Le paradoxe du ROI de l'IA : la production monte, le retour stagne

L'IA d'entreprise a un problème comptable, et il a désormais un chiffre. Dans le 5ᵉ rapport annuel Domino / BARC sur l'IA en entreprise — une enquête auprès de 639 responsables IA seniors publiée le 21 juillet 2026 — 93% des organisations déclarent que l'IA a amélioré leur capacité de production, contre 88% un an plus tôt. Pourtant, seules 43% affirment que le retour a réellement dépassé la dépense. Ce second chiffre n'a pas bougé depuis 2025. L'écart de 50 points entre les deux est, pour qui lit l'économie plutôt que les titres, l'état réel de l'IA d'entreprise en 2026.

Cet écart existe parce que deux questions différentes sont sans cesse traitées comme une seule. Produire plus est un résultat technique : de meilleurs modèles, plus de pilotes, une inférence plus rapide, un agent qui résout davantage de tickets. Gagner plus est un résultat économique : l'euro marginal investi rapporte plus qu'un euro. Presque toutes les grandes entreprises ont aujourd'hui franchi la première barre. Beaucoup moins ont franchi la seconde — et, c'est la partie inconfortable, dépenser davantage sur le même dispositif tend à élargir l'écart plutôt qu'à le réduire, car cela ajoute de la capacité plus vite que l'organisation ne sait la convertir en décisions qui bougent le compte de résultat.

Deux constats du rapport aiguisent le propos. Le premier est géographique. Le ROI de l'IA ne dépasse toujours pas la dépense pour 67,0% des entreprises européennes et 66,9% au Royaume-Uni, contre 51,1% en Amérique du Nord — un écart d'environ seize points. Puisque toutes les entreprises du monde peuvent licencier les mêmes modèles de frontière, cet écart n'est pas un retard technologique. C'est un écart de compétitivité, et pour l'industrie européenne c'est un avertissement : la contrainte n'est pas l'accès à l'IA, c'est la vitesse à laquelle l'IA est transformée en valeur économique.

Le second constat nomme le levier. Les organisations dotées d'une gouvernance IA pleinement intégrée sont trois fois plus susceptibles de déclarer une vélocité IA en amélioration que celles dont la gouvernance est à la traîne. Cela inverse l'intuition selon laquelle la gouvernance serait un frein. En pratique, la gouvernance ne signifie pas ici de la paperasse ou un comité qui dit non. Elle désigne le système d'exploitation qui décide quels cas d'usage sont mis en production, comment les modèles sont versionnés, quels sont les seuils d'acceptation et quand un modèle déployé est re-validé. C'est la mécanique qui permet d'aller vite sans aller n'importe comment.

C'est précisément pourquoi ce constat compte le plus dans les secteurs régulés et intensifs en capital. Dans l'aéronautique et la défense, l'énergie, le pétrole et le gaz, la cosmétique et le luxe manufacturier, le modèle lui-même est rarement le facteur différenciant — tout le monde peut en acheter ou en affiner un. Le fossé défensif, c'est le processus certifié qui l'entoure : le dossier de qualification, la traçabilité, la piste d'audit, la bascule contrôlée entre une version de modèle et une décision qui touche la sûreté, la marge ou la disponibilité. Ces secteurs savent déjà certifier un procédé physique. Le retour sur l'IA revient à ceux qui étendent cette même discipline à leurs modèles, au lieu de faire tourner l'IA dans une voie parallèle, hors du système qualité.

Il y a aussi une raison économique plus subtile pour que ces secteurs bougent en premier. Le coût d'exploiter une capacité d'aide à la décision déjà financée est quasi nul à la marge — le modèle est acheté, la donnée sort déjà de la turbine, de la ligne, du puits, de la remplisseuse. Ce qui bloque le retour, ce n'est pas un gigawatt de calcul supplémentaire ni un pilote de plus ; c'est le dernier maillon qui relie une capacité existante à une décision dont quelqu'un est responsable. Ce câblage est une tâche de gouvernance et d'organisation bien plus que technique — ce qui explique précisément pourquoi davantage de dépense en outillage ne le règle pas.

La question à poser avant le prochain achat de modèle n'est donc pas « que peut faire de plus l'IA ? » — le rapport y répond déjà : beaucoup, presque partout. La question plus fine est : quelle capacité déjà payée n'est pas encore reliée à une décision qui bouge la marge, la sûreté ou la disponibilité ? Cartographiez les capacités que vous possédez face aux décisions qui comptent vraiment, refermez les boucles que la gouvernance peut rendre auditables, et l'écart de 50 points entre ce que l'IA fait et ce qu'elle rapporte commence à se réduire. En 2026, c'est cet écart — pas le classement des modèles — qui décide de l'avantage concurrentiel.