Déployer l'IA ne suffit plus : le défi de la réalisation de la valeur
Face au paradoxe de la valeur de l'IA, le succès dépend désormais de la confiance et de l'adoption des équipes pour transformer son potentiel en résultats métier mesurables.
Les entreprises de la distribution et des biens de consommation investissent massivement dans l’IA générative et l’IA agentique. Les capacités progressent rapidement, mais les preuves tangibles de leur valeur ne suivent pas le même rythme.
Nous appelons ce phénomène le « paradoxe de la valeur de l’IA » ou AI Value Paradox. Les entreprises maîtrisent de mieux en mieux le déploiement de l’IA, mais peinent encore à démontrer, attribuer et suivre sa valeur métier. Le prochain avantage concurrentiel reviendra à celles qui sauront relier leurs investissements en IA à des résultats mesurables.
Les capacités progressent plus vite que la valeur
L’analyse des informations publiques de dix entreprises de premier plan de la distribution et des biens de consommation montre qu’entre 2020 et 2025, les mentions de l’IA dans les communications annuelles ont été multipliées par environ huit. Les annonces de capacités, comme les plateformes développées et les pilotes lancés, ont toutefois progressé bien plus vite que les résultats quantifiés et directement attribuables à l’IA.
Parmi les gains quantifiés, les économies de coûts concernent principalement la gestion des stocks dans la distribution et les frais commerciaux, généraux et administratifs dans les biens de consommation.
Le chaînon manquant est celui des mécanismes
Les entreprises mesurent généralement les moyens mobilisés pour l’IA, notamment les technologies, les plateformes et les cas d’usage, ainsi que les résultats métier, comme le chiffre d’affaires, la marge et le besoin en fonds de roulement.
En revanche, les mécanismes qui relient ces deux dimensions sont presque absents des informations publiées : adoption, utilisation, acceptation des recommandations, fréquence des contournements, confiance et qualité des décisions.
Les moyens mobilisés représentent environ 73 % des communications liées à l’IA, les résultats environ 23 % et les mécanismes moins de 4 %.
Un distributeur dont l’IA améliore la précision des prévisions, sans que ces prévisions soient intégrées aux décisions de réapprovisionnement, rencontre un problème de mécanisme, et non un problème technologique.
Quelques entreprises font toutefois exception : Walmart associe son assistant agentique Sparky à une hausse d’environ 35 % de la valeur des commandes et à un taux d’adoption d’environ 50 % des utilisateurs de l’application. Mondelēz relie une efficacité de ses commerciaux d’environ 80 % à une progression de 2 à 4 % du chiffre d’affaires. Unilever a porté la disponibilité des produits à 98 % dans le cadre d’un pilote, tout en réduisant d’environ 30 % les efforts de planification manuelle.
L’IA crée un potentiel, mais pas automatiquement de la valeur
Les gains de productivité varient selon les contextes et le niveau de compétence des utilisateurs. L’adhésion aux recommandations de l’IA reste souvent partielle, même lorsque celles-ci sont pertinentes.
Prenons l’exemple d’un responsable de catégorie dans une enseigne alimentaire. Grâce à un assistant d’assortiment fondé sur l’IA générative, le temps consacré à la préparation des revues d’assortiment diminue de 40 %. La valeur créée dépendra de l’utilisation de ce temps pour analyser davantage de catégories ou améliorer la qualité de l’assortiment, plutôt que de maintenir les mêmes pratiques.
La technologie est identique, mais la valeur réalisée dépend de la manière dont l’organisation transforme le gain obtenu en résultats.
La valeur dépend des comportements, et les comportements dépendent de la confiance
Les utilisateurs peuvent ignorer les recommandations ou contourner les résultats de l’IA. La confiance détermine donc largement les comportements. Elle se construit grâce à l’explicabilité, à la cohérence, à la pertinence et à la fiabilité du système dans la durée.
Les organisations qui négligent cette dimension voient l’adoption plafonner avant d’atteindre les retours attendus. De nombreuses initiatives restent ainsi bloquées dans le purgatoire des pilotes et ne passent jamais à l’échelle, faute d’investissements d’accompagnement suffisants, de droits de décision clairement définis ou en raison de la résistance de l’encadrement intermédiaire.
La mauvaise qualité des données aggrave le problème. Les utilisateurs qui ont perdu confiance dans un système restent souvent désengagés, même lorsque les données sont ensuite améliorées.
Dans les magasins, par exemple, le siège peut déployer l’IA pour planifier les effectifs, détecter des démarques inconnues ou évaluer les planogrammes. Si les responsables de magasin n’ont pas participé à la conception du système et ne sont pas évalués sur l’utilisation de ses recommandations, ils risquent de les ignorer ou de les contourner.
L’économie et la mesure de l’IA obéissent à une logique différente
Les coûts de l’IA augmentent avec l’usage, notamment pour l’inférence, la supervision et la gouvernance. La valeur, elle, se construit par étapes : le pilote produit des enseignements, l’intégration aux processus génère des gains opérationnels et l’évolution du modèle opérationnel crée un impact structurel. Les premiers résultats ne suffisent donc pas toujours à juger une initiative.
Avec l’IA agentique, la mesure doit aussi porter sur la qualité des décisions autonomes, la gestion des exceptions et la supervision. L’humain reste présent à travers les validations et le contrôle, mais la valeur dépend de plus en plus de la qualité avec laquelle le système agit de manière autonome.
En résumé, les systèmes traditionnels, déterministes et obligatoires, se mesurent par leurs résultats. L’IA générative, probabiliste et facultative, se mesure par son adoption. L’IA agentique, autonome, se mesure par la qualité de ses décisions et par la gouvernance qui l’encadre.
Des capacités à la valeur
Le défi est désormais de transformer les capacités de l’IA en résultats démontrables. La réalisation de la valeur doit devenir une discipline de management continue : identifier les opportunités par gisement de valeur, justifier les investissements avec des hypothèses réalistes d’adoption et de captation, intégrer l’IA aux décisions, puis pérenniser les résultats grâce à une gouvernance couvrant les performances, les comportements, l’économie et les risques.
La première vague de l’IA a récompensé l’expérimentation et la deuxième le déploiement. La prochaine récompensera la réalisation de la valeur.
L’accès aux technologies d’IA va se généraliser. La capacité à les transformer en résultats métier mesurables restera beaucoup plus rare et pourrait devenir l’une des principales sources d’avantage concurrentiel à l’ère de l’IA générative et agentique.