Le succès de l’IA ne se mesure pas à son adoption. Il se mesure aux résultats de l’entreprise.

La conversation sur l’IA a changé dans les conseils d’administration. Il y a un an, la plupart des échanges portaient sur les cas d’usage, les copilotes et les preuves de concept. La question que posent aujourd’hui les dirigeants est plus difficile. Qu’est-ce que l’IA a changé que l’on puisse montrer dans des chiffres dont nous rendons déjà compte ?

Les études publiées sont d’une clarté inhabituelle sur la position de la plupart des organisations. L’enquête State of AI 2026 de McKinsey montre que près de neuf répondants sur dix utilisent régulièrement l’IA dans au moins une fonction de l’entreprise, et que 44 % décrivent désormais l’IA comme en cours de généralisation à l’ensemble de l’entreprise, contre 38 % un an plus tôt. Quatre-vingts pour cent font état de gains de productivité individuelle. Pourtant, la part de ceux qui attribuent un quelconque impact sur l’EBIT à l’IA s’établit à 37 %, quasiment inchangée par rapport à l’année précédente, et seuls 6 % environ lui attribuent à la fois 5 % ou plus de leur EBIT et qualifient cet impact de significatif. L’adoption a progressé. L’impact financier déclaré, lui, n’a pas bougé.

Gartner pointe le même écart sous un autre angle : le cabinet prévoit que plus de 40 % des projets d’IA agentique seront abandonnés d’ici fin 2027, et en cite les raisons, à savoir la hausse des coûts, une valeur métier mal établie et des contrôles des risques insuffisants. Ses travaux distincts sur la préparation des données font un constat voisin : ce sont les organisations qui n’ont pas préparé leurs données dont les projets d’IA s’enlisent.

Ce que nous avons appris en le faisant nous-mêmes

Nous avons appliqué l’IA à l’ensemble de nos propres activités : conseil, ingénierie logicielle, gestion des connaissances et livraison. Une leçon revient sans cesse. Les programmes d’IA qui réussissent ne sont pas bâtis autour de la technologie. Ils sont bâtis autour d’un savoir auquel quelqu’un fait assez confiance pour agir.

Beaucoup d’organisations commencent par les modèles et les plateformes. Celles qui créent une valeur durable commencent ailleurs.

Nommer la décision que vous voulez améliorer

Le bon point de départ n’est pas un endroit où l’IA pourrait être déployée. C’est un problème métier, ou une décision dont quelqu’un se plaint déjà. Reliez-le à quelque chose que l’organisation mesure déjà : le chiffre d’affaires, les coûts, le risque, l’expérience client ou le temps nécessaire pour décider.

Quand le résultat attendu est nommé avec cette précision, arbitrer l’investissement devient un exercice commercial ordinaire. Quand il ne l’est pas, chaque proposition d’IA paraît aussi séduisante que la suivante, et c’est ainsi que les budgets se dispersent sur des sujets que personne ne pourra évaluer ensuite.

C’est aussi la première chose que nous mettons par écrit avec un client. Nos missions sont désormais organisées de sorte qu’avant toute construction, le client signe les objectifs que le travail doit faire progresser, exprimés au regard de chiffres dont il rend déjà compte. Après la mise en production, une revue de valeur est prévue pour mesurer les résultats au regard de ces mêmes objectifs, afin qu’en fin de mission la discussion puisse porter sur la décision qui a changé. Le modèle est décrit sur la page Engagement et livraison assistés par l’IA, et le travail de conseil qui précède une construction sous IA d’entreprise et Copilot.

Ce que lit le modèle détermine ce qu’il vaut

La fragmentation du savoir est l’obstacle le plus sous-estimé de l’IA en entreprise. L’expertise qui compte est dispersée dans des documents, des boîtes e-mail, des partages de fichiers, des présentations et, surtout, dans ce que les gens ont appris sans jamais l’écrire.

L’IA donne le meilleur d’elle-même quand elle peut s’appuyer sur ce savoir-là, et non sur des informations générales tirées de l’internet ouvert. Le recueillir, le structurer et le tenir à jour est ce qui le rend réutilisable. C’est un travail lent, ingrat, qui doit être fait avant la partie intéressante.

L’unité de changement, c’est le cycle de décision

La plupart des initiatives d’IA automatisent des activités isolées. L’opportunité la plus importante se trouve dans le cycle entier : réunir l’information, se forger un avis, étayer la décision, coordonner l’action, puis mesurer ce qui s’est passé.

Produire un rapport plus vite est un petit gain. Changer la façon dont se prend la décision qui se trouve derrière ce rapport apporte un rendement d’un tout autre ordre. C’est aussi bien plus difficile, et c’est pourquoi la plupart des programmes s’arrêtent au rapport.

La gouvernance rend une recommandation utilisable

À mesure que l’autonomie augmente, la gouvernance cesse d’être une considération technique et devient une exigence métier. On agit sur une recommandation quand on peut voir d’où vient l’information, comment la recommandation a été produite, quels contrôles se sont appliqués et qui en reste responsable.

La concevoir dès le départ coûte bien moins cher que de l’ajouter après le déploiement. Sans elle, une bonne recommandation est lue puis discrètement mise de côté, ce qui, dans les chiffres, ressemble exactement à une mauvaise.

La suite

À mesure que l’IA passe des copilotes à des agents qui coordonnent un travail plus complexe, la conversation va encore glisser de la technologie vers la préparation de l’organisation. Les données de McKinsey montrent que les grandes entreprises déploient les agents plus vite que les plus petites, tandis que Gartner revient sans cesse à la gouvernance, à la préparation des données et à une valeur démontrable.

La question posée n’est plus de savoir combien d’IA nous utilisons. Elle est de savoir si une décision a été prise autrement grâce à elle, et si nous sommes capables de dire laquelle.

Le prochain article porte sur ce qui se trouve en dessous, et qui, dans notre propre travail, s’est révélé être les questions que nous posions.