ?”, mais “quel outcome voulons-nous atteindre ?”.

Source Global Research observe aussi une pression persistante sur les prix du consulting : dans un extrait de rapport 2025, le cabinet indique que 41 % des clients interrogés s’attendent à une baisse des fees, souvent parce qu’ils estiment que certaines tâches peuvent être offshorées ou réalisées par davantage d’acteurs. Source nuance toutefois ce point en rappelant que les clients sous-estiment souvent le niveau d’accompagnement nécessaire une fois les projets lancés.

L’IA entre dans ce débat parce qu’elle rend certaines briques plus rapides et plus observables : recherche documentaire, premières synthèses, comparaison de documents, production de drafts, préparation de scénarios, contrôles de cohérence. Ce n’est pas tout le conseil. Ce n’est pas la partie la plus politique du métier. Mais c’est une surface suffisamment large pour modifier la conversation commerciale.

Quand une partie du travail devient plus compressible, l’effort ne suffit plus toujours comme proxy de valeur. Le client peut demander un délai plus court, un prix plus prévisible, une meilleure documentation des hypothèses, davantage de scénarios testés ou une partie de rémunération liée à l’impact. Le billable hour ne disparaît pas. Il devient moins défendable sur certaines zones.

L’outcome-based pricing déplace le risque

Le pricing lié aux résultats a une vertu évidente : il rapproche la rémunération du cabinet de la valeur créée pour le client. C’est aussi pour cela qu’il est difficile. Dans le conseil, l’impact dépend rarement du cabinet seul. Il dépend des décisions client, de la vitesse d’adoption, de la qualité des données, de l’alignement managérial, de la capacité à exécuter et parfois de facteurs externes.

L’exemple Amazon McKinsey Group est intéressant à cet égard. McKinsey et AWS présentent ce groupe comme une collaboration combinant stratégie, transformation, cloud et IA, avec un modèle commercial directement lié aux outcomes et des transformations visant des impacts supérieurs à 1 milliard de dollars.

Il ne faut pas en tirer une règle générale. Toutes les missions de conseil ne vont pas devenir des contrats à impact milliardaire. Mais ce type d’annonce montre une direction : quand l’IA, les données et l’infrastructure entrent au cœur d’une transformation, le cabinet est poussé à mieux définir la baseline, mesurer l’impact, documenter l’attribution et parfois partager le risque économique.

C’est là que le partnership devient moins confortable. Un modèle outcome-based peut créer plus d’upside, mais il impose aussi plus de capital immobilisé, plus de gouvernance, plus de mesure et parfois un délai plus long entre l’effort fourni et la valeur capturée. Pour des partners habitués à une distribution annuelle importante, ce changement n’est pas seulement commercial. Il est économique.

Le sujet sous-jacent est le capital

Le consulting stratégique a longtemps été un métier relativement peu capitalistique. Les grands cabinets investissent dans leur marque, leurs knowledge bases, leur formation, leurs practices, leurs systèmes internes et parfois des acquisitions. Mais le moteur principal restait humain : recruter, former, staffer, vendre, délivrer, promouvoir.

L’IA ajoute une autre couche. Rester crédible demande désormais des plateformes, de la sécurité, des données gouvernées, des agents, des evals, des workflows réutilisables, des équipes d’ingénierie, des partenariats technologiques, des outils de QA et des capacités d’observabilité. Ce sont des coûts plus fixes, plus collectifs et souvent moins directement attribuables à une mission ou à un partner.

Les mouvements dans l’accounting et l’advisory donnent un signal utile, même s’ils ne sont pas réductibles à l’IA. Grant Thornton US a finalisé en 2024 un investissement de croissance avec New Mountain Capital. Le Journal of Accountancy a présenté cette opération comme l’une des plus importantes dans une tendance de private equity touchant les grandes firmes d’accounting, avec plusieurs transactions impliquant des top 25 firms en deux ans. Grant Thornton a décrit l’opération comme un moyen d’accélérer sa stratégie, d’ajouter de l’échelle, des ressources et de l’agilité.

Ce n’est pas un exemple pur d’IA. C’est précisément pour cela qu’il est intéressant. Il montre que les professional services font face à une question plus large : comment financer croissance, technologie, acquisitions et transformation opérationnelle dans des modèles historiquement construits autour de la distribution partner ?

Le private equity n’est pas une réponse universelle. Il introduit aussi ses propres contraintes de gouvernance, de rendement et de temporalité. Mais sa progression dans certaines firmes d’accounting montre que le besoin de capital n’est plus marginal. L’IA amplifie cette logique, parce qu’elle rend la compétition plus dépendante de systèmes et d’actifs collectifs.

Les incitations internes commencent à changer

Le sujet ne se limite pas au capital retenu. Il touche aussi les incitations internes. Business Insider a rapporté que Grant Thornton lie désormais une partie des bonus de ses partners US à leur adoption et usage de l’IA. Selon l’article, les partners sont évalués sur de nouveaux objectifs stratégiques incluant la capacité à apporter des solutions IA au marché, à intégrer l’IA dans le delivery et dans le travail quotidien, et à développer les talents.

Ce signal est concret. Beaucoup de firmes parlent d’IA. Peu vont jusqu’à l’inscrire clairement dans la scorecard des partners. Quand cela arrive, le message change : l’IA n’est plus seulement une priorité de communication ou de formation. Elle devient une composante de performance.

Cela pose une question plus difficile : qui doit capturer la valeur créée par l’IA dans un cabinet ? Le partner qui possède la relation client ? La practice qui a codifié le playbook ? L’équipe qui a construit l’asset ? Le groupe qui maintient les evals ? Le cabinet dans son ensemble ?

Dans un modèle traditionnel, l’attribution de valeur était déjà politique, mais elle restait relativement lisible : vente, delivery, développement client, leadership practice, contribution au réseau. Dans un modèle plus agentique, une partie de la valeur devient moins visible. Elle vient d’un workflow réutilisable, d’une base documentaire curée, d’un outil de QA, d’un agent vertical ou d’un benchmark interne. Ces actifs peuvent améliorer plusieurs missions sans que le client voie directement qui les a construits.

C’est une autre économie de la contribution.

Le leverage humain n’est plus le seul leverage

Le consulting a longtemps scalé par la pyramide. Des partners vendaient et supervisaient, des équipes plus juniors produisaient une partie importante du travail, et l’apprentissage se faisait par exposition répétée à des problèmes clients. Ce modèle ne disparaît pas. Mais il se combine avec une autre forme de leverage.

PwC et Anthropic ont annoncé l’extension de leur alliance autour de l’agentic AI, avec un Center of Excellence, un programme de formation et certification visant 30 000 professionnels PwC US, et des cas d’usage en finance, supply chain, deal making, cybersécurité et modernisation technologique. KPMG a aussi signé avec Anthropic pour intégrer Claude dans ses plateformes globales tax et advisory ; le Wall Street Journal rapporte que le dispositif doit notamment toucher les workflows tax/legal puis advisory, avec KPMG positionné comme consultant préféré pour certains clients private equity d’Anthropic.

Ces annonces ne disent pas que les consultants deviennent inutiles. Elles disent que l’IA devient une couche de production. Et quand une technologie devient une couche de production, elle finit par toucher la carrière, la rémunération, le pricing et la répartition de la valeur.

La question n’est plus seulement : combien de consultants faut-il staffer ? Elle devient : quelle part du travail vient des personnes, quelle part vient des assets, et comment rémunérer correctement les deux ?

Le droit offre un miroir prudent

Le parallèle avec les law firms doit être utilisé avec précaution. Le droit et le conseil stratégique n’ont pas les mêmes livrables, les mêmes risques ni les mêmes règles professionnelles. Mais ils partagent plusieurs traits : partnership, pyramide, senior judgment, leverage humain, pression client et tradition du temps facturé.

Harvard Law School Center on the Legal Profession estime que le billable hour représente encore au moins 80 % des fee arrangements dans les grandes law firms. Le centre souligne que les gains de productivité liés à l’IA obligent les firmes à réfléchir à leurs revenus, leurs profits, leur staffing, leurs investissements et les attentes clients. Thomson Reuters observe également que l’IA accélère l’intérêt pour des modèles plus value-driven, outcome-based et alternatifs au billable hour, parce que les clients veulent plus de prévisibilité, de transparence et un lien plus clair avec la valeur produite.

Le droit ne prédit pas mécaniquement l’avenir du conseil. Mais il montre ce qui arrive lorsqu’une profession premium, structurée autour du temps de professionnels qualifiés, voit une partie de sa production devenir plus rapide, plus mesurable et plus contestable.

Pourquoi le partnership reste puissant

Il serait facile de conclure que le partnership est mal adapté à l’ère IA. Ce serait aller trop vite. Les professional service firms ont longtemps utilisé le partnership parce qu’il répondait à un vrai problème : aligner des professionnels très autonomes, qui vendent de la confiance, protègent une réputation collective et portent une part de responsabilité personnelle dans la qualité délivrée.

La recherche de Laura Empson sur les professional service firms rappelle que les questions de gouvernance, d’incitations et d’identité professionnelle sont centrales dans ces organisations. Empson souligne aussi que l’IA et le private equity forcent aujourd’hui les firmes à rouvrir ces débats, sans que cela implique une réponse unique ou une obsolescence automatique du partnership.

Le partnership garde donc des avantages réels : ownership direct, sens de la responsabilité, pression entrepreneuriale, alignement avec la marque, capacité à attirer et retenir des profils ambitieux. Mais il doit répondre à une question moins naturelle pour lui : comment financer et gouverner des actifs collectifs dont la valeur se construit sur plusieurs années et se diffuse entre practices, géographies et générations de partners ?

C’est le point central. Le modèle a été conçu pour motiver des professionnels souvent individualistes. Il doit maintenant aussi financer des systèmes.

Les quatre arbitrages

La première tension est celle du cash contre capital. Les partnerships ont historiquement distribué une part importante du profit annuel. L’IA pousse vers davantage de capital retenu : plateformes, sécurité, données, agents, evals, intégrations, formation, acquisitions et talents techniques.

La deuxième tension est celle du temps vendu contre impact mesuré. Le temps reste une unité utile, mais il devient moins défendable là où les tâches sont compressibles, répétables ou benchmarkables. Le client ne demandera pas toujours une baisse de prix. Il demandera plus souvent où est allée la productivité.

La troisième tension est celle du leverage humain contre assets réutilisables. La pyramide reste importante. Mais le leverage vient aussi de workflows, outils, datasets, agents, benchmarks, playbooks et systèmes de QA. Un cabinet ne scale plus seulement en ajoutant des consultants. Il scale aussi en réutilisant des systèmes.

La quatrième tension est celle du profit individuel contre apprentissage collectif. Dans le modèle traditionnel, le partner qui vend, porte et développe le client capture une part importante de la valeur. Dans un modèle plus agentique, une partie de la valeur vient de ce que le cabinet a appris, codifié et rendu réutilisable.

Cette dernière tension est probablement la plus sensible. Elle touche à l’identité du partner. Qui crée la valeur dans un cabinet d’IA : celui qui détient la relation, celui qui comprend le secteur, celui qui sait vendre le changement, celui qui possède l’asset, celui qui a construit le workflow, celui qui mesure l’impact, ou celui qui intègre le système chez le client ? La réponse sera rarement individuelle. Et c’est précisément ce qui rend le partage de valeur plus compliqué.

Conclusion

L’IA ne condamne pas le partnership model. Les clients continueront de payer pour de la confiance, du jugement, de la confidentialité, de la crédibilité, de l’accès à des dirigeants et de la capacité à arbitrer sous contrainte. Ces dimensions restent difficiles à automatiser et encore plus difficiles à institutionnaliser sans responsabilité humaine.

Mais le modèle devient moins confortable. Il doit financer plus d’actifs technologiques, accepter plus de mesure, parfois porter plus de risque et rémunérer des contributions moins directement visibles. Il doit surtout répondre à une question que le conseil a longtemps pu différer : qui capture la productivité quand celle-ci ne vient plus seulement des personnes staffées sur une mission, mais du système que le cabinet a construit autour d’elles ?

C’est là que l’IA change le plus le conseil. Pas seulement dans la vitesse de production. Pas seulement dans la taille des équipes. Mais dans la destination économique de la productivité : client, partner, cabinet, asset technologique, lab IA, équipe d’ingénierie, practice ou système collectif.

La vraie question est moins spectaculaire que le récit habituel sur le remplacement des consultants : comment un cabinet partage-t-il la valeur quand une part croissante de la productivité provient non seulement du jugement de ses partners, mais aussi des actifs collectifs qu’il accepte de financer ?