L'IA d'entreprise quitte le laboratoire et révèle qui dispose de fondations solides et qui n'a que des diapositives
Le moment où une technologie abandonne le mode pilote pour entrer dans les opérations réelles est également le moment où les architectures fragiles se retrouvent exposées. Accenture répète ce message dans la région depuis des mois : 2026 marque l'année où l'intelligence artificielle d'entreprise cesse d'être une expérience interne pour devenir le front face au client. Le cabinet de conseil présente cela comme une avancée sectorielle. C'est aussi, à y regarder de plus près, une description précise de la fracture qui divise les entreprises dotées d'une véritable colonne vertébrale technologique de celles qui ont construit sur des hypothèses non vérifiées.
Anoop Sagoo, directeur exécutif d'Accenture pour l'Asie du Sud-Est, l'a formulé sans détour au Bangkok Post : l'adoption de l'intelligence artificielle passe de l'expérimentation au déploiement à grande échelle, avec des systèmes agentiques et des solutions orientées client entrant dans des opérations réelles. La déclaration n'est pas neutre. Elle émane d'une firme qui se positionne explicitement comme l'intégrateur de cette transition, et qui a tout intérêt à ce que cette étape soit perçue comme urgente, techniquement exigeante et difficile à exécuter sans aide extérieure. Mais cela ne signifie pas pour autant que le diagnostic soit erroné.
Trois obstacles qui révèlent où se trouvent les lacunes réelles
Sagoo identifie trois obstacles qui freinent la mise en œuvre de l'IA d'entreprise à grande échelle. Il vaut la peine de les décomposer, car chacun désigne une pièce différente du modèle et une défaillance de nature distincte.
Le premier est l'absence d'une base de données et d'une infrastructure solides. Les pilotes d'intelligence artificielle fonctionnent en isolation : ils disposent de données propres, d'environnements contrôlés et d'équipes dédiées. Le passage aux opérations réelles à grande échelle exige une migration vers le cloud, une modernisation des applications et des environnements de données standardisés qu'aucun projet pilote ne nécessite. Beaucoup d'entreprises de la région sont arrivées en 2026 avec des pilotes fonctionnels mais sans avoir résolu cette problématique d'infrastructure. Le pilote était bien réel ; la promesse de montée en charge, elle, n'avait aucune base matérielle.
Le deuxième obstacle est l'absence de bases de connaissances d'entreprise, ce qu'Accenture appelle le « cerveau de l'IA ». Pour qu'un système d'intelligence artificielle fonctionne avec précision dans un contexte professionnel, il doit avoir accès aux procédures internes, aux politiques, aux flux de travail et aux règles de conformité. Une IA conversationnelle qui ne connaît pas les règles de conformité de l'entreprise ni les processus du service client ne peut pas être déployée face à de vrais clients sans risque. Cette lacune est moins visible que l'infrastructure technologique, mais bien plus coûteuse à combler : elle exige un travail organisationnel profond, et non simplement l'acquisition de logiciels.
Le troisième est la gouvernance et la transformation de la force de travail. Sagoo le dit directement : de nombreuses entreprises sous-estiment l'ampleur du changement organisationnel qu'exige l'adoption de l'intelligence artificielle. Il ne s'agit pas d'un problème technologique. C'est un problème d'architecture opérationnelle : les flux de travail conçus pour des humains ne se transfèrent pas automatiquement à des systèmes qui intègrent des agents autonomes. Repenser ces flux, recycler le personnel et mettre en place des contrôles d'utilisation responsable prend du temps et nécessite une volonté politique interne que les pilotes n'ont jamais mise à l'épreuve.
Ce que ces trois obstacles révèlent ensemble n'est pas simplement une liste de tâches à accomplir. Ils révèlent que la grande majorité des projets pilotes d'IA d'entreprise ont été délibérément construits pour éviter ces trois problèmes. Des cas d'usage ont été choisis qui ne nécessitaient pas de données intégrées, qui ne dépendaient pas de la connaissance institutionnelle profonde et qui ne menaçaient pas les flux de travail existants. Ils ont réussi précisément parce qu'ils ont contourné les conditions réelles d'exploitation. Maintenant que le secteur tente de passer à l'échelle, ces conditions ne peuvent plus être évitées.
L'IA agentique comme test de résistance du modèle opérationnel
Au-delà des projets pilotes, Accenture place l'intelligence artificielle agentique comme le prochain seuil de complexité. Contrairement à l'IA générative conventionnelle, qui répond à des questions ou génère du contenu sous instruction humaine, les systèmes agentiques prennent des décisions, coordonnent plusieurs agents et exécutent des tâches complexes de manière autonome : de la gestion de campagnes marketing à l'optimisation des chaînes d'approvisionnement. La promesse est réelle. Le point de tension structurelle l'est aussi.
Un système agentique déployé dans des opérations réelles n'a pas d'humain qui vérifie chaque étape. Cela signifie que les erreurs de données, les biais du modèle et les lacunes dans les politiques de gouvernance ne sont pas détectés avant de causer des dommages : ils le sont après. Pour une entreprise disposant de données fragmentées, sans base de connaissances institutionnelles intégrée et avec une force de travail qui n'a pas été recyclée pour travailler avec des agents autonomes, déployer l'intelligence artificielle agentique n'accélère pas les opérations. Elle les expose.
C'est là la lecture qu'Accenture ne formule pas explicitement, mais que son propre diagnostic des trois obstacles implique : le passage à l'IA agentique est simultanément le plus grand levier de valeur et le plus grand amplificateur de fragilités structurelles. Les entreprises qui ont résolu la question de l'infrastructure, qui ont construit des bases de connaissances gouvernées et qui ont repensé leurs flux de travail peuvent l'utiliser pour comprimer des cycles opérationnels qui prenaient auparavant des semaines. Celles qui ne l'ont pas fait en font un vecteur d'erreur à grande échelle.
Accenture a déployé en interne entre 70 et 100 agents d'intelligence artificielle dans les ressources humaines, la finance et le marketing. En Thaïlande, elle a utilisé l'intelligence artificielle pour filtrer 7 000 candidatures de stage pour 70 postes. Ce ne sont pas des données clients : ce sont les données propres de la firme. Ce qu'elles révèlent, c'est que l'adoption n'est pas seulement un message commercial. Accenture construit des preuves internes que l'architecture qu'elle promeut fonctionne dans des conditions réelles. Cela n'élimine pas l'intérêt commercial du diagnostic, mais le rend vérifiable sur le plan opérationnel.
La souveraineté des données comme filtre de positionnement, pas seulement de régulation
L'une des dimensions les plus intéressantes de l'analyse d'Accenture dans la région est celle qui entoure l'intelligence artificielle souveraine. Sagoo décrit une course régionale dans laquelle les gouvernements se disputent le contrôle de leurs propres données, modèles et infrastructures, sous la pression des frictions géopolitiques et des préoccupations relatives à la résidence des données. Singapour est en tête en matière de supervision administrative et de politiques avancées. La Malaisie s'interroge sur le fait de savoir si les centres de données étrangers, très consommateurs de ressources, offrent un retour économique suffisant. L'Indonésie maintient son approche de localisation des données. La Thaïlande tire parti de sa position stratégique pour attirer aussi bien les acteurs technologiques occidentaux que chinois.
Lu depuis la perspective du modèle économique d'Accenture, le phénomène de l'IA souveraine n'est pas seulement une tendance réglementaire : c'est un mécanisme de segmentation. Les entreprises qui doivent respecter des exigences de résidence des données, qui opèrent sous des réglementations sectorielles strictes ou qui présentent une sensibilité géopolitique explicite ne peuvent pas simplement adopter la solution d'intelligence artificielle la moins chère ou la plus disponible. Elles ont besoin d'architectures qui satisfont à des conditions spécifiques de contrôle et de localisation. Cela réduit le nombre de fournisseurs qualifiés et accroît la valeur des intégrateurs capables de naviguer dans cette complexité.
La collaboration qu'Accenture a annoncée avec Mistral AI en février 2026, bien que centrée sur l'Europe, pointe dans cette direction : l'argument explicite était de permettre aux organisations de progresser vers des déploiements d'intelligence artificielle à grande échelle avec une autonomie stratégique et sans dépendre d'un seul fournisseur d'infrastructure. Cet argument a également du poids en Asie, où la dépendance à un seul fournisseur de cloud ou à un seul fournisseur de modèles peut devenir une vulnérabilité réglementaire ou géopolitique. Accenture construit une proposition qui mêle capacité technique et gestion du risque de souveraineté. Pour certains segments de clients, cette combinaison justifie un prix et une relation à long terme qu'aucun fournisseur de plateforme ne peut offrir seul.
La banque comme validation et le commerce de détail comme prochain pari
Le secteur financier est en tête de l'adoption de l'intelligence artificielle dans la région, porté par un investissement technologique soutenu et la pression concurrentielle des banques numériques et virtuelles. Ce n'est pas un hasard. La banque dispose de trois conditions structurelles qui facilitent la montée en charge de l'IA : des données historiques abondantes et relativement structurées, des processus reproductibles avec des règles claires, et une réglementation qui, paradoxalement, oblige à documenter ce que font les systèmes. Ces trois conditions sont exactement celles que les autres secteurs n'ont pas encore.
Le commerce de détail et l'énergie apparaissent comme des secteurs à fort potentiel, mais à des stades antérieurs. Dans le commerce de détail, Sagoo souligne que le marché de consommation thaïlandais pourrait bénéficier des innovations permises par l'intelligence artificielle que la Chine met déjà en œuvre dans le commerce de détail. La référence n'est pas décorative : le commerce électronique chinois utilise depuis des années l'intelligence artificielle pour la personnalisation, la gestion prédictive des stocks et l'optimisation des prix en temps réel à une échelle que la plupart des opérateurs d'Asie du Sud-Est n'ont pas encore atteinte. L'écart ne porte pas sur les outils disponibles, mais sur les données intégrées et la volonté organisationnelle de repenser des flux de travail qui fonctionnent depuis des décennies d'une autre manière.
Dans l'énergie, l'argument est plus précis : analyse vidéo, données opérationnelles et capteurs pour prédire les défaillances d'équipements et optimiser la maintenance. Il s'agit d'un cas d'usage où l'intelligence artificielle agentique présente un avantage clair sur la supervision humaine : elle peut traiter simultanément davantage de signaux qu'une équipe d'ingénieurs ne peut en surveiller. Mais c'est aussi un cas d'usage où une défaillance a des conséquences physiques, et pas seulement commerciales. La gouvernance du système n'est pas optionnelle ; elle est la condition de possibilité du déploiement.
Ce que la course à l'adoption ne garantit pas par elle-même
Patama Chantaruck, directrice générale d'Accenture en Thaïlande, résume la position du pays avec une formulation qui mérite attention : la Thaïlande a l'ambition d'utiliser l'intelligence artificielle pour améliorer l'expérience client, renforcer la résilience opérationnelle et débloquer la croissance, mais le succès dépendra de la capacité à relier la stratégie à l'exécution et à construire les bases nécessaires pour faire croître l'impact à grande échelle.
La seconde moitié de cette phrase est plus importante que la première. L'ambition régionale en matière d'intelligence artificielle est documentable : stratégies nationales, investissements dans l'infrastructure cloud, programmes de formation, cadres réglementaires en cours d'élaboration. Ce que cette ambition ne garantit pas, c'est la capacité d'exécution au niveau de chaque entreprise individuelle. Une entreprise peut opérer dans un pays doté d'une politique d'intelligence artificielle avancée et continuer à avoir des données fragmentées, des processus non documentés et une force de travail qui n'a pas été recyclée. La politique nationale ne résout pas l'architecture interne de l'entreprise.
Accenture le sait et construit sa proposition autour de cette lacune. Elle ne rivalise pas sur le marché des modèles d'intelligence artificielle ni sur celui de l'infrastructure cloud. Elle rivalise sur le marché de l'exécution : sur la capacité à faire évoluer une organisation depuis une architecture conçue pour fonctionner sans intelligence artificielle vers une architecture capable de l'exploiter à grande échelle, avec une gouvernance, des données intégrées et une force de travail qui comprend son nouveau rôle. C'est un espace à haute valeur ajoutée et à forte friction, où le prix d'entrée est la confiance institutionnelle accumulée au fil d'années de présence auprès des mêmes clients.
Les données que la firme elle-même présente pointent dans une direction précise : les entreprises qui ont mis à l'échelle au moins une initiative stratégique d'intelligence artificielle ont près de trois fois plus de chances que leurs pairs de constater des retours dépassant les attentes. Il ne s'agit pas d'un argument sur qui détient la technologie la plus avancée. C'est un argument sur qui possède l'architecture permettant à cette technologie de fonctionner dans des conditions réelles. Cette distinction — entre avoir accès à l'intelligence artificielle et disposer de la structure pour l'exploiter — est la ligne qui sépare les entreprises qui vont capitaliser sur ce cycle de celles qui vont continuer à accumuler des projets pilotes sans retour mesurable.
