Sur toute la valeur économique que l’IA génère aujourd’hui, 74 % revient à 20 % des entreprises. Le chiffre vient de l’AI Performance Study de PwC (2026). Pour les autres, l’effet sur les comptes reste difficile à trouver.
Les dirigeants le disent eux-mêmes. Dans la 29e Global CEO Survey de PwC, 56 % d’entre eux déclarent n’avoir observé ni hausse de revenus ni baisse de coûts liée à l’IA. Le Global AI Pulse de KPMG ne recense que 8 % d’organisations ayant atteint un retour sur investissement établi à l’échelle de l’entreprise.
Les deux groupes ont accès aux mêmes modèles. Ce qui les sépare tient à la capacité de faire tourner l’IA dans les processus, à l’échelle, avec un impact mesurable. Pour un comité de direction, l’industrialisation de l’IA est devenue le sujet de 2026. Elle suppose des données fiables, une architecture prévue pour durer et des arbitrages qui se prennent au niveau de la direction, bien au-delà des équipes techniques.
L’argent ne manque pas. En France, 109 milliards d’euros d’investissements privés dans l’IA ont été annoncés en février 2025, lors du Sommet pour l’action sur l’IA. Les dépenses des entreprises françaises en solutions d’IA ont progressé de 430 % entre 2023 et 2024, selon les données relayées par Spendesk. Pourtant, d’après l’Insee, seules 10 % des entreprises de 10 salariés ou plus utilisaient au moins une technologie d’IA en 2024.
Le blocage se situe entre l’essai et l’exploitation. Selon IDC et Lenovo, 88 % des preuves de concept (POC) IA n’atteignent pas un déploiement à grande échelle. Astrafy estime qu’un tiers seulement des projets arrive en production.
Les économistes connaissent ce décalage sous le nom de paradoxe de Solow : une technologie peut mettre des années à apparaître dans les chiffres de productivité. Dans la plupart des entreprises, l’IA est ajoutée à des processus qui n’ont pas bougé. Les gains restent locaux, parfois invisibles au niveau du groupe.
Le cycle n’a rien d’inédit. Gartner place l’IA dans son « creux de désillusion », une phase déjà traversée par le big data, le cloud ou la blockchain. L’IA agentique prend la même pente : Gartner anticipe l’abandon de plus de 40 % de ces projets d’ici fin 2027.
S’y ajoute un biais de pilotage. Beaucoup de comités de direction suivent encore le nombre de POC lancés, un indicateur qui mesure l’activité et non la valeur. Quand on regarde de près les projets qui échouent, les causes relèvent de l’organisation bien plus que de la technique.
Blocage | Ce que l’on observe | Conséquence |
Cas d’usage mal posés | L’IA est lancée avant que le problème métier soit défini | Projets génériques, peu différenciants |
Socle data fragile | Données fragmentées, peu accessibles, peu gouvernées | Modèles inopérants ou limités à quelques usages |
Architecture fragmentée | Empilement de solutions, intégration partielle | Passage à l’échelle coûteux, lent ou impossible |
Gouvernance tardive | Sécurité et conformité traitées après coup | Projets bloqués avant la mise en production |
Pilotage économique absent | Succès mesuré au nombre de projets | Ressources dispersées, arbitrages tardifs |
Organisation en silos | Métiers, IT, data et conformité travaillent en séquence | Initiatives isolées, difficiles à reproduire |
Source : rapport « Data & IA : le chaînon manquant », 2026.
Aucun de ces blocages ne se règle dans une équipe data isolée. Ils relèvent d’arbitrages de direction.
Le premier concerne la donnée. Selon Gartner, 63 % des organisations ne disposent pas, ou ne savent pas si elles disposent, des pratiques de gestion des données nécessaires à l’IA. Dans l’AI & Data Readiness Report 2025 de Fivetran, 77 % des organisations jugent la gestion des données critique. Un modèle performant posé sur des données dispersées produit des résultats que personne n’utilise. La donnée doit donc être financée et gouvernée comme une infrastructure, au lieu d’être traitée en fin de projet comme un prérequis technique.
Le deuxième porte sur la conception. Un projet pensé pour une démonstration se reconstruit presque entièrement au moment de passer en production. Les organisations les plus avancées prévoient dès le départ une architecture capable de monter en charge, avec la sécurité et la conformité intégrées au cadrage. Accenture observe que 97 % des entreprises les plus avancées ont développé au moins trois capacités data et IA structurantes.
Le troisième touche au pilotage. Un projet IA se juge sur un indicateur métier fixé avant son lancement : coût évité, délai réduit, chiffre d’affaires généré. La précision du modèle ne dit rien de ce qu’il rapporte.
Pour un comité de direction, cela se traduit en cinq décisions :
Le rapport « Data & IA : le chaînon manquant » contient une matrice de maturité sur 8 dimensions (data, cas d’usage, architecture, passage à l’échelle, gouvernance, pilotage de la valeur, organisation, opérabilité) pour situer votre organisation niveau par niveau.
Évaluez votre maturité data-IA
D’après les rapports d’activité des groupes du CAC 40, l’IA est présente presque partout. Trois trajectoires se dessinent. La majorité s’en sert pour optimiser l’existant : stocks, processus métiers, rendements industriels, détection de fraude. D’autres, comme Capgemini, Dassault Systèmes, L’Oréal, Orange ou Publicis, investissent dans des plateformes et des actifs propriétaires. Une troisième catégorie mobilise l’IA pour la R&D et la simulation.
Ces groupes ne se distinguent pas par leur taux d’adoption. Les plus avancés savent relier données, architecture, gouvernance et usages dans un système qui fonctionne au quotidien.
Nous appelons cela l’IA utile : une IA fondée sur un socle data fiable, conçue pour l’échelle, gouvernée dès l’origine et pilotée par la valeur. Le nombre de cas d’usage et la sophistication des modèles comptent peu dans cette lecture. Son critère est simple : produire des résultats mesurables, qui se reproduisent d’un projet à l’autre et tiennent dans la durée.
La ligne de partage ne passe plus entre les entreprises qui adoptent l’IA et les autres. Elle sépare celles qui accumulent les expérimentations de celles qui savent les exploiter. Pour un comité de direction, la question devient : dans quelles conditions pouvons-nous faire tourner l’IA à l’échelle et prouver ce qu’elle rapporte ?
La réponse commence rarement par le choix d’un modèle. Elle passe par un état des lieux lucide de la donnée, de l’architecture et de la gouvernance.
C’est l’objet du rapport JEMS « Data & IA : le chaînon manquant ». Il détaille les freins à l’industrialisation observés sur le marché et propose une matrice pour identifier vos priorités d’investissement avant de lancer le prochain projet.
Rapport JEMS Data & IA 2026
