Les entreprises françaises adoptent massivement l’IA, mais peinent encore à en mesurer les bénéfices économiques. Après les premières expérimentations, la question du retour sur investissement devient centrale, tout comme celle de la fiabilité et du coût des outils déployés. Pour Laurent Martini, DG EMEA d’Anaplan, la création de valeur passe notamment par une meilleure articulation entre IA générative, logiciels métiers et capacités de calcul.
En quelques mois, l’intelligence artificielle est passée du statut de sujet d’innovation à celui de priorité stratégique. En France, le mouvement est spectaculaire. Début 2026, plus des deux tiers des entreprises françaises d’au moins 20 salariés déclaraient utiliser des outils d’IA générative, selon la Banque de France. Mais derrière cette accélération se cache un paradoxe. L’adoption progresse beaucoup plus vite que la création de valeur mesurable. Les premiers bénéfices constatés restent essentiellement des gains de productivité et, selon une étude PwC publiée cette année, 81 % des dirigeants français interrogés considèrent que l’IA n’a pas encore d’impact sur leurs revenus. Nous arrivons donc à un tournant. La question posée aux entreprises n’est plus : « Quelle est notre stratégie IA ? » mais plutôt : « Quelle valeur notre stratégie IA produit-t-elle réellement ? »
L’IA doit désormais passer l’épreuve du ROI
Après une première phase consacrée à l’expérimentation et à la multiplication des cas d’usage, une nouvelle série de questions, beaucoup plus économiques, s’impose désormais : combien coûte réellement chaque cas d’usage ? Peut-il fonctionner à l’échelle de toute l’entreprise ? Quelle productivité génère-t-il ? Et surtout, les résultats produits sont-ils suffisamment fiables pour servir de base à une décision engageante ? C’est ici qu’apparaît une distinction fondamentale entre deux formes d’intelligence numérique. Les grands modèles de langage excellent dans le raisonnement, l’interaction avec l’utilisateur, la synthèse ou l’exploration d’une information complexe. Mais leur fonctionnement reste probabiliste. À l’inverse, les moteurs de calcul utilisés pour modéliser les processus financiers, commerciaux ou opérationnels produisent des résultats déterministes. L’avenir des applications d’entreprise ne réside donc probablement pas dans le remplacement de l’un par l’autre, mais dans leur combinaison.
Raisonner et calculer : deux fonctions complémentaires
Prenons un cas simple : une entreprise souhaite mesurer l’impact d’une hausse du prix d’une matière première sur sa marge, sa trésorerie, ses capacités de production et plusieurs scénarios de ventes. L’IA générative peut aider le décideur à formuler son interrogation, explorer les résultats ou identifier les questions qu’il devrait ensuite poser. Mais effectuer en permanence des millions ou des milliards de calculs interdépendants sur des données financières et opérationnelles constitue un problème d’une autre nature. Tenter d’utiliser un modèle de langage comme moteur de calcul créerait deux difficultés : celle de la fiabilité du résultat et celle de son coût à grande échelle. La consommation de ressources informatiques et énergétiques de l’IA est d’ailleurs en train de devenir un véritable sujet de pilotage. Après une période pendant laquelle la priorité consistait avant tout à expérimenter, les entreprises commencent à regarder beaucoup plus attentivement la consommation de leurs applications, leur coût marginal et leur retour sur investissement. Pour les directions financières, cette évolution est saine. L’IA ne peut durablement échapper aux réalités économiques qu’elle est justement censée aider à améliorer.
Au-delà des gains de productivité, repenser le travail
Se limiter au coût ferait cependant passer à côté de l’essentiel. Car l’opportunité la plus intéressante n’est peut-être pas d’utiliser l’IA pour effectuer plus rapidement les tâches existantes. Elle consiste à repenser la façon dont certaines fonctions travaillent. Prenons l’exemple d’un analyste financier réalisant une analyse des écarts entre les résultats et les prévisions. Une part importante de son temps peut encore être consacrée à collecter les données, les rapprocher, réaliser l’analyse, vérifier les résultats puis rédiger des commentaires. Un agent IA intégré directement à un environnement de planification peut prendre en charge une grande partie de ce travail préparatoire : réaliser l’analyse de variance, identifier les écarts significatifs, produire un premier commentaire et permettre ensuite à l’utilisateur d’interroger les résultats en langage naturel. Le rôle de l’analyste évolue alors profondément. Il passe du « quoi ? » au « pourquoi ? ». Au lieu de consacrer son énergie à identifier ce qui a changé, il peut chercher à comprendre pourquoi cela a changé, quelles en seront les conséquences et surtout quelle décision l’entreprise doit prendre. C’est probablement là que réside le véritable ROI de l’IA : moins dans le temps gagné sur certaines tâches que dans la possibilité de recentrer le travail humain sur ce qui crée le plus de valeur, l’analyse, le jugement et la prise de décision.
Le prochain défi des entreprises françaises : industrialiser l’IA
Cette évolution est particulièrement importante pour les entreprises françaises. Leur retard d’adoption de l’IA par rapport à leurs homologues européennes se réduit rapidement. Mais adopter une technologie et l’industrialiser sont deux choses différentes. L’étape suivante consistera donc moins à multiplier les expérimentations qu’à identifier les processus où l’IA peut produire une valeur mesurable, tout en répondant aux exigences de fiabilité, de gouvernance et de maîtrise des coûts propres aux grandes entreprises. Cela suppose également de dépasser l’opposition entre logiciels d’entreprise traditionnels et IA. Les entreprises n’auront vraisemblablement pas à choisir entre les deux. Les plateformes capables de combiner leurs moteurs spécialisés, leurs données métier et leurs règles de gouvernance avec les capacités de raisonnement et d’interaction des modèles d’IA disposeront au contraire d’un avantage déterminant. Nous entrons ainsi dans une deuxième phase de l’IA en entreprise. La première était dominée par une question : « Que pouvons-nous faire avec l’IA ? » La suivante sera beaucoup plus exigeante : « Quelles décisions pouvons-nous réellement prendre grâce à elle, à quel coût et avec quel niveau de confiance ? » Pour les dirigeants, et tout particulièrement pour les directions financières, c’est sans doute une bonne nouvelle. Car après le temps des promesses vient celui de la preuve.
