Il ne s’en est pas rendu compte tout de suite.

Les objectifs de vélocité de sprint ont augmenté. Les délais attendus pour les demandes de fonctionnalités ont raccourci. Son carnet de commandes a grossi d’un tiers en deux mois. Lorsqu’il en a parlé à son responsable, la réponse a été désinvolte — presque joviale : « On vient d’intégrer Copilot et Claude Code pour toute l’équipe d’ingénierie. On devrait aller plus vite maintenant. »

Il est chef de produit dans une entreprise technologique de taille intermédiaire. Son rôle est de faire le lien entre les objectifs métier et la capacité d’ingénierie. Et du jour au lendemain, cette traduction a changé. La direction avait acheté des outils d’IA pour le développement et supposait que l’équation était simple : la même équipe plus l’IA égale davantage de production. Son agenda n’est pas devenu plus léger. Il est devenu plus chargé — parce qu’on attendait désormais de lui qu’il cadre plus de fonctionnalités au même rythme, pour une équipe qui apprenait encore à utiliser les outils qu’on lui avait remis trois semaines auparavant.

Lorsqu’il a poussé en retour — en expliquant que les outils d’IA nécessitent une refonte des flux de travail, que l’équipe avait besoin de formation, que « plus vite » ne signifie pas « plus » — la réponse de la direction a tenu en trois mots qui résument un problème de 684 milliards de dollars : « Ajoute juste le chat dans l’appli. »

Un bouton. Une bulle. Un petit dessin sur un écran.

Il ne le savait pas encore, mais il venait de décrire ce à quoi ressemblent 80 % des déploiements d’IA de l’intérieur — et deux des plus grandes entreprises d’IA au monde venaient de dépenser 11,5 milliards de dollars pour lui confirmer qu’il avait raison.

Les Chiffres que Personne ne Voulait Publier

En 2025, les grandes entreprises mondiales ont investi 684 milliards de dollars dans des initiatives d’IA. Selon l’analyse de la RAND Corporation, 80,3 % de ces projets n’ont pas réussi à délivrer la valeur métier escomptée.

Ce chiffre mérite qu’on s’y arrête. Huit projets d’IA sur dix — financés, dotés en personnel, lancés — n’ont pas accompli ce qu’ils étaient censés faire.

La ventilation est instructive. Parmi les échecs, 33,8 % ont été abandonnés avant d’atteindre la production — ils sont morts en phase pilote, en preuve de concept, lors de la réunion où quelqu’un a finalement demandé « quel problème résout-on ? ». 28,4 % sont arrivés à terme mais ont échoué à délivrer la valeur attendue — le système fonctionnait, techniquement, mais personne ne l’utilisait, ou il résolvait le mauvais problème, ou le flux de travail qu’il était censé améliorer s’était déjà adapté autour de lui.

La proportion d’organisations ayant abandonné au moins une initiative d’IA est passée de 17 % à 42 % en deux ans. Les services financiers — le secteur qui dépense le plus en IA — affichent le taux d’échec le plus élevé : 82,1 %. La santé est à 78,9 %. L’industrie manufacturière à 76,4 %.

Et voici le constat qui explique presque tout le reste : les projets dotés de ressources dédiées à la gestion du changement réussissent 2,9 fois plus souvent que les autres. La différence entre les 20 % qui fonctionnent et les 80 % qui échouent n’est pas le modèle. Ce n’est pas la puissance de calcul. Ce n’est pas les données. C’est de savoir si quelqu’un a préparé les humains.

Le Problème du Bouton

Le décideur qui pense que l’IA est un bouton représente un mode d’échec spécifique que le secteur a longtemps refusé de nommer : l’illettrisme en matière d’IA au niveau du management.

Ces dirigeants ne sont pas stupides. Beaucoup ont bâti des entreprises prospères, navigué sur des marchés complexes, pris des décisions dans l’incertitude pendant des décennies. Mais l’IA ne ressemble pas aux précédentes adoptions technologiques. Quand vous donniez Excel à une équipe, elle pouvait commencer à l’utiliser dès le lendemain — la métaphore du tableur était intuitive, la courbe d’apprentissage gérable, le résultat visible. Quand vous donniez un outil de gestion de projet à une équipe, le changement de flux de travail était significatif mais délimité — on voyait clairement où l’ancien processus s’arrêtait et où le nouveau commençait.

L’IA ne fonctionne pas ainsi. L’IA modifie la forme même du travail. Un assistant de codage n’accélère pas simplement la frappe — il change ce sur quoi un développeur consacre son temps, ce qui transforme la signification de la revue de code, ce qui change la façon dont la dette technique est gérée, ce qui change la façon dont les projets sont cadrés. Un agent de support client ne répond pas seulement plus vite — il change ce que les agents humains traitent, ce qui modifie les profils de recrutement, ce qui modifie les programmes de formation, ce qui modifie l’ensemble de la structure de coûts du support.

Le dirigeant qui dit « ajoute la bulle de chat » applique l’ancien modèle mental des logiciels à un problème d’IA. Installer l’outil, former l’équipe, mesurer la production. Mais l’IA ne génère pas un changement de flux de travail délimité. Elle génère un changement en cascade. Et si la direction ne comprend pas cela — si elle croit acheter un bouton alors qu’elle achète une transformation de processus — le projet rejoindra les 80 %.

Il existe un mode d’échec que les statistiques ne capturent pas : la honte. Quand un nouvel outil ne fonctionne pas comme quelqu’un l’attendait, la plupart des gens ne lèvent pas la main. Ils réessaient. Encore et encore — en créant silencieusement des doublons, des contournements et des erreurs qui s’accumulent avant que quiconque ne s’en aperçoive. Dans un déploiement réel que nous avons observé, une opératrice a créé quatre fiches en double sans le dire à personne parce qu’elle avait honte de demander à son responsable comment le système fonctionnait. Le problème n’était pas l’outil. Ce n’était pas la formation — il n’y en avait pas eu. C’était que personne n’avait créé un espace sûr pour dire « je ne comprends pas ». La gestion du changement n’est pas seulement un cadre de processus. C’est la permission d’être perdu à voix haute.

L’Aveu

Le 4 mai 2026 — le même jour, à quelques heures d’intervalle — OpenAI et Anthropic ont chacun annoncé des activités de conseil en entreprise.

OpenAI a lancé « The Deployment Company », un véhicule de 10 milliards de dollars soutenu par TPG et 19 investisseurs, avec un rendement annuel garanti de 17,5 %. Dirigé par le COO Brad Lightcap, il est déjà en négociation pour acquérir trois sociétés de services en IA. OpenAI a simultanément approfondi ses partenariats avec McKinsey, BCG, Accenture et Capgemini — les mêmes géants du conseil qui facturent 500 dollars de l’heure pour dire aux entreprises ce que leurs propres employés savent déjà.

Anthropic a annoncé une coentreprise de 1,5 milliard de dollars avec Goldman Sachs, Blackstone et Hellman & Friedman, explicitement calquée sur l’approche d’ingénierie déployée sur le terrain de Palantir : intégrer des ingénieurs au sein de l’entreprise cliente pour repenser les flux de travail de l’intérieur. En parallèle, EPAM a lancé un programme visant à former 10 000 « architectes certifiés Claude » et 250 ingénieurs spécialisés « Black Belt ».

Deux entreprises. Le même jour. Le même aveu : le modèle seul ne suffit pas.

Ce n’est pas un pivot. C’est un aveu. Pendant quatre ans, les laboratoires d’IA de pointe ont vendu des modèles — des API, des abonnements, des tokens. La promesse implicite était que le modèle ferait le travail. Il suffisait de le connecter. Plus le modèle est intelligent, plus il crée de valeur. Augmenter l’échelle du modèle, c’est augmenter l’échelle de la valeur.

Le taux d’échec de 80 % est le reçu de cette promesse.

Ce Qu’ils Vendent Vraiment

Regardez au-delà des communiqués de presse et des annonces de partenariats. Ce qu’OpenAI et Anthropic vendent désormais, ce n’est pas du conseil. Ce n’est pas des « services de transformation par l’IA ». Ce n’est même pas de l’expertise.

Ils vendent le manuel qui aurait dû être fourni avec le produit.

Quand vous achetez une voiture, le constructeur suppose que vous savez conduire. Si 80 % des acheteurs avaient un accident dans l’année, le constructeur ne dirait pas « notre voiture est bien, ce sont les conducteurs qui sont mauvais ». Il repenserait la voiture ou commencerait à vendre des leçons de conduite.

Les laboratoires de pointe ont choisi les leçons de conduite. Mais ils ne les ont pas appelées leçons de conduite — ils les ont appelées « activités de services en IA pour l’entreprise » et les ont tarifées à 10 milliards de dollars.

Le génie de cette manœuvre — et elle est véritablement habile — est qu’elle convertit un échec produit en flux de revenus. Le modèle ne fonctionne pas en entreprise ? Ce n’est pas un problème. C’est un marché. Vendre le modèle. Puis vendre le conseil pour faire fonctionner le modèle. Puis intégrer ses ingénieurs si profondément dans l’entreprise que partir ne signifie plus seulement abandonner le modèle, mais arracher l’ensemble du flux de travail qui a été reconstruit autour de lui.

C’est un enfermement d’une profondeur que les entreprises SaaS n’auraient jamais pu espérer. Salesforce s’intègre dans votre pipeline commercial. Oracle s’intègre dans votre base de données. OpenAI et Anthropic s’intègrent dans vos opérations, avec leurs propres ingénieurs assis aux côtés de vos employés, en train de repenser la façon dont votre entreprise accomplit son travail réel.

Le Modèle Palantir

La comparaison avec Palantir n’est pas accidentelle — Anthropic et OpenAI y font tous deux explicitement référence. Et le mode opératoire de Palantir est instructif.

Les ingénieurs déployés sur le terrain de Palantir n’installent pas simplement des logiciels. Ils apprennent le métier du client, identifient les endroits où les outils de Palantir peuvent apporter de la valeur, construisent des intégrations sur mesure et deviennent les dépositaires du savoir institutionnel sur le fonctionnement du système d’IA au sein de cette organisation spécifique. Au fil du temps, l’ingénieur Palantir devient indispensable — non pas parce que le logiciel est irremplaçable, mais parce que l’ingénieur est la seule personne qui comprend comment le logiciel s’articule avec les processus propres à l’entreprise.

Quand le contrat arrive à renouvellement, la question n’est plus « ce logiciel en vaut-il la peine ? ». La question est « pouvons-nous nous permettre de perdre la personne qui comprend comment tout fonctionne ? »

C’est le modèle qu’adoptent OpenAI et Anthropic. Pas des licences logicielles. Pas une tarification à l’API. Une dépendance organisationnelle. Le type d’enfermement où le coût de sortie n’est pas une migration — c’est une réorganisation.

Ce que Cela Signifie pour les 80 %

La vérité inconfortable est que les activités de conseil amélioreront probablement les taux d’adoption de l’IA en entreprise. Des ingénieurs intégrés qui comprennent à la fois le modèle et le métier du client produiront de meilleurs résultats qu’un décideur qui croit que l’IA est un bouton. Les projets réussiront plus souvent. Le retour sur investissement se matérialisera. Le taux d’échec de 80 % diminuera.

Et c’est précisément le problème.

L’amélioration viendra en partie du développement par les entreprises de leurs propres capacités en IA — les gens apprennent par la pratique, et la courbe d’apprentissage est réelle même si elle est lente. Mais le modèle de conseil comprime cette courbe en louant l’expertise plutôt qu’en la construisant. L’entreprise apprend plus vite, mais la connaissance la plus profonde — comment le modèle se connecte au flux de travail spécifique, pourquoi certaines configurations fonctionnent et d’autres non — réside dans la tête du consultant, et non dans l’organigramme du client.

Quand la prochaine génération de modèles arrivera — et elle arrive toujours — l’entreprise aura besoin des mêmes ingénieurs intégrés pour adapter le nouveau modèle aux mêmes flux de travail. Le contrat de conseil se renouvelle. La dépendance s’approfondit. L’enfermement se compense.

Le taux d’échec de 80 % était un problème. Les activités de conseil le résolvent. Mais elles le résolvent comme un médicament traite un symptôme : en créant une dépendance qui requiert indéfiniment le même médicament.

L’Alternative que Personne ne Vend

Il existe une autre voie, et c’est celle que personne n’emballe dans un véhicule de 10 milliards de dollars : construire la compétence en interne.

Les entreprises qui font partie des 20 % qui réussissent ont une chose en commun — pas de meilleurs modèles, pas de budgets plus importants, mais une gestion du changement dédiée. Quelqu’un au sein de l’organisation dont le travail est de comprendre l’outil, de repenser les processus, de former les personnes et d’itérer sur la mise en œuvre. Pas un ingénieur de prestataire. Pas un consultant qui part après la mission. Quelqu’un qui reste, qui accumule le contexte, qui comprend pourquoi l’entreprise fait les choses comme elle les fait.

L’ironie est saisissante. Les laboratoires d’IA construisent des équipes d’ingénierie déployées sur le terrain parce qu’ils savent que le contexte — profond, spécifique, institutionnel — est ce qui fait fonctionner l’IA en pratique. Et ils ont raison. Mais ils vendent ce contexte comme un service au lieu d’aider les entreprises à le construire par elles-mêmes.

Un développeur à Santiago fait tourner sept instances d’IA sur un mini-PC qui coûte moins qu’un mois de conseil en entreprise. Il a épinglé sa version de CLI, désactivé les mises à jour automatiques, défini ses propres niveaux d’effort de raisonnement et construit un protocole de communication entre instances en texte brut sur HTTP. Pas de prestataire. Pas de consultant. Pas d’ingénieur intégré. Juste quelqu’un qui a décidé de comprendre l’outil plutôt que d’attendre que quelqu’un d’autre le comprenne à sa place.

C’est ça les 20 %. Pas un budget. Pas un partenariat. Une décision.

L’Aiguille dans la Botte de Foin

Le chef de produit qui décrivait la compréhension de son entreprise en matière d’IA comme « un bouton dans l’appli » ne savait pas qu’il décrivait un problème de 684 milliards de dollars. Il ne se plaignait que de son travail.

Mais cette frustration — l’écart entre ce que la direction pense que l’IA fait et ce qu’elle requiert réellement — est le marché que deux entreprises valant mille milliards de dollars viennent de dépenser 11,5 milliards de dollars pour adresser. Non pas parce qu’ils se soucient de la frustration du chef de produit. Mais parce qu’ils ont compris que cette frustration est un flux de revenus.

Le taux d’échec de 80 % est la meilleure chose qui soit jamais arrivée aux laboratoires d’IA de pointe. Il a prouvé que le modèle ne suffisait pas. Et en prouvant que le modèle ne suffisait pas, il a créé le marché pour tout ce qu’ils voulaient vendre d’autre.

Pourquoi ils Échouent Vraiment

Sous les statistiques, sous les activités de conseil et les stratégies d’enfermement, il existe une explication plus simple à l’échec de 80 % de l’adoption de l’IA. Ce n’est pas technique. Ce n’est pas financier. C’est philosophique.

Les entreprises qui échouent demandent : « Combien de personnes pouvons-nous remplacer ? »

Les entreprises qui réussissent demandent : « Que peuvent faire ces personnes maintenant qu’elles ne pouvaient pas faire avant ? »

La première question mène au bouton — installer l’outil, réduire les effectifs, augmenter les marges. L’IA comme réduction des coûts. Le décideur qui dit « ajoute la bulle de chat » répond à la première question. Il n’a pas besoin de comprendre l’outil parce que le rôle de l’outil est d’éliminer le besoin de compréhension. Brancher, réduire l’équipe, communiquer les économies.

La deuxième question mène à l’infrastructure. Elle mène à un développeur qui épingle sa version de CLI parce qu’il veut que le modèle fasse exactement ce dont il a besoin, et non ce que le paramètre par défaut prévoit. Elle mène à une flotte de neuf instances d’IA distribuées sur trois machines, chacune spécialisée, chacune accumulant du contexte qui la rend plus utile avec le temps. Elle mène à une opératrice dans une étude notariale qui — après avoir échoué quatre fois en silence — obtient un canal de support dédié construit spécifiquement pour qu’elle puisse poser des questions sans honte. Personne n’a été remplacé. Le système a acquis des capacités qu’il n’avait pas auparavant.

Les 80 % traitent l’IA comme un substitut au jugement humain. Les 20 % la traitent comme une extension des capacités humaines. La différence n’est pas le modèle. Ce n’est pas le budget. C’est ce que la personne au sommet croit avoir acheté.

L’aveu est sur la table. La question est de savoir si les entreprises l’entendront comme un avertissement — préparez vos collaborateurs, ou quelqu’un d’autre le fera à un prix que vous ne cesserez jamais de payer — ou comme une invitation à signer le prochain contrat.