L’AI est rapidement passée de l’expérimentation à une priorité d’entreprise. Mais pour de nombreuses organisations, le plus grand défi consiste à transformer l’investissement en AI en un impact d’affaires mesurable.

C’était le thème central d’une récente discussion LinkedIn Live de HCLTech avec Vijay Guntur, CTO et responsable des écosystèmes chez HCLTech, et Mark Beccue, analyste principal – AI chez Omdia. La conversation a exploré les conclusions du dernier rapport de HCLTech sur le marché de l’AI en entreprise, The AI Impact Imperatives, 2026, y compris pourquoi près de la moitié des grandes initiatives AI lancées au cours des 24 prochains mois devraient échouer.

Pour Guntur, ce constat n’est pas surprenant, mais il doit attirer l’attention sur ce qui distingue les programmes AI réussis de ceux qui stagnent.

« Ce n’est pas seulement un problème technologique », a-t-il déclaré. « Il faut avoir la bonne base de données, de solides pratiques de gouvernance et, surtout, il faut se concentrer sur la création d’un impact d’affaires. »

Cette focalisation sur l’impact d’affaires est essentielle. L’AI ne peut pas être traitée comme une simple couche technologique indépendante ou une capacité ajoutée. Elle doit être connectée au modèle opérationnel de l’organisation, à l’environnement de données, aux structures de gouvernance et aux priorités d’affaires.

Beccue a formulé le même point de vue sous l’angle de l’analyste. « L’AI n’est pas un accessoire », a-t-il dit. « La technologie n’est pas tout le problème ici. C’est transformationnel, c’est de l’innovation. »

En d’autres termes, la réussite de l’AI en entreprise dépend moins d’expérimentations isolées et davantage de la capacité des organisations à créer les conditions pour que l’AI puisse évoluer de façon responsable, économique et répétée.

Les dirigeants doivent passer de la réaction à la préparation

L’un des constats les plus frappants du rapport est que 83 % des répondants ont déclaré que les PDG et les conseils d’administration ne comprennent pas suffisamment que le sous-investissement en AI peut créer un risque existentiel.

Beccue voit cela comme un défi de leadership et de prise de décision. Plusieurs organisations essaient toujours de déterminer où doit se trouver l’AI, qui doit la diriger et comment équilibrer les décisions de construire ou d’acheter.

« Il y a la difficulté d’aboutir à des capacités et à des investissements centralisés », a-t-il dit. « Comment construit-on cet avion pendant qu’on vole ? »

Une partie du défi réside dans le fait que l’AI exige une discipline d’innovation différente. Les organisations ont peut-être l’expérience de la gestion du cycle de vie logiciel, de la gestion du cycle de vie produit, de la transformation vers le cloud ou vers le numérique, mais l’AI soulève de nouvelles questions sur la gestion du cycle de vie, le risque, la gouvernance, la reddition de comptes et le changement du modèle opérationnel.

Guntur a averti qu’attendre trop longtemps pourrait être risqué, car l’adoption de l’AI avance plus vite que les précédentes transitions technologiques.

« Les organisations ne sont pas très bien préparées, surtout si l’on considère les conseils d’administration, les PDG et les CXO », a-t-il dit. « Ils ne sont pas très bien préparés à comprendre à quel point l’AI peut être perturbatrice, et donc à prendre des mesures proactives plutôt que de réagir. »

Il a ajouté que la transformation par l’AI pourrait ne pas suivre la courbe d’adoption plus lente observée lors des vagues précédentes comme le mobile, le numérique ou la transformation guidée par Internet. « Cette transition ne prendra pas autant de temps une fois qu’elle sera lancée », a-t-il indiqué. « Ce sera beaucoup plus rapide avec l’AI. »

Ce rythme accéléré rend également la gestion du changement centrale à l’impact de l’AI. Guntur a souligné que la réussite de la transformation par l’AI exige un changement de modèle opérationnel, une harmonisation du leadership et le développement des capacités à l’échelle de l’organisation, et pas simplement de nouveaux outils.

« On a besoin d’une solide capacité de gestion du changement organisationnel, ce que nous n’évaluons pas suffisamment », a-t-il dit. « La plupart des organisations luttent avec cela. »

Pour les entreprises, cela signifie embarquer les gens dans le parcours AI, doter les équipes de nouvelles compétences et créer les structures nécessaires pour que l’AI fasse partie intégrante de la façon dont le travail s’accomplit.

La première condition : Établir la bonne fondation

La première condition identifiée dans le rapport est la bonne fondation. Pour les entreprises, cela signifie faire face aux applications patrimoniales, à la dette technique, aux environnements de données fragmentés, à la dette de processus et aux lacunes de compétences qui limitent l’impact de l’AI.

Guntur a décrit le problème à travers ce qu’il appelle « PTSD » : dette de processus, dette technologique, dette de compétences et dette de données. Ces différentes formes de dette se sont accumulées dans de nombreuses organisations parce que la modernisation a souvent été reportée.

« Toutes ces choses accablent les organisations qui n’ont pas modernisé, soit par manque d’investissement, soit par l’idée que “si ce n’est pas brisé, pourquoi y toucher ?” », a-t-il indiqué.

Cela devient un enjeu majeur lorsque les organisations tentent de faire passer l’AI à l’échelle. L’AI dépend de données de haute qualité, d’architectures solides, de systèmes modernes et des compétences nécessaires à leur fonctionnement. Si ces fondations sont faibles, les initiatives AI risquent davantage de s’essouffler.

« Si vous n’avez pas la bonne fondation, l’AI va échouer lamentablement, parce qu’elle s’alimente de données de haute qualité », a dit Guntur.

En même temps, il a fait valoir que l’AI peut aider les organisations à s’attaquer à certaines dettes qui les freinent. Les outils enrichis par l’AI peuvent accélérer le développement logiciel, la gestion du cycle de vie des données et la réduction de la dette technique. Guntur dit qu’il a vu des programmes de réduction de la dette technique qui prenaient auparavant plusieurs années réussir à accélérer de 20 % à 25 %.

Pour Beccue, la difficulté, c’est que la plupart de l’infrastructure d’entreprise n’a pas été conçue à l’origine pour l’AI.

« La plupart de ces infrastructures et systèmes n’ont pas été pensés pour l’AI », a-t-il indiqué. « Vous devez prendre des décisions très difficiles sur ce que vous pouvez garder, ce que vous ne pouvez pas garder, ce qui va fonctionner et ce qui ne fonctionnera pas. »

La fragmentation des données demeure un obstacle majeur. Les entreprises discutent des mégadonnées depuis des années, mais GenAI et Agentic AI exercent maintenant davantage de pression pour rendre ces données utilisables, connectées et gouvernées. Comme l’a souligné Beccue, les organisations doivent encore régler les silos, les systèmes patrimoniaux, les données non structurées, le routage et la latence avant que l’AI puisse être déployée à grande échelle.

Choix du modèle, AI souveraine et économie des jetons

À mesure que l’AI passe en production, la question des fondations devient plus complexe. Les entreprises doivent décider où s’exécutent les modèles, quels modèles utiliser, comment les charges de travail sont aiguillées et comment équilibrer performance, latence, sécurité, souveraineté et coût.

Guntur a souligné le nombre croissant de modèles AI disponibles comme preuve de la complexité à venir. Les entreprises devront peut-être gérer des modèles avancés, des AI privées, des petits modèles de langage, des modèles de contrôle et des systèmes de routage qui décident dynamiquement où les charges de travail doivent s’exécuter.

« Tout comme à l’ère du cloud, les organisations devaient décider ce qui était privé, ce qui était public, ce qui pouvait être optimisé », a-t-il dit. « Toutes ces décisions analogues seront requises avec l’AI, mais la complexité est un peu plus grande à cause du rythme effréné de l’innovation. »

L’AI souveraine ajoute une autre couche. Beccue la décrit comme un enjeu au niveau des systèmes plutôt qu’une solution ponctuelle, exigeant des décisions coordonnées à travers le cloud public, le cloud souverain, le cloud privé et les environnements sur site.

« L’AI souveraine est intrinsèquement multi-localisation », a-t-il dit. « Les charges de travail sont réparties entre le cloud public, le cloud souverain, le cloud privé et des environnements sur site selon la résidence des données, la performance et les exigences réglementaires. »

L’économie de l’AI deviendra elle aussi une question de conseils d’administration et de modèle opérationnel. Guntur s’attend à ce que le coût par jeton diminue avec le temps, mais que la consommation totale de jetons augmente nettement à mesure que l’adoption de l’AI s’étend aux environnements numériques et physiques.

« Le coût par jeton va diminuer », a-t-il souligné. « Mais il faut aussi réfléchir au coût total. »

Cela signifie que les entreprises doivent comprendre comment le choix du modèle, la conception des charges, les amorces, les agents, les environnements de calcul et les décisions de routage influencent le coût global de l’AI. Guntur a comparé cela à l’émergence du FinOps dans le cloud, suggérant que des disciplines similaires seront nécessaires pour l’AI et la consommation de jetons.

Pour Beccue, l’économie des jetons a permis de mettre en évidence une question plus vaste : comment faire fonctionner l’AI de manière plus efficace.

« La tokenomics, c’est vraiment rendre l’AI plus efficace », a-t-il affirmé. « Quelle est mon analyse coût-bénéfice pour déployer l’AI là où ça fait du sens ? »

De l’efficacité à la transformation d’affaires

Beaucoup d’organisations priorisent encore les résultats opérationnels comme la productivité, l’automatisation des processus et l’efficacité des flux de travail. Beccue estime que cela est compréhensible, car de nombreux premiers cas d’usage d’AI favorisent naturellement des gains de productivité internes.

« L’AI libère les humains pour qu’ils se concentrent sur ce qui génère des revenus », a-t-il souligné.

Guntur convient que l’efficacité est un bon point de départ, mais il insiste : les entreprises doivent aussi cibler des cas d’usage qui génèrent un impact sur les revenus. Il donne l’exemple de l’espace cargo dans les avions : un espace inutilisé perd de la valeur dès que l’avion est en vol. L’AI peut aider à optimiser la prise de commandes, l’utilisation de l’espace et la tarification dynamique, créant ainsi un impact sur les revenus en plus de l’efficacité opérationnelle.

Il a aussi cité des cas d’usage d’AI physique dans des domaines comme la sécurité des travailleurs, la sécurité publique, la simulation de lignes de production et la configuration d’usines. Dans ces contextes, l’AI peut aider les organisations à réduire les risques, améliorer le débit et identifier de meilleurs modèles d’exploitation avant d’apporter des changements dans le monde physique.

Beccue a ajouté que le secteur du commerce de détail fournit un autre exemple utile, en particulier en matière de réapprovisionnement et d’optimisation de la chaîne d’approvisionnement. Si un magasin est en rupture de stock, il manque l’occasion de vendre. L’AI peut aider à détecter les problèmes de disponibilité en temps réel et à soutenir une réaction opérationnelle plus rapide.

La deuxième condition : Mettre en place la bonne gouvernance AI

La deuxième condition est une bonne gouvernance AI. Le rapport a révélé que 76 % des organisations ont retardé le déploiement de l’AI pour des raisons liées à la responsabilité de l’AI.

Pour Guntur, la solution est d’intégrer la gouvernance de façon systématique dès le début.

« Il faut vraiment l’intégrer à la culture de l’organisation », a-t-il dit. « Si c’est fait après coup, c’est très difficile à accomplir. »

Cela inclut des politiques, procédures, équipes transversales, évaluations de risques AI, mesures d’atténuation, essais, supervision et plans de redressement. Les organisations doivent tester pour la sécurité, les problèmes de données, le biais, les exigences sectorielles spécifiques et les scénarios de défaillance avant que les systèmes ne passent en production.

Beccue a fait le lien direct avec la confiance.

« Comment fait-on confiance à un système automatisé ? », a-t-il questionné. « La première préoccupation des entreprises concernant l’AI, c’est la sécurité, et cela va jusqu’à la protection des données. »

La gouvernance doit aussi prendre en compte l’AI fantôme. À mesure que les employés et les équipes d’affaires expérimentent indépendamment avec des outils, les organisations doivent disposer de moyens pour recenser, surveiller et régir les systèmes AI. Guntur a comparé cela au développement citoyen : si c’est bien gouverné, cela crée de la valeur; sinon, cela peut générer des risques.

La troisième condition : Choisir les bons partenaires

La troisième condition est le choix des bons partenaires. Le rapport montre que les organisations travaillant avec des partenaires experts obtiennent de meilleurs résultats en matière de montée en puissance, de couverture des compétences, d’impact d’affaires et de gestion des coûts liés à l’AI, 90 % affirmant que les partenaires accélèrent le retour sur investissement.

Pour Guntur, la raison est simple : aucune entreprise ne peut bâtir tout l’écosystème AI seule.

« Aucune entreprise à elle seule ne peut tout faire », a-t-il déclaré. « Il faut l’aide d’experts dans ce domaine pour bâtir la force, les compétences et les capacités de l’organisation. »

Les entreprises connaissent leurs clients, leurs marchés et leurs problèmes d’affaires. Mais l’AI exige des compétences liées aux puces, aux modèles, aux hyperscalers, à l’infrastructure, à la gouvernance, à la formation, à l’intégration des systèmes et à la prestation technologique. Les partenaires apportent une expertise complémentaire qui peut aider les organisations à avancer plus vite et à réduire le risque d’exécution.

Beccue a décrit les partenaires comme le moteur d’innovation de l’écosystème.

« La communauté des fournisseurs, ce sont les innovateurs », a-t-il dit. « Leur expérience est généralement très large. »

Cette diversité importe, car les partenaires peuvent tirer des leçons de multiples déploiements dans différents secteurs et appliquer ces apprentissages à de nouveaux contextes d’entreprise.

Bâtir l’AI comme capacité opérationnelle

La discussion s’est terminée par la question de savoir ce qui distingue les programmes AI qui deviennent des capacités opérationnelles de ceux qui restent au stade expérimental.

Pour Guntur, la différence tient à l’échelle, aux fondations et à l’impact d’affaires.

« Les expériences isolées ont peu de chances de réussir », a-t-il dit. « Elles risquent de causer un peu de méfiance et de frustration si vous ne voyez pas de résultats. »

Beccue a souligné l’importance de l’itération. Les programmes AI ne peuvent pas être établis une fois pour toutes sans être revus. Les organisations ont besoin de flexibilité pour affiner, tester, mesurer et ajuster.

« On ne bâtira pas de programmes AI qui deviennent des capacités opérationnelles si on se contente de les fixer et de démarrer », a-t-il noté. « Il faut faire preuve de souplesse. »

Pour les dirigeants d’affaires et de la technologie, le message de la discussion était clair : l’impact de l’AI dépend de bien plus que la volonté. Il faut de la discipline d’affaires, de solides fondations, une gouvernance évolutive, un changement de modèle opérationnel, le développement de capacités à l’échelle et un bon écosystème de partenaires.

Comme Guntur l’a résumé dans ses remarques finales, les entreprises doivent voir au-delà des données et de la gouvernance pour envisager toute la transformation requise.

« Vous devez penser au changement de votre modèle opérationnel, à la gestion du changement organisationnel et à la construction de la force de l’organisation pour l’avenir », a-t-il dit.

Les gagnants de l’AI en entreprise seront ceux qui traitent l’AI non pas comme un projet, mais comme une nouvelle capacité opérationnelle conçue pour l’échelle.