L'IA en entreprise maîtrise déjà la tâche, mais ignore ce que fait l'organisation
Il existe un écart que McKinsey mesure depuis deux ans sans que personne ne semble suffisamment s'en alarmer. Dans son enquête mondiale de 2026, 80 % des professionnels ont déclaré avoir constaté des améliorations de leur productivité personnelle grâce à l'intelligence artificielle. Jusque-là, tout ressemble à une histoire à succès. Mais lorsque la question passe de « vous a-t-elle aidé personnellement ? » à « a-t-elle créé de la valeur financière pour l'entreprise ? », le chiffre tombe à 37 %. Et ce qui rend cette donnée encore plus inconfortable, ce n'est pas son ampleur, c'est qu'elle est pratiquement identique à celle de l'année précédente.
Ce que ce chiffre décrit n'est pas un problème technologique. Il décrit un problème de traduction : l'incapacité collective à convertir ce qu'un individu fait mieux en quelque chose que l'organisation fait différemment. Et cet écart ne se comble pas avec de meilleurs modèles de langage ni avec davantage d'agents autonomes. Il se comble, si tant est qu'il se comble, par une reconfiguration de la manière dont les entreprises sont conçues pour fonctionner en présence constante de l'IA. Cela n'existe pas encore. Du moins, pas de façon généralisée.
L'article publié par Fast Company en novembre 2026, signé par le professeur Enrique Dans, désigne ce moment manquant comme le « moment Transformer de l'entreprise ». La référence n'est pas arbitraire. En 2017, huit chercheurs de Google ont publié un article qui a transformé l'architecture de la façon dont les machines traitent le langage. Cet article — « Attention Is All You Need » — n'était pas simplement une amélioration progressive. Il a réorganisé l'ensemble du calcul autour d'un mécanisme appelé auto-attention, éliminé la nécessité du traitement séquentiel et rendu possible l'entraînement parallèle à grande échelle. Ce qui a suivi, c'est GPT, puis ChatGPT, puis l'industrie générative qui brasse aujourd'hui des centaines de milliards de dollars.
Google a compris la valeur technique de sa propre découverte et l'a intégrée dans Translate et Search. Ce qu'il n'a pas fait, c'est reconnaître le nouveau type de produit que cette avancée rendait possible. OpenAI, si. Elle a saisi le moment de catégorie que Google avait inventé sans savoir qu'il l'inventait. Les huit auteurs de l'article ont fini par quitter Google : sept sont devenus fondateurs de startups, l'un est parti chez OpenAI.
La thèse de Dans est que le marché entreprise de l'IA se trouve en un point analogue. Il existe des architectures puissantes, des modèles capables, des agents qui exécutent des tâches. Ce qui manque, c'est le principe organisateur qui rende tout cela cohérent à l'échelle de l'entreprise.
L'agent comme unité de mesure inadaptée
L'industrie a provisoirement résolu son absence d'architecture d'entreprise avec une figure : l'agent. Un modèle de langage équipé d'outils, de mémoire et d'une capacité de récupération d'informations. Anthropic l'appelle le « LLM augmenté ». Microsoft a documenté des schémas de coordination entre plusieurs agents : séquentiels, concurrents, avec transfert de contrôle entre eux. Ce sont des constructions utiles. Mais elles partent d'une question qui, appliquée à une organisation, s'avère insuffisante : comment connecter des travailleurs artificiels entre eux ?
Une entreprise n'est pas une collection de travailleurs, même bien coordonnés. Une entreprise préserve un état dans le temps. Elle possède une mémoire institutionnelle. Elle applique une hiérarchie d'autorité : certaines décisions peuvent être prises par certains, et pas par d'autres. Elle enregistre ce qui s'est passé pour que cela puisse être audité et appris. Elle adapte son comportement en fonction des résultats antérieurs. Elle gère les défaillances de manière à ce que le système ne s'effondre pas.
Rien de tout cela ne se résout avec davantage d'agents. Un agent peut accomplir une tâche. Deux agents en séquence peuvent accomplir deux tâches. Mais aucun des deux ne sait quels objectifs poursuit l'organisation, sous quelles contraintes elle opère, quelles décisions elle a prises le trimestre dernier ni qui dispose de l'autorité pour approuver quoi. Ces informations vivent dans d'autres systèmes, dans des personnes, dans des conventions non écrites. Et l'IA, telle qu'elle est déployée aujourd'hui dans la plupart des entreprises, n'a tout simplement pas accès à ce substrat.
Du point de vue du comportement organisationnel, cela produit un effet prévisible : l'IA devient un outil d'optimisation locale qui n'a pas d'impact sur les résultats systémiques. Chaque personne qui utilise un copilote améliore sa propre efficacité. Mais si le flux de travail qui entoure cette tâche ne change pas, si les points de décision, d'approbation et de transfert entre départements restent identiques, l'entreprise fonctionne exactement comme avant. Plus rapide dans certains coins, identique dans son architecture de fond.
McKinsey le confirme sous un autre angle : les organisations qui font effectivement état d'un impact financier de l'IA sont, pour la plupart, celles qui ont repensé leurs flux de travail, et non celles qui ont inséré des outils dans des processus existants. Ce n'est pas un détail anodin. C'est la différence entre repeindre les murs et changer le plan du bâtiment.
Ce que Gartner détecte que les tableaux de bord ne montrent pas
Gartner formule une prévision qui mérite d'être lue attentivement : plus de 40 % des projets d'IA agentique seront annulés avant la fin de 2027. Les trois raisons citées par le cabinet sont révélatrices à des degrés successifs : des coûts qui s'emballent sans contrôle, une valeur métier diffuse et des contrôles de risque insuffisants.
Chacune de ces raisons décrit, en termes techniques, le même phénomène comportemental : une adoption conçue pour impressionner, non pour fonctionner. Les projets sont lancés dans l'urgence de démontrer une pertinence face à des conseils d'administration qui demandent ce que fait l'entreprise avec l'IA. La légitimité institutionnelle s'obtient en montrant que l'on possède quelque chose. Pas nécessairement que ce quelque chose produit des résultats.
Gartner met également en garde contre ce qu'il appelle l'« agent washing » : des organisations qui rebaptisent des chatbots ou des automatisations de processus robotiques en systèmes agentiques, sans que le comportement sous-jacent ait changé. Le cabinet estime que, parmi les milliers de fournisseurs se présentant comme offreurs d'IA agentique, environ 130 délivrent des capacités véritablement agentiques. Le reste vend l'étiquette.
Cela ne se produit pas par malhonnêteté délibérée. Cela se produit parce que la pression d'adoption est plus intense que la capacité d'évaluation. Les équipes technologiques reçoivent des mandats de transformation sans que personne n'ait défini avec précision ce que signifie, pour l'organisation, le fait d'être « plus intelligente ». Le résultat est une course vers la mise en œuvre qui saute l'étape de refonte que McKinsey identifie comme le facteur différenciant.
Sous un angle comportemental, la peur d'être distancé produit des adoptions que personne ne peut défendre avec des données. Les entreprises n'adoptent pas l'IA parce qu'elles ont résolu la question de ce que l'IA devrait faire pour elles. Elles adoptent parce que ne pas adopter est perçu comme un signal de retard stratégique. C'est un puissant moteur d'action, mais il produit des projets construits sur une prémisse fragile.
Gartner prévoit que d'ici 2028, au moins 15 % des décisions opérationnelles quotidiennes seront prises de façon autonome par des systèmes d'IA, et que 33 % des logiciels d'entreprise incluront des capacités agentiques. Si ces prévisions sont exactes, la question pertinente n'est pas de savoir si l'IA atteindra les organisations, mais dans quelles conditions elle le fera : avec des architectures de gouvernance permettant d'attribuer les responsabilités, de tracer les décisions et de se remettre des défaillances, ou comme une couche d'automatisation que personne ne sait auditer lorsque quelque chose tourne mal.
La distance entre ce qui est mesuré et ce qui compte
Il existe une dynamique silencieuse qui explique une grande partie du décalage entre une adoption enthousiaste et des résultats en demi-teinte. Les indicateurs que les organisations utilisent pour évaluer leurs initiatives d'IA mesurent presque exclusivement le niveau du travailleur individuel : vitesse de rédaction, temps de réponse, nombre de tâches automatisées, satisfaction de l'utilisateur. Ce sont des indicateurs réels, mais ils ne capturent que 20 % du problème.
Ce qui n'est pas mesuré, dans la plupart des cas, c'est si l'organisation prend de meilleures décisions, si elle apprend de ses erreurs de façon plus systématique, si les processus transversaux fonctionnent avec moins de friction, si la bonne information parvient au bon endroit au bon moment. Ce sont là les variables qui déterminent si l'entreprise fonctionne différemment. Et ce sont précisément les variables sur lesquelles l'architecture actuelle de l'IA d'entreprise ne dispose pas de mécanismes pour influer directement.
Le problème de fond est que mesurer la productivité individuelle est facile, et mesurer l'intelligence organisationnelle est très difficile. On mesure donc ce qui est facile, on rapporte ce qui est facile, et on conçoit les projets autour de ce qui peut être mesuré. Il en résulte une spirale : les initiatives sont optimisées pour produire des preuves d'adoption, et non pour produire un changement dans la façon dont l'entreprise fonctionne en tant que système.
Ce n'est pas une erreur des équipes technologiques. C'est une conséquence presque inévitable de la façon dont les organisations traitent l'incertitude. Lorsqu'il n'existe pas de consensus sur ce que signifie le succès, on adopte par défaut les indicateurs les plus accessibles. Et les indicateurs les plus accessibles sont ceux qui capturent le comportement individuel, non le comportement organisationnel.
Ce qui manque, et ce que l'argument du « moment Transformer de l'entreprise » cherche à nommer, c'est une architecture qui fasse de l'organisation l'unité d'analyse, et non l'employé. Un système qui préserve l'état institutionnel dans le temps. Qui formalise les objectifs de l'entreprise comme des contraintes que les agents doivent respecter. Qui maintienne un registre immuable entre intention, action et résultat. Qui sépare la logique de raisonnement des modèles des règles d'autorisation, lesquelles doivent être déterministes. Qui permette d'escalader vers le jugement humain lorsque le système est confronté à une situation pour laquelle il ne dispose pas d'un précédent suffisant.
Ce type d'architecture n'est pas une amélioration progressive de ce qui existe aujourd'hui. C'est un changement de niveau d'intervention : non plus optimiser le travailleur, mais repenser la façon dont l'entreprise pense, se souvient et décide. Tant que cette transition n'aura pas eu lieu, les 80 % de productivité individuelle continueront de coexister avec les 37 % d'impact financier. Non pas parce que la technologie est insuffisante, mais parce que l'organisation qui l'entoure n'a pas suffisamment changé pour que la différence puisse se répercuter sur les résultats qui comptent.
L'adoption de l'IA dans les entreprises est, pour l'instant, un phénomène de surface : visible, mesurable dans les couches externes, et relativement inerte en profondeur, là où se détermine si une organisation fonctionne mieux ou seulement de façon plus agitée.










