L’indice d’impact de l’IA d’Infor
Le 22 avril 2026, Infor a publié l’Enterprise AI Adoption Impact Index, une étude menée auprès de 1 000 décideurs aux États-Unis, au Royaume-Uni, en Allemagne et en France. Selon ses résultats, 49 % des organisations restent bloquées aux premiers stades du déploiement, alors que 80 % estiment disposer des compétences internes nécessaires pour mettre en œuvre l’IA. Le même jour, Infor a présenté de nouveaux outils d’orchestration de l’IA destinés à lever précisément ces freins au passage à l’échelle. Pour les PME allemandes, trois indicateurs de cette étude éclairent directement les arbitrages budgétaires en cours.
- Infor Enterprise AI Adoption Impact Index, 22.04.2026, 1 000 décideurs DE/UK/US/FR : plus de la moitié des entreprises ne parviennent pas à déployer l’IA à grande échelle en production.
- 49 % restent aux premiers stades du déploiement, 80 % estiment disposer des compétences internes nécessaires. C’est le plus grand écart entre perception et réalité relevé dans une étude comparative au cours des douze derniers mois.
- Les trois principaux obstacles : sécurité des données et conformité (36 %), manque de talents en IA (25 %), retour sur investissement incertain (23 %).
- Infor a annoncé en parallèle de nouveaux outils d’orchestration de l’IA, conçus pour faciliter son déploiement à grande échelle au sein des ERP et remédier directement aux lacunes de qualité des données.
- Pour les PME, trois mesures concrètes en découlent : dresser un bilan lucide du passage à l’échelle, préparer les données avant l’achat de nouveaux modèles et évaluer l’intégration à l’ERP comme socle de déploiement.
Ce que révèle concrètement l’indice
Qu’est-ce que l’Enterprise AI Adoption Impact Index ? Cet indice repose sur une étude sectorielle publiée par Infor le 22 avril 2026, menée auprès de 1 000 décideurs aux États-Unis, au Royaume-Uni, en Allemagne et en France. Il évalue la maturité des entreprises en matière de passage à l’échelle et de création de valeur. Son intérêt méthodologique tient au rapprochement entre les auto-évaluations et des indicateurs concrets : déploiements en production, mesure du retour sur investissement et maturité de la gestion des données. Cette confrontation livre l’un des tableaux les plus précis disponibles en 2026 des difficultés de mise en œuvre de l’IA en entreprise.
Le principal constat : plus de la moitié des organisations interrogées restent aux premiers stades du déploiement. Deux tiers des répondants ont au moins un projet pilote d’IA ; un tiers seulement exploite une solution d’IA en production dans un processus métier essentiel. Ce dernier chiffre contredit les 80 % qui déclarent disposer des compétences internes nécessaires à sa mise en œuvre. L’écart entre les capacités revendiquées et le déploiement effectif à grande échelle sera au cœur des enjeux des douze prochains mois.
Pour les PME allemandes, cet indice constitue un signal d’alerte à double titre. D’abord, ses chiffres concordent avec nos observations dans les missions de conseil menées dans la zone DACH depuis le début de l’année : les projets pilotes se sont généralisés, le passage à l’échelle piétine. Ensuite, les obstacles recensés (sécurité des données, talents, retour sur investissement) relèvent de l’organisation et de la structuration des données. L’achat d’un modèle supplémentaire laisse ces problèmes entiers. Les entreprises qui consacrent l’essentiel de leurs efforts à de nouvelles licences aux deuxième et troisième trimestres, en délaissant ces trois chantiers, rejoindront la catégorie des 49 % décrite par l’indice.
Trois indicateurs à porter à l'attention du comité de direction
L'API View Transitions évoque un gadget de niche. Dès qu'on l'intègre pour la première fois à une véritable page produit, on ne veut plus s'en passer. L'IA d'entreprise évoque un effet de mode. Dès qu'on l'intègre correctement pour la première fois à un ERP, on ne veut plus s'en passer.
Trois étapes pour les PME d'ici juillet 2026
L'indice met en évidence un blocage structurel. Une simple hausse des dépenses laisserait ce problème entier. La réponse opérationnelle tient en trois mesures concrètes, réalisables au cours des trois prochains mois et susceptibles de produire des effets directs.
Étape 1 : Dresser un bilan lucide du passage à l'échelle
Les 80 % de l'indice révèlent un piège de surestimation que vous pouvez facilement vérifier dans votre organisation. Recensez les systèmes d'IA réellement en production dans les processus métier essentiels, en excluant les pilotes et les expérimentations. Relevez leur nombre d'utilisateurs et le délai de mise en production de chaque initiative en cours. Si vous avez moins de deux systèmes en production comptant chacun plus de 100 utilisateurs, vous appartenez à la catégorie des 49 %. À partir de quatre systèmes, vous entrez dans la catégorie des organisations matures. Ce bilan demande une demi-journée et constitue le point de départ des étapes suivantes.
Étape 2 : Préparer les données avant l'achat de nouveaux modèles
L'indice désigne la sécurité des données et la conformité comme le premier obstacle. Dans nos missions de conseil, cela se traduit par trois questions à régler avant l'achat du prochain modèle : quelles catégories de données peuvent alimenter quels modèles, comment ces flux sont-ils documentés dans le système de traçabilité des données et quelle piste d'audit est conservée pour chaque inférence ? Si vous ne pouvez pas répondre à ces trois questions par écrit, consacrez les 90 prochains jours en priorité à l'infrastructure de données, en reportant l'achat de licences de modèles. Le calcul est simple : sans données fiables, aucun modèle ne peut être déployé à grande échelle, quel que soit son prix.
Étape 3 : Évaluer l'intégration à l'ERP comme socle de déploiement
L'approche d'Infor, qui intègre l'IA à l'ERP, constitue l'une des voies possibles vers un déploiement à grande échelle. D'autres offres (SAP Joule, Microsoft Dynamics Copilot, Oracle AI Agents) suivent des stratégies similaires. Elles reposent sur une même idée : l'IA se déploie plus facilement à grande échelle là où les données sont déjà structurées et les processus déjà définis. Pour les PME qui utilisent déjà les écosystèmes Infor, SAP ou Microsoft, cette option s'inscrit dans une continuité naturelle. Elle réduit le travail d'intégration puisque la correspondance entre les données, la gestion des droits et le moteur de workflow sont déjà en place. Pour les organisations qui partent de zéro, le choix de la plateforme appelle une réflexion plus large.
Ce que visent concrètement les nouveaux outils Infor
Infor a présenté, en même temps que son rapport, une série d'outils d'orchestration de l'IA destinés à faciliter le passage à l'échelle. Trois composants en constituent le cœur : une couche d'orchestration entre les données de l'ERP et différents fournisseurs de modèles, une bibliothèque centralisée de prompts pour des cas d'usage réutilisables et un cadre de conformité qui contrôle les appels aux modèles au regard des règles de protection des données et des exigences sectorielles. Pour les clients Infor, cette évolution est logique. Pour les autres organisations, elle indique que les grands éditeurs d'ERP entendent proposer en 2026 des plateformes de déploiement à grande échelle, en complément des modèles. Les annonces de SAP et de Microsoft attendues dans les prochaines semaines présenteront des architectures similaires.
Foire aux questions
L’échantillon de 1 000 décideurs de l’indice Infor est-il fiable ?
La taille de l’échantillon est solide pour une étude comparative de ce type. Un point mérite attention : Infor en est le commanditaire, un rôle distinct de celui d’un institut partenaire indépendant. Les résultats sont exempts de biais. Leur interprétation (« Les outils Infor comblent l’écart ») relève en partie d’une communication commerciale. Les entreprises qui utilisent ces chiffres doivent distinguer clairement le discours commercial des données de l’étude comparative.
Les résultats concordent-ils avec ceux de l’étude Deloitte State of AI 2026 ?
Oui, les deux études vont dans le même sens. Deloitte fait état d’un taux de mise en production de 25 %, tandis qu’Infor relève une proportion de 49 % d’organisations aux premiers stades du déploiement. Ces chiffres décrivent le même phénomène : le fossé entre les projets pilotes et la production constitue l’enjeu central de 2026. Croiser les deux études dans le document destiné au comité informatique renforce la portée de l’analyse.
Quel niveau de détail l’étude fournit-elle sur les PME allemandes ?
L’Allemagne figure parmi les quatre pays couverts par l’indice Infor. La synthèse publiée ne présente pas de ventilation détaillée pour le segment des PME. Pour obtenir des chiffres propres à ces entreprises, il convient de croiser l’indice Infor avec les données de Bitkom ou de Fraunhofer, qui rendent mieux compte de la segmentation de la zone DACH.
Et si nous n’avons pas d’ERP comme Infor, SAP ou Dynamics ?
Le passage à l’échelle reste possible, avec une architecture différente. Les organisations qui combinent des solutions spécialisées (Salesforce + Workday + Snowflake + outils sur mesure) ont besoin d’une couche distincte de données et d’orchestration pour remplir le rôle de l’ERP. Les plateformes d’IA des grands fournisseurs de cloud (Azure AI Foundry, Google Agentspace, AWS Bedrock) sont conçues à cet effet. L’effort à fournir est plus important, tout comme la flexibilité obtenue.
Comment savoir si notre organisation se reconnaît dans les 80 % ?
Un rapide diagnostic interne consiste à poser deux questions aux responsables métiers et informatiques : « Pouvons-nous, dès aujourd’hui, mettre une nouvelle initiative d’IA en production en six semaines ? » et « Disposons-nous de données fiables pour y parvenir ? ». Recueillez séparément leurs auto-évaluations puis confrontez-les aux délais réels de mise en production. Vous disposerez ainsi d’enseignements utiles pour le prochain comité exécutif.
Combien coûte concrètement le passage à l’échelle ?
Pour une organisation qui souhaite mettre en production trois à cinq applications d’IA d’ici la fin de l’année, nous estimons le coût de la première année à 400 000 à 900 000 euros, selon la maturité des données et les besoins d’intégration. Environ 50 % du budget vont à la préparation des données et à l’intégration, 30 % aux modèles et aux plateformes, 20 % à la formation, à la gouvernance et à la communication.
À lire aussi sur MyBusinessFuture
- Les travaux préparatoires en détail dans l’analyse de la maturité des données pour l’IA et des cinq chantiers à mener
- Une vue d’ensemble des taux d’échec de l’IA en 2026 et des enjeux structurels
- Un éclairage réglementaire sur le rapport franco-allemand sur l’IA et les travaux à mener dans le cadre d’IPCEI-AI
Crédit photo de couverture : Pexels / Fauxels (px:3184292)
Traduit de l’original allemand par intelligence artificielle. La version allemande fait foi.
