IA générative en entreprise : ce que disent vraiment les études

Trois ans après l’arrivée des grands modèles de langage dans le grand public, les études sur l’IA générative en entreprise se comptent par centaines, et leurs conclusions semblent parfois contradictoires. En réalité, elles mesurent des choses différentes : l’usage déclaré, l’impact comptable, ou la productivité d’une tâche précise. Les distinguer permet de séparer ce qui est solide de ce qui relève du titre accrocheur.

L’adoption : un constat largement établi

Sur un point, les enquêtes convergent : l’usage s’est généralisé très vite. L’enquête mondiale de McKinsey publiée en novembre 2025, menée entre fin juin et fin juillet auprès de 1’993 répondants dans 105 pays, indique que 88 % des organisations interrogées utilisent régulièrement l’IA dans au moins une fonction, contre 78 % un an plus tôt. Le rapport AI Index 2025 de l’université Stanford va dans le même sens pour l’année précédente (78 % des organisations en 2024, contre 55 % en 2023) et chiffre à près de 34 milliards de dollars l’investissement privé mondial consacré à l’IA générative en 2024.

Deux réserves s’imposent toutefois. Ces chiffres reposent sur des déclarations de cadres, pas sur des mesures d’usage. Et « utiliser l’IA dans une fonction » peut recouvrir aussi bien un assistant de rédaction ouvert de temps en temps qu’un système intégré à un processus métier.

De l’usage au résultat financier : l’écart persiste

La même enquête McKinsey montre que l’adoption ne se traduit pas encore en résultats visibles au niveau de l’entreprise. Environ un tiers des répondants disent avoir commencé à déployer l’IA à grande échelle ; les autres en sont à l’expérimentation ou au pilote. Seuls 39 % attribuent un effet quelconque sur le résultat opérationnel (EBIT) à l’IA, et la plupart d’entre eux l’estiment inférieur à 5 % de cet EBIT. Le groupe des entreprises que McKinsey qualifie de « high performers », celles qui attribuent au moins 5 % de leur EBIT à l’IA, ne représente qu’environ 6 % de l’échantillon.

Ce décalage entre diffusion et rendement n’a rien d’inédit. Les économistes l’ont observé pour d’autres technologies générales : les gains arrivent après des investissements complémentaires (processus, données, compétences) qui prennent du temps et pèsent d’abord sur les coûts.

Le chiffre de 95 % : ce qu’il dit et ce qu’il ne dit pas

L’étude la plus citée de 2025 sur ce sujet est sans doute « The GenAI Divide: State of AI in Business 2025 », publiée en juillet par l’initiative NANDA du MIT et largement reprise par la presse en août. Sa conclusion phare : 95 % des organisations étudiées n’obtiendraient aucun retour mesurable de leurs projets d’IA générative, malgré 30 à 40 milliards de dollars de dépenses estimées.

Le chiffre mérite d’être lu avec sa méthode. Les travaux, menés de janvier à juin 2025, combinent une revue de plus de 300 initiatives rendues publiques, 52 entretiens et 153 réponses à un questionnaire recueillies lors de quatre conférences professionnelles. L’échantillon est donc restreint et non aléatoire, les résultats sont déclaratifs et la définition du succès varie selon les répondants. Le rapport se présente lui-même comme préliminaire, et les premiers articles de presse ont avancé des effectifs différents de ceux du document. Surtout, il vise l’impact sur le compte de résultat de projets spécifiques ; les gains individuels liés aux assistants généralistes en sont largement exclus. Certains commentateurs ont jugé le titre sensationnaliste.

Ce que l’étude suggère de manière plus intéressante tient à ses observations qualitatives : les outils achetés auprès de prestataires spécialisés atteindraient plus souvent la production que les développements internes, et les meilleurs retours viendraient des fonctions administratives plutôt que du marketing. Les auteurs précisent eux-mêmes qu’il s’agit de corrélations, pas de causalités.

Les expériences contrôlées : des gains réels, mais conditionnels

Les résultats les plus robustes viennent d’études expérimentales, qui comparent des groupes avec et sans IA sur des tâches mesurables.

Étude	Population	Résultat principal
Brynjolfsson, Li et Raymond (NBER 2023, QJE 2025)	5’179 agents de support client	+14 % de demandes résolues par heure, +34 % pour les moins expérimentés
Dell’Acqua et al. (HBS/BCG, 2023)	758 consultants	+12,2 % de tâches, 25,1 % plus rapides, qualité supérieure de plus de 40 %
METR (juillet 2025)	16 développeurs expérimentés	19 % de temps en plus avec l’IA

L’étude menée avec le Boston Consulting Group a popularisé l’idée d’une « frontière technologique irrégulière » : à l’intérieur de ce que le modèle sait bien faire, les gains sont nets, et ils profitent davantage aux consultants les moins performants au départ (43 %) qu’aux meilleurs (17 %). Mais sur une tâche choisie pour se situer hors de cette frontière, les consultants assistés avaient 19 points de pourcentage de chances en moins de trouver la bonne réponse. Le support client montre un effet de rattrapage comparable : les novices progressent beaucoup, les experts presque pas.

L’essai du METR nuance l’enthousiasme. Sur leurs propres projets, des développeurs chevronnés ont été plus lents avec l’IA, alors qu’ils s’attendaient à gagner 24 % de temps et croyaient encore, après coup, avoir accéléré. L’échantillon est petit et les outils évoluent vite, mais le décalage entre perception et mesure est un signal utile.

Notre lecture

Les études sérieuses ne disent ni que l’IA générative est une bulle, ni qu’elle transforme d’office la rentabilité. Elles disent que les gains existent sur des tâches bien délimitées, qu’ils dépendent du niveau de l’utilisateur et de l’adéquation entre la tâche et l’outil, et qu’ils se convertissent lentement en résultat financier. Pour un dirigeant, la question utile n’est donc pas « faut-il y aller ? », mais « sur quelles tâches, mesurées comment ? ».

À retenir

L’adoption de l’IA générative est massive et bien documentée, mais elle repose sur des enquêtes déclaratives. L’impact financier au niveau de l’entreprise reste rare et modeste, et le fameux chiffre de 95 % du MIT doit être lu avec ses fortes limites méthodologiques. Les gains de productivité les mieux établis viennent d’expériences contrôlées sur des tâches précises, avec un bénéfice marqué pour les profils moins expérimentés. Hors du domaine de compétence de l’outil, l’IA peut dégrader la qualité, ce qui plaide pour une mesure systématique plutôt que pour la foi ou le scepticisme.