Les 6 % qui réussissent l'IA : ce qu'ils font que les autres ne font pas

88 — 94 — 6

88 % des entreprises utilisent l'IA dans au moins une fonction métier. 72 % ont déployé de l'IA générative — contre 33 % il y a dix-huit mois. Le rapport McKinsey State of AI 2025 publié en novembre dernier le confirme : l'adoption est faite. Le sujet n'est plus là.

Le sujet est ailleurs. 94 % de ces entreprises ne rapportent aucune valeur significative de leurs investissements IA. Pas peu. Pas marginale. Aucune. Et 6 % seulement sont qualifiées par McKinsey d'AI high performers — les entreprises qui attribuent 5 % ou plus de leur EBIT directement à l'IA.

6 contre 94. Voilà le ratio qui doit vous réveiller.

Cet article décortique le pourquoi. Pas en théorie. À partir des données McKinsey, du Digital Economy Lab de Stanford qui a analysé 51 déploiements entreprise en mars 2026, et de ce qu'on observe nous-mêmes sur le terrain depuis trois ans — MFA, Expert-Flow, Prizoners, et notre propre usine logicielle Jarvis.

Sept caractéristiques. Observables. Reproductibles. Visibles chez les 6 %. Absentes chez les 94 %.

Le chiffre qui change tout : 5 % d'EBIT

McKinsey ne classe pas les AI high performers sur l'enthousiasme. Pas sur le nombre de POC. Pas sur le nombre d'outils déployés. Pas sur la couverture des fonctions.

Un seul critère : 5 % ou plus de l'EBIT attribuable à l'IA.

Ce qui veut dire : ces entreprises sont capables de tracer une ligne entre une décision d'investir dans un agent et une ligne de leur résultat opérationnel. Elles savent dire : « cette marge, on l'a parce qu'on a fait ça. »

94 % en sont incapables. Elles ont déployé. Elles n'ont rien mesuré. Ou pire — elles ont mesuré du vent : nombre de POC lancés, taux d'utilisation des copilotes, satisfaction des collaborateurs face à un chatbot.

Les 6 % parlent en euros. Les 94 % parlent en adoption. C'est toute la différence.

L'autre chiffre que McKinsey martèle : sur les déploiements agentiques — agents autonomes intégrés à des processus métier réels —, les gains de productivité médians atteignent +71 %. Sur l'automatisation classique, +40 %. L'écart est colossal. Les 6 % le savent. Les 94 % font encore de l'automatisation et appellent ça « transformation IA ».

Voici les sept caractéristiques observables qui séparent les deux camps.

Caractéristique 1 : Ils cartographient les processus avant de tester les outils

Les 94 % commencent par l'outil. Ils achètent Copilot, ChatGPT Enterprise, une plateforme RAG, et cherchent ensuite où l'utiliser. Résultat : des copilotes ouverts par 60 % des collaborateurs trois fois la première semaine, puis plus jamais.

Les 6 % font l'inverse. Ils commencent par un audit froid de leurs processus. Quel collaborateur passe combien de temps sur quelle tâche. Où est la friction. Où est la valeur. Où est le coût.

C'est exactement ce qu'on a fait chez MFA. Avant de toucher au moindre agent, on a cartographié le SAV. Trois heures par jour, par technicien, perdues à chercher la même information dans des PDF de 400 pages, des fiches techniques éparpillées, des historiques mails. Le diagnostic a précédé l'outil. L'agent RAG est venu après. Cinq semaines de déploiement. Trois heures par jour récupérées, mesurées, vérifiées.

La différence n'est pas technique. Elle est méthodologique. Les 6 % savent ce qu'ils cherchent à éliminer avant de choisir avec quoi l'éliminer.

Caractéristique 2 : Ils mesurent en heures-cadres libérées, pas en cas d'usage déployés

Demandez à un Chief AI Officer d'une entreprise du CAC 40 combien de cas d'usage IA il a en production. Il vous répondra : 47. 82. 130. Il sera fier.

Demandez-lui combien d'heures de travail cadre ont été libérées sur les six derniers mois grâce à ces cas d'usage. Silence.

Les 6 % ont arrêté de compter les cas d'usage. Ils comptent les heures. Précisément. Par fonction. Par équipe. Par individu si nécessaire.

Sur Expert-Flow.ai, notre lab interne devenu produit, la métrique unique est simple : un rapport d'expertise judiciaire passait de 8 heures à 2 heures 30. Sept heures cinquante de gagné. Pas un cas d'usage. Une économie de temps mesurable, traçable, défendable devant un CFO.

Le test est binaire : si vous ne pouvez pas convertir un déploiement IA en heures-cadres libérées multipliées par un coût horaire chargé, c'est que vous n'avez rien déployé. Vous avez fait du marketing interne.

Caractéristique 3 : Leur sponsor est opérationnel, pas stratégique

Dans les 94 %, l'IA est sponsorisée par le Chief Digital Officer, le Chief Transformation Officer, parfois la direction de l'innovation. Des fonctions transverses. Sans P&L. Sans douleur métier.

Dans les 6 %, le sponsor souffre du problème. C'est le directeur des opérations qui paie les heures supplémentaires du SAV. C'est le directeur juridique qui voit ses associés partir parce que les rapports d'expertise prennent leurs soirées. C'est le directeur industriel dont les marges fondent parce que la qualité documentaire dérape.

Le sponsor opérationnel a une caractéristique que le sponsor stratégique n'a jamais : il veut le résultat plus que la transformation. Il accepte un agent moche s'il libère trois heures par jour. Il refuse un POC élégant qui ne change rien.

Chez Prizoners, à Grenoble, deux mois de déploiement avec un sponsor opérationnel qui ne lâchait rien. C'est ce qui a fait la vitesse. Pas la technologie. La douleur du sponsor.

Sans sponsor qui souffre, vous êtes dans les 94 %. Mécaniquement.

Caractéristique 4 : Ils ont formé leur COMEX avant leurs équipes

C'est contre-intuitif. La tentation, c'est de former les opérationnels — ceux qui vont utiliser l'IA au quotidien. Toutes les entreprises le font. C'est nécessaire. Ce n'est pas suffisant.

Les 6 % font autre chose en premier : ils forment leur comité exécutif. Pas une sensibilisation d'une heure. Une vraie montée en compétences. Comprendre ce qu'est un LLM, ce qu'est un agent, ce qu'est un RAG, ce qu'est l'inférence, ce qu'est un coût token. Pourquoi ? Parce qu'un COMEX qui ne comprend pas l'IA arbitre mal. Il dit non quand il faut dire oui. Il dit oui quand il faut dire non. Il transforme des projets prometteurs en POC éternels.

Stanford le confirme dans son analyse 2026 des 51 déploiements : les programmes qui réussissent ont systématiquement un comité de direction techniquement littéré sur l'IA. Pas tous experts. Mais aucun analphabète.

Vous voulez tester votre maturité ? Posez à votre DG cette question : « Quelle est la différence entre un copilote et un agent ? » S'il hésite, vous êtes dans les 94 %.

Caractéristique 5 : Leur DG a tranché publiquement sur ce qui peut sortir de l'entreprise

C'est la décision la plus douloureuse. Et la plus discriminante.

Les 94 % laissent flotter. Officiellement, ChatGPT est interdit. Officieusement, 80 % des collaborateurs y mettent des contrats clients, des données RH, des extraits de code propriétaire. La direction le sait. Elle ne tranche pas. La zone grise dure des années.

Les 6 % ont tranché. Publiquement. Par écrit. Avec une charte signée. Voilà ce qui peut sortir. Voilà ce qui ne peut pas. Voilà les outils homologués. Voilà ce qu'on construit en interne parce qu'on ne fera jamais sortir ces données.

Cette décision ouvre tout. Elle débloque les budgets pour les solutions internes. Elle légitime les outils homologués. Elle responsabilise les équipes. Elle protège l'entreprise.

L'absence de cette décision verrouille tout. Les équipes hésitent. Les budgets stagnent. Les juristes bloquent. Les meilleurs cas d'usage restent en stand-by parce que personne n'a osé dire si oui ou non on pouvait passer un contrat dans un LLM.

Le DG des 6 % tranche. Le DG des 94 % attend que ça se décante. Ça ne se décante jamais.

Caractéristique 6 : Ils déploient en sprints courts (5 à 8 semaines), pas en projets longs

La culture projet — celle des cabinets de conseil traditionnels, des grands intégrateurs, des DSI à l'ancienne — c'est du 6 mois minimum. Cadrage. Spécifications. Architecture. Build. Tests. Recette. Bascule.

Au bout de 6 mois, le LLM sous-jacent a changé. La feature attendue est sortie native dans un outil du marché. Le sponsor a changé de poste. Le budget est consommé à 60 %. Le déploiement est repoussé.

Les 6 % déploient en sprints courts. MFA : cinq semaines. Prizoners : deux mois. Expert-Flow : une première version utilisable en six semaines, itérations continues ensuite.

Ce n'est pas de l'agilité molle. C'est une discipline. Un périmètre serré. Un sponsor unique. Une équipe restreinte. Un livrable mesurable. Et on enchaîne. Cinq déploiements de huit semaines dans l'année battent un projet de douze mois. Toujours. Sur le ROI. Sur l'apprentissage. Sur la motivation des équipes.

Stanford documente la même observation : sur les 51 déploiements analysés, ceux qui ont livré de la valeur l'ont fait en moins de 90 jours. Au-delà, le taux de réussite s'effondre.

Caractéristique 7 : Ils construisent ce qu'ils utilisent

C'est la caractéristique la plus rare. Et la plus puissante.

Les 6 % ne se contentent pas de consommer de l'IA. Ils en construisent. Pour eux-mêmes. Avant d'en vendre. Avant même de la vendre, parfois.

Chez nous, on appelle ça l'auto-application. Jarvis est notre usine logicielle interne. 80 % du code que nous produisons est généré par Jarvis — testé, revu, mais généré. Donna est l'assistante de direction qu'on teste depuis six mois en interne avant de la livrer aux dirigeants qu'on accompagne. Si elle ne marche pas chez nous, elle ne sort pas.

C'est pour ça qu'on parle vrai. C'est pour ça qu'on sait ce qu'on dit quand on dit cinq semaines, trois heures par jour récupérées, 80 % de code généré. On l'a vécu. On le vit.

Les 6 % ont compris : on ne maîtrise vraiment une technologie qu'en la construisant. Et on ne sait la vendre qu'après l'avoir construite. Toutes les autres entreprises font de la revente. Au mieux, de l'intégration. Pas de la maîtrise.

Anaphore

Les 6 % cartographient avant d'acheter. Les 94 % achètent avant de cartographier.

Les 6 % comptent en heures. Les 94 % comptent en POC.

Les 6 % ont un sponsor qui souffre. Les 94 % ont un sponsor qui rêve.

Les 6 % forment leur COMEX. Les 94 % forment leurs stagiaires.

Les 6 % tranchent. Les 94 % temporisent.

Les 6 % déploient en huit semaines. Les 94 % en huit trimestres.

Les 6 % construisent. Les 94 % consomment.

Conclusion : le choix se fait maintenant

McKinsey, Stanford, et ce qu'on voit nous-mêmes sur le terrain convergent. L'écart entre les 6 % et les 94 % ne se réduira pas. Il s'ouvre. Chaque trimestre. Mécaniquement.

Les 6 % capturent 5 % et plus de leur EBIT via l'IA. Demain ce sera 10 %. Dans trois ans, 20 %. Les 94 % verront leurs marges s'éroder en face. Pas parce qu'ils manquent de talent. Pas parce qu'ils manquent d'argent. Parce qu'ils ont confondu adoption et transformation.

Dario Amodei, fondateur d'Anthropic, l'a dit en mai 2025 : 50 % des cols blancs sont à risque dans les cinq ans qui viennent. Pas remplacés. Augmentés ou disqualifiés. Les entreprises qui auront fait le travail seront du bon côté. Les autres non.

Vous voulez basculer dans les 6 % ? Ce n'est pas une question de budget. C'est une question de méthode. Et de décisions que votre DG doit prendre cette semaine.

Parlons-en avec votre COMEX. Voyez comment nous construisons Jarvis et Donna. Regardez nos cas d'école. Et quand vous serez prêt, écrivez-nous.

Dans cinq ans, votre entreprise sera AI Driven. Ou elle ne sera plus.