2026-08-31

Strategy, Adoption & Value

operating-model shifts, ROI/VOI, P&L impact, value capture at scale

1. Pour la deuxième année consécutive, l'EBIT imputable à l'IA stagne à 37 % — pendant que 80 % des salariés déclarent des gains de productivité individuels

— McKinsey « State of AI : Global Survey 2026 » (1 719 dirigeants, 97 pays), 25 août 2026

L'Insight : Pour la deuxième année consécutive, seuls 37 % des 1 719 dirigeants interrogés attribuent un impact EBIT à l'IA — chiffre stable depuis 2025 —, et seulement 6 % franchissent le seuil de « haute performance » (plus de 5 % d'EBIT imputable à l'IA). Dans le même temps, 80 % des utilisateurs individuels déclarent des gains de productivité personnelle, révélant un écart béant entre la performance perçue au niveau du salarié et l'impact réel sur le compte de résultat.

Le chiffre : 6 % des entreprises atteignent le seuil de haute performance (> 5 % d'EBIT attribué à l'IA) ; 31 % enregistrent un impact EBIT limité en deçà de ce seuil ; 20 % déclarent que les coûts opérationnels liés à l'IA contraignent leur usage de la technologie. Point directionnel nouveau : 40 % des grandes entreprises (> 1 Md$ de CA) déclarent déployer des agents IA à l'échelle, contre 27 % l'an dernier.
Ce qu'il contredit : Le récit dominant d'une « accélération de la valeur IA en 2026 ». McKinsey titre lui-même son enquête « on the road to ROI » — formule commerciale qui masque une stagnation réelle de l'indicateur le plus dur du bilan. La progression agentique est le seul vecteur de rupture potentielle.
Ce qu'il ne dit pas : La stagnation EBIT peut refléter un délai de maturation autant qu'un plafond structurel — les déploiements agentiques récents pourraient décaler le signal positif vers 2027. La répartition sectorielle n'est pas publiée ; certains secteurs (finance, pharma) tirent peut-être des résultats très différents de la moyenne.

Lecture du consultant : Deux ans de stagnation EBIT alors que les budgets IA doublent : le mécanisme est documenté — les gains de productivité individuelle s'évaporent au contact des processus inchangés, de la gouvernance absente et des incitations mal alignées. L'accélération agentique (40 % des grandes entreprises en scale-up) est le prochain test : si les agents arrivent sans redesign de workflows, la stagnation s'installe pour un troisième cycle.

Risque / Limite : McKinsey est un prestataire de services IA dont l'intérêt commercial est d'entretenir un optimisme modéré (« on the road ») pour maintenir le momentum des budgets clients. L'enquête est auto-déclarée, sans vérification externe des chiffres d'EBIT. Le seuil « at least some EBIT impact » est très bas — une économie marginale de coûts opérationnels suffit à y entrer.

Lien : mckinsey.com Date de publication : 25 août 2026 Fraîcheur : 🟢 <7j Fiabilité de la source : probable Cadre d'analyse : donnée/benchmark

2. L'IA soutient désormais 30 % des tâches en entreprise — mais 67 % des dirigeants estiment qu'elle devrait faire bien plus

— SAP « Value of AI 2026 » (avec Oxford Economics, 2 600 dirigeants, 13 pays), juillet 2026

L'Insight : L'enquête annuelle SAP/Oxford Economics, menée auprès de 2 600 dirigeants dans 13 pays, révèle que l'IA soutient désormais 30 % de l'ensemble des tâches de l'entreprise moyenne, contre 25 % l'an dernier, avec un ROI attendu de 21 % pour 2026 (soit 6,3 M$ sur un budget moyen de 28 M$). Pourtant, 67 % des répondants restent convaincus que l'IA pourrait générer encore bien plus de valeur — révélant un décalage persistant entre résultats actuels et potentiel perçu.

Avant : Le débat portait sur la fiabilité et la maturité technologique — « l'IA est-elle prête pour la production ? » La contrainte était technique.
Après : La question est désormais organisationnelle : « pourquoi notre entreprise ne capture-t-elle pas plus de valeur, alors même que les modèles fonctionnent ? » 69 % des dirigeants déclarent être satisfaits de leur ROI IA actuel — tout en estimant qu'ils ne réalisent qu'une fraction du potentiel. Les attentes ROI sur l'IA agentique sont projetées à 17,6 M$ en moyenne dans deux ans, contre 4,3 M$ l'an dernier — un quadruplement qui ressemble aux projections GenAI de 2023.

Lecture du consultant : Le glissement sémantique — de « l'IA fonctionne-t-elle ? » à « pourquoi n'en capturons-nous pas plus ? » — déplace la contrainte du stack technologique vers l'operating model. C'est une bascule stratégique pour les équipes dirigeantes : les prochains budgets IA seront arbitrés non sur la qualité du modèle, mais sur la capacité organisationnelle à en extraire de la valeur. Le quadruplement attendu des ROI agentiques mérite un suivi sceptique : les projections agentiques reproduisent la structure des attentes GenAI pré-déception.

Risque / Limite : SAP est un éditeur de logiciels d'entreprise qui commercialise directement des modules IA — son intérêt commercial est d'entretenir des attentes ROI élevées pour justifier les investissements dans sa plateforme. Oxford Economics apporte une rigueur méthodologique mais ne corrige pas le biais de cadrage de la commande.

Lien : oxfordeconomics.com Date de publication : juillet 2026 Fraîcheur : ⚪ rapport de fond Fiabilité de la source : probable Cadre d'analyse : bascule structurelle

3. Sur 51 déploiements réels en entreprise, Stanford identifie 4 prédicteurs invariants de succès — aucun n'est le choix du modèle IA

— Stanford Digital Economy Lab, « Enterprise AI Playbook : Lessons from 51 Successful Deployments » (Pereira, Graylin, Brynjolfsson), avril 2026

L'Insight : Le Stanford Digital Economy Lab a analysé 51 déploiements IA réussis dans 41 organisations, 7 pays et 9 secteurs représentant plus d'un million de salariés, identifiant 4 prédicteurs invariants de succès : cartographie des workflows avant la sélection technologique, gouvernance intégrée dès la conception, observabilité établie avant la mise en production, et continuité du leadership sur 18 mois. La technologie — modèle et infrastructure inclus — ne représente qu'environ 30 % de la valeur générée ; les 70 % restants proviennent du redesign de processus et de la gestion du changement.

Le chiffre : 61 % des déploiements réussis avaient connu une tentative ratée préalable — le premier essai est presque systématiquement un investissement d'apprentissage, pas de rentabilité. Dans 45 % des cas, la réduction d'effectifs a été l'outcome principal ; dans 55 %, l'enjeu était l'évitement d'embauche, le redéploiement ou le maintien des effectifs.
Ce qu'il contredit : L'hypothèse implicite de la majorité des programmes de transformation IA selon laquelle le choix du modèle ou de l'infrastructure est la décision centrale du programme. Stanford montre empiriquement que c'est, de loin, la décision la moins discriminante.
Ce qu'il ne dit pas : L'étude couvre exclusivement des déploiements réussis — le biais de sélection est structurel et intentionnel. La couverture temporelle (2022-2025) précède l'ère agentique ; les 4 prédicteurs pourraient s'enrichir ou se modifier dans un monde d'agents orchestrés.

Lecture du consultant : Ce playbook est l'armature empirique qui manque à la plupart des programmes de transformation IA. Le ratio 30/70 (technologie vs. processus et changement) explique directement la stagnation EBIT documentée par McKinsey : les entreprises investissent massivement sur la mauvaise moitié de l'équation. Pour un décideur, la conclusion est opérationnelle : le premier livrable d'un programme IA ne devrait pas être un proof-of-concept modèle, mais une cartographie des workflows directement liés au P&L.

Risque / Limite : Biais de survivant structurel — 51 cas sélectionnés précisément parce qu'ils ont réussi, au sein d'organisations qui ont accepté de témoigner, probablement plus matures et réflexives que la moyenne. Les 4 facteurs de succès sont corrélés au succès mais pas nécessairement causaux : ils peuvent être des proxies d'une variable latente (maturité organisationnelle générale).

Lien : digitaleconomy.stanford.edu Date de publication : avril 2026 Fraîcheur : ⚪ rapport de fond — seule source indépendante primaire disponible cette semaine sur les déterminants empiriques de la valeur IA en entreprise Fiabilité de la source : confirmé Cadre d'analyse : donnée/benchmark

Signaux stratégiques de la semaine

Le fossé productivité-EBIT, deux ans et toujours là : Les trois sources convergent sur le même diagnostic — l'IA améliore la performance individuelle (80 % des salariés, 30 % des tâches soutenues) mais ne déplace pas encore le compte de résultat (37 % d'impact EBIT, stable, 6 % seulement au-delà du seuil significatif). Stanford documente le mécanisme : sans redesign de workflows, les gains individuels ne survivent pas au contact de l'organisation.
L'operating model comme variable déterminante : Le ratio 30/70 de Stanford (technologie vs. processus et changement) éclaire directement pourquoi les courbes d'adoption et d'EBIT divergent. Le prochain test sera agentique : 40 % des grandes entreprises déploient déjà des agents à l'échelle (McKinsey). Si cette vague s'accompagne d'un redesign de workflows, elle pourrait enfin plier la courbe en 2027-2028. Dans le cas contraire, un troisième cycle de stagnation EBIT se profile.
⚖️ Ce qui contredit le consensus : Workday, dans une étude auprès de 3 200 salariés utilisateurs d'IA reprise par Axios (janvier 2026), documente le phénomène « workslop » : 40 % du temps économisé par l'IA est réabsorbé en révision et correction du contenu généré, soit environ 8 à 9 M$ de productivité perdue par an pour une entreprise de 10 000 personnes. Si les gains de productivité individuelle sont eux-mêmes partiellement illusoires — l'IA accélère l'exécution mais crée du rework en aval —, le cas pour un impact P&L proche est encore plus faible que ce que la courbe EBIT plate de McKinsey laisse entendre. Le récit dominant mesure la vitesse, pas l'output net.

1. For the second year running, AI's EBIT impact stagnates at 37% — while 80% of workers report individual productivity gains

— McKinsey "State of AI: Global Survey 2026" (1,719 executives, 97 countries), 25 August 2026

The Insight: For the second consecutive year, only 37% of the 1,719 executives surveyed attribute any EBIT impact to AI — identical to 2025 — and just 6% clear the "high-performer" bar (more than 5% of EBIT attributable to AI). Meanwhile, 80% of individual users report personal productivity gains, revealing a stark gap between perceived performance at the employee level and measurable impact on the income statement.

The figure: Only 6% of firms reach high-performer status (>5% EBIT attributed to AI); 31% report limited EBIT impact below that threshold; 20% say AI-related operating costs are constraining their use of the technology. New directional signal: 40% of large enterprises (>$1B revenue) report scaling AI agents, up from 27% last year.
What it contradicts: The dominant narrative of "accelerating AI value in 2026." McKinsey itself headlines the survey "on the road to ROI" — marketing language that conceals a real flatline on the hardest income-statement metric. The agentic ramp is the only potential inflection vector.
What it doesn't say: EBIT stagnation could reflect a maturation lag as much as a structural ceiling — the surge in agentic deployments this year may shift the positive signal to 2027. Sector-level breakdown is not published; finance and pharma may be tracking far ahead of the average.

Consultant's reading: Two consecutive years of flat EBIT while AI budgets double — the mechanism is well-documented: individual productivity gains evaporate on contact with unredesigned processes, absent governance, and misaligned incentives. The agentic acceleration (40% of large firms scaling agents) is the next test: if agents arrive without workflow redesign, stagnation locks in for a third cycle.

Risk/Limitation: McKinsey is an AI services vendor with a commercial interest in sustaining moderate optimism ("on the road") to maintain client budget momentum. The survey is self-reported with no external EBIT verification. The threshold "at least some EBIT impact" is very low — a marginal operating cost reduction qualifies.

Link: mckinsey.com Publication date: 25 Aug 2026 Freshness: 🟢 <7d Source reliability: probable Analytical frame: data/benchmark

2. AI now supports 30% of tasks across the average enterprise — but 67% of executives believe it should be delivering far more

— SAP "Value of AI 2026" (with Oxford Economics, 2,600 executives, 13 countries), July 2026

The Insight: The annual SAP/Oxford Economics survey of 2,600 executives in 13 countries finds AI now supports 30% of all tasks in the average organization, up from 25% last year, with expected ROI reaching 21% in 2026 (roughly $6.3M on an average spend of $28M). Yet 67% of respondents remain convinced that AI could generate far more value than it currently does, revealing a persistent gap between current results and perceived potential.

Before: The debate centred on reliability and technological maturity — "is AI ready for production?" The constraint was technical.
After: The question is now organizational: "why is our enterprise not capturing more value when the models actually work?" 69% of executives declare satisfaction with current AI ROI — while simultaneously believing they are realizing only a fraction of the potential. Agentic AI ROI projections have jumped to $17.6M average in two years from $4.3M last year — a quadrupling that echoes the 2023 GenAI ROI projections made before widespread disappointment.

Consultant's reading: The semantic shift — from "does AI work?" to "why aren't we capturing more of it?" — relocates the binding constraint from the technology stack to the operating model. This is a strategic inflection for leadership teams: future AI budgets will be adjudicated not on model quality but on organizational capacity to extract value. The projected quadrupling of agentic ROI expectations deserves close tracking; the structure mirrors pre-disappointment GenAI forecasts.

Risk/Limitation: SAP is an enterprise software vendor directly monetizing AI modules — its commercial interest is to sustain high ROI expectations to justify platform investment. Oxford Economics contributes methodological rigour but does not correct the framing bias embedded in the sponsor's brief.

Link: oxfordeconomics.com Publication date: Jul 2026 Freshness: ⚪ older/foundational Source reliability: probable Analytical frame: structural shift

3. Across 51 real enterprise deployments, Stanford identifies 4 invariant success predictors — none is model selection

— Stanford Digital Economy Lab, "Enterprise AI Playbook: Lessons from 51 Successful Deployments" (Pereira, Graylin, Brynjolfsson), April 2026

The Insight: The Stanford Digital Economy Lab analysed 51 successful AI deployments across 41 organizations, 7 countries, and 9 industries representing over one million employees, identifying 4 invariant success predictors: workflow mapping before technology selection, governance embedded from day one, observability established before production launch, and leadership continuity maintained for 18 months. Technology — including model and infrastructure — accounts for roughly 30% of value generated; the remaining 70% comes from process redesign and change management.

The figure: 61% of successful projects had a prior failed attempt — the first attempt is almost systematically a learning investment, not a return-generating one. In 45% of deployments, headcount reduction was the primary outcome; in 55%, the focus was hiring avoidance, redeployment, or headcount neutrality.
What it contradicts: The implicit assumption of most AI transformation programmes that model or infrastructure selection is the central strategic decision. Stanford demonstrates empirically that it is, by a wide margin, the least discriminating one.
What it doesn't say: The study covers only successful deployments — the selection bias is structural and intentional. The coverage period (2022–2025) pre-dates the agentic era; the four predictors may evolve in agent-orchestrated architectures.

Consultant's reading: This playbook provides the empirical backbone that most AI transformation frameworks lack. The 30/70 ratio (technology vs. process-and-change) directly explains McKinsey's flat EBIT curve: enterprises are investing heavily on the wrong side of the equation. For a decision-maker, the implication is operational: the first deliverable of an AI programme should not be a model proof-of-concept — it should be a P&L-linked workflow map.

Risk/Limitation: Structural survivor bias — 51 cases selected precisely because they succeeded, within organizations willing to discuss their experience publicly, likely more mature and reflective than average. The four success factors are correlated with success but not established as causal; they may be proxies for a latent variable (overall organizational maturity).

Link: digitaleconomy.stanford.edu Publication date: Apr 2026 Freshness: ⚪ older/foundational — sole independent primary source available this week on the empirical determinants of enterprise AI value Source reliability: confirmed Analytical frame: data/benchmark

Strategic Signals This Week

The productivity-to-EBIT gap: two years in, still widening: All three sources converge on the same diagnosis — AI improves individual performance (80% of workers, 30% of tasks supported) but does not yet move the income statement (37% EBIT impact, flat, with only 6% above the meaningful threshold). Stanford documents the mechanism: without workflow redesign, individual gains do not survive contact with the organization.
Operating model as the decisive variable: Stanford's 30/70 ratio (technology vs. process-and-change) directly explains why adoption and EBIT curves are diverging. The agentic wave is the next test: 40% of large enterprises are already scaling agents (McKinsey). If that wave is accompanied by genuine workflow redesign, it could finally bend the EBIT curve in 2027–2028. If not, a third cycle of stagnation is the base case.
⚖️ What contradicts the consensus: Workday, in a survey of 3,200 self-identified AI users cross-checked by Axios (January 2026), documented the "workslop" phenomenon: 40% of AI-saved time is absorbed back into reviewing and correcting AI-generated content — equivalent to roughly $8–9M in lost productivity per year for a 10,000-person organization. If individual productivity gains are themselves partly illusory — AI accelerates execution but creates downstream rework — the case for near-term P&L impact is even weaker than McKinsey's flat EBIT curve suggests. The dominant narrative is measuring execution speed, not net output.