Skip to content
Discutez avec un agent IA
Business et gouvernance

Le modèle n'a jamais été le problème : ce que 51 déploiements d'IA réussis ont changé dans l'organisation

Orange ITS — Équipe d’ingénierie IA 11 min de lecture

Le directeur d’une entreprise de logistique de 150 collaborateurs approuve un projet pilote d’IA pour le traitement des factures. L’équipe informatique choisit un modèle performant, construit en six semaines une démo qui fonctionne, et tout le monde acquiesce en réunion de revue. Six mois plus tard, la démo tourne toujours, mais personne ne l’utilise à la comptabilité, la responsable financière affirme que les chiffres ne se réconcilient pas et le responsable conformité n’a jamais vu le flux de données.

Le modèle fonctionnait. L’organisation qui l’entourait n’a jamais été modifiée. Notre travail d’ingénieurs IA en déploiement (forward-deployed) part de ce constat, et une étude récente de Stanford portant sur 51 déploiements opérationnels l’appuie de façon inhabituellement concrète.

Dans les déploiements examinés par Stanford, les différences décisives tenaient à la responsabilité, au processus, à l’accès aux données et à la mesure, le modèle jouant un rôle moindre que ne le croient la plupart des acheteurs. Cet article passe en revue ce que les organisations ont changé, jusqu’où vont les preuves et ce qu’un dirigeant peut tester avant d’engager un budget.

Périmètre : cet article lit une seule étude selon ses propres termes et ne reprend pas le débat plus large sur les statistiques d’échec de l’IA, que nous traitons dans six statistiques sur l’IA que cite votre conseil d’administration. Lorsqu’une affirmation relève de l’interprétation des auteurs et non d’un résultat mesuré, nous le signalons.


Ce qu’est l’étude de Stanford et ce qu’elle peut prouver

« The Enterprise AI Playbook: Lessons from 51 Successful Deployments » a été publié en avril 2026 par Elisa Pereira, Alvin Wang Graylin et Erik Brynjolfsson, du Stanford Digital Economy Lab. Vous pouvez consulter le rapport complet ou la page de la publication.

Il couvre 51 déploiements dans 41 organisations réparties dans sept pays, neuf secteurs et 13 fonctions nommées, plus un groupe « autre ». Pour être retenu, un système devait être en production et intégré, utilisé par les équipes depuis au moins trois mois et capable de montrer une valeur chiffrée. Les éléments de preuve de chaque cas reposent le plus souvent sur au moins un entretien structuré de 60 minutes, complété par des documents internes lorsqu’il y en avait.

Quatre limites que les auteurs et le dossier rendent évidentes

  • L’échantillon est sélectionné sur le succès. Les auteurs écrivent que l’étude comporte un « selection bias toward positive outcomes » (biais de sélection en faveur des résultats positifs) et qu’ils ne prétendent pas fournir de données représentatives sur la fréquence du succès dans l’ensemble de l’économie.
  • Les données sont déclaratives. Le rapport cite le recours aux participants aux entretiens comme sa principale limite, et les chiffres de productivité et de valeur proviennent des organisations elles-mêmes. Beaucoup de pourcentages sont publiés sans base indiquée : il faut donc les lire comme des ordres de grandeur.
  • Les cas sont anonymisés. Vous ne pouvez pas rechercher une entreprise et vérifier ce qui s’est passé.
  • La taille des entreprises reste ouverte. Le rapport ne donne pas de taille pour la plupart de ses 41 organisations, seulement un effectif cumulé supérieur à un million et quelques indications de taille sur les fiches de cas. Celles qui en portent une indiquent mid-market ou enterprise, si bien que la transposition à une entreprise de 20 à 200 personnes reste une question sans réponse dans l’étude.

Une dernière précision s’impose. D’après les biographies des contributeurs, Brynjolfsson a cofondé Workhelix, une société qui travaille à identifier et à mesurer les bénéfices de l’IA. Le rapport ne dit pas si l’un de ses 51 cas a eu recours à Workhelix, et l’étude accorde du poids à la mesure : un lecteur attentif prend note de ce recoupement.

Rien de tout cela ne rend l’étude inutile. Cela signifie que ses constats valent surtout comme liste d’hypothèses ancrées dans des cas réels, et non comme preuve que faire X augmente vos chances de succès.


La leçon se trouve dans la deuxième tentative

Selon le rapport, 61 % des cas avaient connu un projet d’IA échoué avant celui qui est aujourd’hui en production. Une autre section, consacrée à la manière dont les auteurs ont traité l’échec, indique que deux tiers des entreprises avaient connu des échecs importants. Le rapport donne les deux chiffres.

Le schéma est plus intéressant que le chiffre. Les auteurs décrivent une société de services professionnels dont la première tentative, pilotée par son CTO, a échoué. Une deuxième tentative a réussi lorsque le CEO et la responsable des talents l’ont menée avec le CTO. Dans huit cas au total, affirment les auteurs, c’est la collaboration entre dirigeants métier et dirigeants techniques qui a fait la différence.

Un dirigeant cité dans le rapport le dit sans détour : quand l’IA est menée par la technique et pensée d’abord comme un projet technique, elle fonctionne rarement. C’est l’avis d’une seule personne interrogée. Il correspond pourtant à ce que nous voyons dans les revues de projet. Lorsque l’équipe technique est propriétaire du résultat, personne côté métier ne se sent responsable de changer la façon de travailler.

Pour une analyse plus détaillée des raisons de ce blocage, lisez pourquoi les projets d’agents IA échouent.


Parrainer, c’est plus que signer le budget

Le rapport décompose le parrainage exécutif en quatre comportements sur les 51 cas : allouer des ressources (59 %), intégrer l’IA aux objectifs stratégiques comme les OKR (49 %), communiquer dans toute l’organisation (32 %) et lever les blocages (20 %).

L’affirmation la plus ferme concerne un petit groupe. Selon le rapport, les sept cas qui ont atteint une transformation à l’échelle de l’organisation sont tous parvenus à ce que les auteurs appellent l’intégration stratégique. Les auteurs notent aussi que les études externes sur le parrainage qu’ils citent établissent une corrélation sans examiner ce que font réellement les sponsors. La liste des comportements est leur propre codage du matériau des entretiens.

Que signifie cela dans une entreprise de 100 personnes ? Le sponsor est probablement le propriétaire ou un directeur, et la question est très concrète. Qui décide du moment où le nouveau workflow remplace l’ancien ? Qui répond quand la responsable financière émet des objections ? Si la réponse honnête est « l’informatique s’en chargera », vous avez trouvé la faille que décrit l’étude.


Le workflow a changé avant l’IA

Les cas du rapport montrent que le travail sur le processus vient en premier. Dans un projet de traitement de factures chez une entreprise de logistique américaine que le rapport décrit comme $1B+, l’équipe a ramené des milliers de modèles de factures à quelques centaines avant de construire la moindre IA, toujours selon le rapport. Un projet de recrutement dans une société de services de traduction a commencé par la cartographie du travail réel des recruteurs.

Deux réserves s’imposent. Le rapport ne compte pas combien des 51 cas ont repensé leurs workflows ; « la plupart des déploiements réussis l’ont fait » n’est donc pas une affirmation que l’étude soutient. Et les résultats cités (l’entreprise de logistique indique être passée de sept à deux équivalents temps plein, pour une valeur de plus d’un million de dollars) sont des chiffres déclaratifs sans indicateur défini.

Ce que les cas permettent d’affirmer, c’est une séquence : cartographier le travail, supprimer ce qui ne devrait pas exister, puis décider seulement où placer un modèle. Notre article sur la refonte des processus par l’IA en détaille la mécanique, et la feuille de route de mise en œuvre montre où se situe cette refonte dans un plan par phases.

Parmi les cas dont les auteurs ont pu identifier la méthode de développement, tous ont suivi une approche itérative, d’après le rapport. Celui-ci relève aussi que des cas d’usage similaires ont pris des semaines dans une entreprise et des années dans une autre. Les trois exemples à l’origine de cette comparaison sont des anecdotes.


Où se cachaient les coûts

Interrogés sur ce qui avait été le plus difficile à corriger, les répondants ont cité le plus souvent la conduite du changement (33 % des réponses), suivie de la qualité des données et de l’architecture (17 %), de la refonte du processus (10 %), de la qualité des résultats (10 %) et du ROI ou de l’analyse de rentabilité (7 %). Les auteurs regroupent les trois premières catégories, plus les deux dernières, en « coûts invisibles » et les chiffrent à 77 %, contre 23 % pour les problèmes techniques visibles. On ne sait pas si les répondants pouvaient citer plusieurs difficultés. Ranger l’analyse de rentabilité parmi les coûts invisibles est un choix des auteurs.

Même avec ces réserves, la tendance est plausible. Les budgets couvrent en général les licences, l’intégration et le développement. Ils couvrent rarement les semaines que les équipes d’exploitation, de finance et du juridique passent à répondre aux questions, à tester les cas limites et à changer leurs habitudes. Si l’offre d’un projet d’IA ne comporte aucune ligne pour ce temps, le coût réel dépasse l’offre.

L’accès aux données passe avant la perfection des données

Le rapport indique que seulement 6 % des implémentations disposaient de données entièrement prêtes pour l’IA. Il relève aussi que 88 % ont utilisé des modèles de langage pour accéder à des données jusque-là difficiles à exploiter, comme les documents en texte libre. Les auteurs reconnaissent qu’un échantillon limité aux succès sous-représente probablement les cas où la qualité des données s’est révélée insurmontable.

La lecture pratique est étroite. Dans les cas étudiés, des données parfaites n’étaient pas un prérequis, mais l’accès aux bonnes données l’était. Vérifiez qui peut les exporter et avec quelle autorisation.


Ceux qui vous ralentissent ne sont pas ceux que vous attendez

Dans les 51 cas, les fonctions support (juridique, RH, risque et conformité) ont été la source de résistance la plus fréquente, à 35 %. Suivent les utilisateurs finaux à 23 %, les parties externes à 23 %, la direction générale à 15 % et l’absence de résistance à 8 %. Le total dépasse légèrement 100 %, et le rapport n’en explique pas la raison.

Le rapport ajoute que la peur d’être remplacé chez les équipes de terrain n’est apparue que dans deux cas. Cela contredit l’image courante de salariés qui sabotent l’automatisation, du moins dans cet échantillon.

Pour une entreprise suisse, ce constat a une conséquence pratique. Votre conseiller en protection des données, l’équivalent d’une commission du personnel ou votre responsable conformité devrait voir la conception avant le début du développement, bien avant le lancement. Les cas de l’étude ne portent pas sur la réglementation suisse ou européenne ; ce que ces fonctions demanderont dépend donc de votre secteur et des données concernées.

Le rapport consigne aussi ce qu’il est advenu des effectifs : 45 % des cas ont connu une réduction, 19 % aucune réduction, 17 % un redéploiement et 19 % des embauches évitées. Ces chiffres sont déclaratifs, et les auteurs observent qu’une responsabilité axée sur les coûts tend vers la réduction. Tout dirigeant devrait décider à l’avance lequel de ces résultats il vise, car les collaborateurs poseront la question. Pour les rôles qui évoluent et les règles d’effectifs qui se retournent contre l’entreprise, voir les rôles dans une entreprise AI-first.


Ce que l’étude dit du modèle, et ce qu’elle ne dit pas

Pour 42 % des implémentations, les auteurs jugent le choix du modèle entièrement banalisé (commodity). 39 % l’estiment d’importance modérée et 19 % comme un facteur de différenciation critique. Les tâches routinières étaient beaucoup plus souvent banalisées que les tâches avancées.

Les auteurs en concluent que l’avantage durable se situe dans la couche d’orchestration plutôt que dans le modèle de fondation. C’est leur interprétation, étayée par des exemples de cas mais sans groupe de comparaison. Elle est néanmoins cohérente avec la séquence décrite plus haut : sponsor, processus, données, puis technologie.

Deux affirmations du rapport sont à laisser de côté. Il décrit les gains d’autonomie et de productivité d’une manière qui reflète en partie le choix des tâches, comme les auteurs le notent eux-mêmes. Et il affirme que des KPI clairs avant le déploiement rendent le passage à l’échelle plus probable, mais il ne compare pas les organisations avec et sans KPI. Il propose en revanche un catalogue d’indicateurs signalés par au moins un cas, utile pour choisir ce que l’on mesure. Pour un jeu d’indicateurs opérationnel, voyez les KPI des agents IA.


Un test de quatre semaines avant d’engager un budget

Si les leçons sont des hypothèses, testez-les à peu de frais sur un seul processus. Choisissez une tâche récurrente dont le retard ou l’erreur a un coût visible.

  1. Désignez un responsable métier. Cette personne a autorité sur le processus plutôt que sur la technologie, et s’engage à assister à chaque revue.
  2. Cartographiez le workflow actuel. Notez les étapes, les exceptions et les passages de relais. Repérez les étapes qui n’existent qu’à cause d’un ancien système.
  3. Vérifiez l’accès aux données. Identifiez les documents ou enregistrements dont le processus a besoin, qui peut les exporter et quelles autorisations s’appliquent.
  4. Associez tôt les fonctions support. Montrez au juridique, à la conformité ou aux RH le flux de données prévu et demandez ce qui pourrait le bloquer.
  5. Relevez une valeur de référence. Délai de traitement, taux d’erreur et coût par dossier, mesurés pendant quelques semaines avant que quoi que ce soit change.

Si vous ne parvenez pas à franchir ces étapes en quatre semaines environ, l’obstacle est organisationnel et un meilleur modèle ne le lèvera pas. C’est déjà un résultat utile, et moins coûteux qu’un développement raté.


Ce que l’étude ne peut pas vous dire

Le rapport ne peut pas vous dire quelles sont les chances de réussite de votre déploiement. Il ne peut pas dire si vos concurrents qui se sont arrêtés après un premier échec auraient réussi avec un autre sponsor. Et il ne peut pas dire si une entreprise de 40 personnes a besoin de la même gouvernance qu’une entreprise de taille intermédiaire dotée d’une équipe IA dédiée.

Ce qu’il peut faire, c’est décrire, à travers 51 cas documentés, ce que les organisations ont fait après avoir cessé de voir le déploiement comme un achat de technologie. Une partie s’appliquera à votre entreprise, une autre non. Pour le savoir, appliquez les leçons à un processus et comparez le résultat à votre propre valeur de référence, puis décidez ce qu’il faut étendre à partir de vos propres chiffres. Pour savoir comment exploiter ensuite le système en service, consultez gérer les agents IA en production.

Questions fréquentes

Qu'étudie réellement l'Enterprise AI Playbook de Stanford ?

Il étudie 51 déploiements d'IA dans 41 organisations, déjà en production, utilisés par les équipes depuis au moins trois mois et dont la valeur est chiffrée. Les auteurs, Pereira, Graylin et Brynjolfsson, ont interrogé les organisations et anonymisé les cas. Comme chaque cas est une réussite, le rapport décrit ce qu'ont fait les déploiements qui fonctionnent et ne peut pas dire à quelle fréquence un déploiement réussit.

Pourquoi tant de déploiements d'IA échouent-ils avant de réussir ?

Selon le rapport de Stanford, 61 % des 51 cas avaient connu d'abord une tentative d'IA échouée, tandis qu'une autre section indique que deux tiers des entreprises avaient subi des échecs importants. Les auteurs relient le redressement à des changements organisationnels, comme un sponsor métier travaillant avec l'équipe technique et un workflow repensé. Cette lecture est une interprétation tirée d'entretiens et n'a pas été testée comme relation de cause.

Ces leçons s'appliquent-elles à une petite ou moyenne entreprise ?

Probablement en partie, mais les preuves restent ouvertes. Le rapport ne donne pas de taille pour la plupart de ses 41 organisations, hormis un effectif cumulé supérieur à un million, et les fiches de cas qui indiquent une taille parlent de mid-market ou d'enterprise. Parrainage, cartographie des processus et accès aux données sont des idées valables quelle que soit la taille. Considérez-les comme des hypothèses à tester sur un processus avant de passer à l'échelle.

Qui résiste aux déploiements d'IA au sein d'une entreprise ?

Dans l'échantillon de Stanford, les fonctions support comme le juridique, les RH, le risque et la conformité ont été la source de résistance la plus fréquente, dans 35 % des 51 cas, devant les utilisateurs finaux (23 %). Les auteurs ne relèvent la peur d'être remplacé chez les équipes de terrain que dans deux cas. Selon eux, surmonter cette résistance a demandé des mandats liés aux objectifs de l'entreprise et un rôle de gouvernance pour ces fonctions, plutôt que de la persuasion. Leur montrer la conception dès le début est une suggestion pratique de notre part.

Le choix du modèle décide-t-il du succès d'un déploiement d'IA ?

Le rapport suggère qu'il compte moins que beaucoup d'acheteurs ne le pensent. Pour 42 % des implémentations, les auteurs ont jugé le choix du modèle entièrement banalisé (commodity), et les tâches routinières y étaient moins sensibles que les tâches avancées. Les auteurs interprètent l'avantage durable comme situé dans la couche de workflow et d'orchestration autour du modèle.

Insights

Passez de l’idée à l’action

Un appel de 30 minutes suffit pour savoir si un agent IA s’intègre à votre flux de travail — et ce qu’il rapporterait.