Décider avec ses données plutôt qu'avec ses habitudes : l'analyse 360° ne coûte presque plus rien

Par Paul-Antoine TUAL, AI Transformation Leader, Croissance et Transitions. Août 2026.

Posture. Troisième volet de notre série « Agents IA », après l’ingénierie des systèmes agentiques et l’optimisation du contexte des LLM. Cet article s’adresse au dirigeant de PME ou d’ETI qui décide chaque semaine avec deux tableaux et une intuition. Il documente, prix relevés à l’appui, l’effondrement du coût de l’analyse de ses propres données, ce que des scénarios quasi instantanés changent à la qualité et à la sérénité de la décision, et ce que ce coût devenu presque nul déplace : la vérification, l’état des données, la responsabilité de trancher. Tarifs et classements relevés le 18 août 2026 ; chaque enquête citée est datée dans le texte et en sources.

---

1. Une décision de dirigeant, deux époques

Prenez une décision ordinaire de comité de direction : augmenter les tarifs de 4 % au 1er janvier, arrêter une gamme qui s’essouffle, recruter un deuxième commercial grands comptes. En 2019, ce dossier avait trois issues. L’intuition du dirigeant, nourrie de deux tableaux du contrôleur de gestion. Le projet décisionnel, avec intégrateur, entrepôt de données et tableaux de bord, facturé en dizaines de milliers d’euros. Ou l’étude confiée à un cabinet, en milliers d’euros et en semaines. La plupart des PME s’en tenaient à la première voie, faute de budget pour les deux autres : on décidait au flair, avec les chiffres qu’on avait sous la main.

En 2026, le même dossier s’instruit dans la matinée. Un agent connecté à l’ERP et au CRM récupère trois ans de ventes, recalcule les marges par client et par référence une fois les frais logistiques réaffectés, isole la saisonnalité, puis rend trois scénarios de projection chiffrés, avec leurs hypothèses écrites noir sur blanc. Coût marginal : quelques euros de calcul sur un abonnement déjà payé, pour un délai qui se compte en minutes ou en heures.

Les dirigeants en tirent déjà les conséquences. Dans l’enquête de l’IBM Institute for Business Value publiée en mai 2026 (2 000 PDG et dirigeants interrogés entre février et avril, 33 géographies), 64 % se disent à l’aise pour prendre des décisions stratégiques majeures sur la base d’analyses produites par l’IA [9]. Le flair du patron de PME reste un actif ; il cesse d’être seul. L’analyse 360° et les scénarios, hier réservés à ceux qui pouvaient les payer, deviennent un consommable de la décision. Cet article documente la bascule, puis ce qu’elle exige en retour : de la vérification, des données en état de marche, et un dirigeant qui tranche.

2. Ce que coûtait une analyse, ce qu’elle coûte

Posons les chiffres des deux époques. Côté traditionnel, la grille 2026 d’un cabinet data français situe le projet structurant d’une PME (pipeline, modélisation, centralisation multi-sources) entre 10 000 et 30 000 €, et de 30 000 à 60 000 € et au-delà dès qu’on y intègre de l’IA ; ses exemples clients récents : 18 000 € et six semaines pour le socle data d’une entreprise de 40 salariés, 12 000 € pour une chaîne de 80 restaurants [1]. S’y ajoute l’exploitation : de 300 à 1 000 € par mois de stack data pour une petite structure, de 1 500 à 5 000 € par mois pour une PME structurée [1]. Le poste humain suit la même échelle : les études de rémunération 2026 situent le data analyst autour de 45 000 € brut annuels en médiane nationale, 35 000 à 42 000 € en junior [2]. L’analyse ponctuelle externalisée, elle, se facture 8 000 à 12 000 € l’étude [3], et l’accès aux analystes sur étagère reste un produit de grand groupe : un abonnement Gartner d’entrée de gamme se négocie entre 25 000 et 60 000 $ par an, l’heure de conseil entre 3 000 et 7 000 $ [4].

En face, les prix d’août 2026, relevés sur les pages officielles des éditeurs. Microsoft 365 Copilot : 26,00 € HT par utilisateur et par mois [5]. Claude Pro : 20 $ par mois, 17 $ en engagement annuel, fonction de recherche approfondie incluse [6]. OpenAI a intercalé en avril un palier à 100 $ par mois entre ses offres à 20 et 200 $ [8]. Et à l’unité, la documentation officielle de Google chiffre une tâche complète de son agent Deep Research entre 1 et 3 $, la plupart des recherches aboutissant en moins de vingt minutes [7]. Entre l’étude d’hier et la tâche d’agent d’aujourd’hui, l’écart atteint trois ordres de grandeur (voir Figure 1).

La bascule tient au mot « agentique ». Le chatbot répondait à des questions ; l’agent exécute un travail. La page produit de Claude Cowork documente des cas d’usage de bureau qui étaient hier des journées d’analyste : réconciliation de tableurs, analyse financière période contre période avec signalement des écarts, l’instruction donnée en exemple étant « Flag any line where the variance is over 5% or over $50k », signalez toute ligne dont l’écart dépasse 5 % ou 50 000 $ [6]. Côté branchement, le protocole ouvert MCP s’est imposé comme la prise standard entre assistants et systèmes internes, et les plateformes de données (BigQuery, Snowflake, Databricks) vendent désormais des agents qui dialoguent directement avec l’entrepôt [6][7]. Le « presque » de « presque gratuit » reste honnête : l’abonnement se paie, le calcul aussi à volume élevé (nous avons publié un guide des budgets tokens), et la mise en état des données a un coût réel, on y revient. Le devis, lui, a disparu.

3. Des scénarios de projection en complément de l’intuition

Ce que l’agent produit pour quelques euros ne ressemble pas à un tableau de bord. Un tableau de bord répond aux questions posées au moment du projet BI ; une décision pose des questions neuves. La forme utile au dirigeant est le dossier de scénarios : trois trajectoires chiffrées à partir des données réelles de l’entreprise, les hypothèses écrites et discutables, l’analyse de sensibilité (que faut-il croire pour que le scénario B batte le A), et le pré-mortem, cette technique classique qui consiste à se projeter dans l’échec pour en lister les causes avant de signer [27]. La presse académique de management documente la même accélération au niveau des groupes : le MIT Sloan Management Review décrivait fin 2025 deux démarches de planification par scénarios assistées par IA générative (chez Fazer et chez Unum), quand la voie classique fait attendre ses enseignements utiles « six months or more », six mois ou davantage ; aucun gain chiffré n’y est revendiqué, ce qu’on note honnêtement [20].

Ce dossier vient en appui du flair, jamais à sa place. L’intuition d’un patron de PME encode des années de terrain ; c’est elle qui sent qu’une gamme s’essouffle ou qu’un client prépare son départ, et c’est elle qui formule l’hypothèse de départ. Ce que la psychologie de la décision documente depuis Kahneman et Tversky, c’est que cette même intuition, laissée seule, porte des biais systématiques : confirmation (on cherche ce qui valide), ancrage (le premier chiffre entendu cadre tous les autres), excès de confiance, attachement au statu quo [26]. Jusqu’ici, contrer ces biais coûtait précisément le prix d’une étude : on ne la payait presque jamais, et le biais gagnait par défaut. La décision se rabattait alors sur les habitudes (« on a toujours fait comme ça ») ou sur la recette de management générique, la matrice à la mode appliquée telle quelle. Ces raccourcis étaient des heuristiques de substitution, employées quand l’analyse spécifique coûtait trop cher. Leur justification économique vient de disparaître : le contre-examen d’une intuition coûte désormais trois minutes de formulation et quelques euros de calcul. Face à une décision engageante, le réflexe rationnel devient de demander d’abord l’analyse de ses propres données, et de ne convoquer la recette qu’ensuite, s’il en reste besoin.

La sérénité gagnée est un bénéfice à part entière. Décider sur dossier, avec des hypothèses explicites et un coût de retour en arrière chiffré, pèse moins qu’arbitrer à l’instinct sous incertitude totale ; nos mesures et sources sur ce point sont détaillées dans l’article sur la charge mentale, dont la conclusion vaut ici : le gain le plus reproductible de l’IA porte sur l’effort ressenti, davantage que sur l’horloge. Les chiffres français d’adoption disent d’ailleurs où se joue l’écart : au baromètre Bpifrance Le Lab des ETI publié en juin 2026 (534 réponses, terrain de mars à mai), 77 % des dirigeants déclarent que leurs équipes ou eux-mêmes utilisent l’IA générative, mais 17 % seulement constatent des gains de temps concrets [10]. Les deux chiffres ne se contredisent pas : l’un mesure la diffusion d’un outil, l’autre l’existence d’une méthode. Reformuler des e-mails ne change pas une décision ; brancher un agent sur ses marges, si.

4. Le vrai prix : la vérification

La contrepartie se mesure, elle aussi. Sur les classements officiels relevés le 18 août 2026, les meilleurs systèmes de requêtage en langage naturel plafonnent à 81,95 % d’exactitude d’exécution sur le benchmark BIRD (bases réelles, questions d’analyse), là où la référence humaine est mesurée à 92,96 % ; les meilleures soumissions de 2026 (Ant Group en juin, Xiaomi en juillet) se pressent entre 80,8 et 81,7 % sans franchir ce plafond [11]. Le benchmark Spider 2.0, construit sur de vrais workflows d’entreprise, précise le tableau : 96,7 % de réussite sur des requêtes Snowflake ciblées, 76,2 % sur son volet allégé, et 65,6 % sur les workflows analytiques complets, le volet qui ressemble le plus au travail réel d’un analyste [12]. La performance dépend du terrain de jeu (voir Figure 2) : sur la tâche la plus proche du métier, un tiers d’échec. Détail piquant relevé en janvier par une équipe de l’Université de l’Illinois : les corrigés de ces benchmarks contiennent eux-mêmes des erreurs d’annotation ; même l’examen se trompe [13].

Les agents de recherche longue appellent la même prudence. DeepResearch Bench II, publié en janvier 2026 (132 tâches, 9 430 critères d’évaluation issus de plus de 400 heures d’expertise humaine), mesure que les meilleurs modèles satisfont moins de 50 % des critères [14] ; une étude de fin janvier sur la propagation des hallucinations n’a trouvé aucun agent robuste de bout en bout et décrit deux biais récurrents des machines, l’ancrage temporel et l’homogénéité des sources [15]. L’IA a donc ses biais, comme l’intuition a les siens ; ils ne se recouvrent pas, et c’est précisément ce qui rend le duo efficace, à condition d’un arbitre.

Un exemple vécu de ce que le contrôle attrape. En avril, des reprises de presse titraient que BCG « tire 25 % de ses revenus de l’IA ». Le communiqué officiel du cabinet dit deux choses différentes : les services centrés IA et technologie pèsent plus de 40 % du chiffre d’affaires 2025, et les services IA croissent de 25 % par an [22]. Les deux chiffres sont vrais ; le titre qui les fusionne est faux. C’est le type d’erreur qu’un agent pressé recopie avec aplomb, et qu’une vérification de dix minutes attrape. D’où les règles à imposer à tout dossier produit par un agent : exiger les requêtes et les sources avec chaque résultat, faire tourner un second moteur indépendamment sur la même question, recompter un échantillon à la main, réconcilier avec la comptabilité. Le grand livre, lui, ne ment pas. Le contrôle est le nouveau coût.

5. Le goulot restant : l’état de vos données

Un agent analyse ce qu’il atteint, et il n’atteint que ce qui est en état. Les enquêtes de 2026 convergent sur ce goulot. Chez Cloudera et Harvard Business Review Analytic Services (publication de mars 2026, terrain d’octobre 2025 auprès de plus de 230 décideurs data), 7 % seulement des organisations jugent leurs données « complètement prêtes » pour l’IA, et 56 % citent le cloisonnement comme premier obstacle [16]. L’enquête Nasuni de mai 2026 (1 000 décideurs, terrain de mars) mesure l’autre face : 97 % des organisations déploient ou pilotent des agents, 57 % des projets d’IA n’atteignent pas leurs objectifs, et 46 % racontent que leurs initiatives IA ont surtout révélé des problèmes de qualité et de gouvernance de données qu’elles ignoraient [17]. Le baromètre DSI publié par Efalia le 11 août 2026 (méthodologie non détaillée sur la page, on le signale) enfonce le clou côté France : 85 % des DSI déclarent ne pas maîtriser la qualité de leur patrimoine documentaire, et 62 % y consacrent moins de 1 % du budget IT [18].

Le vrai chantier d’investissement devient donc le système d’information prêt pour les agents : des référentiels propres (un client égale un identifiant), des données accessibles par API ou connecteur plutôt qu’enfermées dans des exports manuels, des droits d’accès définis (l’agent du commercial ne lit pas les salaires), un historique conservé. Ce chantier coûte encore de l’argent, les fourchettes du début d’article [1] restent d’actualité, avec une différence qui change le calcul : il capitalise. Un projet BI d’hier achetait des réponses à des questions figées ; la mise en état des données achète la capacité d’instruire toutes les décisions suivantes à coût marginal presque nul. La confidentialité fait partie du même chantier : vos marges, vos salaires et votre trésorerie ne transitent pas par n’importe quel cloud. Le rapport inter-inspections d’avril 2026 sur l’IA dans le secteur public, analysé par la presse spécialisée en juillet, relève jusqu’à 40 % d’usage d’IA non régulée chez les agents des collectivités et des assistants rarement certifiés SecNumCloud [25] ; l’entreprise privée a le problème symétrique, et les mêmes réponses : offres entreprise avec garanties contractuelles, périmètre d’accès minimal, hébergement maîtrisé pour le sensible. Nos cinq risques du tout-cloud et les huit règles des systèmes agentiques s’appliquent aux agents d’analyse comme aux autres.

6. Le risque de la stratégie moyenne

Il reste un piège, le plus subtil : l’analyse gratuite est la même pour tout le monde. Une équipe emmenée par un chercheur de l’Esade l’a mesuré pour Harvard Business Review en mars 2026 : sept grands modèles soumis à 15 000 simulations couvrant sept tensions stratégiques classiques (se différencier ou jouer le volume, automatiser ou augmenter, court terme ou long terme). Sur six tensions sur sept, les modèles convergent vers l’option socialement valorisée du moment, quel que soit le contexte d’entreprise fourni, et un meilleur prompt ne corrige presque rien [19]. Les auteurs ont un mot pour le produit de cette convergence : le « trendslop », la bouillie tendance. Si vos trois concurrents demandent au même modèle « quelle stratégie pour notre marché ? », ils reçoivent trois fois le même plan, avec des logos différents. La recette de management générique d’hier revient alors sous forme industrialisée, servie avec plus d’assurance.

La parade tient à la nature du problème : la stratégie moyenne sort des données publiques moyennes. Le même modèle, branché sur les données de votre entreprise (dix ans d’historique client, les marges réelles, les taux de transformation par segment), rend une analyse que personne d’autre ne peut obtenir, pour la simple raison que personne d’autre n’a ces données. C’est le prolongement direct de la fin de la course au modèle : quand l’intelligence devient une commodité, la défense migre vers les données et les processus. Vos données ne se copient pas.

Le secteur du conseil, premier vendeur d’analyse, l’a compris avant ses clients. Le baromètre Syntec Conseil publié en juin 2026 mesure un recul de 1,5 % du conseil en stratégie en 2025, sixième plus mauvaise année depuis 2002, et note que les clients utilisent désormais l’usage de l’IA par les cabinets comme argument de négociation [21]. BCG réalise déjà plus de 40 % de son chiffre d’affaires sur les services centrés IA et technologie [22] ; McKinsey fait plancher ses candidats sur une étude de cas menée avec son assistant interne Lilli, en évaluant la qualité des prompts et l’esprit critique face aux sorties [23]. Quand les vendeurs d’analyse réorganisent leur recrutement autour de la vérification et du jugement, c’est que la collecte et la synthèse, seules, ne se vendront plus longtemps.

7. Le protocole du dirigeant

Concrètement, pour passer de l’article au comité de direction, cinq gestes suffisent, dans cet ordre :

• Écrire la décision et son critère de retour. Une phrase : « Faut-il faire X avant Y, sachant Z ». Puis le critère de réversibilité : qu’est-ce qui ferait dire non, et combien coûte le retour en arrière. Votre intuition pose l’hypothèse ; c’est sa place, et le développement à décision gardée en fait le premier garde-fou.
• Brancher l’agent sur les systèmes. Un connecteur avec droits d’accès minimaux vers l’ERP, le CRM ou l’entrepôt, plutôt que des exports manuels vieux de trois semaines qui figent des chiffres déjà faux.
• Exiger des scénarios, leurs hypothèses et leur réfutation. Trois trajectoires chiffrées, les hypothèses écrites, l’analyse de sensibilité, et le pré-mortem du scénario préféré : qu’est-ce qui le tue, avec quelle probabilité, détectable par quel signal.
• Contrôler avant de croire. Les règles de la section 4 : requêtes et sources exigées, second moteur indépendant, échantillon recompté à la main, réconciliation comptable. Tout écart inexpliqué est une alerte, pas un détail.
• Trancher en session, à froid. Regrouper les arbitrages dans une session de décision dédiée, comme nous le détaillons dans la méthode d’efficacité personnelle, et garder la signature humaine sur tout ce qui engage l’entreprise.

La tentation d’aller un cran plus loin, laisser l’agent exécuter la décision elle-même, a déjà son cas d’école. Klarna avait confié son support client à un agent (2,3 millions de conversations le premier mois, temps de résolution passé de 11 à 2 minutes) et réduit ses effectifs de 5 000 à 3 500 personnes ; Forbes rapporte que son PDG Sebastian Siemiatkowski a ensuite reconnu avoir coupé trop loin et trop vite, en perdant une expertise humaine précieuse, et l’entreprise a réembauché une centaine de spécialistes [24]. Les 2 000 PDG de l’étude IBM tracent eux-mêmes la frontière : ils anticipent que 48 % des décisions opérationnelles codifiables seront prises par l’IA sans intervention humaine d’ici 2030, contre 25 % aujourd’hui, l’opérationnel borné se déléguant, la décision qui engage se gardant [9]. La Figure 3 résume le circuit complet et ce que chaque étape coûte désormais.

Le prix a changé de place

Récapitulons ce que les sections établissent. L’analyse 360° et les scénarios de projection sont passés de milliers d’euros et de semaines à quelques euros et quelques heures [1][5][6][7]. Cette abondance vient en appui de l’intuition du dirigeant et en contre-poids de ses biais, à condition de payer le nouveau prix, qui est un prix d’attention : vérifier les sorties [11][12], mettre les données en état [16][17], et refuser la stratégie moyenne que produisent les modèles laissés seuls face aux données publiques [19]. Les chercheurs de l’étude des sept tensions concluent, et la phrase mérite d’être affichée en comité de direction : « Le leadership consiste en dernier ressort à faire des choix difficiles dans l’incertitude et à en porter la responsabilité. L’IA ne peut pas et ne doit pas s’y substituer » [19].

L’avantage concurrentiel n’est donc plus d’avoir accès à l’analyse : il est d’avoir des données propres en état de marche, une boucle de vérification qui tient, et le courage de trancher vite. C’est la marche « Orchestre » puis « Architecte » de notre méthode : des processus outillés, gouvernés, mesurés, où des agents comme ceux de Junyr accèdent à ce qu’il faut, rien qu’à ce qu’il faut. Le geste d’ouverture tient en une semaine : choisissez une décision réelle du prochain comité, instruisez-la en double, votre circuit habituel d’un côté, un agent branché sur vos données de l’autre, puis comparez les deux dossiers, les euros et les heures. L’analyse ne coûte presque plus rien. Se tromper coûte toujours autant.

---

Sources

[1] Fenxi, Combien coûte un projet data en 2026 : prix et délais (fenxi.fr, publié le 30 mars 2026, mis à jour le 10 août 2026) : projet structurant PME 10 000 à 30 000 €, projet avancé avec IA 30 000 à 60 000 € et plus ; exemples clients (18 000 € et 6 semaines pour 40 salariés, 12 000 € pour 80 sites) ; stack data récurrente de 300 à 1 000 €/mois (petite structure) à 1 500 à 5 000 €/mois (PME structurée).

[2] Études de rémunération data analyst France 2026, relevés convergents de sources secondaires (Glassdoor et écoles spécialisées, consultés le 18 août 2026) : médiane nationale autour de 45 000 € brut annuels, 35 000 à 42 000 € en junior, davantage à Paris. Ordres de grandeur non vérifiés sur une source primaire unique, cités comme repères.

[3] IntoTheMinds, Combien coûte une étude de marché ? (publié le 26 février 2025, mis à jour le 12 avril 2026) : la plupart des projets entre 8 000 et 12 000 € ; analyse concurrentielle 5 000 à 10 000 €.

[4] Vendr, fiches tarifaires Gartner et Forrester (mises à jour datées de février 2026, plateforme d’achat SaaS, lecture intermédiaire) : abonnement Gartner 25 000 à 60 000 $ par an en accès ciblé, 100 000 à plus de 500 000 $ en accès élargi, heures d’advisory 3 000 à 7 000 $ ; Forrester, montant médian observé 65 755 $ par an.

[5] Microsoft, page tarifaire France de Microsoft 365 Copilot, offre Entreprise (relevée le 18 août 2026) : 26,00 € HT par utilisateur et par mois en paiement annuel, en complément d’une licence Microsoft 365 éligible ; l’offre Business est facturée moins cher.

[6] Anthropic, claude.com/pricing et claude.com/product/cowork (relevées le 18 août 2026) : Claude Pro 20 $ par mois (17 $ par mois en engagement annuel), Max à partir de 100 $, offres Team ; cas d’usage documentés de Claude Cowork : réconciliation de tableurs, analyse financière avec signalement d’écarts (« Flag any line where the variance is over 5% or over $50k »), connecteurs Microsoft 365, Google Drive, Slack, Amplitude.

[7] Google, documentation officielle de l’API Gemini, agent Deep Research (ai.google.dev, relevée le 18 août 2026) et blog officiel Deep Research Max (21 avril 2026) : 60 minutes de recherche maximum, la plupart des tâches en moins de 20 minutes ; coût estimé de 1 à 3 $ par tâche (3 à 7 $ en version Max), tarification de préversion.

[8] TechCrunch et MacRumors (9 avril 2026) : lancement d’un palier ChatGPT à 100 $ par mois, intercalé entre les offres à 20 $ et à 200 $.

[9] IBM Institute for Business Value, étude PDG (newsroom.ibm.com, 4 mai 2026 ; 2 000 PDG et dirigeants, 33 géographies, 21 secteurs, terrain de février à avril 2026) : 64 % à l’aise pour des décisions stratégiques majeures sur la base d’analyses produites par l’IA ; 48 % de décisions opérationnelles codifiables prises par l’IA sans intervention humaine anticipées d’ici 2030, contre 25 % aujourd’hui.

[10] Bpifrance Le Lab, 16e baromètre des ETI (communiqué du 23 juin 2026 ; 534 réponses, terrain du 11 mars au 18 mai 2026) : 77 % des dirigeants déclarent un usage d’IA générative par leurs équipes ou eux-mêmes (+19 points en un an), 31 % en usage régulier, 17 % constatent des gains de temps concrets.

[11] BIRD, leaderboard officiel (bird-bench.github.io, relevé le 18 août 2026) : meilleur score 81,95 % d’exactitude d’exécution (soumission de septembre 2025) ; meilleures soumissions 2026 entre 80,83 et 81,67 % (Ant Group 19 juin, Sber 27 mai, Xiaomi 14 juillet) ; performance humaine de référence 92,96 %.

[12] Spider 2.0, leaderboard officiel (spider2-sql.github.io, xlang-ai, relevé le 18 août 2026) : 96,70 % sur le volet Snow, 76,23 % sur le volet Lite, 65,6 % sur le volet DBT (workflows analytiques complets).

[13] Jin, Choi, Zhu et Kang (Université de l’Illinois Urbana-Champaign), arXiv:2601.08778, v3 du 19 janvier 2026 : mise en évidence d’erreurs d’annotation systématiques dans les réponses de référence des benchmarks text-to-SQL, dont BIRD et Spider 2.0.

[14] Li, Du, Xu, Zhu, Wang et Mao, DeepResearch Bench II, arXiv:2601.08536 (janvier 2026) : 132 tâches de recherche, 9 430 critères issus de plus de 400 heures d’expertise ; les meilleurs modèles satisfont moins de 50 % des critères.

[15] Zhan, Fan, Huang, Guo et Huang (Université du Zhejiang, Université de Hong Kong), arXiv:2601.22984 (30 janvier 2026) : propagation des hallucinations le long de la trajectoire des agents de recherche approfondie ; aucun agent robuste de bout en bout ; biais d’ancrage temporel et d’homogénéité des sources.

[16] Cloudera et Harvard Business Review Analytic Services, communiqué du 5 mars 2026 (enquête d’octobre 2025, plus de 230 décideurs data et IA) : 7 % de données jugées « complètement prêtes » pour l’IA ; 56 % citent le cloisonnement des données, 44 % l’absence de stratégie data, 41 % la qualité ou les biais.

[17] Nasuni, enquête Sapio Research, communiqué du 18 mai 2026 (1 000 décideurs, entreprises de plus de 1 000 salariés, États-Unis, Royaume-Uni, France, Allemagne-Autriche-Suisse, terrain de mars 2026) : 97 % déploient ou pilotent des agents IA ; 57 % des projets IA n’atteignent pas leurs objectifs ; 18 % à l’échelle ; 46 % ont vu leurs initiatives IA révéler des problèmes de qualité et de gouvernance des données.

[18] Efalia, Baromètre DSI Data et IA 2026 (efalia.com, 11 août 2026 ; méthodologie non détaillée sur la page consultée) : 96 % d’organisations jugées non prêtes pour l’IA ; 85 % des DSI déclarent ne pas maîtriser la qualité de leur patrimoine documentaire ; 62 % y consacrent moins de 1 % du budget IT.

[19] Romasanta (Esade), Thomas (Sydney et Imperial) et Levina (NYU Stern), Researchers Asked LLMs for Strategic Advice. They Got Trendslop in Return, Harvard Business Review (16 mars 2026) ; méthodologie et citations reprises par Fortune (10 avril 2026) : 7 modèles, 15 000 simulations, 7 tensions stratégiques, convergence sur 6 tensions sur 7 vers l’option socialement valorisée ; citation de conclusion sur le leadership traduite par nos soins.

[20] Ramírez, Lang, Köhler et Mennell, A Faster Way to Build Future Scenarios, MIT Sloan Management Review (9 décembre 2025, numéro d’hiver 2026) : cas Fazer et Unum ; l’approche classique y est décrite comme faisant attendre ses enseignements utiles « six months or more » ; aucun gain chiffré revendiqué.

[21] Syntec Conseil, 30e baromètre du conseil en stratégie et management, via La Lettre du Conseil (11 juin 2026 ; 140 cabinets interrogés de février à juin 2026) : recul de 1,5 % en 2025, sixième plus mauvaise année depuis 2002 ; Consultor, bilan 2025 et perspectives 2026 du conseil en stratégie (17 juin 2026) : +2 % anticipé en 2026 par la même étude, l’usage de l’IA par les cabinets devenu argument de négociation des clients.

[22] BCG, communiqué de résultats 2025 (23 avril 2026) : 14,4 milliards de dollars de revenus (+7 %, 22e année de croissance) ; les services centrés IA et technologie représentent plus de 40 % du chiffre d’affaires total, portés par une croissance de 25 % par an des services IA ; 33 500 salariés.

[23] Consultor, Chez McKinsey, l’IA s’invite aux entretiens de recrutement (27 janvier 2026) : étude de cas travaillée avec l’assistant interne Lilli ; évaluation de la qualité des prompts, de l’esprit critique face aux résultats et de la capacité à les contextualiser.

[24] Bernard Marr, How Klarna’s AI Agent Strategy Backfired But Became a Useful Lesson, Forbes (16 juillet 2026) : 2,3 millions de conversations le premier mois, temps de résolution de 11 à 2 minutes, effectifs support de 5 000 à 3 500 personnes, puis réembauche d’une centaine de spécialistes ; propos du PDG Sebastian Siemiatkowski rapportés par Forbes (coupé trop loin, trop vite, perte d’une expertise humaine précieuse).

[25] Journal du Net (7 juillet 2026), analyse du rapport inter-inspections IGF, IGAS et IGA d’avril 2026 sur l’IA dans le secteur public : jusqu’à 40 % d’usage d’IA non régulée chez les agents des collectivités ; assistants conversationnels rarement certifiés SecNumCloud ; données stratégiques des entreprises traitées marginalement.

[26] Daniel Kahneman, Système 1 / Système 2 : les deux vitesses de la pensée (Flammarion, 2012 ; édition originale Thinking, Fast and Slow, 2011) : biais de confirmation, d’ancrage, d’excès de confiance et d’attachement au statu quo dans la décision intuitive.

[27] Gary Klein, Performing a Project Premortem, Harvard Business Review (septembre 2007) : la technique du pré-mortem, se projeter dans l’échec du projet pour en lister les causes avant de décider.