Ce que je lis, et ce que j'en tire
Pas une collection de liens. Quatre lectures que j'assume, avec leurs désaccords — parce que les sources qui comptent ne disent pas toutes la même chose, et que c'est précisément là que le travail commence.
Analyse 01
On veut l'agent avant le socle — et les sources se contredisent
Le chiffre le plus parlant que j'aie trouvé ne parle pas d'IA. Interrogées sur leurs priorités numériques à deux ans, 17 % des TPE-PME françaises citent l'intégration de l'IA, 7 % l'amélioration de la gestion de leurs données. Sur 11 021 entreprises, avec moins de 1 % de marge d'erreur. On veut la conséquence 2,4 fois plus qu'on ne veut la condition.
Gartner chiffre ce que ça produit : d'ici 2026, 60 % des projets IA non soutenus par des données prêtes seront abandonnés. Le MIT, lui, arrive à un constat voisin par un chemin différent — 95 % des organisations n'obtiennent aucun retour — mais range explicitement « les données » parmi les fausses explications, et désigne l'absence d'intégration aux flux de travail et d'apprentissage du contexte.
Citer les deux sans les confronter serait malhonnête. Ma lecture, à partir du terrain : les deux décrivent le même mur, vu de deux côtés. Un outil ne s'intègre à un flux de travail réel que s'il peut représenter ce flux — donc relier un client à ses commandes, ses produits, ses échanges. Ce que Gartner appelle des données prêtes et ce que le MIT appelle de l'intégration, c'est le même geste vu de l'amont et de l'aval : le maillage relationnel.
Analyse 02
Le théâtre de l'IA
Il existe un écart, dans beaucoup d'organisations, entre ce qu'elles affichent en matière d'IA et ce qu'elles savent faire. Acheter des licences, brancher un assistant sur une suite bureautique, laisser une équipe produire des démonstrations : rien de tout cela ne construit une capacité interne. Un dirigeant cité par le rapport du MIT résume l'année en une phrase — sur des dizaines de démonstrations, une ou deux étaient réellement utiles, le reste étant des habillages.
Je ne fais ici aucune accusation nominative, et je ne divulgue rien d'interne à quiconque. Le constat est structurel et documenté : selon le MIT, les entreprises de taille intermédiaire passent du pilote à l'implémentation en 90 jours quand les grands groupes mettent neuf mois ou plus.
Une entreprise de deux personnes peut aller plus vite qu'un groupe mondial. C'est contre-intuitif, et c'est mesuré.
Ce qui m'intéresse dans ce renversement, c'est qu'il déplace la question. La contrainte n'est pas le budget ni l'accès aux modèles — ils sont à portée de tous. La contrainte est la distance entre celui qui décide et la donnée réelle.
Analyse 03
Être cité plutôt que classé
Une part croissante des questions ne passe plus par une page de résultats mais par un assistant qui rédige une réponse et cite quelques sources. Pour une entreprise, la conséquence est brutale : être dixième d'un classement n'a plus de sens si personne ne consulte le classement.
Ce qui change, ce n'est pas la technique, c'est le destinataire. On n'écrit plus pour un algorithme qui ordonne des liens, mais pour une machine qui doit comprendre, attribuer, et citer. Ça remet au centre des choses très anciennes : un balisage propre, des affirmations attribuables, des données structurées, des dates.
C'est ma thèse déplacée d'un cran. Ce que je demande à une entreprise pour qu'un agent puisse travailler à l'intérieur — être lisible par une machine — vaut aussi pour ce qu'elle publie à l'extérieur. Ce site est balisé pour cette raison, et chaque affirmation y est datée et sourcée.
Analyse 04
L'infrastructure est devenue le produit
À l'échelle des grands fournisseurs de calcul, le discours a basculé : l'infrastructure n'est plus un centre de coût derrière le produit, elle est la ligne de produit. J'ai entendu ce renversement formulé à VivaTech, et il m'a frappé parce que je venais de le vivre à une échelle sans commune mesure.
Chez une entreprise de deux personnes, le tableau de bord et le site ne sont pas la préparation du projet IA. Ce sont, à ce stade, la transformation elle-même — la première fois que l'activité devient visible et manipulable. La loi est la même à deux ordres de grandeur d'écart : ce qui porte finit par valoir davantage que ce qui est posé dessus.
J'en tire une conséquence pratique, et c'est celle qui m'a le plus servi : ne jamais vendre le socle comme un préalable ingrat. Le présenter pour ce qu'il est — une valeur immédiate, qui se voit et qui s'utilise dès le premier jour.
Mes sources
Assumées, datées, vérifiées
Chacune de ces sources a été lue dans son document d'origine, pas dans une reprise de presse. Deux d'entre elles m'ont conduit à corriger des chiffres que j'avais d'abord notés de seconde main.
Hidden Technical Debt in Machine Learning Systems
Sculley et al., Google — NeurIPS 2015
The GenAI Divide: State of AI in Business 2025
MIT Project NANDA — juillet 2025 · 300+ initiatives, 52 organisations, 153 dirigeants
Lack of AI-Ready Data Puts AI Projects at Risk
Gartner — février 2025 · enquête auprès de 1 203 responsables de la gestion des données
Baromètre France Num 2025
Direction Générale des Entreprises — 11 021 entreprises, marge d'erreur < 1 %
Building Effective Agents
Anthropic — ingénierie
Règlement européen sur l'IA — article 14, contrôle humain
Union européenne