Chaque trimestre, un cabinet publie une nouvelle estimation de la taille du marché de l'intelligence artificielle générative, et le chiffre est toujours plus gros que le précédent. Ces montants ne vous apprennent presque rien d'utile : ils mesurent ce que le secteur dépense, pas ce que les entreprises en retirent. Deux cabinets peuvent annoncer des ordres de grandeur très différents pour la même année, simplement parce qu'ils ne comptent pas les mêmes lignes — puces, cloud, licences logicielles, prestations de conseil, applications métier.
La question qui compte pour une entreprise de dix, vingt ou cinquante personnes est ailleurs : est-ce que ça marche vraiment, sur quelles tâches précises, et comment le vérifier sans se raconter d'histoires ? Cet article rassemble ce que disent les rares données publiques sérieuses, explique pourquoi la plupart des chiffres de rentabilité qui circulent ne valent rien, et propose un protocole que vous pouvez appliquer chez vous en quelques semaines.
L'adoption est quasi générale, l'effet sur les résultats l'est beaucoup moins
L'enquête annuelle de McKinsey sur l'état de l'IA reste la plus large référence publique disponible. Son édition de novembre 2025, menée auprès de près de deux mille répondants dans une centaine de pays, donne une photographie utile — à condition de lire les deux chiffres ensemble, pas seulement le premier : 88 % des répondants déclarent utiliser régulièrement l'IA dans au moins une fonction de leur entreprise, contre 78 % un an plus tôt, mais seuls 39 % constatent un effet au niveau du résultat d'exploitation de l'entreprise.
Autrement dit : presque tout le monde s'en sert, et moins de quatre organisations sur dix arrivent à montrer que ça se voit dans les comptes. La même enquête relève que près des deux tiers des répondants n'ont pas encore déployé l'IA à l'échelle de leur entreprise, et que 62 % expérimentent au moins des agents.
Ce décalage n'est pas une mauvaise nouvelle, c'est l'information la plus utile de toute l'enquête. Le goulot d'étranglement n'est pas l'accès à la technologie : elle est disponible pour quelques dizaines de dollars par mois et par personne. Le goulot, c'est le passage d'un usage individuel et opportuniste à un processus de travail réellement modifié. Une PME a d'ailleurs un avantage ici : changer une façon de travailler à huit personnes prend une réunion, pas dix-huit mois de conduite du changement.
Pourquoi les chiffres de rentabilité que l'on vous montre sont presque tous déclaratifs
Vous avez forcément croisé une variante de « chaque dollar investi dans l'IA en rapporte trois et demi ». Ce chiffre existe, il est réel, et il vaut la peine de regarder comment il a été fabriqué : il vient d'une étude IDC commanditée par Microsoft et publiée en novembre 2023, reprise et actualisée l'année suivante dans l'édition 2024 de la même étude. Le protocole : on interroge quelques milliers de dirigeants, et on leur demande d'estimer leur retour sur investissement.
Ce n'est pas une mesure. C'est une moyenne de perceptions, collectée par un institut payé par un fournisseur qui vend la technologie, auprès de gens qui ont eux-mêmes décidé d'y investir et qui ont peu d'intérêt à déclarer s'être trompés. Le chiffre n'est pas nécessairement faux, mais il ne prouve rien sur ce que vous obtiendrez.
Avant de reprendre une statistique dans une décision d'achat, posez-lui trois questions. Elles suffisent à écarter l'immense majorité du bruit :
- Qui a payé l'étude ? Un fournisseur de la technologie étudiée, un cabinet qui vend du conseil sur le sujet, ou un tiers sans intérêt commercial dans le résultat ?
- Qui a répondu, et sur quoi ? Des dirigeants qui donnent leur impression, ou un dispositif qui mesure des temps, des coûts, des volumes réels ?
- Le chiffre est-il constaté ou projeté ? Une prévision de marché à trois ans n'est pas une observation, c'est un modèle avec des hypothèses — rarement publiées.
Appliquez ce filtre aux arguments qu'on vous présentera cette année : il en restera très peu. C'est normal, et c'est précisément pour cela qu'il faut mesurer chez soi.
Deux expériences qui devraient calmer tout le monde
Il existe malgré tout des travaux qui mesurent au lieu de sonder. Deux d'entre eux portent sur le même usage — l'assistance à l'écriture de code — et arrivent à des conclusions opposées. C'est l'enseignement le plus précieux de toute cette littérature.
Le résultat favorable
Une expérience contrôlée conduite par des chercheurs de GitHub et de Microsoft (Peng, Kalliamvakou, Cihon et Demirer, 2023) a demandé à des développeurs recrutés pour l'occasion d'implémenter un serveur HTTP en JavaScript, le plus vite possible. Le groupe qui disposait de l'assistant a terminé la tâche 55,8 % plus vite que le groupe témoin. Le gain est réel et il est mesuré — mais notez la nature de la tâche : un exercice isolé, bien délimité, sur du code neuf, sans historique et sans conséquence.
Le résultat défavorable
Deux ans plus tard, l'institut d'évaluation METR a monté un essai randomisé dans des conditions inverses : seize développeurs expérimentés, 246 tâches réelles, sur des projets qu'ils connaissaient depuis environ cinq ans. Résultat : autoriser les outils d'IA a augmenté le temps de réalisation de 19 %.
Le plus troublant n'est pas là. Avant l'expérience, ces développeurs prévoyaient un gain de temps de 24 %. Après l'avoir terminée, sans connaître les résultats, ils estimaient encore avoir gagné 20 %. Ils se sont donc trompés de près de quarante points sur leur propre productivité, dans le bon sens pour l'IA. Les auteurs précisent eux-mêmes que ce résultat est daté : il porte sur les outils disponibles entre février et juin 2025 et ne dit rien de ceux d'aujourd'hui.
Ces deux études ne se contredisent pas, elles délimitent le terrain. Le gain est fort quand la tâche est standard, isolée et que celui qui l'exécute n'a pas déjà une expertise fine du contexte. Il s'effondre — voire s'inverse — quand la tâche exige une connaissance profonde d'un existant, parce que le temps passé à relire, corriger et rejeter les propositions dépasse le temps économisé. Et le plus récent des deux essais montre que celui qui travaille est un très mauvais juge de son propre gain. C'est à peu près la seule raison qui justifie de prendre le temps de mesurer.
Les usages où le gain est le plus facile à constater
Plutôt que des pourcentages sectoriels invérifiables, voici les familles de tâches où le mécanisme du gain est explicite, et l'indicateur qui permet de le vérifier chez vous.
Les demandes clients répétitives
Horaires, disponibilité, délais de livraison inter-îles, suivi de commande : ces questions reviennent à l'identique et leurs réponses existent déjà quelque part. Le gain vient de l'élimination d'un aller-retour, pas d'une intelligence supérieure. Indicateur à suivre : part des sollicitations traitées sans intervention humaine, et surtout taux de reprise — combien de conversations automatisées finissent quand même chez un humain, mécontent en prime.
La production de contenu
Fiches produit, réponses aux avis, descriptifs, déclinaisons d'un même message pour plusieurs canaux. Le gain porte sur le premier jet et sur les variantes, pas sur l'idée. Indicateur à suivre : délai entre la demande et la publication, et proportion de textes publiés sans réécriture lourde. Si tout est réécrit intégralement, vous avez déplacé le travail, pas réduit.
Le code et les outils internes
Petits scripts, automatisations, connexions entre deux logiciels que personne n'avait le temps de faire. Comme le montrent les deux essais cités plus haut, l'effet dépend massivement du contexte : très favorable sur du neuf et du standard, incertain sur un existant complexe. Indicateur à suivre : nombre de petits besoins internes enfin traités, plutôt que vitesse ressentie.
La lecture et la synthèse de documents
Appels d'offres, contrats, comptes rendus, réglementation, longs échanges de courriels. Faire extraire les points clés d'un document que vous relirez de toute façon est l'un des usages les plus fiables, parce que l'erreur est immédiatement visible à la vérification. Indicateur à suivre : temps de traitement d'un dossier de bout en bout.
Un protocole de décision en quatre semaines
Le but n'est pas de « faire de l'IA », c'est de savoir en un mois si une tâche précise vaut la peine d'être outillée. Le protocole tient en quatre étapes et ne coûte que du temps.
- Semaine 0 — mesurer avant. Choisissez une tâche répétitive, chiffrable et sans risque juridique. Notez pendant une semaine le temps réellement passé et le volume traité. Sans ce point de départ, vous ne pourrez jamais rien conclure : c'est l'étape que tout le monde saute, et c'est exactement pour ça que les gains restent « ressentis ».
- Semaines 1 et 2 — un outil, une personne, un périmètre. Un seul outil, choisi pour cette tâche. La personne qui fait déjà le travail, pas la plus enthousiaste. Deux heures de prise en main sérieuse valent mieux que deux mois d'usage approximatif.
- Semaine 3 — mesurer après, sur les mêmes indicateurs. Comptez le temps de vérification et de correction dans le temps total. C'est là que se cachent les faux gains : une production trois fois plus rapide qui demande deux fois plus de relecture n'est pas un gain.
- Semaine 4 — décider franchement. Trois issues acceptables : on généralise, on ajuste et on refait un cycle, on arrête. Arrêter proprement après avoir mesuré est un bon résultat. Continuer parce qu'on a payé l'abonnement n'en est pas un.
Les pièges qui coûtent le plus cher
Juger au ressenti. C'est le piège principal, et il est documenté : les développeurs de l'essai METR se sont trompés de près de quarante points sur leur propre productivité. Vos équipes n'ont aucune raison d'être meilleures juges. Un chiffre médiocre mesuré vaut mieux qu'une impression enthousiaste.
L'empilement d'abonnements. Chaque outil paraît peu cher isolément. Au bout de six mois, personne ne sait plus qui paie quoi, ni lequel sert réellement. Fixez une règle simple : pas de deuxième outil tant que le premier n'a pas fait la preuve de son utilité sur un indicateur écrit.
Confondre outil et compétence. Un assistant produit un résultat plausible en toutes circonstances, y compris quand il se trompe. Sans quelqu'un capable de juger le résultat, vous n'avez pas gagné du temps : vous avez déplacé le risque en aval, là où c'est le client qui le découvre.
Envoyer n'importe quelle donnée. Le règlement général sur la protection des données s'applique en Polynésie française. Coller un fichier client, un dossier salarié ou un contrat dans un service en ligne engage votre responsabilité, quel que soit le pays où tourne le serveur. Avant le premier test : listez ce qui n'a pas le droit de sortir de chez vous, et vérifiez ce que le fournisseur fait de ce que vous lui envoyez — la réponse figure dans ses conditions, pas dans son argumentaire.
Automatiser une relation qui fait votre différence. Dans un marché où le bouche-à-oreille décide de beaucoup, industrialiser la partie humaine de votre service pour économiser quelques heures est le meilleur moyen de perdre exactement ce qui vous distingue des grandes enseignes.
Ce qui joue différemment en Polynésie
Le contexte local ne change pas la technologie, il change l'ordre des priorités.
Le décalage horaire est un vrai levier, pas un argument marketing. Entre Tahiti, la métropole et la côte ouest américaine, une bonne partie de vos échanges se fait en différé de toute façon. Une réponse automatique correcte à trois heures du matin ne remplace personne : elle occupe un créneau où il n'y avait rien.
Le multilinguisme du quotidien. Français, anglais des visiteurs, reo tahiti, et souvent les trois dans le même message. Les outils actuels gèrent bien le français et l'anglais ; le reo tahiti est nettement moins bien couvert. Testez-le vous-même avant de promettre quoi que ce soit à vos clients, et cantonnez-le à ce que vous avez vérifié — quelques formules d'accueil bien placées valent mieux qu'une traduction approximative.
Des équipes réduites et polyvalentes. C'est là que le rapport bénéfice/risque est le meilleur : dans une structure où la même personne gère la communication, les devis et le service client, dégager deux heures par semaine se voit immédiatement. Encore faut-il décider à quoi ces deux heures serviront, sinon elles se rempliront toutes seules.
Une connexion inégale selon les îles. Un outil lourd, qui met dix secondes à répondre depuis un archipel éloigné, ne sera pas utilisé, quelle que soit sa qualité. Testez depuis l'endroit le moins bien desservi de votre activité, pas depuis le bureau de Papeete.
Une saisonnalité marquée. La bonne période pour expérimenter est la saison creuse : vous avez le temps de mesurer, et une erreur ne coûte pas un client en haute saison. Lancer un nouvel outil au pic d'activité est la meilleure façon de conclure trop vite qu'il ne sert à rien.
Ce qu'il faut retenir
La taille du marché n'est pas votre affaire. Les chiffres de rentabilité qui circulent sont presque tous déclaratifs, et les deux essais mesurés les plus cités sur un même usage aboutissent à des résultats opposés selon la tâche et selon l'expérience de celui qui l'exécute. Rien de tout cela ne permet de décider à votre place.
Ce qui permet de décider, c'est un cycle court, sur une tâche unique, avec une mesure avant et après, et l'honnêteté d'arrêter quand le chiffre ne suit pas. C'est moins spectaculaire qu'un plan de transformation, mais c'est la seule méthode qui produit une réponse à laquelle vous pouvez vous fier. Et si vous voulez cadrer ce premier cycle avec quelqu'un qui connaît le contexte local, c'est exactement le genre de travail que nous faisons chez PACIFIK'AI.
