IA agentique dans l'industrie : pourquoi 36 % de potentiel ne fait pas 36 % d'adoption

Deloitte, dans son rapport « From Vision to Value » (septembre 2025) repris dans ses perspectives 2026 pour l'aérospatiale et la défense, avance un chiffre précis : 36 % des tâches réalisées dans l'industrie manufacturière pourraient être augmentées par de l'IA agentique. Le même rapport constate, dans la phrase suivante, que la plupart des industriels aérospatiale et défense en restent à des projets pilotes isolés — détection de défauts, diagnostic de maintenance — loin d'un déploiement à l'échelle de la production. Ces deux chiffres ne mesurent pas la même chose, et confondre l'un avec l'autre est l'erreur de lecture la plus fréquente dans le débat public sur l'IA en entreprise.

Le premier chiffre est un potentiel technique au niveau de la tâche. Il s'inscrit dans le cadre développé par Autor, Levy et Murnane (2003) : un métier n'est pas une unité atomique, c'est un faisceau de tâches hétérogènes, et chaque technologie automatise certaines tâches sans toucher aux autres. Un ingénieur qualité, un technicien de maintenance, un opérateur de ligne exécutent chacun un mélange de tâches routinières codifiables, de tâches de jugement contextuel et de tâches relationnelles. Dire que « 36 % des tâches sont augmentables » ne dit rien sur la vitesse à laquelle cette augmentation se traduira en gains de productivité mesurés, ni sur le nombre d'organisations qui l'auront réellement mise en œuvre dans un, deux ou cinq ans.

Le second chiffre — l'adoption réelle, encore au stade pilote — est celui qui compte pour la valeur créée à court terme. Or l'écart entre potentiel technique et déploiement effectif n'est pas anormal : c'est la signature habituelle de ce que Paul David (1990, l'analogie « dynamo and computer ») et Carlota Perez (2002) appellent la phase d'installation d'une technologie à usage général — celle où la capacité technique existe déjà mais où les organisations n'ont pas encore reconfiguré leurs processus, leurs données et leurs compétences autour d'elle. Cardan-AI a documenté le même schéma dans l'amont pétrolier et gazier le 24 août dernier (92 % des entreprises investissent, seules 50 % ont déployé) : l'écart intention-adoption n'est pas un retard qui se résorbe automatiquement, c'est une phase.

Ce qui détermine la vitesse de sortie de cette phase, ce sont les actifs complémentaires au sens de David Teece (1986) : infrastructure de données propre, refonte des flux de travail autour de l'agent plutôt qu'autour de l'humain, gouvernance du risque adaptée à une IA qui agit et pas seulement qui suggère. Dans l'aérospatiale et la défense, ces actifs complémentaires sont particulièrement coûteux à construire parce que le secteur cumule deux contraintes rares ailleurs : une exigence de certification et de traçabilité qui ralentit toute automatisation d'action (au-delà de la simple recommandation), et une base installée de systèmes hérités peu instrumentés. C'est cette même friction que Cardan-AI décrivait le 18 août à propos de la course entre dépense IA (×3,5 d'ici 2029, IDC) et compétences data disponibles (de 3 % à seulement 5 % des offres d'emploi data science entre 2025 et 2028) : le goulot n'est pas le modèle, c'est l'organisation qui doit l'entourer.

Un deuxième filtre théorique complète le tableau : Acemoglu et Restrepo (2019) distinguent l'effet de déplacement d'une automatisation (des tâches routinières basculent de l'humain vers la machine) de son effet de réintégration (de nouvelles tâches apparaissent, souvent de supervision, de correction d'erreurs ou de conception des agents eux-mêmes). Le chiffre de 36 % ne dit rien sur ce second effet — combien de tâches nouvelles la généralisation de l'IA agentique va-t-elle créer dans la supervision et la correction ? — alors que c'est précisément ce second effet qui déterminera si le bilan net sur l'emploi industriel qualifié est positif ou négatif. Les données Lightcast citées par Deloitte (hausse des offres data analysis et data science) sont un signal, encore ténu, de cette réintégration en cours.

L'implication pratique pour un dirigeant industriel n'est pas d'attendre que le potentiel technique se traduise mécaniquement en avantage compétitif, ni de se précipiter sur un « plan IA agentique » générique. Elle consiste à cartographier, tâche par tâche et non métier par métier, où se situent à la fois la faisabilité technique et le coût de construction des actifs complémentaires nécessaires (données propres, gouvernance du risque, refonte de processus) — puis séquencer l'investissement là où ce coût est déjà le plus bas, plutôt que là où le potentiel affiché est le plus haut. C'est un problème d'allocation de capital sous incertitude organisationnelle, pas un problème de choix de modèle.

Ce diagnostic recoupe une régularité que Cardan-AI observe depuis plusieurs semaines dans l'ensemble des secteurs industriels régulés qu'il suit — énergie, O&G, aérospatiale, défense : le potentiel technique de l'IA court presque toujours devant sa traduction organisationnelle, et l'écart se referme au rythme de la construction des actifs complémentaires, pas au rythme de l'amélioration des modèles eux-mêmes.