67 % des entreprises françaises de plus de 20 salariés utilisent aujourd'hui l'IA générative. Seules 31 % d'entre elles disent en tirer un gain de productivité mesurable. Cet écart, révélé le 3 septembre 2026 par la Banque de France dans le Bulletin n°266, résume à lui seul l'état du marché : l'adoption a explosé, la transformation, elle, se fait attendre. Pour les directions qui pilotent ces investissements, la question n'est plus de savoir s'il faut utiliser l'IA. Elle est de comprendre pourquoi tant d'entreprises l'utilisent sans en retirer de valeur réelle.

Ce que révèle l'enquête de la Banque de France

Entre fin février et début avril 2026, la Banque de France a interrogé 7 000 entreprises dans le cadre de son enquête mensuelle de conjoncture, un échantillon représentatif d'environ la moitié de l'économie française. Le résultat central tient en une phrase : l'IA générative se diffuse à une vitesse que peu d'innovations technologiques ont connue avant elle, avec une barrière à l'entrée quasiment nulle pour les salariés qui utilisent un simple assistant conversationnel ou une suite bureautique augmentée.

L'adoption progresse fortement avec la taille de l'entreprise. Elle concerne 64 % des structures de 20 à 49 salariés, contre 83 % de celles qui dépassent 1 000 salariés. L'IA prédictive, plus ancienne mais plus exigeante en compétences techniques et en données structurées, reste nettement en retrait : seul un tiers des entreprises de 20 salariés et plus la déclarent, avec un écart de taille encore plus marqué, de 31 % chez les petites structures à 60 % chez les grandes.

Qui vérifie, dans votre organisation, que les 67 % d'usage déclaré correspondent à un usage réellement productif ? C'est précisément la question que pose, en creux, l'étude de la Banque de France. Les auteurs, Véronique Genre et Léo Parpais, notent que la plupart des entreprises cantonnent l'IA générative à des fonctions support ou transversales : administration, ventes, communication interne. Un usage réel, mais superficiel, comparable à l'installation d'un nouvel outil de bureautique dont on n'exploite que 20 % des fonctionnalités.

Deux vitesses d'intégration selon les secteurs

La Banque de France distingue deux dynamiques de diffusion, distinctes et complémentaires. D'un côté, une adoption large mais peu profonde, portée par des outils standardisés que n'importe quel salarié peut activer seul. De l'autre, une intégration plus poussée dans les secteurs intensifs en connaissances, où l'IA s'insère directement dans les processus de production et d'innovation, pas seulement dans les tâches administratives périphériques.

Cette distinction recoupe ce que nous observons chez ClaudIn en accompagnant des cabinets d'avocats, des sociétés de gestion et des directions financières. Une direction juridique qui utilise ChatGPT pour reformuler un email n'obtient pas le même retour sur investissement qu'un cabinet qui déploie un agent connecté à sa base documentaire pour analyser 300 contrats en amont d'une due diligence. Le second cas mobilise l'IA au cœur du processus de production. Le premier reste en périphérie.

McKinsey confirme cette lecture à l'échelle nationale : 80 % des entreprises françaises utilisent l'IA dans au moins une fonction métier, mais seulement 8 % l'ont déployée à l'échelle de toute leur organisation. Entre ces deux chiffres se loge tout l'écart de valeur que révèle la Banque de France. Adopter un outil et transformer un processus sont deux choses différentes, et la confusion entre les deux coûte cher aux comités de direction qui pensaient avoir déjà « fait l'IA ».

Le cas des fonctions support versus les métiers cœur

Dans une direction financière, la rédaction automatisée d'un compte-rendu de réunion relève de la fonction support. La production automatisée d'un reporting consolidé multi-entités à partir de données ERP hétérogènes relève, elle, du métier cœur. Les entreprises qui se contentent du premier niveau constatent rarement un gain mesurable, parce que le temps économisé reste marginal à l'échelle de l'organisation. Celles qui investissent dans le second niveau touchent directement au cœur de la chaîne de valeur, là où se trouvent les heures de travail qualifié les plus coûteuses.

Pourquoi les gains de productivité tardent à se matérialiser

31 % seulement. Ce chiffre mérite d'être mis en perspective avec un autre : selon le rapport Deloitte « State of AI in the Enterprise », les entreprises qui ont effectivement déployé leurs projets IA en production constatent des gains réels dans 66 % des cas. L'écart entre 31 % et 66 % ne s'explique pas par la technologie. Il s'explique par le niveau de maturité du déploiement.

Un directeur financier d'une ETI industrielle nous confiait récemment que son équipe utilisait un assistant IA depuis huit mois « sans qu'on sache vraiment ce que ça nous a rapporté ». Le problème n'était pas l'outil, mais l'absence de cas d'usage précis, de métrique de départ et de suivi structuré. On installe l'IA comme on installerait un nouveau logiciel de messagerie, sans redéfinir les processus autour d'elle. Résultat : l'outil existe, l'usage existe, mais la transformation n'a pas eu lieu.

La Banque de France pointe un autre facteur structurel : la disponibilité des compétences. L'IA générative, contrairement à l'IA prédictive, ne demande pas de compétences techniques pointues pour être activée. Mais elle en demande beaucoup pour être exploitée correctement à l'échelle d'un processus métier entier. Or les entreprises françaises restent en retard sur ce point. Selon une étude Microsoft France de février 2026, 71 % des cadres n'ont reçu aucune formation à l'IA, alors même que leurs équipes l'utilisent déjà au quotidien.

Le décalage rappelle celui d'un cabinet d'avocats qui distribuerait des tablettes dernier cri à ses juristes sans jamais leur expliquer comment les utiliser pour la recherche jurisprudentielle. L'outil est là. L'usage reste superficiel. Et au bout de six mois, personne ne sait dire si l'investissement a payé.

Ce que font différemment les entreprises qui captent de la valeur

Les entreprises qui franchissent le seuil du gain mesurable partagent un point commun : elles ne déploient pas l'IA en général, elles déploient une solution pensée pour un métier précis. C'est la différence entre un assistant généraliste, utile mais diffus, et un agent configuré sur les données, les workflows et les contraintes réglementaires d'un secteur donné.

Dans le courtage d'assurance, par exemple, un agent capable d'analyser automatiquement les conditions générales de 40 contrats concurrents pour préparer une comparaison client ne se contente pas d'accélérer une tâche. Il libère un temps qui se réinvestit directement dans le conseil, l'activité à plus forte valeur ajoutée du métier. C'est précisément le type de déploiement sectoriel que permet Claude Cowork, qui s'intègre aux outils bureautiques existants plutôt que d'imposer une nouvelle plateforme isolée.

La Banque de France note que les secteurs les plus intensifs en connaissances se distinguent par des usages plus spécialisés. Cette observation rejoint ce que nous constatons chez les sociétés de gestion que nous accompagnons : celles qui obtiennent des résultats mesurables ne demandent pas à leurs équipes d'utiliser « l'IA » en général, elles identifient un goulot d'étranglement précis (la préparation des comités d'investissement, la veille réglementaire, le suivi des covenants) et y déploient un agent dédié, mesuré avant et après déploiement.

La mesure, condition sine qua non

Aucune entreprise ne peut affirmer avoir gagné en productivité si elle n'a jamais mesuré son point de départ. Combien de temps une tâche prenait-elle avant l'IA ? Combien après ? Quel est le taux d'erreur comparé au processus manuel ? Ces questions paraissent élémentaires, mais elles restent trop souvent ignorées. Sans elles, impossible de distinguer un vrai gain d'un simple sentiment de gain, et le comité de direction se retrouve à statuer sur des impressions plutôt que sur des chiffres.

Ce que les entreprises anticipent pour les trois prochaines années

La partie prospective de l'étude de la Banque de France mérite tout autant d'attention que le constat présent. Les entreprises interrogées anticipent des effets nettement plus marqués d'ici trois ans : des gains de productivité plus substantiels, mais aussi un effet modérément négatif sur l'emploi. Elles prévoient de poursuivre leurs investissements liés à l'IA, sans pour autant anticiper de baisse significative de leurs prix de vente.

Ce dernier point mérite d'être souligné. Si les entreprises n'anticipent pas de répercussion sur les prix, cela signifie qu'elles considèrent les gains de productivité futurs comme un levier de marge, et non comme un mécanisme de baisse des coûts pour le client final. L'enjeu économique, écrivent les auteurs, réside désormais moins dans l'adoption de l'IA que dans sa capacité à transformer durablement l'organisation et la performance des entreprises.

Cette bascule coïncide avec l'accélération du côté de l'offre. Anthropic a lancé début septembre 2026 les modèles Claude Fable 5.1 et Claude Mythos 5.1, avec un coût d'usage intensif réduit jusqu'à 45 % et une fenêtre de contexte étendue à 1 million de tokens. Concrètement, cela signifie qu'un agent peut désormais traiter en une seule session l'intégralité d'un dossier de due diligence ou d'un corpus contractuel volumineux, sans découpage artificiel, à un coût qui rend l'automatisation rentable sur des cas d'usage jusque-là marginaux financièrement.

Transformer l'adoption en résultat : la méthode qui fonctionne

Le constat de la Banque de France n'est pas une mauvaise nouvelle pour les entreprises qui prennent le sujet au sérieux. C'est même l'inverse : dans un marché où 67 % des entreprises ont déjà adopté l'IA mais où seules 31 % en tirent un gain, l'écart entre les deux constitue un avantage compétitif disponible pour qui sait le combler. La barrière n'est plus l'accès à la technologie. Elle est la capacité à la déployer avec méthode.

Chez ClaudIn, chaque déploiement démarre par l'identification d'un cas d'usage mesurable dans un métier précis, pas par une adoption généraliste de l'IA à l'échelle de toute l'organisation. Un cabinet de conseil qui automatise la structuration de ses notes de synthèse. Une direction financière qui réduit son cycle de clôture mensuelle. Un cabinet de recrutement qui accélère son screening de CV sans dégrader la qualité de sélection. Dans chaque cas, la mesure précède le déploiement, et le déploiement s'intègre aux outils métier existants plutôt que d'en créer de nouveaux. Vous pouvez approfondir cette méthode dans notre analyse du piège du POC en entreprise, qui détaille pourquoi tant de projets restent bloqués au stade de l'expérimentation.

L'écart révélé par la Banque de France ne va pas se refermer tout seul. Il se refermera pour les entreprises qui traitent l'IA générative comme un projet de transformation métier, avec un sponsor opérationnel, une métrique de succès définie avant le déploiement et un accompagnement des équipes qui l'utilisent au quotidien. Les autres continueront d'accumuler des licences logicielles sans jamais franchir le seuil du gain mesurable. Si votre organisation fait partie des 67 % qui utilisent déjà l'IA sans en être certaines du retour, c'est le moment de le vérifier.

Réservez un diagnostic gratuit de 30 minutes pour identifier, dans votre organisation, le cas d'usage IA capable de générer un gain de productivité mesurable.