Près de la moitié des entreprises déclarent désormais tirer une valeur mesurable de l'intelligence artificielle, selon l'Applied AI Index 2026 du Boston Consulting Group, réalisé auprès de 1 330 dirigeants issus de plus de vingt secteurs.
Seuls 7,5 % des entreprises interrogées appartiennent toutefois à la catégorie des organisations les plus avancées, que le BCG qualifie de future-built, tandis que 41 % sont en phase de passage à l'échelle, avec un potentiel de valeur encore inexploité.
Les entreprises fortes à la fois sur la clarté stratégique et sur l'application de l'IA dans leurs processus déclarent en moyenne cinq fois plus de valeur issue de l'IA. Certes, ce constat ne démontre pas une relation de causalité ; il indique néanmoins que
les capacités technologiques ne se convertissent pas automatiquement en performance.
Pour un comité de direction, la question utile porte sur le chemin qui mène d'une capacité technique à un résultat financier. L'exemple de la prévision de la demande permet de le parcourir étape par étape.
Une meilleure prévision ne réduit pas, à elle seule, le besoin en fonds de roulement
La prévision de la demande figure parmi les applications les plus citées de l'IA dans l'industrie et la distribution.
Anticiper plus précisément les volumes futurs peut améliorer la disponibilité des produits, réduire les stocks excédentaires et limiter les coûts liés aux ruptures et aux réapprovisionnements urgents. Les méthodes prédictives actuelles rendent cette perspective crédible dans de nombreux environnements, à condition de disposer de données adaptées.
Une prévision plus précise constitue d'abord une information, qui ne modifie le besoin en fonds de roulement que si elle conduit à des décisions différentes en matière d'approvisionnement, de production ou de gestion des stocks. L'entreprise doit pouvoir ajuster ses quantités commandées, ses fréquences de réapprovisionnement ou ses stocks de sécurité, dans le respect de ses contraintes de capacité, des délais fournisseurs et de ses engagements de service.
Plusieurs obstacles peuvent s'interposer : des paramètres d'approvisionnement qui restent inchangés, des quantités minimales contractuelles élevées, des délais fournisseurs longs, ou des équipes d'achat et de planification qui n'ont ni la responsabilité ni les moyens de modifier ces paramètres.
Dans chacun de ces cas, la prévision gagne en précision sans que les stocks diminuent, et le modèle, pourtant performant sur le plan statistique, ne produit aucun effet financier.
De la réduction de stock au compte de résultat
Admettons que la prévision améliorée se traduise effectivement par des décisions différentes. L'effet financier reste à qualifier, car une réduction de stock agit d'abord sur le bilan.
Prenons, à titre d'illustration, une entreprise dont le stock s'élève à 20 millions d'euros. L'amélioration de la prévision lui permet de le réduire durablement de 10 %, soit 2 millions d'euros de cash libérés. Cet effet est réel, mais il est ponctuel : il se produit une fois, au moment où le stock diminue, et il améliore le besoin en fonds de roulement sans modifier directement le résultat.
Le compte de résultat ne bénéficie que des coûts de détention évités sur ces 2 millions d'euros : coût de financement, stockage, manutention, assurance et obsolescence. Avec un taux de détention annuel de 15 %, hypothèse retenue pour cet exemple, l'économie récurrente atteint 0,3 million d'euros par an. Si la solution coûte 0,25 million d'euros par an en intégration, exploitation, supervision et maintenance, l'effet net sur le résultat se limite à 0,05 million d'euros.
Ces ordres de grandeur modifient la nature de la discussion. Les 2 millions d'euros de cash peuvent justifier l'investissement, notamment pour une entreprise soumise à une contrainte de liquidité ou à des covenants bancaires, mais le projet ne constitue alors pas un gain de marge et ne doit pas figurer comme tel dans un business plan. Un projet présenté comme générant 2 millions d'euros d'économies s'expose en revanche à une désillusion dès la première revue de performance.
Deux effets complémentaires doivent encore être intégrés : les ventes perdues évitées grâce à une meilleure disponibilité, qui jouent en faveur du projet, et le risque de dégradation du niveau de service si la réduction des stocks est trop agressive, qui joue contre lui.
Ce que cet exemple révèle des autres projets IA
Le même raisonnement s'applique à de nombreuses initiatives. Un modèle de risque client ne crée de valeur que par les actions de prévention ou de recouvrement qu'il déclenche, par leur efficacité et par leur coût. De même, un outil d'aide au pricing génère de la marge si les clients acceptent les prix recommandés et si les volumes conservés compensent l'effet prix.
Dans le cas d'une automatisation qui réduit de 40 % le temps d'une opération représentant 20 % du temps total d'un processus, le processus complet gagne 8 %, et ce gain ne devient une économie que si les équipes peuvent réaffecter ou supprimer la capacité libérée.
Dans chaque cas, l'évaluation relie quatre éléments : la situation initiale, la décision améliorée, l'action engagée et son effet économique, déduction faite des coûts et des risques. Elle suppose de constituer une situation de référence avant l'intervention, de mesurer les effets obtenus, de retenir les coûts complets (technologies, données, intégration, transformation des processus, formation, supervision et maintenance) et de comparer l'IA à des solutions alternatives, qui apportent parfois une amélioration comparable à moindre coût.
Les conditions de la conversion
Les ressources financières, technologiques et managériales d'une entreprise sont limitées, et chaque initiative IA les met en concurrence avec les autres projets d'investissement et avec l'exécution des activités existantes. L'accumulation de pilotes devient contre-productive lorsqu'elle fragmente les équipes, multiplie les coûts d'intégration et retarde la transformation des processus qui pèsent le plus.
Les observations du BCG vont dans ce sens.
Les entreprises future-built concentrent leur effort dans un programme cohérent qui cible leurs principales priorités, et 61 % d'entre elles sont passées de pilotes isolés à un programme pluriannuel à l'échelle de l'entreprise. Le BCG recommande par ailleurs de consacrer environ 70 % de l'effort de transformation aux personnes, aux processus et à l'organisation, contre 20 % pour la technologie et les données et 10 % pour les algorithmes. Les enseignements du programme AI Strategy and Leadership du MIT convergent avec ce constat, en insistant sur l'interdépendance entre stratégie, données, technologie, organisation et leadership.
La sélection suppose de distinguer les problèmes qui justifient une IA de ceux qu'une meilleure qualité de données, un reporting plus fiable, une simplification de processus ou une automatisation à base de règles résoudraient à moindre coût. Chaque opportunité s'évalue selon sa contribution économique potentielle, la disponibilité des données, la faisabilité opérationnelle, les coûts d'exécution et les risques associés. Une initiative prometteuse peut être différée lorsque les conditions de déploiement ne sont pas réunies, tandis qu'un projet plus modeste mérite d'être engagé rapidement lorsque sa valeur est identifiable, ses données disponibles et son intégration maîtrisée.
L'expérimentation reste utile pour comprendre les possibilités et les limites des technologies, à condition de lui assigner une fonction précise : vérifier des hypothèses, réduire des incertitudes et préparer des décisions d'investissement. Une stratégie IA se distingue ainsi d'un portefeuille d'expérimentations par des priorités explicites et par la capacité de la direction à renoncer à certaines initiatives.
Une responsabilité du management
Le pilotage des investissements IA relève de la stratégie, de l'allocation du capital, de l'organisation du travail et de la gestion des risques, au-delà des seules fonctions technologiques. Les équipes métiers identifient les décisions à améliorer et assument les résultats opérationnels ; les équipes technologiques garantissent la fiabilité et l'intégration ; la direction financière établit les hypothèses économiques, consolide les coûts et distingue les bénéfices potentiels des résultats effectivement capturés, comme l'exemple du stock l'illustre ; la direction générale assure la cohérence des priorités et tranche les arbitrages entre fonctions.
Cette répartition ne suffit pas si les initiatives ne sont évaluées qu'à leur lancement. Une transformation crée rarement toute sa valeur dès le déploiement, car les effets dépendent de l'adoption, de l'évolution des processus et des ajustements faits à partir des résultats observés. Une initiative dont les bénéfices ne se matérialisent pas doit pouvoir être corrigée, recentrée ou arrêtée, tandis qu'une solution dont la contribution est démontrée peut justifier un investissement supplémentaire.
L'IA agentique renforce cette exigence. Selon le BCG, 42 % des entreprises prévoient de confier à des agents un véritable pouvoir de décision d'ici 2030, alors que la gouvernance progresse moins vite que le déploiement. Lorsque les systèmes interviennent directement dans les processus, les limites de délégation et les mécanismes de contrôle conditionnent le potentiel économique de la solution autant que sa performance technique, et la gouvernance contribue alors à préserver la valeur créée.
À mesure que l'accès aux outils se généralise, les écarts de performance entre entreprises pourraient se construire sur la qualité des décisions d'investissement : choisir les bons cas d'usage, adapter les processus, mesurer les résultats par rapport à une situation de référence.
Une entreprise peut disposer d'une stratégie IA ambitieuse sans posséder encore une stratégie crédible de capture de valeur, et la différence mérite l'attention explicite des directions générales, des directions financières et des conseils d'administration, puisque la réussite d'une transformation par l'IA se jugera à sa contribution vérifiable au cash, à la marge et à la croissance, nette des coûts et des risques engagés.
