IA crée une capacité. Pourquoi les organisations créent la valeur

De l’AI capability à la transformation organisationnelle et à la création de valeur

Pascale Caron
AI Strategy Advisor | Founder & CEO, Yunova Consulting | Co-autrice d’EntrepreneurIA

Il n’a jamais été aussi facile d’utiliser l’intelligence artificielle en entreprise. En quelques mois, les outils se sont multipliés, les usages se sont banalisés et les expérimentations ont gagné presque toutes les fonctions. Pourtant, une question reste étonnamment difficile :

Qu’est-ce que cette adoption change réellement pour l’entreprise ?

Car recourir à l’IA n’est pas encore se transformer. Et se transformer ne signifie pas nécessairement créer de la valeur. C’est probablement là que se situe aujourd’hui le véritable sujet. Dans son enquête mondiale publiée en mars 2025, McKinsey indiquait que plus des trois quarts des répondants déclaraient que leur organisation utilisait déjà l’IA dans au moins une fonction. Mais l’étude faisait apparaître une réalité beaucoup plus contrastée lorsqu’elle examinait la transformation des workflows, la gouvernance ou encore l’impact économique déclaré.

Autrement dit, la diffusion de la technologie avance plus vite que la transformation des organisations.

Ce constat rejoint ce que j’observe depuis plusieurs années dans mes échanges avec des dirigeants et, plus particulièrement, au fil des plus de cent entretiens réalisés dans le cadre d’EntrepreneurIA. Les discussions commencent souvent par la technologie. Elles finissent presque toujours par l’organisation.

Qui décide ? Quel processus faut-il réellement transformer ? Quelles compétences préserver ou développer ? Jusqu’où automatiser ? Où maintenir le jugement humain ? Et surtout, comment savoir si l’IA produit effectivement de la valeur ?

C’est à partir de ces questions qu’une conviction s’est progressivement imposée dans mon travail :

L’intelligence artificielle crée une capacité. Les organisations créent la valeur.

Cette conviction ne prétend pas inventer un nouveau concept. Elle rencontre au contraire un champ de recherche déjà constitué autour des AI capabilities et de la création de valeur. Mais elle prend une importance particulière aujourd’hui, au moment où l’accès à la technologie devient plus largement partagé.

Mon analyse s’appuie ainsi sur trois regards complémentaires : la littérature académique sur les capacités organisationnelles liées à l’IA, mon expérience des transformations technologiques et les observations qualitatives issues d’EntrepreneurIA. Ces trois regards conduisent à déplacer la question.

Pendant longtemps, les entreprises se sont demandé :

quelle IA devons-nous adopter ?

Elles doivent désormais en poser une autre :

Quelle organisation devons-nous construire pour transformer les possibilités offertes par l’IA en valeur ?

C’est précisément le passage de la technologie à la capacité organisationnelle que je souhaite analyser ici.

L’AI capability ne se résume pas à la technologie

Une entreprise peut disposer de modèles performants, d’une infrastructure solide, de données abondantes et de collaborateurs formés sans nécessairement posséder une capacité organisationnelle mature à créer de la valeur avec l’IA.

Cette distinction est au cœur du concept d’AI capability.

Dans une étude publiée en 2021 dans Information & Management, Patrick Mikalef et Manjul Gupta définissent et mesurent l’AI capability à partir de ressources spécifiques à l’IA qui, combinées, permettent à l’entreprise de mobiliser cette technologie. Leur cadre, fondé sur la resource-based theory of the firm, distingue notamment des ressources tangibles, des compétences humaines et des ressources organisationnelles. Leur étude empirique met en évidence une relation positive entre l’AI capability, la créativité organisationnelle et la performance dans l’échantillon étudié.

Une revue systématique de la littérature publiée par Ida Merete Enholm, Emmanouil Papagiannidis, Patrick Mikalef et John Krogstie dans Information Systems Frontiers analyse la manière dont les organisations adoptent et utilisent l’intelligence artificielle. Elle étudie également les mécanismes par lesquels ces usages peuvent générer de la valeur pour l’entreprise. Les auteurs insistent notamment sur les facteurs qui facilitent ou freinent l’adoption, les formes d’usage organisationnel et les effets de premier et de second ordre.

La leçon stratégique que j’en retiens est simple. Un modèle est une ressource. Les données sont une ressource. Les compétences sont des ressources. La capacité apparaît lorsque l’entreprise sait les combiner et les mobiliser au service d’un objectif.

C’est à cet endroit que la question technologique devient une question organisationnelle.

Adoption, capacité et transformation ne sont pas synonymes

Nous avons beaucoup mesuré l’adoption de l’IA par le nombre de licences, d’utilisateurs, de cas d’usage ou de prototypes. Ces indicateurs restent utiles. Ils ne permettent cependant pas, à eux seuls, de conclure qu’une entreprise s’est transformée.

Un collaborateur peut rédiger plus rapidement grâce à un assistant génératif. Un développeur peut accélérer certaines tâches. Une équipe marketing peut produire davantage de contenus. Ces gains peuvent être réels, mais leur addition ne transforme pas automatiquement le fonctionnement de l’entreprise.

Je propose donc de distinguer six étapes : Accès → Usage → Adoption → Capacité → Transformation → Valeur.

Cette séquence est une grille de lecture stratégique, et non une échelle de maturité scientifiquement validée. Son intérêt est de rappeler qu’entre l’accès à un outil et la création de valeur se trouvent plusieurs transformations organisationnelles.

L’enquête McKinsey 2025 apporte ici un éclairage intéressant. Parmi 25 attributs analysés, la refonte des workflows présentait la plus forte association avec l’impact sur l’EBIT attribué à l’IA générative tel que déclaré par les répondants. La supervision de la gouvernance IA par le CEO figurait également parmi les éléments les plus corrélés à un impact financier déclaré supérieur. Il s’agit de corrélations issues d’une enquête, et non d’une démonstration causale.

Le sujet n’est donc plus seulement l’adoption. Il devient la capacité à transformer.

Ce que plus de cent entretiens EntrepreneurIA ont changé dans ma lecture de l’IA

Avec le Dr Yves-Marie Le Bay, j’ai interrogé plus de cent entrepreneurs, dirigeants et experts utilisant l’intelligence artificielle dans le cadre d’EntrepreneurIA. Ces entretiens ne constituent pas, en eux-mêmes, une enquête quantitative représentative. Ils forment en revanche un corpus qualitatif particulièrement riche sur la manière dont des acteurs économiques abordent concrètement l’IA.

Au départ, nous pensions beaucoup parler de technologie. Les conversations les plus intéressantes nous ont conduits ailleurs. Elles portaient sur les décisions. Pourquoi utiliser l’IA ? Quel problème cherche-t-on à résoudre ? Quel processus doit changer ? Quelle compétence faut-il préserver ? Que peut-on automatiser ? Où doit rester le jugement humain ? Comment mesurer ce qui change réellement ?

Les secteurs et les cas d’usage différaient, mais une interrogation revenait : qu’est-ce que l’organisation cherche réellement à transformer ? C’est ici que ma lecture a évolué. L’IA peut agir comme un révélateur de l’organisation. Elle peut rendre plus visibles des données insuffisamment structurées, des processus complexes, des responsabilités ambiguës, des compétences manquantes ou l’absence d’indicateurs permettant de définir précisément la valeur attendue.

Cette observation n’est pas une conclusion statistique tirée d’EntrepreneurIA. C’est une lecture qualitative construite au fil des entretiens, que je confronte aujourd’hui aux travaux sur les capacités organisationnelles et à mon expérience de la transformation.

Elle conduit à une question de leadership : l’organisation sait-elle ce qu’elle veut transformer, pourquoi elle veut le transformer et comment elle mesurera le résultat ?

Quand la technologie se diffuse, l’organisation devient différenciante

À mesure que les modèles, infrastructures et outils d’entreprise deviennent plus largement accessibles, la capacité à les intégrer dans les workflows, la gouvernance, les compétences et les mécanismes de décision peut devenir un facteur de différenciation organisationnelle. Cette idée est développée explicitement par McKinsey dans un article publié en juillet 2026 sur l’operating model. Les auteurs observent que des entreprises utilisant des technologies similaires obtiennent des résultats différents et soutiennent que l’avantage se déplace des outils eux-mêmes vers les organisations capables de les déployer efficacement. Ils soulignent aussi qu’un operating model ne s’achète ni ne se reproduit instantanément : il résulte de choix accumulés sur les workflows, la gouvernance, les talents, les données et la prise de décision.

Il faut néanmoins éviter une conclusion trop rapide. La technologie reste stratégique. Les choix de modèles, d’architecture, de sécurité, de données et de fournisseurs peuvent produire des différences importantes. Mais l’accès à une technologie performante ne garantit pas, à lui seul, la création de valeur.

Deux entreprises peuvent utiliser des technologies comparables et les intégrer de manière très différente. L’une peut les ajouter à ses processus existants. L’autre peut repenser ces processus. L’une peut mesurer l’usage. L’autre peut chercher à mesurer la valeur. L’une peut multiplier les expérimentations. L’autre peut sélectionner, industrialiser et arrêter. La différenciation se joue alors dans la qualité de l’orchestration organisationnelle.

L’operating model devient un sujet d’IA

Pendant les premières années de l’IA générative, la conversation s’est beaucoup concentrée sur les cas d’usage : quels métiers peuvent utiliser l’IA, quelles tâches automatiser, quels outils déployer ? Ces questions restent pertinentes, mais elles deviennent insuffisantes lorsque l’IA intervient dans des workflows complets, dans la production de connaissances ou dans certaines décisions.

Qui décide ? Qui contrôle ? Quelle décision peut être déléguée ? Où une intervention humaine reste-t-elle nécessaire ? Comment les données circulent-elles ? Qui assume la responsabilité lorsqu’un système agit ? Comment organiser le travail entre humains, logiciels traditionnels et agents IA ? Nous entrons ici dans l’operating model.

Le rapport Organizational Transformation in the Age of AI, publié par le World Economic Forum en mars 2026, s’appuie sur les contributions de plus de 450 dirigeants de sa communauté AI Transformation of Industries. Il identifie cinq principes pour soutenir l’adoption de l’IA à l’échelle. Responsabilité humaine, refonte de bout en bout de l’operating model, systèmes de talents capables de passer à l’échelle, confiance fondée sur la transparence et expérimentation disciplinée.

Cette convergence entre littérature académique, enquêtes auprès des entreprises et retours de terrain renforce une idée : le passage à l’échelle de l’IA ne relève pas seulement du déploiement technique. Il touche à la manière dont le travail, les responsabilités et les décisions sont organisés.

Le framework Yunova de l’AI Capability

Pour aider les dirigeants à analyser cette transformation, j’utilise chez Yunova Consulting une grille structurée autour de six dimensions.

Il ne s’agit pas d’un modèle académique validé. Le framework Yunova est une synthèse stratégique nourrie par la littérature sur les capacités organisationnelles, mon expérience des transformations technologiques et les observations qualitatives issues d’EntrepreneurIA.

Son objectif est opérationnel : aider une direction générale à identifier les conditions qui peuvent permettre de convertir les possibilités offertes par l’IA en résultats organisationnels et économiques.

1. Strategic Intent

Relier l’IA aux priorités stratégiques et à la valeur recherchée.

Avant de parler de technologie, il faut savoir ce que l’organisation cherche à accomplir. Réduire des coûts, améliorer l’expérience client, accélérer l’innovation, augmenter la qualité, réduire un risque, améliorer la décision ou développer un nouveau service ne conduisent pas aux mêmes choix. Sans intention stratégique explicite, les cas d’usage peuvent s’accumuler sans constituer une trajectoire cohérente.

2. Data & Technology

Construire des fondations techniques et informationnelles adaptées.

Les données, l’architecture, la sécurité, l’interopérabilité et les choix de modèles constituent des fondations essentielles. Mais ils ne représentent qu’une dimension du système. Une infrastructure performante ne compense ni une stratégie floue, ni des processus inadaptés, ni une gouvernance insuffisante.

3. Governance & Decision Rights

Définir qui décide, qui contrôle et qui assume la responsabilité.

La gouvernance ne doit pas être réduite à la conformité. Elle organise les droits de décision : quels usages nécessitent une validation, quel niveau d’autonomie peut être accordé à un système, quand une supervision humaine est nécessaire, qui accepte le risque et qui assume la responsabilité. Avec les systèmes agentiques, cette architecture de décision devient encore plus importante.

4. Skills & Human Capability

Développer les compétences, le jugement et la capacité de collaboration humain-IA.

Former à l’utilisation des outils ne suffit pas. L’organisation doit développer l’AI literacy, la compréhension des limites des systèmes, les compétences métier et la capacité de jugement. Les dirigeants sont directement concernés : ils n’ont pas besoin de devenir experts techniques, mais doivent comprendre suffisamment les capacités, les limites et les risques pour pouvoir arbitrer.

5. Operating Model & Workflows

Repenser le travail plutôt que simplement ajouter l’IA à l’existant.

Ajouter de l’IA à un processus existant peut améliorer certaines tâches sans remettre en cause la conception du processus. Il faut donc parfois repartir du travail lui-même : quelles étapes restent nécessaires, où se situe la valeur humaine, quelles tâches peuvent être automatisées, quels workflows peuvent être redessinés et comment organiser les exceptions et la supervision.

6. Value & Measurement

Relier les capacités nouvelles à des résultats observables. 

Le nombre de licences, de prompts ou de prototypes ne mesure pas la valeur. L’organisation doit relier ses initiatives à des indicateurs pertinents : revenus, coûts, qualité, délais, risques, satisfaction client, capacité d’innovation ou vitesse de décision. Une question mérite une attention particulière : que faisons-nous de la capacité libérée par l’IA ? Un gain de temps n’est pas automatiquement un gain économique ; sa valeur dépend aussi de la manière dont cette capacité est réallouée.

Une capacité est un système

Les six dimensions du framework Yunova ne fonctionnent pas isolément. Une organisation peut disposer de données de qualité et manquer de compétences. Elle peut avoir une stratégie claire et une gouvernance incapable de l’accompagner. Elle peut former ses équipes sans modifier leurs workflows. Elle peut automatiser de nombreuses tâches sans savoir mesurer ce que cette automatisation produit réellement.

Le framework peut donc se lire comme un système : Strategic Intent + Data & Technology + Governance & Decision Rights + Skills & Human Capability + Operating Model & Workflows + Value & Measurement.

Son intérêt n’est pas d’attribuer un score universel de maturité. Il est d’identifier les déséquilibres qui empêchent une possibilité technologique de devenir une capacité organisationnelle réellement exploitable.

La question que les COMEX devraient désormais se poser

Pour les dirigeants, le changement de perspective est important. La question n’est plus seulement : « Quelle IA devons-nous adopter ? » Elle devient :

« Quelle organisation voulons-nous construire avec les nouvelles capacités que l’IA met à notre disposition ? »

Cette question conduit à des arbitrages qui relèvent directement de la direction générale : quelles capacités développer, quels processus repenser, quelles décisions déléguer, où préserver une autorité humaine, quelles compétences renforcer, quel niveau de risque accepter et quelle valeur rechercher.

Ces décisions touchent à la stratégie, au capital humain, à l’organisation du travail, à l’allocation des ressources et à la responsabilité. Elles ne peuvent donc pas être laissées aux seules directions technologiques.

La littérature académique ne permet pas d’affirmer qu’un modèle organisationnel unique garantira la valeur. Les enquêtes d’entreprises ne permettent pas davantage d’établir une causalité simple entre une pratique et un résultat financier. En revanche, les sources convergent sur un point : la création de valeur avec l’IA dépend de ressources et de mécanismes organisationnels qui dépassent largement la technologie elle-même.

C’est pourquoi je reviens à cette conviction :

l’intelligence artificielle crée une capacité. Les organisations créent la valeur.

La technologie ouvre le champ des possibles. L’organisation détermine ce qu’elle en fait.

Et pour les COMEX, la question devient :

notre organisation possède-t-elle réellement les capacités nécessaires pour transformer les possibilités offertes par l’IA en valeur ?