Research

3 oct. 2026Masahiro TaimaDéveloppement de produitsGestionBusiness Development

À l'ère de l'IA : faut-il adopter une IA généraliste, un produit d'agent IA spécialisé ou développer en interne ? – Approches de mise en place de systèmes basées sur les dernières recherches et études de cas

Product

Commencer gratuitement (En préparation) Consulter pour Enterprise

Career

Nous recrutons activement des talents pour développer des services d'agents IA spécialisés chez mign.

Traduction automatique du texte original en japonais

Overview

Lorsqu'une entreprise développe elle-même une IA destinée aux entreprises, seuls 5 % parviennent à la phase d'exploitation en production. L'adoption d'une IA généraliste existante ou d'un produit agent IA spécialisé, combinée à l'auto-développement et déployée de façon adaptée, augmente le taux de succès de l'adoption de l'IA par l'entreprise. Cet article, fondé sur des recherches et des cas de défaillance de projets informatiques ainsi que sur des enquêtes auprès d'entreprises dans le secteur de l'IA après 2025, clarifie une approche consistant à distinguer trois options : l'IA généraliste, l'agent IA spécialisé et l'auto-développement, selon la nature de l'activité. En conclusion, il est essentiel d'« acheter le modèle, posséder les données en interne et choisir le flux de travail selon la nature de l'activité », et en cas de doute, de commencer par une IA généraliste, puis de progresser de manière réversible vers un agent spécialisé et l'auto-développement.

Introduction

Les progrès de l'IA sont remarquables et, pour pratiquement toutes les entreprises et organisations, l'adoption de l'IA est devenue une question incontournable. Les options d'adoption de l'IA se divisent en deux grands axes : l'adoption de produits existants ou l'auto-développement. L'adoption de produits existants pour l'IA se divise elle-même en deux options : l'adoption d'une IA généraliste ou celle d'un agent IA spécialisé. Ces options doivent être choisies en fonction de l'activité cible, et cet article les clarifie à la lumière des dernières recherches et des cas pratiques.

La nouveauté de cette chronique réside dans les quatre points suivants.

  • Comparaison des cas de succès, d'échec et des taux de succès entre l'adoption de produits existants et l'auto-développement : Si de nombreux cas et statistiques ont été rapportés concernant les défaillances de projets informatiques, il n'y a que peu de mises au point comparant les succès et les échecs de l'« adoption de produits existants » et de l'« auto-développement » sur le même pied d'égalité. Cet article met en parallèle les cas de succès et d'échec des deux approches et les taux de succès révélés par les recherches, montrant que ni l'une ni l'autre n'est simplement plus sûre.

  • Organisation sans omission ni redondance des facteurs d'échec selon les étapes de la mise en œuvre du système : Les recherches sur les facteurs d'échec s'accumulent dans le génie logiciel, l'économie comportementale et la recherche sur les systèmes d'information, mais sont exprimées dans des termes différents, ce qui rend difficile une compréhension globale pour les praticiens. Cet article classe les facteurs selon cinq étapes allant de la planification à l'exploitation, en distinguant les facteurs propres à l'adoption de produits existants, ceux propres à l'auto-développement, et les facteurs communs aux deux.

  • « Quelles activités conviennent aux produits existants et lesquelles à l'auto-développement » peut être jugé à partir de théories de gestion : Les théories de Williamson (1985), Barney (1991), Carr (2003) et Wardley (2020) sont traduites selon quatre axes de jugement : « différenciation », « spécificité des actifs », « maturité du marché » et « vitesse de changement », permettant de déduire la forme de mise en œuvre à partir de la nature de l'activité.

  • Correspondance des trois options « IA généraliste », « agent IA spécialisé » et « auto-développement », y compris la personnalisation, avec l'activité cible : Les enquêtes auprès des entreprises publiées après 2025 (MIT NANDA, 2025 ; Menlo Ventures, 2025) montrent que, même en IA, le taux d'arrivée en production de l'auto-développement ne représente que la moitié de celui des produits existants. Cette chronique clarifie les différences entre l'IA généraliste et l'agent IA spécialisé du point de vue du « marché cible », de la « valeur fournie » et de la « connaissance intégrée », et indique les activités appropriées, tant lorsqu'elles sont utilisées sans personnalisation que lorsqu'elles le sont.

Cas de succès et d'échec de la mise en œuvre du système

Avant de réfléchir au choix de la mise en œuvre d'un système, il faut d'abord vérifier « quels succès et quels échecs se produisent ». Les défaillances ne sont pas limitées à l'auto-développement et se répètent également lors de l'adoption de produits existants. Parallèlement, l'examen des cas de succès montre que l'adoption de produits existants et l'auto-développement ont chacun des conditions bien définies pour réussir.

Adoption de produits existants

Cas de succès de l'adoption de produits existants

Ce qui est commun aux cas de succès de l'adoption de produits existants, c'est d'avoir « adapté l'activité au standard du produit au lieu d'adapter le produit à l'activité » et d'avoir « déployé progressivement ».

  • Hershey (2002) : succès avec le même produit trois ans après l'échec : Hershey, qui avait subi une défaillance d'expédition à grande échelle lors du basculement simultané d'un ERP en 1999, a mené en 2002 une mise à niveau majeure du même système SAP et, cette fois, l'a achevée plus rapidement que prévu et avec un budget environ 20 % inférieur (Koch, 2002). Ce qui a changé, ce n'est pas le produit mais la méthode d'approche : le basculement a eu lieu pendant une période creuse de la demande, du temps suffisant a été consacré aux tests et à la formation, et la migration s'est faite progressivement. C'est ce qui est considéré comme le facteur clé du succès.

  • Nike (2001-2006) : passage au déploiement progressif : Nike a connu un échec en 2000 lors de l'adoption d'un système de prévision de la demande, perdant environ 100 millions de dollars de chiffre d'affaires, mais a ensuite changé sa politique sur les mises à jour du système de base pour « ne pas tout basculer en même temps », optant pour un déploiement progressif par région et par activité sur plusieurs années. Grâce à ce changement, Nike a achevé sa transformation d'ici 2006 sans défaillances majeures (Koch, 2004).

  • Netflix (2008-2016) : l'infrastructure s'achète, la différenciation se construit : Netflix a commencé sa migration d'un centre de données propriétaire vers AWS en 2008, suite à une panne de base de données, et a fermé son dernier centre de données en 2016 (Netflix, 2016). Si Netflix utilise l'infrastructure cloud externe pour les serveurs et les bases de données, il continue à développer en interne les algorithmes de recommandation et les contrôles de diffusion, qui constituent le cœur de la différenciation. C'est un cas exemplaire de distinction claire entre « ce qu'il faut acheter et ce qu'il faut construire ».

  • Capital One (2020) : migration vers le cloud total d'une institution financière : La grande banque américaine Capital One a fermé les huit centres de données et a effectué en 2020 une migration totale de son infrastructure vers AWS (Capital One, 2020). Cela a montré que même les institutions financières, qui sont une industrie réglementée, peuvent confier la couche infrastructure à des produits externes et concentrer les ressources de développement interne sur les applications client et l'analyse de données.

Cas d'échec de l'adoption de produits existants

Ce qui est commun aux cas d'échec de l'adoption de produits existants, c'est d'avoir utilisé le produit de manière fortement personnalisée au lieu de le maintenir à son standard, ou d'avoir commis une erreur dans la méthode de basculement.

  • FoxMeyer Drug (1996) : FoxMeyer, un grand distributeur pharmaceutique américain, a échoué dans l'adoption de SAP R/3 et d'un système d'automatisation d'entrepôt, et a demandé sa mise en faillite en 1996. Une charge de traitement bien supérieure aux attentes et la complexité de la réorganisation simultanée de l'entrepôt en sont considérées comme les causes, ce qui a fait de ce cas un symbole de l'échec de la mise en œuvre d'un ERP. Par exemple, il a été signalé que le nouveau système ne pouvait traiter qu'environ 10 000 commandes par nuit, ce qui était bien inférieur aux environ 420 000 du système précédent, et que l'état de non-traitement des commandes a persisté.

  • Hershey (1999) : Le fabricant de confiseries Hershey a mis en exploitation simultanément trois systèmes - ERP, gestion de la relation client et planification de la chaîne d'approvisionnement - juste avant Halloween, période de pic de demande. La confusion dans le traitement des commandes a empêché l'expédition de commandes d'une valeur d'environ 100 millions de dollars, et les bénéfices du trimestre ont diminué de 19 %. La compression du calendrier de déploiement et la méthode du basculement complet (big bang) sont identifiées comme les causes principales.

  • Lidl (2018) : Lidl, un grand détaillant allemand, a arrêté en 2018 un projet de mise en œuvre de SAP sur lequel il avait investi environ 500 millions d'euros en 7 ans. Alors que le standard SAP évalue les stocks au prix de vente au détail, Lidl a insisté pour conserver sa méthode traditionnelle de gestion au coût d'achat et a accumulé les personnalisations massives, ce qui a entraîné l'effondrement du projet (Handelsblatt, 2018).

  • Birmingham City Council (2022-) : Birmingham, la plus grande collectivité locale du Royaume-Uni, a vu le budget de sa migration du système de base de SAP à Oracle Fusion passer d'environ 19 millions de livres à plus de 100 millions de livres, ce qui a entravé les rapports financiers et les audits. Les auditeurs externes ont identifié comme l'une des causes principales une personnalisation excessive pour des activités qui auraient pu être traitées par les fonctionnalités standard (Grant Thornton UK LLP, 2023). Par exemple, il a été rapporté que la rapprochement bancaire, qui aurait pu être traité par une fonction standard, a été transformé en une spécification personnalisée, ce qui a ramené le rapprochement au travail manuel et a entraîné une accumulation de dizaines de milliers de transactions non traitées.

Auto-développement

Cas de succès de l'auto-développement

Ce qui est commun aux cas de succès de l'auto-développement, c'est que « cette activité est au cœur de l'avantage concurrentiel, qu'aucun produit approprié n'existe sur le marché, et que l'organisation possède la capacité à développer et améliorer continuellement ».

  • Walmart (années 1990-) : système propriétaire de la chaîne d'approvisionnement : Walmart a construit en 1991 un système propriétaire appelé « Retail Link » pour partager les données de ventes et d'inventaire avec ses fournisseurs, en rendant les performances de vente de chaque magasin visibles à ses fournisseurs en temps réel, ce qui l'a largement distancé de ses concurrents en termes de précision et de rapidité de réapprovisionnement. Bessen (2022) analyse que ces logiciels propriétaires non disponibles sur le marché ont été la source de l'avantage concurrentiel de Walmart dans le secteur du commerce de détail.

  • Amazon (années 2000-) : l'infrastructure interne devient une activité commerciale : Amazon a construit en interne une infrastructure informatique, un stockage et une base de données pour soutenir son activité de détail, puis les a fournis à partir de 2006 en tant qu'AWS auprès de clients externes, ce qui est devenu une activité générant aujourd'hui la majorité des bénéfices de l'entreprise. Il s'agit d'un cas où le système développé en interne n'est pas limité à l'amélioration de l'efficacité opérationnelle interne mais est devenu une nouvelle activité commerciale en soi, et c'est la forme la plus forte justifiant le développement indépendant.

  • Inditex (Zara) (années 2000) : système propriétaire simple adapté au modèle commercial : Inditex, qui gère Zara, a développé en interne un système connectant les terminaux de point de vente au siège pour la planification de la production, afin de soutenir son modèle commercial unique permettant de passer de la conception à la commercialisation en deux semaines. Ferdows et al. (2004) analysent que si le système de cette entreprise est techniquement simple, il s'adapte parfaitement au modèle commercial et crée un avantage concurrentiel qui ne peut être réalisé avec des produits commerciaux.

  • JPMorgan Chase (2024-) : auto-développement d'IA dans une industrie réglementée : JPMorgan Chase a développé en interne une « LLM Suite » qui utilise des modèles de base externes sur une infrastructure interne propriétaire, a commencé son déploiement en 2024 et l'a étendu d'ici 2025 à une échelle où environ 200 000 salariés l'utilisent (JPMorgan Chase, 2025). C'est un cas où convergent les conditions suivantes : l'impossibilité de sortir les données confidentielles de l'entreprise en raison de la régulation financière, la possession d'une énorme organisation technologique et d'un budget technologique annuel de plusieurs milliards de dollars, et les données propriétaires comme noyau de la différenciation.

Cas d'échec de l'auto-développement

Ce qui est commun aux cas d'échec de l'auto-développement, c'est d'avoir tenté de construire un énorme système propriétaire en bloc sur une longue période, l'absence de responsable chargé d'intégrer les résultats de plusieurs organisations, et le fait que les exigences ont continué à changer jusqu'à la fin.

  • Programme national du NHS britannique (NPfIT) : Le programme d'intégration du dossier médical électronique du Service national de santé britannique, lancé en 2002, a été de facto démantelé en 2011 après avoir investi plus de 10 milliards de livres. Le Comité des comptes publics de la Chambre des communes du Royaume-Uni l'a qualifié d'« l'un des pires échecs informatiques de tous les temps » (House of Commons Committee of Public Accounts, 2013). La tentative de développer un énorme système propriétaire de manière centralisée en bloc, l'incapacité à réfléchir les exigences divergentes de chaque établissement médical, et la rupture de la relation avec l'entreprise de développement contractante en sont les causes principales. Par exemple, bien que le but soit un dossier médical électronique unifié au niveau national, les procédures de diagnostic et les formats de tenue de dossiers différaient selon les hôpitaux, et sans pouvoir aboutir à une forme utilisable sur le terrain, les entreprises de développement ont successivement abandonné le projet.

  • Healthcare.gov (États-Unis) : Le site d'échange d'assurance maladie mis en ligne en octobre 2013 n'a permis qu'à quelques personnes seulement de finaliser leur inscription face à des millions d'accès le premier jour, nécessitant une refonte majeure. Un audit a relevé l'absence de responsable chargé d'intégrer le système propriétaire développé par plusieurs entrepreneurs, les évolutions des exigences jusqu'à la veille du lancement, et l'absence de tests de charge jusqu'à la phase de production (U.S. Government Accountability Office, 2014).

  • Développement du site Web et de l'application mobile Hertz : Le géant de la location automobile Hertz a confié le développement d'un nouveau site Web et d'une application mobile à une société de conseil à partir de 2016, mais a intenté une action en justice en 2019 demandant un remboursement de 32 millions de dollars et des dommages-intérêts au motif que les livrables ne fonctionnaient pas. Les changements d'exigences, l'absence de compatibilité mobile et l'insuffisance des tests ont été au cœur du différend, illustrant qu'externaliser le développement propriétaire ne signifie pas que « changer de prestataire résoudra le problème ». Par exemple, un désaccord a surgi quant à savoir si l'adaptation de la taille d'écran pour tablettes était incluse dans le contrat, révélant que la partie commandante manquait de capacité à définir clairement les exigences et à valider les livrables.

  • Systèmes comptables des institutions financières : La refonte du système comptable d'une grande banque implique généralement plusieurs années et des développements propriétaires à l'échelle de centaines de milliards de yens, avec des cas signalés dans plusieurs pays où des pannes majeures se sont répétées après la mise en service. L'analyse des causes identifie l'évolution des exigences et de la technologie au cours de la longue période de développement, la difficulté à intégrer les livrables de plusieurs fournisseurs, et le fait que les talents comprenant la vision d'ensemble du système ne restent pas en interne après la mise en service. Par exemple, un projet qui a nécessité près de dix ans de développement a vu la technologie choisie au démarrage devenir obsolète au moment de la mise en service, la disponibilité des techniciens capables de la maintenir devenant elle-même un enjeu.

Probabilité de succès des implémentations de systèmes

À partir de cas individuels seuls, il est impossible de savoir avec quelle probabilité l'une ou l'autre forme aboutit. Ce chapitre examine les probabilités de succès que montrent les études de recherche.

Probabilité de succès des implémentations de produits existants

  • Le taux de succès de l'implémentation d'ERP (systèmes informatiques de gestion) est d'environ 50 % : Concernant l'ERP, représentatif de l'implémentation de produits existants, l'étude continue du Panorama Consulting Group (2023) rapporte que près de la moitié des entreprises dépassent le budget ou le calendrier, et que moins de la moitié des entreprises déclarent avoir obtenu suffisamment l'effet escompté. En revanche, comme la taille des projets est petite et que la rétraction est facile, les échecs extrêmes sont rares. L'implémentation de produits existants permet de diviser les contrats et les annulations par domaine d'activité, limitant ainsi le montant d'investissement par cas et les pertes en cas d'échec. Par exemple, même en cas d'échec de l'implémentation d'un outil d'assistance aux ventes, les pertes se limitent aux frais de licence de quelques mois et aux frais de migration, et n'affectent que rarement la survie de l'entreprise.

  • Le taux d'utilisation des licences SaaS est d'environ 60 % : Même si l'implémentation elle-même est achevée, une forme d'échec courant consiste en ce que les licences contractées ne sont pas utilisées. L'étude Zylo (2023) rapporte qu'environ 40 % des licences SaaS contractées par les entreprises ne sont pas utilisées, entraînant un gaspillage d'environ 17 millions de dollars par entreprise et par an. Par exemple, lorsque différents départements contractent des outils de gestion de projet distincts, ce qui entraîne la coexistence de 5 types d'outils similaires dans l'ensemble de l'organisation, dont aucun n'est vraiment adopté.

  • Pour l'adoption d'IA, le taux de succès des implémentations de produits existants est deux fois supérieur à celui du développement interne : MIT NANDA (2025) rapporte que le taux d'atteinte de la production pour les outils d'IA implémentés par un partenariat avec un fournisseur externe était d'environ 67 %, contre environ 33 % pour les outils développés en interne. Le choix de produits existants ne garantit pas le succès, mais augmente considérablement la probabilité de succès, ce qui est également confirmé dans le domaine de l'IA.

Probabilité de succès du développement interne

  • Le taux de succès du développement interne est d'environ 30 % : Le rapport CHAOS publié en continu par Standish Group montre qu'environ 3 % des projets de logiciels satisfont à tous les critères de budget, calendrier et satisfaction, environ 2 % se terminent par une annulation ou une non-utilisation, et les 5 % restants se terminent dans un état où ils rencontrent au moins l'un des problèmes suivants : dépassement budgétaire, retard ou manque de fonctionnalités (Standish Group, 2015, 2020). Bien qu'il y ait un débat sur la définition du succès et la population étudiée, ce ratio n'a pas beaucoup changé depuis plus de 20 ans.

  • Pour le développement interne, le taux de succès par taille de projet est de 6 % pour les projets de grande taille et de 61 % pour les projets de petite taille : Le décompte par taille du Standish Group (2015) montre que le taux de succès des petits projets (moins d'1 million de dollars) est de 61 %, tandis que pour les grands projets (plus de 10 millions de dollars), le succès atteint 6 % et l'échec (annulation ou non-utilisation) atteint 43 %. À mesure que la taille du projet augmente, le taux de succès diminue rapidement. L'étude menée par McKinsey et l'université d'Oxford analysant plus de 5 400 projets informatiques montre que les grands projets d'un budget de 15 millions de dollars ou plus dépassent en moyenne le budget de 45 %, le calendrier de 7 % ou plus, et produisent une valeur inférieure de 56 % à celle initialement prévue (Bloch et al., 2012). Par exemple, même dans une même organisation avec la même équipe de développement, si un projet de 100 millions de yens est divisé en 10 projets par rapport à un seul projet de 1 milliard de yens, la probabilité que ce dernier « réalise tous les critères de budget, calendrier et valeur » est réduite à environ un dixième de la première option.

  • Pour le développement interne d'IA, le taux de succès est de 5 % : MIT NANDA (2025) rapporte que pour les outils d'IA personnalisés destinés aux entreprises, 60 % des entreprises ont atteint la phase d'évaluation, 20 % ont progressé vers le pilote, et seules 5 % des entreprises ont atteint la mise en service de production. Comparé au développement logiciel traditionnel, le développement interne d'IA montre un obstacle plus élevé à l'atteinte de la production.

Facteurs d'échec de l'implémentation de systèmes

Nous organisrons les facteurs d'échec respectivement pour l'implémentation de produits existants et pour le développement interne. L'implémentation de systèmes est divisée en cinq processus : « planification et jugement d'investissement », « définition des exigences et sélection des produits », « conception, développement et personnalisation », « test, migration et mise en service » et « exploitation, maintenance et évolution », et les facteurs survenant dans chaque processus sont organisés.

Facteurs d'échec de l'implémentation de produits existants

Dans l'implémentation de produits existants, comme le fournisseur est responsable de la conception, du développement et de la maintenance du produit lui-même, les facteurs d'échec se concentrent sur « l'étape de sélection du produit », « l'étape d'adaptation du produit à son contexte interne » et « les changements organisationnels ».

Processus 1 : Planification et jugement d'investissement

  • Mauvais jugement du type d'implémentation : Remplacer par un produit standard les activités qui constituent le cœur de la différenciation. Comme l'indique la théorie basée sur les ressources (Barney, 1991), un produit que tout le monde peut acheter sur le marché n'est pas une source d'avantage concurrentiel, donc remplacer par un produit existant une activité qui est en elle-même la force de l'entreprise entraîne la perte de cette force. Par exemple, un détaillant qui avait battu ses concurrents par la précision de sa prévision de la demande s'est retrouvé « uniformisé » au même niveau de précision que ses concurrents après avoir basculé vers un module de prévision de la demande standard.

  • Omission budgétaire des investissements complémentaires : Brynjolfsson et al. (2021) ont montré la « courbe J de productivité » où l'effet de l'adoption de technologies génériques comme l'informatique ou l'IA n'apparaît pas initialement mais s'accélère plus tard. La raison en est que des investissements complémentaires dans des actifs incorporels tels que la refonte des processus métier, la réformation des talents et la modification de la structure organisationnelle sont nécessaires, mais constituent un coût non mesuré qui s'accumule en amont. Dans l'implémentation de produits existants, seuls « les frais de licence et les frais de support à l'implémentation » sont budgétisés, tandis que le travail sur le terrain et la formation nécessaires pour adapter les opérations à la norme ne sont pas estimés. Par exemple, un système de remboursement des frais a été implémenté, mais sans réviser les règles d'approbation ni former les cadres, ce qui a entraîné une double exécution entre les demandes papier et les entrées dans le système.

  • La prémisse que « l'implémentation produira des résultats » : Comme l'ont montré Aral & Weill (2007), l'effet de l'investissement informatique est déterminé non pas par le montant de l'investissement mais par les capacités de l'organisation. Le jugement qui s'attend à un effet en consultant une liste de fonctionnalités des produits manque cette prémisse. Par exemple, même après l'implémentation d'un système de gestion de la relation client, si les commerciaux n'ont pas l'habitude d'enregistrer les échanges commerciaux et si les managers n'utilisent pas cet enregistrement pour le coaching, le système ne reste qu'un « carnet d'adresses cher ».

Processus 2 : Définition des exigences et sélection des produits

  • Négligence du décalage entre le métier et le produit : Davenport (1998) affirmait que des systèmes d'entreprise tels que l'ERP intègrent les prémisses de « la façon dont le métier fonctionne » envisagées par le fournisseur, et que l'entreprise d'implémentation est confrontée au choix stratégique « d'adapter le système au métier ou d'adapter le métier au système ». Soh et al. (2000) ont classé l'inadéquation entre produit et organisation (décalage) en trois types : données, fonctionnalités et sorties, et ont montré que si ce décalage n'est pas évalué au stade de la sélection et que l'implémentation progresse, une personnalisation pour le résoudre sera nécessaire dans les processus ultérieurs. Par exemple,

  • Évaluation insuffisante de la continuité du fournisseur et du produit : Se cantonner à la comparaison des fonctionnalités des produits sans évaluer la situation financière du fournisseur, sa base de clients, sa feuille de route produit, l'impact d'une acquisition potentielle, ou les moyens d'exporter les données avant de conclure le contrat. Comme l'ont montré Shapiro & Varian (1999), le logiciel crée une dépendance à un produit particulier en termes de formats de données, de procédures opérationnelles et de compétences des employés, ce qui rend le changement très coûteux. Par exemple, après avoir implémenté à l'échelle de l'entreprise un outil de gestion de la présence fourni par une startup, le fournisseur a été acquis, et une année plus tard, l'arrêt du service a été annoncé, mais les données de présence historiques ne pouvaient pas être extraites en masse car cela n'était pas inclus dans le contrat.

  • Insuffisance des capacités du demandeur : L'examen des recherches sur l'externalisation informatique (Lacity et al., 2009) rapporte de façon cohérente que même lorsqu'on confie des tâches à l'externe, le maintien du côté demandeur de la capacité à définir les exigences, évaluer et contrôler les fournisseurs est décisif pour les résultats. Une entreprise qui perd cette capacité ne peut pas évaluer les propositions du fournisseur et finit par conclure des contrats pour des fonctionnalités ou des personnalisations inutiles selon les conseils de la société de support à l'implémentation. Par exemple, une entreprise qui a réduit son département informatique et opté pour l'externalisation n'a pas pu expliquer elle-même « quels paramètres sont nécessaires pour quelles activités » lors de la mise à jour de l'ERP, ce qui a conduit la société de support à l'implémentation à reprendre la configuration précédente, entraînant le paiement continu de fonctionnalités destinées à des activités déjà supprimées.

Processus 3 : Conception, développement et personnalisation

  • Personnalisation excessive : Brehm et al. (2001) ont classé les méthodes d'ajustement d'ERP en 9 niveaux, allant du « changement de paramètres » à la « modification du code source du paquet », et ont montré qu'à mesure que le niveau s'approfondit, le risque technique, les coûts de maintenance et la perte du support du fournisseur augmentent. Beaucoup d'entreprises ont tendance à considérer la « personnalisation » d'un bloc, mais les ajustements dans le cadre de la configuration et les modifications apportées au code sont fondamentalement différents. Par exemple, modifier le nombre d'étapes d'approbation de 3 à 4 dans l'écran de configuration est une configuration, mais ajouter comme programme une règle unique « lorsque le directeur est absent, l'approbation par deux chefs de section la remplace » est une modification, ce qui nécessite une vérification du fonctionnement et des corrections à chaque mise à jour du produit, entraînant une augmentation des coûts de maintenance du fournisseur et la perte du support du fournisseur.

  • Complexification de la partie liaison : Même sans modifier le produit lui-même, créer de nombreuses liaisons avec d'autres systèmes transforme la partie de liaison en système propriétaire substantif. Par exemple, après avoir construit des dizaines de liaisons de données entre l'ERP et les systèmes existants de gestion des ventes, de gestion d'entrepôt et de gestion comptable, à chaque mise à jour d'un seul des produits, tous les tests de liaison doivent être repris, ce qui entraîne une situation où « le produit est acheté, mais une équipe dédiée est nécessaire pour maintenir les liaisons ».

  • Complexification de la configuration et dépendance des personnes : Même sans écriture de code, les configurations peuvent évoluer au fil des années jusqu'à un point où personne ne comprend plus l'ensemble. Par exemple, un système de gestion de la relation client auquel ont été ajoutées des centaines de champs et de règles d'automatisation sur dix ans, de sorte que l'ajout d'une nouvelle règle interfère avec les règles existantes et provoque des comportements inattendus.

Étape 4 : Test, migration et mise en exploitation

  • Minimisation des tests et de la migration des données : À partir de l'hypothèse que les produits existants « ont un fonctionnement garanti », les tests des scénarios métier incluant les configurations, données et intégrations propres à l'organisation sont souvent omis. Somers & Nelson (2001) ont enquêté sur les facteurs de succès de la mise en œuvre d'ERP et ont identifié « l'exactitude des données » et « les tests de logiciels » comme des facteurs importants à l'étape de la mise en œuvre, tandis que Redman (1998) a clarifié comment les données de mauvaise qualité augmentent les coûts opérationnels de l'entreprise. Par exemple, un traitement de facturation qui fonctionne correctement en isolation peut entraîner une double facturation en raison d'incohérences dans les données clients migrées depuis l'ancien système (comme le même client enregistré sous plusieurs orthographes différentes).

  • Risque de basculement complet : Le basculement d'une fois du système ancien vers le nouveau système augmente au maximum l'impact d'une défaillance. Hershey a mis en service trois systèmes simultanément juste avant une période de forte demande, ce qui a provoqué une confusion dans le traitement des commandes. La migration progressive ou l'exploitation en parallèle entraînent des frais, mais fonctionnent comme une assurance contre les grands échecs. Par exemple, le succès de Hershey lors de sa mise à jour en 2002, où l'entreprise a choisi une période creuse et a procédé à un basculement progressif, est l'inverse de cette leçon.

  • Acceptation insuffisante des opérationnels : Comme les produits existants supposent une modification des façons de travailler, si le terrain refuse les changements, immédiatement après la mise en exploitation, on observe un « retour » aux anciennes procédures ou aux feuilles de calcul personnelles. Par exemple, après la mise en service d'un nouveau système d'approvisionnement, les agents du terrain continuent à commander par téléphone comme avant et enregistrent les commandes dans le système après coup (« saisie différée »), ce qui entraîne une divergence entre les données de stock et la réalité.

Étape 5 : Exploitation, maintenance et évolution

  • Changement de stratégie du fournisseur et enfermement propriétaire : Comme Farrell & Klemperer (2007) l'ont clarifié sur le plan théorique, les coûts de changement confèrent au fournisseur un pouvoir de contrôle des prix. Le rachat de VMware par Broadcom en 2023, qui a entraîné l'abolition des licences perpétuelles et leur remplacement par des abonnements, augmentant les coûts de plusieurs fois dans de nombreuses entreprises, en est un exemple typique. L'arrêt de la fourniture du produit et la faillite ou le rachat du fournisseur lui-même sont aussi des facteurs de ce phénomène.

  • Charge de maintenance des parties personnalisées : Les modifications apportées au produit à l'étape 3 doivent être re-validées et corrigées à chaque mise à jour du produit. Comme l'a montré Erlikh (2000), la majorité des coûts du cycle de vie des logiciels provient de la maintenance, et la maintenance des parties modifiées incombe à l'organisation. Par exemple, une ERP en mode cloud effectue quatre mises à jour automatiques par an, et à chaque mise à jour, la vérification du fonctionnement des états et des logiques de traitement ajoutés indépendamment prend plusieurs semaines, de sorte que la mise à jour devient une « charge » plutôt qu'une « amélioration ».

  • Retard de la transformation organisationnelle et échec de l'appropriation : Même si le système est en exploitation, aucun effet n'apparaît si les processus métier et l'organisation ne changent pas. Comme l'a montré Aral & Weill (2007), ce qui détermine l'effet est la capacité organisationnelle, et le résultat de l'absence de budgétisation des investissements complémentaires à l'étape 1 se manifeste à cette étape sous la forme d'un « système inutilisé ». Par exemple, l'état de « environ 40 % des licences inutilisées » révélé par l'enquête de Zylo (2023) mentionnée au chapitre précédent est l'accumulation de ces échecs.

  • Prolifération de SaaS et fragmentation des données : Lorsque chaque département contracte des SaaS distincts, les mêmes données se dispersent dans plusieurs systèmes, ce qui rend difficile une vision globale au niveau de l'entreprise. Par exemple, le département des ventes, le département du service clientèle et le département du marketing utilisent chacun un outil différent de gestion de la relation client, et les informations relatives au même client divergent entre trois emplacements.

Facteurs d'échec du développement interne

En développement interne, l'organisation assume l'ensemble des étapes de la conception à la maintenance, de sorte que les causes d'échec apparaissent dans les cinq étapes. En particulier, les facteurs résultant de caractéristiques propres aux logiciels tels que la variabilité, la complexité et le coût de maintenance des exigences, ainsi que les facteurs résultant du jugement humain tels que les erreurs de planification et l'escalade, s'aggravent proportionnellement à l'envergure et à la durée du projet. Les parties que le fournisseur assume dans le déploiement d'un produit existant sont entièrement assumées par l'organisation en développement interne.

Étape 1 : Conception et décision d'investissement

  • Mauvaise appréciation du mode de mise en œuvre : C'est la décision de construire en interne des opérations qui ne produisent pas de différenciation. La théorie des coûts de transaction (Williamson, 1985) montre qu'il est plus rationnel d'acheter sur le marché les opérations standard dont les exigences sont stables et disponibles auprès de nombreux fournisseurs, mais dans la pratique, le jugement est faussé par la pensée que « nos opérations sont spéciales » ou par des précédents. Comme l'a souligné Carr (2003), l'investissement excessif dans des domaines technologiques devenu des marchandises communes ne produit aucun avantage et ne fait qu'augmenter les coûts et les risques. Cette erreur de jugement devient le point d'origine de l'échec de toutes les étapes suivantes. Par exemple, il n'est pas rare que les entreprises développent indépendamment des opérations comme la comptabilité, la paie et la gestion de la présence, dont les procédures sont largement déterminées par la loi, sous prétexte que « elles ne correspondent pas à nos opérations », et paient continuellement des frais de modification à chaque changement législatif.

  • Erreurs de planification aboutissant à une sous-évaluation des coûts et délais : Kahneman & Tversky (1979) ont montré que lors de la planification, les gens ont tendance à ignorer les cas similaires antérieurs (perspective externe) et à faire des estimations à partir des détails de la planification en question (perspective interne). En conséquence, les délais et les coûts sont systématiquement sous-évalués. Flyvbjerg (2006) propose comme contre-mesure la « prévision par classe de référence », qui corrige les estimations à partir de la distribution des résultats de projets similaires. La recherche antérieure sur les distributions de lois de puissance (Flyvbjerg et al., 2022) en montre empiriquement la forme, et plus la taille du développement interne est grande, plus la queue de la distribution s'épaissit. Par exemple, l'estimation « les exigences sont fixées, nous terminerons en 18 mois » est typique d'une « perspective interne » qui ignore que les résultats de projets du même type suivent une distribution où les dépassements moyens sont supérieurs à 27 % et un projet sur six triple (Flyvbjerg & Budzier, 2011).

  • Omission de budgétisation des investissements complémentaires : Comme avec les produits existants, les coûts de réorganisation des processus métier, de formation et de changement organisationnel sont placés en dehors du « budget de développement » (Brynjolfsson et al., 2021). En développement interne, l'équipe d'exploitation et de maintenance après la mise en service (surveillance, support aux demandes, traitement des défaillances) n'est souvent pas estimée non plus. Lientz & Swanson (1980) ont montré par une grande enquête que l'effort de maintenance et d'exploitation après la mise en service dépasse l'effort de développement, et un plan qui n'inclut pas cet effort dans le budget est structurellement insuffisant. Par exemple, après la mise en service d'un système construit par une équipe de dix développeurs, la moitié de l'équipe de développement se retrouve occupée par la gestion des défaillances et les demandes de modification, ce qui empêche la mise en œuvre du développement suivant.

  • Expansion du périmètre et orientation vers la construction monolithique : La décision de construire plusieurs domaines métier dans un seul système géant augmente simultanément l'envergure, les délais et la complexité de l'intégration. Flyvbjerg et al. (2022) présentent le mécanisme par lequel les interdépendances entre éléments technologiques provoquent des réactions en chaîne et des dépassements de coûts extrêmes, et Flyvbjerg & Gardner (2023) montrent que les projets de type modulaire, où de petites unités sont assemblées de manière itérative, sont beaucoup plus sûrs que les projets de type monolithique. Le NPfIT du NHS illustre les conséquences de cette orientation vers la construction monolithique (House of Commons Committee of Public Accounts, 2013). Par exemple, la décision « puisque nous construisons quelque chose, intégrons les ventes, les stocks, la comptabilité et les ressources humaines » crée une structure où les retards dans chaque domaine s'influencent mutuellement.

Étape 2 : Définition des exigences et sélection des produits

  • Les exigences changent toujours une fois l'utilisation commencée : Brooks (1987) soutient que les logiciels ont une « difficulté essentielle » qui ne peut pas être surmontée par des outils ou des méthodes, l'une d'elles étant la caractéristique (variabilité) que « des demandes de modification surgissent toujours une fois la mise en service » . Les utilisateurs ne comprennent ce qui est vraiment nécessaire qu'en voyant quelque chose fonctionner, et puisque la loi et les opérations changent pendant le développement, peu importe la rigidité avec laquelle les exigences sont fixées, cela ne devient jamais « terminé une fois achevé ». Alors que les produits existants confient cette adaptation au fournisseur, en développement interne, l'organisation doit la poursuivre perpétuellement.

  • Absence de propriétaire de la définition des exigences : En développement interne, il faut un responsable du côté du département opérationnel qui décide « quoi construire » et qui possède des connaissances et une expertise technique au même niveau que le personnel de la société informatique. Bien que l'équipe de développement, y compris le prestataire externalisé, puisse décider « comment construire », seul quelqu'un qui connaît l'opération peut décider « quel opération, dans quel ordre, et jusqu'où ». Hofmann & Lehner (2001) montrent que le degré d'implication du côté opérationnel explique le plus fortement le succès ou l'échec du projet, et le Standish Group (2015) cite aussi « l'engagement des utilisateurs » comme le premier facteur de succès. Quand ce responsable est absent et que le développement commence, les exigences sont remplies par la spéculation de la société informatique externalisée ou l'imitation du système actuel. Par exemple, lorsque le département opérationnel dit simplement « nous voulons juste pouvoir faire ce que le système actuel fait », et l'équipe de développement reproduit chaque écran de l'opération actuelle, le résultat est un système qui refait simplement les procédures opérationnelles d'il y a 20 ans avec une nouvelle technologie.

  • Insuffisance des capacités du côté de la commande (en cas d'externalisation) : Lorsque le développement interne est externalisé, si le côté commande n'a pas la capacité de définir les exigences, d'évaluer la progression et la qualité, il ne peut pas évaluer les livrables (Lacity et al., 2009; Feeny & Willcocks, 1998). Le cas du géant de la location de voitures américain Hertz (le projet de refonte complète du site Web et de l'application mobile a échoué, ce qui a amené à intenter une action en dommages-intérêts contre le prestataire Accenture pour plus de 32 millions de dollars) peut être interprété comme un exemple où cette insuffisance de capacité a été tolérée jusqu'à des poursuites judiciaires (Hertz Corp. v. Accenture LLP, 2019). Par exemple, le pattern où les rapports de progression soumis mensuellement par le prestataire sont acceptés comme « satisfaisants », et ce n'est que trois mois avant la livraison qu'on découvre que les fonctionnalités principales ne fonctionnent pas.

Étape 3 : Conception, développement et personnalisation

  • Retards en chaîne due à la complexité et à l'interdépendance : La loi de Brooks (1975) selon laquelle « ajouter du personnel à un projet en retard le retarde davantage » provient du fait que le coût de la communication augmente avec le carré du nombre de personnes. Un système conçu indépendamment a une forte interdépendance entre les éléments constitutifs, de sorte qu'un retard ou un changement de conception à un endroit se répercute sur d'autres éléments. Ce que Flyvbjerg et al. (2022) identifient comme le mécanisme des dépassements de coûts extrêmes est aussi cette réaction en chaîne. Par exemple, un changement de conception de base de données se répercute sur tous les écrans, états et processus d'intégration qui la référencent, de sorte qu'une semaine de travail de modification se transforme en trois mois de rétravail.

  • Accumulation de la dette technique : Comme Cunningham (1992) l'a montré par la métaphore de la « dette technique », les compromis de conception prioritaires aux délais augmentent continuellement les coûts de modification ultérieurs. Lors du développement en interne, l'entreprise doit planifier elle-même le remboursement de cette dette (refactorisation). Par exemple, un code implémenté « simplement pour fonctionner » en dupliquant le même traitement à plusieurs endroits, ce qui entraîne la nécessité de trouver et modifier tous les emplacements à chaque changement de spécifications, générant des défauts répétés due aux omissions de correction.

  • Absence de responsabilité d'intégration : Lorsque plusieurs sociétés de développement ou départements se partagent le développement, il peut arriver qu'aucun acteur ne soit responsable de l'intégration globale et de la qualité. L'audit du site Healthcare.gov (U.S. Government Accountability Office, 2014) a identifié l'absence de responsable d'intégration comme un facteur d'échec majeur. Par exemple, l'entreprise responsable de l'écran, celle du traitement des données, et celle de la connexion avec les organismes externes rapportent chacune que « leur domaine est terminé », mais l'ensemble ne fonctionne pas une fois connecté.

  • Erreurs de sélection technologique : Dans les développements de longue durée, la technologie choisie au démarrage peut devenir obsolète à l'achèvement, ou on peut choisir une technologie que seuls quelques développeurs maîtrisent. Bisbal et al. (1999) ont formalisé la structure selon laquelle les « systèmes patrimoniaux » créés de cette façon entravent le changement organisationnel par la diminution de personnes capables de les maintenir et l'obsolescence technique. La Cour des comptes américaine a rapporté que nombreux systèmes critiques du gouvernement fédéral étaient écrits dans des langages de plusieurs dizaines d'années, avec un risque imminent que la retraite des techniciens capables de les maintenir ne devienne critique (U.S. Government Accountability Office, 2016). Par exemple, un langage de développement choisi selon le jugement d'un responsable spécialisé dans ce langage, mais après le départ de cette personne, il a été impossible de recruter un remplaçant, et la maintenance s'est arrêtée.

Étape 4 : Tests, migration et mise en service

  • Négligence des tests et de la migration des données : Les tests de charge, les tests d'acceptation basés sur les scénarios métier, et la validation de la migration des données de l'ancien système sont compressés par la pression des délais. Chez Healthcare.gov, les tests de charge n'ont pas été effectués jusqu'à la veille de la mise en production, et chez Hertzfeld, le manque de tests de compatibilité mobile était un point contesté. Par exemple, bien qu'il ait été possible de prévoir au préalable que le trafic du jour du lancement serait 10 fois supérieur aux prévisions, le test sous cette charge n'a été effectué pour la première fois qu'une semaine avant le lancement, et même lorsque des problèmes ont été découverts, les corrections ne pouvaient pas être terminées à temps.

  • Risque du basculement simultané : Le basculement d'un coup de l'ancien système au nouveau maximise l'impact en cas de problème (Markus & Tanis, 2000). Lors du développement en interne, le basculement simultané est souvent choisi en raison de la décision de « ne pas supporter les coûts opérationnels doublés de l'exploitation parallèle ». Par exemple, la banque TSB au Royaume-Uni a basculé les comptes clients vers une nouvelle base de données comptable en un seul week-end en avril 2018, mais la semaine suivante, environ 1,9 million de clients n'ont plus pu accéder aux services bancaires en ligne, entraînant une perte comptabilisée de 330 millions de livres en frais de restauration et compensations clients. L'enquête indépendante a désigné comme cause principale la décision de procéder au basculement simultané sans tests suffisants avant la migration (Slaughter and May, 2019).

  • Escalade : impossible d'arrêter : Keil (1995) a analysé le phénomène dit « d'escalade » où les projets IT dont l'échec devient manifeste continuent et reçoivent des investissements supplémentaires. L'attachement aux dépenses déjà engagées, l'enjeu personnel du responsable, et un décalage dans la perception que « presque c'est fini » retardent la décision de se retirer. Le développement en interne rend l'abandon synonyme de perte totale de l'investissement, ce qui prolonge l'escalade. Par exemple, le NPfIT du NHS a vu des entreprises de développement majeures se retirer et l'adoption sur le terrain stagner peu d'années après le démarrage, mais la décision de l'abandonner a été reportée jusqu'en 2011 en raison de « dizaines de milliards de livres déjà investis ».

Étape 5 : Exploitation, maintenance et évolution

  • Sous-évaluation du coût de maintenance : Depuis l'enquête classique de Lientz & Swanson (1980), il a été confirmé à maintes reprises que la maintenance et l'exploitation représentent plus de la moitié du coût du cycle de vie des logiciels, et Erlikh (2000) estime qu'elle atteint 85 à 90% pour les systèmes d'entreprise. Comparer le développement en interne et les produits existants sur la base du « coût de développement » revient à ignorer la majorité des frais. Par exemple, un système dont le coût de développement est de 100 millions de yens entraîne généralement 200 à 500 millions de yens supplémentaires en maintenance, modifications et mises à jour de l'infrastructure sur 10 ans, ce qui est généralement plusieurs dizaines de fois supérieur aux frais d'utilisation de 10 ans d'un produit existant.

  • Changements continus et transition générationnelle des technologies de base : La « loi de l'évolution logicielle » formalisée par Lehman (1980) montre que les programmes réellement utilisés doivent continuer à être modifiés pour maintenir la satisfaction, et que la complexité augmente à mesure que les modifications se poursuivent. De plus, les mises à jour du système d'exploitation ou du navigateur, la gestion des vulnérabilités de sécurité, l'adaptation aux changements réglementaires, et les transitions générationnelles de technologies de base telles que la migration vers le cloud et l'API se produisent continuellement comme une « maintenance défensive » pour maintenir la valeur. Par exemple, la plupart des systèmes construits au début des années 2010 ont dû être modifiés à chaque changement de spécification du navigateur, fin de support du système d'exploitation du serveur, ou mise à jour des méthodes de chiffrement, ce qui a entraîné la situation : « aucune fonctionnalité n'a changé, mais il en coûte chaque année juste pour le maintenir en vie ».

  • Fuite de personnel et tacitisation des connaissances : Les connaissances sur les systèmes propriétaires s'accumulent chez le personnel qui les a créés. Rigby et al. (2016) ont quantifié le degré de perte de connaissance logicielle due au départ de développeurs, et montré que la proportion de code compris par une seule personne détermine le risque de maintenance après leur départ. Le phénomène des « systèmes que personne ne comprend » en raison du transfert ou du départ du responsable est commun à de nombreuses entreprises. Avec les produits existants, les connaissances sur les fonctionnalités standard circulent sur le marché, ce qui rend la résistance à l'usure du personnel plus élevée. Par exemple, dans un système où les documents de conception ne sont jamais mis à jour et qui a connu une décennie de modifications, le seul responsable qui comprenait l'ensemble s'en est allé, ce qui a entraîné une situation où par la suite « les gens ne touchaient pas le système de peur de le casser ».

  • Retard de la transformation organisationnelle et échec de l'adoption : Comme avec les produits existants, même si le système est mis en service, si les processus métier et l'organisation ne changent pas, les résultats ne se matérialisent pas (Aral & Weill, 2007). Lors du développement en interne, les exigences tendent à « reproduire exactement les opérations actuelles », ce qui peut faire perdre l'opportunité elle-même d'amélioration des processus métier. Hammer (1990) a critiqué l'automatisation telle quelle des procédures métier existantes comme « paver le sentier des vaches », un exemple typique de résultats nuls. Par exemple, un système qui reproduit telle quelle la demande sur papier à l'écran ne réduit pas la charge de saisie, mais crée plutôt un double travail où les gens remplissent d'abord le formulaire papier, puis le saisissent aussi dans le système.

Points de divergence entre les facteurs d'échec de l'adoption de produits existants et du développement en interne

Points communs

  • La « mauvaise évaluation de la forme d'implémentation », qui est le point de départ du jugement, est commune aux deux : L'erreur de faire la différenciation avec des produits existants et l'erreur de développer en interne ce qui ne différencie pas proviennent toutes deux de l'absence d'un axe de jugement commun (différenciation, spécificité des actifs, maturité du marché). Par exemple, les jugements au coude à coude tels que « puisque d'autres entreprises font du développement en interne » ou « puisque d'autres entreprises utilisent ce produit » mènent à des erreurs dans les deux directions.

  • La négligence des investissements complémentaires et le retard de la transformation organisationnelle sont des problèmes organisationnels, non technologiques, et surviennent dans les deux formes : Comme l'illustrent la courbe en J de Brynjolfsson et al. (2021) et la recherche sur les capacités organisationnelles d'Aral & Weill (2007), la valeur du système provient des changements dans les processus métier et le personnel. Par exemple, une entreprise qui n'a pas mis à jour les manuels de procédures ni fourni de formation après la mise en service du nouveau système se retrouve avec un « système inutilisé » qu'il s'agisse d'un produit existant ou d'un développement en interne.

  • L'insuffisance des capacités de l'acheteur et du côté métier est fatale dans les deux formes : La capacité à définir les exigences, évaluer les livrables et maîtriser les fournisseurs ou les équipes de développement ne peut pas être déléguée à l'extérieur. Par exemple, une entreprise qui a drastiquement réduit son service informatique perd la capacité à juger de la validité des propositions de l'autre partie, qu'il s'agisse de la sélection d'un produit existant ou de la sous-traitance du développement en interne.

  • L'échec de la discipline des tests et de la méthode de basculement apparaît de la même façon dans les deux formes : L'omission des tests de charge, l'absence de validation de la migration des données, le basculement simultané provoquent des pannes indépendamment de l'origine du produit. Par exemple, Hershey (produit existant) et Healthcare.gov (développement en interne) ont une forme différente, mais le même échec en ce que « les tests n'ont pas été effectués jusqu'à la veille de la mise en production et le basculement s'est fait simultanément ».

Points de divergence

  • Les échecs particuliers au développement en interne augmentent proportionnellement à l'échelle, la durée et la quantité de code propriétaire : Les erreurs d'estimation, les retards en cascade, la dette technique, les coûts de maintenance et la tacitisation du personnel sont tous des fonctions de « la quantité de code propriétaire que l'entreprise détient » et de « l'échelle et la durée du projet » (Flyvbjerg et al., 2022; Lientz & Swanson, 1980). Par exemple, même pour une « gestion des ventes » identique, mettre en place un produit existant et le lancer en 3 mois par rapport à un développement sur mesure sur 2 ans signifie que ce dernier subit une période d'exposition 8 fois plus longue aux changements de besoins, au turnover du personnel et à l'obsolescence technique.

  • Les échecs spécifiques à l'adoption de produits existants sont concentrés dans l'évaluation de la phase de sélection et la profondeur de la personnalisation : La négligence du décalage entre le produit et les opérations de l'entreprise et l'insuffisance de l'évaluation des fournisseurs apparaissent à l'étape 2, la personnalisation excessive à l'étape 3, et le verrouillage à l'étape 5, mais la racine de tous ces problèmes réside dans le jugement « utiliser le produit tel quel en standard, ou le développer sur mesure » (Soh et al., 2000; Brehm et al., 2001). Au moment où on choisit une profonde personnalisation, on absorbe aussi simultanément les facteurs spécifiques au développement en interne. Par exemple, Lidl a mis en place un produit existant, mais son envergure de 7 ans et 500 millions d'euros avait la même structure de risque qu'un développement en interne à grande échelle (Handelsblatt, 2018).

  • La magnitude de la perte en cas d'échec est plus grande dans le développement en interne : Pour les produits existants, comme il existe des voies de sortie telles que la résiliation du contrat ou la migration, la perte d'un échec tend à être limitée à « les frais d'utilisation et de migration jusqu'à ce point » ; en revanche, l'échec du développement en interne entraîne généralement une perte totale d'investissement, et l'escalade décrite par Keil (1995) s'en trouve prolongée. Par exemple, l'échec de l'adoption d'une SaaS entraîne généralement une perte limitée à plusieurs dizaines de millions de yens, tandis que le NPfIT du NHS n'a pu récupérer la majeure partie de ses 10 milliards de livres environ.

  • La responsabilité de la maintenance et de l'évolution diffère : Pour les produits existants, les fournisseurs gèrent la réponse aux enjeux de sécurité, la conformité réglementaire et la transition générationnelle des technologies de base pour tous les clients simultanément, tandis que pour le développement en interne, l'entreprise en supporte l'entière responsabilité (Lehman, 1980; Erlikh, 2000). Par exemple, lorsque la TVA ou les cotisations de sécurité sociale changent de taux, c'est un correctif du fournisseur pour les produits existants, mais pour le développement en interne, c'est à chaque fois une modification interne à l'entreprise.

Secteurs d'activité qui deviennent des cibles d'adoption de produits existants et de développement en interne

D'après l'organisation jusqu'à présent, la clé pour éviter l'échec réside dans le jugement « quelles opérations adopter avec des produits existants et quelles opérations développer en interne ». Ce jugement doit être effectué non au niveau du « système dans son ensemble » mais au niveau de « chaque secteur d'activité ».

Axes de jugement séparant l'adoption de produits existants et le développement en interne

Pour déterminer quelles sont les activités qui requièrent une solution existante et celles qui nécessitent un développement interne, il est possible de se fonder sur quatre théories accumulées en gestion d'entreprise.

  • L'axe de différenciation (théorie fondée sur les ressources) : Barney (1991) a soutenu que l'avantage concurrentiel durable naît uniquement de ressources qui sont précieuses (Valuable), rares (Rare), difficiles à imiter (Inimitable) et organisationnellement exploitées (Organized). Les produits que n'importe qui peut acheter sur le marché ne sont par définition ni rares ni difficiles à imiter. Le développement interne ne devient une option que si cette activité, menée de manière unique, crée un avantage aux yeux des clients. Par exemple, la précision des réapprovisionnements chez Walmart ou la rapidité de rotation des produits chez Zara sont les raisons mêmes pour lesquelles les clients choisissent ces entreprises, et les systèmes qui les soutiennent satisfont à cet axe de différenciation.

  • L'axe de spécificité des actifs (théorie des coûts de transaction) : Williamson (1985) a identifié trois conditions favorisant l'internalisation : une haute « spécificité des actifs » (impossibilité de changer de partenaire), une haute « incertitude » (impossibilité de prévoir les besoins futurs) et une haute « fréquence » des transactions. Nelson et al. (1996) ont appliqué ce cadre aux acquisitions de logiciels, en organisant sur deux axes – « singularité de l'activité » et « incertitude des besoins » – le choix entre achat de package, développement personnalisé et développement interne. Par exemple, le calcul des salaires est régi par la loi et est essentiellement identique dans toutes les entreprises du secteur, sa spécificité d'actifs est donc faible et un produit existant est approprié.

  • L'axe de maturité du marché (théorie de la commoditisation) : Carr (2003) a soutenu que les technologies de l'information, comme l'électricité ou les chemins de fer, se commoditisent avec la diffusion et ne génèrent plus d'avantage concurrentiel en elles-mêmes. Wardley (2020) a montré que toute technologie ou activité évolue selon quatre étapes – « émergente → construction interne → produit → commodité » – et que la méthode d'approvisionnement appropriée diffère selon l'étape. À l'étape émergente, il faut expérimenter en interne, mais une fois au stade produit, l'achat devient rationnel, et au stade commodité, l'utilisation à la demande est plus efficace. Par exemple, l'infrastructure informatique, qui nécessitait autrefois de posséder ses propres serveurs au début des années 2000, est devenue une commodité cloud ; Netflix a dès lors rationnellement décidé de fermer ses propres centres de données.

  • L'axe de vitesse de changement : Dans les domaines où les exigences (réglementations, normes techniques, attentes des clients) qui régissent l'activité évoluent rapidement, les produits existants offrent un avantage considérable en externalisant les coûts d'adaptation. Dans les activités stables avec peu de changements, la charge de maintenance en interne est relativement moins importante (Nelson et al., 1996 ; Lehman, 1980). Par exemple, dans les domaines soumis à des réformes réglementaires continues comme la conservation des registres électroniques ou le système d'e-facturation, les produits existants, où les fournisseurs effectuent les modifications pour tous les clients à la fois, sont incomparablement plus efficaces que de modifier soi-même le système à chaque fois.

Activités appropriées pour l'adoption d'une solution existante

  • Activités indirectes standard : Zone où les trois axes – différenciation, spécificité d'actifs et maturité du marché – convergent vers « solution existante ». Chez la plupart des entreprises, 80 à 90 % des activités se situent ici (Carr, 2003 ; Quinn & Hilmer, 1994). Par exemple, la comptabilité, le calcul des salaires, les notes de frais, la gestion des ressources humaines, la gestion des horaires, la messagerie électronique, le partage de fichiers et les réunions web ne sont pas valorisés par les clients même si menés différemment d'autres entreprises, il existe un marché mature de produits et des adaptations réglementaires fréquentes sont nécessaires.

  • Activités communes à l'industrie : Activités dont les procédures sont largement uniformes au sein du secteur et pour lesquelles plusieurs produits spécialisés existent (Davenport, 1998). Par exemple, la gestion de la relation client, la gestion des stocks, les achats, la gestion de projet et la gestion des demandes d'assistance client semblent propres à l'entreprise mais sont généralement essentiellement identiques chez les concurrents.

  • Activités apparemment uniques à l'entreprise mais qui ne créent pas de différenciation : Activités pour lesquelles « une manière propre à l'entreprise » existe, mais cette manière en elle-même n'est pas la raison pour laquelle les clients choisissent l'entreprise. Dans ce cas, il est préférable d'adapter l'activité à la norme du produit plutôt que de la construire, ou de mettre en place uniquement la partie propre en L3 (Soh et al., 2000 ; Brehm et al., 2001). Par exemple, les flux d'approbation uniques, la présentation des rapports internes et les structures de frais différentes selon les divisions sont souvent simplement le résultat de précédents historiques, et s'aligner sur la norme n'affecte pas le business.

  • Flux d'activité reliant plusieurs produits : Bien que l'activité elle-même soit standard, l'échange de données entre plusieurs produits est propre à l'entreprise. Par exemple, la suite de processus consistant à recevoir une commande dans le système de commandes, l'allouer dans le système de stocks et générer une facture dans le système comptable : tandis que chaque produit utilise une solution existante, la coordination entre produits est appropriée via des API ou des outils à faible code (Hasselbring, 2000).

  • Activités où les changements sont rapides et les coûts d'adaptation élevés : Les activités soumises à des modifications fréquentes de lois, de normes ou de standards techniques sont fortement recommandées aux solutions existantes selon l'axe de vitesse de changement (Nelson et al., 1996). Par exemple, pour la déclaration fiscale, le contrat électronique et les certifications de conformité en matière de protection des données personnelles et de sécurité, il est plus fiable que les fournisseurs gèrent les mises à jour à chaque réforme réglementaire plutôt que de les suivre soi-même.

  • Infrastructures commoditisées : Les domaines au stade commodité selon l'axe de maturité du marché sont rationnels à l'état de service plutôt que de propriété (Carr, 2003 ; Wardley, 2020). Par exemple, les serveurs, le stockage, les bases de données, l'infrastructure d'authentification et les plateformes de distribution d'e-mails : comme l'illustrent les cas de Netflix et Capital One, même les entreprises des secteurs régulés ou les grandes entreprises adoptent principalement l'utilisation de cloud externes (Netflix, 2016 ; Capital One, 2020).

Activités appropriées pour le développement interne

  • Noyau de différenciation où aucun produit n'existe sur le marché : Activités où la différenciation et la spécificité d'actifs sont élevées parmi les quatre axes, et la maturité du marché est au stade émergent ou de construction interne. Comme l'a montré Bessen (2022), les logiciels uniques sont une source d'avantage concurrentiel pour les grandes entreprises, mais seulement quand l'activité elle-même est la source de différenciation, qu'aucun produit du marché ne le soutient et que l'entreprise possède les capacités organisationnelles et le capital pour soutenir le développement et l'amélioration continue. Par exemple, Retail Link chez Walmart, le système de planification de production chez Zara et les systèmes de logistique et de recommandation chez Amazon n'avaient pas d'équivalents sur le marché au moment de leur création.

  • Mécanismes d'analyse et de prise de décision exploitant les données uniques de l'entreprise : Domaines utilisant les données que seule l'entreprise possède (historique du comportement client, registres de transactions sur le long terme, données de mesure uniques, etc.) et dont l'utilisation crée un avantage concurrentiel. Comme l'indique la théorie des actifs complémentaires de Teece (1986), la valeur réside non pas dans le système lui-même mais dans les données en tant qu'actif complémentaire. Par exemple, quand une compagnie d'assurance construit un modèle unique de tarification basé sur des dizaines d'années de données d'accidents, elle utilise une infrastructure cloud et des bibliothèques existantes pour la base de construction du modèle, mais développe elle-même la logique de calcul.

  • Noyau de différenciation mais « partie unipropre » d'un domaine où existent des produits : Quand la majorité de l'activité peut être traitée par un produit existant mais seule une partie des logiques qui créent un avantage concurrentiel est propre à l'entreprise. Dans ce cas, plutôt que de modifier le produit, la partie propre est développée en interne comme système indépendant et couplée au produit par une API couplée faiblement. Comme l'a montré Baldwin & Clark (2000), les modules séparés par une interface standardisée peuvent évoluer indépendamment, et Christensen & Raynor (2003) soulignent que les profits se déplacent vers les couches adjacentes aux couches commoditisées. Par exemple, la base du site e-commerce utilise un produit existant tandis que seul l'algorithme de fixation des prix ou la logique de recommandation, qui constituent l'avantage concurrentiel de l'entreprise, sont développés en interne et intégrés au produit via une API.

  • Cas où l'activité économique elle-même est un logiciel : Pour les entreprises dont le cœur du service fourni est le logiciel, ce logiciel est par définition son noyau de différenciation (Andreessen, 2011). Par exemple, pour Netflix, le système de distribution et de recommandation, ou pour Amazon, l'expérience d'achat : remplacer ces systèmes par un produit existant signifierait que l'activité économique elle-même ne fonctionnerait plus. Cependant, même pour ces entreprises, les activités connexes comme la comptabilité, les ressources humaines et l'infrastructure utilisent des produits existants.

Conditions préalables au développement interne

Pour procéder au développement interne, trois conditions préalables doivent être réunies.

  • L'activité visée crée un avantage concurrentiel : Mener cette activité de manière unique doit être directement la raison pour laquelle les clients choisissent l'entreprise. Selon la théorie fondée sur les ressources de Barney (1991), les ressources qui créent un avantage concurrentiel durable sont limitées à celles qui sont « précieuses, rares, difficiles à imiter et organisationnellement exploitées », et les activités pourvues par un produit disponible sur le marché ne satisfont par définition pas à cette condition. Quinn & Hilmer (1994) soutiennent qu'il faut maintenir en interne uniquement les activités où l'entreprise peut devenir meilleure au monde, et Moore (2005) divise les activités en « noyau » (raison pour laquelle les clients choisissent l'entreprise) et « contexte » (nécessaire mais où concurrents font la même chose), notant que le noyau se déplace vers le contexte avec le temps. Ce qui est crucial ici, c'est que le jugement se fasse du point de vue du client, non pas de l'affirmation de la ligne que « notre activité est spéciale ». Comme l'a montré Soh et al. (2000), beaucoup d'activités que le terrain considère comme « spéciales » sont simplement des procédures subsistantes pour raisons historiques et sans rapport avec la valeur pour le client. Par exemple, la précision de réapprovisionnement chez Walmart ou la rapidité de rotation des produits chez Zara sont littéralement la raison pour laquelle les clients choisissent ces magasins, et les systèmes qui les soutiennent satisfont à cette condition (Bessen, 2022 ; Ferdows et al., 2004). En revanche, l'affirmation « notre processus d'approbation est unique avec 5 étapes » ne crée aucune valeur pour le client et ne satisfait pas à cette condition.

  • Aucun produit approprié n'existe sur le marché : Le fait qu'aucun produit approprié n'existe sur le marché doit être confirmé par « enquête » plutôt que par « supposition » avant de se décider. Comme l'a montré Wardley (2020), toute technologie évolue selon « émergent → construction interne → produit → commodité », et poursuivre la construction interne dans des domaines ayant atteint le stade produit n'augmente que les coûts et les risques (Carr, 2003). Même selon le cadre de Nelson et al. (1996), le développement interne n'est rationnel que quand « l'unicité de l'activité est élevée et aucun produit du marché n'est adapté ». Il faut donc, avant de commencer, vérifier réellement par essai que plusieurs fournisseurs proposent des produits traitant l'activité visée et que ces produits peuvent être appliqués à l'activité de l'entreprise en standard ou par configuration et intégration. Par exemple, Walmart a développé Retail Link en interne en 1991 précisément parce qu'aucun produit capable de partager les données de ventes avec les fournisseurs en temps réel n'existait alors sur le marché (Bessen, 2022). Inversement, beaucoup des systèmes de recherche et de synthèse de documents internes développés en interne en 2023 pour la raison « aucun produit n'existe » verront en 2025 plusieurs produits spécialisés fournir des fonctionnalités équivalentes ou supérieures (Menlo Ventures, 2025) ; cette condition ne doit donc être vérifiée qu'une fois mais exige une révérification périodique.

  • Disposer de personnel, budget et organisation pour l'amélioration et la maintenance : Le développement interne n'est pas « développer et terminer », mais plutôt de pouvoir maintenir et améliorer continuellement le système pendant 5 à 10 ans après sa mise en place. Depuis Lientz & Swanson (1980), il est confirmé à plusieurs reprises que plus de la moitié du coût du cycle de vie des logiciels est dépensée en maintenance et exploitation après la mise en service, et Erlikh (2000) estime que dans les systèmes d'entreprise, cela atteint 85 à 90 %. En d'autres termes, choisir le développement interne signifie décider de supporter à l'avenir des frais de maintenance plusieurs fois supérieurs aux frais de développement (des coûts des dizaines de fois supérieurs à ceux des produits existants). Cette structure d'organisation requiert trois éléments. Premièrement, les ressources humaines. Comme l'a montré Rigby et al. (2016), les connaissances du système unique sont concentrées chez les personnes qui l'ont créé, il est donc essentiel d'avoir une équipe de plusieurs personnes qui peuvent assurer la continuité même si les développeurs clés quittent l'entreprise, ainsi qu'une documentation. Deuxièmement, le budget. Selon la règle empirique de Boehm (1981), les frais de maintenance annuels s'élèvent à environ 15-20 % des frais de développement, à laquelle s'ajoute les coûts de renouvellement accompagnant la transition des technologies fondamentales (Lehman, 1980). Troisièmement, l'organisation. Feeny & Willcocks (1998) soutiennent que pour continuer à mettre les systèmes à profit dans les activités commerciales, il est nécessaire de conserver en interne les capacités fondamentales telles que la réflexion reliant les activités commerciales et la technologie, la maîtrise de la conception, et la gestion des fournisseurs et des équipes de développement. Aral & Weill (2007) ont démontré que les résultats des investissements informatiques sont déterminés non pas par le montant investi, mais par ces capacités organisationnelles. Les « entreprises ayant construit un avantage concurrentiel grâce à leurs logiciels uniques » que Bessen (2022) a identifiées s'accompagnaient sans exception d'une large structure technologique et d'investissements continus. Par exemple, JPMorgan Chase a pu choisir le développement interne parce qu'elle avait des contraintes réglementaires et des données uniques comme cœur de différenciation, et en plus, elle dispose d'un budget technologique de dizaines de milliards de dollars par an et d'une force de travail technologique de plusieurs dizaines de milliers de personnes (JPMorgan Chase, 2025). À l'inverse, si une organisation ne comptant que 2 à 3 développeurs choisit le développement interne, le départ de ces quelques personnes déterminera directement la durée de vie du système.

Différence entre l'IA généraliste, l'agent IA spécialisé et le développement interne selon le type de tâche

Ici, nous nous concentrons sur l'IA et divisons les produits existants en IA généraliste et agents IA spécialisés, puis nous examinons parmi ces trois options (y compris le développement interne), quels types de tâches conviennent le mieux à chacun. Les quatre axes d'évaluation du chapitre précédent s'appliquent également directement à l'IA, mais comme l'IA possède des caractéristiques différentes des logiciels conventionnels, commençons par vérifier « quelles tâches sont en premier lieu appropriées pour l'adoption de l'IA ».

Tâches appropriées pour l'adoption de l'IA

L'IA, contrairement aux systèmes conventionnels, a la caractéristique de toucher transversalement aux activités, d'avoir des résultats probabilistes, et que les limites de ses capacités sont difficiles à prévoir à l'avance. Par conséquent, avant de « décider d'adopter l'IA », il faut juger à l'échelle de chaque tâche si « cette tâche est-elle adaptée à l'IA ».

  • La majorité des tâches consiste en traitement et jugement du langage, de documents et d'images : Eloundou et al. (2023) estime que environ 80 % des travailleurs américains sont affectés par les grands modèles de langage pour au moins 10 % de leurs tâches professionnelles, et environ 19 % pour plus de la moitié de leurs tâches. L'impact est particulièrement important pour les tâches qui traitent l'information, comme la lecture, la rédaction, le résumé, la classification et la comparaison de documents. Par exemple, les tâches telles que l'examen de contrats, la réponse à des demandes, la vérification des formulaires de demande par rapport aux critères et la création de code en relèvent, mais les travaux physiques sur le terrain et les négociations en face-à-face ne remplissent pas cette condition.

  • Il existe un moyen de vérifier si les résultats sont corrects ou non : L'IA peut retourner des résultats différents pour la même entrée et peut contenir des erreurs. Par conséquent, les tâches où les résultats peuvent être vérifiés par un humain ou par un autre mécanisme sont appropriées (NIST, 2023). Par exemple, les tâches d'examen comparant les dispositions légales et les plans sont appropriées car l'examinateur peut vérifier l'article fondamental signalé par l'IA, mais les tâches de prédiction où il n'existe pas de réponse correcte et qui ne peuvent pas être vérifiées ultérieurement rendent les erreurs de l'IA plus susceptibles d'être négligées.

  • À l'intérieur des limites de capacité de l'IA : Dell'Acqua et al. (2023) a mené une expérience sur 758 personnes dans une société de conseil, montrant que pour les tâches où l'IA excelle, la productivité augmente considérablement, tandis que pour les tâches qui semblent similaires mais qui se situent en dehors des limites, l'utilisation de l'IA diminue en réalité le taux de réponse correcte de 19 points. Cette « frontière dentée (jagged frontier) » signifie que l'étendue de l'application ne peut pas être déterminée sans réellement la tester. Par exemple, pour le même « résumé de document », le résumé d'un rapport général peut se situer à l'intérieur de la frontière, tandis que le travail consistant à comparer plusieurs documents et trouver les incohérences peut se situer en dehors de la frontière. Il est essentiel de tester à petite échelle avant la mise en œuvre, en utilisant les données réelles de votre propre organisation.

  • Le niveau de compétence des personnel varie considérablement, avec un grand potentiel de renforcement des capacités : Brynjolfsson et al. (2025) montrent que l'adoption de l'IA dans le département du service clientèle a augmenté le nombre de cas résolus par heure en moyenne de 14 %, avec une augmentation de 34 % pour le personnel inexpérimenté, tandis que l'effet était minime pour les travailleurs expérimentés. L'effet de l'IA se manifeste sous la forme d'une « élévation de la moyenne de l'organisation vers le niveau des travailleurs expérimentés ». Par exemple, dans les centres d'appels où il y a beaucoup de nouvelles recrues et un fort taux de rotation, ou dans les tâches d'examen où le personnel inexpérimenté doit consulter des critères complexes, l'effet est important, tandis que dans les tâches ne fonctionnant qu'avec un petit nombre de travailleurs expérimentés, l'effet est limité.

  • La responsabilité et le mécanisme de correction en cas d'erreur peuvent être conçus : Comme l'a montré la sentence Moffatt v. Air Canada (2024), les entreprises supportent la même responsabilité pour la production de l'IA que pour celle des employés. Par conséquent, il est nécessaire que ce soit une tâche où on peut concevoir un mécanisme pour détecter les erreurs, les corriger et assumer la responsabilité. Par exemple, l'aide à la création de documents à usage interne permet la correction à l'intérieur de l'organisation même en cas d'erreur, mais un chatbot répondant directement aux clients rend les conseils erronés directement responsables légalement.

  • Fréquence élevée et traitement standardisé par cas : La mise en œuvre de l'IA nécessite un investissement initial fixe tel que l'préparation des données d'évaluation et l'intégration dans les opérations, de sorte que plus le nombre de cas traités est important, plus facile il est de récupérer l'investissement. Par exemple, les tâches telles que le traitement de milliers de demandes par mois ou l'examen de centaines de documents par mois sont appropriées, mais pour les cas particuliers survenant seulement quelques fois par an, il est plus rationnel qu'un humain les traite.

Différences entre l'IA généraliste et l'agent IA spécialisé

Mais au fond, quelle est la différence entre l'IA généraliste et l'agent IA spécialisé ? Les deux peuvent être distingués selon cinq perspectives : « le marché cible », « la valeur fournie », « les connaissances intégrées », « l'unité d'utilisation », et « la méthode de facturation ».

  • Le marché cible est différent : Les fournisseurs d'IA généraliste tels que OpenAI, Anthropic et Google (Gemini) positionnent « la substitution et l'augmentation du travail intellectuel mondial » comme cadre, et visent le marché entier de la masse salariale du travail intellectuel mondial (environ 25 billions de dollars). D'autre part, les agents IA spécialisés redéfinissent comme marché cible les dépenses de salaires d'une industrie particulière. Par exemple, Harvey pour les services juridiques définit « le marché des services juridiques de 1 billion de dollars (les dépenses logicielles conventionnelles étant d'environ 40 milliards de dollars) », et Sierra pour le service client définit « les dépenses du service client de 40 milliards de dollars » (Taima, 2026).

  • La valeur fournie diffère selon qu'il s'agit de « l'augmentation » ou de « la substitution de tâches » : L'IA généraliste fournit « l'augmentation », qui aide le travail de chaque employé et améliore la productivité. L'agent IA spécialisé vise la « substitution », où le processus opérationnel spécifique lui-même est confié à l'agent, et Sequoia Capital appelle cela « Service-as-a-Software » au sens de « vendre le travail lui-même, et non le logiciel ». Par exemple, l'IA généraliste accélère la vitesse à laquelle un avocat lit les contrats, mais un agent IA spécialisé exécute principalement la tâche d'examen de contrat, et l'avocat passe à un rôle de vérification des résultats.

  • Les connaissances et les flux de travail intégrés sont différents : Ce que fourni l'IA généraliste est la capacité elle-même du modèle fondamental, et l'utilisateur doit fournir les connaissances, procédures et critères de jugement spécifiques à la tâche. L'agent IA spécialisé intègre dans le produit, au-dessus du modèle fondamental, la base de connaissances du secteur, les données d'évaluation par des experts, les procédures opérationelles, la conformité réglementaire, et l'intégration avec les systèmes opérationels existants. Par exemple, pour un produit spécialisé en examen de conformité bâtimentaire, le système de code du bâtiment, la méthode de lecture des plans, l'exploitation par chaque organisme de contrôle, et le format des dossiers d'examen sont intégrés dans le produit, et l'utilisateur n'a pas besoin d'enseigner tous ces éléments à partir de zéro.

  • L'unité d'utilisation diffère selon qu'il s'agit d'un « individu » ou d'un « processus opérationel » : L'IA généraliste est un outil que l'utilisateur individuel utilise en forme de dialogue, et elle se situe en dehors du processus opérationel de l'organisation. L'agent IA spécialisé est intégré dans le processus opérationel et fonctionne en échangeant données avec les systèmes opérationels. Par exemple, un document créé avec l'IA généraliste est transféré manuellement par le personnel dans le système opérationel, tandis que l'agent IA spécialisé reçoit les données directement du système d'examen ou du système de gestion de la relation client, et réécrit les résultats.

  • La méthode de facturation est différente : L'IA généraliste est principalement facturée en fonction du nombre d'utilisateurs (nombre de postes), tandis que l'agent IA spécialisé évolue vers une facturation basée sur la quantité de travail traité ou sur les résultats. Cela reflète le fait que le produit spécialisé vise à acquérir le « budget de masse salariale ». Par exemple, les produits spécialisés en service client adoptent une facturation « par demande résolue ».

  • La situation actuelle du marché des deux : Bien que les chiffres d'affaires des entreprises d'agents IA spécialisés augmentent rapidement, le taux de réalisation par rapport au marché cible reste très faible. Par exemple, Cursor (développement logiciel) avec un chiffre d'affaires annualisé de 2 milliards de dollars représente environ 0,13 % du marché cible, Harvey (services juridiques) avec 190 millions de dollars environ 0,02 %, Sierra (service client) avec plus de 150 millions de dollars environ 0,04 %, et OpenEvidence (santé) avec plus de 100 millions de dollars environ 0,4 à 0,5 %. L'agent IA spécialisé se situe à « l'entrée de l'entrée du marché », et on suppose qu'il connaîtra une expansion significative à l'avenir.

Tâches appropriées pour l'IA généraliste

En cas de non-personnalisation

Utilisation telle quelle des produits d'IA conversationnels non limités à des tâches spécifiques tels que ChatGPT, Microsoft Copilot, Claude et Gemini. La forme d'utilisation est principalement celle où les employés les utilisent individuellement pour améliorer leur propre productivité (Bommasani et al., 2021).

  • Brouillon et révision de documents : Le travail de commencer à écrire des textes tels que des courriels, des rapports et des propositions, et le travail de polir le texte écrit. Noy & Zhang (2023) montrent qu'une expérience utilisant ChatGPT pour les tâches de création de documents a réduit le temps de travail d'environ 40 % et a également amélioré la qualité des résultats. Par exemple, le brouillon d'emails en anglais adressés aux clients ou la révision du texte des rapports internes sont des cas d'usage où l'efficacité est confirmée à travers les secteurs et les métiers.

  • Résumé et organisation d'informations : Le travail d'extraire les points clés de longs documents ou du contenu de réunions et de les structurer. Dell'Acqua et al. (2023) montrent qu'une expérience menée auprès de 758 consultants révèle que pour les tâches dans les domaines où l'IA excelle, tels que la génération d'idées, la rédaction et l'analyse, le nombre de tâches complétées augmente de 12 %, le temps requis diminue de 25 %, et la qualité s'améliore de 40 %. Par exemple, créer des procès-verbaux à partir d'un enregistrement de réunion, ou résumer les points clés d'une ressource de plusieurs dizaines de pages en une seule page.

  • Traduction et support multilingue : Compréhension de documents dans d'autres langues et conversion de ses propres textes vers d'autres langues. Eloundou et al. (2023) estiment que les tâches centrées sur le traitement du langage, incluant la traduction et la rédaction, sont les domaines les plus fortement affectés par les grands modèles de langage. Par exemple, lire des projets de contrats de partenaires étrangers ou rédiger des communications client multilingues.

  • Assistance à la création de code : Aide à la rédaction de programmes, de fonctions de feuilles de calcul et de scripts. Peng et al. (2023) ont démontré dans une expérience contrôlée que les développeurs utilisant GitHub Copilot ont complété les tâches 55,8 % plus rapidement que ceux qui ne l'utilisaient pas. Par exemple, la création de fonctions complexes dans une feuille de calcul, la création de scripts d'agrégation de données ou l'explication de code existant.

  • Génération de structures et d'idées : Production de matériel pour commencer à réfléchir, comme la structure de documents, les options d'initiatives ou les angles d'abordage de questions. L'expérience de Dell'Acqua et al. (2023) a également montré que les tâches créatives comme le brainstorming d'idées de nouveaux produits ou les propositions de segmentation de marché se situent dans les domaines où l'IA excelle. Par exemple, proposer plusieurs versions de structures pour une présentation, identifier les points clés d'un atelier.

  • Propositions de réponses pour les interactions clients standardisées : Rédaction de réponses à des demandes fréquentes. Brynjolfsson et al. (2025) ont montré qu'avec l'adoption d'IA dans le département du service client, le nombre de cas résolus par heure a augmenté en moyenne de 14 %, et de 34 % pour les agents les moins expérimentés. Par exemple, le processus consiste à produire des propositions de réponse aux demandes standardisées comme les méthodes de retour ou les heures d'ouverture, que l'agent examine avant d'envoyer.

Ce qui est commun à tous ces éléments, c'est que ce sont des tâches transversales qui se complètent au niveau individuel et dont les résultats peuvent être vérifiés immédiatement par l'utilisateur. Il existe toutefois des limites. Comme l'a appelé MIT NANDA (2025) le « learning gap », les produits d'IA généraliste ne mémorisent pas le contexte métier, n'apprennent pas à partir des retours et ne s'adaptent pas au flux de travail de l'entreprise. Ainsi, ils cessent d'être utilisés pour les tâches complexes et continues (alors que 70 % choisissent l'IA pour les tâches simples, 90 % optent pour l'humain pour les tâches complexes et à long terme). En outre, l'« IA fantôme », où les employés utilisent des produits sous contrat individuel pour le travail, crée des problèmes de contrôle tels que la transmission externe d'informations confidentielles et la responsabilité. Il convient donc de l'aborder non pas par l'interdiction, mais par une adoption officielle et la mise en place de règles d'utilisation (MIT NANDA, 2025 ; Haag & Eckhardt, 2017).

En cas de personnalisation

Une forme de configuration où les instructions de l'entreprise (système de prompts), les documents internes à consulter et les fonctionnalités des systèmes internes pouvant être appelées sont définis pour le produit d'IA généraliste, structurés en tant qu'« assistant interne » pour un usage spécifique. Il s'agit d'utiliser les fonctionnalités de configuration fournies par le produit lui-même, comme les GPTs de ChatGPT (OpenAI, 2023), les Projets de Claude (Anthropic, 2024) ou Microsoft Copilot Studio (Microsoft, 2023), qui peuvent être configurés sans coder.

  • Réponses de premier niveau référençant les connaissances internes : Répondre à des questions en référençant les connaissances qui existent sous forme de documents, comme les réglementations internes, les manuels et les Q&A antérieures. La recherche progresse sur la « génération augmentée par récupération (RAG) », qui recherche des documents externes et les reflète dans les réponses (Lewis et al., 2020), et cela peut être réalisé via les fonctionnalités de configuration du produit. Par exemple, les réponses de premier niveau aux demandes standardisées adressées au service informatique comme « Comment configurer un VPN » ou au service RH comme « Procédure de demande de congé parental ».

  • Génération de documents conformes au style et format de l'entreprise : Ajustement de la production de l'IA généraliste pour se conformer aux normes de format et d'expression de l'entreprise. L'effet d'efficacité de la création de documents démontré par Noy & Zhang (2023) peut être reproduit dans l'ensemble de l'organisation sans variation individuelle, en configurant des exemples et des instructions pour se conformer aux normes de l'entreprise. Par exemple, l'unification du ton des e-mails aux clients selon le ton de l'entreprise ou l'organisation des rapports selon une structure de titres prescrite.

  • Classification et routage des documents reçus : Classification des demandes ou des demandes en fonction de leur contenu et détermination du service responsable et de la priorité. Brynjolfsson et al. (2018) ont établi que les tâches avec des entrées et sorties claires et une fréquence élevée sont les mieux adaptées à l'apprentissage automatique, et la classification en est un exemple typique. Par exemple, classifier le contenu d'un formulaire de demande en « Facturation », « Technique » ou « Résiliation » et l'orienter vers la personne responsable.

  • Automatisation du travail personnel s'étendant sur plusieurs outils existants : Travail qui traverse les outils métier généralistes comme le calendrier, l'e-mail, les documents et les feuilles de calcul. Microsoft (2023) fournit des fonctionnalités d'intégration avec les outils métier, comme dans Copilot Studio. Par exemple, créer un procès-verbal à partir d'un enregistrement de réunion, enregistrer les décisions dans un outil de gestion des tâches et préparer une ébauche d'e-mail pour les parties prenantes, est une série de travaux.

  • Assistance à la prise en main pour les nouveaux arrivants : Usage destiné à permettre aux employés inexpérimentés de se documenter eux-mêmes sur les procédures de travail et la terminologie interne. Brynjolfsson et al. (2025) montrent que l'effet de l'IA est le plus important chez les employés inexpérimentés (amélioration de productivité de 34 %), et un assistant référençant les connaissances internes vise cet effet. Par exemple, permettre à un nouvel employé de vérifier immédiatement à partir de la réglementation interne « Qui doit approuver cette demande ».

Il existe des limites, et cette méthode ne peut combler que « la consultation des connaissances » et non « l'exécution des tâches ». Elle n'est pas adaptée à l'intégration dans les processus métier où le système métier reçoit les données, prend une décision et écrit le résultat en retour (MIT NANDA, 2025). Par exemple, en fournissant un document de critères d'examen, on peut répondre à « Comment interpréter cet article », mais on ne peut pas exécuter la tâche elle-même : lire les plans soumis, les rapprocher des dispositions pertinentes et créer des dossiers d'examen. De plus, la qualité des instructions et des documents de référence configurés, la vérification de l'exactitude des réponses et la mise à jour des documents relèvent de la responsabilité de l'entreprise. Si les documents de référence restent obsolètes, les réponses inexactes persistent, et le comportement peut changer avec les mises à jour du modèle de base (Gao et al., 2023 ; NIST, 2023). Par conséquent, la personnalisation de l'IA généraliste doit cibler « les réponses de premier niveau référençant les documents internes » et « l'efficacité du travail personnel », et il est rationnel de passer aux produits spécialisés ou au développement interne lorsqu'une intégration dans les processus métier devient nécessaire.

Métiers où les agents IA spécialisés sont appropriés

Lorsque vous n'effectuez pas de personnalisation

Utilisation de produits IA conçus spécifiquement pour des domaines d'activité particuliers, tels que l'examen de documents juridiques, l'assistance à la création de dossiers médicaux, l'examen de conformité du bâtiment, le support client et le traitement comptable, dans leurs fonctions et procédures standard. Au-dessus du modèle de base, les connaissances du domaine métier, les données, les flux de travail, les critères d'évaluation et la conformité réglementaire sont intégrés, en supposant une intégration avec les systèmes métier.

  • Examen de documents juridiques et analyse de contrats : Vérification des conditions des contrats, recherche de précédents et de législation, assistance à la création de documents. Selon Menlo Ventures (2025), les dépenses en IA verticale sont les plus importantes dans le secteur juridique après le secteur médical (650 millions de dollars), et les produits spécialisés comme Harvey intègrent les précédents, la législation et la structure des contrats dans le produit. Par exemple, confronter les conditions d'un contrat commercial aux conditions standard de l'entreprise et présenter les écarts et leurs justifications.

  • Création de dossiers médicaux et consultation d'informations cliniques : Enregistrement du contenu des consultations et consultation de la littérature médicale et des lignes directrices. Pour Menlo Ventures (2025), le secteur médical est le domaine des dépenses en IA verticale le plus important (1,5 milliard de dollars), et les produits comme OpenEvidence intègrent la littérature médicale et les directives cliniques. Par exemple, créer un brouillon de dossier clinique à partir d'une conversation de consultation, que le médecin examine et confirme.

  • Réponse de premier niveau du service client et exécution du traitement : Tâche réalisée en un seul flux : réception de demandes, consultation des informations client, exécution de traitements tels que remboursements ou modifications de réservations, et enregistrement. Les produits comme Sierra fournissent ce flux complet intégré avec le système de gestion de la relation client. L'amélioration de la productivité du support client montrée par Brynjolfsson et al. (2025) provenait d'une IA intégrée aux systèmes métier. Par exemple, en réponse à une demande de statut de livraison, consulter les données réelles du système de gestion des commandes pour répondre et, si nécessaire, organiser un nouveau envoi.

  • Assistance et automatisation du développement logiciel : Création de code, corrections, révisions et tests. En plus de l'accélération de 55,8 % montrée par Peng et al. (2023), les produits spécialisés en développement comme Cursor fournissent une complétion comprenant l'ensemble du code source et l'édition de fichiers multiples, devenant le domaine avec les revenus les plus élevés parmi les produits d'IA spécialisée. Par exemple, implémenter une nouvelle fonctionnalité en comprenez la base de code existante et générer des tests.

  • Examen et rapprochement sur la base des réglementations et normes : Tâche consistant à confronter les documents d'application ou les plans avec les lois et normes, et déterminer la conformité. Eloundou et al. (2023) montrent que les tâches incluant la vérification et le rapprochement de documents sur la base de règles sont des domaines fortement affectés par les grands modèles de langage, et des produits spécialisés intégrant la structure des lois, la façon de lire les documents et les plans, et les pratiques de chaque institution émergent dans ces domaines. Par exemple, dans l'examen de conformité du bâtiment, confronter les plans soumis avec les dispositions du code du bâtiment et créer un projet de points d'observation basé sur les dispositions pertinentes comme justification.

  • Traitement standard de la comptabilité et du back-office : Traitement des factures, écritures comptables, vérification des dépenses et traitement de diverses demandes. MIT NANDA (2025) rapporte que bien que l'attention se porte sur les domaines de la vente et du marketing, ce sont en réalité les domaines du back-office où l'effet est le plus important, générant des économies d'échelle de plusieurs millions de dollars par an en réductions de frais externalisés et de frais d'agences. Par exemple, lire une facture reçue, la rapprocher des données de commande et créer une écriture comptable dans le système comptable.

Ce qui est commun à tous ces éléments, c'est que les connaissances spécialisées, la réglementation et les formats de données spécifiques à l'industrie définissent les tâches, et la seule capacité généraliste du modèle de base n'atteint pas le niveau pratique (Dell'Acqua et al., 2023), et les procédures et critères de jugement sont généralement partagés au sein de l'industrie, permettant une haute conformité aux produits standard (Davenport, 1998 ; Soh et al., 2000). L'« outil profondément intégré aux opérations et apprenant au fil du temps » que MIT NANDA (2025) cite comme caractéristique des entreprises réussies est ce que les produits spécialisés tentent de fournir. Par exemple, Morgan Stanley a construit un système de recherche et de synthèse pour les conseillers financiers basé sur plus de 100 000 rapports d'études en partenariat avec OpenAI, ce qui est un bon exemple de « co-développement avec un fournisseur » où la couche modèle est approvisionnée en externe, la couche de données est détenue en interne par l'entreprise et la couche flux de travail est co-construite avec le fournisseur (Morgan Stanley, 2023).

En cas de personnalisation

Forme de configuration dans la plage de paramètres fournie par le produit spécialisé, reflétant les critères de jugement, procédures, formats et flux d'approbation de l'entreprise, et connexion du système métier de l'entreprise via API. Le principe de rester limité aux paramètres et connexions sans modification du produit lui-même est inchangé par rapport aux logiciels traditionnels (Brehm et al., 2001).

  • Refléter les critères et formats de jugement propres à chaque organisation : Bien que les fondements des jugements (lois, normes, directives) soient communs à l'industrie, la pondération des priorités, le format des enregistrements et le libellé des observations varient selon l'organisation. Strong & Volkoff (2010) classent les décalages entre organisation et système en six catégories : fonctionnalité, données, convivialité, rôles, contrôle et culture organisationnelle, montrant la nécessité de distinguer ce qui doit être absorbé par les paramètres de ce qui doit être modifié au niveau des processus métier.

  • Intégration avec les systèmes métier existants : Connecter les produits spécialisés aux systèmes d'accueil, de gestion de la relation client, de gestion documentaire et de comptabilité existants, en éliminant les transferts manuels de données. Comme l'a montré Hasselbring (2000), l'intégration ne doit pas être construite en accumulant des connexions individuelles, mais plutôt en se limitant à la portée des fonctionnalités de connexion standard (API) fournies par le produit, ce qui devient une condition de maintenabilité. Par exemple, connecter un produit spécialisé de service client au système de gestion des commandes de l'entreprise, permettant à l'IA de consulter des données réelles pour répondre aux questions sur les retours ou l'état des livraisons.

  • Définition des points de vérification humaine et du flux d'approbation : L'IA effectue un traitement initial, tandis que les conditions déterminant le contrôle et l'approbation par des personnes sont établies. Le cadre de gestion des risques liés à l'IA du NIST (2023) exige la supervision humaine proportionnée à l'ampleur du risque ainsi que la conception de procédures pour détecter et corriger les erreurs. Par exemple, les observations d'examen concernant des non-conformités graves doivent toujours être vérifiées par l'examinateur avant notification au demandeur, ou les remboursements d'un montant dépassant un seuil doivent être approuvés par un supérieur hiérarchique.

  • Intégration des retours d'expérience des experts : Utiliser le mécanisme permettant de refléter les corrections et évaluations des experts utilisateurs dans l'amélioration du produit. L'IA d'assistance client analysée par Brynjolfsson et al. (2025) fonctionnait selon un mécanisme fournissant les connaissances d'experts chevronnés, basées sur leurs enregistrements de transactions, à tous les agents.

  • Définition de la portée d'accès aux données et des permissions : Définir, selon les départements et les rôles, la plage de données auxquelles l'IA peut accéder et les traitements qu'elle peut exécuter. Le NIST (2023) considère la clarification de la portée du traitement des données et des droits d'accès comme des éléments fondamentaux de la gouvernance des systèmes d'IA. Par exemple, permettre aux agents des succursales d'accéder uniquement aux données clients de leur succursale, tandis que les administrateurs au siège accèdent aux agrégats globaux.

Comme limite, si le flux de travail que le produit suppose est fondamentalement différent de celui de l'entreprise, l'accumulation de paramètres ne résoudra pas le problème. Comme dans le cas classique du décalage logiciel (Soh et al., 2000), il faut décider de modifier les processus métier, de choisir un autre produit, ou de séparer les composantes spécifiques. Lorsque des traitements spécifiques commencent à s'accumuler en dehors du produit, cela indique soit que « le produit spécialisé ne convient pas aux processus métier », soit que « cette partie représente la différenciation clé à développer en interne », ce qui mène au jugement sur l'auto-développement décrit ci-après (Brehm et al., 2001).

Domaines appropriés au développement en interne

La forme de construction en interne de mécanismes utilisant les API de modèles de base pour la recherche et la consultation des données propres à l'entreprise (RAG), l'apprentissage supplémentaire des modèles (affinage fin), ou des agents combinant plusieurs traitements (Lewis et al., 2020 ; Bommasani et al., 2021).

  • Nouveaux domaines où aucun produit spécialisé n'existe sur le marché : Les processus métier de l'entreprise se situent au stade « émergent » de la maturité du marché, et aucun produit spécialisé approprié n'existe encore (Wardley, 2020). Cependant, comme le marché des produits spécialisés se développe rapidement (Menlo Ventures, 2025), le fait qu'il n'existe pas actuellement ne garantit pas qu'il n'existera pas l'année prochaine, d'où la nécessité de réévaluer régulièrement les raisons de poursuivre le développement interne. Par exemple, pour la détection d'anomalies portant sur des équipements ou des processus spécifiques à l'entreprise, comme ceux qui n'existent que dans cette organisation au sein du secteur, le développement interne est la seule option jusqu'à l'émergence d'un produit adapté.

  • Domaines où les contraintes réglementaires ou de confidentialité interdisent de confier les données à des produits externes : Cas où les réglementations interdisent de transmettre les données clients ou confidentielles à un service externe, nécessitant un fonctionnement sous le contrôle de l'entreprise. Par exemple, l'une des raisons pour lesquelles JPMorgan Chase a opté pour le développement interne était l'impossibilité de transmettre des données confidentielles à l'extérieur en raison de la réglementation financière (JPMorgan Chase, 2025). Cependant, dans de nombreux cas, cette contrainte peut être surmontée par les modalités de fourniture des produits spécialisés (exploitation dans l'environnement de l'entreprise, contrat interdisant l'utilisation pédagogique des données), d'où la nécessité de vérifier si le développement interne est vraiment indispensable.

  • Lorsque l'IA doit être intégrée au cœur du produit ou service de l'entreprise : Pour les entreprises dont le service principal est un logiciel, l'IA intégrée en constitue par définition l'élément de différenciation (Andreessen, 2011). Par exemple, ajouter une fonctionnalité IA destinée aux clients dans un produit SaaS propriétaire signifie que cette fonctionnalité est un facteur de différenciation face aux concurrents ; intégrer directement un produit spécialisé externe reviendrait à abandonner la différenciation. Cependant, même dans ce cas, il est courant de se procurer la couche modèle à l'extérieur et de développer en interne les couches flux de travail et données.

Dans le jugement de développement interne, il faut concevoir le système d'IA en trois couches : « couche modèle », « couche flux de travail » et « couche données ». La couche modèle se commoditise le plus rapidement ; elle doit être utilisée via une API en maintenant une conception non dépendante d'un fournisseur spécifique (OpenAI, Google, etc.). La couche données est l'atout complémentaire le plus critique ; le développement interne et les systèmes d'IA spécialisés doivent assurer les fonctionnalités d'export (Teece, 1986). Pour la couche flux de travail, la réponse est : l'IA générale si la tâche est générique pour un individu, un produit spécialisé si le processus est commun à l'industrie, le développement interne si c'est un facteur de différenciation et qu'aucun produit n'existe. Pour les domaines impliquant la vie humaine, les biens ou les droits légaux, si l'entreprise ne peut pas en interne construire et maintenir une structure d'expertise, de développement, d'évaluation, il faut choisir un produit spécialisé doté d'une telle structure (NIST, 2023 ; Moffatt v. Air Canada, 2024).

Cadre d'implémentation de l'IA

Ici, sur la base des analyses précédentes, nous présentons un cadre opérationnel pour évaluer l'implémentation de l'IA, étape par étape. Ce cadre repose sur le principe que les décisions doivent être prises « par unité de processus métier » plutôt que « au niveau du système global », et qu'elles doivent être examinées régulièrement plutôt que définitivement, une fois décidées.

Étape 1 : Décomposer les processus métier et les diviser en cœur et contexte

  • Penser au niveau du processus métier plutôt que du système : Poser la question « acheter ou développer le système de base ? » ou « implémenter l'IA ? » est en soi le début de l'échec. Le système de base se compose de nombreux processus métier de natures différentes—comptabilité, achats, stocks, ventes, production—chacun requérant une approche appropriée. Commencez par décomposer les processus métier jusqu'à une granularité jugeable.

  • Classer chaque processus métier en cœur et contexte : Suivant la distinction établie par Moore (2005), classez chaque processus en « processus conduisant directement aux raisons pour lesquelles les clients choisissent l'entreprise (cœur) » et « processus nécessaires mais où les concurrents peuvent opérer de la même façon (contexte) ». Les responsables opérationnels tendent à percevoir leurs processus comme « spécifiques et importants », la classification doit donc être effectuée conjointement par la direction et le terrain, du point de vue du client.

  • Limiter le cœur à un petit nombre : Il est normal que peu de processus soient classés comme cœur. Prahalad & Hamel (1990) affirment que toute entreprise citant plus de cinq ou six compétences clés se méprend sur leur sens, et Moore (2005) soutient que les activités migrent du cœur vers le contexte au fil du temps, la majorité des ressources étant dépensées en contexte. Si la classification produit un grand nombre de processus cœur, réexaminez chacun en demandant « les concurrents le font-ils ? » et « les clients choisissent-ils notre entreprise pour cela ? »—beaucoup basculeront en contexte. Par exemple, classer 6 processus sur 10 comme cœur signale presque certainement que les critères sont trop généreux.

  • Se limiter aux processus métier adaptés à l'IA : Vérifiez pour chaque processus les conditions décrites au chapitre « Processus métier adaptés à l'implémentation d'IA » (centré sur le langage ou les documents, résultats vérifiables, capacités à l'intérieur de la frontière, variance du niveau d'expertise, responsabilité et procédures de correction concevables, haute fréquence).

Étape 2 : Cinq tests de jugement

En ajoutant un axe de faisabilité aux quatre axes du chapitre précédent, appliquez cinq tests séquentiellement pour chaque processus métier.

  • Test de différenciation : Exécuter ce processus d'une manière unique représente-t-il une valeur pour les clients, est-ce difficile à imiter par les concurrents, et cela crée-t-il un avantage durable ? Répondez « oui » uniquement si les quatre conditions VRIO sont remplies ; un « oui » suggère d'explorer le développement interne. Un « non » indique de déterminer le mode d'acquisition par les tests suivants. Par exemple, le système de réapprovisionnement de Walmart mérite un « oui », mais pas sa gestion des frais.

  • Test de spécificité des actifs : Le mode d'exécution de ce processus est-il unique à l'entreprise ou fondamentalement identique aux concurrents du même secteur ? S'il est identique, envisagez un produit existant ; s'il est unique, revérifiez si « cette unicité réussit le test de différenciation ». L'unicité qui ne contribue pas à la différenciation est une cible d'alignement sur les standards. Par exemple, l'unicité « notre approbation demande cinq niveaux » ne crée pas de différenciation et devrait s'aligner sur les trois niveaux standards.

  • Test de maturité du marché : À quel stade d'évolution se trouve le marché des produits ciblant ce processus ? Si plusieurs fournisseurs concourent avec des fonctionnalités standardisées (stade produit/commodité), adoptez un produit existant ; si aucun produit n'existe ou le marché est immature (stade émergent/construction propriétaire), développez en interne. Par exemple, la gestion de la relation client dispose d'un marché mature, mais l'optimisation d'un processus de fabrication spécifique à l'entreprise peut ne pas avoir de produit disponible. Pour l'IA, vérifiez en trois niveaux : suffisance de l'IA générale, existence de produits spécialisés, ou absence de produits.

  • Test de vitesse de changement : Quelle est la rapidité du changement des exigences régissant ce processus ? Dans les domaines changeant rapidement, l'avantage des produits existants qui externalisent le coût de suivi s'accroît. Par exemple, les processus assujettis à des modifications légales annuelles ou directement impactés par l'évolution des modèles de base gagnent à confier la conformité à des produits existants dont le fournisseur assure la mise à jour.

  • Test de capacités : L'entreprise dispose-t-elle de talents, de budgets et d'une organisation pour développer ce système et continuer à l'améliorer et le maintenir pendant cinq à dix ans après sa mise en production ? Sans cela, même si les autres tests indiquent le développement interne, explorez le personnalisation d'un produit existant ou cherchez un développement conjoint intégrant vos exigences au produit. Par exemple, une organisation avec seulement deux développeurs risque de voir son système subir l'impact du départ de ces deux personnes.

Seuls les processus dont les cinq tests indiquent le développement interne deviennent cibles du développement interne. Si un seul test indique l'adoption d'un produit existant, traitez-le comme un avertissement concernant le risque du développement interne et envisagez un produit existant (IA générale ou agent d'IA spécialisé). En particulier, le test de capacités possède un droit de veto capable d'annuler les résultats des quatre autres tests.

Étape 3 : Évaluer les coûts et la valeur sur l'ensemble du cycle de vie

  • Comparer selon le coût total de propriété (TCO) et non selon les frais de développement : Les coûts de développement interne sont largement sous-estimés lorsqu'on ne considère que les frais de développement initiaux. Les frais de maintenance annuels atteignent 15 à 20% des frais de développement (Boehm, 1981), et la part des coûts de maintenance et d'exploitation dans le coût du cycle de vie est estimée entre 5 à 7% (Lientz & Swanson, 1980) et 85 à 90% pour les systèmes d'entreprise (Erlikh, 2000), ce qui fait que le coût total de propriété sur 10 ans est 3 à 10 fois supérieur aux frais de développement initiaux. Les devis pour les produits existants doivent inclure, en plus des frais d'utilisation, les coûts de changement des processus métier, les frais de maintenance des éléments de connexion, et les coûts futurs de migration. Par exemple, selon une enquête de Panorama Consulting Group (2024), le coût médian des projets de mise en œuvre d'ERP est de 450 000 dollars (environ 0,2% du chiffre d'affaires annuel de l'entreprise concernée), tandis que les grands projets de développement interne analysés par Bloch et al. (2012) dépassaient 15 millions de dollars de budget, ce qui représente typiquement un écart de 20 à 30 fois par rapport à la mise en œuvre de produits. En outre, le développement interne s'accompagne de frais de maintenance et de renouvellement futurs correspondant à 3 à 10 fois ce coût initial. Cependant, même les produits existants peuvent gonfler jusqu'à ce même ordre de grandeur s'ils sont largement personnalisés, comme le montrent les cas de Lidl (environ 500 millions d'euros) et de la ville de Birmingham (plus de 100 millions de livres) (Handelsblatt, 2018 ; Grant Thornton UK LLP, 2023).

  • Corriger les estimations par la classe de référence : Par rapport à votre propre estimation, appliquez la distribution des résultats réels de projets similaires (Flyvbjerg et al., 2022), en évaluant explicitement la probabilité que les dépassements de coûts soient au moins doublés. Si la direction ne peut accepter cette probabilité, excluez l'activité de la portée du développement interne ou divisez le projet en plusieurs phases pour que l'échec d'une seule ne soit pas catastrophique. Par exemple, en supposant une distribution empirique selon laquelle « un projet sur six voit son budget tripler », divisez l'investissement par projet à une « taille où un triplement de coûts ne serait pas catastrophique pour l'activité ».

  • Évaluer les coûts de sortie et la facilité de se retirer : Pour toute forme d'implémentation, évaluez « combien de pertes pourrait-on accepter avant d'arrêter ? ». Estimez les coûts et délais de résiliation et migration de produits existants, d'arrêt du développement interne et passage à des solutions de remplacement, et reconnaissez la valeur des options de sortie (Keil, 1995). La valeur de cette flexibilité augmente dans les domaines caractérisés par une forte incertitude (Fichman, 2004). Par exemple, l'option de tester un produit IA spécialisé sur un contrat d'un an et de l'annuler en cas d'inefficacité n'existe pas si vous développez la même fonction en interne.

  • Définir la période d'évaluation en tenant compte de la courbe en J : Si vous jugez basé seulement sur les résultats des 1 à 2 premières années après le déploiement, vous risquez d'interrompre les investissements complémentaires nécessaires. Définissez une période d'évaluation d'au moins 5 ans, et incluez les investissements complémentaires (reconception des processus métier et formation) dans le budget (Brynjolfsson et al., 2021). Par exemple, lors de la première année de déploiement d'une assistance IA pour l'audit, le temps de traitement peut en fait augmenter tant que les auditeurs ne maîtrisent pas la procédure de vérification des signalements de l'IA, et si vous jugez cette période comme un « échec » et arrêtez, vous abandonnez l'investissement avant d'en récolter les fruits.

  • Différences dans la structure de coûts pour l'IA : Les API de modèles de base utilisent une tarification à l'usage, de sorte que les coûts sont variables et non fixes. Cela améliore la résilience face aux fluctuations de performance, mais les coûts augmentent à mesure que l'utilisation s'accroît. Selon une enquête de McKinsey (2026), 20% des entreprises répondent que les coûts opérationnels de l'IA limitent leur utilisation. De plus, les coûts d'inférence continuent à baisser rapidement, si bien qu'il est risqué de conclure que « l'exploitation interne du modèle serait moins chère » en se basant sur les prix actuels. Par exemple, il n'est pas rare que le coût de traitement par cas soit réduit de plusieurs fois en un an, et vous devez incorporer dans votre estimation la tendance à la baisse des prix.

Étape 4 : Établir des points de contrôle pour les risques d'échec à chaque phase

Pour chaque facteur d'échec par phase identifié dans le chapitre sur les causes d'échec, établissez les points de contrôle suivants à chaque phase.

  • Vérifications à effectuer au stade de la planification et de la décision d'investissement : Existe-t-il un registre spécifiant le niveau de déploiement et le responsable par activité métier, l'estimation a-t-elle été corrigée à partir de la classe de référence (distribution des résultats réels de projets similaires) (Flyvbjerg, 2006 ; Flyvbjerg et al., 2022), les investissements complémentaires tels que la reconception des processus métier, la formation et la structure opérationnelle ont-ils été budgétisés (Brynjolfsson et al., 2021), et le projet est-il divisé par activité plutôt que construit en bloc (Flyvbjerg & Gardner, 2023). Ces vérifications répondent au « jugement erroné sur la forme de déploiement », « erreur de planification », « oubli d'investissements complémentaires » et « gonflement du périmètre ». Par exemple, au lieu d'une seule demande d'approbation pour « refonte du système noyau », vérifiez que la demande énumère le niveau de déploiement, le responsable et le budget séparément pour la comptabilité, les achats et l'inventaire.

  • Vérifications à effectuer au stade de la définition des exigences et de la sélection des produits : Avez-vous identifié les décalages entre le produit et les processus métier, et décidé s'il faut « adapter le processus métier » ou « isoler ce domaine » (Soh et al., 2000 ; Davenport, 1998), avez-vous évalué la pérennité du fournisseur, les moyens d'exporter les données et les conditions de résiliation du contrat (Shapiro & Varian, 1999), disposez-vous d'une équipe interne capable de définir les exigences et gérer le fournisseur (Feeny & Willcocks, 1998 ; Lacity et al., 2009). Pour l'IA, ajoutez à cela la vérification suivante : avez-vous testé à petite échelle sur vos données métier réelles et confirmé les limites de capacité (Dell'Acqua et al., 2023). Par exemple, au lieu de sélectionner un produit après avoir vu sa démonstration, injectez des dizaines de cas de votre entreprise, constituez une liste des cas où le produit n'a pas fonctionné correctement, puis signez le contrat.

  • Vérifications à effectuer au stade de la conception, du développement et de la personnalisation : S'il y a eu des développements qui correspondent à une modification du produit lui-même, resterez-vous dans le périmètre de configuration et d'intégration (Brehm et al., 2001), existe-t-il une entité qui intègre l'ensemble et qui assume la responsabilité de la qualité (U.S. Government Accountability Office, 2014), la dette technique est-elle préplanifiée pour être remboursée (Cunningham, 1992 ; McKinsey, 2020). Par exemple, adoptez une procédure où, pour chaque demande de modification, vous vérifiez si « cette demande peut-elle être gérée par configuration ou faut-il écrire du code », et si du code doit être écrit, rendez l'approbation du responsable obligatoire.

  • Vérifications à effectuer au stade des tests, de la migration et du démarrage : Les tests de charge, les tests de réception et la vérification de la migration des données ont-ils été réalisés selon le plan (Somers & Nelson, 2001 ; U.S. Government Accountability Office, 2014), avez-vous envisagé une migration progressive ou une exploitation en parallèle (Markus & Tanis, 2000), existe-t-il une porte de contrôle d'étape pour décider « continuer, modifier ou arrêter », et le décideur est-il différent du responsable du projet (Keil, 1995). Pour l'IA, ajoutez à cela la vérification suivante : les procédures de détection et de correction des erreurs et la responsabilité sont-elles définies (NIST, 2023 ; Moffatt c. Air Canada, 2024). Par exemple, nommez le président de la réunion de décision de mise en exploitation comme étant une personne d'une autre division plutôt que le responsable du projet, et documentez à l'avance le critère « la mise en exploitation ne se fait que si les problèmes graves non résolus au test sont nul ».

  • Vérifications à effectuer au stade de l'exploitation, de la maintenance et de l'évolution : La structure de maintenance et le budget sont-ils assurés (Lientz & Swanson, 1980 ; Boehm, 1981), existe-t-il une documentation et un partage des connaissances pour préparer le changement de personnel (Rigby et al., 2016), le changement et la formation des processus métier ont-ils été réalisés (Aral & Weill, 2007), existe-t-il une stratégie pour faire face à la révision tarifaire des fournisseurs et à l'arrêt des produits (Farrell & Klemperer, 2007). Pour l'IA, ajoutez à cela la vérification suivante : existe-t-il une procédure pour suivre la mise à jour ou la suppression du modèle de base, et une surveillance continue de la qualité des résultats (NIST, 2023). Par exemple, un an après la mise en exploitation, vérifiez « la documentation de conception est-elle à jour », « la maintenance peut-elle continuer si l'un des principaux développeurs s'en va », et « quel est le taux d'utilisation des licences ».

Étape 5 : Procéder à des révisions régulières

  • Réexécuter annuellement le test de maturité du marché : Pour les domaines où vous développez en interne, vérifiez « y a-t-il eu un changement dans le marché de produits cette année ». Si de nouveaux produits ont émergé, remettez en question les raisons de poursuivre le développement interne. Dans le domaine de l'IA, où les produits spécialisés émergent rapidement, cette révision devrait être effectuée tous les six mois. Par exemple, la structure de recherche et résumé de documents internes que vous avez développée en interne il y a un an est probablement dépassée, car plusieurs produits offrent désormais des fonctionnalités équivalentes ou supérieures.

  • Détecter l'obsolescence du cœur : Vérifiez si une activité qui avait autrefois réussi le test de différenciation n'est plus une source d'avantage concurrentiel du fait de la convergence concurrentielle ou de la normalisation de l'industrie. Par exemple, le mécanisme de commande en ligne qui était une force unique il y a 10 ans est devenu une fonctionnalité standard de l'industrie aujourd'hui, et la pertinence de continuer à développer en interne cette partie a disparue.

  • Refléter les changements dans les talents et les capacités : Si un développeur clé quitte l'entreprise ou si une réorganisation s'opère, les résultats du test de capacité changent. En fonction de la situation des talents, envisagez de passer du développement interne à l'adoption de produits existants, ou de faire la transition vers un développement en co-création avec le fournisseur du produit. Par exemple, au moment où le concepteur de votre système IA interne quitte l'entreprise, vous devriez sérieusement envisager de passer à un produit IA spécialisé équivalent.

  • Principe en cas d'hésitation : Pour les activités où le jugement hésite, commencez d'abord par mettre en œuvre des produits existants, puis confirmez la marge de différenciation en cours d'exploitation. Il est possible de passer ultérieurement du développement interne à l'adoption de produits existants, mais revenir de l'adoption de produits existants au développement interne signifie abandonner les frais de développement engagés, ce qui est beaucoup plus difficile. Face à l'incertitude, il est rationnel de commencer par des options réversibles. Par exemple, pour le déploiement de l'IA, l'approche qui génère le moins de pertes est : d'abord utiliser l'IA généraliste pour soutenir le travail individuel, puis intégrer un produit IA spécialisé dans le processus métier, et développer en interne seulement le cœur de différenciation qui ne peut pas être comblé.

Conclusion

Pour pratiquement toutes les entreprises et organisations, l'adoption de l'IA est devenue une considération incontournable, avec le choix entre mettre en œuvre des produits existants ou développer en interne, et beaucoup de gens hésitent sur la façon de juger et décider. Nous espérons que le contenu de cette section servira de guide à votre examen et à votre prise de décision.

Références bibliographiques

  • Andreessen Horowitz. (2025). How 100 enterprise CIOs are building and buying gen AI in 2025. a16z. Résumé : Basé sur une enquête auprès de 100 CIO d'entreprise, ce rapport présente l'évolution de l'approvisionnement en applications IA passant du développement interne à l'achat de produits externes, le fait que 37 % des entreprises utilisent 5 modèles ou plus en parallèle, et l'émergence d'entreprises où l'IA génère la majorité du code dans le domaine du développement de logiciels.

  • Aral, S., & Weill, P. (2007). IT assets, organizational capabilities, and firm performance: How resource allocations and organizational differences explain performance variation. Organization Science, 18(5), 763–780. Résumé : Étude démontrant que les résultats de l'investissement informatique ne dépendent pas du montant investi, mais de la combinaison de la composition des actifs informatiques et des capacités organisationnelles (compétences, processus métier numérisés et culture d'utilisation de l'informatique).

  • Barney, J. (1991). Firm resources and sustained competitive advantage. Journal of Management, 17(1), 99–120. Résumé : Ouvrage fondateur de la théorie fondée sur les ressources (VRIO), selon laquelle l'avantage concurrentiel durable provient de ressources qui sont précieuses, rares, difficiles à imiter et organisationnellement exploitées.

  • Bessen, J. (2022). The new Goliaths: How corporations use software to dominate industries, kill innovation, and undermine regulation. Yale University Press. Résumé : Ouvrage arguant que des entreprises comme Walmart et Amazon construisent un avantage concurrentiel grâce à des logiciels propriétaires non commercialisés, ce qui entraîne la concentration industrielle et la stagnation de l'entrée de nouveaux acteurs. Il illustre les conditions sous lesquelles le développement interne crée un avantage concurrentiel.

  • Bloch, M., Blumberg, S., & Laartz, J. (2012). Delivering large-scale IT projects on time, on budget, and on value. McKinsey Quarterly. Résumé : Rapport d'une étude conjointe avec l'Université d'Oxford analysant plus de 5 400 projets informatiques, montrant que les grands projets dépassent en moyenne le budget de plus de 45 % et génèrent une valeur inférieure de 56 %.

  • Bloomberg. (2025, May). Klarna CEO says AI customer service push went too far, plans to hire humans again. Bloomberg News. Résumé : Article d'entretien rapportant que le PDG de Klarna a reconnu la dégradation de la qualité du service client par l'IA et a annoncé son intention de réembaucher des agents humains.

  • Brehm, L., Heinzl, A., & Markus, M. L. (2001). Tailoring ERP systems: A spectrum of choices and their implications. Proceedings of the 34th Hawaii International Conference on System Sciences. Résumé : Étude classant les méthodes d'adaptation des ERP en neuf étapes, de la « configuration » à la « modification du code source », montrant que plus l'étape est profonde, plus les risques techniques, les coûts de maintenance et la perte de support augmentent.

  • Brooks, F. P. (1975). The mythical man-month: Essays on software engineering. Addison-Wesley. Résumé : Ouvrage classique de gestion de développement logiciel, contenant la loi de Brooks : « ajouter du personnel à un projet en retard le rendra encore plus en retard ».

  • Brooks, F. P. (1987). No silver bullet: Essence and accidents of software engineering. IEEE Computer, 20(4), 10–19. Résumé : Article distinguant les difficultés du logiciel entre « difficultés essentielles » (complexité, conformité, variabilité, invisibilité) et « difficultés accidentelles », arguant que les premières ne peuvent être résolues par des outils ou des méthodes.

  • Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at work. Quarterly Journal of Economics, 140(2), 889–942. Résumé : Étude empirique à grande échelle montrant que l'adoption de l'IA générative dans les départements du service client améliore la productivité de 14 % en moyenne, l'effet étant particulièrement important pour les agents moins expérimentés.

  • Brynjolfsson, E., Rock, D., & Syverson, C. (2021). The productivity J-curve: How intangibles complement general purpose technologies. American Economic Journal: Macroeconomics, 13(1), 333–372. Résumé : Étude montrant que l'effet de l'adoption de technologies universelles ne se manifeste pas immédiatement car les investissements complémentaires en actifs incorporels doivent d'abord être engagés, puis l'effet s'accélère, traçant une « courbe en J ».

  • Capital One. (2020, December 1). Capital One completes migration to the cloud and closes its last data center [Press release]. Résumé : Document de presse d'une grande banque américaine annonçant la fermeture de ses huit centres de données et la migration complète de son infrastructure vers AWS. Exemple d'externalisation de la couche infrastructure dans une industrie réglementée.

  • Carr, N. G. (2003). IT doesn't matter. Harvard Business Review, 81(5), 41–49. Résumé : Article arguant que l'informatique est devenue une infrastructure banalisée, comparable à l'électricité ou au chemin de fer, et que l'informatique elle-même ne crée pas d'avantage concurrentiel, ce qui justifie une priorité à la minimisation des dépenses et à la gestion des risques.

  • Cunningham, W. (1992). The WyCash portfolio management system. OOPSLA '92 Experience Report. Résumé : Rapport qui a introduit pour la première fois la métaphore de la « dette technique » pour décrire comment les compromis de conception accumulés à titre de raccourcis à court terme augmentent continuellement les coûts de modification futurs.

  • Davenport, T. H. (1998). Putting the enterprise into the enterprise system. Harvard Business Review, 76(4), 121–131. Résumé : Article arguant que les ERP intègrent les hypothèses du fournisseur concernant la façon de conduire les activités, ce qui confronte les entreprises adoptantes à un choix stratégique : « adapter le système aux processus métier ou adapter les processus métier au système ».

  • Dell'Acqua, F., McFowland, E., Mollick, E. R., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2023). Navigating the jagged technological frontier: Field experimental evidence of the effects of AI on knowledge worker productivity and quality (Working Paper No. 24-013). Harvard Business School. Résumé : Étude expérimentale menée auprès de 758 consultants montrant que les capacités de l'IA présentent une frontière « irrégulière » : à l'intérieur de la frontière, la productivité augmente considérablement, mais au-delà, le taux de réussite baisse.

  • Eloundou, T., Manning, S., Mishkin, P., & Rock, D. (2023). GPTs are GPTs: An early look at the labor market impact potential of large language models. arXiv:2303.10130. Résumé : Étude estimant que près de 80 % de la main-d'œuvre américaine verrait au moins 10 % de ses tâches professionnelles affectées par les grands modèles de langage, et environ 19 % en verrait plus de 50 % affectées, démontrant que l'IA est une technologie universelle.

  • Erlikh, L. (2000). Leveraging legacy system dollars for e-business. IT Professional, 2(3), 17–23. Résumé : Article estimant que la maintenance et l'exploitation représentent 85 à 90 % du coût total du cycle de vie des systèmes d'entreprise, soulignant l'importance des coûts de maintien des systèmes hérités.

  • Farrell, J., & Klemperer, P. (2007). Coordination and lock-in: Competition with switching costs and network effects. In M. Armstrong & R. Porter (Eds.), Handbook of industrial organization (Vol. 3, pp. 1967–2072). Elsevier. Résumé : Article qui organise théoriquement l'impact des coûts de changement et des effets réseau sur la concurrence du marché, montrant comment les coûts de changement donnent aux fournisseurs un pouvoir de contrôle des prix.

  • Ferdows, K., Lewis, M. A., & Machuca, J. A. D. (2004). Rapid-fire fulfillment. Harvard Business Review, 82(11), 104–110. Résumé : Article analysant comment Zara (Inditex) boucle le cycle de conception à la mise en magasin en deux semaines en exploitant un modèle de processus intégré à un système informatique simple développé en interne, illustrant comment un système parfaitement adapté au modèle métier crée un avantage concurrentiel.

  • Flyvbjerg, B. (2006). From Nobel Prize to project management: Getting risks right. Project Management Journal, 37(3), 5–15. Résumé : Article proposant la « prévision par référence de classe », une méthode qui corrige les estimations en s'appuyant sur la distribution réelle des performances de projets similaires, pour contrecarrer les biais de planification.

  • Flyvbjerg, B., & Budzier, A. (2011). Why your IT project may be riskier than you think. Harvard Business Review, 89(9), 23–25. Résumé : Article analysant 1 471 projets informatiques, montrant que si le dépassement de coût moyen est de 27 %, un sixième des projets sont des « cygnes noirs » atteignant des dépassements de coûts supérieurs à 200 % et des dépassements de délai supérieurs à 70 %.

  • Flyvbjerg, B., Budzier, A., Lee, J. S., Keil, M., Lunn, D., & Bester, D. W. (2022). The empirical reality of IT project cost overruns: Discovering a power-law distribution. Journal of Management Information Systems, 39(3), 607–639. Résumé : Une étude analysant 5 392 projets informatiques, démontrant que les dépassements de coûts suivent une distribution en loi de puissance (queue grasse). Elle avertit que les estimations basées sur une distribution normale sous-évaluent les dépassements extrêmes.

  • Gartner. (2025, June 25). Gartner predicts over 40% of agentic AI projects will be canceled by end of 2027 [Press release]. Résumé : Prédiction que plus de 40 % des projets d'IA agentique seront annulés d'ici fin 2027 en raison de coûts, de valeur peu claire et d'une gestion insuffisante des risques. La déclaration souligne le phénomène généralisé du « agent-washing », notant que sur plusieurs milliers de fournisseurs autoproclamés, seuls environ 130 possèdent réellement des capacités d'agentique.

  • Grant Thornton UK LLP. (2023). Birmingham City Council: Statutory recommendations under Section 24 of the Local Audit and Accountability Act 2014. Résumé : Rapport d'audit externe pointant les dépassements budgétaires et les dysfonctionnements de la gestion financière dans la mise en œuvre d'Oracle de Birmingham City Council, citant la personnalisation excessive comme l'une des causes principales.

  • Handelsblatt. (2018, July). Lidl stoppt Milliardenprojekt mit SAP. Handelsblatt. Résumé : Article rapportant l'annulation par Lidl de son projet de mise en œuvre de SAP après 7 ans et environ 500 millions d'euros d'investissement, imputant l'interruption à la personnalisation excessive due à un attachement à la méthode d'évaluation des stocks.

  • House of Commons Committee of Public Accounts. (2013). The dismantled National Programme for IT in the NHS (Nineteenth Report of Session 2013–14). The Stationery Office. Résumé : Rapport parlementaire examinant les coûts et les leçons suivant le démantèlement du programme d'intégration des dossiers médicaux électroniques du NHS au Royaume-Uni (NPfIT), synthétisant les problèmes liés aux grands projets de développement personnalisé centralisé.

  • JPMorgan Chase. (2025). LLM Suite named 2025 "Innovation of the Year" by American Banker. JPMorgan Chase Technology Blog. Résumé : Document corporatif expliquant l'historique du déploiement et l'échelle d'utilisation de « LLM Suite », un outil développé en interne qui utilise des modèles de base externes sur une infrastructure interne.

  • Kahneman, D., & Tversky, A. (1979). Intuitive prediction: Biases and corrective procedures. TIMS Studies in Management Science, 12, 313–327. Résumé : Article décrivant l'« erreur de planification », où les individus ignorent les cas similaires passés et font des estimations selon une perspective interne, proposant des corrections basées sur une perspective externe.

  • Keil, M. (1995). Pulling the plug: Software project management and the problem of project escalation. MIS Quarterly, 19(4), 421–447. Résumé : Recherche analysant les facteurs d'« escalade » whereby les projets informatiques en échec continuent d'être financés et reçoivent des investissements supplémentaires, démontrant la nécessité de mécanismes de décision d'abandon.

  • Klarna. (2024, February 27). Klarna AI assistant handles two-thirds of customer service chats in its first month [Press release]. Résumé : Document corporatif annonçant que l'assistant IA développé en interne utilisant des modèles de base externes traite les deux tiers des interactions de service client et équivaut à 700 postes de travail.

  • Koch, C. (2002). Hershey's bittersweet lesson. CIO Magazine. Résumé : Article rapportant comment Hershey, après avoir subi une défaillance d'expédition lors d'un basculement ERP global en 1999, a complété un grand upgrade en 2002 en adoptant une migration progressive pendant la période creuse avec des tests suffisants, livrant avant la date prévue et sous budget.

  • Koch, C. (2004). Nike rebounds: How (and why) Nike recovered from its supply chain disaster. CIO Magazine. Résumé : Article décrivant comment Nike, suite à l'échec de la mise en œuvre du système de prévision de la demande en 2000, a transformé son renouvellement des systèmes de base en un déploiement progressif par région et fonction, complétant le projet sans incidents majeurs d'ici 2006.

  • Lacity, M. C., Khan, S. A., & Willcocks, L. P. (2009). A review of the IT outsourcing literature: Insights for practice. Journal of Strategic Information Systems, 18(3), 130–146. Résumé : Revue systématique de la recherche empirique sur l'externalisation informatique, synthétisant pour la pratique la supériorité de l'externalisation sélective, l'importance de la conception contractuelle et les capacités requises du côté du mandant.

  • Lehman, M. M. (1980). Programs, life cycles, and laws of software evolution. Proceedings of the IEEE, 68(9), 1060–1076. Résumé : Article formalisant la « loi de l'évolution des logiciels », démontrant que les programmes réellement utilisés doivent être continuellement modifiés sinon leur satisfaction diminue, et que la complexité augmente avec chaque modification.

  • Lientz, B. P., & Swanson, E. B. (1980). Software maintenance management: A study of the maintenance of computer application software in 487 data processing organizations. Addison-Wesley. Résumé : Étude classique et à grande échelle des activités de maintenance logicielle dans les entreprises, montrant systématiquement pour la première fois que plus de la moitié du coût du cycle de vie est consacrée à la maintenance.

  • McKinsey & Company. (2026). The state of AI: Global survey 2026. QuantumBlack, AI by McKinsey. Résumé : Rapport d'enquête basé sur des réponses de 1 719 personnes dans 97 pays, signalant que le taux d'adoption de l'IA atteint 88 % tandis que seules 37 % des entreprises rapportent un impact sur l'EBIT, que 80 % des répondants ressentent une amélioration de la productivité personnelle, que 32 % des entreprises ont choué le développement interne via des outils de codage IA, et que 20 % des entreprises citent les coûts d'exploitation de l'IA comme une contrainte d'utilisation.

  • Menlo Ventures. (2025). 2025: The state of generative AI in the enterprise. Menlo Ventures. Résumé : Rapport d'analyse des dépenses en IA générative des entreprises, montrant un déplacement significatif vers l'achat externe (76 %) par rapport au développement interne (24 %) par rapport à l'année précédente, une croissance des dépenses en IA spécialisée verticale à 3,5 milliards de dollars, et un taux de seulement 16 % pour les entreprises opérant des agents autonomes.

  • MIT NANDA. (2025). The GenAI divide: State of AI in business 2025. Massachusetts Institute of Technology. Résumé : Rapport d'enquête basé sur des entretiens avec 52 organisations et des réponses de 153 personnes, montrant que 95 % des pilotes d'IA générative ne parviennent pas à des effets profitables, que le taux de passage en production des produits externes (67 %) est deux fois supérieur à celui du développement interne (33 %), et documentant l'existence d'un « écart d'apprentissage » entravant l'adoption.

  • Moffatt v. Air Canada, 2024 BCCRT 149 (Civil Resolution Tribunal of British Columbia, 2024). Résumé : Arbitrage canadien reconnaissant la responsabilité de la compagnie aérienne pour un guidage incorrect fourni par un chatbot et ordonnant des dommages.

  • Moore, G. A. (2005). Dealing with Darwin: How great companies innovate at every phase of their evolution. Portfolio. Résumé : Ouvrage distinguant les activités en « cœur » générant la différenciation et en « contexte » nécessaire mais ne la générant pas, arguant que toute activité migre progressivement du cœur vers le contexte au fil du temps.

  • Nelson, P., Richmond, W., & Seidmann, A. (1996). Two dimensions of software acquisition. Communications of the ACM, 39(7), 29–35. Résumé : Article appliquant la théorie des coûts de transaction à l'acquisition de logiciels, structurant selon deux axes — l'unicité métier et l'incertitude des exigences — l'adéquation de l'achat de progiciels, du développement personnalisé, du développement interne et de l'externalisation.

  • Netflix. (2016, February 11). Completing the Netflix cloud migration. Netflix. Résumé : Document corporatif rapportant l'achèvement en 2016 de la migration vers AWS initiée suite à une défaillance de base de données en 2008, avec fermeture du dernier centre de données interne. Exemple de séparation où l'infrastructure est déléguée en externe tandis que le noyau de différenciation est développé en interne.

  • Panorama Consulting Group. (2023). The 2023 ERP report. Panorama Consulting Group. Résumé : Rapport annuel basé sur une enquête continue auprès d'entreprises ayant déployé un ERP, rapportant les taux de dépassement budgétaire et calendaire ainsi que les taux de réalisation des objectifs. Il montre qu'environ la moitié des implémentations ERP dépassent le budget ou le calendrier, et que moins de la moitié des entreprises réalisent pleinement les effets attendus.

  • Shapiro, C., & Varian, H. R. (1999). Information rules: A strategic guide to the network economy. Harvard Business School Press. Résumé : Guide pratique fondamental d'économie de l'information qui organise systématiquement les propriétés économiques des biens informationnels (coûts de changement, verrouillage, effets de réseau, normalisation).

  • Soh, C., Kien, S. S., & Tay-Yap, J. (2000). Enterprise resource planning: Cultural fits and misfits: Is ERP a universal solution? Communications of the ACM, 43(4), 47–51. Résumé : Étude analysant l'implémentation d'un ERP dans un hôpital, classifiant les inadéquations entre produit et organisation en trois types (données, fonctionnalités, résultats), et démontrant que les personnalisations engendrent une augmentation des coûts à long terme.

  • Standish Group. (2015). CHAOS report 2015. The Standish Group International. Résumé : Rapport de suivi continu des proportions de succès, de défis et d'échecs dans les projets logiciels, montrant que le taux de succès s'est maintenu autour de 30 %.

  • Standish Group. (2020). CHAOS 2020: Beyond infinity. The Standish Group International. Résumé : Édition 2020 du rapport CHAOS, connue pour montrer l'absence de variation significative du taux de succès depuis plus de 20 ans et pour identifier la réduction des délais de prise de décision comme facteur clé de succès.

  • Taima, M. (2026, June 12). Quelle taille de marché les entreprises d'IA générative doivent-elles viser ? — Théorie, cas d'usage et recherches récentes sur le TAM. mign. https://www.mign.io/articles/57854/ Résumé : Une chronique qui clarifie la structure selon laquelle les entreprises d'IA généraliste (OpenAI, Anthropic, Google) ciblent l'ensemble du travail intellectuel, tandis que les entreprises d'IA générative spécialisées par secteur (Harvey, Cursor, Sierra, OpenEvidence, etc.) ciblent les dépenses de main-d'œuvre dans des secteurs spécifiques. Elle compare quantitativement le concept de Service-as-a-Software ainsi que les revenus, les marchés cibles et le taux de réalisation de chaque entreprise.

  • Teece, D. J. (1986). Profiting from technological innovation: Implications for integration, collaboration, licensing and public policy. Research Policy, 15(6), 285–305. Résumé : L'un des ouvrages fondamentaux de la stratégie technologique, montrant les conditions selon lesquelles les bénéfices de l'innovation reviennent non aux inventeurs, mais aux détenteurs des actifs complémentaires nécessaires à la commercialisation.

  • U.S. Government Accountability Office. (2014). Healthcare.gov: Ineffective planning and oversight practices underscore the need for improved contract management (GAO-14-694). Résumé : Rapport d'audit du Government Accountability Office identifiant l'absence de responsable d'intégration, les modifications fréquentes des exigences et l'insuffisance des tests comme causes de l'échec du lancement de Healthcare.gov.

  • Wardley, S. (2020). Wardley maps: Topographical intelligence in business. Creative Commons (publication en ligne). Résumé : Ouvrage qui systématise une méthode de représentation des éléments constitutifs d'une activité sous forme de carte, sur la base que la technologie et les activités évoluent selon les étapes « émergent → construit sur mesure → produit → marchandise », et qui permet de sélectionner la méthode d'acquisition appropriée à chaque étape.

  • Williamson, O. E. (1985). The economic institutions of capitalism: Firms, markets, relational contracting. Free Press. Résumé : Guide fondamental de l'économie des coûts de transaction, précisant que l'internalisation ou la délégation au marché d'une transaction dépend de trois facteurs : la spécificité des actifs, l'incertitude et la fréquence.

  • Zylo. (2023). 2023 SaaS Management Index. Zylo. Résumé : Rapport d'étude analysant les données contractuelles SaaS des entreprises, révélant que près de 40 % des licences contractualisées restent inutilisées et que chaque entreprise perd environ 17 millions de dollars annuels.

Partager cet article