Très testée, très visible, mais encore rarement déployée à grande échelle. Une enquête européenne menée auprès de directions achats montre que la question de l’IA generative n’est plus technologique. Elle est devenue économique, organisationnelle et surtout opérationnelle : l’IA générative entre dans une phase de sélection.
La fin de l’illusion universelle
Entre fascination et pragmatisme, l’IA générative a changé de statut. Dans leur étude de janvier dernier, Efeso parle du passage de la « hype » à la réalité des usages. Le mouvement est désormais tangible : les organisations ne cherchent plus à déployer l’IA partout, mais à déterminer précisément où elle peut réellement produire de la valeur.
L’étude menée fin 2025 auprès de 50 responsables achats européens montre un paradoxe frappant. L’exposition à l’IA est massive : 93 % des répondants l’ont déjà utilisée et 70 % s’en servent aussi bien au travail que dans la sphère personnelle. Pourtant, la généralisation reste marginale. Trois quarts des organisations expérimentent encore, 20 % seulement ont partiellement déployé des solutions et à peine 5 % ont réellement industrialisé.
L’explication tient à la fin d’une croyance : celle d’une transformation rapide et universelle. L’IA générative apporte bien de la valeur, mais ni instantanément ni systématiquement, et au prix d’efforts structurels importants. Le récit des « quick wins » qui dominait entre 2024 et 2025 s’efface au profit d’une logique d’arbitrage.
Piloter la valeur plutôt que multiplier les pilotes
La vague d’expérimentations a laissé place à une sélection économique. Plus d’une organisation sur deux prévoit encore de lancer des projets en 2026, mais un tiers préfère attendre et 14 % n’envisagent aucun investissement. L’IA n’est plus un passage obligé : elle doit désormais rivaliser avec les autres leviers de performance.
La contrainte principale n’est pas la maturité technologique mais la crédibilité économique. ROI incertain, pression budgétaire et coûts d’intégration imposent de justifier chaque projet. Les expérimentations ne suffisent plus : seules celles reliées à un objectif mesurable continuent.
Les organisations avancées convergent vers quelques cas d’usage précis : analyse contractuelle, intelligence fournisseurs, analyse des dépenses ou automatisation RFx. Ces domaines présentent un point commun : ils exploitent du texte non structuré, domaine où les modèles sont déjà performants, et génèrent des gains immédiats de productivité sans transformation organisationnelle profonde.
À l’inverse, les usages plus stratégiques (comme la négociation assistée ou l’anticipation des risques) nécessitent intégration de données multiples, simulations multi-agents et refonte des processus. Leur valeur potentielle est élevée, mais leur seuil d’entrée l’est aussi.
Les vrais freins : données, confiance et organisatio
Si l’échelle reste difficile à atteindre, ce n’est pas par manque d’intérêt. Les obstacles sont structurels. La qualité et la fragmentation des données arrivent en tête des difficultés. Des informations dispersées, incomplètes ou incohérentes limitent la fiabilité des résultats et réduisent la profondeur des analyses. L’intégration dans les systèmes existants ajoute une complexité souvent sous-estimée.
Viennent ensuite les enjeux de confiance. Les hallucinations et la fiabilité des réponses constituent le principal risque cité, suivis par les questions de conformité et de confidentialité. L’incertitude sur le stockage ou la réutilisation des données freine les déploiements hors environnements contrôlés. Le biais décisionnel et la dépendance fournisseur renforcent cette prudence.
Enfin, la dimension humaine pèse lourd. Le manque de compétences et de formation est identifié comme le premier obstacle à la création de valeur, devant l’intégration technique. L’IA exige de nouvelles capacités : interpréter les résultats, redéfinir les rôles et repenser les processus. Sans appropriation, les projets restent des démonstrateurs technologiques.
2026, l’année de la sélection
Les premiers bénéfices observés sont presque exclusivement liés à la productivité : analyse d’offres, synthèse documentaire, génération de documents ou support à la communication quotidienne. Ils créent un effet d’apprentissage et préparent des usages plus structurants, mais ne constituent pas encore la transformation attendue.
Seule une organisation sur trois se déclare pleinement satisfaite de la valeur obtenue. L’écart entre attentes et résultats a conduit à un changement d’approche : moins d’initiatives, mais mieux ciblées, associées à gouvernance, formation et suivi de performance.
L’IA générative ne disparaît pas, elle se discipline. 2026 ne sera pas l’année du déploiement généralisé, mais sans surprise celle de la clarté stratégique : industrialiser quelques cas d’usage, consolider les fondations et transformer des gains ponctuels en performance durable. Ceux qui y parviennent sortiront du mode pilote. Les autres continueront d’expérimenter.
