Les 44 prestataires comparés ici déclarent tous le machine learning, et tous déclarent aussi les agents et l'intelligence artificielle au sens large : vingt-deux annoncent l'automatisation par l'intelligence artificielle, vingt-deux l'intelligence artificielle générative, dix-neuf les grands modèles de langage et quinze ChatGPT, contre dix-sept l'analyse prédictive et quatorze l'apprentissage profond. Le moteur de recherche dit la même chose : les huit recherches associées qu'il propose en octobre 2026 portent toutes sur l'agence d'intelligence artificielle, aucune sur le machine learning, et deux des quatre pages les mieux classées se présentent comme des agences d'IA plutôt que de machine learning. Or un modèle entraîné sur vos données et un modèle loué à un éditeur ne sont pas le même projet, ni le même budget, ni le même risque.
Ce que « machine learning » désigne encore, et ce qu'il désigne désormais
D'un côté, l'apprentissage sur vos propres données : prévoir une demande, détecter une anomalie, classer des images, estimer un prix. Le modèle est construit pour vous, à partir de ce que vous possédez, et sa valeur tient à la qualité de cette matière. Dix-sept des prestataires comparés déclarent l'analyse prédictive de données, quatorze l'apprentissage profond et quatorze la reconnaissance d'images.
De l'autre, l'intégration d'un modèle existant : un assistant, un moteur de recherche interne, une génération de texte ou d'image. Le modèle appartient à un éditeur, vous l'appelez et vous le payez à l'usage. Dix-sept prestataires déclarent les assistants conversationnels, dix-neuf les grands modèles de langage.
La distinction a trois conséquences immédiates. Le calendrier d'abord : une intégration se mesure en semaines, un modèle entraîné suppose de rassembler et de préparer des données, ce qui prend souvent plus de temps que le développement lui-même. Le risque ensuite : dans le premier cas il porte sur la dépendance à un fournisseur, dans le second sur la qualité et la représentativité de vos données. La maintenance enfin : un modèle entraîné se dégrade quand le monde change autour de lui, et personne ne vous préviendra. Si votre besoin relève clairement du second cas, la page des agences spécialisées en grands modèles de langage compare des profils plus étroits, et celle des agences d'agents IA couvre l'automatisation conversationnelle.
Cent quatre missions chiffrées, médiane à trente-sept mille sept cent quatre-vingts euros
Le bandeau de cette page n'annonce aucun prix médian : le calcul réclame trente missions étiquetées machine learning, et le compte n'y est pas. Les réalisations publiées par les 44 prestataires sont en revanche presque toutes chiffrées : sur 162 missions en ligne, cent quatre portent un montant. La moitié dépasse 37 780 €, un quart reste sous 15 000 € et un quart franchit 75 000 €. Trente-neuf missions dépassent 50 000 €. La plus élevée atteint 5 000 000 €, valeur aberrante pour un acheteur ordinaire puisqu'elle recouvre un programme étalé sur plusieurs années.
C'est le panel le plus cher de nos pages techniques récentes, et l'écart avec les métiers voisins n'est pas un hasard : un projet d'apprentissage comporte une phase de données que les autres n'ont pas. Les montants les plus fréquents éclairent la structure du marché : dix-sept missions à 15 000 €, onze à 35 000 €, six à 8 000 €, six à 50 000 € et cinq à 10 000 €. Le palier autour de quinze mille euros correspond à une première étude ou à une preuve de concept, celui autour de trente-cinq à cinquante mille à un modèle mis en production.
Personne ne publie de montant plancher sur cette compétence. Faites donc chiffrer séparément quatre postes, sans quoi vous ne pourrez comparer aucune proposition : le cadrage et l'accès aux données, la préparation et l'annotation, l'entraînement et l'évaluation, puis la mise en production et la surveillance.
Modèle entraîné sur vos données ou modèle loué : la décision structurante
Qui possède les données, et dans quel état. Un projet d'apprentissage est d'abord un projet de données. Demandez au prestataire de vous dire, après examen, combien de temps il faudra pour les rendre utilisables : une réponse immédiate et optimiste est un mauvais signe.
Comment la réussite sera mesurée. Un modèle ne se juge pas à l'impression qu'il donne en démonstration mais à un chiffre convenu d'avance, sur un échantillon que le modèle n'a jamais vu. Faites écrire ce seuil dans le contrat, avec ce qui se passe s'il n'est pas atteint.
Où tourne le modèle, et qui voit vos données. Serveur que vous maîtrisez, infrastructure du prestataire, interface de programmation d'un éditeur étranger : les trois existent et n'engagent pas les mêmes obligations. La question se pose avant le choix technique, pas après.
Ce qui se passe au bout d'un an. Un modèle en production se surveille, se réévalue et se réentraîne. Demandez le coût annuel de cette surveillance et qui la fait : c'est le poste que les devis oublient le plus systématiquement.
Vingt-cinq prestataires, douze à cinq personnes et trois au-delà de cent
La moitié du panel, soit douze prestataires, emploie cinq personnes ou moins ; huit en emploient de six à vingt, deux de vingt et un à cent, et trois comptent plus de cent salariés. Cinq paient un emplacement sponsorisé, vingt ont repris la main sur leur fiche. Les dates de création connues vont de 2000 à 2026, neuf structures étant nées depuis 2024. Les sièges renseignés se répartissent entre cinq adresses parisiennes, une nantaise, une bordelaise, une lyonnaise et une strasbourgeoise.
Cette composition mélange deux offres qu'il faut savoir distinguer en rendez-vous. Les trois structures de plus de cent personnes sont des cabinets de conseil et de données pour lesquels l'apprentissage est une ligne parmi d'autres : vous y achetez une capacité à tenir un projet long et une conformité documentée. Les douze structures de cinq personnes ou moins, dont neuf créées depuis 2024, vendent une expertise pointue et une vitesse d'exécution, avec le risque de concentration qui va avec. Sur un sujet où la compétence tient à quelques personnes, une question s'impose dans les deux cas : qui, nommément, construira le modèle, et quelle est sa dernière mise en production.
Ce que les réalisations publiées disent du travail réel
Les étiquettes des 162 missions en ligne valent avertissement : cinquante-deux sont marquées développement web, quarante-quatre développement logiciel, quarante et une intelligence artificielle, trente-deux développement complet, trente développement côté serveur, vingt-cinq développement côté navigateur, vingt-deux React et vingt-deux automatisation par l'intelligence artificielle. Autrement dit, l'essentiel du travail facturé reste du logiciel, autour d'un modèle qui n'en constitue qu'une partie. C'est une information utile : vous n'achetez pas une recherche, vous achetez une application qui contient un modèle.
Les clients sont surtout des entreprises établies : quarante-deux missions pour des PME, vingt et une pour des jeunes pousses, seize pour des grands groupes, dix pour des TPE et neuf pour des entreprises de taille intermédiaire. Les secteurs les plus représentés sont le logiciel et les services aux entreprises avec vingt-sept missions, le commerce avec vingt-deux, l'immobilier avec douze, le marketing avec onze et la formation avec dix.
Les durées publiées sont plus courtes qu'on ne l'imagine : quarante-sept missions affichent moins d'un mois, vingt-neuf trois mois, seize un an, onze six mois et trois neuf mois. Ces quarante-sept missions courtes correspondent vraisemblablement à des études et à des preuves de concept, ce qui confirme la bonne façon d'entrer dans ce marché : commencer par un travail borné sur une seule question. Côté géographie, quarante-cinq réalisations portent un client parisien, dix un Lyonnais, sept un Strasbourgeois et sept un client installé à Manama, au Bahreïn.
Quarante-six avis, sept au-dessus de cent mille euros
Huit fiches sur vingt-cinq portent les 60 avis vérifiés, deux d'entre elles en concentrant dix chacune, puis neuf, cinq, cinq et quatre. Dix-sept prestataires restent sans aucune note, et trente-trois de ces avis ont été collectés sur une autre plateforme avant d'être revalidés. Quarante et un sont au maximum, trois à quatre sur cinq et deux à trois sur cinq.
Les budgets déclarés par les auteurs sont ici la donnée la plus instructive de toute la page : dix annoncent entre dix et cinquante mille euros, quatre entre cent et cent cinquante mille, trois plus de deux cent mille, trois entre cinquante et cent mille et deux moins de dix mille, vingt-quatre ne disant rien. Sept témoignages documentent donc des engagements supérieurs à cent mille euros, ce qui confirme l'existence d'un segment haut que la médiane ne montre pas. Les fonctions des auteurs vont dans le même sens : six dirigeants, deux directeurs généraux, deux fondateurs, un chef de projet scientifique et un délégué général. La présence d'un chef de projet scientifique est le signal le plus utile du lot, car c'est le seul profil qui juge la méthode et non le résultat commercial.
Huit questions à poser avant de lancer un projet de machine learning
Entraînez-vous un modèle sur nos données, ou intégrez-vous un modèle existant ?
Après examen de nos données, combien de temps faut-il pour les rendre exploitables ?
Sur quelle mesure chiffrée jugerons-nous la réussite, et sur quel échantillon jamais vu par le modèle ?
Que se passe-t-il, contractuellement, si ce seuil n'est pas atteint ?
Où tourne le modèle, et qui a accès à nos données pendant et après le projet ?
Qui construira le modèle chez vous, et quelle est sa dernière mise en production ?
Combien coûte la surveillance annuelle, et qu'est-ce qui déclenche un réentraînement ?
Si nous arrêtons la collaboration, que récupérons-nous exactement, données, modèle et code compris ?
Le brief qui commence par vos données
Décrivez d'abord la décision que le modèle doit aider à prendre, en une phrase, et ce qu'elle coûte aujourd'hui quand elle est mauvaise. Sans ce chiffre, aucun retour sur investissement ne pourra être discuté. Décrivez ensuite vos données comme elles sont : où elles se trouvent, depuis combien de temps vous les conservez, sous quel format, et ce qui manque ou a changé de définition en cours de route. Précisez si elles contiennent des données personnelles et qui peut les transmettre. Indiquez qui, dans votre organisation, saura dire si une prédiction est bonne, car un modèle ne s'évalue pas sans un métier à côté. Dites ce qui existe déjà, règles manuelles, tableur, outil du marché, afin que le prestataire puisse mesurer le gain réel plutôt que d'en supposer un. Annoncez enfin un budget d'étude séparé du budget de mise en production, en sachant que la seconde décision doit dépendre du résultat de la première.
Comparer une automatisation, un modèle entraîné et un produit du marché
Demandez trois propositions de nature différente pour la même décision à améliorer. Une automatisation à base de règles ou d'un modèle loué, rapide à installer et sans phase de données. Un modèle entraîné sur vos données, avec sa phase de préparation, son seuil d'évaluation et sa surveillance. Et un produit du marché qui traite déjà ce cas dans votre secteur, souvent le plus ennuyeux et parfois le plus rentable. Ramenez les trois à un coût sur vingt-quatre mois, surveillance et abonnements compris, puis départagez sur la mesure : celui qui propose le seuil d'évaluation le plus précis est presque toujours celui qui a compris le problème. Si l'enjeu est d'abord de rassembler et de fiabiliser vos données avant tout modèle, la page des agences data réunit les prestataires qui font ce travail préalable.
