L’heure des comptes : le rapport 2026 d’Aptean sur l’état de l’IA en entreprise

Étude 2026 d’Aptean sur l’intelligence artificielle : une enquête d’impact de l’IA auprès de 1 500 dirigeants d’entreprise

L’histoire de l’intelligence artificielle (IA) que de nombreuses organisations ont racontée au cours des deux dernières années est celle de l’enthousiasme et de l’élan. Des investissements audacieux. Des annonces confiantes. Le conseil exige d’agir rapidement.

La foi dans la technologie n’était pas sans fondement. L’étude 2026 d’Aptean sur l’intelligence artificielle, notre rapport sur l’état de l’IA en entreprise, qui porte sur les opinions et les expériences de plus de 1 500 décideurs en matière d’IA, a révélé que 86 % des organisations ont amélioré leur efficacité opérationnelle au cours de l’année écoulée.

Donc, l'IA est concrète. Les gains le sont aussi. Et presque personne ne fait demi-tour.

Mais prenez le temps de discuter avec les personnes étroitement impliquées dans les déploiements d’IA en entreprise, et vous entendrez la version honnête et intégrale de l’histoire. Les organisations que nous avons interrogées rapportant des gains, indiquent également que l’IA n'a pas encore déployé toute sa valeur et les recherches mondiales de McKinsey¹ montrent que seulement 39 % des organisations peuvent attribuer un impact sur les profits à l’IA, la plupart le situant à moins de 5 %

Les outils qui semblaient si prometteurs dans le pilote montrent leurs limites en production. Et certaines des entreprises qui ont progressé le plus rapidement se posent désormais les questions les plus inconfortables : pourquoi ne pouvons-nous pas étendre cela ? Où est le retour sur investissement ? Et avons-nous choisi les bons outils dès le départ ?

C’est un règlement de comptes. L’IA n’a pas échoué, mais l’écart entre ce qui a été promis et ce qui a été livré est impossible à ignorer.

Heureusement, ce que révèlent les données au-delà des gros titres est encourageant. Les organisations qui tirent le plus de l’IA ont quelque chose en commun que l’industrie commence seulement à comprendre : elles n’ont pas seulement adopté l’IA ; elles ont choisi des outils conçus pour leur secteur, leurs données et la manière dont leurs opérations fonctionnent réellement.

Ce règlement de comptes n’est pas la fin de l’histoire. Loin de là. C’est un moment de clarification. Cela force une conversation honnête sur ce que la transformation de l’IA exige réellement, et remet en question ce à quoi ressemble le succès. Parce que l’IA en vaut la peine, il suffit de l’aborder avec intention, en commençant par des objectifs clairs et des outils véritablement équipés pour vous aider à les atteindre.

88% estiment que l’IA verticale est très importante ou cruciale. 

À propos de ce rapport d’impact de l’IA

L’heure des comptes s’appuie sur l’étude 2026 d’Aptean sur l’intelligence artificielle, une enquête multirégionale d’impact de l’IA sur la manière dont les organisations mettent l’IA au travail : là où elle porte ses fruits, là où ce n’est pas le cas, et pourquoi. Aptean a mandaté le cabinet d’études Vanson Bourne pour interroger 1 535 décideurs dans des entreprises réalisant un chiffre d’affaires annuel de 10 millions de dollars ou plus, réparties sur six marchés : les États-Unis, le Canada, le Royaume-Uni, les Pays-Bas, la France et l’Allemagne. Les activités des répondants couvrent cinq secteurs : l’alimentation et les boissons ; la mode et l’habillement ; le transport et la distribution ; la fabrication de process et la fabrication discrète ; et les fabricants d’équipement.

Les participants étaient des leaders métier et informatique, de la direction opérationnelle à la direction générale, avec une visibilité sur la stratégie d’IA de leur organisation et une implication directe dans ses systèmes ERP ou de chaîne d’approvisionnement. L’enquête de 25 questions sur l’adoption de l’IA a exploré la manière dont ils abordent l’IA aujourd’hui, ses performances, là où elle déçoit et les indicateurs qu’ils utilisent pour l’évaluer. L’un des objectifs de la recherche était de tester une hypothèse simple : l’IA verticale surpasse les outils généralistes — et les résultats qui suivent s’y rapportent directement.

Pour donner un contexte aux chiffres, Vanson Bourne a également mené 10 entretiens approfondis avec des dirigeants de ces mêmes secteurs et régions, dont les témoignages directs apparaissent tout au long de ce rapport. Les résultats de l’enquête sont testés par signification au niveau de 5 %, et les personnes interrogées sont citées anonymement. La recherche s’est déroulée sur trois mois au premier semestre 2026, alors que le développement de l’IA et le déploiement en entreprise progressaient mais soulevaient également des questions cruciales.

Chapter 1 : L’état de confiance (écarts d’adoption de l’IA)

Les organisations sont plus honnêtes sur leurs failles en matière d’IA que ce que les gros titres laissent entendre. Mais honnêteté et action ne sont pas la même chose.

Écarts d’adoption de l’IA : Points clés

Voici un inventaire de la position des organisations, sous les gros titres :

• L’adoption est pratiquement universelle à 98 %, mais seulement 46 % ont l’IA intégrée ou essentielle à leur travail principal. La majorité occupe un vaste palier intermédiaire.

• Les voix les plus franches sont celles des croyants : 82,5 % estiment que la valeur de l’IA est claire mais pas encore pleinement réalisée.

• Le motif était l’opportunité, pas l’anxiété : 83 % ont adopté la compétition et l’accélération, seulement 17 % par crainte de prendre du retard.

• Ces écarts ne sont pas un mystère pour les personnes qui les vivent. Les organisations peuvent les nommer, et ils remontent à des décisions antérieures. Cela signifie qu’ils sont réparables.

Le récit affirme que l’adoption de l’IA s’accélère, et en surface, les données sont d’accord. La non-adoption est devenue une rareté statistique : 98 % des organisations utilisent déjà ou mettent en œuvre l’IA. Le marché a clairement évolué.

Mais l’adoption est une échelle, pas une destination, et c’est là que la confiance commence à faiblir. Seulement 46 % des organisations affirment que l’IA est intégrée ou essentielle à leurs flux de travail principaux. La majorité se situe dans un vaste palier intermédiaire. Elles utilisent l’IA dans une fonction ici ou pilotent un cas d’usage là, mais elle n’est jamais intégrée dans les opérations principales. Ainsi, le titre standard compte les entreprises qui ont commencé, mais ne dit rien sur le chemin parcouru..

Les organisations savent faire la différence. 82,5 % s’accordent à dire que la valeur de l’IA est claire mais n’a pas encore été pleinement réalisée. Cela compte, car cela ne vient pas de sceptiques ou d’analystes observant de l’extérieur. Cela vient des personnes qui ont déjà acheté, y ont cru et utilisent la technologie IA pour faire fonctionner leurs entreprises. Et elles vous disent qu’elles n’y sont pas encore

82.5% estiment que la valeur de l’IA est claire mais pas encore pleinement exploitée. 

Ce qui rend cette admission plus évidente, c’est que les ambitions étaient (et sont) si élevées. Lorsqu’on leur a demandé ce qui les avait poussées à adopter l’IA, 83 % ont souligné l’opportunité, la possibilité d’aller plus vite, d’opérer plus efficacement et de rivaliser plus durement. Seuls 17 % étaient motivés par la peur de prendre du retard.

Ce n'était donc pas un marché se précipitant par anxiété. C’était un marché cherchant quelque chose de concret. C’est dans l’exécution que ça devient compliqué.

Vous pouvez entendre ces discussions dans la façon dont les opérateurs décrivent leurs propres parcours. Prenons l’exemple d’une marque britannique de mode et d’habillement de taille moyenne qui a commencé à utiliser l’IA non pas dans le cadre d’une stratégie, mais pour combler une faille.

« Nous avons malheureusement dû licencier l’un de nos designers d’accessoires », expliqua un cadre supérieur. « Donc on a essentiellement utilisé l’IA comme premier jet de conception. »

Les outils n’ont jamais été déployés officiellement, et aucune formation n’a été dispensée.

« Ils sont essentiellement apparus grâce à mes propres recherches », a-t-elle déclaré. « J’ai dû le découvrir moi-même. » Une vraie valeur, découverte par hasard et détenue par une seule personne, sans base solide.

Ensuite, il y a une réalité à deux vitesses au sein d’une seule entreprise. Dans un grand fabricant américain de vêtements, un cadre supérieur a déclaré qu’un outil de prévision vertical a permis à l’entreprise de « bénéficier nettement » de la demande au niveau du SKU pour des milliers de produits. Mais l’assistant commercial généraliste qui l’accompagne raconte une autre histoire.

« La mise en œuvre pour la vente, je dirais, a donné des résultats mitigés », a-t-il noté, ajoutant que c’est utile pour les nouvelles recrues ayant des questions basiques, mais beaucoup moins pour ceux qui connaissent déjà le métier.

Même entreprise, même année, deux résultats complètement différents. Et la variable n’était pas l’effort de la part des employés ; c’était la façon dont l’outil s’ajustait.

Cela ne veut pas dire que l’IA ne peut pas servir le département des ventes et du marketing. Le PDG d’un petit fabricant britannique d’équipements a augmenté son chiffre d’affaires de 23 % en un an, tandis que les leads n’ont augmenté que de 9 %, attribuant le déficit au contenu assisté par IA et à la conversion.

Mais ce même leader est franc sur le fait qu’il s’est trompé tôt : un premier bot sur un site web « était probablement un exemple de bots très mal traités », a-t-il admis, et « a probablement repoussé des clients ». Avec le recul, il aurait souhaité que l’entreprise démarre plus tôt, qu’elle ait examiné les options plus en profondeur, et dépassé son propre scepticisme plus rapidement.

C’est la base honnête. L’adoption est presque universelle, la croyance est forte, et il y a une réelle valeur à tirer. Mais l’intégration est superficielle, la valeur tardive, et une grande partie de ce qui fonctionne a été découverte par hasard plutôt que conçue.

Les organisations de cette étude ne démentent pas leurs lacunes ; elles peuvent les nommer clairement. Mais cela signifie que les questions examinées par le reste de ce rapport ne sont pas des mystères ou des malchances, elles sont retracées jusqu’à des décisions antérieures. Vous pouvez donc choisir différemment si vous les revisitez et en appliquez les enseignements de ces résultats.

Profondeur d’intégration de l’IA, par verticale

Laquelle des propositions suivantes décrit le mieux la situation de votre organisation en matière d'IA ?

Les chiffres sont arrondis, ils ne totalisent pas toujours 100 % sur chaque verticale.

Actions recommandées

Si vous reconnaissez que votre organisation est au milieu de l’intégration de l’IA, voici comment commencer à l’intégrer plus profondément :

1. Cartographiez où vit l’IA. Triez chaque cas d’usage, allant de « quelqu’un expérimente » à « le business en dépend », et soyez honnête sur ce qui reste en surface.

2. Séparer l’adoption de la valeur. Pour chaque cas d’usage, nommez le résultat commercial qu’il a déplacé, pas seulement la tâche qu’il accomplit.

3. Cherchez la division au sein de votre propre organisation. Où un outil spécialement conçu surpasse un outil général au sein de votre organisation, et qu’est-ce que cela vous apprend ?

4. Capturez les victoires accidentelles. Documentez les succès improvisés, et les personnes qui les gèrent discrètement, avant que la connaissance ne s’éloigne.

5. Choisissez quelques cas d’usage à approfondir. Choisissez où passer de la surface à l’intégration et ressourcez-les délibérément, plutôt que de trop disperser vos ressources.

Bien fait, cela transforme une série d’expériences en une courte liste sur laquelle il vaut la peine de miser.

Termes clés : Qu’est-ce que l’IA verticale ?

L’IA verticale est conçue spécialement pour une seule industrie ou fonction et entraînée selon les données, la terminologie et les règles de conformité propres à ce domaine. Contrairement aux modèles généralistes, ou « horizontaux », conçus pour faire un peu de tout, l’IA verticale réduit la portée pour bien faire le travail d’une industrie. Cette focalisation est ce qui la rend plus précise, moins sujette aux hallucinations, et capable de s’intégrer directement aux piles logicielles qu’une entreprise utilise déjà. Des termes alternatifs incluent « IA verticale », « IA conçue à cet effet », « IA spécialisée », « IA sectorielle » et « IA sur mesure ».

Chapitre 2 : Le mauvais choix d'outil (IA verticale vs IA horizontale)

L’IA que la plupart des organisations choisissaient en premier était celle la plus disponible, pas la plus appropriée.

IA verticale vs IA horizontale : Points clés

Pourquoi les gros investissements dans l’IA ont-ils été sous-performants ? Le motif est difficile à manquer une fois que vous le voyez :

• La plupart ont choisi l’outil le plus disponible plutôt que le plus approprié. Aujourd’hui, 77 % estiment que l’IA généraliste ne peut pas gérer des opérations de grande envergure et complexes.

• L’appétit pour l’alternative est quasi unanime : 88 % considèrent l’IA verticale et spécifique à l’industrie, comme critique ou très importante, et 99 % estiment que cela compte au moins en partie.

• Lorsque les outils officiels ne conviennent pas, les gens les contournent et cherchent des alternatives. 40 % utilisent une IA que leur organisation n'a jamais officiellement approuvée.

Lorsque vous retracez les lacunes dans les promesses et les performances de l’IA jusqu’à leurs racines, vous découvrez quelques faiblesses liées. Un choix se situe en amont des autres, cependant, et c’est le type d’IA qu’une entreprise introduit au départ. Si c’est correct, les autres barrières deviennent plus courtes. Si vous vous trompez, elles grandissent toutes.

Mais au cours des deux dernières années, alors que les organisations cherchaient de l’IA, la plupart se sont tournées vers ce qui se trouvait juste devant elles : les plateformes généralistes, largement commercialisées, faciles à piloter, et déjà présentes dans le navigateur de chacun. C’était un choix fait rapidement, avant que les preuves dont nous disposons aujourd’hui n’existent

Il s’avère que tout ce qui est « disponible » n’est pas vraiment « approprié ».

Les données en témoignent. Plus des trois quarts (77 %) des organisations estiment que les outils d’IA généralistes sont insuffisants pour les besoins d’opérations de grande envergure et complexes. Et la préférence pour l’alternative est quasi unanime : 88 % estiment que l’IA verticale, conçue spécifiquement pour leur secteur, est essentielle ou très importante pour eux, et 99 % estiment qu’elle compte au moins un peu. Plus qu’une simple préférence modérée, cela indique un marché qui a appris quelque chose.

77% estiment que l’IA généraliste est insuffisante pour des opérations de grande envergure et complexes.

Et ce qu’ils ont appris montre pourquoi ils valorisent IA verticale. La principale raison n’est pas un algorithme plus intelligent, il est plus facile d’intégrer avec les systèmes déjà en place, comme l’ERP et les plateformes de chaîne d’approvisionnement (nommées par 47 % de ceux pour qui l’IA verticale est cruciale ou très importante). Ensuite, il y a des résultats plus pertinents et précis pour leur secteur (42 %) et de meilleures orientations stratégiques de la part de fournisseurs qui comprennent leur secteur (40 %). Plus d’un tiers (38 %) indiquent directement un retour sur investissement plus élevé que celui des outils généralistes.²

Ce constat est difficile à manquer : l'adéquation prime sur la puissance

Vous pouvez entendre le problème du mauvais outil le plus clairement dans les cas où un assistant généraliste heurte un mur pour lequel il n’a jamais été construit. Chez le grand fabricant américain de vêtements de sport, le mur est le système central de l’entreprise.

« Nous visons toujours à activer les informations en temps réel de notre ERP dans notre instance de ChatGPT, afin que l’agent puisse répondre à des questions qui nécessiteraient normalement une connexion au système », expliqua le manager senior présent. Tant que cette connexion n’existe pas, l’outil ne peut répondre qu’à la moitié de la question.

Certaines organisations reprennent déjà leur trajectoire. Un fabricant américain de milieu de gamme utilise librement ChatGPT et Copilot pour les travaux génératifs dans lesquels il excelle, comme la rédaction d’emails et le résumé des contrats. Mais pour le travail qui définit réellement l’entreprise, il a pris une autre voie.

Le responsable de la chaîne d’approvisionnement de l’entreprise a indiqué qu’une société spécialisée avait été recrutée, et à partir de là, l’équipe « a réduit sa cinquantaine ou soixantaine d'agents à un nombre restreint ». Le résultat final était un agent de planification de la demande personnalisé, car les assistants prêts à l’emploi ne pouvaient pas gérer la complexité. C’est la correction qui se produit en temps réel.

Parfois, la faille traverse une seule entreprise. Une entreprise manufacturière américaine utilise bien l’IA dans la gestion de la relation client, où elle résume les retours et effectue des analyses de sentiment sur plusieurs marchés. Mais la même organisation n’arrive pas à faire fonctionner cela pour la planification de la demande

« Nous ne sommes pas capables d’implémenter l’IA dans des environnements complexes où nous avons beaucoup de variables et de nombreuses gammes de produits », ont-ils déclaré. « Donc, nous n’obtenons pas de résultats constants. »

Les tâches simples et répétitives, les outils généraux les gèrent bien. Les tâches complexes et spécifiques à un secteur, beaucoup moins.

Environ 40 % des répondants déclarent utiliser des outils d’IA pour travailler de manière indépendante, sans l’approbation formelle de leur organisation (connue sous le nom de « Shadow AI »). Ce chiffre s’applique presque exactement à tous les niveaux d’ancienneté ; les cadres de niveau C et les cadres supérieurs le font au même rythme que les cadres intermédiaires et juniors. Ainsi, les personnes responsables de fixer les règles s’adaptent aussi souvent que tout le monde.

Il est tentant de classer cela sous la gouvernance, qui a son propre chapitre. Pour l’instant, la préoccupation la plus pressante est ce que cela dit sur l’ajustement. Quand les outils officiels ne font pas le travail, les gens vont discrètement en chercher ceux qui le font. Le « Shadow AI » n'est pas seulement un problème de conformité. Ce sont les salariés qui affirment que les outils officiels ne répondent pas réellement à leurs besoins.

Et pour ajouter et autoriser formellement un nouvel outil d’IA, les organisations doivent être capables de justifier l’investissement nécessaire. Lorsqu’on a demandé quels facteurs influencent le plus la manière dont ils sécurisent le budget pour les initiatives d’IA, les répondants ont présenté un business case clair avec un ROI quantifié (57 %), un alignement avec des objectifs stratégiques (52 %) et une facilité de mise en œuvre (49 %). Le « Shadow AI » se propage aussi vite car elle contourne tous ces critères.

Donc, le « problème du mauvais outil » n’est pas une histoire de mauvaise technologie. Après tout, les outils généralistes fonctionnent, souvent de façon impressionnante, sur les tâches pour lesquelles ils ont été conçus. Le problème commence lorsque vous leur demandez d’opérer à l’intérieur des systèmes, des données et de la complexité d’une industrie spécifique.

Pourquoi les organisations valorisent l’IA verticale

Quelles sont les principales raisons pour lesquelles votre organisation valorise les solutions d'IA verticales, conçues pour son secteur ?

Proportion de répondants ayant choisi chaque raison. Les répondants pouvaient choisir plusieurs raisons ; les chiffres ne totalisent pas 100 %.

Facteurs les plus influents pour sécuriser le budget de l’IA 

Proportion de répondants qui privilégient ce facteur. Les répondants pouvaient choisir plusieurs facteurs ; les chiffres ne totalisent pas 100 %.

Utilisation de le « Shadow AI » par pays

Proportion de répondants utilisant des outils d’IA sans approbation officielle de l’organisation.

Termes clés : Qu’est-ce que le « Shadow AI » ?

Le « Shadow AI » désigne les outils d’IA que les employés adoptent et utilisent eux-mêmes, sans l’approbation, la vérification de la sécurité ou la visibilité de leur organisation. Ce n’est pas forcément malveillant ; la plupart y recourent comme solution de contournement lorsque les options approuvées sont indisponibles ou semblent lentes ou limitées. Mais parce que ces outils fonctionnent en dehors des cadres de gouvernance, les données qui y sont introduites et les résultats qu’ils génèrent existent dans un angle mort. Les risques vont de l’exposition à la propriété intellectuelle et des violations de conformité à des décisions stratégiques basées sur des contenus générés par IA qui n’ont pas été audités. Des termes alternatifs incluent « IA non sanctionnée », « IA non autorisée » et « IA fantôme ».

Actions recommandées

Choisir l’IA pour l’adéquation plutôt que l’accessibilité change ce que vous recherchez dans une solution. Une liste de contrôle pour acheteurs :

1. Commencez par le problème à résoudre, pas par l’outil. Définissez votre objectif avant que quiconque ne programme une démonstration.

2. Posez d’abord la question de l’intégration. Peut-elle atteindre vos systèmes ERP et opérationnels, ou ne répondra-t-elle qu’à la moitié de la question ?

3. Priorisez l'adéquation plutôt que la puissance. Un modèle qui comprend votre domaine surpassera un modèle plus puissant qui ne le fait pas.

4. Interpréter l’utilisation de le « Shadow AI » comme des données révélatrices. Là où les employés sont allés chercher leurs propres outils, vous avez trouvé un besoin non comblé qui mérite d’être correctement sanctionné.

5. Tester les références du fournisseur dans l’industrie. Apportent-ils un contexte pertinent dès le premier jour, ou devront-ils apprendre votre métier en chemin ?

L’ajustement est la chose la moins chère à acheter dès le départ, et la plus coûteuse à adapter plus tard.

Chapitre 3 : Le retard des infrastructures (défis de mise en œuvre de l’IA)

Même le bon outil ne peut pas compenser des fondations fragiles. Pour de nombreuses organisations, les données et les intégrations sous-jacentes freinent également la valeur de l’IA. 

Défis de mise en œuvre de l’IA : Points clés

Les barrières ici sont intimidantes, et presque tout le monde les rencontre :

• Les données constituent le premier obstacle. 81 % estiment que la qualité ou l’accès aux données est le plus grand obstacle à la réussite de l’IA, avant le talent, le budget ou le scepticisme.

• L’intégration constitue le second obstacle. 82 % estiment qu’intégrer l’IA à leurs plateformes centrales est un défi plus grand que l’IA elle-même.

• Et dès qu’elles s’engagent vers l’intégration, le problème s’aggrave : 75 % s’accordent à dire que l’absence de gouvernance constitue un frein majeur à la réussite de l’IA.

Le bon outil permet à une entreprise de se rendre sur la ligne de départ, mais le fait qu’elle franchisse la ligne dépend en grande partie du terrain sur lequel elle se trouve. Même une solution verticale ne peut fonctionner qu’avec les données qu’elle peut atteindre et les systèmes auxquels elle peut se connecter. Et pour de nombreuses entreprises, cette base est le point faible : un peu plus de 80 % des participants estiment que la qualité ou l’accès aux données est le plus grand obstacle auquel ils sont confrontés à la réussite de la mise en œuvre de l’IA.

Le principe est ancien mais s’applique toujours : de mauvaises entrées produisent de mauvaises sorties, peu importe la sophistication du modèle. Ce que l’IA change, c’est la vitesse. Un système fonctionnant sur des données de demande défaillantes ne produit pas une seule mauvaise prévision, il en produit des centaines, automatiquement, avant que quiconque ne puisse corriger la trajectoire. Cela peut entraîner des commandes trop engagées, des délais de livraison manqués et des dépenses approuvées qui n’auraient jamais dû être réglées, le coût opérationnel d’une base de données fragile.

L’intégration de l’IA aux systèmes métier centraux est une autre partie du problème. 82 % estiment qu’intégrer l’IA à leurs systèmes centraux est un défi plus grand que l’IA elle-même. Et la conclusion qu’ils en tirent est presque unanime : 86 % s’accordent à dire qu’adopter l’IA sans moderniser les systèmes qui l’entourent est peu susceptible d’apporter une valeur réelle. On peut dire sans risque que c’est une opinion établie sur le marché, et non une inquiétude marginale d’une minorité prudente.

82% estiment que l’intégration de l’IA avec les systèmes centraux est un défi plus grand que l’IA elle-même.

Ces problèmes s’aggravent et renvoient directement au problème du mauvais outil, rappelez-vous que la principale raison donnée par les organisations pour valoriser l’IA verticale est une intégration plus facile avec leurs systèmes. Ainsi, le choix de l’outil ne se situe pas à l’écart du problème d’infrastructure ; cela fait partie de la façon dont on le résout.

Bien sûr, les problèmes qui découlent de bases technologiques désordonnées ne sont pas nouveaux. Les données fragmentées et les systèmes cloisonnés sont des problèmes connus depuis des années, le genre de problème que toute organisation savait devoir finir par corriger. Mais l’IA insiste sur le point. Elle transforme une faiblesse discrète et différable en la plus grande chose qui sépare une entreprise de la valeur qu’on lui a promise

On peut voir cela se produire dans un seul pilote raté. Dans un grand producteur américain de produits alimentaires et de boissons, l’équipe s’est engagée à construire un planificateur de promotion commerciale alimenté par l’IA : un modèle qui lirait des années d’historique promotionnel, les prix et les stocks des distributeurs, puis recommanderait quelle promotion lancer, quand et pour quel prix.

Il n’a pas survécu au contact avec leurs propres données.

« Nous avions trop d’espoir sur les données que nous avions », admit un cadre supérieur. Les archives historiques vivaient dans un ERP hérité remplie de « tables très personnalisées et sophistiquées », mais les mêmes points de données étaient répartis sur plusieurs systèmes, fragmentés en arrière-plan, rendant impossible toute confiance totale en elles.

« Ça a tout de suite échoué.

La leçon qu’il a tirée était directe : harmoniser d’abord les données, avant de faire des expériences avec l’IA.

Un cas inverse prouve le même point dans l’autre sens. Une entreprise américaine spécialisée dans l’alimentation et les boissons a construit un détecteur d’anomalies de commande qui signale lorsqu’une commande d’un restaurant semble incorrecte avant que le camion ne quitte l’entrepôt. Cela a fonctionné, et un cadre présent a clairement expliqué pourquoi.

« Le processus est très défini », a-t-il déclaré. « Toutes les données sont très bien définies. Nos données produits sont assez robustes. »

Plus tard, il l’a réduit à un principe : « L’IA a besoin de deux choses. » Il faut un processus très bien défini, et il faut de bonnes données. »

Ce qui rend cette barrière si tenace, c’est que même les organisations qui réussissent avec l’IA y sont confrontées. Le cadre supérieur du grand fabricant américain de vêtements, dont l’outil de prévision vertical fonctionnait déjà bien, a tout de même désigné l’intégration comme la seule chose qu’il changerait.

« Avoir une vision plus claire des exigences d’intégration des systèmes, » réfléchit-il, « et des efforts plus intentionnels pour créer ces connexions à nos systèmes plus rapidement, aurait permis un progrès plus rapide. »

La vérité inconfortable du « manque d’infrastructure » est qu’il récompense le travail que personne ne trouve excitant : le nettoyage des données, la connexion des systèmes et la définition des processus ne sont pas les parties de l’IA qui font la une des journaux. Mais c’est en partie ce qui distingue les projets pilotes qui passent à l’échelle de ceux qui s’éteignent discrètement.

Les organisations qui tirent une valeur constante de l’IA n’ont pas seulement choisi de meilleurs outils. Elles faisaient aussi le travail peu glamour de préparer le sol où ces outils devaient pousser.

Qu’est-ce qui freine la valeur de l’IA ?

Proportion de répondants qui étaient d’accord avec chaque affirmation. Les répondants pouvaient être d’accord avec plus d’une affirmation.

Actions recommandées 

Avant de blâmer le modèle, regardez attentivement le sol sur lequel il court :

1. Auditez vos données avant de définir le cas d’utilisation. Si les entrées sont fragmentées ou non fiables, aucun modèle ne vous épargnera le nettoyage.

2. Cartographiez le chemin d’intégration tôt. Sachez quels systèmes l’IA doit atteindre et ce qu’il faut pour les connecter avant de vous engager.

3. Choisissez des cas d’usage où le processus est déjà bien défini. L’IA récompense la clarté et les difficultés lorsque le flux de travail lui-même est flou.

4. Fixez d’abord la fondation, puis passez à l'échelle. Les organisations qui ont réussi se sont occupées de leurs données et systèmes, puis ont déployé et non l’inverse.

5. Considérez les outils spécialement conçus comme un levier pour franchir ces barrières. Ils sont déjà adaptés aux systèmes de votre secteur, c’est pourquoi l’intégration est leur principal avantage.

Le travail peu glamour est ce qui distingue les projets pilotes qui passent à l’échelle de ceux qui s’éteignent discrètement.

Chapitre 4 : Le manque de preuve (mesurer le ROI de l’IA)

Les organisations croient que l’IA fonctionne. Le prouver est une autre affaire.

Mesurer le ROI de l’IA : Points clés

La croyance dans la valeur de l’IA dépasse largement la preuve en son sens :

• 82,5 % estiment que la valeur de l’IA est claire mais pas encore pleinement réalisée — les attentes dépassent encore les résultats.

• Les indicateurs les plus prioritaires aujourd’hui restent généraux : l’efficacité opérationnelle (43 %), puis les économies de coûts (36 %) et la qualité des décisions (34 %).

• Un cadre pour un retour sur investissement plus complet est nécessaire. 92 % disent qu’une expertise ou un soutien externe les aiderait à tirer davantage de l’IA, une admission discrète que la discipline pour prouver la valeur n’est pas interne.

• Laissée improviser, la mesure se fait par défaut sur ce qui est le plus facile à compter, ce qui est rarement ce qui compte le plus.

Choisir le mauvais outil amplifie également un problème visible dans l’une des conclusions les plus fortes de cette étude : plus de quatre organisations sur cinq affirment que la valeur de l’IA est claire mais pas encore pleinement réalisée. En d’autres termes, elles y croient mais ne peuvent pas encore montrer leur travail.

Cet écart entre la conviction et la preuve est le « vide de mesure ». Un décalage entre les systèmes généralistes et les opérations spécialisées l’élargit, et c’est pourquoi tant de programmes d’IA semblent réussis tout en étant impossibles à défendre d’un point de vue numérique. Appelons cela l’écart de ROI de l’IA.

Ce n’est pas que les organisations ne puissent pas mesurer les améliorations. Presque toutes suivent quelque chose, et ce qu’ils suivent révèle beaucoup de choses importantes. L’efficacité opérationnelle arrive en tête de liste des indicateurs de réussite (classés dans le top trois par 43 %), suivie des économies de coûts (36 %) et de la qualité des décisions (34 %) comme éléments importants pour déterminer le succès ou l’échec de leurs initiatives d’IA. L’intention est claire et les tableaux de bord existent. Mais il n’existe aucun cadre qui transforme ces indicateurs dispersés en un dossier et c’est ce genre de rigueur qui permet à un dirigeant de dire que l’investissement a été remboursé, et de combien.

Autre statistique révélatrice à ce sujet : 92 % disent qu’une expertise ou un accompagnement externe leur serait bénéfique pour obtenir davantage de l’IA. C'est un aveu discret : la plupart des entreprises n'ont pas, en interne, les compétences pour construire et interpréter un cadre de mesure. Les entreprises ont sécurisé le budget et expédié les déploiements, mais la discipline pour confirmer le retour n’a jamais été prise avec le sérieux que le business case initial avait eu.

92% disent qu’une expertise ou un accompagnement externe les aiderait à tirer davantage profit de l’IA.  

Livrée à l'improvisation, la mesure se fait par défaut sur ce qui est le plus facile à compter. Pour le cadre supérieur du grand fabricant américain de vêtements de sport, c’est les effectifs. Les investissements sont approuvés lorsqu’ils évitent une embauche et retardent quand ils ne le font pas, même lorsque la valeur du processus est réelle.

Si un bénéfice provient de « la rationalisation des processus mais sans réduction de personnel », a-t-il expliqué, l’équipe financière « ne peut pas facilement relier l’investissement à l’épargne ou à la croissance des ventes », ce qui nuit à la proposition. La métrique facile éclipse la mesure qui a du sens.

Parfois, la valeur est réelle mais refuse d’apparaître là où le ROI conventionnel la recherche. Dans un grand fabricant américain, l’IA a remplacé des consultants externes coûteux, mais les économies n’ont jamais atteint le résultat net.

« Pour l’instant, je ne dirais pas que nous économisons forcément beaucoup d’argent. Mais c’est une réaffectation », a déclaré un dirigeant là-bas. L’argent libéré est directement réinvesti dans les GPU et les infrastructures.

« On dépense peut-être la même somme, mais on en retire beaucoup plus. »

Sur un calcul standard de remboursement, ce programme semble être un échec. En pratique, il fait cinq à dix fois plus de travail, mais comme il n’existe pas de cadre pour l’observer, nous ne pouvons pas avoir des preuves solides.

Considérez un distributeur américain de taille moyenne qui a intégré la mesure dès le départ. Un comité interfonctionnel couvrant l’innovation, l’informatique, les opérations, la finance et le PDG évalue chaque investissement en IA, et l’entreprise se limite à un chiffre clair et spécifique à son secteur : les expéditions prises en charge par personne.

Ainsi, le résultat n’est pas ambigu. Dans ce cas, l’outil de l’entreprise pour l’ingestion des connaissements et des formulaires douaniers dépasse 98 % de précision, et les expéditions par personne ont environ doublé. Ces chiffres servent de calcul de retour sur investissement car ils sont une grande partie de ce qui définit le succès dans l’industrie de la chaîne d’approvisionnement. Les expéditions par personne sont l’un des indicateurs les plus importants dans le monde de la logistique, et parce qu’il comprend déjà les documents de fret et les flux de travail douaniers, l’outil peut réellement aider à les déplacer.

L'avantage de l'IA verticale dépasse la performance. Elle la rend prouvable, parce qu'elle est bâtie sur les chiffres qui définissent votre entreprise.

Le vide de mesure renforce les barrières qui l’ont précédé. Des données fragmentées rendent la mesure propre plus difficile, et un outil généraliste ne vous offre que peu de données correspondant aux chiffres sur lesquels fonctionne votre secteur.

Les organisations qui sortent de ce trou ont tendance à partager l’approche du distributeur : elles décident dès le départ quel résultat unique serait un succès, et choisissent des outils suffisamment proches de l’opération pour le faire avancer. La démonstration, au final, ne consiste pas tant à mesurer plus difficilement qu’à choisir quoi mesurer et avec quoi le mesurer.

Les indicateurs de réussite les plus importants pour les initiatives d’IA

La part des répondants estiment que la métrique choisie est importante pour déterminer le succès des projets d’IA. Les répondants pouvaient sélectionner jusqu’à 3 indicateurs, mais les chiffres ne totalisent pas 100 %.

Actions recommandées

Rendez la valeur de l’IA démontrable en intégrant dès le départ les méthodes de mesure :

1. Décidez ce qui pourrait être un succès avant de construire votre projet. Nommez le résultat unique qui, s’il est réalisé, justifierait l’investissement.

2. Choisissez les indicateurs qui comptent dans votre entreprise, pas seulement ceux qui sont faciles à totaliser. Les économies de main-d’œuvre sont rarement toute l’histoire.

3. Fixez une date de retour sur investissement. Les programmes les plus solides fixent une fenêtre de remboursement dès le départ et tiennent le projet à cet égard.

4. Surveillez la valeur qui se cache. Les économies réinvesties ailleurs ou la capacité libérée pour la croissance ne se retrouveront pas sur une simple ligne de coût.

5. Privilégiez les outils qui suivent nativement les KPI de votre secteur. Lorsque la métrique qui définit le succès est intégrée à l’outil, la preuve devient beaucoup plus facile.

Sans cadre, même les vraies victoires restent invisibles — et les victoires invisibles ne sont pas financées deux fois.

Chapitre 5 : Laisser l'IA décider ou non (gouvernance de l’IA agentique)

Jusqu’à présent, le mauvais outil vous a coûté de l’argent. Ici, cela commence à vous coûter du contrôle.

Gouvernance de l’IA agentique : Points clés

L’IA prend déjà ses propres décisions, plus rapidement que les règles censées la régir :

• 88 % laissent déjà l’IA prendre au moins certaines décisions sans qu’un humain ne valide, des prévisions aux appels en contact avec les clients.

• Les garde-fous sont en retard : 96 % estiment qu’un cadre de gouvernance formel est nécessaire, mais 36 % n’en ont pas encore construit, et 75 % considèrent son absence comme un obstacle majeur.

• Les enjeux changent dès que l’humain sort. Les erreurs générales d’un outil se faisaient parfois prendre à la révision. En fonctionnant sans surveillance dans des industries réglementées, les erreurs peuvent entraîner des amendes ou des sanctions.

Même lorsque les organisations débattaient de la valeur de l’IA, elles ont commencé à lui faire confiance pour prendre ses propres décisions. Dans les organisations de cette étude, 88 % permettent déjà à l’IA de prendre des décisions autonomes dans au moins un domaine, sans qu’aucun humain ne soit impliqué. La prévision et la planification sont les processus automatisés les plus fréquemment par l’IA, 49 % des entreprises autorisant l’autonomie à l’IA dans ce domaine. Les décisions en contact direct avec le client sont automatisées par 48 % des répondants, et même des décisions stratégiques comme la sélection des fournisseurs et la planification de la capacité sont confiées à l’IA à 42 %.

La frontière n’est pas quelque part à l’horizon. La plupart des organisations vivent déjà de l’autre côté de la situation.

Et quand un outil d’IA agentique est choisi sur étagère, puis contraint de composer avec les chiffres et les processus complexes propres à un secteur ? Des outils mal ajustés ont donné des résultats plus faibles, des données plus fragiles et des rendements que personne ne peut prouver. Mais si vous retirez le contrôle humain, les conséquences deviennent bien plus graves.

Parce que la plupart du temps, quelqu’un est là pour détecter et corriger les erreurs d’un outil généraliste. Mais lorsque cet outil agit unilatéralement, sans contexte complet ni jugement d’expert, les résultats peuvent aller de petits problèmes à une catastrophe à l’échelle de l’entreprise.

Bien sûr, le coût dépend de la décision. Le distributeur américain de milieu de gamme utilise l’IA pour remplir les formulaires douaniers et gouvernementaux, et l’exécutif là-bas est clair sur les inconvénients. Une erreur à ce sujet pourrait entraîner « de lourdes sanctions », a-t-il dit, et dans le pire des cas « laisser passer des articles interdits ou interdits dans un pays, ou expédier quelque chose vers un pays sanctionné ».

Le coût d’une telle erreur se mesure en amendes, biens saisis et exposition réglementaire. Pas seulement des KPI médiocres sur le tableau de bord.

Et quand quelque chose tourne mal, qui rend des comptes ? La plupart des organisations n’ont pas encore décidé. Lorsqu’on lui a demandé qui serait responsable si un agent autonome faisait un mauvais bon de commande, le responsable de la chaîne d’approvisionnement du fabricant américain de taille moyenne a donné une réponse honnête et troublante : « Pour moi, ce serait l'IA, vu qu'il n'y avait personne d'autre »

36% n’ont pas encore construit le cadre de gouvernance de l’IA qu’ils qualifient eux-mêmes d’essentiel.

Son entreprise avait approuvé les critères d’utilisation autonome de l’IA jusqu’au directeur financier et acceptait que des erreurs surviendraient, mais elle n’avait jamais statué sur la responsabilité réelle. Cette question reste ouverte dans la plupart des endroits.

La gouvernance devrait tenir cette position, et les données montrent que ce n’est pas le cas. Les trois quarts des organisations considèrent son absence comme un obstacle majeur au succès de l’IA, pourtant plus d’un tiers (36 %) n’ont pas encore construit de cadre formel.

Par contre, 96 % reconnaissent que la gouvernance est nécessaire. Ce n’est donc pas qu’ils ne savent pas ; ils ne l’ont tout simplement pas fait.

Il vaut la peine d’être précis sur la cause ici. Cet écart est un problème de discipline. Le mauvais outil ne le crée pas, mais il en augmente le prix. L’autonomie non gouvernée est risquée avec n’importe quel outil, mais avec un outil qui ne comprend pas votre domaine et vos processus, le risque augmente considérablement.

Alors, comment les organisations qui accordent leur autonomie parviennent-elles de manière responsable ? Ils le gagnent lentement, derrière un mur de précision. Les dirigeants de deux entreprises logistiques distinctes sont arrivés à presque la même règle sans comparer leurs notes : une performance quasi parfaite, soutenue dans le temps, avant d’accorder plus d’indépendance. Un dirigeant d’une grande entreprise américaine de transport et de distribution souhaite voir une précision « plus de 99 % » tenir « pendant une certaine période » quelque part entre six mois et un an avant de relâcher les rênes. Le distributeur intermédiaire laisse son outil de documentation fonctionner avec seulement une légère supervision car il obtient 98 % des formulaires qui comptent.

Remarquez ce que cette barre exige : atteindre 98 ou 99 % sur le travail qui définit un complexe ; L’exploitation régulée est précisément ce que les outils généralistes ont du mal à faire. C’est la limitation mentionnée plus tôt comme problème d’outil. Un outil doit correspondre au domaine et comprendre le contexte métier avant de pouvoir lui faire confiance pour agir seul.

Les organisations les plus avancées construisent cette confiance intentionnellement. Le grand fabricant américain ne laisse pas un modèle vérifier son propre travail « On ne demande pas à une IA de vérifier son propre travail. Mauvaise idée », a déclaré le dirigeant de l’entreprise donc chaque sortie autonome passe par une IA évaluatrice distincte.

Le manager senior de la marque de mode et d’habillement britannique intermédiaire trace la limite en matière de décisions de marque et de création, car « ce ne sont pas seulement les chiffres, ce sont les émotions qui vendent essentiellement le produit. »

Différents secteurs, mais la même règle générale : accorder l’autonomie uniquement dans les domaines étroits où l’outil comprend vraiment et convient bien au travail.

L’exploration de la frontière jusqu’à présent met en lumière une leçon importante. L’autonomie se trouve au sommet de la pile, reposant sur chaque couche en dessous : le bon outil, des données solides et une mesure honnête. Là où cela s’applique, une entreprise peut continuer à confier davantage de responsabilités à l’IA au fur et à mesure que les preuves les méritent. Là où ce n’est pas le cas, tout peut s’effondrer. 

Là où l’IA est autorisée à agir de manière autonome

Proportion de répondants dont l’organisation permet à l’IA d’agir de manière autonome dans la zone donnée. Les répondants pouvaient choisir plusieurs zones ; les chiffres ne totalisent pas 100 %.

Actions recommandées

Considérez l’autonomie comme acquise, pas comme accordée. Considérez une approche progressive :

1. Décidez qui est responsable avant de remettre la décision, pas après qu’un problème a. Si la réponse honnête est « l’IA », vous n’êtes pas prêt.

2. Fixer une barre de précision à maintenir pendant un certain temps. Les organisations qui font cela bien veulent maintenir une performance quasi parfaite pendant des mois avant d’accorder leur confiance.Ne laissez pas un système vérifier son propre travail. Acheminez la sortie autonome via une revue indépendante, qu’il s’agisse d’une personne ou d’un modèle séparé.

3. Ajustez la marge de manœuvre aux enjeux. Réserver le plus d’autonomie possible aux décisions répétitives et à faible risque ; gardez les appels à haute conséquence entre les mains des humains.

4. Tracez des lignes claires autour de ce qui reste humain. La marque, l’éthique, et toute décision où l’erreur est catastrophique n’ont pas leur place en pilote automatique.

Enfin, rappelez-vous que l’ajustement est un prérequis. Une autonomie de l'IA efficace, c'est utiliser un outil qui comprend réellement le travail pour lequel il est confié.

Chapitre 6 : Le constat vertical 

Chaque barrière de ce rapport remonte à un seul choix. Voici ce que valait choisir un bon outil.

Le constat vertical: Points clés

Une fois le bruit écarté, les organisations qui réussissent avec l'IA partagent toutes la même décision :

• Ils ont choisi d’associer une IA verticale aux outils généralistes déjà en place, et cela se reflète dans les chiffres. Sur huit indicateurs clés de performance opérationnels, les entreprises utilisant à la fois l’IA verticale et généraliste sont en tête des utilisateurs d’outils généralistes uniquement sur les huit.

• Les écarts les plus clairs et statistiquement significatifs sont de meilleurs scores nets des promoteurs (70,6 % contre 56,8 %), une rétention de clients plus forte (78,4 % contre 71,2 %) et des prévisions plus précises (84,4 % contre 76,5 %).

• L’ajustement est le choix en amont. Le bon outil rend l’intégration plus courte, la mesure plus claire et l’autonomie plus sûre. En d’autres termes, cela rend les obstacles plus faciles à franchir.

• L’urgence est réelle : 87 % craignent l’obsolescence sans une mise en œuvre réussie de l’IA, mais la réponse n’est pas plus d’IA. C’est la bonne IA.

Jusqu’à présent, ce rapport a examiné de nombreux obstacles à un déploiement réussi de l’IA en entreprise : une intégration superficielle, le mauvais choix d'outil, une base de données fragile, des retours impossibles à prouver, et une autonomie qui dépasse ses garde-fous. En dessous de tout cela, une seule décision, prise tôt et discrètement : quel type d'IA adopter.

Les organisations qui ont franchi ces barrières ont tendance à prendre cette décision de la même manière. Ils ont choisi d’associer une IA conçue pour leur secteur avec les outils généralistes déjà en place, et les chiffres montrent ce que valait ce choix.

Les entreprises utilisant à la fois l’IA verticale et généraliste sont en tête des utilisateurs d’outils généralistes uniquement dans les huit indicateurs opérationnels mesurés par l’étude.

L’enquête d’impact de l’IA a mesuré la performance dans huit domaines opérationnels au cours de l’année écoulée — en s’appuyant sur les indicateurs métier standards que les organisations des répondants suivent déjà, plutôt qu’en leur demandant d’attribuer directement les résultats à l’IA — puis a comparé les organisations qui utilisent à la fois l’IA verticale et l’IA généraliste à celles qui s’appuient uniquement sur des outils généralistes.

Le groupe utilisant les deux a pris l’avantage sur les huit matchs. Les marges variaient, mais plusieurs étaient significatives.

Les organisations utilisant à la fois une IA verticale et généraliste étaient bien plus susceptibles de rapporter une augmentation du Net Promoter Score (NPS), 70,6 % contre 56,8 % pour celles disposant uniquement d’outils généralistes. Les répondants utilisant à la fois des outils génériques et verticaux d’IA ont également amélioré la fidélisation des clients à un meilleur taux (78,4 % contre 71,2 % pour les utilisateurs uniquement d’outils généralistes) et la précision des prévisions (84,4 % contre 76,5 %).

Ce ne sont pas du bruit dans les données ; ce sont des signaux. Et il est logique que ce soient ces indicateurs clés de performance qui soient là où l’écart s’élargit le plus. Un outil général peut rédiger un e-mail ou résumer un contrat dans n’importe quel secteur. Augmenter votre score NPS, fidéliser vos clients et générer des prévisions précises nécessitent de comprendre votre secteur, les produits, les cycles, les problèmes et pourquoi. Cette compréhension est exactement ce qu’un outil vertical possède, et ce qu’un outil généraliste aura toujours du mal à saisir.

La preuve la plus claire vient d’une entreprise qui gérait les deux en même temps. Le grand fabricant américain de vêtements du chapitre 1 a mis en place deux déploiements d’IA côte à côte : un assistant commercial généraliste qui a fourni, selon les mots de son directeur supérieur, des résultats « mixtes », et une plateforme de chaîne d’approvisionnement conçue spécialement qui a laissé l’organisation « nettement mieux lotie ».

Cette plateforme prévoit la demande des clients et les achats des fournisseurs jusqu’au niveau SKU sur des milliers de produits, puis partage ces prévisions en amont avec les fournisseurs. C’est un travail qu’un outil général ne pourrait tout simplement pas faire. C'est l'adéquation qui a transformé un résultat neutre en véritable réussite.

Notez que la leçon n’est pas que les outils généralistes n’ont pas leur place. C’est qu’ils ont des limites, et les organisations qui ont ajouté une IA verticale là où ces limites comptaient le plus sont celles qui prennent l’avantage.

Parfois, les entreprises apprennent cela lors de la phase exploratoire de leurs projets d’IA. Le responsable de la chaîne d’approvisionnement du fabricant américain de milieu de gamme cherchait un outil pour gérer l’approvisionnement de l’entreprise l’enchevêtrement d’articles, de fournisseurs, de baisses de prix et de multiples commandes enfouis dans une seule RFQ et n’a rien trouvé sur le marché qui comprenne cela. Donc, l’équipe construit la leur.

C’est le verdict vertical rendu par le client lui-même : ils ont fouillé, sont revenus vides, et ont conclu que le seul outil qui pouvait rentrer était celui qu’ils devaient fabriquer. Quand le marché ne propose rien qui corresponde, les organisations sérieuses le construisent.

Et ce ne sont pas seulement quelques victoires fortuites pour une IA verticale. Ils sont apparus partout : le distributeur de taille moyenne dont l’outil de documents a doublé les expéditions par habitant parce qu’il connaît les formulaires douaniers ; le distributeur alimentaire dont le détecteur d’anomalies détecte une mauvaise commande de restaurant parce qu’il sait comment les restaurants commandent. Dans différents secteurs et avec des défis variés, l’IA conçue pour le travail surpasse les outils génériques.

Il est important de garder à l’esprit que prioriser l’ajustement vertical n’était pas une seule bonne décision isolément. C’est ce choix qui a rendu le succès possible.

Un outil conçu pour vos systèmes raccourcit et simplifie le travail d’intégration que le déficit d’infrastructure exige. Un outil construit autour des métriques de votre secteur rend la preuve traçable, car il suit déjà ce qui définit le succès dans votre entreprise. Un outil qui comprend votre domaine peut franchir la barre que requiert l’autonomie en sécurité.

Le bon outil ne remplace pas de bonnes données, une mesure honnête ou une gouvernance attentive. Cela les met chacun à portée.

C’est pourquoi le choix compte plus que l’urgence. 87 % des organisations estiment risquer de prendre du retard, voire de devenir obsolètes, sans une mise en œuvre réussie de l’IA. Ils ont raison de ressentir la pression. Mais l’astuce n’est pas plus d’IA, d’IA plus rapide, ou de l’IA la plus facile à mettre en œuvre.

C’est la bonne IA : conçue pour votre secteur, vos données, et la façon dont votre entreprise fonctionne réellement. Voilà le verdict de ce jugement. Les organisations qui choisissent bien y parviendront, tandis que celles qui ne le font pas se demanderont pourquoi l’IA n’a jamais vraiment tenu ses promesses.

Améliorations des KPI, IA verticale et généraliste vs. IA généraliste uniquement

Une part des répondants rapportant une amélioration du KPI donné au cours de l’année écoulée, selon le type d’IA utilisée par leur organisation. Ni une mesure de l’amélioration des KPI en question, ni une mesure des KPI eux-mêmes.

Gains significatifs d’efficacité opérationnelle, par pays

Proportion des répondants ayant déclaré une amélioration significative (>10 %) de l’efficacité opérationnelle au cours de l’année écoulée

Actions recommandées

Mettre ces conclusions en pratique signifie ajuster votre valeur par défaut, pas votre plan B :

1. Dire « est-ce conçu pour notre industrie ? » la première question dans toute évaluation de l’IA.

2. Prioriser les cas d’usage où l’adéquation est la plus critique tout ce qui est orienté vers le client, où la compréhension du domaine distingue les gagnants du lot.

3. Comparer les indicateurs qui comptent vraiment : la fidélisation des clients, le NPS, la précision des prévisions, plutôt que l’adoption ou le nombre d’activités.

4. Lorsqu’aucun outil vertical n’existe, lire cela comme un signal, et non comme une impasse. Si vous avez les ressources et l’expertise, vous pouvez créer le vôtre ou travailler avec des experts externes en IA.

5. Séquencez le reste autour du choix. Avec le bon outil choisi, vos données et vos travaux de gouvernance deviennent plus faciles à explorer.

Différentes décisions produisent des résultats différents. Le choix vous appartient.

Prendre de l'avance 

Les écarts que détaille ce rapport sur l’état de l’IA ne resteront pas figés. À mesure que l'autonomie s'étend et que les précurseurs creusent leur avance, l'écart se creusera entre les organisations qui ont fait le bon choix et celles qui courent encore après les tendances. Les douze prochains mois récompenseront la clarté plus que la vitesse.

La voie à suivre est désormais claire. Tout commence par une question plus précise que « utilisez-vous l'IA ? ». La bonne question est plutôt : « utilisez-vous une IA conçue pour votre façon réelle de travailler ? »

De là découle un travail de fond : consolider la base de données, bâtir une mesure qui prouve la valeur, et n'étendre l'autonomie qu'à la mesure de la confiance gagnée. Rien de tout cela n'exige la perfection, mais il faut choisir avec méthode et placer l'adéquation en tête de liste, pas comme un simple bonus.

Le potentiel de l'IA n'a jamais fait débat. Mais le potentiel seul ne suffit pas à produire des résultats. Pour le concrétiser, voyez l'IA comme une série de choix à réussir, en commençant par celui que ce rapport ne cesse de rappeler. Ce choix reste à votre portée, ce moment de vérité rend simplement plus difficile de continuer à le repousser

Aptean 

Aptean est un fournisseur mondial de logiciels spécifiques à l’industrie qui aide les fabricants et les distributeurs à gérer et développer efficacement leurs activités. Nos solutions spécifiques à l’industrie aident les entreprises de toutes tailles à relever leurs défis quotidiens et à entrer avec confiance dans l’ère de l’IA. Aptean a son siège à Alpharetta, en Géorgie, et dispose de bureaux en Amérique du Nord, en Europe et en Asie-Pacifique. Pour découvrir comment Aptean réduit l’écart entre les ambitions en matière d’IA et le ROI de l’IA, explorez AppCentral, notre plateforme d’IA verticale conçue pour les secteurs que nous servons.

Vanson Bourne 

Vanson Bourne est un spécialiste indépendant en études de marché pour le secteur technologique. Notre réputation pour une analyse solide et crédible fondée sur la recherche repose sur des principes de recherche rigoureux et notre capacité à recueillir l’avis des décideurs seniors dans les fonctions techniques et commerciales, dans tous les secteurs et tous les grands marchés. Pour plus d’informations, rendez-vous sur www.vansonbourne.com.