GenAI en entreprise : 10 cas d'usage qui ont prouvé leur ROI

Trois ans après l'arrivée de ChatGPT en entreprise, la conversation a changé de nature. La question n'est plus « est-ce que ça marche ? » mais « est-ce que ça crée de la valeur, et combien ? ». Le BCG GenAI Value Creators Study publié fin 2024 a mis un chiffre sur ce qu'on observe sur le terrain : 74 % des entreprises peinent encore à passer de l'expérimentation à la valeur. Le pic d'enthousiasme POC est derrière nous, le pic de désillusion arrive — et avec lui, une question plus saine : sur quoi avons-nous vraiment des résultats ?

Cet article ne liste pas les promesses. Il liste les dix cas d'usage que nous voyons effectivement en production chez nos clients grands comptes, avec un retour d'au moins six mois et un ROI documenté en interne. Pas de POC abandonné, pas de pilote en sursis : que des cas qui ont survécu au comité d'arbitrage et au passage à l'échelle. Le tri est sévère, et c'est ce qui le rend utile.

Les critères pour qualifier « ça marche »

Trois filtres pour ne retenir que ce qui marche. D'abord, en production réelle — pas un démonstrateur sur quelques utilisateurs pilotes, pas un environnement de pré-prod, pas une instance OpenAI personnelle utilisée en douce par une équipe motivée. En production, sur le SI officiel, avec un budget de run pérenne et une équipe responsable.

Ensuite, un ROI mesurable. Pas forcément en euros : un gain de temps documenté, un taux de satisfaction mesuré, une réduction de cycle quantifiée. L'important est qu'un sponsor métier puisse répondre à la question « qu'est-ce que ça vous rapporte ? » sans se réfugier dans des termes vagues. Le State of AI 2024 de McKinsey évoque des gains très variables selon les fonctions — entre quelques pourcents et plus de 30 % sur des activités très textuelles — et c'est cette dispersion qui rend la conversation difficile en COMEX.

Enfin, six mois de recul minimum. C'est le délai au-delà duquel l'effet nouveauté retombe et où l'on voit si l'usage tient ou si les utilisateurs sont retournés à leurs anciennes habitudes. Beaucoup de POC qui semblaient brillants à trois mois s'écroulent à neuf — manque d'intégration, dette de prompt, dérive des modèles, lassitude. Six mois en production, c'est le minimum pour parler sérieusement de ROI.

Les dix cas d'usage qui tiennent en production

Pour chaque cas, le bénéfice typique observé chez nos clients (sans extrapolation) et le caveat — ce qui peut faire dérailler le déploiement même quand le cas est mûr.

Une cartographie par fonction et niveau de maturité

Tous ces cas n'ont pas le même âge ni le même degré d'industrialisation. Le tableau ci-dessous croise les dix cas avec la fonction qui les porte et leur niveau de maturité observé en grande entreprise française début 2026.

Maturité observée chez les grandes entreprises françaises (CAC40 / ETI 500+), Q1 2026

Le pattern commun aux dix cas

En relisant ces dix cas, le même schéma se répète. D'abord, la GenAI ne remplace pas un métier — elle absorbe la partie répétitive et textuelle d'un métier qui en garde la responsabilité. L'extracteur de contrats ne remplace pas le juriste, il lui donne une base de travail. Le tuteur IA ne remplace pas le formateur, il étend sa portée. Quand on essaye de retirer l'humain du circuit, on retombe sur la pile des POC abandonnés.

Ensuite, ces cas marchent parce qu'ils ont une métrique métier claire et préexistante. Temps de traitement d'un dossier, taux de résolution au premier contact, durée d'onboarding, volume de fiches produit publiées. La métrique n'est pas inventée pour le projet IA — elle existait avant, le projet l'améliore. C'est la condition pour pouvoir dire « ça a marché » à six mois.

Troisième invariant : tous reposent sur un socle de données ou de contenus déjà structurés. RAG sur une documentation tenue à jour, extraction depuis des contrats homogènes, fiches produit générées depuis un PIM propre, tuteur alimenté par un référentiel pédagogique validé. Le CIGREF et plusieurs DSI que nous accompagnons le résument ainsi : la GenAI rentabilise les investissements data des dix dernières années, elle ne les contourne pas.

Enfin, ces cas sont déployés avec une architecture sobre. Un modèle (rarement deux), une intégration directe dans l'outil métier (et non un portail séparé), une boucle de feedback simple. Les architectures multi-agents complexes restent rares en production stable — sujet sur lequel nous revenons dans notre article agents IA et automatisation des processus.

Les cas qui continuent d'échouer

Le miroir est utile : ce qu'on voit échouer le plus souvent en grande entreprise, indépendamment des moyens engagés.

• Les chatbots clients open-domain — c'est-à-dire censés répondre à tout, depuis le suivi de commande jusqu'à la réclamation complexe. Le périmètre fonctionnel est trop large, les garde-fous explosent, l'expérience client se dégrade. Les déploiements qui marchent sont au contraire très bornés (un sous-domaine traité, le reste basculé à un humain).
• L'agent qui prend des décisions financières — octroi de crédit, validation de paiement, arbitrage de dossier sinistre en autonomie. Au-delà de la conformité, le risque de hallucination sur un cas atypique reste trop élevé pour le ROI espéré.
• La génération de code totalement autonome — non, malgré ce qu'en dit la communication des éditeurs. Un développeur senior assisté par Copilot, oui, démontré (cf. les études d'usage Microsoft qui documentent les gains de productivité). Un agent autonome qui livre du code de production sans relecture, à grande échelle, en 2026 : très peu d'exemples robustes.
• Le « ChatGPT entreprise » sans cas d'usage — déployer une licence à 50 000 collaborateurs en espérant que les usages émergent par eux-mêmes. L'usage émerge sur une minorité d'utilisateurs motivés, le reste retourne à l'inactivité au bout de quelques mois. Sans accompagnement métier ciblé, l'investissement ne rentre pas dans le bon ratio.
• Les RAG mal cadrés — ouverts à toute la documentation de l'entreprise, sans curation, sans gouvernance des droits d'accès. Le système sait trop ou ne sait pas assez, restitue des informations obsolètes ou confidentielles. Pour aller plus loin, voir notre article RAG en entreprise : cas d'usage et architecture.

Le point commun de ces échecs : un cas d'usage flou, une métrique absente, ou un humain retiré trop vite du circuit. Rien à voir avec la qualité des modèles — qui s'améliorent chaque trimestre — et tout à voir avec le cadrage en amont.

Comment nous intervenons sur ces sujets

Nous accompagnons les directions métier et DSI qui veulent passer du POC à la production sur ces dix cas. Trois formats reviennent régulièrement :

• Cadrage de cas d'usage — qualification d'un besoin métier, définition de la métrique, choix du périmètre, évaluation faisabilité technique et conformité (RGPD, AI Act).
• Industrialisation de POC — reprise d'un démonstrateur prometteur pour le porter en production avec gouvernance, monitoring, évaluation continue.
• Refactoring de cas d'usage en perte de vitesse — diagnostic d'un usage déployé qui ne tient pas ses promesses, et reconception ciblée (prompt, données, intégration, change management).

Le sujet recoupe nos expertises GenAI et data — d'où l'intérêt d'une équipe qui sait à la fois cadrer le besoin métier, choisir l'architecture, et intégrer dans l'existant SI.

Le vrai différenciant en 2026

Le marché GenAI s'est normalisé. Les modèles de Anthropic, OpenAI, Mistral et Google se rapprochent en qualité sur la plupart des cas grand public. Le différenciant n'est plus le modèle, ni même la technologie au sens large : il est dans la capacité d'une organisation à choisir les bons cinq cas d'usage, à les cadrer correctement, à les industrialiser, et à les piloter sur la durée. Sur ce point, l'expérience accumulée depuis trois ans devient un actif décisif — et c'est ce qui sépare les 26 % qui créent de la valeur des 74 % qui sont encore à la recherche du bon angle.