IA Agentique et Optimisation des Process Métiers : Pourquoi 94% des Entreprises n’en Tirent Aucun ROI

Sommaire

• Introduction : le paradoxe de 2026
• 88% utilisent l’IA, 56% des PDG ne voient rien venir
• La vraie découverte McKinsey : ce ne sont pas les mêmes entreprises qui gagnent
• Pourquoi 70% des entreprises sautent l’étape qui compte le plus
• De l’IA générative à l’IA agentique : le vrai changement de nature
• Pourquoi 70 à 95% des projets IA échouent — et ce n’est jamais la techno
• L’AI Act, le Digital Omnibus, et ce qui change réellement en 2026
• Le rôle du Product Owner dans un redesign de processus par l’IA
• Une méthode de cadrage process-first en cinq étapes
• Conclusion : le goulot d’étranglement n’est pas technique
• FAQ
• Regard d’expert
• Passons à l’action
• Références

Introduction : le paradoxe de 2026

88% des entreprises utilisent aujourd’hui l’intelligence artificielle dans au moins une fonction métier. Et pourtant, 56% des PDG interrogés par PwC lors du sommet de Davos 2026 déclarent que l’IA n’a généré, à ce jour, ni croissance de revenus ni réduction de coûts mesurable. Ces deux chiffres ne sont pas contradictoires — ils décrivent la même réalité sous deux angles différents, et cette réalité est le vrai sujet de cet article.

En quinze ans à cadrer des projets de transformation digitale, data et IA — du Product Ownership au pilotage de programmes multi-projets — j’ai vu ce paradoxe se répéter avec une régularité troublante : l’adoption d’un outil n’a jamais été le problème. Le problème a toujours été ce qu’on fait, ou ce qu’on ne fait pas, autour de l’outil.

2026 rend ce paradoxe particulièrement visible parce que l’IA agentique — des agents capables d’exécuter des séquences complètes de tâches métier, pas seulement de répondre à des questions — a changé l’échelle des dégâts possibles d’un mauvais cadrage. Un chatbot mal cadré produit une réponse médiocre. Un agent mal cadré exécute une action erronée, potentiellement en cascade, sur un processus métier réel.

Cet article n’a pas vocation à trancher le débat « pour ou contre l’IA en entreprise » — ce débat est largement dépassé par les faits, vu l’ampleur des investissements et des déploiements déjà en cours. L’objectif est plus étroit et plus utile : identifier précisément ce que font différemment les organisations qui captent une vraie valeur, pour qu’un Product Owner, un Business Analyst ou un dirigeant puisse reproduire ce schéma plutôt que de le découvrir par tâtonnement, projet après projet.

88% utilisent l’IA, 56% des PDG ne voient rien venir

Les chiffres macro de 2026 sont sans appel sur l’ampleur de l’adoption. L’investissement mondial dans l’IA a atteint 581,7 milliards de dollars en 2025, en hausse de 130% sur un an. Gartner prévoit une dépense mondiale en IA de 2,52 billions de dollars pour 2026, en hausse de 44% sur un an, avec une croissance de 80,8% spécifiquement sur les dépenses de modèles d’IA générative. Le marché des agents IA à lui seul est projeté à 11,5 milliards de dollars en 2026, contre 7,8 milliards en 2025.

Face à ces montants, le constat de PwC — 56% des dirigeants ne constatant aucun impact mesurable — devrait être un signal d’alarme collectif. Il ne l’est pas encore, en partie parce que la réponse de McKinsey à ce paradoxe est rassurante en apparence : une minorité d’entreprises, environ 6% des organisations selon leur segmentation State of AI 2025, capte un impact EBIT supérieur à 5% grâce à l’IA. Ce chiffre est à la fois encourageant — la valeur existe bel et bien — et sobre : elle reste rare.

Startups agentiques et grands modèles progressent en parallèle de ce paradoxe. Anthropic revendique plus de 15 000 clients Claude for Work et une valorisation qui a dépassé celle d’OpenAI en 2026. Des startups spécialisées comme Sierra, Decagon et Cresta cumulent 1,5 milliard de dollars d’ARR combiné, principalement dans le service client. La technologie n’est donc clairement pas le facteur limitant — les meilleurs outils du marché existent, sont accessibles, et sont déjà utilisés à grande échelle.

La vraie découverte McKinsey : ce ne sont pas les mêmes entreprises qui gagnent

La question qui compte n’est donc pas « pourquoi l’IA ne marche pas » — elle marche, pour certains. La vraie question est : qu’est-ce que ces 6% d’organisations à haute performance font différemment ?

La réponse de McKinsey, issue de son étude State of AI 2025 menée auprès de 1900 organisations et croisant 25 attributs prédictifs de l’impact financier de l’IA, est sans ambiguïté : ces entreprises ne font pas quelque chose de technologiquement différent. Elles font quelque chose d’organisationnellement différent. Elles redessinent leurs workflows autour de l’IA, au lieu d’ajouter l’IA à des processus existants sans les repenser.

Parmi les 25 attributs étudiés par McKinsey, le redesign de workflow arrive en tête de la corrélation avec l’impact financier. Et pourtant, une autre analyse s’appuyant sur les mêmes travaux souligne que 70% des entreprises sautent purement et simplement cette étape. Elles déploient l’IA sur des processus fragmentés et mal documentés, où des humains compensent depuis des années des dysfonctionnements que l’outil, lui, ne sait pas compenser — il les exécute fidèlement, erreurs comprises.

Les entreprises les plus performantes sont, selon McKinsey, près de trois fois plus susceptibles de redessiner fondamentalement leurs workflows dans leur démarche IA que les autres. Elles ont également plus souvent défini des processus clairs déterminant quand et comment la validation humaine doit intervenir sur les résultats produits par un modèle — et leurs dirigeants seniors affichent un engagement réel, pas seulement déclaratif, envers les initiatives IA.

Ce dernier point mérite d’être souligné, car il est souvent le plus négligé dans les diagnostics d’échec de projet. Un engagement de direction qui se limite à un budget approuvé et un communiqué de presse interne n’est pas le même engagement qu’une direction qui accepte de repenser un processus métier établi depuis des années, quitte à déplacer des responsabilités ou à remettre en cause des habitudes de travail profondément ancrées. C’est ce second niveau d’engagement, structurellement plus inconfortable, que McKinsey retrouve systématiquement chez les organisations à haute performance. Sur le terrain, ce niveau d’engagement se manifeste très concrètement par la volonté d’un sponsor exécutif de sacrifier une échéance de court terme pour un cadrage plus solide, plutôt que de céder à la pression du calendrier.

Pourquoi 70% des entreprises sautent l’étape qui compte le plus

48% des organisations citent la difficulté à localiser leurs propres données comme principal obstacle à leur stratégie IA, selon un rapport Deloitte 2026. Une analyse qui synthétise ces travaux formule le diagnostic sans détour : ce n’est pas un problème de données. C’est un problème de workflow. Quand un processus métier est structuré autour du jugement humain et d’ajustements informels, la donnée qui en résulte n’a pas de contexte exploitable — aucun système de récupération ne peut la retrouver, parce qu’elle n’est pas stockée avec les métadonnées qu’un système reconnaît.

Le résultat de ce saut d’étape est mesurable et sévère. 95% des pilotes d’IA générative en entreprise ne délivrent aucun impact mesurable sur le compte de résultat, selon les données compilées par MIT NANDA. 42% des entreprises ont abandonné la majorité de leurs initiatives IA en 2025. Ce ne sont pas des échecs isolés — ce sont des symptômes cohérents d’un même mode d’échec, répété à l’échelle du marché.

Un exemple concret cité dans la littérature récente illustre le mécanisme : imaginez un processus d’octroi de prêt chez un prêteur de taille moyenne. Si ce processus repose depuis des années sur l’intuition et le jugement d’analystes expérimentés plutôt que sur des règles documentées, brancher un agent IA dessus ne le rend pas plus rapide ni plus fiable — l’agent hérite de l’ambiguïté du processus, sans avoir l’intuition qui permettait auparavant de la compenser.

De l’IA générative à l’IA agentique : le vrai changement de nature

Il existe une différence structurelle entre l’IA générative, qui excelle à créer du contenu, formuler des prédictions ou répondre à des questions, et l’IA agentique, qui va plus loin : elle ne se contente pas de produire des insights, elle a la capacité d’agir sur eux. Les agents IA peuvent collaborer entre eux, prendre des décisions et déclencher des actions à travers différentes fonctions métier — l’IA passe de la suggestion à l’exécution.

Gartner prévoit que d’ici 2028, un tiers des applications logicielles d’entreprise intégreront de l’IA agentique, ce qui se traduira par 15% des décisions opérationnelles quotidiennes prises de manière autonome. Ce n’est pas une amélioration incrémentale des capacités existantes — c’est un changement structurel dans le fonctionnement des opérations d’entreprise.

Le marché confirme cette bascule avec des cas déjà en production, pas seulement des annonces. Le parc de plus de 30 agents IA de C.H. Robinson a traité plus de 3 millions de tâches d’expédition de fret en 2025, générant une hausse de productivité documentée de 30%. Walmart exploite des agents autonomes dans la gestion des stocks, la négociation avec les fournisseurs et la logistique — avec des résultats financiers vérifiables : une précision de gestion des stocks pilotée par l’IA a permis une croissance des ventes de 5% pour une hausse des stocks de seulement 2,6%.

Mais cette bascule vers l’exécution autonome change aussi la nature du risque. Une étude relève qu’une entreprise sur cinq seulement dispose d’un modèle mature de gouvernance de ses agents autonomes. Et Gartner projette que plus de 40% des projets d’IA agentique seront abandonnés d’ici fin 2027, en raison de coûts qui dérapent, d’une valeur métier floue et de contrôles de risque insuffisants — un phénomène que certains analystes désignent déjà sous le terme d’« agent washing », l’équivalent agentique du greenwashing.

Ce terme n’est pas anecdotique. Il décrit un mécanisme de marché précis : à mesure que « déployer des agents IA » devient un argument de positionnement compétitif pour les fournisseurs de solutions, la pression pour annoncer des déploiements agentiques dépasse largement la pression pour les cadrer correctement. Le résultat visible sur le marché est une multiplication de pilotes agentiques présentés comme des succès en interne, mais qui ne répondent à aucun des critères de mesure de valeur qu’un investisseur ou un comité de direction exigerait sur n’importe quel autre type de projet.

Pourquoi 70 à 95% des projets IA échouent — et ce n’est jamais la techno

Selon les études, entre 70 et 95% des projets IA en entreprise n’atteignent pas leurs objectifs. Le chiffre de 95%, issu d’un rapport du MIT relayé par Fortune, mesure spécifiquement les pilotes d’IA générative qui ne passent jamais à un déploiement à l’échelle avec un impact mesurable, sur un horizon de temps court. Les analyses consolidées de Gartner, McKinsey et BCG situent le taux d’échec dans une fourchette plus large, entre 70 et 85%, selon la définition retenue de l’échec.

Dans tous les cas, le diagnostic converge : l’échec est presque toujours lié au cadrage, aux données et à la méthode — jamais, ou presque jamais, à la technologie elle-même. Les causes récurrentes documentées sont un objectif flou dès le départ, des données de mauvaise qualité ou inexploitables, une absence d’intégration réelle dans les processus existants, un manque de compétences et d’adhésion des équipes, une gouvernance négligée, et surtout l’absence de mesure du retour sur investissement une fois le pilote lancé.

Le POC purgatory — ces projets qui restent indéfiniment bloqués en phase de preuve de concept — est devenu une norme documentée plutôt qu’une exception. Gartner a constaté l’abandon d’au moins 50% des projets d’IA générative après la phase de POC dès fin 2025 ; IDC évoque, sur un périmètre différent, jusqu’à 88% de projets qui restent bloqués sans jamais atteindre la production. 70% des organisations rencontrent des difficultés liées aux données — gouvernance, vitesse d’intégration, jeux d’entraînement insuffisants — selon les mêmes travaux McKinsey déjà cités. Ce chiffre de 70% n’est d’ailleurs pas sans rappeler la même proportion d’entreprises qui, plus tôt dans cet article, sautent l’étape du redesign de workflow — les deux statistiques décrivent vraisemblablement, au moins en partie, la même population d’organisations et le même déficit méthodologique.

Ce qui distingue les 5 à 30% de projets qui réussissent n’est, encore une fois, jamais un modèle plus puissant. C’est un ciblage précis d’un cas d’usage mesurable et borné, une préparation sérieuse des données avant tout déploiement, et une mesure continue de la valeur générée — pas seulement au lancement, mais tout au long du cycle de vie du projet.

Il vaut la peine de s’attarder sur un détail souvent glissé rapidement dans ces analyses : la mesure de la valeur n’est pas un exercice ponctuel qu’on réalise trois mois après le lancement pour justifier le budget déjà dépensé. Les organisations qui réussissent traitent cette mesure comme un flux continu, intégré au pilotage du projet dès le premier jour, avec des points de contrôle réguliers qui permettent d’ajuster — voire d’arrêter — un déploiement avant qu’il n’ait consommé des ressources disproportionnées par rapport à sa valeur réelle. C’est un réflexe de gestion de portefeuille de programmes classique, rarement appliqué avec la même rigueur aux projets IA qu’à n’importe quel autre investissement technologique.

L’AI Act, le Digital Omnibus, et ce qui change réellement en 2026

Sur le plan réglementaire, 2026 est une année charnière, mais moins brutale que ce que beaucoup d’entreprises anticipaient. Le règlement européen sur l’IA (UE 2024/1689) impose depuis février 2025 une obligation de formation à l’IA pour toute entreprise déployant un système concerné. Les obligations de transparence de l’article 50 s’appliquent depuis le 2 août 2026. Mais la mise en conformité des systèmes à haut risque de l’Annexe III, initialement attendue plus tôt, a été reportée au 2 décembre 2027 — un accord provisoire du 7 mai 2026, connu sous le nom de « paquet Digital Omnibus », a adapté le calendrier de plusieurs obligations pour laisser davantage de temps aux entreprises.

Ce report ne dispense pas les organisations de cadrer leurs déploiements dès maintenant. L’Article 14 de l’AI Act reste le principe central pour tout système à haut risque : il exige que les systèmes permettent à un humain de comprendre, surveiller et interrompre leurs actions. Un agent totalement autonome sur des décisions à fort impact — recrutement, scoring, décisions financières significatives — n’est pas conforme, indépendamment du calendrier de mise en application différée.

Un point technique mérite d’être noté pour tout Product Owner qui cadre un projet d’IA agentique : c’est l’action de l’agent, pas son niveau d’autonomie en soi, qui détermine le niveau de risque réglementaire. Un agent qui rédige des emails relève du risque limité. Un agent qui trie des candidatures ou prend des décisions de scoring relève du risque élevé au titre de l’Annexe III, quelle que soit la sophistication technique sous-jacente. Les agents multi-agents compliquent encore la conformité : quand plusieurs agents interagissent, la chaîne de responsabilité doit être clairement établie entre fournisseurs et déployeurs — un sujet que la documentation technique standard d’un projet IA couvre rarement de façon satisfaisante.

Ce cadre réglementaire n’est pas propre à l’Europe, même s’il en est aujourd’hui le plus abouti. Pour une organisation qui opère à l’international, la question du cadrage réglementaire se pose désormais dès la conception d’un agent, et non plus au moment de son déploiement dans une juridiction donnée — les coûts de mise en conformité rétroactive, une fois un agent déjà en production sur plusieurs marchés, dépassent largement ceux d’un cadrage anticipé dès la phase de spécification produit.

Le rôle du Product Owner dans un redesign de processus par l’IA

Face à ce paysage, le rôle d’un Product Owner ou d’un Business Analyst sur un projet d’IA agentique n’est structurellement pas celui d’un chef de projet technique qui pilote un déploiement d’outil. C’est celui d’un architecte de processus, qui doit répondre à une question que ni les équipes data ni les équipes IT ne peuvent trancher seules : quel processus mérite d’être repensé, et jusqu’où faut-il aller dans cette refonte avant d’y brancher un agent ?

C’est précisément le point que la donnée McKinsey rend visible : le redesign de workflow est le facteur le plus corrélé au succès financier d’un projet IA, mais c’est aussi le plus exigeant en termes de compétence — il suppose de comprendre le métier assez finement pour distinguer une étape de processus qui a du sens à automatiser d’une étape qui compense, de façon informelle, un défaut de conception plus profond.

Une méthode de cadrage process-first en cinq étapes

Sur mes missions de cadrage IA et data, cinq étapes structurent systématiquement le passage d’un pilote à un déploiement qui tient ses promesses :

1. Cartographier le processus avant de choisir l’outil. Documenter le processus tel qu’il fonctionne réellement — pas tel qu’il est censé fonctionner sur le papier — avant d’évaluer une seule solution technique. C’est l’inverse de la démarche la plus fréquemment observée sur le terrain, qui part de l’outil.
2. Choisir un cas d’usage borné, répétitif et mesurable. Un cas d’usage à fort volume, avec un résultat quantifiable, est la meilleure garantie de pouvoir prouver — ou infirmer — la valeur du projet rapidement, plutôt que de le découvrir dix-huit mois plus tard.
3. Préparer et qualifier les données avant le déploiement. Un agent ne vaut que par la qualité des informations qu’il manipule ; sauter cette étape est la cause d’échec la plus documentée dans l’ensemble des études citées plus haut.
4. Définir le périmètre et les garde-fous de l’agent. Ce que l’agent peut faire seul, ce qu’il doit systématiquement escalader vers un humain — en tenant compte, pour tout système à haut risque au sens de l’AI Act, de l’obligation de supervision humaine effective de l’Article 14.
5. Mesurer en continu, pas seulement au lancement. Le suivi de la valeur générée doit démarrer dès le premier jour de déploiement et se poursuivre dans la durée — les organisations qui suivent leurs synergies dès le premier jour affichent des taux de réussite nettement supérieurs à celles qui n’instaurent ce suivi que plus tard.

Cette méthode n’a rien d’un luxe méthodologique. Elle répond directement, point par point, aux causes d’échec documentées par McKinsey, Gartner et MIT NANDA : le redesign de workflow avant l’outil répond à la première cause d’échec identifiée ; le cas d’usage borné répond au POC purgatory ; la préparation des données répond au problème de gouvernance que 70% des organisations rencontrent ; les garde-fous répondent à la fois au risque opérationnel et à l’obligation réglementaire ; la mesure continue répond au fait que 56% des dirigeants ne voient toujours aucun impact, faute justement de l’avoir mesuré correctement. Aucune de ces cinq étapes ne dépend d’un choix technologique particulier — elles s’appliquent identiquement, qu’on déploie un agent construit sur Claude, GPT ou un modèle propriétaire.

Conclusion : le goulot d’étranglement n’est pas technique

Le paradoxe de 2026 — adoption massive, ROI rare — n’est pas près de se résorber tant que la majorité des entreprises continueront de traiter l’IA comme une couche à ajouter sur des processus existants plutôt que comme une occasion de les repenser. Les 6% d’organisations qui captent un impact EBIT significatif ne détiennent pas un modèle secret plus performant. Elles ont simplement fait le travail organisationnel que les 94% restants ont sauté.

Pour un Product Owner ou un Business Analyst, c’est une bonne nouvelle déguisée en contrainte : le goulot d’étranglement n’est pas la technologie, disponible, mature et de plus en plus accessible. C’est la capacité à cadrer un processus, à arbitrer ce qui doit changer avant d’y brancher un agent, et à mesurer honnêtement ce qui se passe ensuite — exactement le métier qu’aucun modèle, aussi puissant soit-il, ne remplace.

Cette lecture change aussi la façon dont un dirigeant devrait évaluer une candidature ou une proposition de mission sur un projet IA. La question la plus révélatrice n’est pas « quels outils maîtrisez-vous » — la réponse est presque toujours la même liste de noms de produits d’un candidat à l’autre. La question qui distingue vraiment un profil capable de rejoindre les 6% d’organisations à haute performance est : « racontez-moi un processus que vous avez dû repenser avant de pouvoir y brancher une IA, et ce que vous avez découvert en le faisant. » C’est cette expérience-là, rarement mise en avant dans les CV, qui prédit le mieux si un projet va livrer un ROI documenté ou rejoindre les statistiques d’abandon — bien davantage qu’une certification technique ou la connaissance d’un outil en particulier.

FAQ

Pourquoi la plupart des projets d’IA agentique échouent-ils malgré des outils de plus en plus performants ?
Parce que l’échec vient presque toujours du cadrage, des données et du processus — pas du modèle. Les entreprises qui obtiennent un vrai ROI redessinent leurs workflows autour de l’IA plutôt que de l’ajouter à des processus existants non revus.

Faut-il attendre 2027 pour se conformer à l’AI Act sur des projets d’IA agentique ?
Non. Seule la mise en conformité des systèmes à haut risque de l’Annexe III a été reportée à décembre 2027 ; les obligations de transparence et de supervision humaine effective s’appliquent dès maintenant pour tout système concerné.

Quelle est la différence concrète entre IA générative et IA agentique en termes de risque projet ?
L’IA générative produit des suggestions qu’un humain valide avant action ; l’IA agentique exécute directement des séquences de tâches métier, ce qui change l’échelle des conséquences d’un mauvais cadrage — une erreur peut se propager avant toute intervention humaine.

Combien de temps faut-il pour qu’un projet IA agentique démontre un ROI réel ?
Cela varie fortement selon le cas d’usage et la préparation en amont, mais les organisations qui suivent leur valeur générée dès le premier jour de déploiement affichent des taux de réussite nettement supérieurs à celles qui attendent plusieurs mois pour évaluer l’impact.

Regard d’expert

Ce qui me frappe le plus dans les données 2026, ce n’est pas le taux d’échec en lui-même — il est resté remarquablement stable d’une génération technologique à l’autre, du big data au cloud jusqu’à l’IA générative. C’est la cohérence du diagnostic : à chaque fois, l’obstacle qui limite la valeur n’est pas la sophistication de l’outil, mais la clarté du processus qu’on lui confie. Un agent IA branché sur un processus flou ne rend pas ce processus plus clair ; il exécute la confusion plus vite. Le travail du Product Owner, dans ce contexte, consiste précisément à faire ce tri en amont — et c’est un travail qui ne se sous-traite pas à l’outil lui-même, quelle que soit sa puissance annoncée.

Passons à l’action

Vous envisagez un projet d’IA agentique et voulez éviter de rejoindre les statistiques d’abandon plutôt que celles de ROI documenté ? Le cadrage process-first — cartographie, cas d’usage borné, garde-fous, mesure continue — fait toute la différence avant même de choisir un outil. Discutons de votre contexte data et IA.

Références

• PwC — Davos 2026 CEO Survey
• McKinsey — The State of AI in 2025: Agents, Innovation, and Transformation (1900 organisations, 25 attributs)
• McKinsey — AI-driven enterprise transformation for workflow automation
• Deloitte — 2026 report on data findability as an AI strategy obstacle
• MIT NANDA — State of AI in Business, données relayées par Fortune et analyses dérivées
• Gartner — AI spending forecast 2026; agentic AI application adoption by 2028
• Gartner — GenAI pilot abandonment rate post-POC
• IDC — POC purgatory data on blocked AI projects
• Deloitte Canada — La chaîne d’approvisionnement agentique (C.H. Robinson, Walmart cases)
• SAP — Agentic AI in Global Supply Chain
• Stema Partners — Agent IA en Entreprise: Cas d’Usage & ROI 2026, méthodologie Process First
• Ayi Nedjimi Consultants — AI Act et RGPD pour Agents IA 2026
• aiacto — Agents IA en entreprise: quelles obligations selon l’AI Act (Commission européenne, guidelines février 2026)
• iaCockpit — Agents IA en PME: que change l’AI Act du 2 août 2026 (accord Digital Omnibus, 7 mai 2026)
• KlapDoc — AI Act obligations entreprises: réguler l’IA agentique en 2026
• alexitauzin.com — Agents IA en entreprise 2026: adoption massive, ROI rare, le paradoxe de 2026