77 % des dirigeants estiment que leur IA généraliste ne gère pas la complexité réelle de leurs opérations. C'est ce que révèle une étude Aptean publiée le 28 juillet 2026 : sur huit indicateurs de performance opérationnels mesurés, sept penchent nettement en faveur d'une IA spécialisée par secteur. De quoi remettre en cause la manière dont la plupart des entreprises françaises déploient l'intelligence artificielle aujourd'hui.

Le chiffre qui dérange : 7 indicateurs sur 8 en faveur du sur-mesure

Publiée le 28 juillet 2026, l'étude du cabinet Aptean s'appuie sur une comparaison directe entre entreprises utilisant des outils d'IA généralistes et celles ayant opté pour des solutions verticales, conçues pour un secteur donné. Le résultat ne laisse guère de place au doute : sur huit indicateurs clés de performance opérationnelle mesurés (délai de traitement, taux d'erreur, adoption par les équipes, entre autres), sept penchent en faveur de l'IA sectorielle.

77 % des dirigeants interrogés vont plus loin. Pour eux, l'IA généraliste ne peut tout simplement pas gérer la complexité de leurs opérations. Pas parce que la technologie serait défaillante en soi, précise l'étude, mais parce qu'un modèle générique ignore les règles métier, les contraintes réglementaires et la définition même de la réussite dans un secteur donné.

Ce constat rejoint un autre chiffre, plus ancien mais tout aussi frappant. Le rapport du MIT NANDA sur l'état de l'IA en entreprise, publié à l'été 2025, établissait déjà que 95 % des projets pilotes d'intelligence artificielle générative ne produisaient aucun impact mesurable. Les chercheurs du MIT pointaient une cause précise : l'absence d'adaptation aux flux de travail réels, pas une faiblesse des modèles eux-mêmes. Aptean, un an plus tard, chiffre très exactement ce que le MIT avait décrit de façon qualitative.

Nous détaillions déjà ce mécanisme dans notre analyse des trois conditions du ROI de l'IA : la technologie n'est presque jamais le facteur limitant. C'est le déploiement qui échoue, rarement le modèle.

Ce qui frappe surtout, c'est le mot « opérationnel ». Aptean ne mesure pas une préférence déclarée ou un sentiment général envers l'IA. Le cabinet mesure des indicateurs concrets : temps de traitement d'un dossier, taux d'erreur, taux d'adoption réel par les équipes sur la durée. Ce sont exactement les métriques qu'une direction générale regarde avant de renouveler ou de couper un budget logiciel.

Pourquoi un modèle généraliste plafonne dans vos opérations

Un modèle capable de résumer un rapport McKinsey en dix secondes sait-il pour autant interpréter une clause d'earn-out dans un SPA, ou distinguer un compte 411 d'un compte 401 dans un grand livre comptable ? La réponse d'Aptean est non, et elle explique pourquoi.

La raison tient à la manière dont ces systèmes apprennent. Un modèle généraliste ingère un immense corpus de textes publics. Il connaît la grammaire du droit des contrats en général, pas le référentiel de conformité interne de votre cabinet. Il sait ce qu'est un bilan, pas la manière dont votre direction financière catégorise ses provisions. Cette différence paraît anecdotique. Elle ne l'est pas : c'est précisément l'écart que mesure l'étude Aptean sur ses huit indicateurs opérationnels.

Comparez cela à un mécanicien généraliste à qui l'on confierait la révision d'un moteur d'avion. Il maîtrise la mécanique de base, les mêmes lois physiques s'appliquent. Mais il ignore les normes de certification aéronautique, les tolérances spécifiques, les procédures de contrôle qui font qu'un avion vole ou reste au sol. Un modèle d'IA générique face à un dossier de due diligence M&A se trouve dans une situation comparable : les fondations sont là, le contexte métier, non.

Le rapport du MIT NANDA apporte un éclairage complémentaire sur cet écart. Aujourd'hui encore, 50 % des budgets consacrés à l'IA générative en entreprise financent des cas d'usage marketing et commerciaux, alors que les plus forts retours sur investissement se trouvent dans les fonctions support : opérations, finance, conformité. Autrement dit, l'argent va souvent là où l'IA générique fonctionne à peu près, rarement là où une IA sectorielle changerait vraiment la donne.

Cette allocation budgétaire n'a rien d'irrationnel à court terme. Un chatbot générique pour le service client se déploie en quelques semaines et produit un résultat visible tout de suite. Une IA sectorielle pour le contrôle de gestion ou la conformité demande davantage de configuration en amont. Le problème, c'est que cette facilité de départ masque un plafond de verre : passé les premiers gains, l'outil générique cesse de progresser, faute de comprendre le métier en profondeur.

Ce que change une IA vraiment sectorielle, secteur par secteur

La théorie devient concrète dès qu'on regarde secteur par secteur ce qu'implique une IA réellement spécialisée, par opposition à un assistant généraliste greffé sur un logiciel existant.

Dans une direction juridique, une IA sectorielle ne se contente pas de résumer un contrat. Elle reconnaît une clause d'earn-out, signale une clause de non-concurrence mal calibrée au regard du droit du travail français, et structure sa réponse selon les usages du cabinet plutôt que selon un modèle générique de contrat anglo-saxon. Ce distinguo pèse lourd : l'étude KPMG Trends of AI 2026 montre que le marketing (42 % des entreprises) et le commercial (36 %) restent les fonctions les plus équipées en IA, quand le juridique et la conformité demeurent à la traîne. L'écart de maturité entre fonctions est aussi un écart d'outils adaptés.

Chez un gérant d'actifs, la différence se joue sur un autre terrain. Une IA générique peut lire un rapport de gestion. Une IA sectorielle, elle, comprend un prospectus AIFM, calcule un ratio dans le bon référentiel et respecte les contraintes propres à la gestion d'actifs. Le générique se contente de paraphraser, le sectoriel produit une analyse exploitable en comité d'investissement.

Même logique en recrutement, où l'AI Act européen classe les systèmes de sélection de candidats parmi les cas d'usage à haut risque, avec des obligations pleinement applicables depuis août 2026 (un report à fin 2027 s'applique spécifiquement à ce secteur). Une IA qui ignore ce cadre expose l'entreprise à un risque de conformité, pas seulement à un screening de moins bonne qualité. Pour une direction financière, l'enjeu est similaire : consolider un reporting mensuel exige de connaître le plan comptable interne, pas uniquement les normes IFRS en général.

Un courtier ou un assureur applique la même logique à l'analyse de sinistres ou à la tarification. Une IA sectorielle connaît les clauses d'exclusion type, les seuils imposés par Solvabilité II ou la directive DDA, quand un outil générique se limite à un résumé approximatif de police d'assurance. La nuance semble technique. Elle détermine pourtant si l'IA fait gagner du temps ou si elle introduit un risque de mauvaise interprétation contractuelle.

Multipliez cet effet par les neuf secteurs que couvre une intégration sérieuse (légal, gestion d'actifs, recrutement, direction financière, conseil, immobilier, assurance, courtage, santé) et l'écart mesuré par Aptean cesse d'être une curiosité statistique. Il devient un référentiel de décision pour choisir où investir en priorité.

Le générique, dans ces situations, fournit une réponse plausible. Le sectoriel fournit une réponse juste. En entreprise réglementée, cette nuance sépare un gain de temps réel d'un nouveau risque à surveiller.

L'adoption française progresse vite, mais pas encore assez bien

18 % des entreprises françaises de dix salariés ou plus déclaraient utiliser au moins une technologie d'intelligence artificielle en 2025, contre 10 % en 2024 et 6 % en 2023, selon une enquête Insee publiée le 21 juillet 2026. Le taux triple donc en deux ans à peine.

Faut-il s'en réjouir sans réserve ? Le même rapport nuance largement l'image d'ensemble. Le taux d'usage grimpe à 58 % pour les entreprises de 250 salariés ou plus, contre un chiffre bien plus modeste chez les structures plus réduites. L'adoption de l'IA en France reste, pour l'instant, un phénomène de grandes organisations disposant des équipes et des budgets pour structurer un déploiement sérieux.

À l'échelle mondiale, le cabinet KPMG situe l'adoption de l'IA en entreprise à 78 % dans son rapport Trends of AI 2026, avec un retour sur investissement médian de 159 % en moins de sept mois pour les organisations qui ont, selon les termes du rapport, industrialisé leurs usages. Le mot compte autant que le chiffre : industrialiser ne veut pas dire généraliser un chatbot à toute l'entreprise, cela veut dire l'adapter aux processus réels de chaque fonction.

Le paradoxe français tient en une phrase : les entreprises adoptent l'IA plus vite qu'il y a deux ans, mais une bonne partie continue de le faire avec des outils génériques, sur les fonctions où la barrière à l'entrée est la plus basse. Le vrai gisement de valeur, d'après KPMG comme Aptean, se trouve ailleurs : dans la finance, le juridique, la conformité, la gestion des risques, là où une IA sectorielle change la donne plutôt qu'elle ne l'effleure.

Une PME de croissance et un groupe du CAC 40 ne partent pas de la même ligne, et c'est justement ce qui rend le sujet urgent pour les structures de taille intermédiaire. Attendre d'avoir la taille et les budgets d'un grand groupe avant de s'attaquer à une IA sectorielle revient à laisser le champ libre aux concurrents qui auront, eux, structuré leur déploiement plus tôt.

Comment déployer une IA sectorielle sans repartir de zéro

Faut-il alors jeter les outils généralistes et reconstruire un modèle propriétaire pour chaque métier ? Non, et c'est précisément le malentendu que cet article cherche à corriger.

La spécialisation ne se joue pas nécessairement au niveau du modèle sous-jacent, mais à celui du déploiement : connecteurs vers les bons systèmes d'information, compétences qui encodent les règles métier et les gabarits de documents propres à un secteur, accès aux bonnes données avec les bonnes permissions. C'est l'approche que permet Claude Cowork, pensé pour être configuré secteur par secteur plutôt qu'utilisé tel quel.

Les déploiements les plus réussis suivent un chemin similaire. Ils commencent petit : un cas d'usage à fort impact et faible risque, mesuré, documenté, puis étendu. C'est l'inverse du piège du POC qui ne sort jamais du labo, où 75 % des projets pilotes restent bloqués en phase de test faute de méthode de passage à l'échelle.

Vos équipes apprennent mieux sur leurs propres dossiers que sur une démonstration générique. Nos programmes de formation Claude Cowork partent de ce principe : apprendre sur les contrats, les tableaux ou les dossiers que les équipes traitent chaque jour, secteur par secteur.

En suivant cette méthode progressive, une entreprise se rapproche du retour sur investissement médian de 159 % mesuré par KPMG chez celles qui ont réellement industrialisé leurs usages, plutôt que de rejoindre les 95 % de projets pilotes qui, selon le MIT, ne produisent jamais de valeur mesurable. L'écart entre IA généraliste et IA sectorielle n'a rien d'une fatalité technique. C'est un écart de méthode, et il se corrige.

La conformité, angle mort de l'IA généraliste

L'écart entre IA généraliste et IA sectorielle ne se limite pas à la performance opérationnelle. Il touche aussi, de plein fouet, la conformité réglementaire. Un système d'IA à haut risque au sens de l'AI Act doit documenter ses décisions, permettre une supervision humaine et assurer une traçabilité complète, des obligations pleinement en vigueur depuis août 2026 pour la plupart des cas d'usage concernés.

Un modèle généraliste configuré par un éditeur qui vise large n'a aucune raison de savoir quelles données peuvent circuler entre votre direction juridique et votre direction financière, ni quel niveau d'habilitation s'applique à tel type de document. Une IA sectorielle bien déployée intègre ces règles d'accès dès la configuration, avec des permissions granulaires par équipe et par type de donnée, une approche que nous détaillions dans notre analyse des contrôles RBAC en production.

Pour un secteur comme l'assurance ou la santé et l'univers pharmaceutique, où la donnée traitée est par nature sensible, cette granularité n'est pas un confort. C'est une condition d'adoption. 85 % des dirigeants interrogés par Cognizant doutent que leur système d'information puisse supporter des projets d'IA avancés en toute sécurité, un chiffre qui explique en partie la prudence de ces secteurs face aux outils génériques déployés sans contrôle d'accès fin.

Dans la santé et l'univers pharmaceutique justement, cette exigence se double d'un cadre RGPD strict sur les données de santé, considérées comme une catégorie particulière au sens de l'article 9 du règlement européen. Un outil sectoriel conçu pour ce secteur intègre nativement ces garde-fous. Un outil généraliste les ignore, sauf reconfiguration manuelle poussée, rarement réalisée dans les faits.

La conformité devient alors un argument de plus, pas un frein, en faveur d'un déploiement pensé secteur par secteur dès le départ.

Le message de l'étude Aptean tient en une phrase simple : la technologie n'est plus le facteur limitant, le déploiement l'est. Sept indicateurs de performance sur huit, 77 % de dirigeants insatisfaits, 95 % de projets pilotes sans impact mesurable : ces chiffres racontent tous la même histoire sous des angles différents. Votre entreprise a probablement déjà les données et les équipes nécessaires pour déployer une IA sectorielle ; il lui manque souvent une méthode et un partenaire pour la mettre en œuvre correctement. Vous voulez évaluer ce que changerait une IA vraiment adaptée à votre métier ? Réservez un diagnostic de 30 minutes avec notre équipe.