L’IA à grande échelle : de l’expérimentation à la création de valeur

Ce tournant marque un changement net. Les organisations ne peuvent plus s’appuyer sur des investissements vagues ni sur des déploiements dispersés. Il fut un temps où la dynamique seule, portée par cette tendance croissante et par un discours convaincant sur la transformation, suffisait à obtenir des budgets et l’adhésion des parties prenantes. Désormais, les investisseurs et les actionnaires disposent des moyens — et de la volonté — de distinguer beaucoup plus clairement l’effet de mode autour de l’IA de sa véritable valeur.

Des dirigeants C-suite confirmaient, en début d’année, que l’IA avait un impact sur leur organisation*

Des dirigeants ont restructuré leurs équipes au cours des deux dernières années afin de déployer l’IA*

Ont confirmé que les évolutions géopolitiques des six derniers mois avaient accéléré leurs plans liés à l’IA**

^{* Baromètre C-suite 2026; **Baromètre semestriel C-suite 2026}

Les gains d’efficacité liés à l’IA au sein des équipes et son rôle dans la transformation des entreprises ont déjà eu un impact significatif. Toutefois, pour certaines organisations, son plein potentiel reste encore à atteindre, parfois malgré des mises en œuvre enthousiastes et réussies. Les projets pilotes se sont multipliés, mais peu ont réellement été déployés à grande échelle au point de transformer durablement les modes de travail ou de modifier en profondeur la manière dont une entreprise fonctionne et performe.

Pour passer de l’effet d’annonce autour de l’IA à une véritable création de valeur, les organisations et leurs dirigeants doivent dépasser le discours axé sur les capacités — axé principalement sur les étapes de déploiement et les livrables — pour adopter un discours orienté performance, focalisé sur la valeur business réellement générée par l’IA. Le retour sur investissement de l’IA constitue une étape déterminante. Le passage de l’expérimentation à la mesure de l’impact sera essentiel pour permettre le déploiement à grande échelle et transformer les premiers gains en avantage concurrentiel durable. Pour les organisations qui n’y parviendront pas, les conséquences pourraient affecter non seulement leur rentabilité et leur position sur le marché, mais aussi leur capacité à justifier de futurs investissements.

L’écart de ROI de l’IA Chaque année, nous menons des recherches afin de mieux comprendre les priorités et les enjeux au cœur des activités de nos clients. Notre baromètre C-suite recueille les points de vue de milliers de dirigeants à travers le monde, nous offrant ainsi un éclairage précieux sur les tendances et transformations qui impactent les entreprises. Six mois après nos premières perspectives pour 2026, les nouveaux enseignements issus de notre enquête semestrielle n c confirment la confiance des dirigeants dans le potentiel de l’IA et mettent désormais en évidence les premiers retours sur les investissements réalisés. Toutefois, il est difficile d’évaluer pleinement ces retombées sans tenir compte de l’ampleur des investissements engagés. Comme on pouvait s’y attendre, la part du budget consacrée à l’IA augmente fortement avec le chiffre d’affaires. Mais nos résultats montrent également que 15 % des organisations ont investi plus d’un cinquième de leur budget dans l’IA, tandis que 35 % y ont consacré moins de 10 %. Dès lors, quel niveau de retour sur investissement les dirigeants, leurs entreprises — ainsi que leurs investisseurs et parties prenantes — peuvent-ils raisonnablement attendre ?

• 86Des dirigeants C-suite confirment que l’IA a renforcé la productivité de leurs équipes*
• 63Des dirigeants C-suite déclarent un retour sur investissement pouvant atteindre 10 % sur leurs investissements en IA, dont un cinquième observe des gains plus élevés**
• 33Estiment que leur entreprise est pleinement équipée et prête à adapter sa stratégie au rythme des futures évolutions de l’IA*

Pour la plupart des organisations, l’absence de retour sur investissement des initiatives liées à l’IA s’explique généralement par quatre facteurs clés :

1. Manque de stratégie – Trop souvent, la motivation première a été simplement d’utiliser l’IA, sous la pression des investisseurs ou de la concurrence, plutôt que de répondre à un problème métier clairement défini. Le déploiement a alors été guidé par la technologie, et non par le besoin réel.
2. Définition insuffisante des cas d’usage – Les organisations se sont largement appuyées sur des cas d’usage horizontaux plutôt que verticaux, ont parfois choisi des outils inadaptés ou défini de mauvais indicateurs et attentes. Dans de nombreux cas, ces trois décalages se cumulent.
3. Gouvernance fragile – Une qualité de données insuffisante, ainsi que des périmètres ou classifications mal définis, ont freiné même les initiatives les mieux dotées en ressources. Même de grands acteurs technologiques comme Google continuent de faire face à ces défis, soulignant l’importance d’une gouvernance adaptée et intégrée dès la conception.
4. Gestion du changement insuffisante – Le manque d’adhésion des équipes, un leadership trop faible et un accompagnement insuffisant ont empêché l’adoption de l’IA de s’ancrer durablement dans de nombreuses organisations.

Cela ne signifie pas pour autant que les organisations doivent ralentir leurs ambitions en matière d’IA. Le rythme de l’innovation ne faiblit pas ; au contraire, il s’accélère de manière exponentielle. Celles qui ne saisiront pas le potentiel transformateur de l’IA risquent d’être distancées. Toutefois, les retours sur investissement observés montrent que le déploiement de l’IA doit être abordé de manière stratégique et proportionnée. Une évaluation rigoureuse des cas d’usage, une définition précise des objectifs, ainsi que des fondations solides en matière de données et de gouvernance permettront aux organisations d’avancer rapidement tout en générant une valeur réelle, à mesure que la technologie continue d’évoluer.

Comment utiliser l’IA pour générer une véritable valeur business

L’IA représente une transformation profonde des modèles opérationnels et des priorités des entreprises. Parce qu’elle touche de nombreuses fonctions et activités, elle ne peut pas être abordée comme une simple technologie additionnelle. Pour en tirer une valeur réelle, les organisations doivent s’appuyer sur des bases solides en matière de données et de gouvernance, tout en définissant clairement le problème métier que l’IA doit contribuer à résoudre.

« Les organisations qui réussissent le mieux sont soit celles qui disposaient déjà des bases nécessaires en matière de données et de gouvernance avant de se lancer dans la mise en œuvre de cas d'utilisation de l'IA, soit celles qui ont utilisé l'IA comme catalyseur d'une transformation numérique plus large, en mettant en place ces bases avant de se lancer dans la mise en œuvre de l'IA à grande échelle. »  Michael Fried, Principal, Forvis Mazars US

Dans tout cas d’usage, l’IA doit être considérée comme un outil potentiel — certes très puissant — pour résoudre un enjeu stratégique, et non comme une finalité en soi.

Elle ne constitue pas une solution miracle. Aborder son déploiement avec pour seul objectif de trouver un moyen de l’exploiter a peu de chances de générer une véritable valeur et risque d’aboutir à des « solutions » disproportionnées ou inefficaces. L’IA n’est qu’un outil parmi un large éventail de technologies mobilisables pour répondre à un problème métier donné. L’essentiel est de savoir quand y recourir, et quand une autre approche permettra de mieux répondre à l’enjeu identifié.

Toutefois, identifier simplement un problème métier que l’IA peut résoudre ne suffit pas. Pour générer une véritable valeur, son déploiement doit reposer sur des objectifs clairement définis, une réponse proportionnée aux besoins et une attention constante portée aux résultats réellement significatifs.

Cas d’usage horizontaux vs verticaux 

C’est ici que la distinction entre déploiements horizontaux et verticaux devient essentielle. Cette terminologie, issue du monde de l’IT, renvoie aux notions de « scale out » — ajouter davantage de voies à une autoroute saturée — et de « scale up » — remplacer les véhicules existants par des modèles plus rapides et plus efficaces.

Appliqués à l’IA, les cas d’usage horizontaux prennent souvent la forme d’assistants IA généralistes, destinés à améliorer la productivité individuelle des collaborateurs. Or, ces gains sont difficiles à quantifier. En l’absence d’indicateurs clairs et mesurables liés à l’usage de l’IA, les collaborateurs peuvent réabsorber le temps gagné autrement. Une heure économisée qui n’est pas réorientée vers un résultat mesurable ne constitue pas réellement un gain.

Par nature, les cas d’usage horizontaux sont larges et difficiles à mesurer. À eux seuls, ils ont donc peu de chances de justifier l’investissement au regard de la valeur business réellement générée.

Les cas d’usage verticaux, en revanche, correspondent à des déploiements d’IA plus ciblés et plus avancés. Ils permettent d’automatiser des tâches auparavant manuelles — qu’elles soient répétitives, fortement consommatrices de données, ou les deux — ou encore d’orchestrer des processus métier de bout en bout. Rattachés à des fonctions et à des résultats précis, ces déploiements sont plus faciles à mesurer et à justifier, même lorsqu’ils nécessitent un investissement initial plus important.

Les cas d’usage réellement créateurs de valeur sont ceux qui répondent à des problématiques métier concrètes et s’accompagnent d’indicateurs de succès quantifiables. 

Une fois le problème métier identifié, ainsi que le cas d’usage vertical correspondant, ces quatre questions peuvent aider les dirigeants à déterminer comment — et si — l’IA peut générer de la valeur pour l’entreprise :

L’IA est-elle le bon outil pour répondre au besoin ? 

L’IA est une solution puissante, qui doit être proportionnée à la valeur business du problème qu’elle vise à résoudre. Les dirigeants doivent éviter d’utiliser des moyens excessifs pour répondre à un besoin qui pourrait être traité plus simplement. Si une automatisation fondée sur des règles, une refonte de processus ou un tableau de bord mieux conçu permet d’atteindre le même résultat avec autant d’efficacité, cette option sera généralement préférable à un déploiement de l’IA. Les enjeux environnementaux, ainsi que la qualité et la disponibilité des données, doivent également être évalués à ce stade, avant tout engagement.
En effet, les considérations de durabilité doivent être intégrées dès la phase de cadrage, et non abordées après coup. Mesurer l’empreinte environnementale de l’IA reste complexe, même avec ses propres GPU, et l’impact environnemental de cette technologie est avéré — en particulier pour les systèmes d’IA agentique.Il est donc essentiel de prendre en compte, dès le départ, les ambitions, les objectifs et les exigences de conformité en matière de durabilité. Dans certains cas, des solutions tout aussi efficaces — ou presque — peuvent générer un impact environnemental nettement moindre. Les alternatives non fondées sur l’IA permettent souvent d’atteindre une grande partie du résultat attendu, sans supporter les mêmes coûts environnementaux, ni parfois les mêmes coûts financiers.
 

Quel type d’IA est le mieux adapté à ce besoin ? 

Si l’IA est bien l’outil approprié, la question suivante consiste à déterminer quel type d’IA utiliser. Les bénéfices et les défis varient fortement selon les approches : interfaces conversationnelles, génération augmentée par la recherche, systèmes agentiques ou architectures multi-agents.
L’IA appliquée à une tâche isolée conduit souvent à sous-exploiter son potentiel. Un cas d’usage peut fréquemment en rendre un autre possible, et une réflexion en termes d’écosystème de capacités, plutôt que de tâches séparées, tend à générer de meilleurs retours.
Ainsi, un même déploiement — ou un ensemble de déploiements coordonnés — peut contribuer à résoudre plusieurs problématiques métier, ou répondre à un problème unique alimenté par plusieurs facteurs provenant de différentes fonctions de l’entreprise.

 

“The organisations getting real value from AI aren't thinking task by task – they're thinking in capability ecosystems. One well-designed implementation can address several business problems at once, but only if you're willing to step back from the immediate use case and look at the wider operating model.”  – Laurent Inard, Partner, Head of Research & Development, Forvis Mazars in France

Les LLM établis — par opposition aux modèles propriétaires — constituent le choix d’architecture le plus courant. Ils sont généralement plus robustes et plus efficaces, et bénéficient de mises à jour régulières intégrant les capacités les plus pertinentes.
Ils comportent toutefois des risques et des exigences qui doivent être pleinement pris en compte, notamment en matière de gestion des risques liés aux tiers. Le recours à des modèles externes ne réduit pas le niveau de maturité requis en matière de gouvernance et de supervision ; au contraire, il tend à l’accroître. 

Quels sont les bons indicateurs de succès pour ce cas d’usage ? 

L’un des principaux obstacles auxquels les organisations sont confrontées pour passer d’un discours centré sur les capacités à un discours orienté performance réside dans la définition d’indicateurs de succès inadaptés. Les KPI de chaque cas d’usage doivent être directement liés au problème stratégique à résoudre et démontrer clairement la valeur business générée. Des indicateurs quantifiables, tels que la réduction des délais de traitement, l’amélioration du taux de résolution des exceptions ou le raccourcissement des cycles de création de valeur, seront toujours plus pertinents que des mesures vagues liées à la productivité, aux jalons de déploiement ou à une notion générale d’« efficacité ». 

Ce cas d’usage fonctionne-t-il efficacement sans IA ?

Même lorsqu’un cas d’usage n’atteint pas les indicateurs de succès attendus, il devrait, dans la plupart des cas, pouvoir fonctionner sans IA. Si le processus est déjà mal défini ou inefficace, y intégrer l’IA ne fera qu’amplifier ces faiblesses, plutôt que les résoudre. 

Fiscalité des entreprises : un cas d’usage propice à la création de valeur par l’IA

Les organisations constatent déjà des économies fiscales à court terme grâce à des processus et des analyses renforcés par l’IA, générant ainsi un retour sur investissement tangible sur les déploiements concernés.
La fiscalité des entreprises se prête particulièrement bien à l’IA, car elle repose souvent sur des bases opérationnelles et de gouvernance solides :

• Les équipes fiscales disposent de processus opérationnels bien établis et standardisés ;
• Les données sont généralement bien structurées et encadrées, en raison des exigences de conformité ;
• Les fonctions fiscales impliquent souvent des tâches manuelles et une analyse intensive des données. 

Comme toujours, la réussite d’un déploiement de l’IA dépend de la qualité et de la standardisation des données et des processus. Les fonctions fiscales décentralisées peuvent également tirer parti de l’IA, mais des opérations et des données centralisées offrent une trajectoire plus claire vers la création de valeur. 

Les déploiements de l’IA se sont révélés particulièrement efficaces pour les cas d’usage répétitifs et fortement axés sur les données, notamment :

• La conformité et le reporting ;
• La facturation électronique et les déclarations ;
• L’analyse des données d’achat et d’acquisition, ainsi que l’intégration post-fusion.

Le principe directeur consiste ici à adopter une gouvernance adaptée. Les garde-fous et les mécanismes de responsabilité doivent être alignés sur la nature, l’ampleur et le niveau de criticité de chaque cas d’usage de l’IA, ainsi que sur son impact pour l’entreprise. Des contrôles proportionnés exigent des organisations qu’elles identifient la catégorie de risque associée à chaque cas d’usage et appliquent des mesures adaptées à ce niveau de risque. Un système de prise de décision orienté client nécessite, par exemple, un cadre de contrôle très différent de celui d’un outil interne de synthèse.

L’alignement avec le niveau de maturité est également essentiel : les ambitions doivent être cohérentes avec le niveau réel de préparation de l’organisation en matière d’intégration des données, d’architecture et de compétences des équipes, et non avec la situation à laquelle les dirigeants aspirent.

Si les ambitions et la maturité réelle ne sont pas alignées, cela indique qu’une transformation en profondeur est nécessaire avant tout déploiement.

Établir un contrat de workflow

Pour passer de l’ambition à l’action, un « contrat de workflow » devrait être défini pour chaque cas d’usage. Ce contrat précise cinq éléments clés :

La préparation des données constitue le socle de l’ensemble de cette démarche. Les dirigeants doivent aligner leurs ambitions avec le niveau réel de maturité de leur organisation, selon un continuum de maturité pragmatique. À défaut, leurs déploiements d’IA risquent d’échouer. Dans le meilleur des cas, des déploiements prématurés ou mal alignés généreront peu, voire aucune valeur, même s’ils sont considérés comme « réussis » sur le plan de la mise en œuvre.

Sécurité et conformité dès la conception 

La sécurité et la conformité vont de pair avec la gouvernance et exigent le même niveau de rigueur. En 2026, le cadre réglementaire de l’IA est plus avancé qu’il ne l’était encore un an auparavant, avec des dispositifs régionaux qui se chevauchent et imposent désormais des obligations concrètes aux organisations déployant certains types d’IA.

La conformité constitue un élément central des déploiements d’IA, mais, comme les autres dimensions de la gouvernance, elle doit être appliquée de manière proportionnée. Elle doit s’inscrire dans le prolongement de la stratégie d’entreprise et de la gestion des risques. Il en va de même pour la cybersécurité : les mesures mises en place doivent être fondées sur le niveau de risque et adaptées aux données, aux processus, aux personnes et aux systèmes concernés.

La conformité comme la sécurité doivent être intégrées au cycle de vie de l’IA dès le départ, dès les phases de cadrage et de conception, plutôt que d’être traitées comme une étape finale de validation. Des approches de gouvernance reproductibles peuvent faciliter cette démarche. Les organisations devraient définir des réponses standardisées aux questions fondamentales qui se posent pour chaque nouveau cas d’usage, notamment une méthode commune de classification des données, des pratiques harmonisées de journalisation et de conservation à des fins d’audit, ainsi qu’un dispositif clair d’arrêt ou de repli en cas de baisse de qualité ou de comportement inapproprié des modèles.

Une stratégie de sortie claire est essentielle. Les organisations doivent se demander comment elles identifieront une baisse de qualité de l’IA, quel processus permettra de désactiver le système tout en assurant la continuité du processus sous-jacent, et qui détiendra la responsabilité ainsi que le pouvoir de décision. Ces questions doivent être résolues avant le déploiement, et non après la survenue d’un incident.

Impacts sur les équipes et facteur de crainte 

Les organisations les plus stratégiques, qui tirent le plus de valeur de l’IA, parviennent à exploiter les gains d’efficacité en s’appuyant davantage sur leurs équipes existantes, plutôt qu’en les remplaçant par des outils d’IA. Toutefois, ce constat ne suffit pas à apaiser les craintes des collaborateurs d’être remplacés par l’IA, en particulier lorsque ce message n’est pas clairement relayé en interne.

Dans les faits, les collaborateurs n’adopteront pas les outils d’IA — ou du moins pas pleinement — s’ils pensent que ces technologies sont destinées à les remplacer. Ils doivent être rassurés sur le fait que l’IA vise à renforcer l’efficacité des équipes au service des objectifs de croissance, et non à réduire les effectifs. La trajectoire d’une organisation augmentée par l’IA doit être claire pour tous, en particulier pour celles et ceux à qui l’on demande de l’utiliser.

Favoriser l’adhésion dès la phase pilote 

Le passage réussi d’un pilote à un déploiement à grande échelle, en particulier lorsque l’adoption par les utilisateurs est essentielle, repose sur des impacts visibles, concrets et démontrables. Des résultats intégrés aux tableaux de bord financiers ou aux revues opérationnelles hebdomadaires contribuent à créer la confiance nécessaire pour engager une transformation plus large.
La formation joue un rôle clé tout au long de cette transition. Les collaborateurs doivent comprendre les bénéfices, les limites et les attentes liés à l’IA. Le lien avec la cybersécurité mérite une attention particulière : les équipes doivent être sensibilisées aux enjeux de cybersécurité et de protection des données, notamment lorsque des chatbots IA ou des outils externes sont utilisés.
Les utilisateurs et les responsables de cas d’usage doivent également comprendre les implications ESG de leurs initiatives. Cette compréhension permet de concentrer l’usage de l’IA sur les processus les plus critiques et créateurs de valeur, tout en encourageant le recours à des solutions à moindre impact lorsque celles-ci sont disponibles.
Enfin, les équipes doivent comprendre comment les nouveaux cas d’usage sont évalués et encadrés, dans le cadre d’un processus clair et visible. Grâce à une gouvernance reproductible, collaborateurs et dirigeants peuvent proposer de nouveaux cas d’usage de manière structurée, afin de favoriser une évaluation efficace, centrée sur l’amélioration des résultats business plutôt que sur la simple recherche de nouveautés technologiques.  

Le leadership donne le ton 

Les dirigeants doivent montrer l’exemple, à la fois dans leur ouverture à l’IA et dans son utilisation au quotidien. L’impulsion vient du sommet, et le leadership définit la manière dont l’ensemble de l’organisation perçoit l’importance stratégique de l’IA.
Une équipe dirigeante qui utilise les outils d’IA, échange ouvertement sur leurs capacités et leurs limites, et encourage l’expérimentation réfléchie, favorisera une dynamique d’adoption très différente de celle d’une organisation où les dirigeants ignorent ou rejettent l’IA dans leurs propres pratiques, tout en en déléguant l’usage aux équipes.

Dès lors, comment les dirigeants des différentes fonctions de l’entreprise peuvent-ils favoriser, grâce à l’IA, la création d’une valeur business réelle et tangible ? 

Définir où la valeur doit être créée  Le principal risque n’est pas d’en faire trop peu, mais d’en faire trop sans générer d’impact réel.  Ancrer l’IA dans les résultats business : chaque initiative IA doit être liée à un levier de revenus, à un facteur de coûts ou à un processus décisionnel clé.   Concentrer les efforts pour maximiser l’impact : prioriser un nombre limité de cas d’usage à forte valeur et à dimensions multiples, plutôt que de disperser les investissements sur trop d’initiatives.  Maîtriser le récit de la transformation : positionner clairement l’IA comme un levier de productivité et d’amélioration de la prise de décision, et non comme un programme de réduction des effectifs ; communiquer de manière cohérente à l’échelle de l’organisation.  Aligner l’équipe dirigeante sur la valeur et l’horizon de temps : s’assurer que le CFO, le CIO et les dirigeants métiers partagent une même vision du succès, des modalités de mesure de la valeur et du calendrier attendu des retours. Institutionnaliser l’adaptabilité dans l’exécution : abandonner les feuilles de route de transformation figées au profit d’une repriorisation trimestrielle des initiatives et de boucles de décision rapides au niveau exécutif. Promouvoir la conformité dès la conception : exiger une gouvernance et une conformité rigoureuses et proportionnées, même lorsque le cadre réglementaire continue d’évoluer. Défendre des mesures adaptées au niveau de risque, notamment lorsque les référentiels clairs ne sont pas encore disponibles.

Veiller à ce que la valeur soit mesurée et concrétisée   Considérer l’IA comme un investissement informatique traditionnel est une erreur. La valeur est progressive, liée à l’adoption et variable selon les cas d’utilisation. Faire évoluer le débat des capacités vers la performance : collecter et suivre des indicateurs opérationnels, et pas seulement des résultats techniques (temps de cycle, gains de productivité, réduction des erreurs, création de capacité, etc.) Mettre en place un cadre solide de suivi du retour sur investissement et de la valeur : suivre les coûts réels d’investissement (y compris les données, l’intégration, le changement) et les bénéfices réalisés (et pas seulement ceux prévus) ; faire la distinction entre les gains d’efficacité à court terme et l’impact commercial à plus long terme  Financer les capacités, et non des initiatives fragmentées : allouer des budgets aux infrastructures de données, aux plateformes d’IA et aux composants partagés   Échelonner les investissements et faire preuve de rigueur : lier le financement à des jalons et à des résultats mesurables ou à des taux d’adoption Réaffecter les ressources à mesure que la valeur se concrétise : ajuster de manière proactive la répartition des effectifs et les structures de coûts. Intégrer les questions de conformité dans les « discussions sur la performance » : insister sur la visibilité de la conformité et de la gouvernance dans le cadre des discussions sur la performance des cas d’utilisation. Mettre en place des contrôles d’audit continus pour garantir un alignement permanent.

Rendre la valeur extensible et durable  Suivre la dernière tendance IA sans disposer de fondations solides risque d’accroître la fragilité plutôt que de créer de la valeur. Prioriser les données et la gouvernance comme socles essentiels : investir dans la qualité, l’accessibilité et la responsabilité des données, et intégrer la gouvernance dans l’ensemble des initiatives de transformation, au-delà de l’IA uniquement.  Concevoir une transformation à l’échelle de l’entreprise : dépasser les cas d’usage tactiques, identifier des capacités polyvalentes, assurer leur réutilisation entre les différentes fonctions et aligner les initiatives IA avec la transformation digitale globale. Établir des modèles reproductibles pour le passage à l’échelle : standardiser les approches de classification des données, les environnements approuvés de traitement par l’IA — ou « zones » — ainsi que les mécanismes de validation humaine. Intégrer l’IA aux workflows clés : inscrire l’IA dans les processus métier existants et les circuits de décision, tout en garantissant l’interopérabilité entre les systèmes. Évaluer les choix technologiques en fonction des besoins métier : partir du problème à résoudre, et non de l’outil ; sélectionner les solutions techniques les plus adaptées au cas d’usage, à l’environnement de données et au niveau de risque. Opérationnaliser la conformité : réduire l’écart entre les stratégies de conformité et leur exécution technique, tout en assurant la transparence à chaque étape.

Passer de l’emballement autour de l’IA à la création de valeur 

Pour les organisations qui ont retardé le déploiement de l’IA ou qui n’ont observé que peu de retours sur leurs cas d’usage, la question est désormais de savoir comment pivoter rapidement, poser les bonnes fondations et éviter de prendre du retard.

La bonne nouvelle est que, même si une transformation en profondeur prend du temps, il existe des leviers concrets pour réorienter efficacement les initiatives IA en cours : 

“Ignore the headlines. Look at your organisation and build a central strategy based on delivering real value instead of serving whoever is yelling the loudest. This will enable you to build the business case for new use cases and establish the right foundation for your organisation’s goals, leading to tangible value generation, as well as more resilience and confidence as AI continues to evolve.”  Michael Fried, Principal, Forvis Mazars US