Les rapports récents opposant McKinsey, le BCG et l’OCDE dessinent un débat vif sur l’impact de l’intelligence artificielle. Ces analyses brossent des images contrastées de la productivité et des gains économiques observés dans les entreprises.
J’examine les messages centraux, les limites méthodologiques et les implications opérationnelles pour les dirigeants. Les éléments essentiels suivent, avec une synthèse claire des enseignements.
A retenir :
- Adoption massive de l’intelligence artificielle avec valeur économique polarisée
- Design des workflows essentiel pour transformer usage en productivité mesurable
- Agents IA en montée mais adoption limitée par gouvernance et données
- Future-built minoritaires difficilement réplicables nécessitant fondations organisationnelles robustes
À partir de ce constat, mesurer l’impact économique de l’IA en entreprise
Mesures et métriques rapportées par les cabinets
Selon McKinsey, 88% des entreprises utilisent l’intelligence artificielle dans au moins une fonction. Selon BCG, seulement une petite fraction des organisations capture une valeur significative à grande échelle.
Ces mesures illustrent la différence entre usage et impact économique réel dans les entreprises. Selon l’OCDE, l’adoption publique nécessite des politiques publiques pour maximiser les bénéfices sociaux.
Indicateur
McKinsey (2025)
BCG (2025)
Entreprises utilisant l’IA
88%
Non spécifié
Organisation en phase de scaling
32% en scaling, 7% à l’échelle
35% scaling partiel
Impact observé sur l’EBIT
39% déclarent un impact souvent inférieur à 5%
60% sans valeur matérielle
Part des leaders créateurs de valeur
6% high performers
5% future-built
Principales métriques comparées :
- Taux d’adoption fonction par fonction
- Niveau de scaling et intégration opérationnelle
- Effet observé sur les marges et revenus
- Rôle des agents IA dans la valeur captée
En étudiant les causes, pourquoi le redesign des workflows détermine la productivité
Obstacles opérationnels derrière la faible valeur
Ce constat conduit à interroger les frictions internes qui étouffent les gains attendus par l’innovation technologique. Selon McKinsey, les high performers redessinent leurs workflows trois fois plus souvent que les autres.
La question n’est pas seulement technique mais politique et organisationnelle au sein des entreprises. Selon BCG, l’absence d’un operating model AI-first et l’upskilling insuffisant expliquent l’écart croissant.
Obstacles opérationnels courants :
- Fragments de workflow non alignés sur les objectifs
- Surcharge cognitive liée à la multiplication des interfaces
- Manque de gouvernance des données et responsabilités floues
- Résistance des middle managers aux changements de périmètre
Un directeur d’équipe relate ses expériences de terrain et l’impact concret des choix organisationnels. Selon l’OCDE, le secteur public rencontre des barrières similaires lors du passage des pilotes à l’échelle.
« Nous avons multiplié les pilotes sans revoir nos routines, les gains sont restés symboliques. »
Marie D.
Cette anecdote illustre la nécessité d’une gouvernance claire et d’une vision portée par la direction générale. Une micro-narration factuelle permet de comprendre pourquoi la technologie n’est pas suffisant.
Pour les dirigeants, anticiper les renégociations de responsabilités est un impératif pour faire évoluer les workflows. Le passage suivant examine le rôle spécifique des agents IA dans cette reconfiguration.
Après avoir abordé les workflows, agents IA et polarisation des gains
Agents IA : promesses, limites et implications
Après ces considérations organisationnelles, les agents IA se présentent comme un levier potentiel mais complexe à déployer. Selon McKinsey, 23% des entreprises déploient des agents dans une fonction, mais le scaling reste limité.
BCG avance que les agents représentaient 17% de la valeur IA en 2025 et pourraient atteindre 29% en 2028. Ce scénario suppose des architectures modulaires et une qualité de données élevée.
Actions prioritaires :
- Clarifier cas d’usage prioritaires pour les agents IA
- Investir en gouvernance des données et sécurité
- Former massivement pour redistribuer les rôles
- Concevoir architectures modulaires et API-first
« J’ai vu un agent réduire la charge administrative mais complexifier la supervision métier. »
Antoine L.
Fonctions cœur, polarisation et répartition de la valeur
Ce point amène à observer la concentration des bénéfices dans quelques fonctions stratégiques. Selon BCG, 70% de la valeur IA provient des ventes, du marketing, de la supply chain et du manufacturing.
Fonction
Concentration de valeur (BCG)
Rôle attendu des agents
Sales & Marketing
Très élevée
Support décisionnel et personnalisation
Supply Chain
Très élevée
Optimisation des flux et prévision
Manufacturing
Élevée
Automatisation et contrôle qualité
R&D et Produit
Modérée
Accélération de l’itération produit
Un témoignage d’utilisateur met en lumière l’effet tangible des agents sur le quotidien professionnel. Ce retour souligne aussi la nécessité d’un pilotage humain renforcé pour assurer la qualité des décisions automatisées.
« L’agent m’aide quotidiennement, mais je reste responsable des décisions finales et des priorités. »
Claire M.
Pour conclure cette partie analytique, le clivage entre leaders et suiveurs tient plus à l’organisation qu’à la technologie. Le fil suivant rassemble les éléments de preuves et propose des voies opérationnelles pour agir.
Source : McKinsey & Company, « State of AI 2025: Agents, innovation, and transformation », McKinsey & Company, 2025 ; BCG, « The Widening AI Value Gap », BCG, 2025 ; Organisation de coopération et de développement économiques, « Recommendation Révisée Du Conseil Sur L’Intelligence Artifici », OCDE, 2023.