De l’adoption de la Gen AI à l’impact sur le P&L : quelles conditions de succès ?

95% des entreprises n’y arrivent pas, selon le MIT. Que font-elles de travers ?

Une équipe du MIT (projet NANDA) a publié en juillet dernier une étude sur l’adoption de la Gen AI dans les entreprises, qui concluait que 95% des entreprises étudiées montraient une adoption qui ne se transformait pas en résultats concrets (sous réserve des conditions de l’étude, détaillées en fin de rapport disponible ici).

Seules 5% des entreprises avaient, à date, démontré un impact sur leur P&L.

Je n’avais pas eu le temps de me pencher en détail sur cette étude quand elle était sortie, et ne l’ai lue en détail que maintenant, soit 4 mois plus tard : à la vitesse d’évolution de la Gen AI, est-ce que leurs conclusions sont toujours valables ?

C’est sous cet angle que je m’y suis intéressée, et autant je ne m’avancerai pas sur les aspects purement techniques, autant les enseignements et “insights” associés à l’organisation, aux business models et au comportement humains me semblent toujours valables et très utiles à partager… et à remettre en perspective de ce qui avait fonctionné lors de la première transformation digitale.

1. Tous les secteurs d’activité sont-ils autant concernés ?

Non, il y a une grande différence sectorielle
Les secteurs les plus impactés par la Gen AI sont :
1. la Tech (émergence de nouveaux acteurs)
2. les Média (création de contenu “Gen AI native”, impact sur les modèles publicitaires)
3. et les Services professionnels (gains d’efficacité, mais sans impact sur le business model pour l’instant)
Les secteurs les moins impactés (à date, toujours), sont :
1. l’Energie : très peu d’adoption et d’expérimentations observées
2. l’Industrie: pilotes autour de la maintenance mais sans impact sur la chaîne logistique
3. les Services financiers: automatisation des processus mais sans impact sur la relation client
4. la Santé/pharma: pilotes autour de la documentation et de la transcription, mais sans impact sur les tests cliniques
5. la Distribution et les biens de consommation: automatisation du support client, mais avec peu d’impact sur la fidélisation

2. Les grandes entreprises sont-elles plus avancées que les moyennes ou plus petites ?

Non, pas forcément.

Les plus grandes entreprises ont mené un plus grand nombre de pilotes, mais ont plus de mal à les passer à l’échelle et à en faire de vrais projets.

3. Où vont les investissements ?

50% des budgets vont aux ventes et au marketing… probablement parce que ces fonctions sont plus visibles, mais aussi parce que leurs types de métriques sont plus faciles à suivre (génération de leads, ou temps de réponse à un email)
… alors que l’automatisation des processus de back-office donnent de bien meilleurs résultats en termes d’impact sur le P&L, mais sont plus difficiles à mesurer (comment mesurer concrètement les gains de productivité, le temps plus rapide à réaliser une tâche donnée ?)

4. Vaut-il mieux développer en interne ou contracter des partenariats externes ?

N’en déplaise aux early adopters… les partenariats stratégiques démontrent un taux de succès 2 fois supérieur aux pilotes menés en interne, et un taux d’adoption par les employés également presque double à celui des outils internes, car ils sont mieux intégrés au workflow et aux autres outils de l’entreprise.

5. Quels sont les principaux facteurs d’échec des pilotes menés ?

La première raison citée par l’étude est l’aspect technique : outils qui n’apprennent pas, n’intègrent pas bien le contexte et n’évoluent pas, ou ont du mal à s’intégrer au workflow et aux process de l’entreprise.

Si ces facteurs peuvent évoluer rapidement grâce au développement de l’IA agentique et des protocoles de type MCP, Nanda ou A2A cités par l’étude, ils mettent néanmoins l’accent sur l’importance de l’expérience utilisateur, qui vient ensuite.
Or l’expérience utilisateur s’avère très différente entre l’usage personnel (avec ChatGPT ou Copilot par exemple), et les outils professionnels mis à disposition par l’entreprise. Le problème n’est donc pas une résistance à l’adoption des utilisateurs, mais au contraire une adoption personnelle rapide qui montre des écarts insatisfaisants avec l’expérience professionnelle !

6. Quels facteurs de succès alors ?

Des partenariats stratégiques avec des prestataires externes, plutôt que du développement interne
La collaboration avec des partenaires de confiance, qui connaissent les workflow, les process et les outils de l’entreprise et ont la capacité de s’y intégrer
Une gestion des projets de type BPO (prestation d’outsourcing), plutôt que de type souscription à un modèle Saas : pour engager le partenaire dans les métriques de succès et les résultats opérationnels
Le démarrage par des projets non critiques, “à la marge” plutôt que par des projets ambitieux qui veulent adresser un workflow complet, pour tester le niveau de personnalisation et d’intégration du prestataire et l’utilité utilisateur, par exemple :
1. Voice AI pour les résumés de réunions
2. L’automatisation de certains formulaires et types de contrats
3. La génération de code pour des tâches d’ingénierie répétitive
L’implication des managers opérationnels pour développer des cas d’usages concrets et utiles, plutôt qu’une équipe de développement centralisée de type “Lab”
L’utilisation de “power users”, utilisateurs individuels avancés, qui ont notamment un usage personnel avancé de la Gen AI via ChatGPT ou autres outils, et qui peuvent aider à mesurer l’écart d’expérience à combler entre les outils perso et pro
L’investissement dans les processus de back-office où les vrais gains de productivité sont beaucoup plus importants et impactants, qu’uniquement dans les processus de front-office (marketing/ventes)

7. Quels emplois sont impactés ?

D’après le MIT, les emplois des prestataires sous-traitants de processus non critiques sont beaucoup plus menacés, pour l’instant, que les emplois internes
Car quand la Gen AI est bien utilisée en matière de productivité, elle permet d’abord de supprimer certaines prestations externes, dont certaines étaient déjà à risque du fait de leur faible valeur ajoutée rapportée à leur coût, par exemple :
1. Gestion externalisée de documents
2. Certains types de support client
3. Création de contenus (avec multiples déclinaisons et variantes)
4. Vérification de risques dans les services financiers
Et les juniors?
- Si les managers interrogés préfèrent dans leur ensemble confier des tâches simples à l’IA plutôt qu’aux jeunes employés (préparation d’emails, résumés, analyses basiques)
- Ils préfèrent à 90% confier les tâches complexes à leurs jeunes collègues (relation et gestion client, projets au long terme…)
- Et les plus jeunes sont également perçus par certains comme étant plus ouverts à l’adoption de l’IA, ce qui les avantage en termes d’agilité et de capacité d’évolution

Que retenir de tout ça ? En conclusion :

3 facteurs clés de succès d’après le MIT, pour bénéficier au mieux du développement de l’IA agentique :
- 1. Des partenariats stratégiques plutôt que le développement interne
- 2. Le pouvoir aux managers opérationnels et aux “power users” ou prosumers, plutôt qu’à des labs centralisés
- 2. La sélection d’outils qui s’intègrent à ceux de l’entreprise, et sont capables d’évoluer dans le temps
Ce qui signifie aussi qu’un grand nombre de startups ne vont pas pouvoir générer de revenus à hauteur de leurs investissements d’ici un an ou deux, car mécaniquement il y aura peu d’élus au regard du nombre de pilotes réellement transformés… et de cas d’usages qui ont un impact réel sur le P&L des entreprises
Et comme pour la transformation digitale, les choses sérieuses ne commenceront qu’à ce moment-là ! Et ce ne sont pas les early adopters qui gagnent forcément dans cette course, mais ceux qui arrivent à pivoter le plus vite à chaque moment critique tout en investissant les cas d’usage les plus à même de créer de la valeur pour l’entreprise.