Quel impact réel de l'IA sur la performance opérationnelle en 2026 ?

Intro - De la technologie disponible à la valeur captée

La leçon de l'électrification

Vers 1900, les industriels ont remplacé leurs machines à vapeur par des moteurs électriques. Les gains de productivité ne sont apparus que deux décennies plus tard, quand les usines ont été redessinées autour du moteur : ateliers réorganisés autour du flux de production, lignes repensées, métiers reconfigurés. Le moteur n'a jamais été le sujet ; l'usine, si.

L'IA suit une trajectoire comparable, en accéléré. Le moteur devient une commodité : les modèles convergent, le coût de l'inférence baisse rapidement, et l'on arbitre déjà entre fournisseurs comme entre sources d'énergie. La différenciation ne se construira donc pas sur le moteur, mais sur ce que l'entreprise en fait : la clarté de sa stratégie et de sa proposition de valeur, la refonte de ses process, la qualité de sa donnée, la capacité de ses équipes à travailler autrement. C'est une transformation d'entreprise, pas un choix d'outil.

Les entreprises qui gagnent avec l'IA n'ont pas gagné sur la technologie, mais sur son intégration dans leurs moyens de production. C'est ce qui explique l'avance des scale-ups IA-native : non pas de meilleurs ingénieurs IA, mais des process jeunes, une donnée propre et des équipes habituées à changer de méthode. Et c'est ce qui fait de l'IA, dans un grand groupe, un sujet de COMEX plutôt qu'un chantier de DSI, sous sponsorship business et tech conjoint.

Partie I – Why Now ? 2026 : l’impact P&L à l’échelle

L'impact P&L en passe de changer de dimension dans les entreprises les plus agiles ; les grands groupes face au mur du scale

1. 2026 – l’impact P&L se matérialise, mais reste inégal

3 arcs temporels en vingt-quatre mois

• 2024 - l'usage individuel. GPT ou Claude adoptés spontanément, chacun de son côté. Des gains personnels réels, mais peu de valeur captée par l'organisation.
• 2025 - l'exploration. Les POC se multiplient, les premiers agents apparaissent, et les budgets augmentent considérablement. Mais les cas d'usage restent confinés, peu adoptés, rarement industrialisés.
• 2026 - le passage à l'échelle et la rentabilité. L'impact sur le compte de résultat est déjà visible chez les IA-native. La double pression s'installe : des coûts d'IA devenus un poste identifié, un board qui attend un impact chiffré.

‍

Des gains spectaculaires, concentrés sur les organisations IA-native

Là où l'organisation est agile, versatile et construite autour de la donnée, les gains sont considérables et le time-to-market s'effondre.

Alan, scale-up française du Next40, en donne une mesure publique : 40% des demandes de ses membres sont résolues instantanément par ses assistants IA - jusqu'à 70% sur les demandes simples - pour une satisfaction stable à 4,5 sur 5. Sur la même période, le nombre de membres a progressé de 34% à équipe de relation membre constante et la productivité d'ensemble d'environ 30% en un an.

« Chez nous, l'IA est un objectif d'entreprise, pas un projet annexe : 75% de l'équipe Growth l'utilise chaque jour, et on est passés de 5 à 80% de visuels produits par IA en deux trimestres. » (AI Growth Lead, Consultant, Scale-Up - Fintech sector)

Le vrai défi : le passage à l'échelle dans les grands groupes

Dans un grand groupe, la complexité est structurellement plus élevée - des process profondément ancrés et des capacités de changement plus réduites, une donnée plus large et plus fragmentée, davantage d'équipes à former, des exigences de conformité et de cybersécurité incompressibles.

L'année 2026 en a fourni plusieurs illustrations publiques, y compris chez des acteurs de premier plan.

• Un grand groupe industriel français (CAC 40) a gelé l'intégralité de ses financements IA 12 mois après avoir lancé sa use-case factory, le temps de recentrer sa North Star, de réduire le périmètre à 2 business units et de reprendre la donnée d'abord.
• Starbucks a retiré son système d'inventaire par vision artificielle de l'ensemble de son parc nord-américain, neuf mois après l'avoir déployé, faute de fiabilité.
• Klarna : après avoir remplacé environ 700 agents par l'IA en 2024, l'entreprise réembauche des humains dès 2025 et bascule sur un modèle hybride, l'IA sur le volume, l'humain sur le complexe. (Bloomberg, Reuters)

Sources : Reuters et CNBC (Starbucks) ; Expérience Constellations (Industrie CAC 40) ; presse économique (Amazon)

« Le COMEX veut du résultat tout de suite, pas « attendez huit mois qu'on nettoie la donnée ». » (Performance Director, ETI - Industrial sector)

« On a lancé un POC d'analyse d'e-mails au support, puis on l'a arrêté : la donnée n'était pas encore prête. On a préféré la fiabiliser d'abord plutôt que de faire tourner une IA sur des bases incomplètes. » (Jacob, AI Lead Opérateur d'Infrastructure Télécom Européen)

De vraies victoires montrent la voie chez les grands groupes qui avancent en traitant l'IA comme une évolution de leur appareil de production.

• Unilever : plus de 1,7 Md$ de valeur dégagée via sa plateforme IA de gestion des fournisseurs (100 000+ fournisseurs, 190 pays), avec coûts d'achat -4% et ruptures d'approvisionnement -17%. Le meilleur exemple P&L hors banque.
• L'Oréal a quadruplé sa vitesse de développement produit en concentrant l'IA sur la prédiction d'efficacité moléculaire.
• Goldman Sachs : 3 à 4x de productivité d'ingénierie via agents de code (Devin + Claude) sur environ 12 000 développeurs, surtout sur la modernisation du legacy.

Sources : presse sectorielle biens de consommation ; communications d'entreprise.

2. Le coût de l'IA : un poste à piloter « by design »

Le coût de l'IA est devenu un sujet de direction générale en moins d'un an
Détail en Annexe A

La facture IA est devenue variable et difficile à piloter : on est passé de l'abonnement par utilisateur à la consommation à l'usage, et les agents consomment vite. Elle frappe le compte de résultat sur plusieurs lignes à la fois, investissement, charges d'exploitation et coût des ventes, donc est difficile à attribuer.

Le prix unitaire baisse, la facture monte : le coût par requête s'effondre, mais la consommation croît plus vite. Un raisonnement deux fois plus long peut coûter quatre fois plus cher, et une chaîne d'agents laissée en autonomie propage ses erreurs (jusqu'à 17,2x sans coordinateur, Google DeepMind 2025).

Le bon indicateur n'est pas le prix du token, mais le coût d'une réponse utile (cost-of-pass) : une requête aboutissant à une solution pertinente, rapportée à la même tâche faite par un expert. Sur une clôture comptable, l'ordre de grandeur type est d'une dizaine de dollars contre une semaine de comptable.

« Notre objectif était de mettre en place un AI Operating Model frugal, agnostique et multi-plateforme, avec souveraineté des données. » (AI Lead, Consultant, Large Cap - Telecom sector)

Sur ce périmètre, une alternative entièrement française a été évaluée avec le même outillage et des critères de bascule définis à l'avance : l'indépendance vis-à-vis des fournisseurs y est testée, non postulée.

‍

Les leviers de maîtrise tiennent en cinq verbes : arrêter les usages sans valeur, router chaque tâche vers le modèle qui lui convient, mettre en cache ce qui se répète, gouverner les droits et les plafonds, former les équipes à ne pas confier un problème déterministe à un modèle probabiliste. Techniquement, cela suppose une architecture multi-modèles qui arbitre entre performance, sécurité, souveraineté de la donnée et coût.

• Uber : budget IA 2026 épuisé dès avril, mise en place d'un plafond de 1 500 dollars par mois et par outil de coding. (FT, AI costs)
• Retour d'expérience Constellations - Sur un référentiel client, la vérification préalable de l'activité des sites a été confiée à un agent en lecture seule sur l'entrepôt de données. L'hypothèse formulée par un expert métier a été testée sur l'ensemble de la base en vingt minutes : 67 sites y figuraient à tort comme actifs. Coût d'exécution, moins de 8 dollars d'inférence et moins d'un centime de requêtes - l'ordre de grandeur d'un cost-of-pass sur ce type de contrôle.

Impact IA : une courbe en J accélérée – les gains se concrétisent après une phase de redesign et d’adoption

C'est la leçon de l'électrification : les technologies génériques exigent des investissements sous-jacents - redesign des process, montée en compétences, réorganisation – difficiles à valoriser. La productivité peut d’abord baisser, puis décolle.

« Ce moment où les gains tardent est en réalité le plus décisif : c'est là qu'on sépare les use cases qui comptent de ceux qui ne feront jamais la différence. La bonne réponse n'est pas de réduire l'ambition, mais d'affiner le cap, de reprioriser, et de consolider les fondations, data, process, intégration, sur lesquelles tout le reste reposera. Les organisations qui reculent ici confondent une phase d'investissement avec un échec. Celles qui tiennent, avec discipline, sont celles qui captent la valeur ensuite. » (Louis Ravier, Partner, Constellations)

Le détail des chiffres d'emploi, d'adoption et de maturité figure en Annexe B.

3. Le ROI : une réallocation des ressources vers la croissance

À ce stade, le retour sur investissement se lit comme une accélération, un élargissement des périmètres, et un focus Growth, plus que comme une réduction d'effectifs.

On ne supprime pas des postes en masse : on libère du temps, que l'on réinvestit - ou que l'on laisse fuir si personne ne le pilote.

IKEA - Ingka Group : du centre d'appels au canal de revenus

Le chatbot Billie d'Ingka Group, principale entité d'IKEA, absorbe environ 47% des demandes du service client - 3,2 millions de conversations, près de 13 millions d'euros d'économies opérationnelles. Plutôt que de réduire ses effectifs, le groupe a reconverti ses 8 500 conseillers de centre d'appels en conseillers en design d'intérieur à distance : l'analyse des demandes que le bot ne résolvait pas avait révélé une demande latente de conseil, invisible tant que les équipes étaient absorbées par le transactionnel. Le canal de vente à distance ainsi créé génère 1,3 milliard d'euros de revenus, environ 3,3% des ventes du groupe, avec un objectif de 10% en 2028.

Sources : Ingka Group, Reuters, Harvard Business Review. Chiffres publics - voir note méthodologique.

Mesurer l'impact : l'exercice le plus difficile

Le temps gagné est difficile à tracer. En phase d'adoption, on crée d'abord le réflexe et l'on cale la mesure fine ensuite. Une entreprise interrogée a dédié une personne à temps plein à la seule estimation des impacts ; une autre a renoncé au suivi bottom-up.

Dans une scale-up Next 40 Fintech, une personne est dédiée à l'estimation des impacts de l'IA, pour mesurer, puis définir ce qui peut être industrialisé, rescopé ou arrêté. (AI Lead, Consultant, Scale-Up - Fintech sector)

« À ce stade nous avons arrêté de suivre les impacts en bottom-up. Nous nous contentons d'une pré-analyse top-down avant de lancer le cas d'usage. » (AI Lead, Consultant, Large Cap - Private Equity sector)

« L'IA ne change rien à la règle de toute transformation : la mesure ne doit pas retarder le lancement, elle doit le cadrer. Un objectif chiffré posé par le sponsor avant de démarrer, un ROI qui sert d'abord à prioriser puis à corriger, un impact réel suivi dans le temps. Sans cela, on ne sait pas si l'on mène la bonne bataille - et l'on n'obtient ni l'adhésion des équipes, ni le budget de la vague suivante. » Louis Ravier, Partner, Constellations

Une course qui se gagne d'abord sur la croissance

Le premier acteur d'un secteur qui convertit l'IA en gain net sur sa proposition de valeur et son modèle économique prendra un ascendant pour plusieurs années. D'où une priorité donnée à la croissance, à l'élargissement de l'offre et à la valeur client, plutôt qu'à la réduction d'effectifs - il sera toujours temps d'activer les gains opérationnels.

C'est ce que décrit le paradoxe de Jevons : quand l'efficacité augmente, l'usage augmente davantage. Dans les entreprises qui automatisent réellement, on ne licencie pas, on recrute - et chaque recrue produit ce que plusieurs ETP produisaient auparavant.

‍

Partie II – How ? Assurer la transformation AI, du POC à la Use-case factory

Passer du POC à l'échelle est au moins autant une question Tech qu’un sujet d'organisation et de modèle. Voici ce que trois ans d'interventions auprès de grands groupes et d'ETI françaises nous ont appris sur la manière de structurer une Use-Case Factory IA, et de la faire adopter.

1. La double exigence Business x Tech

10/20/70 : les algorithmes représentent 10% du travail, la stack technique 20%, les gens et les process 70%.

Sponsorship COMEX – Business X Tech

L'IA n'est pas un programme Tech ou SI : elle engage la stratégie, le business model, la gouvernance, les opérations, puis les équipes et leur adoption. Un sponsorship transverse est donc indispensable : il garantit la priorisation des cas d'usage, tranche les arbitrages fonctionnels et porte l'adoption une fois le delivery achevé. La technologie, elle, tient la plateforme : socle de données et d'agents, intégration au SI, qualité, sécurité. Aucun des deux ne peut porter seul : les arbitrages remontent au comité de direction.

« Déployer l'IA à l'échelle est un sujet de COMEX : les arbitrages se prennent au plus haut niveau, et il faut des ressources capables d'interagir avec des C-level. Aligner les sponsors business et tech n'est pas une précaution d'organisation, c'est la condition d'existence du programme. C'est pourquoi 100% de nos missions IA sont sous sponsorship partagé, et 100% de nos équipes associent des consultants en stratégie et des profils tech issus des meilleures agences. » Louis Ravier, Partner, Constellations

2. Les 4 P : les prérequis avant un déploiement de la factory

Notre expérience converge sur quatre prérequis d'entreprise, dont aucun n'est seulement technologique. Ils déterminent si l'IA reste une commodité ou produit un effet lisible au compte de résultat : Purpose, Process, Pure data, People.

Purpose - One AI North Star guiding every business and tech deployment

Enjeu clé : Formuler la vision et la North Star qui sous-tendent les évolutions visées pour les clients comme pour l'entreprise : modèle économique, offre, target operating model, impact P&L. La North Star IA devient le fil rouge de l'ensemble des déploiements.

Livrables :

• Vision et North Star IA portées par le COMEX.
• Récit partagé via une communication groupe.
• Priorisation des cas d'usage selon impact x faisabilité, arbitrée en COMEX.

Process - AI does not fix broken processes: fix & accelerate where impact is highest

Enjeu clé : L'IA ne compense pas un process défaillant ; elle accélère et optimise les process les plus impactants. La priorisation intègre l'impact P&L et le temps gagné, la professionnalisation et la montée en gamme, et les coûts - ETP internes et externes, capex, opex.

Livrables :

• Matrice de priorisation des process.
• Macro-cadrage des évolutions sur les process retenus.
• Enjeux techniques et IA associés focalisés sur les process retenus.

Pure data - Clean once with the business, then keep it clean by design

Enjeu clé : Des données propres, adossées à une source unique de vérité et maintenues par des règles appliquées. Le nettoyage s'appuie au maximum sur l'IA, avec les équipes métier - sales, finance, opérations - seules à même de trancher les cas litigieux, parfois jusque dans les usines ou les fichiers comptables. Les règles de correction deviennent ensuite des contrôles permanents, dès la saisie et dans les flux.

Livrables :

• Donnée redressée sur chaque référentiel.
• Source unique de vérité et data lineage établis.
• Gouvernance de la donnée conjointe business et tech.

People - No operating model shift without full adoption

Enjeu clé : L'adoption est l'enjeu déterminant pour la plupart des groupes. Elle conditionne l'évolution réelle de l'operating model et l'appropriation quotidienne des outils, des process et de la stratégie cible.

Livrables :

• Acteurs de la transformation identifiés : responsables d'adoption, guilde d'évangélisateurs.
• Coaching et hypercare sur les premiers cas d'usage.
• Communication du projet de transformation global.
• Évolution des fiches de poste et de la cible organisationnelle.

« Un process cassé, même accéléré par l'IA ou renforcé de cinquante personnes, restera un process cassé. Il ne faut pas attendre d'avoir 100% de ses process en mode best-in-class pour se lancer, mais c'est une perte de temps et d'argent de sélectionner ses cas d'usage prioritaires sans macro-cadrage process préalable. » Louis Ravier, Partner, Constellations

« On met énormément d'argent sur l'IA, on se prend un mur parce que la pertinence n'est pas au rendez-vous, puis on finit par revenir investir sur la donnée. On aurait gagné du temps dans l'autre ordre. » (AI Lead, Consultant, CAC 40 - Beauty sector)

3. Use-Case Factory – un programme de transformation à l’échelle du Groupe

Depuis cinq ans, Constellations accompagne la Transformation des grands groupes, niveau Stratégique, Tech, et IA.

Nous nous appuyons sur ces programmes pilotés au plus haut niveau, pour proposer un cadre de gouvernance à la transformation IA. Ce cadre ne constitue pas une méthode unique, mais des repères pour conduire le passage de POC à une factory opérationnelle en moins de 6 mois: comment structurer, comment organiser, comment prioriser.

3.1 Structurer la factory : trois composantes

Quelle que soit l'organisation retenue, la factory repose sur un sponsorship conjoint business et tech, co-garant du résultat, et sur trois composantes.

Business lead : une instance d'arbitrage

• Des arbitrages portés par le business : priorités, spécifications et cahier des charges fonctionnel, mesure du ROI, go/no-go.
• Une capacité d'arbitrage rapide : l'instance existe pour trancher, à un rythme hebdomadaire et non mensuel.
• Des rituels clairs : un backlog priorisé vivant, un comité d'arbitrage Métier x Tech régulier.
• Un pilotage au fil de l'eau : cadence, levée des blocages par une équipe d'intervention dédiée, réversibilité planifiée.
• Un propriétaire (sponsor) nommé avant chaque lancement : il répond de l'appropriation et de la maintenance du cas d'usage.

Retour d'expérience Constellations - Un catalogue de données complet a été configuré en une demi-journée dans un environnement de test. Le coût d'entrée d'un POC se compte désormais en heures : l'effort s'est déplacé de la construction vers l'appropriation et la maintenance.

Ce déplacement change la nature du sponsoring. La technique sait désormais construire vite ; seul un sponsor métier fort peut arbitrer les priorités, désigner un propriétaire et porter l'adoption dans la durée. Faute de ce relais, ce POC est resté une démonstration.

Tech : une engine room qui capitalise

• Le delivery : build et industrialisation des use cases et des agents, qualité, sécurité, dette.
• Des actifs réutilisables et des garde-fous partagés : composants, prompts, connecteurs, évaluations, protocole de confiance. C'est ce qui permet de faire cent fois au lieu d'une, et ce qui distingue une factory d'une série de POC.
• Un contexte documenté : descriptions, glossaire, règles métier. La documentation est autant un levier de performance qu'un levier de coût et une obligation de gouvernance.
• Une vision 360 des outils et des usages de l'IA : pour garantir l'architecture, la sécurité, la cohérence des usages et la maîtrise des coûts.

Retour d'expérience Constellations. Chez un opérateur d'infrastructure télécom européen, nous avons mesuré l'effet de la documentation sur la fiabilité d'un agent d'analyse en langage naturel. À questions et outillage identiques, la part de réponses justes passe de 40-60% avec la seule couche sémantique à plus de 80% une fois ajoutée une couche de contexte : descriptions, glossaire, règles métier. L'agent a progressé plus vite avec la maturité de la documentation qu'avec les nouvelles versions de modèle.

« La procédure est l'actif, le prompt est jetable. Un modèle se remplace en quelques semaines ; les compétences, les contrôles et le contexte sont le point d’ancrage. » Aurélien Rayer, Partner Tech IA, Constellations

Change & adoption : une guilde

• Une communication autour du projet d'entreprise : l'IA présentée comme un objectif commun, pas comme un outil de plus.
• Un réseau d'évangélisateurs : une guilde à l'échelle du groupe, bras people de la factory.
• Du coaching plutôt que de la formation : des coachs qui tiennent le crayon sur les premiers cas d'usage, en mode Hyper-care, puis accompagnent le passage à l'échelle.
• La documentation comme vecteur de transmission : l'IA rend la documentation à la fois plus complète, car elle coûte peu à produire, et beaucoup plus accessible, car chacun peut l'interroger en langage naturel plutôt que de la parcourir. Le savoir de l'équipe ne repose plus sur quelques personnes (ou externes !).

« Du coaching plutôt que de la formation. Une journée de formation ne met pas au niveau, c'est comme Excel. Il faut des coachs qui tiennent le crayon sur les premiers cas d'usage, puis apprennent à passer à l'échelle. » Performance Director, ETI - Industrial sector

Retour d'expérience Constellations. Au sein d'une équipe data, deux effets non anticipés ont été observés. Le premier est une montée en compétence induite : l'agent produisant le premier jet, les praticiens passent davantage de temps à relire, vérifier et arbitrer qu'à rédiger. Ils exercent ainsi plus tôt un jugement habituellement réservé aux profils seniors, à condition que la relecture reste systématique. Le second est une meilleure transmission du savoir : la documentation, devenue peu coûteuse à produire, est rédigée de manière systématique et conservée avec le code. Le contexte ne dépend plus de la personne qui l'a créé, et la mémoire de l'équipe devient collective.

3.2 Organiser la factory : deux axes, quatre archétypes

Une Use-Case Factory emprunte au Transformation Office l'essentiel de ses fonctions : une priorisation au niveau de l'entreprise, une instance qui pilote et cadence, une capacité de production commune, une déclinaison par métier. La forme qu'elle prend, en revanche, dépend de l'organisation dans laquelle elle s'inscrit.

• La composition de la Use-case Factory: Business lead | Engine Room Tech | Adoption intégrés ou dissociés
• Son positionnement dans l’organisation : niveau COMEX ou niveau BU

[Ajouter une image ici : matrice des quatre archétypes]

Aucun archétype n'est universel. Chacun répond à une configuration d'organisation, et peut évoluer avec ses besoins.

1. AI Transformation Office

Intégré - Niveau COMEX

Un organe unique, rattaché au COMEX et transverse aux BU, réunit business lead, tech et adoption.

[Ajouter une image ici]

2. Federated AI Squads

Intégré - Niveau BU

Chaque BU dispose de squads complètes qui portent leurs use cases de bout en bout. Une couche de pilotage simplifiée porte les standards communs, la répartition des budgets par BU et le suivi de la transformation.

[Ajouter une image ici]

3. AI Portfolio Office

Dissocié - Business lead au niveau COMEX

Business lead et adoption sont portés au centre. La tech est réalisée dans les BU, sur une plateforme commune et sous une design authority centrale.

[Ajouter une image ici]

4. Shared AI Engine

Dissocié - Business lead au niveau BU

La tech est mutualisée au centre. Les BU portent le business lead et, le plus souvent, l'adoption ; celle-ci peut aussi être confiée à une guilde centrale adossée à la plateforme.

[Ajouter une image ici]

4. Du POC à la Use-Case Factory

Structurer une Use-case factory se rapproche fortement de la mise en place de Transformation Office : une priorisation au niveau du COMEX, une cellule qui pilote et cadence, une engine room commune, une déclinaison par métier.

4.1 Piloter la factory en mode Transformation Office

Un sponsorship conjoint, co-garant du résultat. La technologie porte le delivery : build, qualité, sécurité, dette. Le business garde les arbitrages et l'adoption : priorités, cahier des charges fonctionnel, go/no-go, embarquement des équipes.

Une Use-case Factory en mode Transformation Office, qui priorise au fil de l’eau, cadence, lève les blocages avec une équipe d'intervention dédiée, et planifie la réversibilité.

• Une capacité d'arbitrage rapide : l'instance existe pour trancher, à un rythme hebdomadaire, pas mensuel.
• Des rituels clairs : un backlog priorisé vivant, un comité d'arbitrage Métier x Tech régulier.
• Documenter l'IA embarquée : chez les éditeurs, elle s'active au fil des mises à jour, pas des achats. Sans registre tenu à jour, elle échappe au pilotage.

Une engine room IA, détaillée ci-dessous, qui détient les actifs réutilisables et les garde-fous partagés : composants, prompts, connecteurs, évaluations, protocole de confiance. C'est ce qui permet de faire cent fois au lieu d'une, et c'est ce qui distingue une factory d'une série de POC.

Retour d'expérience Constellations - Ce qui subsiste au changement de modèle n'est pas le modèle : compétences réutilisables, contrôles automatiques avant mise en production, contexte documenté, conventions de travail, jeux d'évaluation. Un modèle se remplace en un sprint ; ces actifs représentent une année de pratique accumulée et restent la propriété du client.

« La procédure est l'actif, le prompt est jetable. »

(Algorithmic Developer, Consultant, ETI - Telecom Infrastructure sector)

Une guilde centrale pour l'adoption, réseau unique d'évangélisateurs à l'échelle du groupe. C'est le bras people de la factory, distinct de l'instance d'arbitrage.

4.2 L'engine room : deux modèles

Le pipeline est le même partout : cadrage du résultat attendu, scoring, design, build, évaluation et pilote, décision, industrialisation et transfert. Ce qui change est le câblage.

Modèle A - centralisé. Adapté aux ETI, aux groupes mono-métier et aux phases de lancement. Une factory unique centralise priorisation, delivery, plateforme, garde-fous et suivi du ROI ; la guilde rayonne dans les équipes. Cohérence, montée en compétence rapide, coûts partagés. Elle sature si les demandes explosent, et peut sur-servir certaines BU.

Modèle B - hub central léger et relais par métier. Adapté aux grands groupes. Un noyau central léger réunit le Transformation Office, la design authority de l'engine room et la guilde. Chaque BU dispose de son relais : un interlocuteur Transformation Office, une engine room dédiée, un relais guilde. Le Transformation Office et la guilde restent uniques et transverses, et l'arbitrage reste central pour éviter la fragmentation. Proximité métier et passage à l'échelle, au prix d'une gouvernance centrale qui doit être forte.

[Ajouter une image ici : engine room, deux modèles]

Partie III – Les leviers de productivité à l’heure de l’IA – cas concrets

La valeur de l'IA sur un process se décompose en quatre leviers. Les deux premiers captent du temps, les deux derniers de la qualité et de la simplicité.

• Remove - supprimer la tâche. Le travail répétitif, volumique ou à base de règles est pris en charge de bout en bout ; le temps humain se redéploie vers les cas qui exigent du jugement.
• Accelerate - accélérer ce qui existe. Supprimer les interfaces et les ressaisies, traiter plus de volume à qualité constante, et surtout débloquer le goulot qui ralentit toute la chaîne.
• Secure - sécuriser l'exécution. Les contrôles passent dans le flux plutôt qu'après coup, et l'IA absorbe des formats non structurés et des exceptions que l'automatisation classique ne savait pas traiter.
• Simplify - alléger le livrable. Quand l'intelligence passe dans l'interaction, les artefacts lourds construits pour compenser la rigidité des outils perdent leur raison d'être.

La plupart des pilotes ne chassent que le deuxième levier, accélérer ce qui existe. Les gains durables viennent d'une lecture des quatre.

Ce cadre de lecture n'est pas nouveau : les cabinets de conseil en stratégie de premier rang l'utilisent depuis des décennies pour décomposer un process. Nous l'avons adapté aux évolutions considérables rendues possibles par l’IA, et surtout documenté par des exemples concrets issus de nos transformations IA chez nos clients, en France et en Europe.

[Ajouter une image ici : les 4 leviers de création de valeur de l'IA]

1. Remove tasks

L'IA prend en charge de bout en bout le travail répétitif, volumique ou à base de règles, et redéploie le temps humain vers les cas qui exigent du jugement.

• Support de niveau 1 résolu de façon autonome : 68% des cas traités, qualité maintenue à 82%.
• Achats · Négociation autonome de la long tail

Automatiser la négociation des achats sous le seuil de gouvernance - process que personne ne gérait. Workflow mixte : moteur persistant (Restate/Temporal) + agents IA, human-in-the-loop avant envoi. Ordre de grandeur : ~1 Md€ d'achats/an, seuil ~5 000 €, ~2 000 acheteurs ; 2% captés représenteraient un gain considérable (hypothèse).

(Procurement Lead, Consultant, CAC 40 - Environmental Services sector)

• Le reporting mensuel d'un contrôleur de gestion transformé en agent construit par le contrôleur lui-même, sans ticket informatique.

2. Accelerate tasks

Remove the interface

L’IA peut absorber les traductions, ressaisies et passations entre deux étapes ou deux systèmes. Elle réduit les ruptures de flux et rapproche directement l’entrée du résultat attendu.

L’IA réduit la distance entre l’intention et l’action. L’interface devient conversationnelle, contextuelle, parfois invisible.

Improve efficiency

C’est souvent le premier levier activé, car il peut s’ancrer dans les process existants. L’IA permet de traiter beaucoup plus de volume dans le même temps, en réduisant le temps nécessaire par opération et en augmentant la capacité globale du process.

Remove the bottleneck

La valeur vient souvent moins d’une automatisation généralisée que de l’application de l’IA au point précis qui ralentit tout le processus. Accélérer le goulot permet d’accélérer l’ensemble de la chaîne.

• Due diligence marketing compressée de trois à quatre semaines à environ une semaine - l'étape bloquante d'un deal.
• Clôture mensuelle et reporting générés à la demande, au lieu d'un point d'étranglement récurrent du calendrier financier.

3. Secure tasks

Zero defect from scratch

L’IA permet d’intégrer les contrôles directement dans l’exécution plutôt que de détecter les erreurs après coup. La qualité devient continue, avec des anomalies identifiées et corrigées beaucoup plus tôt.

• Revenue assurance détectant en temps réel les prestations non facturées : de l'ordre de 1,5 point d'EBIT récupéré.
• Revue de contrats signalant les clauses non conformes à l'échelle : trente fois plus de termes détectés.

Reduce complexity

L’IA sait gérer des formats non structurés, des exceptions et des règles multiples sans qu’il soit nécessaire de tout standardiser au préalable. Elle permet donc de simplifier des process historiquement conçus autour de systèmes rigides.

• Due diligence documentaire sur formats non standardisés, là où l'automatisation classique échouait : dix à quinze documents traités en minutes.
• Marketing mix modeling opéré avec 0,5 data scientist au lieu de 2, production entièrement automatisée.

4. Simplify the deliverable

Quand l'intelligence passe dans l'interaction, le livrable lui-même peut devenir plus léger, moins structuré, parfois inutile. On cesse de construire des artefacts lourds pour compenser la rigidité des outils.

• Moins d'interfaces complexes à développer : le dialogue avec l'IA remplace une partie du front.
• Une page de marque dynamique qui s'adapte au visiteur remplace des parcours figés et sur-construits.

5. Par type d'Ops : chaque use case rattaché à un levier

Finance

Remove · Flash reporting automatisé & en self service
La consolidation mensuelle multi-usines (Excel et PowerPoint), qui mobilisait environ une journée de contrôleur, est prise en charge par un agent construit par le métier en quatre demi-journées. La restitution est produite en 1h15, en self-service.
(Industrie, ETI, Client Constellations)

Accelerate · Remove interface · Dossier sans ressaisie
Un agent lit et rapproche automatiquement plus de 80% des données d'un dossier entre les documents et les systèmes, supprimant la ressaisie et les allers-retours entre le métier et les outils. Environ 30 min gagnées par dossier.
(Banque, CAC 40, BNP Paribas)

Accelerate · Improve efficiency · Facturation augmentée
Un agent réunit et reconsolide les sources (comptabilité, ERP, données opérationnelles), vérifie la cohérence de chaque ligne (prestations réellement livrées, prix, remises), signale les écarts et pré-valide la facturation avant émission. Sur un cycle mensuel multi-entités, le contrôle passe d'environ 5 jours à environ 1 jour, avec moins d'avoirs et de litiges.
(Distribution B2B, PME, Client Constellations)

Accelerate · Remove bottleneck · Reporting ad hoc à la demande
Une couche de contexte associée à l'IA génère à la demande les reportings spécifiques demandés par le COMEX, sans retraitement manuel de la donnée. La filiale française publie ses reportings dès le 2 du mois, contre le 7 ou le 8 pour les autres pays.
(Services B2B, ETI, Client Constellations)

Secure · Zero-defect · Revenue assurance
Sur une donnée fiabilisée, un agent détecte de manière prédictive les prestations en production non facturées et les schémas récurrents de fuite de revenus. Premier chantier : environ 1,5 M€ récupérés sur un périmètre d'environ 80 M€, soit près de 1,5 point d'EBIT.
(Télécom, ETI, Client Constellations)

Secure · Reduce complexity · Référentiel client (One SIRET)
Un algorithme de rationalisation du référentiel client, conçu avec l'IA, fiabilise la donnée avant son exploitation. 15K enregistrements traités en 12 minutes contre la base SIRENE complète ; acceptation automatique au-delà de 95% de score, le reste étant trié en lots de revue
(Télécom, ETI, Client Constellations)

Simplify · Talk with your data
Les équipes interrogent la donnée en langage naturel et obtiennent la réponse ou le graphe directement, au lieu de construire et de naviguer dans des dashboards. Le livrable figé s'efface derrière la question.
(Télécom, ETI, Client Constellations)

Sales & Marketing

Remove · Post-production assistée par IA
La post-production est désormais quasi intégralement générée par IA, et les briefs le sont de plus en plus. L'économie atteint 5 à 10% sur des budgets très importants, avec un enjeu de réinternalisation de la valeur captée par les agences.
(Luxe, CAC 40, Client Constellations)

Accelerate · Remove interface · Production de contenus en self-service
Une creative factory en self-service, adossée à une brand library validée, permet aux équipes locales de décliner les assets par prompt. La part d'assets générés par IA passe de 5% à plus de 80% en deux trimestres, pour un objectif initial de 25% ; l'outil a été construit en un sprint de 15 jours.
(Fintech, Scale-Up, Client Constellations)

Accelerate · Improve efficiency · Analyse de performance ad hoc
L'analyse des search terms Google Ads est réalisée avec l'IA en 30 minutes environ pour trois versions, contre une demi-journée auparavant, soit un facteur 4 à 6.
(HealthTech, Scale-Up, Client Constellations)

Accelerate · Improve efficiency · Suivi des rendez-vous commerciaux
Un outil analyse la transcription de l'échange, identifie les objections et rédige le follow-up en s'appuyant sur les battle cards. Le gain de temps mesuré est de 30%, sous réserve d'une base de connaissances commerciale bien documentée.
(Fintech, Scale-Up, Client Constellations)

Accelerate · Remove bottleneck · Déclinaison créative
Environ 60 variations sont produites par concept (statiques et vidéos), contre une dizaine auparavant, sans dégradation de la performance observée.
(HealthTech, Scale-Up, Client Constellations)

Secure · Zero-defect · Reporting et tests d'incrémentalité
Le corpus d'analyses (reporting, tests d'incrémentalité) est automatisé ; un monitoring de l'ensemble des comptes publicitaires au regard de règles de référence est en cours de déploiement.
(Luxe, CAC 40, Client Constellations)

Secure · Reduce complexity · Marketing mix modeling
La collecte de données est automatisée en intégrant des sources moins structurées et la modélisation supervisée par 0,5 data scientist (vs 2 historiquement), pour un coût environ deux fois inférieur à celui d'un MMM externalisé (environ 40 k€).
(Luxe, CAC 40, Client Constellations)

Simplify · Generative Engine Optimization (GEO)
Des contenus et un maillage interne ciblés augmentent la fréquence de citation de la marque par les moteurs conversationnels : +80% sur l'univers travaillé, contre +20% en évolution naturelle, sur un pilote de 6 à 8 semaines.
(Retail mode, ETI, Client Constellations)

Simplify · Site de marque adaptatif
Le site de marque s'adapte au visiteur et intègre une recherche conversationnelle dédiée au cadeau, avec reprise par un conseiller si nécessaire. Hypothèse en cours de test : environ +5% de ventes sur un marché pilote.
(Luxe, CAC 40, Client Constellations)

Private Equity

Remove · Due diligence marketing automatisée
Un audit outside-in complet (positionnement, UX, acquisition, martech) est réalisé de bout en bout par des agents.
(Mid Cap, Private Equity, Client Constellations)

Accelerate · Remove interface · La diligence sans les interfaces
Les agents se branchent directement sur le data room et interrogent tous les documents simultanément : plus besoin d'ouvrir, lire et synthétiser fichier par fichier, ni de naviguer dans les interfaces du VDR.
(Large Cap, Private Equity, Client Constellations)

Accelerate · Improve efficiency · Origination augmentée
Une veille agentique exploite les données externes et surtout la donnée propriétaire du fonds (expert calls, notes qualifiées) pour identifier des cibles avant les intermédiaires. Gain d'environ 1,5 ETP et pipeline en hausse de 15%, en cours d'évaluation avant passage à l'échelle.
(Large Cap, Private Equity, Client Constellations)

Accelerate · Remove bottleneck · Qualification des opportunités
Un agent de scoring qualifie les opportunités en aval du sourcing et harmonise la grille de lecture des dossiers : 3 à 4 ETP libérés sur une équipe de 50.
(Large Cap, Private Equity, Client Constellations)

Secure · Zero-defect · Contrôle intégré à la diligence
Un agent surveille le data room, vérifie chaque nouveau document contre la checklist et génère chaque nuit la liste des red flags (concentration client, clauses de change-of-control, passifs cachés) pour la revue du matin. On audite 100% du data room au lieu d'un échantillon.
(Large Cap, Private Equity, Client Constellations)

Secure · Reduce complexity · Vendor due diligence
Un premier outil de VDD a été testé : il fait gagner un tour sur l'analyse, sans remplacer les cabinets. Cible à terme : devenir l'outil principal de screening et de validation des cibles sur les plus petits build-ups.
(Mid Cap, Private Equity, Client Constellations)

Simplify · Études consommateurs synthétiques
Des panels synthétiques remplacent une partie des enquêtes consommateurs. L'approche reste en phase de test.
(Large Cap, Private Equity, Client Constellations)

Tech

Remove · Opérations réseau autonomes
Un agent déclenche seul plus de 100 actions de remédiation et ramène la gestion d'un incident réseau majeur de quelques heures à environ une minute (plus de 95%), 237 000 événements traités en 2026 ; 12 cas d'usage en autonomie complète, 400+ en production.
(Télécom, Grand groupe, Client Constellations)

Accelerate · Remove interface · Outil de pilotage conçu par le métier
Pour un outil de pilotage de projets déployé auprès de 30 000 collaborateurs, les équipes métier ont conçu elles-mêmes leurs maquettes via une intégration Airtable et Claude, réduisant la phase de cadrage d'environ trois mois.
(Transport maritime, Grand groupe, Client Constellations)

Accelerate · Improve efficiency · Développement logiciel et data
Code IA : productivité x5 à 7 sur le développement assisté par agents (estimation des praticiens), avec une forte marge de progression. Le gain d'environ 50% du premier mois suppose plusieurs semaines de montée en compétence préalable.
(Télécom, ETI, Client Constellations)

Accelerate · Remove bottleneck · Outils métier en vibe coding
Les équipes métier conçoivent leurs propres outils sans équipe technique, à l'image d'un outil de visualisation de l'expérience client : il reconstitue le parcours réel d'un utilisateur sur une vue unique — étapes franchies, points de friction, abandons — là où l'information était jusqu'ici éclatée entre plusieurs outils. Prototypé sans ticket adressé à l'équipe technique.
(Fintech, Scale-Up, Client Constellations)

Secure · Zero-defect · Qualité par défaut
Les agents génèrent descriptions et tests sur toute la couche de données brutes, relus unité par unité : ~95% des modèles documentés et testés, 100% des sources sous contrôle de fraîcheur, la dérive détectée automatiquement. Tests et documentation deviennent systématiques parce qu'ils ne coûtent presque plus rien.
(Télécom, ETI, Client Constellations)

Secure · Reduce complexity · Maintenance conversationnelle
Les équipes interrogent en langage naturel ; l'IA regroupe les cas similaires multi-langues et propose la solution, absorbant un historique hétérogène. -30% de coûts de maintenance sur des lignes de production.
(Industrie, Grand groupe, Siemens Senseye)

Simplify · L'achat dans la conversation
Le système de commerce existant est connecté à ChatGPT, Gemini ou Copilot sans replateformer : la transaction se fait dans l'échange, l'interface e-commerce s'efface et libère de la disponibilité SI.
(Commerce, Leader tech, commercetools AgenticLift)

Ops

Remove · Négociation autonome de la long tail
Les achats situés sous le seuil de gouvernance, jusqu'ici non traités, sont négociés par des agents IA orchestrés par un moteur de workflow persistant, avec validation humaine avant envoi. Gain annuel de 2% sur un périmètre de 1Mds € d’achats.
(Services environnementaux, Grand groupe, Client Constellations)

Accelerate · Remove interface · Validation pricing priorisée
Un agent enregistre au quotidien les validations effectivement rendues et en déduit, par des règles explicites, ce qui peut être pré-statué. Le validateur ne va plus chercher les demandes dans l'outil : il reçoit une liste de besoins déjà priorisée et ne tranche que ce qui le nécessite.
(Distribution B2B, Grand groupe, Client Constellations)

Accelerate · Improve efficiency · Traitement des tickets de niveau 1
Une fois les arbres de décision, la FAQ et l'analyse des tickets outillés par l'IA, le niveau 1 est automatisé et les équipes concentrées sur les niveaux 2 et 3.
(Télécom, ETI, Client Constellations)

Accelerate · Remove bottleneck · Priorisation du service client
En priorisant la file d'attente là où l'enjeu est le plus fort, on lève le goulot au bon endroit : +40% de précision de priorisation, résolution des incidents récurrents 2,5 fois plus rapide, +80% de résolution au premier contact.
(Beauté, CAC 40, Client Constellations)

Secure · Zero-defect · Coaching des équipes de vente
Des agents accompagnent les conseillères de vente en point de vente sur la connaissance produit et la pratique commerciale. L'impact reste à ce stade mesuré de manière top-down.
(Luxe beauté, Grand groupe, Client Constellations)

Secure · Reduce complexity · Achats sous contrôle
Chaque réquisition est contrôlée au regard des politiques, catégories, devis et grilles tarifaires : les revues passent de plusieurs jours à quelques minutes.
(Services environnementaux, Grand groupe, Client Constellations)

Simplify · Assistant produit pour les équipes magasin
Un agent conversationnel exploite des sources non structurées (base de données, fiches produits, fiches de sécurité) pour permettre aux équipes en magasin de répondre en direct aux questions des clients.
(Distribution B2B, Grand groupe, Client Constellations)

‍