L’adoption n’est pas la valeur

Presque toutes les organisations utilisent aujourd’hui l’intelligence artificielle. Bien peu savent dire ce qu’elle leur a rapporté. Cet écart — entre adoption et valeur — est le grand problème de management de 2026, et ce n’est pas un problème technologique.

Il y a deux ans, les dirigeants me demandaient si l’intelligence artificielle était une réalité. La question est tranchée. Celle qui l’a remplacée est plus difficile et bien plus utile : pourquoi une organisation ayant déployé l’IA dans une dizaine de fonctions peine-t-elle encore à désigner une ligne de son compte de résultat qui ait bougé grâce à elle ?

Cet article expose ce que montrent réellement les données les plus crédibles de 2026, pourquoi tant d’initiatives s’arrêtent avant l’impact, et ce que les directions devraient faire différemment. Le propos est volontairement peu spectaculaire. Les organisations qui obtiennent un retour réel ne sont pas celles qui présentent les démonstrations les plus impressionnantes : ce sont celles qui ont traité l’IA comme une question de modèle opérationnel, et non comme un achat de solution.

Il est devenu courant d’affirmer que le progrès plafonne. Les données ne le confirment pas. L’AI Index 2026 de Stanford — ce qui se rapproche le plus d’un recensement annuel indépendant du domaine — relève que la performance sur SWE-bench Verified, un référentiel exigeant la résolution de véritables incidents logiciels, est passée d’environ 60 % à près de 100 % en une seule année. Sur Humanity’s Last Exam, épreuve délibérément ardue rédigée par des experts, la précision est passée de 8,8 % à 38,3 %, les meilleurs modèles franchissant les 50 % en avril 2026.

Les capitaux ont suivi. L’investissement mondial des entreprises dans l’IA a atteint 581,7 milliards de dollars, soit une hausse d’environ 130 % sur un an, dont 170,9 milliards pour la seule IA générative. La diffusion est plus rapide encore : l’IA générative a atteint 53 % d’adoption au niveau de la population en trois ans — plus vite que l’ordinateur personnel ou l’internet à un stade comparable.

Deux réserves s’imposent, et elles comptent pour la planification. D’abord, la performance sur un référentiel n’est pas la fiabilité opérationnelle : un modèle excellent sur des tâches calibrées peut échouer dans un processus de production réel. Ensuite, le même Index documente une hausse des incidents liés à l’IA et un retard persistant des capacités de gouvernance. Les capacités progressent plus vite que les institutions censées les encadrer.

L’enquête State of AI de McKinsey établit que 88 % des répondants déclarent une utilisation régulière de l’IA dans au moins une fonction de leur organisation, et 72 % l’usage de l’IA générative. En surface, voilà une technologie qui a gagné.

Vient ensuite le chiffre qui devrait retenir l’attention de tout conseil d’administration : seuls 39 % rapportent un impact quelconque sur l’EBIT au niveau de l’entreprise — et parmi eux, la plupart lui attribuent moins de 5 % de l’EBIT. Près de deux tiers des organisations n’ont pas commencé à passer à l’échelle au-delà de cas d’usage isolés. L’enthousiasme s’est converti en activité, pas encore en résultat.

Le contrepoint le plus cité à ce constat est l’étude GenAI Divide du MIT, qui conclut qu’environ 95 % des pilotes d’IA générative en entreprise n’ont produit aucun impact mesurable sur le compte de résultat. Le chiffre est devenu viral, et il mérite une réserve que l’on omet généralement : l’échantillon était modeste et plusieurs analystes contestent qu’un tel taux puisse être généralisé. Nous le citons non comme une mesure exacte, mais parce que son diagnostic est corroboré ailleurs — les pilotes échouent pour des raisons organisationnelles, non parce que les modèles seraient insuffisants.

Le processus n’a jamais été repensé

L’IA a été ajoutée à un processus existant au lieu de servir à le reconsidérer. McKinsey identifie la refonte en profondeur des processus comme le facteur le plus fortement corrélé à l’impact sur l’EBIT. Un copilote greffé sur un processus inchangé produit une version plus rapide du même résultat — rarement un meilleur résultat économique.

Les fondations de données ont été supposées, non vérifiées

Les modèles héritent de la qualité de ce qu’on leur donne. Des données fragmentées, non documentées ou mal gouvernées ne dégradent pas seulement les sorties : elles rendent l’échec difficile à diagnostiquer, ce qui est pire. L’essentiel du travail difficile d’un programme d’IA réussi se joue avant même le choix d’un modèle.

Le budget a suivi la visibilité plutôt que le rendement

Les dépenses se concentrent sur le marketing et la vente, où les résultats se montrent aisément en comité, alors que les rendements les plus prometteurs se logent souvent dans les opérations de back-office, la finance et la production de service — moins photogéniques, plus mesurables.

La gouvernance est arrivée en dernier, quand elle est arrivée

C’est l’échec que nous rencontrons le plus souvent, et celui dont les conséquences durent le plus longtemps. Le MIT observe que, dans plus de 90 % des entreprises étudiées, les collaborateurs utilisent des outils d’IA personnels, que les programmes officiels aboutissent ou non. L’IA fantôme n’est pas un problème de discipline : c’est le signal que les outils autorisés ne font pas le travail. Non maîtrisée, elle fait sortir des données confidentielles de tous les contrôles bâtis par l’organisation. Fait notable, les travaux 2026 de McKinsey sur la maturité de confiance montrent que les organisations investissant sérieusement dans l’IA responsable rapportent plus souvent un impact sur l’EBIT supérieur à 5 % : la gouvernance est corrélée à la valeur, elle ne s’y oppose pas.

Pour toute organisation opérant en Europe, le débat abstrait sur l’éthique de l’IA est devenu un calendrier de conformité. Le règlement européen sur l’IA est entré en vigueur en août 2024. Sa mise en œuvre s’est révélée plus ardue que prévu et, en 2026, le Parlement et le Conseil ont adopté le Digital Omnibus, qui reporte les obligations les plus lourdes sans toucher à l’architecture du texte. Ce report a été largement interprété comme un répit. Il n’en est pas un.

En clair : les obligations de transparence sont imminentes, et le délai supplémentaire accordé aux systèmes à haut risque est du temps pour se préparer, non pour attendre. Les organisations qui construisent dès maintenant leur inventaire d’IA, leur documentation et leurs mécanismes de supervision humaine absorberont les obligations de 2027 comme une routine. Celles qui attendent les découvriront comme une crise.

Le débat sur l’IA est dominé par l’Amérique du Nord, l’Europe et la Chine. Ce cadrage passe à côté de certains des gains les plus élevés disponibles. La Banque africaine de développement estime qu’un déploiement inclusif de l’IA pourrait ajouter jusqu’à 1 000 milliards de dollars au PIB africain d’ici 2035 — près d’un tiers de la production actuelle du continent — l’agriculture, le commerce, l’industrie, l’inclusion financière et la santé captant l’essentiel du gain.

Les contraintes sont structurelles plutôt que conceptuelles : accès à la puissance de calcul, connectivité, disponibilité des données et, surtout, compétences. La Stratégie continentale de l’Union africaine, adoptée en 2024, énonce clairement que le renforcement des capacités doit précéder le déploiement à grande échelle.

Un exemple récent illustre l’argument mieux que n’importe quelle statistique. Début 2026, l’administration fiscale ghanéenne a déployé au port de Tema un système d’IA analysant les déclarations d’importation et signalant les anomalies. Sur les indicateurs d’adoption, ce fut un succès net : les recettes douanières ont fortement augmenté en quelques semaines. Sur les indicateurs de gouvernance, non. Les opérateurs ne comprenaient pas comment les valeurs étaient déterminées et le mécanisme de recours était trop lent pour fonctionner — jusqu’à un mouvement de grève des organisations de transitaires. Le modèle fonctionnait. Le système autour de lui, non.

Six mouvements, dans l’ordre où nous conseillons de les mener.

Les organisations qui paraîtront clairvoyantes dans trois ans ne seront pas celles qui auront adopté l’IA le plus tôt. Ce seront celles qui auront été les plus disciplinées sur les endroits où on l’a laissée toucher l’activité, les plus rigoureuses sur les données qui la nourrissent, et les plus sérieuses pour la gouverner avant d’y être contraintes. La technologie est passée du statut de nouveauté à celui d’infrastructure. Une infrastructure se juge à sa fiabilité, à sa responsabilité et à la confiance qu’elle inspire — précisément la norme que nous appliquons à tout ce dont une entreprise dépend.

Chez Auvantyx, c’est là notre métier : aider les organisations à transformer des capacités en résultats défendables devant un conseil, un auditeur et un régulateur. Si l’un de ces points fait écho à une question qui vous occupe actuellement, j’échangerai volontiers avec vous.

À propos de l’auteur

Loick Moukouri

Fondateur d’Auvantyx

Loick Moukouri est le fondateur d’Auvantyx. Son parcours associe la comptabilité et la finance à la cybersécurité, au cloud et aux technologies numériques. Il pilote la vision du cabinet, son offre de services et son réseau de spécialistes afin d’aider les organisations à transformer leurs priorités métier en décisions technologiques, sécuritaires et de gestion des risques concrètes.

Contact contact@auvantyx.com