KPMG constate que l’adoption de l’IA en entreprise dépasse toujours son impact mesurable

Les dernières conclusions de KPMG sur l’IA en entreprise ont fait la une de Google News avec un contraste saisissant : 95 % des organisations interrogées disposent d’une stratégie d’IA, mais seulement 8 % déclarent avoir établi des retours sur investissement.

Cet écart compte davantage qu’une nouvelle annonce sur des modèles plus rapides ou des investissements d’infrastructure plus importants. Les entreprises ont acquis des outils d’IA, lancé des projets pilotes et encouragé leurs employés à expérimenter. La plupart n’ont pas refondu les workflows, les systèmes de responsabilité ou les pratiques de mesure nécessaires pour transformer cette activité en performance d’entreprise.

Le Global AI Pulse de KPMG pour le premier trimestre 2026 situe 54 % des organisations aux premières étapes de la recherche, de l’expérimentation ou de la planification stratégique. Trente-neuf pour cent supplémentaires déploient l’IA à plus grande échelle ou favorisent son adoption. Seul un petit groupe est passé d’une activité généralisée à des retours mesurables et reproductibles.

La fracture qui en résulte ne sépare plus les organisations qui utilisent l’IA de celles qui ne l’utilisent pas. Elle distingue les entreprises qui considèrent l’IA comme un logiciel accessible de celles qui l’exploitent comme une capacité métier intégrée.

Voilà la véritable histoire derrière le dernier titre de Google News. L’adoption continue de se diffuser, mais l’impact reste concentré parmi les organisations qui repensent le travail autour de l’IA au lieu de simplement l’ajouter au travail existant.

Google News met en lumière un écart d’adoption de l’IA, et non un écart d’accès

L’IA d’entreprise est devenue suffisamment courante pour que l’adoption de base ne démontre plus la maturité.

KPMG a fondé ses conclusions du premier trimestre sur une enquête menée auprès de 2 110 cadres dirigeants dans 20 pays, territoires et juridictions. Les répondants représentaient huit secteurs et comprenaient des dirigeants de niveau C-suite ainsi que leurs collaborateurs directs au sein de grandes organisations.

Les chiffres principaux semblent contradictoires à première vue. Selon le Global AI Pulse, 95 % des organisations disposent d’une stratégie d’IA. Soixante-quatre pour cent déclarent générer une valeur métier significative, mais seulement 8 % affirment avoir établi un ROI.

Ces réponses mesurent différents niveaux de progression. Une équipe peut gagner du temps dans l’examen de documents ou le développement logiciel sans produire un résultat visible dans les états financiers de l’entreprise. Elle peut également signaler des résultats utiles avant de prouver que ceux-ci dépassent les coûts de déploiement, d’intégration, de supervision et de calcul.

La répartition de maturité de KPMG clarifie cette distinction. Onze pour cent des organisations restent concentrées sur la recherche et le développement. Vingt-deux pour cent expérimentent au moyen de preuves de concept ou de projets pilotes, tandis que 21 % élaborent des stratégies, des indicateurs de performance et une infrastructure de données.

Ensemble, ces groupes représentent les 54 % encore classés parmi les adoptants précoces. Vingt-six pour cent déploient l’IA à l’échelle de l’entreprise, et 13 % favorisent une adoption organisationnelle plus large. Les 8 % restants déclarent des retours établis liés à des résultats métier significatifs.

Cela ne prouve pas que 92 % des programmes d’IA ont échoué. L’enquête ne formule pas cette affirmation. Elle montre que la plupart des organisations n’ont pas encore atteint le stade où les retours sont à la fois établis et mesurables.

Une enquête distincte de McKinsey va dans le même sens. Elle a constaté que 88 % des répondants déclaraient une utilisation régulière de l’IA dans au moins une fonction métier au cours de 2025. Toutefois, seulement environ un tiers ont indiqué que leurs organisations avaient commencé à déployer leurs programmes d’IA à grande échelle.

Cet écart existe parce qu’utiliser l’IA dans une fonction constitue un seuil peu exigeant. Un chatbot approuvé, un assistant de programmation ou un outil de synthèse automatisée peut satisfaire à cette définition. L’impact à l’échelle de l’entreprise exige des changements connectés dans les processus, les données, les incitations, les contrôles et les décisions.

Cette distinction explique aussi pourquoi des enquêtes apparemment contradictoires peuvent toutes être exactes. Une étude peut mesurer si les employés ont accès à l’IA. Une autre peut demander si une entreprise a déployé des agents. Une troisième peut exiger des retours financiers vérifiés.

Les lecteurs de Google News doivent donc examiner le dénominateur et la définition de maturité derrière chaque titre. « Utiliser l’IA », « déployer l’IA à grande échelle » et « générer un ROI grâce à l’IA » décrivent des états différents, même lorsque la couverture les traite comme interchangeables.

L’enquête de KPMG est utile parce qu’elle situe ces états sur une même trajectoire. Celle-ci commence par la recherche et les projets pilotes, se poursuit par le déploiement à l’échelle de l’entreprise et s’achève par des retours établis. La plupart des organisations se trouvent encore quelque part au milieu.

Les dépenses augmentent plus vite que les retours mesurables

Les entreprises renforcent leurs engagements en matière d’IA avant d’avoir défini la manière dont la valeur doit être mesurée.

KPMG indique que les organisations interrogées prévoyaient un investissement moyen de 186 millions de dollars dans l’IA au cours des 12 mois suivants. Cette moyenne a été pondérée pour refléter la taille des entreprises et la représentation régionale ; elle ne doit donc pas être interprétée comme un budget d’entreprise universel.

Les plans régionaux variaient également. Les organisations d’Asie-Pacifique ont déclaré l’investissement moyen prévu le plus élevé, à 245 millions de dollars. Les Amériques suivaient avec 178 millions de dollars, tandis que l’Europe, le Moyen-Orient et l’Afrique affichaient une moyenne de 157 millions de dollars.

Ces chiffres démontrent un engagement, mais les dépenses constituent un intrant. Elles disent peu de choses sur la capacité d’une entreprise à sélectionner des workflows à forte valeur, à obtenir une adoption cohérente ou à générer suffisamment de bénéfices pour couvrir les coûts opérationnels.

Les dépenses liées à l’IA se comportent également différemment de nombreuses dépenses logicielles traditionnelles. L’utilisation des modèles peut augmenter avec les tokens, les requêtes, les étapes automatisées et le nombre d’agents impliqués. Un projet pilote réussi peut donc devenir plus coûteux lorsqu’il atteint davantage de collaborateurs ou traite des processus plus longs.

La mise à jour de KPMG pour le deuxième trimestre a rendu ce problème plus visible. L’enquête a révélé que 42 % des dirigeants n’avaient qu’une visibilité partielle sur les dépenses d’IA. Trente-trois pour cent ont cité une compréhension limitée des structures de coûts, y compris des tokens, comme un défi lors du déploiement d’agents.

Cette question exerce simultanément une pression sur les directeurs financiers, les responsables technologiques et les dirigeants d’unités opérationnelles. Les équipes financières veulent des retours défendables. Les équipes technologiques ont besoin d’une infrastructure et d’une sécurité fiables. Les responsables opérationnels doivent démontrer qu’un déploiement améliore un processus réel plutôt que de générer davantage d’activité.

La pression devient plus forte lorsqu’une entreprise automatise un travail en plusieurs étapes. Un agent d’IA est un système capable de planifier et d’exécuter plusieurs actions pour atteindre un objectif. Contrairement à la réponse d’un simple chatbot, un agent peut appeler des outils, récupérer des données d’entreprise, réviser son résultat et transmettre du travail à un autre système.

Chaque étape supplémentaire peut engendrer des coûts, de la latence et une nouvelle possibilité d’échec. Un processus impressionnant dans une démonstration contrôlée peut devenir difficile à superviser lorsque des milliers d’employés l’utilisent avec des données en production.

C’est pourquoi un ROI établi reste rare, même si la valeur métier déclarée est bien plus fréquente. La valeur métier peut inclure une réalisation plus rapide, une meilleure expérience employé ou un meilleur accès à l’information. Le ROI exige une comparaison financière définie entre les bénéfices et le coût total nécessaire pour les produire.

Le calcul doit inclure davantage que les abonnements aux modèles. Le travail d’intégration, la préparation des données, la formation des employés, l’évaluation, les revues de sécurité, la réponse aux incidents et la supervision humaine consomment tous des ressources.

Certains bénéfices résistent aussi à une mesure financière immédiate. Un assistant peut aider un analyste à trouver plus rapidement un contexte pertinent, mais l’entreprise doit encore relier ce temps gagné à la capacité, au chiffre d’affaires, à la qualité ou au risque évité.

Les organisations s’arrêtent souvent à la première métrique. Elles comptent les licences, les utilisateurs actifs, les prompts ou les documents générés. Ces mesures montrent une activité, pas un impact métier.

Une chaîne de mesure plus solide commence par un workflow spécifique. Elle suit ensuite si l’IA modifie le temps de cycle, les taux d’erreur, la conversion, la qualité de service ou un autre résultat opérationnel. Ce n’est qu’après avoir établi ce lien que les dirigeants peuvent avancer une affirmation financière crédible.

Les conclusions ultérieures de KPMG pour le deuxième trimestre soutiennent cette approche. Les organisations ayant une forte visibilité sur les coûts étaient cinq fois plus susceptibles de déclarer un ROI établi : 15 % contre 3 %.

Cette relation ne prouve pas que les tableaux de bord créent des retours. Les organisations plus capables peuvent mieux réussir à la fois le contrôle des coûts et le déploiement de l’IA. Néanmoins, cette tendance renforce un point pratique : les équipes ne peuvent pas gérer un investissement qu’elles ne voient pas.

La véritable fracture oppose l’orchestration au déploiement d’outils

Les organisations qui prennent de l’avance coordonnent l’IA entre workflows, données, gouvernance et décisions humaines.

KPMG identifie environ 11 % des répondants comme des leaders de l’IA. Leur avantage ne vient pas uniquement de dépenses plus élevées ou du déploiement d’un plus grand nombre d’outils. Il provient du fait qu’ils traitent l’IA comme une composante de leur modèle opérationnel.

Le rapport appelle cela l’orchestration. Dans ce contexte, l’orchestration consiste à coordonner modèles, agents, données, contrôles, employés et processus métier comme un système unique géré.

Il s’agit d’une exigence plus élevée que de proposer un chatbot aux employés. Un assistant généraliste peut aider à la rédaction, à la synthèse ou à l’exploration tout en laissant inchangé le workflow environnant. L’IA orchestrée modifie la manière dont le travail entre dans un processus, dont le contexte l’accompagne, dont les décisions sont examinées et dont les résultats reviennent sous forme de feedback.

Prenons un workflow de support client. Un déploiement de base permet à un agent de rédiger une réponse. Un système plus mature récupère l’historique exact du compte, applique les politiques, signale l’incertitude, oriente les cas sensibles vers une personne, enregistre la résolution et mesure si le service s’est amélioré.

Le second système exige bien plus qu’un modèle performant. Il nécessite des données fiables, des autorisations système, des règles d’escalade claires, une surveillance et un responsable de processus clairement identifié.

Le même schéma s’applique au développement de produits. Un assistant isolé peut synthétiser des entretiens ou générer des exigences. Un workflow intégré relie les éléments de recherche, les retours clients, les décisions produit, les contraintes techniques et les résultats ultérieurs.

Ce lien explique pourquoi une base de connaissances IA consultable peut compter davantage qu’une autre interface générique. Le modèle a besoin d’un contexte organisationnel pertinent, tandis que les employés ont besoin d’un moyen d’examiner et de réutiliser les éléments à l’origine de son résultat.

Les recherches antérieures de McKinsey ont montré que la refonte des workflows entretenait l’une des relations les plus fortes avec l’impact déclaré sur les bénéfices de l’IA générative. Pourtant, moins d’un tiers des répondants ont indiqué que leurs organisations appliquaient la plupart des pratiques étudiées d’adoption et de déploiement à grande échelle.

Moins d’un répondant sur cinq a déclaré suivre des indicateurs de performance clairement définis pour les solutions d’IA générative. Ce constat révèle la faiblesse qui sous-tend de nombreuses affirmations d’adoption. Une entreprise ne peut pas apprendre quels déploiements fonctionnent si elle n’a pas défini ce que signifie la réussite.

La refonte des workflows crée également des difficultés politiques et organisationnelles. Elle modifie les responsabilités, les circuits d’approbation, les hypothèses d’effectifs et parfois les frontières entre départements. Installer un outil est souvent plus simple que négocier ces changements.

Les employés peuvent utiliser fréquemment un assistant tout en évitant de s’y fier pour des décisions importantes. Les managers peuvent encourager l’expérimentation sans modifier les attentes de production. Les équipes de sécurité peuvent approuver une interface, mais bloquer les connexions de données nécessaires à une intégration plus profonde.

Ces conditions produisent un usage visible sans impact structurel. Les employés génèrent davantage de brouillons et de synthèses, mais les décisions continuent de passer par les mêmes goulets d’étranglement. L’organisation s’active davantage sans devenir sensiblement plus rapide.

Le groupe des organisations leaders de KPMG suggère une autre voie. Ces organisations alignent l’IA sur la croissance plutôt que de se concentrer uniquement sur la réduction des coûts. Elles font également état d’une meilleure préparation des effectifs et d’une plus grande confiance dans la mesure de l’impact sur l’activité.

C’est important, car la réduction des coûts encourage une question de mise en œuvre étroite : quelles tâches existantes un modèle peut-il accomplir ? Une question orientée vers la croissance demande comment l’IA transforme le produit, l’expérience client ou la vitesse d’apprentissage.

La première approche peut apporter des gains d’efficacité utiles. La seconde exige davantage de coordination, mais elle crée aussi des résultats que les concurrents pourraient avoir plus de mal à reproduire.

Microsoft décrit une destination similaire avec son concept de « Frontier Firm ». Son Work Trend Index a analysé 31 000 travailleurs dans 31 pays, des données sur le marché du travail de LinkedIn et l’activité Microsoft 365.

Microsoft affirme que ces entreprises organisent le travail autour d’équipes composées d’humains et d’agents, avec une intelligence disponible à la demande. Ce cadre reflète le point de vue d’un fournisseur, et ses affirmations sur les performances méritent donc un examen attentif. Il saisit néanmoins la direction organisationnelle mise en évidence par KPMG.

La séparation concurrentielle n’oppose donc pas Microsoft à Google, ni un modèle de fondation à un autre. Elle oppose le déploiement d’outils à l’orchestration opérationnelle.

Les organisations suivant la première voie accumulent les licences et les projets pilotes. Celles qui suivent la seconde sélectionnent des flux de travail, connectent un contexte fiable, attribuent les responsabilités, mesurent les résultats et révisent les processus.

Le choix du modèle reste important pour la qualité, le coût, la sécurité et la latence. Toutefois, changer de modèle ne peut pas corriger l’absence de responsabilité claire ou d’objectif commercial défini.

Ce que les chiffres d’adoption de l’IA ne prouvent toujours pas

La dynamique des enquêtes est réelle, mais la maturité et la valeur déclarées restent des mesures imparfaites de la performance opérationnelle.

Les recherches de KPMG reflètent les perceptions de dirigeants de grandes organisations. Ces responsables peuvent décrire la stratégie, les investissements et la direction organisationnelle, mais ils n’observent pas nécessairement l’usage quotidien dans chaque équipe.

L’enquête couvre également des organisations qui diffèrent selon les régions, les secteurs, la réglementation et les capacités techniques. Une banque déployant l’IA dans des processus de revue contrôlés fait face à des contraintes différentes de celles d’une entreprise de logiciels ajoutant un assistant à ses outils de développement.

Les pourcentages agrégés peuvent masquer ces différences. Ils peuvent aussi dissimuler si les répondants utilisent la même définition de la « valeur commerciale significative ».

Un dirigeant peut interpréter la valeur comme une production plus rapide des employés. Un autre peut exiger une hausse des revenus ou une baisse des dépenses. Un troisième peut comptabiliser l’évitement des risques, même lorsque la perte évitée ne peut pas être observée directement.

Un ROI établi semble plus précis, mais les répondants à l’enquête peuvent toujours appliquer des méthodes différentes. Certains peuvent inclure les coûts de mise en œuvre et de supervision, tandis que d’autres ne comparent les bénéfices qu’aux frais des logiciels.

Les chiffres de KPMG doivent donc être considérés comme des indications directionnelles de maturité, et non comme des preuves auditées de rendements économiques.

La même prudence s’applique aux comparaisons entre rapports. L’AI Index 2026 de Stanford indique que l’adoption de l’IA par les organisations a atteint 88 % en 2025. Il note également que le déploiement d’agents est resté à un chiffre dans presque toutes les fonctions métier.

Ces faits sont compatibles, car l’accès généralisé est arrivé avant l’utilisation opérationnelle en profondeur. Ils montrent aussi pourquoi un seul pourcentage d’adoption ne peut pas répondre à la question de savoir si l’IA a transformé l’organisation.

L’AI Index met en évidence des gains de productivité plus importants dans les tâches structurées et mesurables. Il cite des études montrant des gains dans le support client, le développement logiciel et la production marketing, tout en relevant des résultats plus faibles pour les tâches nécessitant un raisonnement plus approfondi.

Ce schéma impose une contrainte importante. L’IA fonctionne mieux lorsque les équipes peuvent définir les entrées, examiner les sorties et mesurer les résultats. Le travail stratégique ouvert dispose de moins de signaux de retour fiables.

Une entreprise peut toujours utiliser l’IA pour des tâches complexes, mais elle a besoin d’une supervision humaine plus solide et d’un moyen plus clair de détecter les erreurs. Sans ces garde-fous, une production plus rapide peut simplement accélérer de mauvaises décisions.

La sécurité et la confidentialité ajoutent une autre source de friction. KPMG a constaté que 75 % des répondants se disaient préoccupés par les risques et la sécurité liés à l’IA. Seules 20 % des organisations en phase initiale ont déclaré avoir confiance dans leur capacité à gérer les risques liés à l’IA, contre 47 % des leaders de l’IA.

Ces préoccupations ne constituent pas un argument pour arrêter les déploiements. Elles montrent pourquoi l’accès seul ne peut pas produire de maturité. Une organisation a besoin de politiques, de contrôles techniques, de routines d’évaluation et d’une responsabilité claire en cas d’incident avant de pouvoir étendre les cas d’usage sensibles.

La préparation des effectifs crée une contrainte similaire. KPMG a constaté que 68 % des organisations exprimaient un certain niveau de confiance dans leur vivier de talents, mais que seules 22 % faisaient état d’une forte confiance.

Former les employés à rédiger des prompts ne suffira pas, à lui seul, à combler cet écart. Les travailleurs doivent savoir quand l’IA est appropriée, quelles preuves une sortie exige, quelles données peuvent être utilisées et à quel moment une personne doit reprendre le contrôle.

Les dirigeants doivent également décider comment le temps gagné sera transformé en valeur. Si un employé termine une tâche plus rapidement mais reçoit davantage de travail à faible valeur, l’organisation a amélioré l’efficacité locale sans modifier sa performance.

C’est à ce stade que les programmes d’adoption se déconnectent souvent de la conception de l’activité. Les équipes technologiques gèrent les outils, les équipes de formation gèrent l’apprentissage, les équipes financières demandent des retours et les équipes opérationnelles conservent leurs objectifs existants. Aucun responsable unique ne contrôle l’ensemble du résultat.

La lecture sceptique de l’enquête KPMG n’est donc pas que l’IA n’a produit aucune valeur. C’est que la distance entre la valeur déclarée et le ROI établi reste trop grande pour permettre des conclusions simples.

La lecture optimiste est plus précise. Un petit groupe a commencé à relier le déploiement à des résultats mesurables à l’échelle de l’entreprise, ce qui suggère que la valeur est possible lorsque les conditions organisationnelles le permettent.

Les deux interprétations rejettent la même erreur : traiter l’accès, l’usage et l’impact comme des synonymes.

Trois signaux montreront si l’écart se réduit

La prochaine phase sera déterminée par l’adoption des flux de travail au quotidien, la responsabilité des coûts et des résultats opérationnels mesurés.

Le premier signal est la progression le long de la courbe de maturité de KPMG. Son enquête du deuxième trimestre a déjà montré que la part des organisations où l’IA fait partie du travail quotidien est passée de 13 % au premier trimestre à 22 %.

Il s’agit d’un progrès significatif, car l’utilisation courante exige davantage qu’un projet pilote temporaire. Toutefois, la confirmation la plus solide serait une hausse correspondante du ROI établi, et pas seulement le passage de l’expérimentation à l’adoption.

L’enquête de KPMG du deuxième trimestre a révélé que le ROI établi restait concentré à 7 %. L’échantillon et le cadrage trimestriel exigent une comparaison prudente, mais le message reste cohérent. L’usage quotidien progresse plus vite que les retours vérifiés.

Si de futures enquêtes montrent une adoption plus large accompagnée d’un ROI en hausse, l’argument en faveur de l’apprentissage à l’échelle de l’entreprise se renforcera. Si l’adoption progresse tandis que le ROI reste proche des niveaux actuels, l’écart de valeur deviendra plus difficile à écarter comme un simple retard temporaire.

Le deuxième signal est la visibilité des coûts. Les dirigeants devraient surveiller si les organisations peuvent attribuer les dépenses de modèles, d’agents, d’infrastructure, d’intégration et de revue humaine à des flux de travail particuliers.

Les tableaux de bord de coûts ne suffisent pas à établir la valeur. Ils deviennent utiles lorsqu’ils sont associés à des mesures opérationnelles et à des responsables clairement identifiés.

KPMG a indiqué que 53 % des organisations disposaient de tableaux de bord de suivi des coûts de l’IA au deuxième trimestre. Cinquante-quatre pour cent incluaient des revues de coûts dans les processus d’approbation de l’IA.

Le test le plus exigeant consiste à déterminer si ces contrôles modifient les décisions. Les équipes devraient abandonner les cas d’usage faibles, repenser ceux qui sont coûteux et étendre les déploiements produisant des résultats défendables.

Si les entreprises continuent à se développer sans comprendre les coûts basés sur l’usage, l’IA agentique pourrait creuser l’écart. Les systèmes multi-agents peuvent multiplier les appels, les tokens, les outils et les points de défaillance au sein d’une même tâche.

Le troisième signal est la preuve au niveau du flux de travail. Les vastes enquêtes auprès des employés resteront utiles, mais les décideurs ont besoin de mesures liées à des processus précis.

Un déploiement dans le support devrait suivre la qualité de résolution, le temps de cycle, les taux d’escalade et les résultats clients. Un déploiement dans le développement devrait suivre les délais de livraison, les défauts, la charge de revue et la maintenabilité. Un déploiement dans la recherche devrait mesurer l’exactitude, la qualité des sources et la vitesse de décision.

Ces mesures devraient aller au-delà de démonstrations de courte durée. Un flux de travail qui réussit pendant quatre semaines peut se dégrader à mesure que les données évoluent, que les employés s’adaptent ou que l’usage s’étend.

Les organisations devraient également publier des distinctions plus claires entre productivité brute et valeur captée. Gagner dix minutes ne crée pas automatiquement un retour financier. L’organisation doit rediriger cette capacité ou améliorer un résultat auquel les clients accordent de la valeur.

Google News continuera de mettre en avant de grands pourcentages d’adoption, car ils offrent des titres simples. Les preuves les plus importantes apparaîtront dans des mesures opérationnelles moins spectaculaires.

Surveillez la part des organisations déclarant un ROI établi. Observez si la visibilité des coûts modifie les choix de déploiement. Ensuite, vérifiez si les flux de travail individuels produisent des gains durables après prise en compte des coûts de supervision, d’intégration et de risque.

Pour les acheteurs en entreprise et les travailleurs du savoir, la question pratique n’est plus de savoir si l’IA mérite l’expérimentation. Les preuves montrent que l’expérimentation est déjà largement répandue.

La question est de savoir si votre organisation peut désigner un flux de travail important, définir son niveau de référence, connecter le bon contexte, attribuer un responsable et mesurer le résultat dans le temps.

Si elle ne le peut pas, un autre modèle ou agent ne comblera pas l’écart. Si elle le peut, l’adoption de l’IA dispose d’une voie vers un impact qui survivra au prochain titre de Google News.