« Faire de l’IA » n’est pas une stratégie. Automatiser vingt tâches non prioritaires ne l’est pas davantage. Une entreprise progresse lorsqu’elle sait quelle décision améliorer, quelle preuve exiger, quel risque accepter et quelle capacité construire pour le cas suivant.
Le reste est un portefeuille d’outils.
1. Définition : la stratégie IA relie valeur, faisabilité et responsabilité
Une stratégie IA d’entreprise choisit où l’intelligence artificielle peut créer un avantage ou réduire une contrainte, puis organise les données, compétences, processus, technologies et contrôles nécessaires à son exploitation. Elle fixe aussi les usages refusés, différés ou limités.
Elle couvre quatre horizons : assistance individuelle, transformation d’un processus, produit ou service enrichi par l’IA, et capacité commune réutilisable. Chaque horizon possèd'une économie, un délai, une surface de risque et un niveau de gouvernance différents.
La stratégie répond donc à cinq questions : pourquoi investir, sur quels cas, avec quelles preuves, sous quelles limites et grâce à quelles capacités durables ? Si l’une manque, la feuille de route devient soit une liste de souhaits, soit un programme de conformité sans résultat métier.
2. Chiffres clés : adoption visible, profondeur très inégale
- Eurostat mesure qu’en 2025 20,0 % des entreprises européennes d’au moins dix personnes utilisaient une technologie d’IA, contre 13,5 % en 2024. La proportion atteignait 55,03 % dans les grandes entreprises, 30,36 % dans les moyennes et environ 17 % dans les petites.
- En France, l’Insee rapporte 10 % d’entreprises utilisatrices en 2024 : 9 % entre 10 et 49 salariés, 15 % entre 50 et 249, et 33 % à partir de 250. Les périmètres et années diffèrent des données Eurostat 2025 ; il ne faut pas les comparer comme une même photographie.
- Le Baromètre France Num 2025, centré sur les TPE-PME et fondé sur une définition plus déclarative, trouve 26 % d’usage, deux fois plus qu’un an auparavant. L’IA générative domine à 22 %, devant les assistants à 14 %, l’analyse documentaire à 6 %, l’automatisation et l’analyse de données à 5 % chacune.
- Le Stanford AI Index 2026 reprend une enquête internationale où 88 % des organisations déclarent utiliser l’IA et 70 % l’IA générative dans au moins une fonction, mais les agents restent à un chiffre dans presque toutes les fonctions. Ce résultat porte sur un échantillon d’organisations répondantes, pas sur l’ensemble du tissu économique européen.
- Sur 5 179 agents de support, l’étude NBER de Brynjolfsson, Li et Raymond a mesuré 14 % de productivité supplémentaire en moyenne, dont 34 % pour les travailleurs novices ou moins qualifiés. L’hétérogénéité rappelle qu’un gain expérimental ne se transpose pas uniformément.
- Dans l’expérience menée auprès de 758 consultants par Harvard et BCG, l’assistance par GPT-4 a amélioré de plus de 25 % la vitesse et de plus de 40 % la qualité évaluée sur des tâches situées à l’intérieur de la frontière de capacité ; hors de cette frontière, la confiance excessive pouvait dégrader le jugement.
Le message n’est ni euphorique ni défensif. L’usage augmente vite, mais la valeur dépend du travail, de la population, du protocole et des limites du système.
3. Le comité d’investissement IA : six dossiers avant chaque financement
Traitez un cas d’usage comme un investissement soumis à six dossiers. Cette structure oblige l’équipe à produire une réponse exploitable avant d’acheter, d’intégrer ou d’annoncer.
4. Dossier 1 — La décision métier à améliorer
Un cas d’usage n’est pas « rédiger avec un chatbot ». C’est, par exemple, réduire le temps de préparation d’une réponse commerciale tout en conservant l’exactitude des prix, les clauses approuvées et la responsabilité du signataire.
4.1. Partir du flux réel
Décrivez déclencheur, entrées, étapes, acteurs, exceptions, sortie et bénéficiaire. Mesurez volume, délai, reprises, coût, variabilité et conséquences d’une erreur. Une tâche fréquente et standardisée, avec résultat vérifiable, offre généralement un meilleur terrain initial qu’une décision rare, ambiguë et irréversible.
Demandez ensuite pourquoi le problème existe. Si les équipes recherchent deux heures une information parce que les offres ne sont pas structurées, un assistant peut masquer la dette documentaire sans la résoudre ; la première décision stratégique consiste peut-être à créer un référentiel.
4.2. Définir l’unité de valeur
Temps net économisé, dossiers supplémentaires, perte évitée, délai réduit, revenu incrémental ou qualité améliorée : choisissez une unité reliée au compte de résultat ou à un engagement opérationnel. « Nombre de prompts » et « taux d’utilisateurs actifs » décrivent un usage, pas sa valeur.
Prenons 30 collaborateurs traitant chacun 25 dossiers hebdomadaires. Une assistance économise six minutes sur 60 % des dossiers, mais ajoute deux minutes de vérification sur tous : le gain net hebdomadaire vaut 30 × 25 × (0,6 × 6 − 2) = 1 200 minutes, soit 20 heures, avant maintenance et formation. Le calcul empêche de vendre huit heures théoriques comme huit heures libérées.
Issue du dossier valeur : le problème mérite-t-il un investissement et existe-t-il une baseline crédible ?
5. Dossier 2 — La forme d’IA et l’alternative la plus simple
La technologie suit le besoin. Une règle, une recherche structurée, un workflow classique, un modèle prédictif, un RAG, un copilote ou un agent n’offrent pas le même contrôle.
5.1. Comparer sans fétichisme
Pour chaque cas, testez au moins trois options : améliorer le processus sans IA, acheter une fonction existante, et construire ou intégrer un système spécifique. Ajoutez l’option de ne rien faire lorsque le coût du problème est inférieur au coût total de changement.
Une classification stable avec cinquante règles explicites peut coûter moins cher et être plus auditable qu’un modèle généraliste. À l’inverse, un corpus de courriels très variable et multilingue peut justifier une approche statistique si l’erreur est réversible et la revue ciblée.
L’Insee indique que 69 % des entreprises françaises utilisatrices acquéraient surtout des logiciels IA prêts à l’emploi en 2024, contre 29 % par contrat avec un prestataire et 24 % via développement interne ou modification de logiciels libres. La réalité commence souvent par le buy, mais l’avantage dépend de la configuration, des données et de l’intégration.
5.2. Fixer la frontière fonctionnelle
Écrivez ce que le système propose, décide ou exécute. Une suggestion de catégorie, une validation automatique et un virement ont des conséquences différentes ; plus l’action est difficile à annuler, plus preuve, permissions et supervision deviennent exigeantes.
Issue du dossier solution : l’IA surpasse-t-elle une alternative plus simple sur valeur, contrôle et coût total ?
6. Dossier 3 — Les données et la preuve de faisabilité
La démonstration doit utiliser des données représentatives du futur environnement, pas dix exemples choisis parce qu’ils fonctionnent. Elle sépare entraînement, réglage et test final afin de ne pas apprendre le corrigé.
6.1. Construire un jeu d’or
Sélectionnez cas fréquents, rares, ambigus, sensibles et dégradés. Des experts définissent la sortie attendue et leurs désaccords ; si deux professionnels ne s’accordent que dans 70 % des dossiers, exiger 99 % d’un système sans préciser le référentiel n’a pas de sens.
Mesurez au niveau où la décision se prend. Pour une extraction de facture, exactitude par caractère ne suffit pas : montant, TVA, fournisseur, IBAN et doublon portent des risques différents. Pour une réponse, distinguez récupération de la bonne source, exactitude factuelle, respect du périmètre et utilité.
6.2. Tester la variabilité
Rejouez les mêmes cas, les formulations adversariales, les documents longs, les langues, les droits différents et les indisponibilités. Un résultat moyen acceptable peut cacher un segment critique entièrement défaillant.
Définissez seuil d’automatisation, seuil de revue et cas de rejet. Le système le plus professionnel sait parfois s’abstenir, demander une information ou transmettre à l’humain.
Verdict de faisabilité : les données permettent-elles une preuve représentative et les erreurs restent-elles maîtrisables ?
7. Dossier 4 — Le risque, le droit et l’acceptabilité
Le risque dépend de la finalité, des personnes touchées, de l’autonomie, des données et de l’environnement. Le même modèle peut soutenir un brouillon interne à faible enjeu ou participer à une décision d’emploi à haut risque.
7.1. Classifier le cas, pas le fournisseur
Le règlement européen sur l’IA repose sur des niveaux de risque. Les pratiques interdites et les obligations d’acculturation IA s’appliquent depuis le 2 février 2025 ; les obligations relatives aux modèles d’IA à usage général s’appliquent depuis le 2 août 2025, et l’essentiel du règlement s’appliquera à partir du 2 août 2026, avec un calendrier spécifique pour certains systèmes à haut risque après l’accord politique de mai 2026.
Une page fournisseur « conforme AI Act » ne classe pas l’usage de l’entreprise. Documentez rôle juridique, finalité, données, population, décisions, transparence, supervision et chaîne de prestataires avec les conseils juridiques compétents.
7.2. Ajouter sécurité et impact humain
Cartographiez fuites de données, injection, sortie dangereuse, dépendance fournisseur, biais, surveillance du travail, accessibilité et recours. Interrogez les personnes concernées avant le déploiement lorsque le système transforme leurs tâches ou leur évaluation ; l’acceptabilité tardive devient une dette opérationnelle.
Le NIST AI RMF propose quatre fonctions — Govern, Map, Measure, Manage — utiles pour structurer les risques, sans constituer une certification automatique. La CNIL fournit en parallèle ses recommandations RGPD sur finalité, qualification des acteurs, données d’entraînement, sécurité et droits.
Feu de maîtrise : le cas peut-il être exploité légalement, humainement et techniquement dans les limites acceptées ?
8. Dossier 5 — L’économie complète et le scénario d’échelle
Le coût d’un prototype ne prédit pas celui d’un service. Comptez licences, tokens ou infrastructure, intégration, données, annotation, évaluation, formation, support, revue humaine, surveillance, sécurité, changements de modèle et sortie du fournisseur.
8.1. Calculer la valeur nette
Valeur nette = gains observés + pertes évitées − coûts de fonctionnement − coûts du changement − coût des erreurs.
Le temps économisé ne devient une économie que s’il est réalloué, absorbe une croissance, réduit un recrutement ou améliore un résultat mesuré. Sinon, il constitue une capacité disponible dont la valeur reste à organiser.
8.2. Simuler le passage de 100 à 100 000 tâches
Une démonstration à 0,05 € par appel paraît anodine. À 100 000 tâches mensuelles avec cinq appels, 15 % de reprises, journalisation et double modèle de secours, le coût change d’ordre de grandeur ; ajoutez les pics, le contexte long et le support.
Construisez trois scénarios de volume et de performance. Incluez une baisse de prix possible, mais aussi un modèle plus coûteux devenu nécessaire, un fournisseur modifiant ses conditions ou une hausse de revue après dérive.
Verdict économique : la valeur reste-t-elle positive après industrialisation et incertitude ?
9. Dossier 6 — Les capacités réutilisables et la sortie
Une stratégie n’empile pas dix prototypes isolés. Elle identifie les briques qui réduisent le coût du suivant : identité, accès, catalogue de données, passerelle de modèles, évaluation, journalisation, monitoring, bibliothèque de prompts, gestion des incidents et contrat fournisseur.
9.1. Construire au rythme des besoins
Ne créez pas une plateforme universelle avant les cas. Le premier projet installe le minimum robuste ; le deuxième vérifie la réutilisation ; le portefeuille finance ensuite les composants dont plusieurs équipes démontrent le besoin.
Standardisez les interfaces, pas toutes les solutions. Une extraction documentaire, une vision industrielle et une prévision de demande exigent des métriques différentes, même si elles partagent identité, registre et observabilité.
9.2. Préparer la réversibilité
Export des données et journaux, version des prompts, formats ouverts, droits sur les annotations, alternatives de modèle, délai de sortie et mode dégradé doivent exister avant la dépendance. La souveraineté utile se mesure par la capacité à décider, auditer, déplacer ou arrêter, pas uniquement par le pays du siège social.
Choix d’architecture : le cas renforce-t-il une capacité future sans enfermer inutilement l’entreprise ?
10. Cas d’arbitrage : trois projets, un seul trimestre disponible
Le comité compare un copilote commercial, une prévision de ruptures et un agent capable de modifier les commandes fournisseurs. Le premier promet 1 500 heures gagnées par an, mais le temps actuel n’a jamais été mesuré ; le second dispose de trois années de données et d’un coût de rupture documenté ; le troisième offre l’impact théorique le plus élevé, avec une action financière difficile à annuler.
Le copilote reçoit un petit budget de mesure : chronométrage de la préparation, jeu de propositions, vérification des erreurs de prix et protocole de réallocation du temps. Il ne passe pas immédiatement en production générale, car la valeur annoncée repose encore sur une hypothèse.
La prévision obtient le financement principal. Son bénéfice se calcule sur rupture évitée, surstock, taux de service et erreur par horizon ; l’équipe conserve une règle de référence et teste la recommandation sans automatiser la commande pendant deux cycles complets.
L’agent fournisseur est différé. Le comité finance d’abord identité technique, permissions limitées, environnement de simulation et validation humaine, puis exige une preuve sur des actions réversibles avant tout accès d’écriture.
Aucun projet n’est rejeté par principe. Chacun reçoit le prochain investissement capable de réduire son incertitude la plus importante, ce qui protège le capital tout en maintenant un chemin vers la valeur.
C’est la discipline du portefeuille.
11. La matrice de portefeuille : exploiter, expérimenter, préparer, refuser
Une matrice impact × preuve × risque classe les initiatives en quatre poches.
- Exploiter : valeur répétée, données stables, risques maîtrisés ; objectif d’échelle.
- Expérimenter : hypothèse forte mais preuve incomplète ; budget d’apprentissage plafonné.
- Préparer : valeur plausible, dépendance manquante ; travail sur données, processus ou droit.
- Refuser/différer : économie faible, risque disproportionné ou absence de recours.
Attribuez 50 à 60 % de l’enveloppe aux capacités et usages prouvés, 20 à 30 % aux expériences et le reste aux fondations peut être un point de départ Logiks, jamais un benchmark. Une jeune entreprise avec un cas cœur peut légitimement concentrer davantage ; un groupe réglementé peut investir d’abord dans inventaire et contrôle.
Chaque initiative possèd'un sponsor métier et un responsable de service. Le laboratoire ne porte pas seul une transformation dont les bénéfices et erreurs apparaissent dans une autre direction.
12. Gouvernance à trois vitesses
12.1. Quotidien — Exploiter
Surveiller qualité, disponibilité, coûts, incidents, dérive et reprises. Les seuils permettent d’arrêter ou basculer sans comité exceptionnel.
12.2. Mensuel — Apprendre
Lire les cohortes, erreurs, adoption utile, retours des opérateurs et valeur nette. Décider d’ajuster le flux, les données, le modèle ou le niveau d’autonomie.
12.3. Trimestriel — Allouer
Comparer cas, capacités, risques et alternatives. Augmenter, maintenir, fusionner ou arrêter. Mettre à jour la politique et le calendrier réglementaire.
Les trois vitesses évitent qu’un comité stratégique tente de gérer un incident de production, ou qu’une équipe opérationnelle reconduise seule un usage devenu structurel.
13. Feuille de route stratégique sur six mois
13.1. Mois 1 — Inventaire et thèse de valeur
Recenser usages officiels et cachés, objectifs, données, fournisseurs et risques. Choisir deux contraintes d’entreprise où une amélioration aurait une valeur visible.
13.2. Mois 2 — Baselines et jeux d’évaluation
Mesurer le processus actuel, constituer les jeux d’or, définir seuils et alternatives. Former le comité aux limites et obligations pertinentes.
13.3. Mois 3 — Deux preuves contrastées
Tester un cas d’assistance réversible et un cas de processus plus intégré. Conserver contrôle, journal, revue et groupe de comparaison quand cela est possible.
13.4. Mois 4 — Réconciliation
Calculer valeur nette, erreurs, réallocation du temps et expérience utilisateur. Retirer les résultats non représentatifs plutôt que d’améliorer le récit.
13.5. Mois 5 — Industrialiser une capacité
Passer le cas retenu sous identité, sécurité, monitoring, support et responsabilité de service. Documenter sortie et mode dégradé.
13.6. Mois 6 — Revoir le portefeuille
Financer l’échelle, le prochain apprentissage et les fondations réellement réutilisées. Fermer les pilotes sans sponsor ou sans trajectoire.
La fermeture compte. Elle protège l’attention.
14. Conseils Logiks : dix signaux d’une non-stratégie
- La feuille de route commence par les noms de fournisseurs.
- Aucun processus actuel n’est mesuré.
- Tous les gains sont des heures théoriques.
- Le POC utilise uniquement des exemples faciles.
- Les erreurs n’ont pas de coût ni de propriétaire.
- L’entreprise confond usage déclaré et valeur produite.
- Un chatbot, un modèle prédictif et une vision industrielle partagent la même grille.
- La conformité arrive après le déploiement.
- Aucune option de sortie n’est budgétée.
- Aucun pilote n’est jamais arrêté.
Une stratégie sérieuse sait dire non. Elle sait surtout expliquer pourquoi.
15. FAQ
15.1. Par quel cas d’usage commencer ?
Une tâche fréquente, coûteuse, suffisamment stable, vérifiable et réversible, avec un sponsor métier et des données disponibles. Évitez une décision critique rare comme premier terrain.
15.2. Combien de cas faut-il lancer ?
Assez pour apprendre sans fragmenter les experts et les données. Deux ou trois preuves contrastées valent généralement mieux que vingt POC sans propriétaire.
15.3. Faut-il une plateforme IA avant les projets ?
Non. Installez un socle minimum autour d’un cas réel, puis standardisez les composants dont la réutilisation est démontrée.
15.4. Comment calculer le ROI de l’IA ?
Mesurez une baseline, un résultat après déploiement et, si possible, un groupe comparable. Retirez intégration, exploitation, revue, erreurs, changement et réallocation incomplète du temps.
15.5. L’IA générative remplace-t-elle la data science prédictive ?
Non. Génération, recherche, classification, prévision, optimisation et causalité répondent à des problèmes différents. Le portefeuille choisit la méthode selon la décision.
15.6. Qui doit porter la stratégie IA ?
La direction générale arbitre, les métiers sponsorisent la valeur, data/IT industrialisent, sécurité-juridique encadrent et les utilisateurs conçoivent le travail. Un centre d’expertise facilite sans devenir propriétaire de tout.
16. Conclusion
La démarche ne prédit pas quel modèle gagnera. Elle construit une capacité à choisir, mesurer, contrôler et changer.
Commencez par une contrainte métier. Comparez l’IA à l’alternative simple. Testez sur un jeu représentatif. Financez la valeur nette. Gouvernez le cas selon son risque. Capitalisez seulement les briques réutilisées.
La maturité se voit dans les décisions.
17. Sources principales
- Eurostat, 20% of EU enterprises use AI technologies, 11 décembre 2025 : https://ec.europa.eu/eurostat/web/products-eurostat-news/w/ddn-20251211-2
- Eurostat, The use of artificial intelligence technologies in the European Union — 2026 edition, 26 mars 2026 : https://ec.europa.eu/eurostat/web/products-statistical-reports/w/ks-01-26-009
- Insee, Intelligence artificielle dans les entreprises, 14 octobre 2025 : https://www.insee.fr/fr/statistiques/8616837
- France Num / DGE, Baromètre France Num 2025, mis à jour le 7 avril 2026 : https://www.francenum.gouv.fr/guides-et-conseils/strategie-numerique/comprendre-le-numerique/barometre-france-num-2025-le
- Stanford HAI, AI Index Report 2026 : https://hai.stanford.edu/ai-index/2026-ai-index-report
- Brynjolfsson, Li et Raymond, Generative AI at Work, NBER Working Paper 31161 : https://www.nber.org/papers/w31161
- Harvard Business School, Navigating the Jagged Technological Frontier, expérience auprès de 758 consultants : https://aiinstitute.hbs.edu/navigating-the-jagged-technological-frontier/
- Commission européenne, AI Act — application timeline, juillet 2026 : https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai
- NIST, AI Risk Management Framework Core : https://airc.nist.gov/airmf-resources/airmf/5-sec-core/
- CNIL, Développement des systèmes d’IA : recommandations RGPD, 22 juillet 2025 : https://www.cnil.fr/fr/developpement-des-systemes-dia-les-recommandations-de-la-cnil-pour-respecter-le-rgpd