88 % des entreprises utilisent l'IA. 94 % n'en tirent pas de valeur

En 2026, 88 % des entreprises déclarent utiliser l’IA et 94 % n’en tirent pas de valeur significative. Voici la définition exacte du théâtre de l’adoption.

Ce qui est réellement irréversible

Le changement comportemental est acté. ChatGPT, Copilot et Claude sont sur les postes de travail, souvent sans politique claire, régulièrement sans vraie formation utilisateur. Mais ils sont là. L’étude McKinsey de novembre 2025 ↗ le confirme : 88 % des organisations (du périmètre de l’étude, c’est-à-dire des entreprises mondiale avec plus de 1 milliard de dollars de chiffre d’affaires) déclarent utiliser l’IA dans au moins une fonction.

Ce chiffre mérite d’être analysé. Avant de l’interpréter comme un signe de maturité, il faut lire la suite : 94 % de ces mêmes organisations ne constatent pas de création de valeur significative. Deux tiers restent en phase d’expérimentation ou de pilotage. Le compteur tourne, la voiture n’avance pas.

Ce qui a changé, concrètement, c’est le rapport à l’écriture. Plus personne dans mon périmètre, ou presque, ne rédige un compte rendu, un mail de synthèse ou une présentation sans envisager l’IA. Les équipes informatiques ont absorbé une partie de l’accélération (génération de code, tests automatisés) plus vite que le reste des populations en entreprise (mais pas sans friction). La question n’est plus « est-ce que nos équipes utilisent ? » mais « de quelle façon, et avec quels garde-fous ? »

C’est précisément ce déplacement que Norbert Alter, que j’ai eu la chance d’avoir en cours, avait documenté bien avant l’IA : dans L’Innovation ordinaire ↗ (PUF, 2000), il montre que les innovations passent toujours par la déviance avant d’être reconnues. Les équipes qui veulent avancer le font en marge des politiques officielles. Ce n’est pas de la désobéissance, c’est de l’adaptation. La formule a été observée, documentée et oubliée. Elle s’applique mot pour mot au shadow AI de 2025-2026.

Le théâtre de l’adoption

Le théâtre de l’adoption, c’est l’état d’une organisation qui accumule les indicateurs d’usage (taux d’équipement, nombre de licences, POC lancés) sans jamais poser la question du passage en production. Les chiffres rassurent, la valeur n’arrive pas.

Voici ce que les rapports cabinets ne montrent pas : le taux de passage des preuves de concept (proof of concept, POC) vers la production.

Gartner anticipait dès juillet 2024 ↗ qu’au moins 30 % des projets d’IA générative seraient abandonnés après la POC. En moyenne, seulement 48 % des projets IA atteignent la production, selon un sondage Gartner de mai 2024 ↗. Ce chiffre optimiste masque une réalité plus contrastée : Omdia (novembre 2025) ↗ signale que 31 % des entreprises (la catégorie la plus représentée) déclarent un taux de passage inférieur à 5 %. Ce n’est pas un phénomène nouveau : en 2017, Sami Tähtinen documentait déjà ↗ ce qu’il appelait « la malédiction du POC » : l’idée qu’un PoC répond à une seule question (ce modèle peut-il fonctionner en conditions contrôlées ?) et laisse entières toutes les autres : qualité des données réelles, infrastructures, alignement organisationnel, coûts de maintenance. Avec l’IA générative, la mécanique est identique, amplifiée par l’accessibilité des outils.

La plupart des « projets IA » en 2025 sont des démos de direction, avec peu de changements de processus. L’écart entre la Direction des Systèmes d’Information (DSI) et les équipes reste significatif.

Ce que j’observe sur mes missions : deux formes distinctes de comité Théodule. La première met six mois à identifier deux cas d’usage. La deuxième bloque via la conformité (RGPD, sécurité) sans proposer d’alternative viable. L’organisation se donne bonne conscience sur la gouvernance, mais ne fait pas progresser la pratique. C’est l’effet pervers d’une technologie conçue pour les ingénieurs : la gouvernance est plus accessible que l’usage. Le shadow AI continue, plus discrètement. L’ISACA le confirme ↗ : 37 % seulement des organisations disposent d’une politique de gouvernance IA formalisée.

Ce n’est pas de la prudence, c’est de la bureaucratisation de l’exploration.

Ce blocage-proxy est un des éléments que mon article sur le shadow AI n’explore pas : le contournement organisationnel n’est pas seulement un signal de demande non satisfaite (c’est aussi le résultat direct d’une posture de conformité sans alternative).

L’autre travers symétrique existe aussi. L’enthousiasme non cadré produit autant de contenu générique et sans valeur que l’indifférence. Le POC raté par excès d’optimisme (à partir d’un prompt générique, sans contexte métier, sans critère de validation) est aussi réel que le POC raté par la « mobilisation » de comités.

Trois populations mais pas trois vitesses

On parle souvent de « deux vitesses » dans les organisations. L’image est inexacte.

Il y a trois populations distinctes, et le problème n’est pas leur vitesse mais une articulation défaillante les unes avec les autres.

Les early adopters ont l’expérience, rarement la vision systémique. Ils optimisent leur propre workflow. Leur savoir ne passe pas à l’échelle sans relais. Ce sont les plus frustrés : ils voient ce qui est possible, ils ne peuvent pas le porter seuls.

La couche managériale a potentiellement la vision systémique, mais souvent sans pratique. Le risque d’un discours de surface nourri par la presse spécialisée est important : des chiffres de cabinets non qualifiés, des cas d’usage présentés comme universels, une rhétorique de transformation sans ancrage opérationnel. Mark Kashef ↗, l’un des analystes que je suis sur ces sujets, donne une estimation « à la louche » que je partage : 70 % des enjeux sont culturels ou de leadership, 20 % d’infrastructures, 10 % d’outils. C’est un ressenti de consultant, pas une étude. McKinsey ↗ conforte cette approche : dans son rapport de novembre 2025, l’avantage des organisations performantes sur l’IA est qualifié d’« essentiellement organisationnel, pas technologique », les hautes performances étant trois fois plus susceptibles d’avoir des dirigeants qui incarnent et portent activement l’adoption.

La troisième population n’est pas constituée des résistants actifs mais par les “indifférents” : l’IA n’est pas dans leur sphère de conscience professionnelle. La résistance active reste marginale, même si ses motivations méritent d’être analysées et écoutées (elles pointent des risques souvent réels : impacts environnementaux, cognitifs, stratégiques).

Ce qui manque le plus souvent, c’est une connexion, un pont, entre les deux premières populations. Les early adopters et le management ont des ressources complémentaires. L’organisation avance en silos parce que personne n’est chargé explicitement de faire circuler les savoirs dans les deux sens. C’est tout l’intérêt des initiatives fluidifiant la gouvernance des projets liés à l’IA, qu’on les appelle « AI Office », « IA Studio », « Lab IA », « IA Factory »…

J’apporte quand même une nuance sur les citizen developers (ces collaborateurs non-techniques qui développent des automatisations ou des workflows IA sans passer par la DSI) : dans une entreprise de services hors tech, ils représentent 1 à 2 % des effectifs dans mon expérience. Un levier utile à solliciter, pas un levier de transformation globale.

Ce qui ne bougera pas seul

La compétence de supervision des outputs IA n’est pas naturelle (c’est-à-dire d’évaluer les productions de l’IA). Elle s’acquiert par l’exposition, pas par la formation descendante.

J’observe trois niveaux.

Le niveau naïf : ce qui est formellement plausible passe pour vrai. La mise en page soignée d’un output Claude, la structure en trois points bien titrée : tout cela crée une impression de qualité avant même que le contenu soit évalué.

Le niveau exposé : la détection du contenu générique IA par reconnaissance de schémas. C’est ce qui correspondrait à la « cécité publicitaire » (ad blindness) : on reconnaît les emoji « doigt » LinkedIn, les infographies NotebookLM standardisées, avant même de lire.

Le niveau expert de domaine : savoir précisément où l’IA n’est pas fiable dans son secteur, construire les garde-fous adaptés (la séquence de vérifications humaines obligatoires, les étapes où l’output est systématiquement relu avant d’être utilisé) et identifier les points de passage humains incontournables.

Le passage du premier au deuxième niveau se fait par l’exposition collective, pas par un module de formation. Ce que Kashef appelle l’amnistie IA (« annoncer que personne ne sera pénalisé pour un usage personnel » crée les conditions de cette exposition). Mais l’exposition seule ne permet pas de capitaliser. Le CIGREF le formule précisément ↗ (janvier 2026) : l’IA horizontale (les assistants généralistes comme ChatGPT ou Copilot, déployés sur l’ensemble des postes sans spécialisation métier) génère des gains de temps individuels, mais sa valeur réelle dépend de la réallocation de ce temps vers des missions à plus forte valeur. Sans mécanisme de diffusion entre pairs, le gain reste local et souvent invisible pour l’organisation. La veille sur la compétence de supervision reste le levier le plus sous-exploité.

La gouvernance des données pose exactement les mêmes défis qu’avant la généralisation des IA génératives. La différence : maintenant, ça se voit. On entend depuis des années que les données sont le pétrole du 21e siècle. Peut-être, mais qui a vraiment commencé à le raffiner ?

D’après mon expérience, le cas le plus fréquent est celui des bases de connaissance pour l’assistance de niveau 1 : les modes opératoires existent, documentés pour des humains (captures d’écran, mises en page, renvois internes). Ces documents sont inutilisables tels quels dans un système RAG (Retrieval-Augmented Generation : une architecture où le modèle d’IA ne répond pas depuis sa seule mémoire d’entraînement, mais en consultant en temps réel une base documentaire de l’organisation). Il faut un travail intermédiaire : extraire, restructurer, produire quelque chose de propre avant d’injecter (dans des formats structurés qu’adorent les LLM : a minima Markdown, sinon JSON ou XML). Ce chantier est souvent sous-estimé au moment où l’organisation se demande si elle va lancer un POC.

Je ne prétends pas couvrir toutes les solutions du marché (les technologies bougent vite sur ce terrain et, d’ailleurs, j’en cite quasiment aucune). Ce que j’observe dans mes missions et dans mes expérimentations : l’exploitabilité des données propriétaires est souvent le vrai différenciateur à long terme, pas l’accès aux mêmes grands modèles de langage (LLM), qui est quasiment le même pour tout le monde. Mais y accéder suppose un travail préalable que ni le data lake ni le POC ne font à votre place.

Ce que j’en retiens

L’adoption IA en entreprise en 2026 bute sur plusieurs obstacles. Le plus fréquent dans mon périmètre : celui d’un problème d’articulation entre les différentes parties prenantes de l’entreprise. C’est rarement un problème d’accès : les outils sont là, les early adopters aussi. Ce qui manque le plus souvent, c’est la connexion entre l’expérience du terrain et la vision systémique.

Certaines organisations ont remplacé l’expérimentation par la gouvernance de l’expérimentation. D’autres ont lancé des POC sans jamais poser la question du passage en production. Les deux erreurs se ressemblent : elles donnent l’apparence de l’action sans en produire les effets.

Si vous êtes dans cette position (vous utilisez les outils, vous voyez ce qui est possible dans votre périmètre, mais vous ne savez pas comment le connecter à la vision de votre organisation) : c’est exactement le problème d’articulation décrit ici. Je prévois de formaliser dans les prochaines semaines une grille de cadrage des projets conçue pour couvrir ces cas précis.