Comment l'IA améliore réellement la productivité en entreprise
Les gains existent, ils sont documentés, et ils échappent à la quasi-totalité des organisations qui investissent. L'écart ne se joue pas sur le choix du modèle. Il se joue sur ce qui est décidé avant d'ouvrir le premier outil.
Un rapport publié à l'été 2025 par l'initiative NANDA du MIT a produit l'un des chiffres les plus commentés de l'année : entre 30 et 40 milliards de dollars investis dans l'IA générative par les entreprises, et 95 % des pilotes sans impact mesurable sur le compte de résultat. L'étude croise des entretiens de dirigeants, un sondage de responsables et l'analyse de trois cents déploiements publics.
Ce 95 % ne mesure pas l'inutilité de la technologie. Il mesure l'incapacité d'un pilote isolé à franchir le stade où il déplace une ligne du compte de résultat. La nuance déplace le débat, de « faut-il faire de l'IA » vers « comment on la met en production ».
La cause n'est pas technologique
Les auteurs pointent un déficit d'apprentissage organisationnel : des outils qui ne retiennent rien du contexte métier, des processus laissés intacts, et un biais d'investissement vers les cas d'usage visibles au détriment des fonctions support, pourtant plus rentables. Le Boston Consulting Group formule la même chose sous forme de règle budgétaire : 10 % de l'effort pour les algorithmes, 20 % pour la technologie et les données, 70 % pour les personnes et les processus. La plupart des organisations appliquent la répartition inverse, puis s'étonnent du résultat.
Ce qu'un cas réel apprend d'une décision d'outillage
J'ai piloté en 2026 la consultation d'un réseau de distribution de produits frais et locaux, Otera, quinze magasins, engagé dans la structuration d'un campus de formation interne. La question qui m'était posée ressemblait à un choix de logiciel. Elle n'en était pas un.
La direction avait devant elle un marché saturé, des démonstrations conçues pour séduire, et des promesses écrites invérifiables. Le dispositif a consisté à rendre la décision comparable avant de rencontrer qui que ce soit.
| Étape | Ce qui a été fait | Résultat mesurable |
|---|---|---|
| Sourcing | Recensement large du marché, sans présélection affective | 14 fournisseurs identifiés |
| Cadrage du besoin | Document d'exigences écrit avant tout contact commercial | 8 fournisseurs consultés sur une base strictement identique |
| Grille de décision | 10 critères pondérés, arrêtés par la direction avant les rendez-vous | 2 finalistes, écart de prix de 29 % entre eux |
| Test de robustesse | Le classement rejoué sur 3 scénarios de pondération différents | Vérification que la décision ne tenait pas à un seul curseur |
| Soutenances cadrées | Même scénario imposé, mêmes questions, mêmes preuves exigées | Inversion du classement : +6 points pour l'un, −9 pour l'autre |
Cette inversion est le cœur du sujet. Le fournisseur qui arrivait en tête sur ses réponses écrites a perdu neuf points dès qu'il a fallu démontrer plutôt que promettre. Sans grille posée à l'avance et sans cadre de soutenance identique, personne ne l'aurait vu. La décision se serait prise sur la qualité du commercial.
Pourquoi ce cas vaut pour vos décisions d'IA
Remplacez « plateforme de formation » par « solution d'intelligence artificielle » : pas une ligne du raisonnement ne change. Marché opaque, promesses non vérifiables, asymétrie d'information massive entre l'acheteur et le vendeur, engagement pluriannuel. Le risque n'est pas de choisir le mauvais outil, il est de laisser la décision se prendre ailleurs que chez vous.
Les cinq conditions du gain réel
- Une ligne de résultat nommée avant le pilote. Pas « améliorer la productivité », mais « réduire de X le délai de traitement de tel dossier ». Sans cible chiffrée préalable, aucun pilote ne peut prouver quoi que ce soit.
- Une mesure de référence prise avant le déploiement. C'est l'étape la plus souvent sautée et la plus coûteuse à sauter. Sans point de départ, le gain devient une conviction.
- Le processus redessiné, pas simplement outillé. Poser un assistant sur un processus inchangé produit de la satisfaction d'usage et zéro impact financier. Le travail réel commence quand une étape disparaît de l'organigramme du flux.
- Le shadow AI ramené dans le cadre. Vos équipes utilisent déjà ces outils sur des comptes personnels que personne ne supervise. Un cadre explicite vaut mieux qu'une interdiction contournée : usages autorisés, données interdites, obligation de relecture.
- Une décision documentée et défendable. Les critères, les pondérations, les preuves exigées et les arbitrages écrits. C'est ce qui vous permettra d'expliquer votre choix dans dix-huit mois, y compris devant un conseil.
Où les gains sont réellement documentés
L'étude publiée dans The Quarterly Journal of Economics en 2025 par Erik Brynjolfsson, Danielle Li et Lindsey Raymond reste la référence sur un déploiement à grande échelle : plus de cinq mille agents de relation client, un assistant conversationnel introduit progressivement, et un gain de 14 % de problèmes résolus par heure. La répartition est plus instructive que la moyenne. Les agents les moins expérimentés progressent de 34 %, les plus expérimentés très peu, avec même de légères baisses de qualité. Le mécanisme identifié est la diffusion des pratiques des meilleurs vers les autres.
Trois enseignements opérationnels en découlent. Le gain se concentre là où existe un écart de compétence à combler. Il suppose un référentiel de bonnes pratiques que le système puisse apprendre. Il s'accompagne d'effets seconds mesurables, satisfaction client et rétention des salariés, qui pèsent souvent plus lourd que le gain de temps lui-même.
Ce que l'IA fait de nous consacre un chapitre à l'entreprise qui n'ose pas : cette paralysie décisionnelle où ne pas décider apparaît comme la seule option sans risque, alors que l'inaction est une décision dont personne n'est jamais tenu comptable. C'est le vrai coût caché des 95 %.
Questions fréquentes
Par où commencer quand on n'a rien mis en place ?
Par l'inventaire des usages existants, y compris ceux qui échappent au cadre officiel, puis par le choix d'un processus unique dont la performance est déjà mesurée. Un pilote sur un processus non mesuré ne produira jamais de preuve.
Combien de temps avant de voir un retour ?
Les gains d'usage individuel apparaissent en quelques semaines. Les gains visibles au compte de résultat supposent une refonte de processus et se comptent en trimestres. Confondre les deux est la cause la plus fréquente de désillusion en comité.
Faut-il un outil sur mesure ou une solution du marché ?
Le rapport du MIT observe que les organisations qui réussissent achètent plus souvent qu'elles ne construisent, et confient le pilotage aux équipes métier plutôt qu'à un laboratoire central. Le sur-mesure se justifie quand le processus lui-même constitue un avantage concurrentiel.
Comment éviter d'acheter une promesse ?
En exigeant une démonstration sur vos données et votre scénario, identique pour tous les candidats, et en écrivant vos critères avant le premier rendez-vous. C'est précisément l'objet du Cadrage de Décision IA.
- MIT, initiative NANDA, The GenAI Divide: State of AI in Business 2025, juillet 2025. Rapport en accès libre
- Boston Consulting Group, principe 10-20-70 appliqué à la transformation par l'IA, repris notamment par Forbes, janvier 2026
- E. Brynjolfsson, D. Li, L. Raymond, Generative AI at Work, The Quarterly Journal of Economics, mai 2025. academic.oup.com
- Consultation Otera, données de sourcing et de soutenance, 2026. Fournisseurs anonymisés.
Aurélien Mizeret accompagne les comités de direction sur les décisions technologiques à fort engagement. Il est l'auteur de Ce que l'IA fait de nous.
Vous avez trois fournisseurs sur la table et aucune méthode pour les départager
Le Cadrage de Décision IA reprend ce dispositif en trois jours : vos critères écrits avant les rendez-vous, une mise en concurrence réellement comparable, et une recommandation que vous pourrez défendre dans dix-huit mois. Trois jours, 3 600 €.
Découvrir le cadrage de décision Voir l'audit de transition IA
