Intelligence artificielle dans les entreprises : pourquoi la valeur est à la traîne
Nous vivons dans une ère technologique qui, il y a encore quelques années, aurait semblé difficile à imaginer. Les modèles d’intelligence artificielle ont dépassé les attentes, élargissant radicalement la portée des applications possibles. Les investissements se multiplient, les expérimentations se multiplient et l’IA – au centre du débat public et économique – s’impose désormais parmi les priorités de développement des entreprises. Pourtant, lorsqu’on entre dans une organisation, la transformation est souvent invisible.
C’est là qu’apparaît un paradoxe désormais évident : l’IA est partout, mais son impact opérationnel reste limité. L’évidence est sans appel : seule une minorité d’entreprises parvient à obtenir un retour concret et à emmener les solutions au-delà de l’expérimentation.
Selon le Boston Consulting Group, seules 26 % des entreprises réussissent la phase de preuve de concept et génèrent de la valeur tangible, tandis que 74 % ne parviennent toujours pas à transformer leurs investissements en résultats mesurables(1).
De l’expérimentation à la production : là où s’arrête la chaîne de valeur
Le point critique ne réside pas dans la technologie, mais dans son industrialisation : en effet, les organisations ont appris à construire des prototypes, non à les amener à maturité. Des cas d’usage prometteurs sont identifiés, des solutions rapides sont testées, mais celles-ci évoluent rarement vers des systèmes robustes, intégrés aux processus et capables de générer de la valeur dans le temps.
Les raisons de cet écart sont profondes. D’une part, il manque souvent une combinaison essentielle : un véritable alignement des décideurs, des investissements adéquats et une expertise interne. En revanche, même lorsque ces conditions sont réunies, des obstacles moins visibles mais tout aussi décisifs émergent : une compréhension encore partielle de la nature de l’IA générative et, surtout, l’absence d’un plan cohérent permettant d’étendre systématiquement son adoption.
Ces défis reflètent une transformation plus profonde dans la manière même dont les applications sont conçues et développées.
Un nouveau cycle de développement : pourquoi l’IA n’est pas un logiciel traditionnel
Le principal élément de discontinuité concerne le cycle de développement. En fait, l’idée persiste selon laquelle l’IA générative peut être traitée comme un logiciel traditionnel, avec des processus linéaires et prévisibles. Il s’agit cependant d’une hypothèse trompeuse.
Deux phases sont particulièrement critiques et permettent de clarifier la nature de cette transformation. Le premier concerne la préparation des données : nous n’avons plus affaire à des jeux de données structurés, mais à des connaissances non structurées, distribuées et souvent tacites. Cela nécessite des méthodologies différentes et surtout une implication directe des professionnels détenteurs du savoir-faire spécialisé. En l’absence de cette étape, les systèmes restent inévitablement superficiels.
À cela s’ajoute une deuxième dimension tout aussi pertinente, celle de la validation. Comment évaluer un système capable de générer des réponses multiples et non déterministes ? Les critères changent radicalement, tout comme les seuils : des niveaux de précision de 70 à 80 % peuvent être acceptables en phase expérimentale, mais pas en production, où la fiabilité doit se rapprocher de normes beaucoup plus élevées.
Des cas d’usage aux architectures : le nécessaire changement de paradigme
Si l’objectif est de générer un impact généralisé, le point de départ ne peut pas être la prolifération des cas d’utilisation. Il est nécessaire de porter l’attention sur les architectures, c’est-à-dire les modèles d’application réutilisables. La diversité des applications n’est en fait qu’apparente : dans la plupart des cas, elles peuvent être attribuées à quelques modèles récurrents.
Les processus documentaires, les systèmes de collecte d’informations, l’assistance de premier niveau représentent certaines des architectures les plus accessibles dans une phase initiale. Il s’agit de modèles d’application basés sur des flux déterministes, dans lesquels des modèles linguistiques sont insérés par étapes spécifiques. Ils offrent des rendements rapides et constituent un premier niveau concret sur lequel construire une évolution plus complexe.
Le saut en qualité se produit avec des architectures plus avancées : systèmes de dépannage autonomes, experts numériques et collaborateurs intelligents. Ici, l’impact augmente considérablement, tout comme le niveau de maturité exigé de l’organisation.
L’expert du numérique : formaliser les savoir-faire
Le passage à des niveaux plus avancés permet de faire face à une complexité nettement plus grande. C’est dans cette phase qu’interviennent les systèmes capables de valoriser et de rendre opérationnelles les connaissances spécialisées. Architectures « typées »expert » en fait, ils permettent de codifier et de rendre accessibles une richesse de connaissances très spécifiques. Il ne s’agit pas de former de nouveaux modèles, mais d’orchestrer des systèmes qui combinent récupération compétences avancées de raisonnement et de validation rigoureuse.
Dans ces systèmes, plusieurs composants fonctionnent de manière coordonnée : un gestionnaire de contexte qui sélectionne les informations pertinentes, un moteur de raisonnement qui les traite, des outils informatiques et une couche de contrôle qui assure la fiabilité des réponses. Le résultat est un agent capable de résoudre des problèmes complexes, en intégrant les réglementations, les meilleures pratiques et les données opérationnelles.
Le collaborateur : vers une collaboration homme-machine structurée
L’étape suivante consiste à étendre ces capacités au-delà de la seule gestion des connaissances, en accompagnant également l’utilisateur dans les phases opérationnelles. Les architectures « coworker » se placent dans cette perspective : non plus de simples systèmes de réponse, mais de véritables collaborateurs numériques. Ces agents font plus que simplement fournir des connaissances. Ils planifient les activités, structurent les travaux en phases, coordonnent les outils et accompagnent l’utilisateur tout au long du cycle opérationnel.
Le plan se construit grâce à l’interaction avec l’utilisateur, progressivement validé et enrichi par l’exécution automatique d’activités répétitives ou standardisables.
Le modèle est celui de la coopération : l’intelligence artificielle ne remplace pas, mais amplifie. Chaque professionnel peut être accompagné par un «jumeau numérique» capable d’accélérer la prise de décision, de réduire les erreurs et d’augmenter la productivité.
De l’adoption à l’avantage concurrentiel : une question de méthode
La leçon est simple, mais souvent négligée : les projets isolés ne sont pas portés à maturité, les architectures réutilisables sont consolidées. L’identification des cas d’utilisation reste nécessaire, mais la valeur est générée en les regroupant en modèles reproductibles et en concentrant les efforts sur quelques modèles à fort impact. Cette approche nous permet de réduire les délais, de contenir la complexité et de construire une base solide sur laquelle engager les développements ultérieurs.
C’est, avant même un choix technologique, un changement de mentalité : de la logique de l’expérimentation à celle de la plateforme.
Dans ce contexte, les capacités de l’intelligence artificielle vont continuer de croître. Ce qui fera la différence ne sera pas l’accès à la technologie, mais la capacité de la traduire en véritable transformation. Réduire la distance entre le potentiel et l’impact signifie repenser les processus, les compétences et les modèles organisationnels.
Celui qui réussira cette étape ne se limitera pas à utiliser l’IA : il contribuera à définir une nouvelle génération d’entreprises, dans laquelle la combinaison de l’intelligence humaine et artificielle devient le principal facteur de compétitivité.
(1) source : BCG, Où est la valeur de l’IA ?2024).
