L’intelligence artificielle fonctionne. Elle analyse des documents, génère du contenu, synthétise des informations, détecte des anomalies, automatise certaines tâches et commence désormais à agir à travers des systèmes agentiques capables d’enchaîner plusieurs opérations. Pourtant, à mesure que ces capacités progressent, une autre question devient centrale :
Pourquoi des entreprises disposant de technologies IA performantes ne parviennent-elles pas toujours à transformer cette puissance technologique en valeur économique, organisationnelle ou stratégique mesurable ?
Après plusieurs années dominées par les expérimentations, les pilotes et les preuves de concept, cette interrogation marque une nouvelle étape dans la maturité de l’IA en entreprise. Le problème n’est plus seulement celui de l’accès à la technologie. Il devient celui de sa conversion en impact. C’est ce décalage que l’on peut qualifier d’AI Value Gap : la distance entre ce que l’intelligence artificielle permet techniquement et ce que l’organisation parvient effectivement à transformer, puis à capturer sous forme de valeur. Cette distinction est fondamentale.
Une entreprise peut réussir un projet IA sur le plan technique et échouer dans son appropriation. Elle peut obtenir des gains opérationnels sans transformer ses processus. Elle peut même transformer certains processus sans parvenir à convertir ces améliorations en résultats économiques mesurables. La technologie a alors créé une capacité réelle. Mais l’organisation n’en capture qu’une partie de la valeur potentielle.
Du capability gap au value gap
Pendant longtemps, les entreprises ont principalement été confrontées à un capability gap. La question était d’abord technologique : l’IA est-elle capable de réaliser la tâche envisagée ? Peut-elle comprendre un document complexe ? Analyser de grands volumes de données ? Produire un contenu pertinent ? Identifier une anomalie ? Automatiser une séquence d’actions ? Cette question demeure importante. Mais elle ne suffit plus. Les capacités des modèles progressent rapidement. Leur accès se démocratise. Les plateformes se multiplient et les organisations peuvent expérimenter beaucoup plus rapidement qu’il y a quelques années. Le centre de gravité du problème se déplace. Lorsque la technologie devient plus accessible, le facteur limitant peut progressivement devenir la capacité de l’organisation à l’intégrer, à transformer ses pratiques et à convertir cette transformation en résultats.
L’enjeu n’est donc plus uniquement :
« Que peut faire l’IA ? »
Il devient :
« Que sommes-nous capables de transformer grâce à ce qu’elle permet ? »
La différence paraît subtile. Elle est stratégique.
Une hypothèse de travail : quatre étapes entre technologie et valeur
Les entretiens que je mène dans le cadre d’EntrepreneurIA auprès d’entrepreneurs, dirigeants et professionnels développant ou déployant concrètement l’intelligence artificielle font apparaître plusieurs situations récurrentes.
À partir de ces observations, une grille de lecture se dessine :
CAPABILITY → ADOPTION → TRANSFORMATION → VALUE
Il ne s’agit pas, à ce stade, d’un modèle scientifiquement validé ni d’une méthodologie figée. Je l’utilise comme une hypothèse de travail pour interroger plus précisément les mécanismes qui séparent potentiel technologique et impact réel. Chaque étape répond à une question différente.
- Capability: que permet réellement la technologie ?
- Adoption : qui utilise effectivement cette nouvelle capacité, dans quelles conditions et avec quel niveau de confiance ?
- Transformation : quels processus, rôles ou modes de décision changent réellement grâce à cette adoption ?
- Value : quelle valeur l’organisation parvient-elle à créer, mesurer et capturer grâce à cette transformation ?
La difficulté apparaît lorsqu’un projet franchit une étape, mais échoue à atteindre la suivante.
C’est dans ces interfaces que se construit une partie de l’AI Value Gap.
Premier écart : la capacité existe, mais l’usage ne suit pas
Une technologie disponible n’est pas nécessairement une technologie adoptée. Le cas d’OpenText, abordé lors de mon entretien avec Christophe Gaultier, illustre cette tension. L’entreprise intègre l’intelligence artificielle dans ses solutions et dans ses propres usages internes, tout en devant prendre en compte une autre réalité : le Shadow AI. Des collaborateurs peuvent utiliser des outils qui ne sont pas ceux officiellement mis à leur disposition. Cette situation révèle un paradoxe. Une organisation peut sélectionner une solution techniquement performante, conforme à ses exigences de sécurité, et constater malgré tout que certains utilisateurs préfèrent d’autres outils. L’adoption dépend en effet de multiples variables : simplicité d’utilisation, pertinence des résultats, accès aux bonnes données, adéquation avec le besoin réel, confiance et intégration dans le workflow quotidien.
Une question devient alors essentielle :
Avons-nous seulement conçu ce que le système sait faire ou avons-nous également conçu les conditions dans lesquelles les utilisateurs choisiront réellement de l’utiliser ?
L’adoption ne peut donc pas être considérée uniquement comme un sujet de conduite du changement intervenant après le développement. Elle constitue également une contrainte de conception.
Deuxième écart : l’IA est utilisée, mais l’organisation ne change pas
Une entreprise peut réussir l’adoption tout en conservant pratiquement inchangés ses processus. C’est l’un des pièges de l’automatisation. Ajouter de l’intelligence artificielle à une organisation existante ne signifie pas nécessairement transformer cette organisation. Les développements décrits par Nadège Kaci et Francis Méléard chez P3 apportent ici une perspective intéressante. Des agents métiers peuvent intervenir dans des boucles comprenant plusieurs étapes : comprendre un objectif, planifier, produire, mesurer, ajuster, recommencer ou solliciter une validation humaine.
Cette évolution ne consiste plus simplement à accélérer une tâche. Elle oblige à expliciter le fonctionnement du processus. Quel est l’objectif exact ? Comment mesure-t-on sa réussite ? Quelle étape peut être automatisée ? Quelle décision doit rester humaine ? Que se passe-t-il en cas d’exception ? Qui porte la responsabilité finale ? L’IA agit alors comme un révélateur. Elle fait apparaître des ambiguïtés organisationnelles auparavant absorbées par les humains. Un collaborateur expérimenté sait interpréter une règle imprécise, gérer une exception ou demander une validation lorsqu’il identifie un risque. L’automatisation oblige l’organisation à rendre explicites une partie de ces mécanismes.
C’est ici qu’apparaît une différence majeure entre automatisation et transformation.
Automatiser consiste à exécuter autrement une partie du travail existant. Transformer consiste à se demander si ce travail doit encore être organisé de la même manière.
Les gains les plus importants pourraient précisément se situer dans cette seconde étape.
Troisième écart : la transformation existe, mais la valeur reste difficile à démontrer
Même lorsqu’un processus est transformé, une autre difficulté apparaît : comment mesurer la valeur réellement créée ? Les cas évoqués par Arnaud Pinte chez iPepper montrent l’intérêt de partir de problèmes identifiés, d’expérimenter sur des périmètres précis et de mesurer les résultats avant de généraliser. Cette démarche paraît évidente. Elle est pourtant exigeante. Les entreprises mesurent naturellement ce que la technologie rend facilement observable : temps de traitement, nombre de documents analysés, vitesse d’exécution, qualité d’une réponse ou proportion de tâches automatisées. Ces indicateurs, sont utiles mais ils ne constituent pas nécessairement une mesure de valeur.
Prenons le temps gagné. Si un système IA permet à une équipe d’économiser dix heures par semaine, un gain opérationnel existe. Mais que devient ce temps ? Permet-il de traiter davantage de clients ? D’améliorer la qualité du service ? De réduire des délais ? D’accroître le chiffre d’affaires ? D’éviter certains coûts ? De consacrer davantage de ressources à l’innovation ? C’est ici qu’il faut distinguer valeur créée et valeur capturée. Un gain peut exister sans être converti en bénéfice identifiable pour l’organisation.
Il devient donc nécessaire de distinguer trois niveaux :
Performance technique → résultat opérationnel → valeur organisationnelle ou économique
Le passage de l’un à l’autre n’est jamais automatique.
Gouvernance : la capacité d’action change la nature du problème
L’arrivée des agents IA ajoute une dimension supplémentaire. Lorsqu’une IA produit une recommandation, l’humain reste généralement responsable de l’action qui suit. Lorsqu’un système commence lui-même à agir, les questions changent de nature. L’entretien réalisé avec Anthony Levy, fondateur de Damn, met notamment en lumière les enjeux d’identité des agents, de permissions et de traçabilité. Mais derrière ces dimensions techniques apparaît une décision stratégique :
Jusqu’où l’organisation souhaite-t-elle déléguer ?
Ce n’est pas parce qu’une technologie peut effectuer une action qu’elle doit nécessairement obtenir le droit de l’exécuter sans contrôle. L’autonomie doit être mise en regard du niveau de risque, de la réversibilité de l’action et des responsabilités associées. La gouvernance ne constitue donc pas seulement une contrainte destinée à limiter la technologie. Elle définit les conditions dans lesquelles l’organisation accepte de lui faire suffisamment confiance pour l’intégrer à ses processus.
Le rôle humain doit lui aussi être repensé
La transformation ne consiste pas seulement à déterminer ce que l’IA peut faire. Elle oblige également à redéfinir ce que l’humain doit continuer à faire. L’exemple de @aXel Perf et de Romain Satiat est intéressant à cet égard. L’intelligence artificielle peut accélérer l’analyse de données et attirer l’attention sur certaines anomalies, tandis que l’interprétation des résultats et la décision restent humaines. Cette organisation n’est pas nécessairement une limitation temporaire de la technologie. Elle peut correspondre à une architecture de décision délibérée.
Dans certaines situations, la valeur du travail humain se déplace. Elle réside moins dans l’exécution de tâches répétitives que dans l’interprétation d’une exception, la prise en compte du contexte, l’arbitrage entre plusieurs objectifs ou l’exercice de la responsabilité.
La question devient alors :
Où souhaitons-nous positionner le jugement humain lorsque certaines capacités cognitives ou opérationnelles deviennent automatisables ?
C’est une question de design organisationnel autant qu’une question technologique.
Le POC ne prouve qu’une partie de ce que l’entreprise doit savoir
Cette distinction conduit également à réinterroger le rôle du proof of concept. Le POC reste indispensable pour vérifier une hypothèse technologique. Mais il faut éviter de lui demander de démontrer ce qu’il ne peut pas établir. Un POC peut prouver une capacité. Il ne prouve pas nécessairement l’adoption. Il peut démontrer une performance. Il ne démontre pas nécessairement la transformation. Il peut automatiser une tâche. Il ne redessine pas nécessairement le travail. Il peut produire un résultat. Il ne démontre pas nécessairement la valeur. Cette distinction peut expliquer pourquoi certaines organisations accumulent des pilotes technologiquement convaincants sans parvenir à industrialiser suffisamment leurs usages.
Le problème n’est alors pas nécessairement que l’IA ne fonctionne pas. L’organisation n’a simplement pas encore construit l’ensemble du chemin permettant de convertir cette capacité en valeur.
À quel endroit votre organisation perd-elle la valeur potentielle de son IA ?
La grille Capability → Adoption → Transformation → Value peut alors être utilisée non comme une réponse définitive, mais comme un instrument de questionnement.
Pour chaque projet IA, cinq questions me paraissent particulièrement utiles :
- Capacité. Quelle capacité nouvelle avons-nous réellement créée ?
- Adoption. Qui utilisera cette capacité lorsque l’expérimentation sera terminée ?
- Transformation. Quel processus, quel rôle ou quelle manière de décider doit évoluer pour en tirer parti ?
- Gouvernance. Quelle autonomie souhaitons-nous réellement accorder au système et où maintenir une responsabilité humaine ?
- Valeur. Quelle preuve nous permettra d’établir que cette transformation crée et capture effectivement de la valeur ?
Ces questions ne relèvent pas uniquement de la stratégie. Elles influencent la conception du produit, son architecture fonctionnelle, son interface, ses mécanismes de validation, ses métriques et son déploiement. Si aucune réponse n’existe sur l’usage attendu, le partage des responsabilités ou la mesure de l’impact, une partie du système reste en réalité indéfinie.
Le prochain défi de l’IA sera aussi organisationnel
Les entreprises ont beaucoup investi pour accéder aux capacités de l’intelligence artificielle. La prochaine étape sera différente. Elle nécessitera de compléter l’expérimentation technologique par une discipline organisationnelle : déterminer ce que l’entreprise veut réellement transformer, comment elle souhaite le transformer et comment elle saura que cette transformation produit un résultat. C’est probablement à cet endroit que se creuseront certains écarts de performance. Les mêmes modèles seront accessibles à de nombreuses entreprises. Les mêmes plateformes également. L’accès à la technologie restera important, mais il deviendra plus difficile d’en faire à lui seul un avantage différenciant durable.
Le différenciateur pourrait davantage résider dans la capacité à relier efficacement :
capacité technologique → adoption réelle → transformation du travail → valeur mesurable et capturable
L’AI Value Gap n’est donc pas seulement un problème de ROI. Il révèle la distance entre innovation technologique et capacité organisationnelle à en tirer parti. Et il conduit à une conviction qui structure mes travaux :
L’intelligence artificielle crée une capacité. Les organisations créent la valeur.
La prochaine étape de l’IA en entreprise ne sera donc pas seulement celle de technologies toujours plus performantes. Elle sera aussi celle de la capacité des organisations à transformer une puissance technologique de plus en plus accessible en avantage économique, organisationnel ou stratégique mesurable. La question des dirigeants évolue avec elle.
Il ne s’agit plus seulement de demander :
« Où devons-nous déployer l’IA ? »
Mais peut-être davantage :
« À quel endroit de notre organisation perdons-nous aujourd’hui la valeur potentielle de l’IA ? »
