Deux chiffres ont circulé au printemps 2026 et résument tout le marché IA en entreprise. D'un côté, BCG annonce que 79 % des dirigeants déploient des agents IA cette année. De l'autre, McKinsey chiffre à 23 % seulement les organisations qui parviennent à scaler un système agentique en production. Faire un POC, c'est devenu facile. Industrialiser, c'est ce qui sépare une dépense IA d'un investissement IA.
Le grand malentendu sur les POC IA
Pendant deux ans, la question stratégique tenait en un mot : lancer. Lancer un projet IA, lancer un POC, lancer une expérimentation interne. Le réflexe était sain. Il a permis à 79 % des dirigeants de PME et d'ETI de toucher concrètement à ce qu'est un agent IA, ce qu'il sait faire, ce qu'il ne sait pas faire.
Mais une bascule s'est opérée. Les dirigeants ne demandent plus « par où commencer ». Ils demandent « pourquoi mon POC ne devient jamais autre chose qu'un POC ». Et c'est exactement le point qu'aucune offre du marché ne traite franchement : la phase d'industrialisation.
Le passage à l'échelle est un sujet en soi. Il a ses propres difficultés, ses propres compétences, ses propres économies. Confondre « on a fait tourner Claude une fois sur un cas » et « on a un agent qui assure la facturation chaque jour », c'est confondre un essai routier et une voiture en série.
Les quatre verrous qui bloquent le passage à l'échelle
Sur le terrain, quatre verrous reviennent systématiquement dans les missions OPS Conseil. Ils ne sont pas tous techniques.
1. La donnée n'est pas branchée
Le POC tourne sur une donnée copiée-collée à la main, ou sur un export Excel envoyé chaque lundi. C'est suffisant pour démontrer le potentiel — pas pour faire tourner l'agent en production. L'industrialisation suppose une connexion stable aux sources : ERP, CRM, comptabilité, fichiers SharePoint, base SQL. Tant que cette plomberie n'est pas faite, l'agent reste une démonstration, pas un outil.
2. La maintenance n'est prévue par personne
Un prompt qui fonctionne le mardi peut casser le jeudi : changement de version de modèle, évolution de la donnée source, nouveau format imposé par l'éditeur. Sans quelqu'un qui surveille, ajuste et corrige chaque mois, l'agent dégrade en silence. Selon les retours terrain convergents publiés par les baromètres data PME 2026, un agent non maintenu perd 30 à 50 % de sa fiabilité en trois à six mois.
3. Le périmètre n'a jamais été cadré
Le POC répond à une question floue type « est-ce que l'IA peut nous aider sur le reporting ? ». La réponse est oui, évidemment. Mais ce oui n'est pas industrialisable. Pour passer à l'échelle, il faut un cas d'usage précis, mesurable, borné. L'étude data.gouv.fr conduite sur 200 déploiements établit à 82,5 % le taux de réussite des projets quand le périmètre est cadré dès le départ. À l'inverse, plus le démarrage est large, plus le projet s'éteint en silence après six mois.
4. Personne n'a pris la responsabilité de la durée
Le POC est un projet à durée limitée par construction. L'industrialisation est un engagement continu. Dans la majorité des PME, ce passage n'est porté ni par la DSI (qui n'est pas dimensionnée pour ça), ni par la direction métier (qui n'a pas les compétences), ni par le prestataire initial (qui a livré et passe à autre chose). Le projet meurt par défaut de propriétaire.
Pourquoi le marché parle si peu de cette phase
L'écosystème IA est structuré autour du démarrage. Les éditeurs vendent des licences, les agences vendent des POC, les organismes de formation vendent des journées de prompt engineering. Personne ne vend la continuité — parce que c'est moins glamour, moins facturable au forfait, et que ça suppose de rester engagé dans la durée auprès du dirigeant.
C'est pourtant à cet endroit que la valeur économique se cristallise. Bpifrance Le Lab chiffre le ROI médian d'un projet IA en PME entre 150 et 200 % à 12 mois, à condition que le projet ait été industrialisé. Pour ceux qui restent au stade POC, le ROI est par définition nul — le test n'a généré aucune productivité récurrente, juste une preuve.
Ce que l'industrialisation suppose concrètement
Faire passer un agent IA du test à la production n'a rien de mystérieux. Trois ingrédients suffisent, dans cet ordre :
- Un cadrage métier précis. Une question, un livrable, un indicateur de succès chiffré. Pas « optimiser le reporting », mais « produire chaque lundi à 7h un récap des écarts CA > 5 % par site, envoyé par mail aux 4 responsables ». Ce niveau de précision est le filtre qui détermine si le projet ira au bout.
- Une plomberie data stable. Une connexion aux vraies sources, un pipeline qui tourne sans intervention manuelle, des règles claires sur ce qui se passe en cas d'erreur ou d'absence de donnée. C'est le chantier le plus sous-estimé : en moyenne 40 à 60 % du temps d'industrialisation.
- Un suivi mensuel dans la durée. Quelqu'un qui ouvre l'agent chaque mois, contrôle la qualité des sorties, ajuste les prompts quand le contexte évolue, et alerte le dirigeant si quelque chose dérive. C'est la différence entre un outil qui s'use et un outil qui s'améliore.
Ce qu'il faut retenir
Le marché IA de 2026 n'est plus une course au démarrage. Tout le monde a démarré. La nouvelle frontière, celle qui sépare les entreprises qui en tireront un avantage durable de celles qui auront juste dépensé, c'est le passage à l'échelle. Et ce passage suppose moins d'outils que de méthode, moins d'investissement initial que d'engagement dans la durée.
79 % des dirigeants ont déployé un agent IA. 23 % seulement le font tourner pour de vrai. L'écart entre ces deux chiffres est la véritable zone de productivité du marché IA en 2026.
Sources : BCG — AI at Work 2026 (déploiement agents IA) ; McKinsey — State of AI 2026 (scaling agentic systems) ; Bpifrance Le Lab — Étude IA PME 2026 ; data.gouv.fr — analyse 200 déploiements IA en PME française ; baromètres convergents Lumivi / Beaboss / Dixie, mai 2026.