Investissements en IA : pourquoi l’écart de valeur se creuse entre entreprises

L’intelligence artificielle est devenue une priorité d’investissement pour un grand nombre d’entreprises. Mais investir dans des outils, lancer des pilotes ou multiplier les assistants ne garantit pas un retour concret. Une étude du Boston Consulting Group, publiée en 2025, décrit un fossé de plus en plus marqué entre une minorité d’organisations capables de transformer l’IA en résultats mesurables et une majorité qui peine encore à dépasser le stade des gains marginaux.

Ce constat est important, car il déplace la question. Le sujet n’est plus seulement de savoir quelles entreprises utilisent l’IA. Il est de comprendre lesquelles ont repensé leur fonctionnement pour en tirer une valeur à grande échelle, et lesquelles accumulent des initiatives sans effet matériel visible sur leur activité.

Un fossé de valeur, pas seulement d’adoption

Selon BCG, 5 % des entreprises réussissent aujourd’hui à dégager une valeur significative de leurs investissements en IA, à grande échelle. Le cabinet les qualifie d’entreprises « future-built », c’est-à-dire construites pour tirer durablement parti de ces technologies.

À l’autre extrémité, 60 % des entreprises restent en situation de stagnation : leurs investissements ne se traduisent par aucune valeur matérielle. Entre ces deux groupes, 35 % des organisations tentent d’avancer, mais reconnaissent ne pas progresser assez vite.

Cette répartition ne signifie pas que les 60 % d’entreprises concernées n’utilisent aucune technologie d’IA. Elle montre plutôt que l’usage ne se transforme pas, ou pas encore, en bénéfices suffisamment tangibles à l’échelle de l’organisation. Une démonstration convaincante, un chatbot interne ou une automatisation ponctuelle peuvent avoir leur utilité, sans pour autant modifier les coûts, les revenus ou la manière de travailler de l’entreprise.

Les leaders ne se contentent pas d’automatiser l’existant

Les entreprises les plus performantes ne se limitent pas à ajouter une couche d’IA à des processus inchangés. Elles réinventent plus profondément leurs opérations commerciales, leur organisation et, dans certains cas, leur modèle économique. L’enjeu est de redéfinir la façon dont le travail est effectué, distribué et piloté, plutôt que de reproduire à l’identique des méthodes existantes avec un outil plus rapide.

BCG associe cette approche à des écarts de performance particulièrement nets. Par rapport à leurs homologues moins avancées, les entreprises « future-built » affichent une croissance des revenus 1,7 fois supérieure et des marges EBIT 1,6 fois plus élevées. L’EBIT désigne le résultat avant intérêts et impôts, un indicateur fréquemment utilisé pour apprécier la rentabilité opérationnelle d’une entreprise.

Il faut lire ces chiffres avec précision. Ils décrivent les caractéristiques des entreprises les plus avancées dans l’étude, et non la promesse automatique qu’un logiciel d’IA produira à lui seul une hausse de revenus ou de marge. La différence tient à la capacité à associer la technologie à des décisions de gestion, à des processus repensés et à des objectifs économiques explicites.

Les organisations les plus en pointe ont aussi l’intention de prolonger leur avance. Elles prévoient une hausse de 26 % de leurs dépenses informatiques et comptent consacrer 64 % de leur budget IT à l’IA en 2025. Elles anticipent des hausses de revenus deux fois plus importantes et des réductions de coûts 1,4 fois plus élevées grâce à leurs applications d’IA.

Pourquoi le leadership change la trajectoire des projets IA

Pour BCG, l’un des facteurs les plus déterminants est l’engagement de la direction. Dans les entreprises les plus avancées, presque tous les dirigeants de niveau C-level, autrement dit les responsables exécutifs, utilisent activement les technologies d’IA. Cette implication ne relève pas seulement de la communication interne : elle influe sur la façon dont les priorités sont définies, financées et suivies.

Ces dirigeants sont 1,5 fois plus susceptibles d’adopter un modèle de responsabilité partagé entre les équipes métier et les équipes informatiques. Cette répartition est décisive. Les équipes métier connaissent les tâches, les clients, les contraintes et les indicateurs de performance. Les équipes IT apportent l’infrastructure, la sécurité, l’intégration aux systèmes existants et la gouvernance des données. Si l’un des deux côtés agit seul, les projets risquent de rester éloignés des besoins réels ou de ne jamais atteindre l’échelle nécessaire.

À l’inverse, les entreprises en retard confient souvent la stratégie IA à des niveaux intermédiaires de management. Le risque est alors de voir apparaître de nombreuses initiatives déconnectées les unes des autres. Chacune peut répondre à un besoin local, mais l’ensemble ne forme pas une transformation cohérente.

BCG décrit ce phénomène comme un « cycle vicieux ». Faute de cap clair et de responsabilité portée au plus haut niveau, les ressources sont dispersées. L’entreprise peine à obtenir des résultats suffisamment visibles pour prioriser les bons projets, ce qui rend ensuite plus difficile encore l’accélération de la stratégie.

Les personnes et les processus comptent davantage que l’algorithme

Le résultat le plus instructif de l’étude est peut-être le suivant : les principaux obstacles à la création de valeur ne sont pas d’abord techniques. Ils sont organisationnels. Ils concernent les personnes, les processus de travail, la coordination entre services et la capacité de l’entreprise à faire évoluer ses pratiques.

BCG recommande de répartir l’effort d’une transformation IA selon une règle simple : 70 % pour les personnes et les processus, 20 % pour la technologie et 10 % pour les algorithmes. La formule rappelle qu’un modèle performant ne suffit pas si les équipes ne savent pas quand l’utiliser, comment vérifier ses résultats ou comment l’intégrer dans leur activité quotidienne.

La formation joue donc un rôle central. Les entreprises « future-built » prévoient de former et d’accompagner plus de 50 % de leurs collaborateurs afin qu’ils puissent travailler avec l’IA. Il ne s’agit pas uniquement d’apprendre à rédiger une instruction pour un assistant conversationnel. L’enjeu est aussi de redéfinir les rôles, de savoir quelles étapes peuvent être assistées, de conserver une validation humaine lorsque nécessaire et d’installer une relation de confiance avec les nouveaux outils.

Une adoption réussie implique notamment de répondre à des questions concrètes : quelles tâches doivent être automatisées ou augmentées ? Qui est responsable de la qualité des résultats ? Comment les équipes remontent-elles les erreurs et les limites rencontrées ? Quels indicateurs permettent de vérifier que le nouveau processus fait réellement mieux que l’ancien ?

Des données communes et une plateforme intégrée pour passer à l’échelle

L’organisation des données est un autre facteur majeur de différenciation. Une IA ne peut produire des résultats fiables à grande échelle que si elle accède à des informations pertinentes, cohérentes, autorisées et suffisamment bien gouvernées. Or, dans de nombreuses entreprises, les données sont réparties entre des logiciels, des filiales ou des équipes qui utilisent leurs propres définitions et leurs propres règles.

Les organisations les plus avancées évitent cette dispersion. Elles s’appuient sur une plateforme d’IA intégrée, une démarche trois fois plus fréquente que chez les entreprises en stagnation. Elles mettent également en place des modèles de données communs, qui facilitent l’accès à des informations fiables et réglementées dans l’ensemble de l’entreprise.

Plus de la moitié des entreprises les plus performantes utilisent un modèle de données central, contre seulement 4 % des entreprises en retard. Ce chiffre éclaire un problème souvent sous-estimé : sans base partagée, les projets IA se construisent sur des données incomplètes, contradictoires ou difficiles à réutiliser. Chaque nouveau cas d’usage devient alors un chantier séparé, plus long à déployer et plus difficile à sécuriser.

Centraliser ne signifie pas nécessairement concentrer toutes les décisions dans une seule équipe. Il s’agit plutôt d’établir un langage de données commun et des règles permettant aux métiers d’utiliser l’information de façon cohérente. C’est cette fondation qui rend possible le passage d’une expérimentation locale à un usage déployé dans plusieurs fonctions de l’entreprise.

L’IA agentique devient un levier de transformation des flux de travail

L’étude souligne également la montée de l’IA agentique. Cette expression désigne des systèmes capables de combiner des capacités prédictives et génératives afin d’accomplir des tâches complexes avec peu d’intervention humaine. Là où un assistant classique répond principalement à une demande, un agent peut enchaîner plusieurs étapes dans un flux de travail : recueillir des informations, les traiter, produire une réponse ou préparer une action.

Selon BCG, l’IA agentique représente déjà 17 % de la valeur totale de l’IA en 2025. Cette part pourrait presque doubler d’ici 2028. Son potentiel vient de sa capacité à toucher non plus seulement une tâche isolée, mais l’enchaînement complet d’activités qui constitue un processus métier.

Cette promesse appelle néanmoins une préparation organisationnelle encore plus rigoureuse. Plus un système intervient à plusieurs étapes d’un processus, plus les responsabilités, les règles d’accès aux données et les contrôles doivent être clairs. Les entreprises qui veulent en tirer une valeur durable doivent donc éviter de considérer les agents comme de simples démonstrations technologiques. Leur intérêt dépend de leur intégration dans des flux de travail réels et mesurables.

Comment éviter la dispersion des investissements en IA ?

Les enseignements de BCG dessinent une feuille de route moins spectaculaire que l’achat d’un nouvel outil, mais plus déterminante. La première étape consiste à définir une vision compréhensible : quels problèmes l’IA doit-elle résoudre, dans quelles fonctions, et avec quels résultats attendus ? Sans cette hiérarchisation, les expérimentations se multiplient sans déboucher sur des déploiements à grande échelle.

Les entreprises doivent ensuite relier chaque initiative à des indicateurs concrets. L’augmentation des revenus, la réduction des coûts et l’amélioration des processus sont des critères évoqués pour mesurer l’impact réel des investissements. Ces indicateurs doivent être identifiés avant le lancement du projet, puis suivis dans la durée. Sinon, il devient difficile de distinguer un usage apprécié des salariés d’une transformation créatrice de valeur.

Enfin, la gouvernance ne peut être entièrement déléguée à la direction informatique, ni à une seule direction métier. La responsabilité partagée, l’implication des dirigeants et le dialogue avec les équipes appelées à utiliser les outils sont des conditions nécessaires pour éviter l’écart entre la stratégie affichée et les pratiques quotidiennes.

Ce qu’il faut surveiller

L’écart décrit par BCG pourrait s’accentuer à mesure que les entreprises les plus avancées réinvestissent les gains déjà obtenus. Avec des budgets IT davantage orientés vers l’IA, une infrastructure de données plus cohérente et des équipes mieux formées, elles disposent de leviers pour déployer plus vite de nouveaux usages.

Pour les organisations qui stagnent, le risque n’est pas seulement de manquer une innovation. Il est de voir s’installer une différence durable de productivité, de rentabilité et de capacité à transformer les processus. L’urgence n’est donc pas de lancer le plus grand nombre de projets possibles. Elle est de choisir les cas d’usage qui comptent, de les inscrire dans une stratégie portée par la direction, puis de donner aux équipes, aux données et aux processus les moyens de suivre.

En 2025, la leçon principale est claire : la valeur de l’IA ne se joue pas uniquement dans les modèles et les algorithmes. Elle se construit dans la manière dont une entreprise organise son travail, forme ses collaborateurs et transforme ses décisions en déploiements concrets.