Plus de 200 000 salariés équipés d’un outil d’IA, un usage qui plafonne, et aucun gain métier significatif. C’est a priori intéressant, mais plus encore quand on sait que ce constat n’émane pas d’un cabinet de conseil : il vient de Microsoft.
Le 17 septembre 2026, l’entreprise a publié un retour d’expérience sur sa propre transformation, signé par sa directrice de la stratégie et de la transformation (Microsoft, 2026). Le document rassemble les enseignements de plusieurs centaines d’initiatives internes, menées avec une approche que l’entreprise appelle « Customer Zero » : se transformer d’abord, vendre la méthode ensuite.
Un biais est évident. Le premier fournisseur d’IA d’entreprise n’est pas un observateur neutre de l’IA en entreprise. Mais cet exercice reste rare : peu d’organisations documentent publiquement ce qui n’a pas fonctionné chez elles, chiffres et notes de bas de page compris. C’est pourquoi j’ai complété cette source par d »autres.
Pour une direction générale, l’essentiel tient en une phrase. Le point de bascule ne se situe pas au niveau de l’outil, mais au niveau du processus et du périmètre de délégation.
Déployer n’est pas transformer
Microsoft raconte avoir commencé comme la plupart des organisations, en traitant l’IA comme un déploiement informatique classique. Acheter les licences, former, pousser l’adoption. L’entreprise en tire son premier enseignement, formulé sans détour : l’accès et l’usage ne valent pas transformation. Un outil sous licence pour plus de 200 000 personnes ne change pas la manière dont le travail se fait.
La direction commerciale l’a vérifié la première. Malgré un déploiement large, l’usage a plafonné et l’impact n’est pas venu. Plutôt que de pousser l’adoption plus fort, l’équipe est repartie des objectifs métier : apporter plus de valeur aux clients, gagner des affaires, améliorer l’expérience des commerciaux. Elle a cartographié la semaine type des responsables de comptes, puis affecté des agents spécialisés aux moments qui pèsent réellement, de l’analyse du portefeuille à la préparation des dossiers et à la recherche client approfondie.
Le reste tient à des rituels. Des points hebdomadaires entre pairs ont transformé l’expérimentation individuelle en pratique d’équipe. Sur ce périmètre, l’adoption des cas d’usage prioritaires a triplé, le chiffre d’affaires par responsable de compte a progressé de 9,4 % et les taux de conclusion étaient supérieurs de 20 %.
Ces chiffres méritent d’être lus avec leur méthode. Ils reposent sur 687 commerciaux observés de janvier à juin 2024, en comparant ceux qui utilisaient l’outil quotidiennement à ceux qui l’utilisaient peu. C’est une comparaison d’usage, pas un essai contrôlé. Les commerciaux les plus performants sont peut-être aussi ceux qui adoptent le plus vite un nouvel outil. Un décideur qui cite ce chiffre en comité doit pouvoir le défendre.
Le constat de fond, lui, est corroboré ailleurs. Le rapport du MIT NANDA sur l’état de l’IA en entreprise a été beaucoup discuté. Il conclut que 95 % des pilotes d’IA générative n’ont produit aucun effet mesurable sur le compte de résultat, pour 30 à 40 milliards de dollars investis (L’Usine Digitale, 2025). Là encore, la cause n’est pas technique. Elle tient au montage des projets et à l’absence d’indicateurs définis avant le lancement.
Microsoft ajoute un élément d’organisation interne souvent négligé. L’entreprise a constitué des instances transverses réunissant les fonctions support, les équipes commerciales et l’ingénierie, pour partager les approches qui fonctionnaient et celles qui échouaient. Autrement dit, la capitalisation a été organisée, pas espérée. Sans ce dispositif, chaque direction refait les mêmes erreurs à quelques mois d’intervalle, avec le même budget.
En mission, c’est le point que je vois le plus souvent manquer. Les organisations mesurent le taux d’activation des licences, parfois le nombre de requêtes par utilisateur. Presque jamais l’effet sur le délai, la qualité ou le coût du processus visé. Un tableau de bord qui compte les usages c’est bien, c’est même indispensable. Mais cela ne dira jamais si l’investissement a produit quelque chose.
Ajouter un agent à un processus défaillant ne donne qu’un processus défaillant plus rapide
Le deuxième enseignement est le plus directement utile à un comité de direction. Microsoft le formule ainsi : ajouter des agents à un processus cassé laisse un processus cassé. Accélérer une étape ne fait que créer une file d’attente devant la suivante. Un ingénieur parlerait de bazar « au carré ».
Le cas de la chaîne d’approvisionnement cloud illustre la séquence. Les experts métier et les ingénieurs ont d’abord travaillé ensemble à cartographier les flux de bout en bout, puis à les simplifier. Ils ont ensuite constitué une source unique de vérité, afin que tous les agents raisonnent sur les mêmes données. Les agents sont venus après.
Cette étape de mise en ordre des données est celle qui décide du reste. Un agent qui interroge trois référentiels contradictoires ne produit pas une erreur visible : il produit une réponse plausible et fausse, plus difficile à détecter qu’une panne. C’est la raison pour laquelle les projets agentiques échouent rarement sur le modèle et souvent sur le socle d’information.
Plus de 111 agents spécialisés étaient déployés en septembre 2026 sur la planification, l’approvisionnement, l’exécution et la logistique. Ils analysent les variations de demande, modélisent des capacités, comparent des options de transport aérien, terrestre et maritime sur le coût, le délai et l’empreinte carbone. Sur les flux concernés, le temps de cycle a reculé jusqu’à 75 %.
Le détail des mesures figure en notes. Et ces notes sont précieuses ! Sur cinq cycles de planification mensuels observés d’avril à août 2026, la durée moyenne est passée d’environ 10 jours ouvrés à moins de 2,5. Sur plus de vingt investigations de plan de demande par mois, le délai de production d’une explication validée par un humain est passé de cinq à sept jours à quelques heures, parfois moins de vingt minutes. Microsoft précise que ces résultats valent pour ces flux et ces périodes.
Ce qu’un dirigeant doit retenir n’est pas le pourcentage, mais l’ordre des opérations et son coût. Cartographier, simplifier, unifier les données, puis seulement ensuite déployer des agents. L’essentiel de l’effort se trouve dans les trois premières étapes, celles qui ne produisent aucune démonstration spectaculaire. Le chantier a mobilisé une équipe transverse de plus de 150 personnes entre septembre 2025 et août 2026. Un an de travail avant de pouvoir montrer une courbe !
L’idée n’est pas neuve. Elle a été formulée il y a plus de trente ans par Hammer, 1990 dans un article resté célèbre : ne pas automatiser, mais éliminer. Sa formule visait déjà les entreprises qui informatisaient des processus obsolètes au lieu de les refondre. Ce qui change aujourd’hui, c’est le périmètre de ce qui peut être refondu. Les agents traitent des étapes qui demandent de la recherche, de la comparaison et un début de jugement, là où l’informatique classique exigeait des règles fixes.
La comparaison appelle aussi une mise en garde. La réingénierie des années 1990 s’est discréditée, non parce que la méthode était fausse, mais parce qu’elle a souvent servi de justification à des réductions d’effectifs décidées par ailleurs. Une direction générale qui engage une refonte agentique en 2026 sera lue à cette aune par ses équipes. Le sujet doit être traité de front, pas contourné.
La question porte désormais sur le périmètre de délégation
Les agents décrits par Microsoft ne se contentent pas de répondre. Ils sont passés de la réponse à l’action, jusqu’à aider les planificateurs à modifier ou annuler directement des commandes d’achat. Cette progression s’effectue dans un cadre précis, fait de permissions définies, de seuils d’approbation et de points de contrôle humains.
La question de gouvernance change donc de nature. Elle n’est plus « pouvons-nous utiliser un agent ? ». Elle devient : quelles décisions et quelles actions déléguons-nous, sur quelles données, avec quels droits, quels contrôles et quelle responsabilité humaine identifiée ?
Cette question n’est pas théorique. Gartner prévoit que plus de 40 % des projets d’IA agentique seront annulés d’ici fin 2027, en raison de coûts qui dérapent, d’une valeur métier mal définie ou de contrôles de risque insuffisants (Gartner, 2025). Les trois causes relèvent du pilotage, pas de la défaillance technique.
Le même travail relève un risque plus immédiatement contractuel. Gartner emploie le terme d’« agent washing » pour désigner le réétiquetage en agents de produits existants : assistants conversationnels, automatisation robotisée de processus, agents conversationnels de service client. Sur des milliers de fournisseurs revendiquant une offre agentique, le cabinet estimait qu’environ 130 disposaient de capacités réelles. La conséquence est simple : la démonstration ne suffit pas, il faut une clause de vérification.
Quatre questions permettent de cadrer un premier périmètre de délégation. À quelles données l’agent accède-t-il, et lesquelles lui sont fermées ? Quelles actions peut-il déclencher sans validation ? À partir de quel seuil, en montant, en volume ou en criticité client, la validation humaine devient-elle obligatoire ? Qui, nommément, répond de la décision produite ?
S’y ajoute une exigence de traçabilité. Un agent qui agit doit laisser une trace exploitable : quelles données il a consultées, quelle règle il a appliquée, quel humain a validé. Cette trace n’a pas qu’une vertu d’audit. Elle est la condition pour corriger un comportement défaillant sans arrêter tout le dispositif. Tant que ces éléments ne sont pas écrits, le déploiement n’est pas prêt, quelle que soit la qualité de la démonstration technique.
Trois niveaux de maturité qu’il ne faut pas confondre
Une bonne partie des malentendus entre direction générale et équipes métier vient d’une confusion entre trois usages qui n’ont ni le même coût, ni le même délai, ni les mêmes conditions de réussite.
Premier niveau : l’assistance individuelle. L’IA aide une personne à produire, rechercher, analyser ou synthétiser. Le déploiement est rapide, le coût faible, le gain réel mais diffus. Il se mesure en minutes gagnées par personne, rarement en euros au compte de résultat. C’est le niveau où se situe aujourd’hui la majorité des organisations.
Deuxième niveau : l’agent métier. Un agent enchaîne plusieurs étapes à partir de données et d’instructions définies, sur un périmètre délimité. Là on passe au workflow. Le prérequis n’est plus l’outil mais l’accès propre aux données et la description explicite de la tâche. Le gain devient attribuable à un processus identifié, donc mesurable.
Troisième niveau : le processus agentique. Plusieurs agents et systèmes participent à un processus complet, avec des interventions humaines aux moments qui demandent expertise, arbitrage ou validation. C’est le niveau décrit par le cas de la chaîne d’approvisionnement, et celui qui suppose un travail préalable sérieux de refonte et de gouvernance des données.
Le passage d’un niveau à l’autre n’est pas une montée en puissance progressive. Entre le premier et le deuxième, la difficulté change de nature : on quitte la formation des utilisateurs pour entrer dans l’accès aux systèmes et la qualité des données. Entre le deuxième et le troisième, elle change encore : on quitte la technique pour la répartition des responsabilités entre directions. Un chef de projet peut porter le premier saut, rarement le second.
L’erreur la plus fréquente consiste à financer un budget de troisième niveau pour un déploiement de premier niveau, puis à s’étonner de l’absence de résultat. L’erreur symétrique existe : attendre d’un assistant individuel qu’il réduise un délai de traitement de bout en bout, alors qu’il n’agit que sur une étape.
Pour choisir les processus candidats, quatre caractéristiques reviennent. Une forte proportion de recherche et de traitement d’information. Plusieurs applications ou sources de données à consulter. Des tâches répétitives qui demandent malgré tout des décisions. Un coût significatif en temps, en délai ou en coordination. Un processus qui réunit les quatre justifie une étude. Un processus qui n’en présente qu’une relève plutôt du premier niveau.
Le facteur décisif reste le management de proximité
Le troisième enseignement un peu surprenant du document est celui qu’une direction générale sous-estime le plus souvent, parce qu’il ne se budgète pas comme une plateforme. Les personnes qui font le travail savent où le processus se grippe, où le jugement compte et où l’IA peut réellement aider. Aucune cartographie ne restitue entièrement cette connaissance.
Microsoft en tire une conséquence d’organisation. Les dirigeants fixent l’ambition et répondent des résultats. Les équipes opérationnelles identifient où la valeur se trouve et où le jugement humain doit rester central. Entre les deux, l’encadrement intermédiaire fait le lien, et c’est lui qui s’avère le meilleur prédicteur de réussite.
Les données d’enquête de l’entreprise vont dans ce sens. Lorsque les managers utilisent eux-mêmes l’IA de façon visible, la valeur perçue des agents progresse de 17 points et la confiance de 30 points. Dans les équipes où le manager installe un climat de sécurité psychologique, les collaborateurs sont 1,4 fois plus nombreux à utiliser fréquemment des agents (Microsoft WorkLab, 2026). Ces mesures sont déclaratives, mais l’ordre de grandeur mérite attention : le comportement du manager pèse davantage que le plan de formation. Autrement dit l’humain et le rôle du manager sont toujours fondamentaux.
L’entreprise décrit un dispositif interne construit sur ce constat, un accélérateur de plusieurs semaines réunissant des équipes transverses autour d’un problème métier réel. Le premier pilote a montré que l’outillage et la formation ne suffisaient pas. Les individus apprennent seuls une technologie, mais le changement durable est apparu quand des équipes entières ont appris, expérimenté et ajusté ensemble. Le dispositif a ensuite été étendu à plus de 3 000 ingénieurs.
Le document assume enfin un point que beaucoup d’organisations contournent. Il n’était pas possible de garantir tous les postes dans leur forme actuelle ; il était possible d’aider les collaborateurs à sécuriser leur trajectoire, en développant les compétences et la capacité d’adaptation nécessaires. La position est inconfortable à énoncer. Elle tient mieux dans la durée qu’un discours rassurant auquel personne ne croit.
Pour une direction générale, la traduction est double. Aucun déploiement d’agent ne devrait être lancé sans que le responsable du périmètre concerné en soit copropriétaire, avec un objectif explicite et mesuré. Et le temps d’apprentissage collectif doit être financé comme un poste de coût, au même titre que les licences.
L’efficacité est le plancher, la capacité est le plafond
Le quatrième enseignement touche à l’arbitrage budgétaire. Microsoft observe avoir commencé, comme beaucoup, par automatiser des tâches pour gagner en efficacité. La valeur est réelle, mais elle plafonne vite. L’entreprise formule l’étape suivante comme une addition : l’amélioration continue retire du gaspillage, l’IA ajoute de la capacité, et la combinaison des deux produit un résultat d’une autre nature.
La formulation est utile en comité. L’amélioration continue seule produit une version allégée de l’entreprise d’hier. L’ajout de capacité en produit une différente. Concrètement, cela consiste à prédire une défaillance qualité au lieu de la constater, ou à explorer vingt scénarios là où une équipe avait le temps d’en traiter trois.
L’enquête de Microsoft sur les usages indique que 58 % des utilisateurs d’IA déclarent réaliser un travail qu’ils ne pouvaient pas faire auparavant, et 80 % chez les utilisateurs avancés (Microsoft WorkLab, 2026). La donnée est déclarative et provient du fournisseur : elle indique une direction, pas une mesure de performance.
La conséquence pratique concerne la mesure. Les résultats financiers arrivent tard. Il faut donc suivre des indicateurs avancés, des KPI choisis en fonction du métier. Pour une force de vente : le temps passé avec les clients, la qualité du portefeuille, le taux de transformation, avant que le chiffre d’affaires ne bouge. Pour une équipe d’ingénierie : non pas le volume de code produit, mais la vitesse et la qualité de livraison.
Pour un dossier d’investissement, la règle qui en découle est simple. Un projet qui ne promet que de l’efficacité sera arbitré sur son coût, et perdra souvent face à d’autres demandes. Un projet qui porte une hypothèse de capacité nouvelle, comme servir un segment inaccessible, raccourcir un délai client ou traiter un volume hors de portée, se défend dans un autre registre. Encore faut-il que l’hypothèse soit écrite, datée et vérifiable.
Ce que ce retour d’expérience ne prouve pas
Trois réserves s’imposent avant toute transposition.
La première tient à la nature du document. Microsoft vend de l’IA d’entreprise. Le texte renvoie explicitement à son guide de transformation et à l’offre de conseil associée. C’est un document de conviction autant qu’un document de méthode. Les enseignements sont utilisables, à condition d’identifier la démonstration commerciale comme telle.
La deuxième tient aux données. Tous les chiffres cités proviennent d’analyses internes non auditées, portant sur des périmètres et des périodes délimités. Les notes de bas de page le disent, y compris pour le cas d’une équipe de neuf personnes ayant livré une première version de produit en trente-cinq jours : il s’agit d’un projet, pas d’une référence d’entreprise. Ces chiffres illustrent un potentiel, ils ne constituent pas un étalon de comparaison.
La troisième tient au point de départ. Microsoft dispose d’une maturité sur les données, d’une ingénierie interne considérable et de la capacité à mobiliser plus de cent cinquante personnes pendant un an sur un seul chantier. Une entreprise de taille intermédiaire devra viser un périmètre nettement plus étroit, et accepter une phase de préparation proportionnellement plus longue au regard du gain attendu.
Ce qui reste transposable ne dépend en revanche pas de la taille de l’entreprise. L’ordre des opérations, la définition des indicateurs avant le lancement, l’écriture du régime de délégation et l’implication du management de proximité ne coûtent aucune licence supplémentaire. Ce sont des décisions de direction, pas des investissements technologiques.
Une recommandation du document mérite enfin d’être relevée, d’autant qu’elle vient d’un fournisseur. Microsoft écrit que chaque organisation devrait pouvoir construire sa propre boucle d’apprentissage sans devenir dépendante d’un fournisseur de modèle unique, et garder le contrôle de la connaissance qu’elle produit. Traduite en termes contractuels, cette phrase concerne la réversibilité, la portabilité des données et la propriété des paramétrages. Elle mérite de figurer dans les négociations.
Conclusion : la question à poser au prochain comité de direction
Ce retour d’expérience ne dit pas où utiliser l’IA. Il propose une reformulation, et c’est probablement ce qu’un dirigeant doit en retenir : si nous devions reconstruire aujourd’hui ce processus, en disposant à la fois de collaborateurs, de logiciels et d’agents, comment l’organiserions-nous ?
Trois décisions découlent de cette question sans engager de budget de plateforme. Choisir deux ou trois processus qui réunissent les quatre caractéristiques décrites plus haut. Financer la cartographie, la simplification et la mise en ordre des données avant tout achat d’agent, en acceptant que cette phase ne produise aucune démonstration. Écrire le régime de délégation, droits, seuils et responsables, avant le premier déploiement et non après le premier incident.
Les professionnels que je forme ne manquent ni d’outils ni d’idées d’usage. Ce qui manque le plus souvent, c’est une décision explicite sur le processus à refondre et sur ce que l’organisation accepte de déléguer. Ce document a au moins ce mérite : il montre que la réponse se construit dans cet ordre, et qu’elle prend du temps.
Cet article s’appuie sur une idée originale personnelle et a été élaboré avec l’aide d’une IA générative pour la recherche d’information et la structuration du texte ; je conserve la main sur l’analyse, la sélection des contenus et j’assure la relecture finale.
Sources
Hogan, K. (2026). What we’ve learned from Microsoft’s own AI transformation. The Official Microsoft Blog. https://blogs.microsoft.com/blog/2026/09/17/what-weve-learned-from-microsofts-own-ai-transformation/
Séramour, C. (2025). L’IA divise : 95 % des entreprises n’ont aucun ROI, 5 % captent des millions. L’Usine Digitale. https://www.usine-digitale.fr/article/l-ia-divise-95-des-entreprises-n-ont-aucun-roi-5-captent-des-millions.N2236998
Hammer, M. (1990). Reengineering Work: Don’t Automate, Obliterate. Harvard Business Review. https://hbr.org/1990/07/reengineering-work-dont-automate-obliterate
Gartner. (2025). Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027. Gartner Newsroom. https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027
Microsoft WorkLab. (2026). Work Trend Index : agents, human agency and the opportunity for every organization. Microsoft. https://www.microsoft.com/en-us/worklab/work-trend-index/agents-human-agency-and-the-opportunity-for-every-organization
FAQ
Que retient-on du retour d’expérience publié par Microsoft sur sa propre transformation par l’IA ?
Que le déploiement d’outils seul ne produit pas la transformation. Malgré plus de 200 000 collaborateurs équipés, l’usage a plafonné sans gain métier significatif. Les résultats sont venus d’un travail de refonte des processus, précédé d’une mise en ordre des données, avant tout déploiement d’agents.
Pourquoi équiper largement les collaborateurs en IA ne suffit-il pas à transformer une organisation ?
Parce que l’outil agit sur une seule étape, pas sur un processus. Un collaborateur plus rapide sur une tâche ne réduit pas le délai global si l’étape suivante reste inchangée. Le rapport du MIT NANDA a marqué les esprits : 95 % des pilotes d’IA générative n’ont produit aucun effet mesurable sur le compte de résultat.
Qu’est-ce qu’un processus agentique, et en quoi diffère-t-il d’un assistant IA ?
Un assistant aide une personne à réaliser une tâche. Un agent métier enchaîne plusieurs étapes sur un périmètre délimité. Un processus agentique fait intervenir plusieurs agents et systèmes sur un processus complet, avec des points de validation humaine. Les trois niveaux n’ont ni le même coût, ni les mêmes prérequis.
Comment choisir les premiers processus à confier à des agents IA ?
Quatre caractéristiques servent de filtre : une forte part de recherche et de traitement d’information, plusieurs applications ou sources de données à consulter, des tâches répétitives qui demandent des décisions, et un coût significatif en temps ou en coordination. Un processus qui réunit les quatre justifie une étude.
Quels garde-fous prévoir avant de laisser un agent IA agir sur un système ?
Quatre éléments doivent être écrits avant le déploiement : les données accessibles et celles qui ne le sont pas, les actions déclenchables sans validation, les seuils à partir desquels une validation humaine est obligatoire, et le nom du responsable de la décision. S’y ajoute une trace exploitable de ce que l’agent a consulté et appliqué.