L’IA ne menace pas le conseil. Elle menace son équation de marge.
Depuis dix-huit mois, la même question revient : l’IA va-t-elle remplacer les consultants ?
Elle est mal posée. Le sujet n’est pas le headcount. C’est l’économie d’une mission.
La vraie question : qui capture la productivité nette ?
Quand l’IA réduit le temps nécessaire pour produire une analyse de marché, synthétiser cent sources, préparer une première version de deck ou modéliser plusieurs scénarios, la valeur libérée ne disparaît pas. Elle se redistribue entre le cabinet, le client et le marché. Souvent sans mesure robuste. Souvent sans arbitrage explicite.
C’est cette redistribution qu’il faut regarder.
Pas la fin du conseil.
La marge.
Quel impact sur le modèle économique ?
Le conseil stratégique repose sur une mécanique assez stable. Quatre variables structurent l’économie d’une mission : leverage, utilization, realization, cost-to-serve.
Leverage : le ratio juniors / seniors, qui détermine la capacité à scaler la pyramide. Utilization : la part du temps consultant effectivement facturée. Realization : les honoraires encaissés rapportés au temps valorisé. Cost-to-serve : le coût réel de production d’un jour de conseil, après staffing, rework, revue senior, outils, gouvernance et coûts non facturés.
L’IA touche d’abord le cost-to-serve. Puis, si la compression devient réelle, elle peut remonter vers les autres variables : staffing mix, pricing, realization et partage de la valeur avec le client.
Pas le jugement senior. Pas la relation client. Pas la capacité à poser la bonne question dans une salle de board.
Elle comprime le coût de production de certaines heures routinières : recherche documentaire, synthèse, analyse initiale, benchmark, rédaction de livrables, mise en forme de decks.
Ces tâches ne sont pas tout le conseil. Mais elles pèsent dans la structure de coût. C’est là que la compression commence.
Point de méthode : les cabinets MBB ne publient pas de données P&L assez détaillées pour mesurer directement l’impact de la GenAI sur leur marge de delivery. Il faut donc raisonner par triangulation : études sur le knowledge work, données d’adoption et d’impact EBIT dans les grandes entreprises, disclosures de cabinets diversifiés cotés.
Ce n’est pas une preuve directe.
C’est une base de modélisation.
Deux effets IA à ne pas mélanger
Il faut séparer deux phénomènes.
L’IA vendue au client. L’IA utilisée pour réduire le cost-to-serve interne.
Accenture illustre le premier. En FY2025, le groupe publie 69,7 Md$ de revenus, 80,6 Md$ de new bookings, 5,9 Md$ de bookings GenAI et une marge opérationnelle ajustée de 15,6 %. Il indique aussi avoir triplé ses revenus liés à la GenAI et, de plus en plus, à l’agentic AI, à 2,7 Md$. Accenture précise que ces chiffres excluent la data, l’IA classique et l’IA utilisée dans la delivery de ses services.
Ces chiffres documentent une ligne de revenus client. Ils ne répondent pas à la question de cette newsletter.
La question ici est différente : quand l’IA réduit le temps nécessaire pour délivrer une mission existante, que devient l’économie de cette mission ?
Même client. Même type de problème. Même livrable attendu. Mais moins d’heures nécessaires sur certaines briques de production.
Un cabinet peut vendre plus d’IA à ses clients tout en voyant une partie de son modèle historique de delivery devenir plus contestable. Confondre les deux revient à prendre la croissance du marché IA comme preuve que l’équation de marge n’est pas touchée.
Ce sont deux sujets différents.
Le précédent legal : signal adjacent, pas preuve directe
Le meilleur précédent n’est pas dans le conseil stratégique. Il est dans le legal.
Il ne faut pas forcer l’analogie. Le droit n’est pas le strategy consulting. Il repose davantage sur des corpus textuels structurés, des contrats, des précédents, de la recherche juridique, de la revue documentaire et des workflows plus facilement isolables. Le conseil stratégique garde une part plus forte d’ambiguïté business, de politique interne, d’alignement exécutif et de causalité faible.
Mais le signal reste utile.
Les déploiements Harvey donnent un signal adjacent : un métier expert, confidentiel, historiquement attaché au temps facturé, peut commencer à basculer vers des workflows IA verticaux plus vite que prévu. L’entreprise annonce plus de 100 000 lawyers dans plus de 1 000 organisations, avec plus de 25 heures économisées par utilisateur typique et par mois. CMS a annoncé un déploiement auprès de 7 200 lawyers dans plus de 50 pays. Latham & Watkins a annoncé un déploiement firmwide pour ses lawyers et legal professionals. Bredin Prat a renouvelé et étendu son partenariat sur plus de 200 avocats.
Ce précédent ne prouve pas que le conseil stratégique suivra exactement la même trajectoire.
Il montre autre chose : dès qu’un métier expert combine forte intensité documentaire, exigences de confidentialité, pression sur le cost-to-serve et workflows suffisamment structurables, l’IA verticale peut déplacer le delivery avant que le modèle de pricing n’ait pleinement réagi.
C’est le point important pour le conseil.
Pas remplacement total. Déplacement du cost-to-serve.
Puis bataille sur la capture de productivité.
Ce que les données permettent de dire
L’étude la plus utile reste celle de Dell’Acqua et al., menée avec BCG, Harvard, Wharton et d’autres chercheurs. Elle porte sur 758 consultants BCG, soit environ 7 % des individual contributors du cabinet concerné, placés sur des tâches proches de leur travail réel avec ou sans accès à GPT-4.
Sur les tâches situées dans la frontière de capacité de l’IA, les consultants utilisant GPT-4 complètent 12,2 % de tâches en plus et les réalisent 25,1 % plus vite.
Sur une tâche complexe située hors de cette frontière, ils sont en revanche 19 points de pourcentage moins susceptibles de produire une solution correcte.
Il faut lire ces chiffres ensemble. Leur intérêt n’est pas de donner un taux moyen de productivité applicable au conseil. Leur intérêt est de montrer que la productivité IA dépend fortement de la nature exacte de la tâche.
L’IA aide fortement sur certaines tâches : recherche, synthèse, génération d’hypothèses, structuration initiale, rédaction, comparaison de sources, production de variantes.
Elle peut dégrader la performance quand la tâche exige une lecture fine du contexte, une compréhension implicite du client ou un arbitrage que le modèle ne sait pas qualifier.
La conclusion n’est donc pas : l’IA automatise le conseil.
La conclusion est plus précise : l’IA réduit le coût marginal de certaines briques du conseil.
Et cela suffit à déplacer l’économie.
Le contexte macro va dans le même sens. McKinsey indique que 88 % des répondants utilisent régulièrement l’IA dans au moins une fonction, contre 78 % un an plus tôt. Mais environ un tiers seulement déclarent avoir commencé à scaler l’IA à l’échelle de l’entreprise, et seulement 39 % reportent un impact EBIT au niveau entreprise.
L’usage déclaré avance plus vite que la capture EBIT déclarée.
Pour le conseil, c’est le point important : la productivité brute apparaît au niveau individuel, la productivité nette n’apparaît que si le modèle de delivery change.
Modèle de mission : 100 jours
Prenons une mission fictive indexée à 100 jours.
Ce n’est pas un benchmark public. C’est un modèle analytique pour isoler les variables de marge
Ce que montre ce schéma
Sur 100 jours de mission, environ 65 relèvent d’un travail documentaire, analytique ou rédactionnel — la part directement exposée à l’IA. La recherche et la production de deck sont les deux blocs à exposition élevée.
Dans cette modélisation, environ 65 jours contiennent une composante documentaire, analytique ou rédactionnelle significative. Si l’IA comprime cette surface de 15 % à 35 %, l’économie brute se situe entre 10 et 23 jours.
Mais ce chiffre n’est pas la marge.
Il faut retirer l’overhead induit : vérification des sources, contrôle qualité, revue senior, gouvernance des données client, documentation des hypothèses, gestion des accès, rework, coût de plateforme, formation, risque réputationnel.
La variable décisive n’est donc pas la productivité brute.
C’est la productivité nette.
Trois scénarios économiques
Formule utilisée : capacité nette libérée × part retenue par le cabinet × valeur économique d’un jour libéré.
Les deltas ci-dessous portent sur une marge de contribution de mission, pas sur la marge opérationnelle consolidée d’un cabinet. Ce sont des ordres de grandeur issus du modèle. Pas des données publiées.
Ce que montre ce schéma
Dans le scénario central, 17 jours d’économie brute ne deviennent que 3,8 jours capturés par le cabinet. L’écart entre productivité brute et productivité capturée est le vrai sujet économique.
Le scénario central est le plus instructif.
Une économie brute de 17 jours devient 8,5 jours de capacité nette, puis environ 3,8 jours réellement capturés par le cabinet après réinvestissement qualité et transfert partiel au client. Dans ce modèle indexé, le delta de marge de contribution ressort autour de 0,7 point de la base mission. Ce chiffre n’est pas une prévision, il sert à montrer l’ordre de grandeur de la capture après overhead et partage.
C’est peu spectaculaire. C’est l’intérêt du modèle.
Les narratifs marketing confondent souvent temps économisé et marge capturée. Dans les services experts, cette translation n’existe pas. Le gain brut est absorbé par la qualité, le risque, la gouvernance et le rapport de négociation avec le client.
Le scénario optimiste suppose autre chose qu’un déploiement d’outils : sources contrôlées, permissions, workflows réutilisables, QA formalisée, agents spécialisés, monitoring, traçabilité des outputs, reprise humaine aux bons endroits.
C’est ici que la distinction entre copilote et agentic AI devient déterminante.
Un copilote individuel améliore une tâche. Il aide un consultant à chercher plus vite, rédiger plus vite, reformuler plus vite, produire une première version plus vite. C’est utile, mais l’impact reste local. Il dépend de la personne, de son usage, de son niveau de contrôle et de sa capacité à ne pas déléguer au modèle ce qui relève encore du jugement.
Un workflow agentique change la nature du problème.
Il ne s’agit plus seulement d’assister un consultant. Il s’agit d’opérer une chaîne de delivery : collecter des sources, structurer un corpus, comparer des documents, générer des hypothèses, vérifier des contradictions, produire des livrables intermédiaires, tracer les décisions, escalader quand le risque augmente.
Sur certains périmètres suffisamment structurés, cela fonctionne déjà.
Pas partout. Pas sur tous les sujets. Pas sans garde-fous.
Mais assez pour que la question économique change. Quand un bloc de mission devient opérable par un système sourcé, permissionné, loggé et vérifiable, le débat ne porte plus seulement sur le temps gagné par un consultant. Il porte sur la part du delivery qui peut être produite autrement.
C’est précisément là que le cost-to-serve bouge.
Les entreprises “future-built” déclarent des gains IA très supérieurs : cinq fois plus de hausse de revenus attribuée à l’IA et trois fois plus de réduction de coûts que les autres, selon BCG.
L’avantage ne vient pas de l’accès à l’IA.
Il vient de la conversion de l’usage en operating model.
Sensibilité
Pour éviter de donner une fausse précision, le scénario central doit être stressé.
Quatre variables dominent : économie brute, overhead, part réinvestie, part retenue par le cabinet.
Ce que montre ce schéma
Même en faisant varier les quatre hypothèses clés, l’impact du scénario central sur la marge de contribution reste borné entre +0,5 et +0,9 point.
Fourchette raisonnable du scénario central : +0,5 à +0,9 point de marge de contribution.
L’incertitude est réelle. Mais elle ne change pas le message : l’impact peut être matériel sur un portefeuille de missions, sans être spectaculaire mission par mission.
Le sujet se joue dans la discipline de delivery.
Une photo à aujourd’hui, pas une frontière fixe
Le modèle précédent repose sur une hypothèse implicite : les capacités actuelles des systèmes.
Il faut la rendre explicite.
Les scénarios ne décrivent pas une limite permanente. Ils décrivent une photo à aujourd’hui : des modèles déjà capables de comprimer une partie du travail, mais encore dépendants de garde-fous, de vérification, de revue humaine et de gouvernance sur les périmètres à risque.
Cette frontière peut bouger vite.
Si les capacités de raisonnement, de planification, d’usage d’outils et d’auto-vérification continuent de progresser, la surface compressible d’une mission augmentera. Ce qui relève aujourd’hui d’une revue humaine systématique pourra, sur certains blocs, devenir un contrôle par exception. Ce qui est aujourd’hui un assistant individuel pourra devenir un système de delivery beaucoup plus autonome.
Il ne faut donc pas lire les scénarios comme une prédiction statique.
Ils répondent à une question plus limitée : avec les capacités actuelles et des garde-fous sérieux, quelle part de la productivité peut être capturée ?
La question dynamique est plus exigeante : à mesure que la frontière avance, quelle part du delivery devient opérable par système plutôt que produite artisanalement par équipe ?
C’est cette trajectoire qui rend l’équation de marge instable.
La bataille du partage
Une fois la capacité libérée, trois issues existent.
Ce que montre ce schéma
La productivité nette peut être captée par le cabinet, transférée au client, ou réinvestie dans la mission. Le scénario le plus défendable est le troisième : convertir l’IA en meilleure décision plutôt qu’en prix plus bas.
La troisième issue est la plus solide pour un cabinet premium.
Le client peut accepter un prix stable si l’IA est convertie en meilleure décision : plus de scénarios testés, plus de sources vérifiées, plus d’itérations, meilleure documentation des hypothèses, intervention senior plus fréquente, délai plus court.
Mais il faut le prouver.
Dire “nous utilisons l’IA” n’a aucune valeur économique. Le pricing reste défendable si le cabinet montre où la productivité a été réinvestie : qualité, vitesse, profondeur, réduction du risque, traçabilité.
La question n’est pas combien d’heures ont été économisées.
La question est où est allée la productivité nette.
Le billable hour ne disparaît pas
La thèse de la fin du billable hour est trop simple.
Dans les services professionnels, les modèles time-based résistent parce que les livrables sont spécifiques, les coûts difficiles à attribuer, la valeur client difficile à mesurer, le pricing souvent décentralisé par partner, et les processus achats encore structurés autour du time & materials.
Simon-Kucher pose le sujet de manière plus utile : l’IA ne remplace pas un modèle de prix par un autre, elle oblige les firmes à construire un portefeuille de modèles adaptés aux différents archetypes de services.
La thèse défendable est donc plus limitée : le billable hour ne disparaît pas. Il devient plus contestable sur les tâches où l’effort est compressible, observable et benchmarkable.
Sur les périmètres ambigus, politiques ou fortement senior-driven, le temps restera une unité de pilotage. Sur les tâches standardisables, il sera plus difficile à défendre. Entre les deux, les modèles hybrides progresseront : forfaits modulaires, retainers, output-based pricing, success fees prudents, tech surcharge, value-based pricing sur certains périmètres.
Les cabinets ne vendent pas des heures. Commercialement, c’est vrai.
Mais économiquement, le delivery reste sensible au staffing mix, au leverage et au cost-to-serve.
Les deux réalités coexistent.
Exposition par segment
L’impact dépend du degré de répétabilité, d’instrumentation et de mesurabilité du travail.
Ce que montre ce schéma
L’exposition économique à l’IA croît avec la répétabilité du travail : +1 à +2 points de marge en strategy consulting, +4 à +5 en managed services.
Ces chiffres sont des approximations. Leur intérêt est de structurer le raisonnement.
Plus le travail est répétable et mesurable, plus l’IA peut être capturée économiquement. Plus il est politique, ambigu et relationnel, plus l’effet passe par la vitesse, la qualité et la profondeur plutôt que par une baisse directe du coût.
Pour les cabinets de stratégie, le risque n’est pas une destruction brutale du pricing. Il est plus discret : la base de coût se déforme avant que le modèle commercial ne bouge.
Ce décalage peut masquer la pression sur la marge pendant plusieurs cycles.
Ce qu’il faut mesurer
Le problème n’est pas le manque d’outils. C’est le manque de mesure économique.
Compter les licences, les prompts ou les copilotes activés ne suffit pas. Il faut mesurer la productivité nette et sa destination.
Ce que montre ce schéma
Un cockpit de huit métriques pour piloter l’impact économique réel de l’IA sur une mission. Chaque métrique répond à une question économique précise ; mesurer l’usage ne suffit pas.
Ces métriques ne supposent pas une refonte complète du reporting. Elles supposent de traiter l’IA comme un sujet de management du delivery, pas comme une adoption d’outil.
C’est aussi là que les systèmes agentiques deviennent pertinents.
Un chatbot individuel améliore une tâche. Un système instrumenté peut transformer une chaîne de production : sources, permissions, logs, contrôles, validation humaine, reprise, auditabilité.
C’est la différence entre productivité individuelle et productivité capturable.
Conclusion : l’IA ne rend pas le conseil inutile. Elle rend certaines justifications économiques beaucoup plus difficiles à défendre.
Et il faut être clair : cette bascule n’est pas seulement devant nous. Elle a déjà commencé.
Sur certains périmètres suffisamment structurés, l’agentic AI peut déjà opérer en autonomie des blocs entiers du delivery : collecte, structuration, analyse documentaire, comparaison de sources, génération d’hypothèses, contrôle de cohérence, préparation de scénarios et production de livrables intermédiaires.
Pas partout. Pas sur tous les sujets. Pas sans garde-fous.
Mais assez pour changer l’économie.
Le modèle “consultant augmenté par copilote” est une étape intermédiaire. Utile, mais limitée. Il améliore localement la productivité d’un individu. Il ne transforme pas vraiment la structure de coût d’une mission.
Le client continuera de payer pour réduire l’incertitude, aligner une organisation et prendre de meilleures décisions. Mais il sera de plus en plus difficile de défendre le même prix pour des couches de production qui peuvent être opérées par des workflows autonomes, sourcés et vérifiables.
La question n’est donc plus seulement : combien de temps l’IA fait-elle gagner ?
Elle devient : quelles parties de la mission peuvent être opérées autrement, avec quel niveau d’autonomie, quel niveau de preuve, quel coût de supervision, quel risque résiduel, et quelle part du gain reste capturable par le cabinet ?
C’est là que se joue le vrai sujet. Pas dans la productivité annoncée.
Dans la productivité nette.
Et dans la capacité à transformer cette productivité en système opérable, vérifiable, gouverné.
Le conseil ne disparaît pas.
Mais une partie du delivery artisanal, lui, a déjà commencé à perdre sa justification économique.
Sources :
McKinsey QuantumBlack — The State of AI: Global Survey 2025 — https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
Fabrizio Dell’Acqua, Edward McFowland III, Ethan Mollick, Hila Lifshitz-Assaf, Katherine C. Kellogg, Saran Rajendran, Lisa Krayer, François Candelon, Karim R. Lakhani — Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality — https://www.hbs.edu/faculty/Pages/item.aspx?num=64700
Accenture — Accenture Reports Fourth-Quarter and Full-Year Fiscal 2025 Results — https://newsroom.accenture.com/news/2025/accenture-reports-fourth-quarter-and-full-year-fiscal-2025-results
BCG — Are You Generating Value from AI? The Widening Gap — https://www.bcg.com/publications/2025/are-you-generating-value-from-ai-the-widening-gap
Simon-Kucher — Generative AI and the price model revolution in professional services – think golf not tennis — https://www.simon-kucher.com/fr/node/7232