La plupart des dirigeants avec lesquels nous échangeons ont déjà fait le premier tour. Quelques collaborateurs utilisent un assistant conversationnel, quelqu’un a branché un modèle sur le helpdesk, et un projet pilote résume des documents que personne n’avait demandé de résumer. Les outils fonctionnent. Les chiffres du compte de résultat, eux, bougent à peine.
Les entreprises qui prennent de l’avance semblent faire trois autres choses. Elles repensent le processus avant d’ajouter le modèle, elles construisent leur propre harness autour de lui et elles réinjectent les corrections pour que le système s’améliore à l’usage. Acheter un meilleur modèle ne vous apporte aucune des trois.
Une entreprise AI-native est une entreprise dont le modèle opérationnel s’effondrerait si l’on retirait l’IA, et les preuves désignent la refonte des processus, un harness sur mesure et des boucles de rétroaction comme les voies pour y arriver. Cet article explique chacun de ces éléments, montre ce que la recherche étaye ou non, et vous propose un test à appliquer à votre propre entreprise. Si vous souhaitez transposer cela directement à votre société, notre service de stratégie IA part précisément de cet exercice.
Ce que « AI-native » signifie réellement
Le terme n’a pas de définition standard. Cabinets de conseil, investisseurs en capital-risque et éditeurs l’emploient pour deux réalités différentes : une entreprise fondée autour de l’IA et une entreprise qui fonctionne autour de l’IA. Plusieurs commentaires de 2026 avertissent aussi que l’étiquette est devenue un argument marketing.
La définition la plus défendable parmi les sources est un test de retrait. Retirez l’IA. Si le produit ou le modèle opérationnel s’effondre, l’entreprise est AI-native. Si vous ne perdez que des fonctions, elle est AI-enabled. Une équipe de support dotée d’un assistant de rédaction est AI-enabled. Un service où un agent résout les cas courants, où des personnes traitent les exceptions et où le dimensionnement des équipes suppose les deux se rapproche davantage de l’AI-native.
Deux conséquences en découlent. D’abord, l’ancienneté n’est pas un critère : une entreprise établie peut donc y prétendre. Ensuite, la plupart des entreprises se situent quelque part entre les deux. Même les éditeurs qui publient des modèles de maturité en IA reconnaissent que la majorité des sociétés en sont encore au stade AI-assisted ou AI-enabled.
Pourquoi l’IA greffée après coup s’essouffle
Ajouter un modèle à un processus inchangé automatise les étapes existantes, y compris celles qui n’existaient que parce que les humains étaient lents ou que les systèmes ne communiquaient pas. Vous conservez la file d’attente, les transmissions et la chaîne de validation, et vous payez le modèle en plus.
Les chiffres vont dans ce sens. Dans l’enquête McKinsey State of AI 2025, environ 39% des répondants attribuaient à l’IA un impact sur l’EBIT, et la plupart d’entre eux le situaient sous 5%. Un petit groupe de high performers, environ 6%, en attribuait 5% ou plus. McKinsey indique que la refonte des flux de travail figure parmi les contributeurs les plus forts à un impact significatif, et que les high performers avaient près de trois fois plus de chances d’avoir profondément repensé leurs workflows. La couverture secondaire de l’édition 2026 rapporte un tableau similaire, avec une part de high performers toujours proche de 6%.
L’étude de BCG de septembre 2025, menée auprès de 1 250 dirigeants, a classé 5% des entreprises comme « future-built », capturant la valeur de l’IA à grande échelle, 35% en phase de déploiement et 60% déclarant des gains minimes. BCG vend des missions de transformation : gardez-le en tête pour juger de l’ampleur de l’écart. La direction reste néanmoins cohérente avec McKinsey.
Les PME suisses suivent le même schéma. L’étude d’AXA et de Sotomo, réalisée en mars 2026 auprès de 336 PME, montre que 74% utilisent ou testent l’IA, contre 55% en 2024. Sa conclusion : l’IA optimise les processus existants sans remettre fondamentalement en question le modèle d’affaires. L’adoption est large. La refonte est rare. Le tableau complet de l’adoption en Suisse figure dans adoption de l’IA dans les PME suisses en 2026.
Premier pilier : repenser le processus d’abord
Les preuves expérimentales les plus solides sur ce point viennent de l’INSEAD. Les chercheurs ont mené une expérience de terrain randomisée auprès de 515 startups à forte croissance. À la moitié d’entre elles, on a montré comment d’autres entreprises avaient réorganisé leur production autour de l’IA. Les deux groupes avaient accès aux mêmes outils. Le groupe traité a déclaré 44% de cas d’usage de l’IA en plus, 12% de tâches supplémentaires accomplies, 18% de chances en plus d’acquérir des clients payants et un chiffre d’affaires environ 1,9 fois supérieur à celui du groupe de contrôle. La demande de main-d’œuvre n’a pas changé.
Il faut lire les limites avec autant d’attention que le résultat principal. Le traitement consistait à exposer les entreprises à des exemples de pairs : l’expérience n’a donc pas testé directement la refonte, et ce que les entreprises traitées ont fait ensuite variait. L’échantillon était composé de startups et non de PME établies. C’est le meilleur appui quantitatif à la refonte qui existe, et cela reste une seule étude. Pour la partie pratique, voir cartographier un flux de travail avant de l’automatiser. Pour une lecture plus détaillée de l’étude, voyez comment les entreprises réorganisent le travail autour de l’IA.
Le Digital Economy Lab de Stanford est parvenu à une conclusion qualitative comparable par un autre chemin. Son étude d’avril 2026 portant sur 51 déploiements réussis dans 41 organisations a constaté que les deux tiers des entreprises avaient connu des échecs significatifs avant d’atteindre la valeur, et son avant-propos affirme que la différence n’a jamais tenu au modèle d’IA : c’était toujours l’organisation. Les auteurs signalent un biais de sélection en faveur des résultats positifs. Servez-vous de l’étude pour comprendre ce que les gagnants ont changé. Ne l’utilisez pas pour estimer la probabilité de réussite. Nous lisons le rapport en détail dans ce que 51 déploiements d’IA réussis ont changé dans l’organisation.
Concrètement, repenser un processus revient à poser des questions qu’un simple déploiement d’outil ignore :
- Quelles étapes n’existent qu’à cause d’une ancienne contrainte, et peuvent-elles disparaître ?
- Où une personne décide-t-elle réellement, et où se contente-t-elle de transmettre ?
- Qui est responsable du résultat quand l’agent agit, et qui examine les exceptions ?
- Que mesurez-vous avant et après, pour que le gain soit visible ?
Notre guide sur les workflows agentiques explique en quoi un agent se distingue d’une automatisation scriptée, ce qui constitue la moitié technique de cette refonte.
Deuxième pilier : construire le harness autour du modèle
Un modèle seul est un générateur de texte. Autour de lui se trouve le harness : le contexte qu’il reçoit, les outils qu’il peut appeler, sa mémoire, les garde-fous, les évaluations qui contrôlent sa sortie et l’orchestration entre les étapes. Anthropic décrit l’ingénierie de contexte comme l’art de sélectionner l’ensemble optimal d’informations mises à la disposition du modèle à chaque étape, et en nomme les coûts, notamment le context rot et les informations perdues lorsque les conversations sont compactées de façon trop agressive. L’anatomie d’un agent harness passe en revue les six composantes une à une.
Un point de données public illustre bien l’importance de cette couche. LangChain a indiqué en février 2026 que son agent de code était passé de 52,8% à 66,5% sur Terminal-Bench 2.0, de la trentième place environ au top 5, le modèle restant identique. Les changements étaient une boucle de construction et de vérification, une étape de contrôle avant de conclure, la détection de boucles et une planification de l’effort de raisonnement. Il faut lui accorder le bon poids : c’est le résultat d’un seul éditeur sur un seul benchmark, LangChain n’isole pas le changement qui a compté, et ses auteurs s’attendent à ce que certains garde-fous deviennent inutiles à mesure que les modèles progressent. Nous détaillons les chiffres et la durée de vie de cet échafaudage dans harness engineering.
Ce dernier point nourrit le débat actuel. Un camp soutient que cette couche, bâtie à partir de vos données, outils, règles et tests, est le lieu de l’avantage durable. L’autre estime que les éditeurs intègrent ces fonctions à leurs produits et que chaque nouvelle version de modèle rend une partie de l’échafaudage obsolète. Aucune étude indépendante ne tranche. Une lecture raisonnable consiste à dire que l’échafaudage générique deviendra une commodité, tandis que les éléments liés à vos données, vos systèmes, vos droits d’accès et vos standards de qualité resteront les vôtres. C’est aussi pourquoi la décision de développer ou d’acheter des agents IA dépend de la profondeur d’intégration et de la différenciation plus que du nom du modèle.
Troisième pilier : des boucles de rétroaction qui se cumulent
Un système AI-native s’améliore parce que les corrections y reviennent. Dans sa forme simple, une personne corrige une sortie et la correction devient une règle, un exemple ou un cas de test dans le contexte partagé. Rahul Garg, de Thoughtworks, décrit la collecte de signaux de contexte, d’instruction, de workflow et d’échec dans des artefacts partagés précisément à cette fin, tout en admettant que l’effet est difficile à mesurer.
À l’autre extrémité, Shopify Engineering a décrit en août 2026 un pipeline quotidien pour son assistant Sidekick. Un juge fondé sur des grilles d’évaluation note les conversations réelles, les échecs sont rejoués avec des indications de correction, et l’équipe applique de l’apprentissage par renforcement et du fine-tuning supervisé, en ajustant d’abord le système environnant avant de toucher aux poids du modèle. L’article donne des estimations de coûts d’exploitation, environ $27 million par an sur un modèle de pointe contre environ $1 million pour un modèle affiné, et les présente comme des estimations. Savoir si le fine-tuning est rentable à votre propre volume relève d’un autre calcul, que nous faisons dans l’article sur l’économie du fine-tuning. La qualité est jugée par le propre juge de l’équipe, et les grilles et l’annotation restent manuelles. Pour construire un tel jeu de tests à partir de vos propres tickets de support, voir évaluations d’IA à partir de tickets réels.
Deux précautions s’imposent. L’« auto-apprentissage » en contexte professionnel doit désigner une amélioration supervisée, où une personne contrôle ce qui change, jamais un système qui se réécrit sans surveillance. Et il n’existe pas encore de données de résultats sur les boucles de correction humaine à l’échelle d’une PME. Le mécanisme est solide et largement recommandé. L’ampleur du gain pour une entreprise de votre taille n’a pas été mesurée. Pour ce qui s’améliore tout seul et ce qui exige encore des humains, voyez IA auto-apprenante ; pour le volet juridique suisse des décisions automatisées, voyez décisions automatisées et art. 21 LPD.
Ce qui ne tient pas
Plusieurs statistiques circulent dans ce débat et demandent de la prudence avant d’être présentées à un conseil d’administration. Notre article sur ce que mesurent vraiment les statistiques d’IA les plus citées les passe en revue.
- Les tableaux de chiffre d’affaires par employé. Des chiffres comme celui d’une majorité de startups AI-native dépassant $400,000 par employé proviennent d’une enquête menée par un fournisseur cloud, et les observatoires indépendants divergent fortement entre eux pour une même entreprise. Ils ne servent pas de référence.
- Le chiffre « 95% » du MIT. Sa définition et son échantillon sont rapportés de façon incohérente, et un critique issu d’un éditeur estime que le taux d’échec des déploiements de production délibérés se situe plutôt entre 25 et 30%. Le rapport lui-même décrit des projets pilotes sans impact mesurable sur le compte de résultat.
- Les 40% de Gartner. La prévision de juin 2025 selon laquelle plus de 40% des projets d’IA agentique seront annulés d’ici fin 2027 est une projection et non un taux mesuré. Le même communiqué met en garde contre les fournisseurs qui rebaptisent des chatbots en agents, un sujet traité dans agent washing.
- Les licenciements comme preuve. La suppression d’environ 4 000 postes par Block en 2026 a été présentée comme rendue possible par l’IA, alors que le CEO invoquait aussi les embauches excessives de la période pandémique, et Oxford Economics a relevé que l’IA n’était la raison invoquée que pour 4,5% des suppressions d’emplois aux États-Unis durant les onze premiers mois de 2025.
- Les gains de vitesse des développeurs. L’essai de METR en 2025 a mesuré des développeurs expérimentés 19% plus lents. Sa mise à jour 2026 indique que des estimations plus récentes vont dans l’autre sens et les juge peu fiables.
Les chiffres pessimistes et optimistes mesurent pour l’essentiel des groupes différents : d’un côté les grandes entreprises et les attentes des dirigeants, de l’autre les startups, des succès sélectionnés et des tâches isolées. Ils se contredisent moins que les titres ne le laissent croire.
Un test pour votre propre entreprise
Pas besoin d’un programme de transformation pour savoir où vous en êtes. Appliquez ce test à un seul processus.
- Test de retrait. Si vous coupiez l’IA demain, qu’est-ce qui s’arrêterait ? Si la réponse est « rien d’important », vous avez une fonction.
- Test de refonte. Le processus est-il différent de celui d’avant l’IA, avec moins d’étapes, d’autres rôles ou un autre responsable ?
- Test du harness. Possédez-vous le contexte, les outils, les droits et les évaluations, ou est-ce la configuration par défaut d’un éditeur qui les détient tous ?
- Test de la boucle. Quand une personne corrige une sortie, la correction modifie-t-elle la suivante ?
- Test de la référence. Avez-vous enregistré le coût, le temps et le taux d’erreur avant de commencer ?
La plupart des entreprises échoueront aux deux premiers tests sur la majorité de leurs processus, ce qui est normal. L’objectif est de choisir le processus où réussir les cinq vaut le plus, puis d’étendre. Le ROI des agents IA se calcule plus simplement sur un processus repensé, car la référence et le nouveau flux sont tous deux explicites.
Par où commencer
Commencez petit. Un processus avec un vrai volume, un responsable désigné, une référence mesurée et une étape de relecture humaine vous apporte en un trimestre des preuves issues de votre propre entreprise, qui valent plus que toutes les enquêtes citées ci-dessus. Réutilisez ce que vous construisez : le contexte et l’outillage, le jeu d’évaluation et l’habitude de correction se transposent au processus suivant, même quand le workflow diffère.
Les sources s’accordent sur la direction et divergent sur l’ampleur du gain. C’est une bonne raison de mener une petite expérience mesurée plutôt qu’une grande expérience hypothétique.
Questions fréquentes
Qu'est-ce qu'une entreprise AI-native ?
Il n'existe pas de définition consensuelle, mais le test le plus utile est structurel. Si vous retiriez l'IA, une entreprise AI-native perdrait son modèle opérationnel, alors qu'une entreprise AI-enabled ne perdrait que certaines fonctions. L'ancienneté de l'entreprise compte moins que la question de savoir si processus, rôles et mesure ont été conçus autour d'une IA qui fait un vrai travail.
Une PME suisse établie peut-elle devenir AI-native ?
Oui, mais cela se fait processus par processus et non d'un seul coup à l'échelle de l'entreprise. Choisissez un flux avec un volume et un coût clairs, repensez-le autour d'un agent avec relecture humaine, mesurez-le par rapport à une référence, puis recommencez. La plupart des preuves sur la refonte complète viennent de startups et de grands groupes, les résultats d'une PME sont donc à mesurer par vous-même.
Qu'est-ce qu'un harness d'IA et pourquoi est-il important ?
Le harness est tout ce qui entoure le modèle : le contexte qu'il reçoit, les outils qu'il peut appeler, sa mémoire, ses garde-fous, ses évaluations et l'orchestration entre les étapes. Il est important parce qu'il détermine si les résultats sont reproductibles. Les résultats publiés par des éditeurs montrent que les seuls changements de harness peuvent faire beaucoup bouger les scores de benchmark, mais aucune étude indépendante ne mesure la durabilité de cet avantage.
Les statistiques selon lesquelles 95% des projets d'IA échouent sont-elles fiables ?
Elles demandent du contexte avant d'être citées. Le chiffre du MIT, très repris, est contesté quant à sa définition et à son échantillon, et la prévision de Gartner selon laquelle plus de 40% des projets d'IA agentique seront annulés d'ici fin 2027 est une projection et non un taux mesuré. Les deux concernent de grandes entreprises. Budgétez à partir de votre propre référence sur un seul processus.
Les entreprises AI-native ont-elles besoin de moins de personnel ?
Les preuves sont partagées. Dans l'expérience de terrain de l'INSEAD, les startups traitées n'ont pas modifié leur demande de main-d'œuvre, et les dirigeants interrogés par le NBER ne signalent pour l'instant pratiquement aucun effet net sur l'emploi. Block a supprimé environ 4 000 postes en 2026 en invoquant en partie l'IA, mais aussi des embauches excessives antérieures. Considérez les affirmations sur les effectifs comme non démontrées.