Pourquoi 97 % des entreprises ont des projets d'IA et seulement 5 % disposent de données prêtes à les soutenir
Il existe une statistique qui devrait stopper net n'importe quelle réunion de conseil d'administration consacrée à l'intelligence artificielle : selon une enquête de Dun & Bradstreet menée auprès de 10 000 entreprises en 2026, 97 % des entreprises déclarent avoir des initiatives d'IA actives, tandis que seulement 5 % estiment que leurs données sont véritablement prêtes à les soutenir. Cet écart n'est pas un détail technique mineur. C'est la distance qui sépare l'investissement dans une infrastructure du fait d'avoir quelque chose qui fonctionne de manière fiable en production.
Ce que ce chiffre décrit, c'est un schéma bien connu de ceux qui ont observé la façon dont les décisions technologiques sont prises au sein des grandes organisations : on approuve d'abord le pilote, puis on cherche le problème qui justifie de l'avoir approuvé. La démonstration impressionne. La salle applaudit. Le projet reçoit un budget. Et quelque part entre ce moment et l'exploitation quotidienne, quelque chose s'interrompt sans que personne n'ait formellement déclaré l'échec.
BCG l'a documenté avec précision : seulement 5 % des entreprises tirent une valeur substantielle de l'IA, tandis que 60 % ne rapportent aucun impact matériel. McKinsey, de son côté, a constaté que plus de 80 % des personnes interrogées ne constataient aucun effet tangible sur l'EBIT provenant de l'intelligence artificielle générative, même lorsque l'adoption déclarée continuait de progresser. Ces chiffres ne constituent pas une condamnation de la technologie. Ils sont une photographie de la façon dont l'investissement est géré.
L'illusion du pilote perpétuel
Il existe une forme silencieuse d'échec organisationnel qui n'apparaît pas dans les bilans et ne génère pas de communiqués de presse : le pilote qui ne meurt pas. Il s'installe sous le nom d'« innovation », consomme chroniquement des ressources techniques et humaines, produit des présentations internes raisonnablement attrayantes et ne parvient jamais à devenir quelque chose qui change une ligne du compte de résultat. Les organisations les plus matures en matière de transformation numérique apprennent depuis des années que cette dynamique n'est pas accidentelle, mais structurelle.
Le problème commence à l'origine du projet. Lorsqu'une initiative d'IA est approuvée parce que « le cas d'usage est intéressant » ou parce qu'un prestataire a réalisé une démonstration convaincante, elle manque dès le départ de quelque chose que tout programme d'investissement devrait posséder : une ligne de base mesurable, un responsable du résultat et un critère de sortie si la valeur n'apparaît pas. Sans ces trois éléments, le pilote n'a aucun moyen de mourir dignement ni de se déployer à grande échelle avec traçabilité.
BCG a identifié que les entreprises obtenant les meilleurs résultats en matière d'IA priorisent en moyenne entre trois et quatre cas d'usage, contre six ou sept pour les organisations affichant les moins bons retours. Cette différence ne provient pas du budget disponible ni de la taille de l'équipe technique. Elle provient de la volonté de rejeter les initiatives qui ne peuvent pas démontrer leur alignement stratégique et leur viabilité économique dès le moment où elles sollicitent un financement. La concentration n'est pas une vertu managériale abstraite ; dans ce contexte, c'est la seule condition qui rend le déploiement à grande échelle viable.
Ce que les données combinées de BCG et McKinsey révèlent, c'est que la majorité des organisations se trouvent dans une phase que l'on pourrait qualifier de théâtre de l'IA : une activité visible intense, une transformation opérationnelle faible. Les communiqués parlent d'adoption. Les métriques internes racontent une autre histoire.
Le problème ne réside pas dans le modèle, mais en dessous du modèle
Il existe une tendance compréhensible à analyser la performance de l'IA sous l'angle du modèle : quelle architecture a été utilisée, quel prestataire, quelle version du système. Cette analyse est utile dans des contextes de recherche, mais dans la plupart des environnements d'entreprise, le goulot d'étranglement ne se situe pas dans le modèle. Il se situe dans ce dont le modèle a besoin pour fonctionner de manière fiable : des données propres, des définitions partagées, des flux de travail repensés et une propriété claire sur les décisions que le système doit soutenir.
L'enquête de Dun & Bradstreet citée précédemment le formule en des termes qui n'admettent guère d'interprétation alternative : si presque aucune entreprise ne considère que ses données sont prêtes, alors le problème de masse n'est pas celui de l'expérimentation technologique, mais bien celui des fondamentaux. Une IA qui reçoit des données fragmentées, sans source unique de vérité, avec des règles métier enfouies dans des feuilles de calcul et des processus d'exception que personne n'a documentés, ne génère pas de recommandations plus fiables que le système qu'elle prétend améliorer. Dans de nombreux cas, elle accélère simplement les erreurs existantes.
PwC a identifié ce schéma sous un autre angle : les résultats les plus solides arrivent lorsque les entreprises repensent les flux de travail plutôt que de superposer l'IA sur des processus hérités. Cette distinction a une importance économique. Ajouter une composante d'intelligence artificielle à un processus inefficace peut rendre ce processus plus rapide. Mais cela ne modifie pas la logique de coût ni la structure de l'opération. L'économie du travail reste identique, simplement exécutée à plus grande vitesse.
Le cas des environnements soumis à de fortes exigences réglementaires est particulièrement éloquent. Finance, conformité réglementaire, révision juridique, chaîne d'approvisionnement : ce sont des contextes dans lesquels deux réponses différentes à la même requête ne sont pas un signe de flexibilité du système, mais un problème de contrôle. La fiabilité en production répond à un standard différent de celui de l'expérimentation. Et c'est précisément cette différence qui sépare les systèmes adoptés de ceux qui sont silencieusement abandonnés après le pilote.
Quand 70 % de la valeur provient de facteurs absents de la feuille de route technologique
BCG a documenté quelque chose qui met souvent mal à l'aise les équipes technologiques : dans les transformations portées par l'IA ayant généré des résultats réels, 70 % de la valeur provenait d'actions liées aux personnes, et non à la technologie. Cela comprend la redéfinition des rôles, les modifications des incitations, la gestion active du processus d'adoption et le développement des compétences au sein des équipes devant utiliser les systèmes en production.
Ce constat ne devrait pas être interprété comme un argument contre l'investissement technique. Il devrait être lu comme une carte indiquant où se situe généralement le véritable blocage. Un modèle de langage peut traiter des milliers de contrats par heure ; mais si l'équipe juridique ne fait pas confiance à ses sorties, si les incitations du département n'ont pas évolué, si personne n'a redéfini ce que signifie « réviser un contrat » lorsqu'un système effectue la première passe, l'adoption ne se produit pas de manière durable. Le système existe. La valeur, non.
Les entreprises du Global 1000 qui rapportent effectivement des impacts mesurables partagent certaines caractéristiques opérationnelles : elles ont repensé des processus spécifiques avant de déployer les systèmes, établi des métriques par rapport à des lignes de base documentées et attribué la responsabilité des résultats à des personnes disposant d'une véritable imputabilité sur ces chiffres. Dans certains cas documentés, les résultats sont matériels : des augmentations de l'ordre de 30 % en efficacité manufacturière, une réduction de 80 % des délais d'analyse documentaire, des améliorations de 1,7 fois des taux de conversion des ventes. Ces chiffres ne proviennent pas de modèles supérieurs. Ils proviennent d'intégrations supérieures.
La différence entre une entreprise qui utilise l'IA et une entreprise qui opère avec l'IA ne réside pas dans le fournisseur du modèle ni dans la taille du budget d'innovation. Elle réside dans la capacité de l'organisation à connecter la sortie du système à une décision concrète, au sein d'un processus repensé, avec quelqu'un de responsable de mesurer si cela fait bouger le chiffre qui est censé bouger.
Le véritable déplacement que ces chiffres révèlent
La phase actuelle du cycle entrepreneurial de l'intelligence artificielle n'est pas définie par les avancées dans les modèles de base. Elle est définie par la capacité des organisations à passer de la légitimité de l'expérience à l'exigence du résultat. Et cette transition n'est pas encore majoritaire.
Ce que les données de BCG, McKinsey, PwC et Dun & Bradstreet décrivent ensemble, c'est un marché à distribution asymétrique : une petite minorité d'entreprises génère une valeur mesurable et composée grâce à l'IA, tandis qu'une majorité plus large continue d'accumuler des projets qui ne touchent pas le compte de résultat. Cet écart ne se comble pas avec davantage de technologie. Il se comble avec de la discipline de portefeuille, avec des fondamentaux de données qui font clairement défaut aujourd'hui dans la majeure partie du marché, et avec une disposition organisationnelle à accepter que l'adoption réelle exige une refonte, et non une superposition.
Le déplacement qui s'opère, bien qu'encore incomplet, pointe dans une direction précise : l'IA cesse d'être un signal de modernité pour devenir une exigence de preuves. Les organisations qui ne pourront pas répondre par des chiffres à la question de ce qui a changé opérationnellement depuis qu'elles ont déployé leurs systèmes feront face à une pression croissante — d'abord interne, puis de la part de leurs conseils d'administration et de leurs investisseurs. Le capital qui affluait autrefois vers l'expérience migrera progressivement là où l'expérience a démontré être autre chose.
