Les chiffres clés à retenir

• 95 % des programmes d'IA se situent aujourd'hui dans le registre de l'optimisation, pas de la disruption
• 18 mois : le délai au bout duquel les fondations technologiques changent et les feuilles de route deviennent obsolètes
• 4 dimensions à diagnostiquer avant de choisir le moindre outil
• 70 % des collaborateurs de Valtech travaillent quotidiennement sur des plateformes, le terrain d'application de sa propre transformation
• 3 organisations intégrées dans le modèle déployé chez L'Oréal (GPT interne, Agentic Platform, Agentic Studio)
• ~10 initiatives en cours chez L'Oréal, dont certaines déployées, d'autres abandonnées volontairement
• Mot « POC » interdit en interne chez Valtech

Pourquoi les feuilles de route à 5 ans ne fonctionnent plus

Pendant des années, les entreprises ont travaillé leur futur à coups de prospective à 5 ans et de design thinking, avec des feuilles de route à 2 ou 3 ans. À l'ère de l'IA, ce mode de fonctionnement s'essouffle.

La raison est mécanique : en 18 mois, les fondations technologiques changent, des cas d'usage qu'on n'imaginait pas deviennent réels, et les belles feuilles de route bâties avec toute l'organisation sont périmées avant d'être exécutées.

L'IA impose donc la logique inverse : agir maintenant sur les fondations pour rendre l'innovation disruptive possible au plus tôt. Il ne s'agit pas de planifier la disruption, mais de construire les conditions qui la permettent. Construire, pas prédire.

Optimisation ou disruption : le piège dans lequel 95 % des programmes IA sont coincés

Deux régimes doivent être distingués. L'optimisation continue : améliorer un produit, corriger, étendre son périmètre fonctionnel est nécessaire, et c'est là que se trouvent aujourd'hui 95 % des programmes d'IA. La disruption, elle, est d'une autre nature : reconfigurer des marchés, réinventer les attentes clients, créer des réseaux de valeur qui n'existaient pas.

L'IA sait faire les deux. Si la plupart des organisations restent bloquées dans le premier régime, ce n'est pas par manque d'ambition mais par manque de fondations. Car passer de l'optimisation à la disruption ne se résume pas à choisir le bon LLM ou à ouvrir des accès à une plateforme agentique : cela exige gouvernance, architecture technologique, compétences et culture de l'expérimentation. Cela ne se décrète pas, cela se construit.

D'où une décision radicale, appliquée par Valtech à elle-même : le mot « POC » a été banni en interne. Un Proof Of Concept démontre, séduit puis reste isolé, sans jamais irriguer les vrais processus de l'entreprise.

Par où commencer avec l'IA : le diagnostic en 4 dimensions

Avant de choisir un outil ou de se lancer sur un cas d'usage, quatre dimensions doivent être diagnostiquées.

1. Le besoin métier

Ne jamais partir de l'architecture technologique : le risque est de dimensionner une architecture désynchronisée des besoins réels. Il faut un signal métier explicite, ancré dans un problème concret, pas un intérêt général pour l'IA. Sans cela, aucun usage ne tiendra dans la durée.

2. La maturité des équipes

L'IA ne s'utilise pas seule, et c'est l'un des grands défauts du POC : isolé dans un coin de l'organisation, il ne crée aucune valeur collective. Il faut une culture de l'expérimentation et une capacité à travailler autrement. Si les équipes ne sont pas prêtes, la technologie ne compensera pas.

3. La réalité contractuelle et réglementaire

RGPD, contrats clients, règlements sectoriels : en Europe, certaines innovations arrivent avec retard, et certains contextes contraignent fortement le déploiement. Mieux vaut anticiper ces contraintes avant le lancement du projet.

4. L'environnement de travail

Outils, accès, infrastructures. Impossible de porter une ambition IA avec des outils qui ne supportent pas l'intégration, d'où l'importance centrale de l'orchestration.

Règle n° 1 : ne jamais choisir un outil avant d'avoir fait ce bilan. L'outil doit servir le besoin, pas l'inverse.

Les 4 barrières à l'adoption de l'IA

Même avec de bonnes fondations, l'adoption reste un défi et il est humain. Quatre barrières reviennent systématiquement.

Le prompting

Beaucoup de collaborateurs ne savent pas interagir efficacement avec un LLM. Ce n'est pas un problème de capacité, mais de formation : des techniques simples changent radicalement la qualité des résultats.

La résistance au mode de travail « AI first »

Consciente ou inconsciente, parfois collective : changer sa façon de travailler est difficile.

Le manque de confiance dans l'IA

Souvent parce que le fonctionnement des modèles n'est pas compris. Les formations conceptuelles et non techniques sont ici un levier largement sous-utilisé.

L'abandon précoce

Une première expérience décevante suffit à décourager. La différence se joue dans l'accompagnement post-déploiement : des référents, des formats d'échange, une culture du droit à l'erreur.

Ces barrières ne sont pas des fatalités : ce sont des problèmes de design organisationnel.

Cas client : comment L'Oréal industrialise l'IA agentique

Client de Valtech depuis plus de 15 ans, L'Oréal est venu chercher un mécanisme d'industrialisation à l'échelle du groupe. Le modèle déployé repose sur trois organisations intégrées, chacune avec une mission précise, toutes au service des métiers.

L'Oréal GPT

L'interface utilisateur accessible à l'ensemble des collaborateurs existait déjà, l'enjeu étant de le rendre plus compétent et plus utile aux métiers.

L'Agentic Platform

Elle pose les fondements architecturaux, technologiques et outillés nécessaires au déploiement.

L'Agentic Studio

Il conçoit les initiatives les plus disruptives comme celles laissées de côté faute de maturité ou pour cause de blocages organisationnels. Le Studio nourrit L'Oréal GPT via l'Agentic Platform : les trois entités communiquent en boucle.

Trois applications concrètes

Industrialiser le brief métier. Un agent analyse le brief, y intègre les enjeux d'organisation, les irritants et les optimisations possibles, puis identifie rapidement le cas d'usage et évalue ses bénéfices et risques avant tout déploiement, et avant le travail d'adoption et de mesure des résultats.

Transformer le cycle de développement (SDLC). Une infrastructure MCP (Model Context Protocol) permet aux agents de communiquer en langage naturel et de se connecter aux outils quotidiens des développeurs : assistance au code, base de connaissance, QA, support, maintenance. Chaque collaborateur dispose d'un agent spécialisé (architecture, tests, développement). L'orchestration garantit qu'un agent ayant accompagné un collaborateur sur l'architecture transmette l'information à l'agent d'un autre collaborateur : l'enjeu est de ne jamais rester dans l'unitaire.

L'Intent Driven UI. Sujet prospectif : dépasser le chatbot qui redirige vers une page pour que l'agent interagisse directement avec l'interface et génère un cadre adapté au besoin. Plutôt que renvoyer le client vers une page de virtual try-on, lui afficher directement l'interface correspondante, selon son touchpoint et son intention.

Le résultat : après près d'un an, une dizaine d'initiatives sont en cours, dont certaines déjà déployées, d'autres encore prospectives, d'autres volontairement abandonnées. Car c'est aussi la fonction de cette organisation : tester vite pour abandonner vite, et ne déployer que ce qui apporte un bénéfice réel.

Équipes augmentées vs équipes AI native : les deux régimes du passage à l'échelle

La première vague est celle des équipes augmentées : mêmes personnes, même travail, mais fait plus vite et plus intelligemment grâce à l'IA. Attention toutefois au mythe du gain linéaire : on gagne du temps sur certaines tâches, on en perd sur d'autres. Ce sont les tâches qui se transforment à l'intérieur des métiers, pas les métiers qui disparaissent. C'est l'étape des « chevaux plus rapides » : réelle, précieuse, et là où se trouve la majorité des organisations. Mais s'y arrêter, c'est rester dans l'efficacité sans disruption.

La phase suivante est celle des équipes AI native : nouveaux rôles, nouvelle composition d'équipe, entités hybrides où les agents sont des membres à part entière. Engineering, delivery, stratégie, croissance, ops : tous ces domaines verront leur composition évoluer. Ce n'est pas une menace, mais l'occasion de définir des rôles à plus forte valeur ajoutée.

La transition n'est pas à venir : elle est déjà en cours. La seule question est de savoir si vous la subissez ou si vous la pilotez.

La séquence à retenir pour démarrer

Ne confondez pas adoption et transformation. Adopter des outils d'IA sans gouvernance, sans architecture et sans formation, c'est accélérer vers le mur.

La bonne séquence : commencer petit, sur des cas à fort signal métier ; industrialiser vite, avec une méthode rigoureuse ; gouverner dès le jour 1 comme un accélérateur.

Car l'IA la plus puissante entre les mains d'une organisation sans fondations restera un POC. Tandis que l'IA la plus simple, déployée sur des fondations solides, peut transformer structurellement un métier. Construisez les fondations : le reste suivra.

Questions fréquentes

Comment démarrer avec l'IA en entreprise ?

En diagnostiquant quatre dimensions avant tout choix d'outil : le besoin métier (un signal explicite, pas un intérêt général pour l'IA), la maturité des équipes, la réalité contractuelle et réglementaire, et l'environnement de travail. La règle est de ne jamais choisir un outil avant ce bilan : l'outil doit servir le besoin, pas l'inverse.

Pourquoi les POC d'IA ne passent-ils pas à l'échelle ?

Parce qu'ils restent isolés dans l'organisation et ne créent pas de valeur collective, et parce que les fondations manquent : gouvernance, architecture technologique, compétences et culture de l'expérimentation. Sans elles, même le meilleur LLM restera au stade de la démonstration.

Quelles sont les principales barrières à l'adoption de l'IA ?

Quatre barrières reviennent systématiquement : la maîtrise du prompting (un enjeu de formation, pas de capacité), la résistance au mode de travail « AI first », le manque de confiance lié à l'incompréhension des modèles, et l'abandon précoce après une première expérience décevante.

Qu'est-ce qu'une équipe AI native ?

C'est une équipe hybride où les agents IA sont des membres à part entière, avec de nouveaux rôles et une composition repensée, par opposition aux « équipes augmentées », qui font le même travail plus vite grâce à l'IA sans transformer ni les rôles ni les processus.

Pour aller plus loin

« Par où commencer avec l'IA ? » et « comment sortir du POC ? » sont les deux questions qui structurent 2026. Pour confronter votre feuille de route à celle des organisations qui industrialisent déjà : gouvernance, fondations, agentique, retrouvez le HUB Institute lors de ses prochains rendez-vous dédiés à l'IA et à la transformation.

Découvrir les prochains événements HUB Institute

Vous structurez votre passage à l'échelle : diagnostic, gouvernance, adoption ? Les experts du HUB Institute accompagnent les directions métiers dans la construction de leurs fondations IA.