L’intelligence artificielle générative est probablement le sujet le plus commenté du management depuis trois ans, mais les chiffres qui circulent sont souvent flous ou invérifiables. Que disent réellement les grandes études indépendantes sur l’adoption de l’IA en entreprise, ses cas d’usage concrets, et surtout sur l’écart entre l’expérimentation et la valeur effectivement créée ? Voici une synthèse sourcée, volontairement prudente sur les chiffres qui ne sont pas solidement établis.
Une adoption large, mais une valeur financière encore concentrée
Selon le rapport The State of AI (McKinsey, enquête mondiale menée mi-2025 auprès de près de 2 000 répondants dans 105 pays), 88 % des organisations déclarent utiliser l’IA dans au moins une fonction de l’entreprise, contre 78 % un an plus tôt. Mais seules 39 % des organisations parviennent à attribuer un impact mesurable sur leur résultat d’exploitation à ces usages, et McKinsey identifie un petit groupe d’environ 6 % d’organisations « à haute performance » qui captent une valeur disproportionnée grâce à une approche systématique du déploiement plutôt qu’à la multiplication d’expérimentations isolées.
Du côté des usages quotidiens, Gallup (enquête de février 2026 auprès de près de 24 000 salariés américains) mesure que 50 % des salariés utilisent désormais l’IA au travail au moins quelques fois par an, contre 21 % mi-2023 — une progression rapide, mais qui laisse encore une bonne moitié des effectifs à l’écart d’un usage régulier.
Les cas d’usage qui créent effectivement de la valeur
- Ingénierie logicielle, IT et production : gains de coûts les plus fréquemment rapportés (McKinsey, 2025).
- Marketing, ventes, stratégie et développement produit : hausses de revenus les plus souvent citées lorsque l’IA est utilisée (McKinsey, 2025).
- Agents IA : 23 % des organisations déclarent déjà faire passer à l’échelle un système d’IA agentique dans au moins une fonction, et 39 % supplémentaires expérimentent, le plus souvent limités à une ou deux fonctions (McKinsey, 2025).
- Le Work Trend Index 2026 de Microsoft mesure, sur la base télémétrique de Microsoft 365, une multiplication par 15 du nombre d’agents IA actifs en un an (par 18 dans les grandes entreprises).
PME et grandes entreprises : un écart qui se réduit sans disparaître
L’idée reçue d’une IA réservée aux grands groupes se nuance dans les données récentes. Aux États-Unis, plusieurs mesures montrent l’écart d’adoption entre petites et grandes entreprises se resserrer nettement entre 2024 et 2025, porté par l’usage croissant d’outils grand public accessibles sans grand projet informatique. En Europe en revanche, l’écart reste marqué : les données Eurostat/OCDE 2025 situent l’usage de l’IA autour de 55 % chez les grandes entreprises (250 salariés et plus) contre environ 17 % chez les petites structures (10 à 49 salariés) — un rappel que l’accès à l’outil ne suffit pas à lui seul à créer l’usage, notamment quand manquent le temps, les compétences internes ou un cas d’usage clairement identifié.
Le vrai frein n’est (presque) jamais la technologie
Le Work Trend Index 2026 de Microsoft (20 000 travailleurs du savoir interrogés dans 10 pays) résume bien le paradoxe : 65 % des utilisateurs d’IA craignent de prendre du retard s’ils ne l’adoptent pas rapidement, mais seuls 13 % estiment être reconnus ou récompensés lorsqu’ils expérimentent avec ces outils dans leur travail. Selon la même étude, les facteurs organisationnels — culture d’entreprise, soutien des managers, pratiques de gestion des talents — pèsent environ deux fois plus lourd que les comportements individuels dans l’impact réel de l’IA (une répartition d’environ 67 % contre 33 %).
- Compétences et culture de la donnée : cités par Gartner comme le principal frein à l’intégration de l’IA.
- Gouvernance insuffisante : sans cadrage clair des cas d’usage prioritaires ni framework de ROI, les initiatives s’essoufflent après la phase pilote.
- Qualité et accès aux données : un socle documentaire mal géré limite mécaniquement la pertinence des résultats, quel que soit le modèle utilisé.
- Écart de reconnaissance : de nombreuses études constatent que les collaborateurs qui expérimentent avec l’IA se sentent rarement soutenus ou valorisés par leur hiérarchie pour le faire.
Notre lecture : un levier parmi d’autres, pas une fin en soi
Ces études convergent vers un même constat : l’écart entre expérimentation et valeur réelle se joue rarement sur le choix du modèle d’IA, et presque toujours sur ce qui l’entoure — la qualité et la gouvernance des données, la clarté des cas d’usage retenus, l’accompagnement du changement, et la mesure disciplinée des résultats. C’est une conclusion cohérente avec ce que nous observons projet après projet, que ce soit sur un déploiement Microsoft 365 Copilot, un agent Copilot Studio ou une automatisation Power Automate : la technologie amplifie ce qui existe déjà, en bien comme en mal.
Pour une PME ou une ETI généraliste, la meilleure approche reste souvent la plus modeste en apparence : cadrer deux ou trois cas d’usage à fort potentiel plutôt que de multiplier les pilotes, sécuriser et organiser les données avant de les exposer à un assistant IA, former réellement les équipes concernées, et mesurer l’impact avec la même rigueur qu’un autre investissement. L’IA n’est pas une stratégie en soi ; elle ne prend sa valeur que lorsqu’elle s’insère dans une trajectoire de transformation plus large — applications métier, données, collaboration et sécurité comprises.