2026-08-10

Strategy, Adoption & Value

operating-model shifts, ROI/VOI, P&L impact, value capture at scale

1. La capacité IA en production monte, le ROI stagne — 57 % des entreprises n'ont pas rentabilisé leurs investissements depuis deux ans

— Rapport Domino Enterprise AI (5e édition), Domino Data Lab, 21 juillet 2026

L'Insight : La part des entreprises dont le ROI IA ne dépasse pas leurs dépenses est bloquée à 57 % pour la deuxième année consécutive, pendant que 93 % déclarent une capacité de production IA supérieure à 2025. Ce paradoxe dessine un "last-mile gap" structurel : les modèles sont en production, mais la valeur métier ne se matérialise pas.

Le chiffre : 57 % des 639 responsables IA sondés déclarent un ROI inférieur ou égal aux investissements — inchangé depuis l'édition 2025 — malgré une progression de 5 points de la capacité de production (88 → 93 %).
Ce qu'il contredit : Le récit dominant de "l'IA commence enfin à payer" (SAP, VentureBeat, Gartner). Le plateau à 57 % est une constante structurelle depuis deux ans, non un retard temporaire.
Ce qu'il ne dit pas : L'enquête ne distingue pas la taille des entreprises ni la sophistication des déploiements — un pilote isolé et un déploiement enterprise à l'échelle sont traités à égalité. Et Domino est éditeur de plateforme MLOps : l'étude positionne directement sa solution comme réponse au "last-mile gap".

Lecture du consultant : L'écart entre "production capability" (93 %) et "ROI positif" (43 %) est le meilleur indicateur disponible du gouffre adoption/valeur. Les entreprises ont appris à déployer des modèles — mais pas à les connecter à des décisions métier. Le vrai déficit n'est pas technique : c'est l'absence de redesign des workflows et de métriques de valeur claires en aval.

Risque / Limite : Domino Data Lab vend une plateforme enterprise AI dont la proposition de valeur centrale est précisément de combler ce "last-mile gap" — le conflit d'intérêts est direct. Les données sont auto-déclaratives, non auditées financièrement.

Lien : prnewswire.com Date de publication : 21 juillet 2026 Fraîcheur : 🟡 <30j Fiabilité de la source : probable Cadre d'analyse : donnée/benchmark

2. Seule une entreprise sur cinq a fondamentalement redessiné un processus autour de l'IA — et c'est le seul prédicteur robuste d'impact EBIT

— McKinsey, The State of Organizations 2026 + State of AI 2025

L'Insight : Les deux grands rapports annuels McKinsey convergent : seules 21 % des entreprises adoptant l'IA ont fondamentalement redessiné au moins un workflow, et 86 % des dirigeants déclarent que leur organisation n'était pas prête à intégrer l'IA dans ses opérations quotidiennes. Or, la re-conception de workflows de bout en bout est la variable la plus corrélée à un impact EBIT mesurable — supérieure au volume de déploiements ou au budget IA.

Avant : Les entreprises déploient l'IA à la marge : 48 % ont introduit des outils sans modifier les workflows ni les rôles. L'impact reste au niveau individuel, invisible au niveau P&L. Seulement 25 % des dirigeants anticipent un rôle autonome de l'IA agentique dans les 1-2 ans.
Après : Les organisations qui ont redessiné des processus de bout en bout autour de l'IA (finance, marketing, supply chain) voient un impact financier "dramatiquement supérieur" aux pairs, croissent deux fois plus vite en revenus et divisent par deux la volatilité de leurs résultats.

Lecture du consultant : La règle empirique qui émerge : pour chaque dollar investi en technologie IA, les top performers investissent 5 dollars en transformation humaine et organisationnelle — l'inverse du modèle "tool-first" encore dominant. La bonne question en comité de direction n'est plus "avons-nous déployé l'IA ?" mais "avons-nous redessiné nos processus autour d'elle, avec les indicateurs de valeur correspondants ?"

Risque / Limite : McKinsey est prescripteur de transformations organisationnelles de grande envergure — exactement ce que ces conclusions recommandent. Le biais de confirmation est structurel. Les chiffres clés sont tirés d'auto-évaluations, pas d'audits indépendants des processus.

Lien : https://www.mckinsey.com/~/media/mckinsey/business functions/people and organizational performance/our insights/the state of organizations/2026/the-state-of-organizations-2026.pdf Date de publication : 2026 (Q1/Q2) Fraîcheur : 🟡 <30j Fiabilité de la source : probable Cadre d'analyse : bascule structurelle

3. Le ROI attendu de l'IA agentique quadruple en un an — mais seules 3 % des entreprises sont prêtes à la déployer

— SAP / Oxford Economics, The Value of AI 2026, juillet 2026

L'Insight : Sondage de 2 600 dirigeants dans 13 pays : le ROI moyen attendu de l'IA agentique passe de 4,3 M$ (2025) à 17,6 M$ d'ici deux ans (+309 %). Mais seuls 3 % des répondants se déclarent pleinement prêts — et 38 % n'ont aucun processus "human-in-the-loop" pour les workflows agentiques.

Aujourd'hui : L'IA couvre 30 % des tâches en moyenne (vs 25 % en 2025). Le ROI global déclaré atteint 21 % de l'investissement ($6,3 M$ pour $28 M$ dépensés en moyenne), contre 16 % l'an dernier.
Trajectoire (12-24 mois) : Les attentes ROI agentiques quadruplent — sur fond de préparation quasi-nulle. 41 % des entreprises pilotent l'IA agentique sans framework de gouvernance ; 73 % signalent des données incomplètes comme principal verrou ; 79 % ont subi des retards ou retraitements causés par des outputs IA de mauvaise qualité.
Condition de bascule : La qualité des données et la gouvernance agentique sont les deux conditions préalables à un ROI réel. Sans elles, les déploiements agentiques risquent de reproduire à grande échelle le "last-mile gap" documenté par Domino.

Lecture du consultant : L'écart entre les attentes ROI agentiques ($17,6 M$) et la préparation réelle (3 % "fully ready") est le risque le plus concret pour les DSI en 2026-2027. La fenêtre pour construire les fondations de données et de gouvernance est maintenant — avant que la pression commerciale ne force des déploiements agentiques sans filets de sécurité.

Risque / Limite : SAP est éditeur de solutions ERP et IA agentique — l'intérêt commercial à montrer un ROI élevé et une urgence à déployer est direct. Oxford Economics co-produit fréquemment des études commanditées par des éditeurs tech. Les chiffres ROI sont des projections auto-déclarées par les dirigeants, non des résultats audités.

Lien : oxfordeconomics.com Date de publication : juillet 2026 Fraîcheur : 🟡 <30j Fiabilité de la source : probable (étude commanditée par un vendeur) Cadre d'analyse : signal faible

4. Gains par tâche réels (14-26 %), impact sur la productivité agrégée introuvable pour 89 % des dirigeants — le paradoxe de productivité de l'IA se confirme

— Stanford HAI, AI Index 2026, chapitre Économie, avril 2026

L'Insight : L'AI Index 2026 de Stanford HAI est la synthèse indépendante la plus rigoureuse disponible : les gains de productivité par tâche sont réels et mesurés (14-15 % en support client, 26 % en développement logiciel, jusqu'à 50 % en marketing), mais 89 % des dirigeants déclarent que l'IA n'a eu aucun effet mesurable sur la productivité du travail de leur entreprise sur trois ans. Le surplus consommateur américain atteint 172 Md$ (vs 112 Md$ l'année précédente) — la valeur se matérialise, mais côté utilisateurs, pas dans les comptes de résultats entreprise.

Le chiffre : 14-26 % de gain par tâche selon le domaine ; 89 % d'absence d'impact mesuré sur la productivité agrégée (auto-déclaré par les dirigeants sur 3 ans). $172 Md$ de surplus consommateur américain annuel estimé.
Ce qu'il contredit : L'hypothèse que les gains individuels mesurés dans les RCT (consultants BCG +25 %, développeurs GitHub Copilot +26 %) devraient mécaniquement se traduire en gains enterprise. Stanford documente empiriquement que ce saut n'a pas encore eu lieu à l'échelle des P&L.
Ce qu'il ne dit pas : Le délai entre gains individuels et impact macroéconomique peut dépasser une décennie (travaux de Robert Gordon sur l'électricité et l'internet). Ce n'est pas nécessairement un échec permanent — mais les décideurs ne peuvent pas compter sur un impact P&L à court terme en l'état actuel.

Lecture du consultant : Cette dissociation tâche/entreprise est le fait le plus important pour calibrer les attentes d'un comex. Les pilotes montrent de bons résultats parce qu'ils isolent des tâches favorables à l'IA. Le passage à l'échelle exige de recomposer des flux de travail complets — et c'est là que les gains s'évaporent si les processus amont et aval ne sont pas redessinés. C'est la confirmation empirique indépendante de ce que McKinsey identifie comme le vrai levier de valeur.

Risque / Limite : L'AI Index est une compilation de recherches publiées existantes, non une étude longitudinale originale. Les 89 % d'absence d'impact viennent d'une auto-déclaration de dirigeants, pas de métriques comptables externes. La date d'avril 2026 ne capte pas les déploiements agentiques les plus récents.

Lien : hai.stanford.edu Date de publication : avril 2026 Fraîcheur : ⚪ rapport de fond (retenu comme source indépendante la plus rigoureuse sur la mesure de productivité) Fiabilité de la source : confirmé Cadre d'analyse : donnée/benchmark

Signaux stratégiques de la semaine

Le gouffre adoption/valeur s'est institutionnalisé : 93 % des entreprises ont amélioré leur capacité à déployer l'IA en production — mais 57 % ne rentabilisent toujours pas. Le diagnostic converge entre sources indépendantes (Domino) et institutions académiques (Stanford HAI) : l'obstacle n'est plus technique, c'est le redesign des opérations.
L'IA agentique reproduit le même pattern : Les attentes ROI quadruplent (SAP/Oxford Economics) sur fond de préparation quasi-nulle (3 % "fully ready") — le même décalage hype/exécution que pour l'IA générative en 2023-2024, reproduit une couche au-dessus.
⚖️ Ce qui contredit le consensus : La narrative dominante de "l'IA commence enfin à payer" (SAP, VentureBeat, Gartner) est contredite de front par deux sources distinctes : Domino (57 % d'échec ROI stable sur 2 ans consécutifs) et Stanford HAI (89 % de dirigeants sans impact mesurable sur la productivité agrégée). L'adoption est réelle et généralisée ; la valeur enterprise reste, pour l'essentiel, virtuelle.

1. Production capability climbs, ROI stagnates — 57% of enterprises have failed to recoup AI investment for two consecutive years

— Domino Enterprise AI Report (5th edition), Domino Data Lab, July 21, 2026

The Insight: The share of enterprises whose AI ROI fails to outpace spend has held at 57% for the second consecutive year, even as 93% report improved AI production capability versus 2025. This paradox reveals a structural "last-mile gap": models are in production, but business value is not materializing.

The figure: 57% of 639 senior enterprise AI leaders surveyed report ROI at or below investment — unchanged from the 2025 edition — despite a 5-point increase in production capability (88% → 93%).
What it contradicts: The dominant "AI is finally paying off" narrative pushed by SAP, VentureBeat, and Gartner. The 57% plateau is a two-year structural constant, not a temporary lag.
What it doesn't say: The survey doesn't distinguish company size or deployment sophistication — a single isolated pilot and a full-scale enterprise rollout are treated equally. And Domino sells an MLOps platform: the study directly positions its own product as the answer to the "last-mile gap."

Consultant's reading: The gap between "production capability" (93%) and "positive ROI" (43%) is the clearest available measure of the adoption-to-value chasm. Enterprises have learned to deploy models — but not to connect them to business decisions. The missing piece is not technical: it is workflow redesign and clear downstream value metrics.

Risk/Limitation: Domino Data Lab sells an enterprise AI platform whose core value proposition is precisely closing this "last-mile gap" — the conflict of interest is direct. Data is self-reported, not audited against financial statements.

Link: prnewswire.com Publication date: 21 Jul 2026 Freshness: 🟡 <30d Source reliability: probable Analytical frame: data/benchmark

2. Only one in five enterprises has fundamentally redesigned a process around AI — and it is the single strongest predictor of EBIT impact

— McKinsey, The State of Organizations 2026 + State of AI 2025

The Insight: McKinsey's two major annual reports converge: only 21% of AI-adopting enterprises have fundamentally redesigned at least one workflow, and 86% of leaders say their organization was unprepared to embed AI into daily operations. Yet end-to-end workflow redesign is the variable most correlated with measurable EBIT impact — more predictive than deployment volume or AI budget.

Before: Enterprises deploy AI at the margins: 48% have introduced tools without redesigning workflows or roles. Impact stays at the individual level, invisible in P&L. Only 25% of leaders anticipate agentic AI taking autonomous roles within 1-2 years.
After: Organizations that have redesigned end-to-end processes around AI (finance, marketing, supply chain) show "dramatically greater" financial impact than peers, grow revenue twice as fast, and carry half the earnings volatility.

Consultant's reading: The empirical rule emerging from McKinsey's data: for every dollar invested in AI technology, top performers invest five dollars in people and organizational change — the inverse of the still-dominant "tool-first" model. The right board question is no longer "have we deployed AI?" but "have we redesigned our processes around it, with the corresponding value metrics in place?"

Risk/Limitation: McKinsey is a vendor of large-scale organizational transformation engagements — precisely what these findings prescribe. Structural confirmation bias applies. Key figures are self-assessed, not independently audited.

Link: https://www.mckinsey.com/~/media/mckinsey/business functions/people and organizational performance/our insights/the state of organizations/2026/the-state-of-organizations-2026.pdf Publication date: 2026 (Q1/Q2) Freshness: 🟡 <30d Source reliability: probable Analytical frame: structural shift

3. Expected agentic AI ROI quadruples year-on-year — but only 3% of enterprises are ready to deploy it

— SAP / Oxford Economics, The Value of AI 2026, July 2026

The Insight: A survey of 2,600 business leaders across 13 countries finds that average projected ROI from agentic AI jumps from $4.3M (2025) to $17.6M within two years (+309%). Yet only 3% of respondents say they are fully prepared — and 38% have no human-in-the-loop process in place for agentic workflows.

Today: AI now covers 30% of average organizational tasks (vs. 25% in 2025). Overall declared ROI stands at 21% of investment ($6.3M on a $28M average spend), up from 16% a year ago.
Trajectory (12-24 mo.): Agentic ROI expectations quadruple — against near-zero organizational readiness. 41% of enterprises are piloting agentic AI without a governance framework; 73% flag incomplete data as the primary blocker; 79% have experienced rework or delays caused by poor-quality AI outputs.
Tipping condition: Data quality and agentic governance are the two prerequisite foundations for real returns. Without them, agentic deployments risk reproducing at scale the "last-mile gap" documented by Domino.

Consultant's reading: The gap between agentic ROI expectations ($17.6M) and actual readiness (3% "fully prepared") is the most concrete risk on CIOs' desks for 2026-2027. The window to build data foundations and governance frameworks is now — before commercial pressure forces premature agentic deployments without safety nets.

Risk/Limitation: SAP sells ERP and agentic AI solutions — there is a direct commercial interest in showing high ROI and deployment urgency. Oxford Economics frequently co-produces vendor-commissioned studies. All ROI figures are self-declared projections by executives, not audited results.

Link: oxfordeconomics.com Publication date: Jul 2026 Freshness: 🟡 <30d Source reliability: probable (vendor-commissioned study) Analytical frame: weak signal

4. Real task-level gains (14-26%), no measurable aggregate labor productivity effect for 89% of executives — the AI productivity paradox confirmed

— Stanford HAI, AI Index 2026, Economy chapter, April 2026

The Insight: Stanford HAI's AI Index 2026 is the most rigorous independent synthesis available: task-level productivity gains are real and measured (14-15% in customer support, 26% in software development, up to 50% in marketing), but 89% of executives report that AI had no measurable effect on their firm's labor productivity over the past three years. U.S. consumer surplus reaches $172B annually (up from $112B a year earlier) — value is materializing, but on the user side, not in corporate P&Ls.

The figure: 14-26% task-level gains by domain; 89% absence of measured aggregate labor productivity impact (self-reported by executives over 3 years). $172B in estimated annual U.S. consumer surplus.
What it contradicts: The assumption that individually measured gains from RCTs (BCG consultants +25%, GitHub Copilot developers +26%) should mechanically translate to enterprise P&L gains. Stanford documents empirically that this aggregation has not yet occurred at scale.
What it doesn't say: The lag between individual gains and macroeconomic impact can exceed a decade (Robert Gordon's work on electricity and the internet). This is not necessarily a permanent failure — but executives cannot count on near-term P&L impact in the current state.

Consultant's reading: This task/enterprise dissociation is the most important fact for calibrating C-suite expectations. Pilots show good results because they isolate AI-favorable tasks. Scaling requires redesigning complete end-to-end workflows — and that is where gains evaporate if upstream and downstream processes are not also redesigned. This is the independent empirical confirmation of what McKinsey identifies as the real value lever.

Risk/Limitation: The AI Index is a compilation of existing published research, not an original longitudinal study. The 89% figure is executive self-report, not external accounting metrics. The April 2026 publication date does not capture the most recent agentic deployments.

Link: hai.stanford.edu Publication date: Apr 2026 Freshness: ⚪ older/foundational (retained as the most rigorous independent source on productivity measurement) Source reliability: confirmed Analytical frame: data/benchmark

Strategic Signals This Week

The adoption/value gap has institutionalized: 93% of enterprises have improved their AI production capability — yet 57% remain in negative ROI. The diagnosis converges across independent sources (Domino) and academic institutions (Stanford HAI): the obstacle is no longer technical; it is operational redesign.
Agentic AI is reproducing the same pattern: ROI expectations quadruple (SAP/Oxford Economics) against near-zero organizational readiness (3% "fully prepared") — the same hype-execution gap as generative AI in 2023-2024, now reproduced one layer up.
⚖️ What contradicts the consensus: The dominant "AI is finally paying off" narrative (SAP, VentureBeat, Gartner) is directly contradicted by two independent sources: Domino (57% ROI failure rate stable for two consecutive years) and Stanford HAI (89% of executives reporting no measurable aggregate labor productivity impact). Adoption is real and generalized; enterprise value remains, for the most part, virtual.