Après une décennie de conseil en transformation numérique et d'accompagnement des marques dans l'adoption des technologies émergentes, 2025 a révélé la vérité la plus dure sur la mise en œuvre de l'IA : la technologie n'a jamais été le goulot d'étranglement. Ce sont les personnes et la culture qui le sont.
Chez Kainjoo, nous avons travaillé avec des startups, des entreprises et des équipes à travers l'Europe pour mettre en œuvre des stratégies d'automatisation de l'IA et de transformation de l'entreprise. Ce que nous avons appris cette année change fondamentalement la façon dont les entreprises doivent aborder l'adoption de l'IA en 2026.
La plupart des entreprises ont abordé la transformation de l'IA de la même manière en 2025. Toutes les marques voulaient l'automatisation. Tous les dirigeants voulaient planter un drapeau sur un projet d'IA. Peu d'entre elles disposaient de la culture organisationnelle nécessaire à une mise en œuvre adéquate. Encore moins disposaient des ressources nécessaires pour exécuter le projet à une vitesse significative.
Pour les organisations qui ont réussi, les conversations se sont concentrées sur l'infrastructure concrète : serveurs d'automatisation, implémentations MCP et flux de travail d'IA générative. Pour toutes les autres, l'accent est resté sur l'expérimentation sans valeur commerciale mesurable.
Le schéma est clair pour les trois groupes :
Mise en œuvre de l'IA dans les startups : Le risque d'un pivot vers les technologies profondes
Nous avons observé de nombreuses startups de santé numérique et de SaaS qui pivotent pour se positionner en tant que plateformes de deep-tech. La stratégie était logique sur le papier - obtenir un financement axé sur l'IA, construire une infrastructure de données, attirer des talents techniques.
L'exécution a souvent échoué. Les fondateurs ont brûlé les étapes en transformant les équipes DevOps en équipes MLOps, pour se retrouver douze mois plus tard face à des déficits de financement avec une croissance minimale de l'ARR.
Ce qui a fonctionné : Les startups qui ont gardé le taux d'intérêt moyen comme indicateur principal tout en intégrant l'IA comme un multiplicateur de capacité, et non comme un pivot du modèle d'entreprise. Les entreprises de deep-tech qui ont réussi à pivoter étaient celles qui construisaient des plates-formes d'infrastructure pour leur écosystème, et non celles qui donnaient un nouveau nom à des produits existants en leur attribuant des étiquettes d'IA.
La réalité du financement : La poudre sèche du capital-risque et l'économie de l'IA
De notre point de vue à Allegory Capital, le paysage du capital-risque en 2025 a révélé un schéma frappant : les sociétés de capital-risque de petite et moyenne capitalisation sont assises sur de la poudre sèche et attendent. Ils ne brûlent pas d'argent dans des tours de table à forte intensité d'IA alors que le marché reste sceptique quant à la viabilité du modèle d'entreprise.
Les données économiques unitaires sont éloquentes. Pour chaque dollar dépensé pour la mise en œuvre de l'IA, les entreprises perdent de deux à quatre dollars en fonction de l'échelle. Et ce, avant de prendre en compte les considérations ESG et l'impact de l'empreinte carbone - des coûts que la plupart des organisations ne mesurent pas encore correctement.
Cette réalité économique impose un changement fondamental dans la manière dont l'innovation en matière d'IA est financée et mise à l'échelle :
L'IA éthique européenne sera à l'avant-garde et non à la remorque. L'environnement réglementaire de l'UE, que beaucoup ont critiqué pour son hostilité à l'innovation, deviendra le moteur du développement durable de l'IA. Les cadres éthiques de l'IA, la comptabilité carbone et les normes de déploiement responsable émergeront d'abord de l'Europe.
Les laboratoires et les POC américains n'évolueront pas de la même manière. Les grandes entreprises qui s'intéressent à l'économie des unités d'IA ne peuvent pas se contenter de prendre les preuves de concept des géants américains de la technologie et de les transposer à l'échelle mondiale. La structure des coûts ne fonctionne pas. L'impact environnemental n'est pas conforme aux engagements ESG. Le modèle d'entreprise doit être repensé en profondeur.
Les investissements iront à l'efficacité et non à la capacité. Les sociétés de capital-risque financeront les start-ups qui résolvent les problèmes de coût de l'IA, et non celles qui ajoutent de nouvelles fonctionnalités à l'IA. L'optimisation, l'efficacité de l'inférence et l'infrastructure de déploiement durable deviennent des innovations précieuses.
Cet environnement de financement favorise les entreprises qui ont abordé l'IA comme un levier opérationnel, et non celles qui en ont fait leur proposition de valeur à part entière. En 2026, les gagnants seront les entreprises capables de démontrer que la mise en œuvre de l'IA a une rentabilité unitaire positive, tout en respectant les nouvelles normes éthiques et environnementales.
L'adoption de l'IA par les entreprises : La mort par le pilotage
L'hésitation du capital-risque au niveau des start-ups reflète le comportement des entreprises à grande échelle.
L'effet “mort par pilote” a dominé l'adoption de l'IA par les entreprises en 2025. Les départements informatiques se sont enrichis de rôles axés sur l'IA, tandis que les opérations commerciales se sont retirées, craignant de devenir des fonctions de support absorbées par des DSI axés sur les CAPEX et contrôlant la pile technologique.
L'IA pour les opérations commerciales signifiait généralement une meilleure utilisation des solutions martech existantes, des flux de travail améliorés pour la gestion des actifs numériques et une capacité d'analyse accrue. Tout cela est nécessaire, tactique, mais pas stratégique.
Les cadres supérieurs ont compris que le fait de porter un titre lié à l'IA, à l'innovation ou au numérique les excluait de plus en plus des plans de succession des entreprises. Le fait d'être propriétaire d'un compte de résultat générateur de revenus reste la voie de l'avancement des cadres.
Des dirigeants qui ont transformé des centres de coûts en moteurs de croissance. Ils sont devenus directeurs généraux de plateformes de santé numérique ou d'opérations de commerce électronique. Ils ont construit des P&L autour des actifs technologiques. Ils ont utilisé l'IA pour atteindre des objectifs commerciaux, et non comme une destination en soi.
Le problème de la liquidité des données : les raisons de l'échec de la mise en œuvre de l'IA
Avant que l'IA puisse transformer les opérations, les données doivent circuler. La plupart des organisations ont gelé leurs données dans des systèmes cloisonnés, ce qui rend l'interopérabilité impossible.
Notre travail avec Digisanté a révélé l'ampleur de ce défi au niveau des agences fédérales. Les données de santé sont dispersées dans des systèmes incompatibles, les contraintes réglementaires limitent l'intégration, l'infrastructure existante empêche la mise en place d'architectures de données modernes. Si une agence fédérale ayant des mandats de conformité et de responsabilité publique se débat avec la liquidité des données, imaginez la complexité au sein des grandes entreprises.
Les problèmes de liquidité des données des entreprises s'aggravent :
Silos départementaux. Les données marketing sont dans un système, les données commerciales dans un autre, les données opérationnelles dans un troisième. Chaque département optimisait sa propre pile de données sans interopérabilité au niveau de l'entreprise.
Dette technique héritée. Des années de fusions, d'acquisitions et de décisions technologiques tactiques ont créé des modèles de données incompatibles et des cauchemars d'intégration.
Goulets d'étranglement en matière de gouvernance. L'accès aux données nécessite des approbations multiples. Les préoccupations en matière de sécurité l'emportent sur les besoins opérationnels. Les réglementations en matière de protection de la vie privée créent des frictions supplémentaires.
Absence de réflexion sur les produits de données. Les organisations traitent les données comme un sous-produit des opérations, et non comme un actif stratégique nécessitant des investissements, une maintenance et une architecture.
La mise en œuvre de l'IA échoue dans ces environnements parce que les algorithmes ont besoin de données liquides - accessibles, interopérables, propres et circulant entre les systèmes. Aucune sophistication de l'IA ne peut venir à bout des données gelées.
La solution consiste à traiter l'infrastructure de données comme un produit. Créer des API. Créer des pipelines de données. Établir une gouvernance qui permet l'accès tout en gérant les risques. Investir dans l'ingénierie des données avant d'investir dans l'ingénierie de l'IA.
Les entreprises qui auront résolu le problème de la liquidité des données en 2025 pourront développer l'IA en 2026. Celles qui luttent encore contre le cloisonnement des données resteront bloquées dans la phase pilote.
L'adoption de l'IA par les employés : Le fossé des capacités
Deux groupes distincts ont émergé parmi les contributeurs individuels en 2025 :
Premier groupe : Adopter l'IA en tant que multiplicateur de capacités. Intégration des outils dans les flux de travail existants. Automatisation des tâches répétitives. Création d'une capacité de réflexion stratégique. Augmentation de leur valeur.
Deuxième groupe : Résistance à l'adoption. Ils ont invoqué des problèmes de sécurité de l'emploi et la complexité de l'outil. Ils ont pris du retard en termes de productivité et de qualité de la production.
Les employés qui ont réussi ont traité l'IA comme un copilote, et non comme un remplaçant. Ils ont amélioré la qualité des résultats, accéléré les cycles de recherche et automatisé le travail administratif, tout en concentrant les efforts humains sur le jugement, la créativité et l'établissement de relations.
Cette fracture capacitaire se creusera de manière significative en 2026.
La nouvelle réalité des rôles sur les plateformes numériques : Tout poste qui fonctionne principalement sur des plateformes numériques est confronté à une équation simple. Si vous n'êtes pas exceptionnellement doué pour conduire le changement et l'excellence opérationnelle, vous avez deux possibilités : mettre en œuvre l'IA rapidement ou regarder l'IA développer votre rôle au-delà de vos capacités.
Les employés qui ont cherché à obtenir des certificats de formation avec une exécution quotidienne minimale ne survivront pas, sauf dans les fonctions de première ligne comme les soins d'urgence où la présence humaine n'est pas négociable. Le travail sur les plateformes numériques exige une expansion continue des capacités. L'IA n'élimine pas ces rôles. Elle expose ceux qui ne peuvent pas en tirer parti et élève ceux qui le peuvent.
Le changement de culture : Des entreprises médiatiques aux entreprises technologiques
En 2010, les médias sociaux ont obligé chaque marque à devenir une entreprise de médias. Les organisations avaient besoin d'équipes de contenu, de gestionnaires de communauté et de studios de création. Les directeurs généraux de l'entreprise ont embauché des journalistes. Les agences ont créé des salles de presse de marque. L'impératif était clair : publier comme une entreprise de médias ou perdre l'attention au profit des concurrents qui le faisaient.
Il a fallu cinq ans pour normaliser cette transformation culturelle. Les budgets ont changé. Les structures organisationnelles ont changé. De nouveaux rôles sont apparus. Les entreprises qui ont résisté ont perdu des parts de marché.
Nous nous trouvons à nouveau dans ce moment précis, mais le changement est plus profond.
L'IA et l'automatisation obligent les entreprises à devenir des sociétés technologiques ou des sociétés de services. Non pas axées sur la technologie. Non pas adossées à la technologie. Des entreprises technologiques à la base.
Ce qu'exige cette transformation
Culture technique dans l'ensemble de l'organisation. Les départements informatiques ne sont pas les seuls concernés. Les équipes marketing doivent comprendre les intégrations API. Les opérations de vente doivent travailler avec des serveurs d'automatisation. Les équipes commerciales doivent penser en termes de flux de travail, de pipelines de données et d'intégrations de systèmes.
Réflexion sur les produits pour les systèmes internes. Votre pile martech est un produit. Votre infrastructure de données est un produit. Vos flux d'automatisation sont des produits. Appliquez la même rigueur que pour les plates-formes destinées aux clients : feuilles de route, planification des sprints et conception de l'expérience utilisateur.
La conception de services plutôt que la réalisation de projets. Cessez de structurer le travail autour de campagnes et de projets ponctuels. Créez des services. Systématiser ce qui peut être automatisé. Codifier ce qui peut être reproduit. Réserver le jugement humain aux décisions qui le nécessitent.
Les conséquences de la résistance
Les entreprises qui ne parviennent pas à opérer ce changement culturel connaîtront le même sort que celles qui ont ignoré la transformation des médias sociaux en 2010 :
- Ils deviendront des prestataires de services pour des concurrents qui se sont adaptés.
- Leurs talents partiront vers des organisations qui adoptent des opérations modernes.
- Leurs coûts opérationnels augmenteront tandis que ceux de leurs concurrents diminueront grâce à l'automatisation.
- Elles perdront leur positionnement sur le marché à mesure que leurs propositions de valeur se banaliseront.
La transformation de Kainjoo : De l'agence à la plateforme
Nous avons vécu ce changement en interne avant de le vendre à l'extérieur. Nous sommes passés d'une agence réalisant des projets à une plateforme fournissant des services. Nous avons mis en place une infrastructure d'automatisation. Nous avons formé les équipes de création et de marketing aux outils techniques. Nous avons transformé nos propres opérations en banc d'essai pour ce que nous recommandons à nos clients.
Cette crédibilité opérationnelle, soutenue par la recherche de notre directeur du conseil d'administration de l'IMD et l'intégration des technologies du portefeuille d'Allegory Capital et de Kainjoo Ventures, est à la base de chaque stratégie de transformation que nous concevons.
Ce qui nous attend en 2026 : l'année de l'exécution
La phase d'expérimentation est terminée. L'année 2026 distinguera les organisations qui ont mis en place des opérations durables intégrées à l'IA de celles qui ont mené des projets pilotes coûteux.
Trois changements fondamentaux définiront le succès :
1. La valeur plutôt que le volume
Le marché récompensera les résultats commerciaux mesurables, et non le nombre de projets d'IA. La croissance du chiffre d'affaires, la réduction des coûts et l'efficacité opérationnelle sont les seuls paramètres qui comptent. L'IA doit apparaître dans les comptes de résultats, et non dans les rapports sur l'innovation.
2. L'intégration plutôt que l'innovation
Les gagnants ne disposeront pas des outils d'IA les plus récents. Ils auront intégré l'IA dans les processus existants : piles martech, pipelines de données, flux de travail de l'entreprise. L'IA doit être intégrée dans les opérations, et non pas ajoutée à titre expérimental.
3. Les personnes qui s'adaptent
Les organisations qui ont investi dans l'amélioration des compétences, constitué des équipes compétentes en matière d'IA et créé des cultures d'apprentissage continu tireront leur épingle du jeu. Celles qui ne l'ont pas fait auront du mal à retenir les talents et à exécuter leur stratégie.
2026 est une question d'exécution
Chez Kainjoo, nous avons passé 2025 à construire les fondations : infrastructure de données, serveurs d'automatisation, processus natifs d'IA, équipes formées et bancs d'essai opérationnels. Nous sommes positionnés pour mettre à l'échelle ce qui fonctionne.
La phase de l'objet brillant est terminée. La transformation des entreprises technologiques n'est plus facultative. Les marques qui gagneront en 2026 ont opéré ce changement culturel en 2025.
Délai de livraison.
