IA en entreprise : pourquoi les organisations qui limitent leurs cas d'usage en tirent davantage de valeur

L'adoption de l'intelligence artificielle générative a doublé en un an dans les PME françaises, et une majorité des grandes entreprises l'utilisent déjà au quotidien. Cette accélération s'accompagne pourtant d'une désillusion croissante sur le terrain : les cas d'usage se multiplient, les licences s'accumulent, mais la valeur produite reste difficile à démontrer. Une étude récente du Boston Consulting Group apporte un élément de réponse à contre-courant des pratiques observées : les entreprises qui en tirent le plus de valeur ne sont pas celles qui expérimentent le plus, mais celles qui savent arrêter.

EN RÉSUMÉ

Selon une enquête du Boston Consulting Group, les entreprises les plus performantes en intelligence artificielle concentrent en moyenne 3,5 cas d'usage contre 6,1 pour les autres organisations, et anticipent un retour sur investissement 2,1 fois supérieur. En France, cette discipline reste rare : l'adoption de l'IA générative a bondi de 31 % à 55 % en un an dans les PME selon Bpifrance Le Lab, et l'étude AI Pulse de KPMG relève que 37 % des entreprises françaises pourraient revoir leur stratégie d'investissement en raison de la hausse des coûts. Le problème n'est donc plus l'accès à la technologie, largement démocratisé, mais la capacité de gouvernance à choisir. Pour les directions générales et les directions data, la conséquence est directe : la question qui compte n'est plus combien de nouveaux cas d'usage lancer, mais lesquels arrêter pour concentrer les efforts sur ceux qui redessinent réellement un processus.

Plus d'IA, pas nécessairement plus de valeur

L'année 2025 aura marqué, pour beaucoup d'entreprises françaises, le passage d'une intelligence artificielle expérimentale à une intelligence artificielle installée. Selon l'enquête de Bpifrance Le Lab publiée en janvier 2026, 55 % des TPE et PME françaises déclarent désormais utiliser l'IA générative, contre 31 % un an plus tôt, un basculement que l'étude qualifie elle-même d'inédit dans le tissu économique français.[1] Le baromètre France Num, conduit par la Direction générale des Entreprises auprès de plus de 11 000 sociétés, confirme la tendance à une autre échelle : la part des PME déclarant utiliser au moins un outil d'IA a doublé en un an, passant de 13 % à 26 %, avec de fortes disparités sectorielles, 41 % dans les services informatiques, 9 % seulement dans l'agriculture.[2]

Cette diffusion rapide pourrait laisser penser que la question de la valeur se résout mécaniquement, par l'accumulation des usages. C'est précisément l'inverse que documentent plusieurs études conduites en parallèle. Le Boston Consulting Group observe, dans son analyse consacrée à l'écart entre potentiel et profit de l'intelligence artificielle, que la valeur la plus importante ne provient pas des entreprises qui déploient le plus d'outils, mais du groupe plus restreint qui va au-delà du simple déploiement pour redessiner ses processus autour de l'IA.[3] Le déploiement, autrement dit, ne suffit pas. Ce qui crée de la valeur, c'est la transformation du travail lui-même, et cette transformation ne peut s'opérer que sur un nombre limité de cas d'usage à la fois.

Ce que révèle la comparaison entre entreprises leaders et entreprises suiveuses

Le chiffre le plus significatif de l'étude du BCG tient dans une comparaison directe. Les entreprises identifiées comme les plus avancées dans leur usage de l'IA concentrent en moyenne 3,5 cas d'usage, contre 6,1 pour l'ensemble des autres organisations. Ces mêmes entreprises leaders anticipent un retour sur investissement 2,1 fois supérieur à celui de leurs pairs.[4] Le rapport entre les deux chiffres est contre-intuitif pour quiconque associe innovation à multiplication des initiatives : moins de cas d'usage, mais mieux exécutés, produisent davantage de valeur que davantage de cas d'usage traités superficiellement.

Cette discipline n'a rien d'évident à mettre en œuvre. Elle suppose de renoncer à des projets par ailleurs légitimes, portés par des équipes motivées, pour concentrer les ressources (temps de développement, données, accompagnement au changement) sur un nombre restreint d'usages à fort impact. Or la dynamique naturelle de diffusion de l'IA générative pousse dans la direction opposée. L'accès facilité aux outils, la pression à démontrer une activité visible autour de l'intelligence artificielle et l'absence fréquente d'un portefeuille de cas d'usage structuré favorisent au contraire la multiplication d'initiatives dispersées, chacune prometteuse prise isolément, mais dont l'accumulation dilue l'attention et les ressources disponibles.

Une gouvernance qui peine encore à clarifier les responsabilités

L'édition été 2026 de l'étude AI Pulse de KPMG, conduite auprès de plus de 2 145 dirigeants dans vingt pays, permet de mesurer où se situent les organisations françaises dans cette transition. Le constat est ambivalent. D'un côté, la France se distingue plutôt favorablement sur la clarté des responsabilités : 50 % des organisations françaises jugent assez claire la responsabilité liée à la qualité et à l'actualisation des données, contre 40 % au niveau mondial et 38 % dans la région Europe-Moyen-Orient-Afrique.[5] De l'autre, les entreprises françaises se montrent plus préoccupées par l'explicabilité des systèmes : 31 % considèrent la difficulté à comprendre le comportement des agents IA comme un frein majeur à leur déploiement, contre 21 % dans le monde et 25 % dans la région EMEA.

Le signal le plus directement lié à la question de la valeur reste cependant budgétaire. Selon la même étude, 37 % des entreprises françaises pourraient réévaluer leur stratégie d'investissement en IA en raison de la hausse des coûts d'exploitation.[6] Ce chiffre ne doit pas être lu comme un simple ajustement financier. Il traduit une réalité plus structurelle : lorsque les coûts d'infrastructure, de licences et d'accompagnement augmentent plus vite que la valeur mesurable produite, la question du nombre de cas d'usage traités en parallèle cesse d'être un choix d'organisation interne pour devenir un enjeu de soutenabilité budgétaire.

Pourquoi les organisations peinent à trancher

Le problème n'est pas propre à l'intelligence artificielle. Il touche plus largement la difficulté des organisations à arbitrer entre plusieurs initiatives concurrentes lorsque chacune dispose d'un promoteur interne convaincu de sa pertinence. L'IA générative amplifie néanmoins cette difficulté pour trois raisons spécifiques.

La première tient à la facilité d'accès. Contrairement à un projet informatique classique, qui suppose un budget dédié, un cahier des charges et un cycle de validation, un cas d'usage d'IA générative peut être initié par une équipe métier avec un abonnement individuel et quelques heures de prise en main. Cette accessibilité, qui explique en partie la rapidité de la diffusion mesurée par Bpifrance et France Num, rend également plus difficile la centralisation d'une vision d'ensemble : la direction générale découvre parfois l'ampleur réelle des usages après coup, plutôt que de l'avoir arbitrée en amont.

La deuxième raison tient à la nature du signal envoyé en interne. Annoncer plusieurs cas d'usage IA donne, à court terme, une image d'entreprise en mouvement. Concentrer ses efforts sur trois ou quatre cas d'usage, en renonçant explicitement à d'autres pistes, est un message plus difficile à porter politiquement, même lorsqu'il est le plus rationnel. Peu de comités de direction valorisent la décision d'arrêter un projet autant que celle d'en lancer un nouveau.

La troisième raison, la plus structurelle, tient à l'absence fréquente d'un portefeuille de cas d'usage formalisé. Sans inventaire centralisé, sans grille de priorisation croisant valeur, faisabilité et effort d'accompagnement, chaque cas d'usage est évalué isolément, au moment où il est proposé, plutôt que comparé aux autres initiatives déjà engagées. Cette absence de vue d'ensemble empêche mécaniquement l'arbitrage que documentent les entreprises les plus performantes selon le BCG.

Le déploiement ne redessine pas automatiquement le travail

Une nuance mérite d'être ajoutée à ce constat. D'après les mêmes travaux du Boston Consulting Group, la valeur la plus significative n'apparaît pas au moment où un outil est déployé, mais lorsque les workflows et les rôles sont effectivement reconfigurés autour de lui. Un cas d'usage peut être déployé sans jamais franchir cette étape : l'outil est disponible, quelques collaborateurs l'utilisent ponctuellement, mais le processus sous-jacent — la manière dont une tâche est réalisée, contrôlée et transmise — reste identique à ce qu'il était avant. Dans cette configuration, l'IA s'ajoute au travail existant plutôt que de le transformer, ce qui explique pourquoi l'adoption mesurée par les baromètres d'usage ne se traduit pas mécaniquement par un gain de productivité comparable.

Cette distinction entre déploiement et transformation réelle du processus rejoint les priorités identifiées par KPMG pour l'adaptation des effectifs français à l'IA : 47 % des entreprises interrogées indiquent repenser les workflows et les rôles humains pour intégrer l'IA au quotidien, 43 % recrutent de nouveaux profils spécialisés, 41 % renforcent la formation.[⁷] Repenser les workflows arrive en tête, ce qui confirme, du côté des entreprises elles-mêmes, l'intuition du BCG : le levier de valeur ne se situe pas dans l'accumulation d'outils, mais dans la capacité à réorganiser le travail autour d'un nombre limité d'entre eux.

Ce que cela change pour les directions data et IA

Pour une direction générale ou une direction data, la conséquence pratique de ces constats est double. D'abord, la question posée à chaque nouveau projet ne devrait plus être seulement « cet usage est-il pertinent », mais « que sommes-nous prêts à arrêter ou à ralentir pour lui donner une chance réelle de créer de la valeur ». Un portefeuille de cas d'usage géré comme un ensemble d'options concurrentes, et non comme une liste cumulative, permet de poser cette question de manière régulière plutôt qu'au moment, souvent trop tardif, d'un audit budgétaire.

Ensuite, la mesure du succès d'un cas d'usage ne peut plus se limiter à son taux d'adoption ou au nombre d'utilisateurs actifs. Ces indicateurs mesurent une diffusion, pas une transformation. Un cas d'usage qui redessine effectivement un processus — en supprimant une étape, en modifiant une répartition des responsabilités, en changeant la manière dont une décision est préparée — produit un signal plus fiable de création de valeur qu'un taux d'usage élevé sur une fonctionnalité qui n'a rien changé au travail sous-jacent. C'est cette distinction que les 37 % d'entreprises françaises prêtes à revoir leur stratégie d'investissement, selon KPMG, devront trancher avant de réduire leurs budgets IA de manière indifférenciée : le problème n'est pas nécessairement le niveau d'investissement, mais sa dispersion.

Une discipline qui reste à construire dans la plupart des organisations

Rien, dans les données disponibles, ne suggère que cette discipline de priorisation soit aujourd'hui répandue en France. L'accélération de l'adoption mesurée par Bpifrance et France Num porte sur l'usage, pas sur la structuration d'un portefeuille arbitré. La progression rapide des chiffres d'adoption pourrait même, paradoxalement, retarder la prise de conscience du problème : tant que l'usage progresse, l'absence de priorisation reste peu visible, jusqu'à ce que les coûts d'exploitation, eux, deviennent difficiles à justifier — ce qui semble déjà être le cas pour plus d'un tiers des entreprises françaises interrogées par KPMG.

Construire cette discipline suppose des mécanismes concrets : un inventaire centralisé des cas d'usage, actifs et envisagés ; une grille de priorisation croisant la valeur attendue, la faisabilité technique et l'effort de transformation du processus concerné ; un rythme régulier de révision du portefeuille, incluant la possibilité explicite d'arrêter un cas d'usage plutôt que de le laisser vivre par défaut ; et une clarification des responsabilités, condition que les entreprises françaises jugent aujourd'hui légèrement mieux maîtrisée que la moyenne mondiale, selon KPMG, mais qui reste un chantier ouvert pour la majorité d'entre elles.

Conclusion

L'écart entre l'adoption de l'IA générative, désormais massive en France, et la valeur qu'elle produit réellement ne se résorbera pas par davantage d'expérimentation. Il se résorbera par la capacité des organisations à choisir — et donc à renoncer. La question que devrait se poser une direction générale n'est plus de savoir combien de nouveaux cas d'usage lancer cette année, mais lesquels, parmi ceux déjà engagés, méritent d'être arrêtés pour que les autres aient une chance réelle de transformer un processus plutôt que de s'ajouter au travail existant. C'est un arbitrage plus inconfortable qu'un lancement. C'est aussi, selon les données disponibles, celui qui distingue les organisations qui créent de la valeur de celles qui accumulent des usages.

LE REGARD DE DIGITALIE

Chez digitalie, nous considérons que la gouvernance de l'intelligence artificielle se joue moins dans le choix des outils que dans la capacité à prioriser et à arrêter. Dans l'accompagnement de NAOS sur la structuration de sa Content Factory, une partie du travail a précisément consisté à clarifier ce que l'intelligence artificielle générative devait transformer dans l'organisation de la production de contenus, et ce qui devait rester un geste créatif protégé plutôt que de multiplier les expérimentations sans grille d'arbitrage. Un échange de 30 minutes peut permettre de faire un premier tri dans votre portefeuille de cas d'usage IA et d'identifier lesquels méritent réellement d'être approfondis.

Questions fréquentes

Comment prioriser les cas d'usage IA dans une entreprise ?

La priorisation repose sur une grille croisant trois critères : la valeur attendue pour l'entreprise, la faisabilité technique, et l'effort de transformation du processus concerné. Selon le Boston Consulting Group, les entreprises les plus performantes concentrent leurs efforts sur 3,5 cas d'usage en moyenne, contre 6,1 pour les autres, ce qui suppose de renoncer explicitement à certaines initiatives.

Combien de cas d'usage IA une entreprise devrait-elle traiter en parallèle ?

Il n'existe pas de chiffre universel, mais les données du BCG montrent que les organisations les plus performantes limitent leurs cas d'usage actifs à un nombre restreint, autour de trois à quatre, plutôt que de multiplier les expérimentations. Ce resserrement leur permettrait un retour sur investissement 2,1 fois supérieur à celui des entreprises qui dispersent leurs efforts.

Pourquoi un projet d'IA générative ne produit-il pas toujours un retour sur investissement mesurable ?

Le déploiement d'un outil ne suffit pas à créer de la valeur s'il ne s'accompagne pas d'une reconfiguration réelle du processus concerné. Lorsque l'IA s'ajoute au travail existant sans modifier les étapes, les responsabilités ou les décisions associées, l'usage progresse sans que la performance du processus n'évolue significativement.

Quelle est la différence entre adoption de l'IA et création de valeur par l'IA ?

L'adoption mesure la diffusion d'un outil, par exemple le nombre d'utilisateurs actifs ou le taux d'usage. La création de valeur mesure la transformation effective d'un processus : une étape supprimée, une décision mieux préparée, une répartition des responsabilités clarifiée. Un taux d'adoption élevé n'implique pas nécessairement cette transformation.

Pourquoi les entreprises françaises pourraient-elles réduire leurs investissements en IA en 2026 ?

Selon l'étude AI Pulse de KPMG, 37 % des entreprises françaises pourraient réévaluer leur stratégie d'investissement en IA en raison de la hausse des coûts d'exploitation. Ce signal traduit surtout une difficulté à démontrer un retour sur investissement proportionné au nombre de cas d'usage engagés, plus qu'un désengagement de principe vis-à-vis de la technologie.

Quels indicateurs suivre pour mesurer la valeur réelle d'un cas d'usage IA ?

Au-delà du taux d'adoption, il convient de suivre des indicateurs de transformation du processus concerné : réduction du temps de traitement d'une étape, modification mesurable de la qualité ou de la fiabilité d'une décision, évolution du temps consacré par les équipes aux tâches à faible valeur ajoutée. Ces indicateurs renseignent davantage sur la création de valeur qu'un simple comptage d'utilisateurs.

Sources

1. Bpifrance Le Lab, « Les entreprises françaises et l'IA : l'aube d'une révolution », enquête publiée en janvier 2026. https://lelab.bpifrance.fr/les-entreprises-francaises-et-l-ia-l-aube-d-une-revolution/
2. France Num, Direction générale des Entreprises, Baromètre France Num 2025 sur la transformation numérique des TPE-PME, septembre 2025. https://www.francenum.gouv.fr/guides-et-conseils/strategie-numerique/comprendre-le-numerique/barometre-france-num-2025-le
3. Boston Consulting Group, « From Potential to Profit: Closing the AI Impact Gap ». https://www.bcg.com/publications/2025/closing-the-ai-impact-gap
4. Boston Consulting Group, « From Potential to Profit: Closing the AI Impact Gap » (comparaison entreprises leaders/suiveuses sur le nombre de cas d'usage et le ROI anticipé). https://www.bcg.com/publications/2025/closing-the-ai-impact-gap
5. 6. 7. KPMG France, « AI Pulse édition été 2026 : l'IA en France face au défi de la valeur », 23 juillet 2026. https://kpmg.com/fr/fr/insights/ai-value/etude-adoption-ia-ete-2026.html