De l'expérimentation à l'impact : exploiter l'IA pour des résultats commerciaux

Le jeudi 4 juin 2026, Venari Partners a réuni une table ronde de dirigeants à l'hôtel Pan Pacific de Londres pour examiner comment les organisations peuvent dépasser l'expérimentation de l'IA et commencer à générer une valeur commerciale mesurable. Animée par Bayo Ibirogba, dont l'expérience couvre le conseil en stratégie et la fondation d'une entreprise technologique axée sur l'IA, la discussion a porté sur une question de plus en plus pertinente pour les équipes de direction : à mesure que les capacités de l'IA continuent de s'accélérer, comment les organisations peuvent-elles en tirer une valeur durable ?

Un message s'est imposé tout au long de la session. Si les capacités des modèles évoluent à un rythme extraordinaire, le principal défi auquel font face la plupart des entreprises n'est plus technologique, mais organisationnel : il s'agit de l'adoption. Le succès dépend de plus en plus de la capacité à identifier les domaines où l'IA crée de la valeur, à l'intégrer dans les modes de travail établis et à faire en sorte que les gains de productivité se traduisent en résultats commerciaux mesurables.

Voici les principaux enseignements de la table ronde :

Dans de nombreuses organisations, l'usage de l'IA est encore porté par des individus et des équipes plutôt que par un déploiement cohérent à l'échelle de l'entreprise. Les collaborateurs utilisent déjà l'IA pour rechercher, analyser, rédiger, coder et automatiser les tâches routinières, tandis que les équipes de direction continuent de développer la gouvernance, les modèles opérationnels et les priorités d'investissement.

Trois obstacles interdépendants sont revenus à plusieurs reprises au cours de la discussion. Le premier est la connaissance : comprendre ce que l'IA est capable de faire aujourd'hui, et non ce qu'elle pouvait faire il y a peu de temps. Le deuxième est le business case : identifier les domaines où l'IA crée une valeur commerciale mesurable, plutôt que des gains de productivité isolés. Le troisième est la volonté organisationnelle. Tirer parti des bénéfices de l'IA exige souvent de repenser les processus et les modèles opérationnels établis, et ces changements progressent généralement plus lentement que la technologie elle-même.

Ensemble, ces obstacles expliquent en partie pourquoi l'expérimentation individuelle a pris de l'avance sur la mise en œuvre à l'échelle de l'organisation. Pour les équipes de direction, l'enjeu n'est donc pas simplement d'encourager l'usage de l'IA, mais de créer les conditions dans lesquelles une adoption individuelle réussie peut se transformer en capacité organisationnelle reproductible.

Les modèles de fondation continuent de progresser rapidement. Le principal goulot d'étranglement n'est plus ce que l'IA peut faire, mais la façon dont les organisations intègrent ces capacités dans le travail quotidien. S'appuyant sur des recherches évoquées pendant la discussion, Bayo a mentionné le « red-blue gap » : une expression empruntée à des travaux d'Anthropic pour décrire l'écart entre ce que l'IA pourrait théoriquement accomplir et ce qui a réellement été intégré aux workflows existants. Selon lui, l'opportunité réside dans la réduction de cet écart plutôt que dans l'attente de la prochaine génération de modèles.

Il s'agit d'un changement d'accent important. L'avantage concurrentiel dépend désormais moins de l'accès à la dernière technologie que de la capacité d'une organisation à intégrer les capacités existantes dans des workflows où elles améliorent la productivité, la qualité et la prise de décision.

Une part importante de la discussion a porté sur la valeur économique de l'IA et sur l'endroit où elle se concentre aujourd'hui. De nombreuses entreprises paient des outils d'IA, mais une grande partie du bénéfice immédiat en productivité reste entre les mains des collaborateurs. Tant que les workflows, les attentes et les modèles opérationnels n'évoluent pas, il est peu probable que ces gains soient captés par l'entreprise. En l'état actuel des choses, l'entreprise paie les outils, tandis que le collaborateur capte le temps gagné.

Le paradoxe des coûts de l'IA a également suscité un vif intérêt. Bien que le coût des tokens continue de baisser, la dépense globale liée à l'IA augmente à mesure que les organisations en font davantage usage. L'enjeu n'est donc pas simplement de réduire le coût de l'IA, mais de déployer des modèles toujours plus performants qui créent une valeur réelle, plutôt que de les utiliser principalement pour des tâches simples (comparées, lors de l'intervention, à « prendre le Concorde pour aller au supermarché »). Le dividende de productivité est aujourd'hui personnel, mais il doit devenir organisationnel pour que l'investissement dans l'IA génère des rendements commerciaux durables. Cela imposera aux organisations de repenser leurs workflows, de redéployer leurs capacités et de décider comment réaliser la valeur supplémentaire créée par l'IA.

Malgré les nombreuses idées reçues sur l'IA et l'emploi, cette technologie automatise progressivement des tâches individuelles plutôt que de remplacer des métiers du jour au lendemain. Les activités informatiques, répétitives et très structurées, qui exigent peu de jugement et impliquent une faible complexité relationnelle avec les parties prenantes, représentent les opportunités d'automatisation les plus évidentes.

Ainsi, les organisations sont susceptibles de repenser les rôles avant de réduire fondamentalement leurs effectifs. Le développement logiciel en est un premier exemple : l'évolution de la demande de développeurs juniors pourrait donner une indication de la manière dont d'autres professions intellectuelles évolueront. Pour les équipes de direction, la question la plus utile n'est pas de savoir quels emplois vont disparaître, mais quelles activités, au sein de chaque rôle, sont les plus susceptibles d'être augmentées ou automatisées.

L'un des débats les plus stimulants a porté sur le « AI slop ». L'IA a relevé le niveau de base de la qualité des écrits, mais elle a aussi augmenté le volume de documents soignés qui manquent de profondeur, d'originalité ou d'esprit critique. La question récurrente était simple : « Avez-vous fait le travail et l'IA l'a affiné, ou l'IA a-t-elle fait le travail et vous l'avez affiné ? » Le problème n'est pas que l'IA produise de mauvais résultats, mais que des présentations convaincantes puissent masquer un raisonnement fragile ou décourager une remise en question appropriée.

Dans ce contexte, la valeur accordée au jugement humain est appelée à augmenter plutôt qu'à diminuer. La capacité à remettre en question les hypothèses, à mobiliser le contexte et à exercer un jugement professionnel gagne en valeur à mesure que l'IA devient plus performante. L'IA doit donc être traitée comme un collaborateur junior compétent : elle a besoin de contexte, de garde-fous, d'assurance qualité et, surtout, d'une supervision humaine.

À mesure que l'accès aux modèles d'IA avancés se généralise, l'avantage concurrentiel durable ne proviendra vraisemblablement pas de la technologie elle-même. Il dépendra plutôt d'actifs que les concurrents ne peuvent pas facilement reproduire, notamment les données propriétaires, les relations clients, les marques de confiance, l'excellence opérationnelle et une expertise sectorielle approfondie.

La question stratégique clé n'est donc pas simplement de savoir comment utiliser l'IA, mais comment elle peut amplifier ce qui rend l'organisation singulière. Si tout le monde a accès aux mêmes modèles, qu'est-ce qui reste unique à votre entreprise ? Les entreprises les mieux placées pour créer une valeur durable seront celles qui utiliseront l'IA pour renforcer leurs atouts existants, plutôt que de considérer la technologie comme une source d'avantage concurrentiel en soi.

Trois grilles de lecture pratiques pour évaluer les opportunités liées à l'IA se sont dégagées :

Connaissance

• Quel est l'écart entre ce que l'IA pourrait accomplir et ce qui est actuellement intégré ?

• Nous comparons-nous à nos concurrents, ou à ce qui est réellement possible ?

Business case

• Où le dividende de productivité va-t-il aujourd'hui ?

• Si la capacité n'était plus contrainte, comment le travail serait-il repensé ?

Volonté

• Quelles activités l'IA doit-elle assister, automatiser ou réinventer ?

• Quels obstacles organisationnels freinent une adoption plus rapide ?

Ces observations traduisent un changement plus large dans la manière dont les organisations doivent penser l'IA. La discussion a porté moins sur la technologie elle-même que sur les capacités organisationnelles nécessaires pour transformer les progrès technologiques en valeur commerciale mesurable.

Pour de nombreuses organisations, la question n'est plus de savoir si l'IA est capable de transformer le travail. Le défi consiste à l'intégrer avec discernement, à repenser les workflows lorsque cela est pertinent et à faire en sorte que les bénéfices soient réalisés à l'échelle de l'organisation plutôt que purement au niveau individuel. En définitive, les organisations les plus susceptibles de créer une valeur durable seront celles qui sauront combler le fossé entre le possible technologique et l'exécution organisationnelle, en intégrant l'IA pour un impact commercial mesurable tout en renforçant les capacités qui distinguent déjà leur entreprise.