La plupart des entreprises ont adopté l’AI. Bien moins nombreuses sont celles qui apprennent à l’opérer à grande échelle. Cet écart, et non la technologie, empêche les initiatives prometteuses de générer une valeur à l’échelle de l’entreprise.
Selon une étude Gartner publiée en septembre 2026, seulement 22 % des organisations ont réussi à déployer l’AI à grande échelle dans plusieurs unités d’affaires ou à adopter une approche « AI-first », alors même que 85 % des responsables fonctionnels prévoyaient d’augmenter les investissements en AI en 2026. Le défi va au-delà de la capacité des modèles. En pratique, les tableaux de bord affichent tout en vert, tandis que le P&L reste stable, et les agents qui réussissent tous les tests butent en production.
La différence réside dans le modèle opérationnel : qui est responsable des résultats, quelle valeur est attendue et comment la préparation, les risques et la réutilisation guident l’investissement. L’assistant AI d’une fintech européenne a traité les deux tiers de ses conversations de service à la clientèle dès son premier mois, mais le PDG de l’entreprise a ensuite reconnu que le coût avait été « un facteur d’évaluation trop prédominant ». À mon avis, cela montre comment un assistant AI peut offrir des performances efficaces à grande échelle, alors que le modèle opérationnel qui l’encadre échoue à équilibrer économies de coûts et qualité de service.
Où l’ambition AI fait face à la réalité
Dans l’industrie, j’observe trois obstacles récurrents : la valeur, le contrôle et la mise à l’échelle. Aucun n’apparaît dans une démonstration.
On perd de la valeur lorsque les équipes mesurent l’activité au lieu des résultats. Tableaux de bord verts, billets fermés et agents « actifs » peuvent exister sans aucun gain financier, surtout si les anciens processus d’approbation et de gestion des exceptions persistent. C’est pourquoi un résultat d’affaires avec un responsable identifié, évalué par des experts, doit faire partie des critères pour passer l’AI en production.
Le deuxième point est le contrôle. Les garde-fous sont essentiels, mais conçus uniquement comme des interdictions, ils bloquent le travail utile ou l’enfouissent dans un flux d’approbations. Les droits de décision comptent tout autant : lorsque l’AI, les règles existantes et les gens tranchent sur le même cas, personne n’est responsable du résultat. Un taux de réussite élevé en test peut masquer des échecs sur des formulations réelles d’utilisateurs lorsque des règles codées en dur ont la priorité sur l’interprétation du modèle. Ma règle : les systèmes gèrent les faits et les limites ; l’AI gère le jugement à l’intérieur de ces limites.
Puis viennent les contraintes de la mise à l’échelle. Les données d’entreprise peuvent défaillir silencieusement et l’AI transforme ces erreurs en actions. Les quotas d’accès, les délais et les coûts déterminent souvent les résultats avant même le modèle : un plus gros modèle ne donne pas de meilleurs résultats si les délais et limites ont été calibrés pour un plus petit. Réglez l’infrastructure avant de comparer les modèles.
Gouvernance avant autonomie
La première étape consiste à relier l’AI à la valeur via des critères clairs d’évaluation et de mise en production. Traitez l’évaluation comme un produit gouverné, avec un seuil de qualité fixe et un évaluateur AI désigné, plutôt que des cibles évoluant durant le développement. Ce sont les cibles mouvantes qui laissent les agents livrés à eux-mêmes.
Cette base permet une autonomie sécuritaire. Je la compare à une échelle d’autonomie : assister, recommander, agir avec approbation, agir dans des limites définies. Les agents montent un barreau à la fois, pour chaque décision, seulement quand les contrôles existent pour ce niveau. L’autonomie se mérite, elle ne s’installe pas.
La gouvernance doit permettre le travail utile, de façon sécuritaire. Si chaque action routinière attend un humain, les avantages de la rapidité des agents disparaissent. Inversement, retirer la surveillance sans évaluation fiable crée des risques qui n’apparaissent qu’après le déploiement.
Concevoir ces limites dès le début coûte bien moins cher que modifier les exigences une fois les agents en place.
Redéfinir la tâche, y compris le rôle humain
Le développement logiciel montre comment le travail évolue. Auparavant, les développeurs cherchaient des exemples sur Stack Overflow et écrivaient le code manuellement. Aujourd’hui, un agent de codage AI peut générer des milliers de lignes en quelques minutes.
L’étranglement s’est déplacé de l’écriture vers l’évaluation. Un réviseur AI peut aider, mais aussi passer à côté de failles. Les personnes ont toujours besoin d’expérience pour contester ce que produisent les agents.
Je l’ai constaté personnellement. Un agent AI avait proposé un changement bien trop lourd pour la tâche demandée. Quand j’ai remis son plan en question et proposé un chemin plus simple, l’agent a révisé son approche et l’effort estimé a chuté considérablement.
Voilà la redéfinition de la tâche en pratique : les agents génèrent, les humains fixent la norme, questionnent le plan et ont le choix d’arrêter. La capacité de supervision doit être planifiée, comme toute autre capacité. Sinon, la génération accélérée ne fait qu’engendrer une file croissante de tâches à valider.
Construire la fondation, puis accélérer
Chaque entreprise a une architecture, des données et des contraintes différentes, mais l’ordre de construction demeure : la valeur d’affaires et son responsable, puis les données et l’évaluation, ensuite la colonne AI de connexion, quotas, observabilité et gestion des coûts, et seulement ensuite l’autonomie élargie. Les limites de la plateforme doivent être comprises avant le déploiement, pas découvertes en cours de route.
Pour trouver la limite de votre programme, évaluez-le sur les obstacles identifiés : le pointage le plus bas sera votre plafond. Si la valeur est faible, il est prématuré d’augmenter les dépenses. Si le contrôle est faible, l’autonomie accrue est prématurée. Si la supervision est faible, multiplier les agents va surtout vous ralentir. Chez HCLTech, nous travaillons ces questions main dans la main avec les équipes techniques, sur leur propre infrastructure.
En novembre prochain, plus de 6 500 CIO et leaders du secteur se réuniront lors du Gartner IT Symposium/Xpo™ 2026 à Barcelone pour explorer les priorités qui façonneront l’avenir de la technologie d’entreprise. J’ai hâte de contribuer à cette discussion en examinant les huit obstacles récurrents propres aux programmes AI d’entreprise, et en partageant comment les organisations peuvent identifier ce qui freine la création de valeur commerciale mesurable.
Une question à ramener à votre équipe : si les agents produisaient dix fois plus de travail le trimestre prochain, qui l’examinerait et qui pourrait y mettre fin ? L’AI fait désormais partie de la fondation. Le modèle opérationnel, c’est ce que vous bâtissez par-dessus.
Participez à ma séance, HCLTech : Construire l’entreprise AI — Un modèle opérationnel pour l’AI à grande échelle, le lundi 9 novembre à 15 h 35 (CET).
Inscrivez-vous ici ou découvrez-en plus sur HCLTech au Gartner IT Symposium/Xpo™ 2026.




