L'adoption de l'IA en entreprise

01 · Le problème posé par les preuves

Quatre chiffres, un seul mot

Si vous siégez dans un conseil d'administration en Europe, on vous a montré au moins deux de ces chiffres au cours des six derniers mois, généralement sur la même diapositive, généralement sans leurs dénominateurs.

Chacun de ces chiffres est défendable selon ses propres termes. Placés sur le même axe, ils deviennent incohérents. L'adoption ne peut pas être simultanément de 88 % et de 20 %. L'échec ne peut pas être de 95 % alors que la moitié des entreprises américaines paient volontairement pour la chose chaque mois et renouvellent.

Le réflexe consiste à supposer que quelqu'un ment, ou que l'écart oppose l'Europe à l'Amérique. Ni l'un ni l'autre n'est vrai. Les quatre chiffres divergent parce qu'ils comptent quatre populations différentes faisant quatre choses différentes. L'un demande si l'IA est utilisée quelque part ; l'un demande si un pilote a atteint la production structurelle ; l'un enregistre si une facture a été payée ; l'un échantillonne la population réelle des entreprises européennes. Chacun emploie un verbe différent, et le plus difficile d'entre eux — production — n'est jamais défini d'une manière qu'une autre étude pourrait reprendre.

02 · Le problème de la définition

Personne ne définit « la production »

Voici les quatre mêmes chiffres avec leur base de mesure réelle attachée. Ce tableau est à lui seul la chose la plus utile de cet article.

Le tableau défile horizontalement →

En lisant la colonne « ce qui a réellement été compté », la contradiction se dissout largement — voici donc l'arithmétique plutôt que l'affirmation. Le 88 % de McKinsey et le 20 % d'Eurostat ne sont pas des estimations rivales d'une seule et même quantité. McKinsey interroge un panel auto-sélectionné d'organisations en grande majorité grandes et digitalisées, et demande si l'IA est utilisée quelque part. Eurostat échantillonne toute la population des entreprises européennes de dix salariés ou plus, très majoritairement de petites entreprises.

Mises sur un pied d'égalité, l'écart se réduit à quelque chose d'explicable. En restreignant Eurostat aux entreprises de 250 salariés ou plus — à peu près la population dans laquelle McKinsey échantillonne — l'adoption européenne est de 55,0 %, et non 20 %. La distance restante jusqu'à 88 % combine un cadre mondial plutôt qu'européen, un panel de répondants auto-sélectionné, et un retard réel de l'Europe sur cette mesure. C'est une différence de degré entre choses comparables, pas une contradiction. La version « 20 contre 88 » de l'argument est un artefact né de la comparaison entre une statistique de population et une statistique de panel.

Le problème le plus profond est la définition manquante. Parmi les sources consultées pour cet article — listées intégralement en fin de texte — aucune ne définit la production d'une manière qu'une autre source pourrait reprendre. Une charge de travail est-elle en production quand elle sert des clients externes ? Quand elle dispose d'une astreinte ? Quand elle a une ligne budgétaire ? Quand la finance peut lui attribuer un coût ? Chaque étude retient une réponse implicite, aucune ne l'énonce, et les taux qui en résultent sont ensuite comparés comme s'ils étaient commensurables.

03 · Le chiffre le plus cité

Le chiffre des 95 %, examiné

Une seule statistique domine ce sujet. Elle apparaît dans les dossiers de conseil, les présentations d'éditeurs et les commentaires 2026 de cabinets qui ont leurs propres chiffres contradictoires à vendre — nous les avons comparés côte à côte dans les grands frameworks IA du conseil, benchmarkés.

L'affirmation — selon laquelle environ 95 % des pilotes GenAI en entreprise ne produisent aucun retour mesurable sur le compte de résultat — provient de The GenAI Divide: State of AI in Business 2025, publié par le Project NANDA du MIT en juillet–août 2025. Sa base de preuves compte 52 entretiens structurés, une enquête auprès de 153 dirigeants, et un examen d'environ 300 déploiements publics.

• L'échantillon ne peut pas porter le titre. Cinquante-deux entretiens sur une fenêtre de six mois, c'est une étude qualitative. Elle soutient une hypothèse sur un mécanisme. Elle ne soutient pas un pourcentage de population cité à deux chiffres significatifs.
• « L'échec » est défini largement. Le rapport compte comme absence de retour tout ce qui est en deçà d'un déploiement en production structurel, ce qui inclut des pilotes ayant conclu correctement — un pilote bien mené qui répond « non, cela ne vaut pas la peine de passer à l'échelle » est un succès de gouvernance, pas un échec de l'IA.
• Il n'est pas évalué par les pairs, et l'éditeur a une position commerciale. NANDA exploite des adhésions payantes d'entreprises. Cela ne rend pas le résultat faux. Cela signifie que le cadrage n'a pas été produit par une partie désintéressée, ce qui est exactement le critère que le rapport applique aux éditeurs.
• La source primaire est désormais difficile d'accès. À la date de référence de cet article, l'URL officielle du MIT NANDA ne sert plus directement le rapport. Le document circule sous forme de PDF miroir. Une statistique aussi influente devrait être plus facile à vérifier qu'elle ne l'est.

Et pourtant, le mécanisme central du rapport est la chose la plus intéressante publiée par quiconque en 2025, et personne ne le cite. L'argument de NANDA porte sur le flux de travail plutôt que sur la qualité du modèle : le facteur d'échec, ce sont des outils qui ne retiennent pas le retour d'expérience et ne s'adaptent pas — et, dans le même ordre d'idées, l'usage d'IA fantôme dépasse 90 % des entreprises alors que les abonnements LLM officiels avoisinent 40 %. Les employés tirent de la valeur d'une IA que le programme de leur employeur ne capte pas.

La même discipline s'applique à deux chiffres de Gartner largement diffusés. Que plus de 40 % des projets d'IA agentique seront annulés d'ici fin 2027, et qu'au moins 30 % des projets GenAI seraient abandonnés après la preuve de concept d'ici fin 2025, sont deux prédictions — publiées respectivement en juin 2025 et juillet 2024. Elles sont couramment citées comme s'il s'agissait de résultats observés.

Celle de fin 2025 a désormais dépassé sa propre date d'échéance, nous sommes donc allés chercher l'évaluation. Nous n'en avons trouvé aucune. Gartner ne semble avoir publié aucune évaluation publique du fait que sa prédiction de 30 % se soit vérifiée, et le chiffre le plus souvent produit comme confirmation — les « 42 % des entreprises ayant abandonné la plupart de leurs initiatives IA en 2025 » de S&P Global Market Intelligence — nous n'avons pu l'atteindre qu'au travers de résumés secondaires ; la page primaire ne s'est pas chargée à notre date de référence, donc nous ne la citons pas non plus comme un fait.

04 · Les preuves qui tiennent

Ce qui résiste à l'examen

Une fois retiré l'auto-déclaré, le prédit et l'invérifiable, il reste un tableau plus restreint mais plus solide.

Le chiffre de Ramp mérite plus d'attention qu'il n'en reçoit. Il est dérivé de données de cartes d'entreprise et de grands livres de dépenses plutôt que de la demande aux dirigeants de ce qu'ils pensent. Quelqu'un dans l'entreprise a pris une décision d'achat et la finance a réglé la facture. Il a franchi la barre des 50 % pour la première fois en mars 2026, contre environ 35 % un an plus tôt. C'est étroit — réservé aux États-Unis, à la propre base de clients de Ramp, et un abonnement payant prouve l'achat plutôt que la valeur — mais personne ne l'a auto-déclaré, ce qui le rend unique ici.

Parmi la littérature sur l'échec, l'étude 2024 de RAND est la plus honnête sur le plan méthodologique. Construite à partir de 65 entretiens semi-structurés avec des data scientists et des ingénieurs, dans le secteur public comme privé, elle situe l'échec des projets IA au-dessus de 80 %, soit environ deux fois le taux des projets IT non liés à l'IA. Élément crucial, 84 % des personnes interrogées dans le secteur privé ont attribué la cause principale à des problèmes liés au leadership plutôt qu'à la technologie — ce qui est un problème de stratégie et de leadership déguisé en problème technologique. Cela reste une étude qualitative et doit être lue comme telle, mais elle nomme son échantillon, énonce sa méthode, et sa conclusion pointe vers ce que les dirigeants contrôlent.

Vient ensuite le chiffre qui devrait arrêter un conseil d'administration en pleine phrase. Tiré de l'enquête de BCG auprès de 1 803 dirigeants de niveau C dans 19 marchés : 60 % des entreprises ne définissent et ne suivent aucun KPI financier pour la valeur de l'IA. Construire cet instrument est une discipline à part entière, celle que nous menons sous le nom de mise en place KPI. Avant tout débat sur la rentabilité de l'IA, la plupart des organisations n'ont pas construit l'instrument qui le leur dirait.

Chaque chiffre de cet article, noté

La taille est le mauvais axe. Ce qui a produit un chiffre décide de ce qu'il peut soutenir. Les statistiques officielles et les registres de transactions sont des preuves. Les enquêtes de dirigeants sont de la perception. Les prédictions ne sont ni l'un ni l'autre.

Le tableau défile horizontalement →

Imprimé et gardé à portée de main lors de la prochaine présentation IA qu'on vous montrera, ce tableau constitue l'essentiel de la valeur de cet article.

05 · Le tableau européen

Ce que disent les chiffres propres à l'Europe

Presque toutes les statistiques du débat mondial sur l'adoption de l'IA proviennent d'une enquête d'éditeur ou de cabinet de conseil centrée sur les États-Unis. L'Europe dispose de quelque chose de mieux, à peine cité : un office statistique officiel qui mesure la population réelle plutôt qu'un panel.

Les chiffres 2025 d'Eurostat, publiés le 11 décembre 2025, couvrent les entreprises de dix salariés ou plus dans les 27 États membres. Et ils comportent la ventilation par taille que presque toutes les citations omettent.

Attardez-vous sur ce point, car c'est précisément l'erreur que cet article a été écrit pour signaler, et les données européennes elles-mêmes la rendent facile à commettre. Si vous dirigez une entreprise de plus de 250 salariés, votre taux d'adoption de référence chez vos pairs est de 55 %, pas 20 %. Environ la moitié de vos concurrents utilisent déjà l'IA quelque part dans l'entreprise. Le chiffre européen largement cité décrit une économie dominée par les petites entreprises, et le lire comme votre référence vous dira que vous êtes en avance alors que vous êtes en retard.

Les données d'Eurostat disent deux choses supplémentaires, toutes deux à contre-courant du récit des éditeurs.

• L'écart entre pays est énorme. Danemark 42,0 %, Finlande 37,8 % et Suède 35,0 % en tête ; Roumanie 5,2 %, Pologne 8,4 % et Bulgarie 8,5 % en bas de classement. Un écart d'un facteur huit entre États membres signifie que « l'adoption de l'IA en Europe » sous forme d'un chiffre unique est proche de l'inutile pour la planification. Nous travaillons depuis Varsovie, donc voir la Pologne à l'avant-dernière place est un fait avec lequel nous planifions plutôt qu'un fait que nous contestons ; le contexte plus large se trouve dans notre note de conjoncture sur l'économie polonaise 2026.
• Les freins ne sont pas ceux que met en avant la littérature des éditeurs. Voir le graphique ci-dessous.

Cette dernière ligne compte pour quiconque achète des services IA en Europe. Le frein dominant n'est pas le scepticisme quant à la valeur — seule une entreprise sur cinq a déclaré que l'IA ne serait pas utile. C'est que les entreprises n'ont pas les personnes qui sauraient comment faire, avec près de vingt points d'écart sur la raison suivante. Les lacunes de capacité ne se comblent pas en achetant une plateforme, ce qui est tout l'argument en faveur d'une couverture senior en management de transition plutôt que d'une licence et d'un budget de formation.

06 · Causes, pas symptômes

Pourquoi l'adoption cale

C'est ici que la littérature converge le plus.

Les données de McKinsey de novembre 2025 sur les freins situent les préoccupations réglementaires et juridiques à 44–48 %, le risque IA incluant le biais et la propriété intellectuelle à 44–47 %, la conduite du changement et les silos organisationnels à 39–40 %, la technologie héritée à 30–33 %, et les lacunes stratégiques à 28–32 %. Par ailleurs, 51 % des répondants ont rapporté au moins un résultat négatif lié à l'IA, l'inexactitude étant le plus courant à 30 %.

Les entretiens de RAND pointent vers le leadership. Les données de population d'Eurostat pointent vers l'expertise. Le constat de BCG pointe vers l'absence de KPI financier. Lus ensemble, le tableau est cohérent et peu flatteur : la contrainte, c'est la capacité organisationnelle et l'attention des dirigeants, pas la qualité du modèle.

C'est le moment où la plupart des contenus de conseil produisent un modèle de maturité et vous invitent à vous y situer. Nous n'allons pas faire cela, et la raison est simple : un modèle de maturité vous dit où vous vous situez par rapport à une courbe tracée par quelqu'un d'autre, et génère de l'anxiété plutôt qu'une décision. Les trois choses que les preuves soutiennent réellement sont plus étroites et plus austères.

07 · Ce qui est véritablement nouveau

Ce qui a vraiment changé en 2026

Trois choses ont changé d'une manière qui devrait modifier un plan écrit en 2025. Plusieurs autres sont présentées comme des changements et ne le sont pas.

Le coût de l'inférence s'est effondré, et c'est documenté

Le Stanford HAI AI Index, publié le 13 avril 2026, rapporte que les prix d'inférence des LLM ont chuté à un rythme médian d'environ 50 fois par an selon les niveaux de capacité, s'accélérant à environ 200 fois par an pour certains niveaux depuis janvier 2024. C'est l'affirmation de coût la mieux sourcée du domaine. Cela ne signifie pas que les factures baissent — la consommation a crû plus vite que le prix unitaire n'a chuté, ce qui explique pourquoi la mesure des coûts compte davantage, et non moins.

Les agents sont passés de la démo au déploiement, inégalement

L'enquête McKinsey de novembre 2025 montre que 62 % des organisations expérimentent des agents IA et 23 % les font passer à l'échelle dans au moins une fonction. C'est un véritable changement par rapport à 2024. C'est aussi le domaine où le marketing devance le plus sévèrement les preuves — l'affirmation largement diffusée selon laquelle « 88 % des pilotes d'agents ne parviennent pas à passer en production » ne remonte qu'à des sites agrégateurs SEO sans étude sous-jacente, et nous ne la citons pas. La décision de construire ou d'acheter qui sous-tend les plateformes d'agents est traitée en détail dans notre playbook des plateformes d'agents.

L'horloge réglementaire européenne a bougé

Le Digital Omnibus a réinitialisé le calendrier à haut risque, comme indiqué plus haut. L'effet pratique est une réallocation plutôt qu'un sursis : le travail de classification et de conformité pour les systèmes de l'annexe III dispose d'environ deux ans de marge supplémentaire par rapport à ce que la plupart des plans 2025 supposaient, tandis que les obligations GPAI sont en vigueur depuis août 2025 et constituent l'exposition la plus proche pour quiconque construit sur un modèle de fondation. Les programmes cadrés en 2025 ont fréquemment inversé ces deux échéances.

08 · Pratique

Comment lire ceci en tant qu'acheteur

Si vous êtes CEO, CIO, membre d'un conseil d'administration ou operating partner en private equity, l'apport utile de tout cela est une courte liste de questions qui percent un pitch plus vite qu'un appel d'offres.

Le tableau défile horizontalement →

Et deux choses de plus sur l'état du domaine, des lacunes plutôt que des constats :

• Nous n'avons trouvé aucune étude auditée. Parmi les sources ci-dessous, nous n'avons trouvé aucune attribution d'EBITDA aux dépenses IA vérifiée par un grand livre général et couvrant plusieurs secteurs. Si une telle étude existe, nous aimerions la voir ; en attendant, chaque chiffre de « valeur réalisée » que nous avons localisé relève de la perception des dirigeants, quelle que soit la taille de l'échantillon.
• Les taux ne sont pas comparables. Comme aucune de ces sources ne définit la production de façon cohérente, leurs pourcentages d'adoption et d'échec ne peuvent pas être placés sur un axe commun — ce qui n'a empêché personne de faire exactement cela.

09 · Nous

La place de Consulting Huber

Nous sommes deux opérateurs seniors. Nous ne vendons pas de plateforme IA et n'avons aucun revenu de licence en jeu dans la réponse, ce qui est la seule raison de faire confiance à un mot de ce qui précède — nous n'avions rien à gagner à ce qu'un chiffre en particulier l'emporte.

Nous plafonnons aussi nos missions à quatre par trimestre. C'est une politique, pas un résultat, et vous devez le lire comme tel : c'est ce qui permet aux personnes ayant cadré le travail de rester celles qui l'exécutent. Chaque mission porte une durée nommée et un critère de sortie écrit, ce qui est à la fois un engagement commercial et méthodologique — un travail qui ne peut pas dire quand il se termine ne peut pas dire à quoi il servait. Ce que nous avons effectivement livré, avec les chiffres attachés et les parties confidentielles marquées comme telles, se trouve dans quatre missions, des chiffres réels. Jugez cela plutôt que ce paragraphe.

Si vous voulez approfondir un point précis de cet article :

• La crise de mesure de l'IA — ce que l'IA en entreprise coûte réellement et comment instrumenter le coût par résultat.
• Le playbook de création de valeur IA — les quatre leviers de valeur et le schéma sur 90 jours, du pilote à l'impact mesuré.
• La couche de livraison sous l'IA — les prérequis organisationnels, par un exemple travaillé.
• Agents IA en entreprise : construire, acheter ou open source — la décision de plateforme, avec un évaluateur de coût de sortie.
• Le guide de conformité pour opérateurs de l'AI Act européen — les niveaux de risque, les échéances révisées et un plan à 90 jours.