Dans les grandes entreprises européennes, l'IA n'est plus une promesse : elle est déjà partout. La question stratégique de 2026 n'est donc plus « faut-il adopter ? » mais « comment passer des pilotes à la production, gouverner l'IA à l'échelle du groupe et en tirer un impact financier réel ? ». C'est précisément là que se joue l'écart entre les leaders et le reste.

L'adoption est acquise. La valeur, beaucoup moins.

Les chiffres sont sans appel. Selon Eurostat (2025), 55 % des grandes entreprises de l'UE (250 salariés et plus) utilisent l'IA, contre 30 % des moyennes et 17 % des petites. À l'échelle mondiale, le Stanford HAI AI Index 2025 relève que 78 % des organisations déclaraient utiliser l'IA en 2024, contre 55 % un an plus tôt. Et selon McKinsey, State of AI 2025, 88 % des organisations utilisent régulièrement l'IA dans au moins une fonction.

Mais adopter n'est pas industrialiser. Toujours selon McKinsey, seul un tiers environ des organisations ont commencé à déployer l'IA à l'échelle de l'entreprise, et à peine 7 % la considèrent « pleinement industrialisée ». Le BCG (octobre 2024), sur la base d'une enquête menée auprès de 1 000 dirigeants dans 59 pays, est encore plus tranchant : seules 4 % des entreprises ont bâti des capacités d'IA de pointe dans l'ensemble de leurs fonctions et en tirent une valeur significative et régulière ; 22 % commencent à voir des gains substantiels ; 74 % ne constatent encore aucune valeur tangible.

Seules 4 % des entreprises génèrent une valeur significative et régulière de l'IA à travers leurs fonctions ; 74 % n'en tirent encore aucun bénéfice tangible. — BCG, octobre 2024

La faille du passage à l'échelle est humaine, pas technologique

Pourquoi tant de projets échouent-ils à franchir le cap ? Gartner (juillet 2024) prévoyait qu'au moins 30 % des projets d'IA générative seront abandonnés après leur preuve de concept d'ici fin 2025, en raison d'une qualité de données insuffisante, de contrôles des risques inadéquats, de coûts qui dérapent et d'une valeur mal démontrée.

Le BCG chiffre la nature de la difficulté : le passage à l'échelle relève à environ 70 % des personnes et des processus, à 20 % de la technologie et des données, et à seulement 10 % des algorithmes. Autrement dit, le goulot d'étranglement n'est presque jamais le modèle — c'est l'organisation. C'est ce que confirme McKinsey : la refonte fondamentale des processus de travail (le « workflow redesign ») est le facteur le plus corrélé à un impact sur l'EBIT — le résultat opérationnel avant intérêts et impôts.

Or cet impact reste modeste : environ 39 % des organisations attribuent à l'IA un effet sur l'EBIT à l'échelle de l'entreprise, mais le plus souvent inférieur à 5 % (McKinsey). La valeur existe, mais elle se concentre chez ceux qui ont su réorganiser le travail autour de l'IA, et pas seulement l'ajouter par-dessus l'existant.

Gouverner l'IA à l'échelle du groupe

À l'échelle d'un grand groupe, la gouvernance de l'IA — l'ensemble des règles, rôles et contrôles qui encadrent la conception, le déploiement et la surveillance des modèles — devient la condition première de l'industrialisation. Les données publiées par IBM (données 2023) révèlent l'ampleur du chantier : seules 27 % des entreprises travaillent activement à réduire les biais, 37 % tracent la provenance de leurs données, 41 % savent expliquer les décisions de leurs modèles et 44 % disposent d'une politique d'IA éthique.

Ces lacunes ont un coût croissant. Le Stanford HAI note que les incidents liés à l'IA se multiplient rapidement, alors que les évaluations standardisées de « responsible AI » restent rares chez les principaux développeurs de modèles. À l'inverse, la PwC 2025 Responsible AI Survey montre que 58 % des répondants estiment que l'IA responsable améliore le ROI et l'efficacité : la gouvernance n'est pas un frein, c'est un accélérateur. Plus largement, réussir à l'échelle suppose de combiner des catalyseurs — gouvernance, gestion des données, compétences — et des garde-fous : règles claires, responsabilité, transparence et supervision humaine.

Se conformer sans se figer : AI Act et RGPD à l'échelle

Le règlement européen sur l'IA (AI Act) adopte une approche par niveaux de risque. La catégorie « à haut risque » (high-risk) concerne directement les grands groupes : recrutement et gestion RH, scoring de crédit et accès aux services essentiels, identification biométrique, ou encore composants de sécurité d'infrastructures critiques. Pour ces systèmes, les obligations de l'Annexe III s'appliquent à partir du 2 décembre 2027 — un horizon proche à l'échelle d'un programme de transformation.

Les sanctions changent d'ordre de grandeur. Selon l'article 99 de l'AI Act, les amendes peuvent atteindre 35 M€ ou 7 % du chiffre d'affaires annuel mondial pour les pratiques interdites, et 15 M€ ou 3 % pour un manquement sur un système à haut risque — au-dessus du plafond de 4 % du RGPD. À cela s'ajoute la gestion du RGPD à grande échelle dans un groupe multinational : flux de données transfrontaliers, minimisation, bases légales.

Jusqu'à 35 M€ ou 7 % du chiffre d'affaires mondial : les amendes de l'AI Act dépassent le plafond de 4 % du RGPD. — AI Act, article 99

Données et systèmes hérités : le socle qui décide de tout

Aucune IA ne dépasse la qualité des données qu'elle exploite. Dans les grands groupes, les silos de données et les systèmes hérités (legacy) sont le premier obstacle concret. IBM (données 2023) identifie la complexité des données comme un frein majeur (25 %), juste derrière le manque de compétences. Deux architectures deviennent structurantes : le RAG (Retrieval-Augmented Generation), qui connecte un modèle génératif aux référentiels internes pour ancrer ses réponses dans les données de l'entreprise, et le MLOps, l'ensemble des pratiques d'industrialisation, de surveillance et de mise à jour des modèles en production.

C'est aussi une question d'infrastructure. Selon Eurostat / Digital Decade, l'objectif de l'UE pour 2030 est que 75 % des entreprises utilisent l'IA, le cloud ou le big data ; en 2025, 63 % avaient adopté au moins une de ces technologies avancées (IA 20 %, cloud 47 %, analytique de données 40 %). Le cloud et la donnée gouvernée sont les fondations sans lesquelles l'IA ne s'industrialise pas.

La sécurité à l'échelle : une surface d'attaque qui explose

Déployer l'IA partout, c'est aussi multiplier les points d'entrée. Le rapport ENISA Threat Landscape 2025 recense 4 875 incidents, dominés en volume par les attaques par déni de service (DDoS), le rançongiciel restant la menace la plus impactante, et un hameçonnage désormais dopé par l'IA. À cela s'ajoute le « shadow AI » : l'usage non encadré d'outils d'IA par les collaborateurs. La PwC alerte sur la diffusion des workflows d'IA agentique — des systèmes capables d'enchaîner des actions de façon autonome — plus rapide que la capacité des organisations à les gouverner.

Talent, conduite du changement et refonte des workflows

Si 70 % de la difficulté est humaine, c'est là qu'il faut investir. IBM (données 2023) désigne le manque de compétences en IA comme premier frein à l'adoption (33 %). Le vrai levier n'est pas d'ajouter un copilote sur un processus inchangé, mais de repenser le processus : McKinsey montre que c'est la refonte des workflows qui distingue les entreprises captant réellement de la valeur. Cela suppose formation, redéfinition des rôles et une conduite du changement portée par le comité exécutif — pas déléguée à une équipe isolée.

Les cas d'usage qui créent de la valeur à l'échelle

Certains usages sont directement corroborés par les données ; d'autres sont prometteurs mais illustratifs. À distinguer honnêtement :

  • Service client et agents conversationnels d'entreprise : le marketing et la vente sont le premier domaine d'usage de l'IA (34,7 %) selon Eurostat, et la PwC confirme l'essor rapide des workflows agentiques.
  • Intelligence documentaire et contractuelle : le text mining est la première application des grandes entreprises (35 %), devant la génération de texte en langage naturel (32 %) (Eurostat).
  • Personnalisation marketing à grande échelle : domaine marketing/vente en tête (34,7 %, Eurostat).
  • Accélération de la R&D : le BCG place la R&D parmi les principaux gisements de valeur.
  • Copilotes de développement logiciel : gains de productivité largement observés (illustratif).
  • Recherche de connaissances interne / RAG d'entreprise : accès unifié au savoir du groupe (illustratif).
  • Prévision de la demande et supply chain : optimisation des stocks et de la logistique (illustratif).
  • Détection de fraude et gestion du risque : fort potentiel, mais attention — le scoring de crédit relève du haut risque au sens de l'AI Act (illustratif).

Feuille de route pour le C-suite

  • Prioriser par la valeur et le risque : sélectionner 2 à 3 cas d'usage à fort EBIT potentiel, en cartographiant d'emblée leur niveau de risque au sens de l'AI Act.
  • Intégrer la gouvernance dès le jour 1 : biais, traçabilité des données, explicabilité et supervision humaine — pas en fin de projet.
  • Bâtir le socle de données et le MLOps : sans données gouvernées ni industrialisation, aucun pilote ne passe en production.
  • Concevoir pour la conformité : anticiper l'échéance du 2 décembre 2027 pour les systèmes à haut risque et aligner RGPD et flux transfrontaliers.
  • Sécuriser la surface d'attaque : encadrer le shadow AI, surveiller les workflows agentiques, tester la robustesse.
  • Investir dans les personnes et refondre les workflows : c'est le facteur n°1 d'impact sur l'EBIT.
  • Mesurer : fixer des indicateurs financiers clairs avant le déploiement, pour distinguer les 4 % des 74 %.

La ligne de partage : 4 % contre 74 %

L'adoption de l'IA est désormais un acquis dans les grands groupes européens. Ce qui sépare les gagnants du reste n'est ni l'accès aux modèles, ni la volonté d'expérimenter — c'est la capacité à industrialiser sous gouvernance, à se conformer sans se figer, à sécuriser à l'échelle et à réorganiser le travail. Les 4 % qui captent une valeur significative et régulière (BCG) ne sont pas ceux qui ont mené le plus de pilotes, mais ceux qui les ont conçus pour être industrialisés. C'est une décision de gouvernance avant d'être un choix de technologie.