Intelligence décentralisée comme fil conducteur : l’industrie

10 Min. Temps de lecture

41 % des entreprises allemandes utilisent l’IA. Il y a un an, c’était 17 %. Pourtant, 58 % des PME n’ont pas de budget dédié à l’IA, 54 % ne savent pas quels cas d’utilisation sont pertinents, et plus de la moitié de tous les projets GenAI sont abandonnés après la phase de test. Qu’est-ce qui freine les entreprises de taille moyenne, où vaut-il la peine de commencer et quelles entreprises montrent l’exemple.

Les points clés en bref

L’écart d’adoption se réduit, mais pas l’écart de mise en œuvre

L’étude de Bitkom de printemps 2026 montre une dynamique remarquable : 41 % des entreprises de 20 salariés ou plus utilisent activement l’IA. Il y a un an, c’était 17 %. 48 % supplémentaires prévoient ou discutent de son utilisation. Le Bureau fédéral de la statistique avait mesuré un taux de 20 % fin 2024. L’adoption s’accélère plus vite que la plupart des prévisions.

En même temps, un regard sous la surface révèle une image plus nuancée. Selon IW Köln, seuls 6 % des entreprises utilisent l’IA dans plusieurs domaines d’activité. Seuls 13 % investissent dans des applications d’IA payantes. Seuls 3,6 % développent leurs propres solutions. Le suivi de l’IA de l’Institut de recherche bavarois pour la transformation numérique confirme : environ un tiers utilise l’IA, mais seulement environ 9 % l’ont pleinement mise en œuvre.

Sources : Bitkom, 2026 / Maximal.digital, 2025

La disparité entre le taux d’adoption et la profondeur de mise en œuvre explique pourquoi tant d’entreprises de taille moyenne ont l’impression d’être encore au début de l’IA, même si les gros titres suggèrent le contraire. Tester n’est pas utiliser. Et utiliser n’est pas déployer à grande échelle.

Pourquoi les entreprises de taille moyenne hésitent : cinq obstacles concrets

1. Valeur commerciale incertaine. 54 % des PME ne savent pas, selon Maximal.digital, quels cas d’utilisation de l’IA sont pertinents pour leur entreprise. 81 % ne mesurent pas systématiquement le retour sur investissement de l’IA. Le problème ne réside pas dans la technologie, mais dans l’absence de lien entre le potentiel de l’IA et le problème commercial concret. Tant que l’IA est traitée comme un projet informatique plutôt que comme une décision commerciale, il n’y a pas de raison d’investir.

2. Compétences insuffisantes. 79 % des entreprises manquent de compétences en IA, selon une étude commune du Stifterverband et de McKinsey. Seules 21 % des PME ont un programme de formation structuré. L’Allemagne manque actuellement de 109 000 professionnels de l’informatique, selon Bitkom, et 79 % des entreprises s’attendent à ce que cette pénurie s’aggrave.

3. Données comme goulet d’étranglement. 76 % des PME ont des difficultés avec la qualité insuffisante des données. 71 % signalent des silos de données entre les systèmes. 83 % n’ont pas de stratégie de données globale. L’IA nécessite des données structurées et accessibles. Sans une base de données propre, même les meilleurs modèles échouent face à la réalité des paysages informatiques existants.

4. Incertitude réglementaire. 53 % des entreprises citent les obstacles juridiques comme le principal frein. 56 % voient dans le règlement européen sur l’IA plus d’inconvénients que d’avantages. Le 2 août 2026, les obligations à haut risque entreront en vigueur. L’incertitude est compréhensible, mais attendre n’est pas une stratégie : ceux qui introduisent l’IA maintenant peuvent prendre en compte la conformité dès le départ. Ceux qui la mettent en place plus tard paient deux fois.

5. Résistance culturelle. 67 % des entreprises signalent une résistance des employés à l’IA. 58 % citent la peur de la perte d’emplois comme un obstacle à l’adoption. La gestion du changement n’est pas un accompagnement au projet d’IA, mais une condition préalable à son succès.

Pourquoi tant de projets d’IA échouent

Selon Gartner, plus de 50 % de tous les projets de GenAI sont abandonnés après la phase de test. Pour l’IA basée sur des agents, Gartner prévoit un taux d’abandon de plus de 40 % d’ici fin 2027. Les raisons sont rarement techniques : les coûts excessifs, la valeur commerciale incertaine, la mauvaise qualité des données et les contrôles des risques déficients sont en tête de liste.

L’étude de Maximal.digital fournit une perspective sur les PME : 63 % des PME qui ont lancé des projets d’IA ont connu des dépassements de coûts. Le dépassement moyen était de 34 %. Seules 23 % des PME ont mené à bien un projet d’IA, bien que 86 % reconnaissent l’IA comme pertinente.

86 % des entreprises voient un potentiel d’IA inexploité en interne. Mais seulement 21 % des PME ont un programme structuré pour exploiter ce potentiel.
Stifterverband / McKinsey, étude sur les compétences en IA, janvier 2025

Le modèle est clair : la plupart des projets échouent non pas à cause de la technique, mais à cause de la préparation. Ceux qui commencent sans cas d’affaires clair, sans données propres et sans responsabilités définies produisent des pilotes coûteux sans avenir.

Ce que les entreprises moyennes performantes font différemment

Il existe des entreprises qui prouvent que l’IA fonctionne dans les entreprises moyennes. Leur dénominateur commun : elles commencent par le problème commercial et non par la technologie.

Würth a développé un système appelé « Pico », un assistant IA utilisé quotidiennement par 2 800 agents commerciaux. En janvier 2024, Pico a permis d’économiser 110 jours de travail pour l’équipe interne, soit l’équivalent de cinq postes à temps plein. La clé du succès : Würth n’a pas mis en place un outil IA générique, mais a construit une solution pour résoudre un problème opérationnel spécifique : la réduction de la charge de travail de l’équipe interne liée aux demandes routinières des agents commerciaux.

Maschinenfabrik Reinhausen de Ratisbonne utilise depuis août 2021 une IA auto-apprenante pour la gestion de l’énergie dans ses halls de production. Le système contrôle de manière autonome le chauffage, la climatisation et la ventilation et est désormais également utilisé pour la garantie de qualité et la détection d’anomalies dans la production. Reinhausen montre que l’IA dans les entreprises moyennes n’est pas un projet d’avenir, mais peut être productive depuis des années.

Les chiffres confirment cette approche : selon l’étude KI-Kompass 2025, 71 % des entreprises qui utilisent l’IA rapportent des améliorations d’efficacité concrètes. Les cas d’utilisation les plus courants se trouvent dans le marketing (69 %), la recherche et développement (24 %), le service client (22 %) et la production (21 %).

Cinq étapes pour démarrer

1. Le problème commercial en premier. Ne pas se demander « Qu’est-ce que l’IA peut faire ? », mais plutôt « Où perdons-nous de l’argent, du temps ou de la qualité ? » Les projets IA les plus réussis résolvent des problèmes opérationnels spécifiques : tâches routinières dans le service, prévisions dans la passation de commandes, contrôle de qualité dans la production.

2. Vérifier la base de données. L’IA n’est aussi bonne que les données qu’elle reçoit. Avant de lancer le premier projet IA : identifier les silos de données, évaluer la qualité des données, clarifier les responsabilités. Cela n’a pas besoin d’être un projet de grande envergure, mais cela doit être fait.

3. Commencer petit, mesurer vite. Un cas d’utilisation, une équipe, un objectif mesurable. Maximal.digital estime que le break-even typique des projets IA se situe entre quatre et six mois. Si après six mois, aucun effet mesurable n’est constaté, c’est que le cas d’utilisation choisi est incorrect ou que la mise en œuvre n’a pas été correctement réalisée.

4. Développer les compétences. Ne pas attendre que les experts IA parfaits apparaissent sur le marché du travail. Améliorer les compétences des employés existants. Selon PwC, les employés ayant des compétences IA gagnent 56 % de plus que leurs collègues comparables. Si vous ne vous qualifiez pas, vous perdrez les meilleurs éléments au profit d’employeurs qui le font.

5. Prévoir la conformité. Ne pas considérer l’acte IA de l’UE comme un frein, mais comme un cadre d’architecture. Si vous mettez en place des systèmes IA aujourd’hui et que vous prévoyez la documentation, les évaluations des risques et la transparence dès le départ, vous éviterez des adaptations coûteuses après août 2026.

Conclusion

Les entreprises moyennes ne tardent pas à agir parce qu’elles ne reconnaissent pas l’importance de l’IA. Elles tardent parce que le pont entre la reconnaissance et la mise en œuvre fait défaut : pas de budget, pas de données, pas de compétences, pas de responsabilités claires. Les entreprises qui comblent ces lacunes obtiennent des résultats mesurables. Celles qui attendent regardent l’écart se creuser. 2026 n’est pas l’année où il faut commencer avec l’IA. C’est l’année où attendre devient un désavantage concurrentiel.

Foire aux questions

Source de l’image de titre : Pexels / fauxels