IA en entreprise : de l’expérimentation à l’adoption, le rôle de la formation pour un déploiement réussi

Les prérequis pour réussir le déploiement de l’IA à l’échelle de l’entreprise

Beaucoup d'entreprises savent aujourd'hui construire un prototype d'intelligence artificielle en quelques semaines, mais peinent ensuite à le faire passer en production. Le problème ne se situe pas dans la phase de preuve de concept, généralement rapide et peu coûteuse, mais dans l'étape suivante : connecter l'outil au système d'information existant, l'ouvrir à des centaines voire des milliers d'utilisateurs internes, et garantir sa disponibilité et sa fiabilité dans la durée. Un POC, construit sur un jeu de données restreint et testé par une poignée d'utilisateurs, ne dit rien de la capacité d'un système à tenir la charge, à s'intégrer aux outils métiers déjà en place, ou à respecter les contraintes de sécurité et de conformité propres à une organisation. Cette difficulté a des conséquences concrètes pour les directions informatiques et les métiers : des projets IA prometteurs restent bloqués au stade pilote, sans jamais générer la valeur attendue, tandis que les budgets et l'attention se dispersent sur de multiples expérimentations non industrialisées. Pour les entreprises, l'enjeu n'est plus de prouver que l'IA fonctionne, mais de démontrer qu'elle peut être déployée de façon robuste, mesurable et pérenne, au même titre que n'importe quelle autre brique du système d'information. Ce constat s'inscrit dans une phase de maturation plus large du marché de l'IA en entreprise, où l'expérimentation tous azimuts des deux dernières années cède peu à peu la place à des exigences d'industrialisation : gouvernance des données, supervision des modèles, formation des équipes et alignement avec les processus métiers existants. Les organisations qui réussissent ce passage à l'échelle sont celles qui traitent l'IA comme un projet technique et organisationnel à part entière, doté de ressources, de compétences et d'une feuille de route dédiées, plutôt que comme une simple extension de leurs initiatives d'innovation.

💬 Selon Le Fil IA : le vrai coût de l'IA en entreprise n'est pas dans le prototype, il est dans la plomberie qu'on ne montre jamais en démo. Tout le monde sait faire un POC qui claque en trois semaines, mais brancher ça sur le SI existant, tenir la charge avec mille utilisateurs, respecter la conformité, c'est un métier différent. D'ailleurs c'est là que la plupart des projets meurent, pas sur la techno elle-même mais sur l'industrialisation qu'on a sous-budgétée dès le départ.

Les fonds d’investissement face à l’IA : de l’expérimentation à la construction d’un système d’exploitation

Le secteur du capital-risque entre dans une nouvelle phase de sa relation avec l'intelligence artificielle. Après un premier épisode consacré aux raisons de l'adoption, ce deuxième volet d'une série publiée par FW.MEDIA déplace le curseur vers l'exécution concrète. La question n'est plus de savoir si les fonds doivent s'intéresser à l'IA, mais comment passer des expérimentations isolées à la construction d'une infrastructure cohérente, ce que les auteurs appellent un véritable "système d'exploitation" de l'IA au sein des organisations de gestion. Ce glissement de la démonstration vers la systématisation est central pour l'industrie. Les fonds qui se contentent de tester des outils ponctuels sans les intégrer dans leurs processus structurels risquent de rater l'essentiel du gain de productivité. L'enjeu concerne toutes les fonctions du métier, du sourcing de deals à l'analyse de portefeuille, en passant par la relation investisseurs. Ceux qui construisent une architecture cohérente aujourd'hui se donnent une avance compétitive difficile à rattraper. Le capital-risque est un secteur fondé sur l'information et la vitesse d'analyse, deux domaines où l'IA excelle, ce qui explique la pression croissante à agir. Le premier épisode avait posé la question de la gouvernance interne, notamment qui devait piloter le sujet. Ce deuxième volet suggère que la phase d'interrogation est révolue et que les fonds doivent désormais traiter l'IA comme une infrastructure critique, au même titre qu'un CRM ou un outil de gestion de portefeuille.

La prochaine phase de l'IA en entreprise concerne les décisions, pas les expérimentations

Lors de la conférence Milken Institute Global Conference de cette année, les échanges sur l'IA en entreprise ont changé de nature. La question posée par les dirigeants n'était plus de savoir si l'IA allait rapporter, mais comment. Beaucoup ont moins insisté sur la démonstration du retour sur investissement que sur le positionnement de leur entreprise pour le capter. Cette tension entre les capacités de l'IA et la capacité des organisations à suivre le rythme est apparue partout, des tables rondes à un dîner privé coorganisé par Bianca Anghelina, fondatrice et PDG d'Aily Labs, et Cory Weinberg de The Information. Des fonds de private equity ont annoncé une vague de coentreprises avec des laboratoires d'IA de pointe au moment même où s'ouvrait Milken, une manière opportune de justifier des valorisations élevées, même si les questions les plus difficiles sur l'emploi restaient largement sans réponse. L'analogie historique revenue sans cesse dans la bouche des dirigeants: la délocalisation. Comme elle avant elle, l'IA redessine le travail dans la santé, la finance, l'assurance et le service client, avec des gains à court terme plus incrémentaux que transformateurs. Pete Stavros, de KKR, l'a dit sans détour: les bénéfices dans son portefeuille ont progressé d'environ 5%, loin des 50% que suggèrent les gros titres. Martín Escobari, de General Atlantic, s'est montré plus optimiste, estimant que la technologie est prête à automatiser la majorité du travail de bureau, et que ce qui manque, c'est la priorisation et la diffusion. Lors du dîner, les dirigeants qui décrivaient des succès avec l'IA partageaient un même réflexe: la considérer comme une couche de décision transversale à l'entreprise, plutôt que comme une collection d'outils isolés. Un exemple est venu de la certification de pierres précieuses: après le rachat d'IGI par Blackstone, des systèmes de détection d'images pilotés par IA sont utilisés pour identifier les diamants de synthèse, avec une précision d'environ 95%, surpassant les évaluateurs humains sur certaines tâches de classification. Des dirigeants du secteur de la santé ont décrit un recours croissant aux grands modèles de langage pour interpréter des analyses sanguines, faire émerger des diagnostics possibles et alimenter les échanges sur la prévention. C'est précisément ce que construit Aily Labs, présentée comme la première plateforme d'intelligence décisionnelle nativement pilotée par l'IA pour les grandes entreprises, conçue pour faire passer les groupes du Fortune 500 de données fragmentées à un impact mesurable sur le compte de résultat en moins de deux semaines. La plateforme d'Aily orchestre des agents IA autonomes qui ne se contentent pas de faire remonter des informations: ils exécutent des décisions, avec des effets qui remontent jusqu'au chiffre d'affaires et au résultat net, dans la finance, la chaîne d'approvisionnement, la R&D et les opérations commerciales. L'objectif, selon Anghelina, est de donner à chaque niveau de l'organisation la même intelligence en temps réel et la capacité d'agir dessus. La distinction entre une IA qui signale un problème et une IA qui agit est revenue à plusieurs reprises: pour Anghelina, c'est précisément là que la plupart des déploiements en entreprise s'enlisent, un système repère un problème de stock puis laisse un humain reprendre la main. L'agent de gestion des stocks d'Aily va plus loin en remontant à la cause racine d'un sur ou sous-stockage et en agissant de façon autonome pour limiter les dégâts avant qu'ils n'affectent le résultat. Dans un déploiement chez un client du Fortune 500, cela s'est traduit par 685 millions de dollars de valeur d'inventaire débloquée. Un des constats marquants du dîner porte sur l'écart entre l'usage de l'IA par les dirigeants et celui du reste de leurs organisations. Plusieurs cadres ont décrit l'IA comme un collaborateur permanent, capable de synthétiser l'ensemble du compte de résultat, de stress-tester des décisions et d'accélérer des travaux qui prenaient auparavant plusieurs jours. Anghelina a été directe sur ce que révèle cet écart: la question n'est plus de savoir si l'IA a sa place dans les conseils d'administration, mais pourquoi elle y reste cantonnée. L'objectif, selon elle, ne se limite pas à améliorer les informations dont dispose la direction, il s'agit de bâtir une source unique d'intelligence en temps réel à partir de laquelle chaque salarié, du PDG jusqu'au terrain, doit pouvoir opérer. Mais la réalité est très différente quelques étages plus bas, où une large part de la main-d'œuvre reste au tout début de la courbe d'adoption, un décalage qui illustre bien l'ampleur du chantier qui attend encore la plupart des entreprises.

💬 Le vrai chiffre à retenir c'est les 5% de Pete Stavros, pas les 50% des gros titres. Ça confirme ce que je répète depuis des mois: l'IA en entreprise avance par frictions et cas d'usage précis (le tri de diamants, les stocks débloqués à 685 millions), pas par grand soir automatisé. Et l'écart qu'Anghelina pointe, entre des dirigeants qui traitent déjà l'IA comme un collègue et des équipes qui n'ont pas encore commencé, c'est le vrai goulot d'étranglement des deux prochaines années, bien avant la question des capacités du modèle.

Déployer Claude en entreprise : les 5 étapes indispensables pour réussir un projet d’IA

Annoncé le 12 juillet, le partenariat entre LTM et Anthropic vise à accélérer l'adoption de Claude, Claude Code et Claude Cowork au sein des grandes entreprises. LTM prévoit d'intégrer ces outils à sa plateforme BlueVerse pour couvrir plusieurs usages : développement logiciel, modernisation d'applications existantes, orchestration d'agents IA, supervision d'infrastructures et ingénierie de la fiabilité (SRE). Au delà de la simple mise à disposition du modèle, les deux entreprises annoncent la création d'un centre d'excellence dédié à Claude, chargé d'encadrer l'utilisation responsable des modèles, le cycle de vie des agents IA ainsi que les exigences de confidentialité et de résidence des données. LTM cible en priorité des secteurs réglementés comme la banque, la finance et l'assurance, où ces garanties de gouvernance sont particulièrement sensibles. Le partenariat s'accompagne d'un accompagnement technique et d'un volet formation des équipes, pensé pour transformer des expérimentations ponctuelles en déploiements à grande échelle. Cette annonce illustre un changement de posture chez les fournisseurs de modèles de langage, qui ne se contentent plus de vendre un accès à leur IA mais s'appuient sur des partenaires capables d'en industrialiser l'usage. Pour les entreprises, le message est clair : la valeur d'un modèle comme Claude ne se révèle pleinement que lorsqu'il est connecté aux données internes, intégré aux applications déjà en place et encadré par une gouvernance solide. Un usage limité à l'interface web, où chaque collaborateur rédige ou résume du contenu de son côté, produit des gains individuels mais reste sans effet réel sur les processus métiers. À l'inverse, une intégration aux systèmes CRM, ERP ou aux bases documentaires permet de générer une valeur mesurable, à condition d'y consacrer des ressources d'intégration, de sécurité et de compétences internes durables. Ce constat rejoint une tendance plus large observée depuis l'essor des grands modèles de langage : le goulot d'étranglement des projets d'IA en entreprise ne se situe plus dans la performance technique des modèles, mais dans leur capacité à s'insérer dans des environnements informatiques hétérogènes et fortement réglementés. LTM et Anthropic proposent une méthode en plusieurs étapes, qui commence par l'identification des cas d'usage à fort retour sur investissement, comme l'assistance au développement avec Claude Code ou l'accélération du support client, avant de passer à la connexion aux outils existants puis à la mise en place d'une gouvernance formelle. D'autres acteurs du cloud et de l'intégration, confrontés au même défi de passage à l'échelle, pourraient s'inspirer de ce modèle pour structurer leurs propres offres autour des IA génératives dans les mois à venir.

💬 LTM et Anthropic viennent de dire tout haut ce que tout le monde savait déjà : le goulot d'étranglement de l'IA en entreprise, c'est plus le modèle, c'est l'intégration aux vieux systèmes et la paperasse de conformité. Un centre d'excellence dédié à la gouvernance, sur le papier ça fait sérieux, surtout pour la banque et l'assurance qui ne signent rien sans ces garanties. Reste à voir si ça tient en prod une fois que les équipes internes doivent vraiment mettre les mains dans le CRM.