Quatre-vingt-onze pour cent des entreprises du mid-market se disent confiantes dans leur expertise interne en IA. Dix pour cent ont réellement fait passer toutes leurs initiatives d'IA au-delà du stade pilote (IT Brief UK, 2026).
Les mêmes 500 répondants. La même enquête. Les mêmes six semaines de terrain.
L'écart entre ces deux chiffres, c'est l'endroit où les pilotes d'IA du mid-market vont mourir — et la raison pour laquelle la plupart meurent n'est pas celle que l'on finance. Interrogés sur les causes d'enlisement de leurs projets, 48 % des mêmes dirigeants ont cité un manque d'expertise en IA. Autrement dit, ils incriminent précisément la capacité qu'ils venaient de s'attribuer à 91 %.
Ce n'est pas un déficit de compétences. C'est une erreur de diagnostic, et elle coûte cher.
Ce que l'enquête Klarus a réellement mesuré
Klarus, avec Vitreous World, a publié son étude sur l'IA dans le mid-market le 8 juillet 2026. L'échantillon : 500 décideurs seniors d'entreprises du Royaume-Uni et d'Irlande réalisant entre 200 millions et 2 milliards de livres de chiffre d'affaires, comptant de 300 à 3 000 salariés — propriétaires, C-suite, VP, directeurs et responsables de département disposant d'un pouvoir de décision technologique (IT Brief UK, 2026).
L'adoption n'est pas le problème. Soixante-treize pour cent avaient déployé l'IA partiellement ou totalement. Parmi ceux qui l'avaient explorée, seuls 10 % avaient fait passer à l'échelle l'ensemble de leurs initiatives — laissant 90 % avec des chantiers enlisés ou bloqués en phase initiale (Klarus, 2026).
Ce segment n'est pas marginal. Klarus cite des données NatWest situant le mid-market britannique à 30 % de la valeur ajoutée brute pour 0,5 % des entreprises. Un taux d'enlisement de 90 % dans cette tranche n'est pas une curiosité du secteur tech. C'est une ligne de productivité nationale — et, plus immédiatement, votre budget opérationnel.
L'inversion confiance–compétence
Lisez les deux chiffres phares ensemble et une pathologie précise apparaît.
91 % de confiance dans l'expertise interne. 48 % citant l'expertise manquante comme cause de mort des pilotes. 39 % désignant le « développement de l'expertise interne » comme priorité des douze prochains mois.
Ces trois chiffres ne peuvent pas décrire correctement la même organisation. Ils décrivent une équipe confiante dans l'abstrait et improvisée dans le concret — compétente pour utiliser des outils d'IA, non éprouvée pour les industrialiser. La confiance est réelle ; elle mesure simplement la mauvaise chose. Savoir formuler un prompt n'est pas savoir faire tourner un modèle sur des données opérationnelles réelles, avec une piste d'audit, un propriétaire et un plan de retour arrière.
La conséquence est un budget mal orienté. Quand les dirigeants croient que la contrainte est l'expertise, ils recrutent. Ils achètent des licences de formation, organisent des semaines d'enablement, ouvrent un poste d'ingénieur IA. Pendant ce temps, le vrai blocage reste un étage plus bas, intact, et le pilote suivant meurt exactement de la même cause que le précédent.
La contrainte que personne ne finance : pourquoi les pilotes d'IA du mid-market butent sur les données
Voici ce que les mêmes dirigeants ont déclaré lorsqu'on les a interrogés sur leurs données plutôt que sur leurs équipes.
Quatre-vingt-trois pour cent des entreprises ayant piloté ou déployé l'IA signalent une mauvaise qualité de données. Soixante-neuf pour cent affirment que cela empêche ou retarde activement les travaux d'IA (IT Brief UK, 2026).
Et lorsque les projets ont répondu aux attentes, les répondants en ont nommé la raison : une qualité de données solide, jugée critique par 59 % — devant la gouvernance, la sécurité, la confidentialité et l'éthique à 54 %.
L'enquête répond elle-même à sa propre question. La qualité des données est le premier facteur de succès cité par les gagnants et une plainte quasi universelle chez les enlisés. Elle n'est simplement pas ce que l'on incrimine, car accuser ses données est moins flatteur qu'accuser le marché du travail.
Deux institutions indépendantes, sans intérêt dans une mission de conseil au mid-market, pointent dans la même direction. Gartner prévoit que d'ici 2026, les organisations abandonneront 60 % des projets d'IA non soutenus par des données « AI-ready » (Gartner, 2025). RAND, après des entretiens structurés avec 65 data scientists et ingénieurs expérimentés, classe l'insuffisance des données parmi ses cinq causes racines d'échec des projets d'IA — aux côtés de la mauvaise compréhension du problème, de la course à la technologie plutôt qu'au cas d'usage, et d'une infrastructure insuffisante pour déployer et maintenir les modèles (RAND Corporation, 2024).
Trois jeux de données. Une enquête sur le mid-market britannique, une prévision d'analystes, une institution de recherche américaine interrogeant des praticiens. Aucun ne désigne le talent comme contrainte première.
La gouvernance est le même problème sous une autre étiquette
Cinquante-neuf pour cent de ces entreprises n'ont aucun cadre de gouvernance de l'IA complet. Quarante-huit pour cent citent des préoccupations de gouvernance, d'éthique, de sécurité ou de confidentialité comme cause d'enlisement — la même proportion que celle incriminant le manque d'expertise (IT Brief UK, 2026).
Traitez cela comme un seul constat, pas deux. Un pilote sans cadre de gouvernance n'a pas de chemin défini vers la production, car personne n'a répondu à ces questions : qui valide les sorties du modèle, que se passe-t-il quand l'une d'elles est fausse, quelles données peuvent sortir de l'entreprise, et qui en sera propriétaire dans quatre-vingt-dix jours. Sans ces réponses, un pilote réussi ne peut pas être promu. Il ne peut qu'être répété.
C'est là le mécanisme derrière les 90 %. La plupart des travaux d'IA enlisés n'échouent pas techniquement. Ils passent leur pilote puis arrivent devant une porte que personne n'a construite, où ils attendent.
Seuls 35 % prévoient de renforcer leurs garde-fous IA dans l'année à venir. Pour la plupart, la porte reste à construire.
Les raisons de ne pas prendre ces chiffres pour argent comptant
Je veux être franche sur la source, car le réflexe de la relativiser est en partie juste.
Klarus est une société de services technologiques qui vend précisément à ce marché. Une enquête concluant que les entreprises du mid-market ont besoin de meilleures fondations de données et d'une gouvernance renforcée est, commercialement, l'enquête qu'elle souhaiterait publier. L'échantillon se limite au Royaume-Uni et à l'Irlande : les pourcentages ne se transposent pas tels quels à une opération américaine ou européenne. Et chaque chiffre est déclaratif : « 83 % signalent une mauvaise qualité de données » mesure ce que les dirigeants croient de leurs données, pas un audit de celles-ci.
Deux nuances jouent toutefois en sens inverse.
Le biais déclaratif joue ici contre le résultat, pas pour lui. Des dirigeants qui surestiment leur expertise à 91 % ne sont pas une population encline à exagérer ses faiblesses. Si tant est, 83 % est un plancher.
Et la corroboration est indépendante. La prévision de Gartner sur les données AI-ready et les entretiens de RAND ont été produits à des années d'intervalle, sur des continents différents, sans lien commercial avec Klarus. Quand une enquête financée par un fournisseur, une prévision d'analystes et une étude de type académique convergent, l'intérêt commercial mérite d'être noté, puis écarté.
Ce qu'aucun d'eux ne vous dit, c'est si vos pilotes s'enlisent pour cette raison. Seules vos propres données y répondent — et, d'expérience, la question est rarement posée sous cette forme précise.
Ce que cela change dans une entreprise de 300 à 3 000 personnes
Ce n'est pas l'histoire du « purgatoire des pilotes » que vous avez déjà lue
On a désormais expliqué trois choses différentes au mid-market sur l'enlisement des pilotes d'IA : que les droits de décision n'ont pas de propriétaire, que les programmes matures sur-gouvernent et tuent leurs propres expérimentations, et maintenant que la couche de données n'a jamais été prête. Ce ne sont pas des explications concurrentes. Ce sont trois portes sur le même chemin, et un pilote doit toutes les franchir.
La distinction qui compte opérationnellement, c'est le séquencement. Les droits de décision et la gouvernance se règlent par une décision — quelqu'un doté d'autorité nomme un propriétaire et un circuit de validation, et la porte existe dès vendredi. Les fondations de données, non. Réconcilier les entités entre trois systèmes, recharger les champs que personne n'a rendus obligatoires et établir la traçabilité des tables que le modèle consommera vraiment, c'est un trimestre de travail ingrat sans démo à la clé.
C'est précisément pour cela que cela perd chaque fois l'arbitrage budgétaire face à un programme de formation.
L'illusion des données préparées
À cette taille, vous n'avez pas une fonction data engineering avec de la capacité disponible. Vous avez deux ou trois personnes qui savent où se trouve la vérité dans chaque système, et elles sont déjà pleinement engagées.
C'est la vraie contrainte de passage à l'échelle, et cela explique un schéma que la plupart des responsables des opérations reconnaîtront : les pilotes réussissent sur des données préparées et échouent sur des données de production. Le pilote tournait sur un extrait propre, préparé à la main. La production tourne sur le système de référence, avec ses identifiants clients dupliqués, son champ de statut en texte libre et ses quatre années d'enregistrements migrés que personne n'a validés.
Rien du modèle n'a changé entre ces deux exécutions. Les données, si.
Un dernier constat à garder en tête : 45 % déclarent que l'IA aide les collaborateurs juniors à mieux ou plus vite travailler, et 24 % qu'elle crée de nouveaux rôles (Klarus, 2026). L'effet immédiat de l'IA sur les effectifs du mid-market se manifeste comme un appui aux tâches et une refonte des postes, pas comme une réduction d'effectifs. Si votre business case IA repose sur des économies de main-d'œuvre alors que vos pairs rapportent des gains de capacité, vous n'êtes pas plus rigoureux qu'eux. Vous mesurez un retour que ce segment ne produit pas encore.
Trois actions avant de financer le prochain pilote
Auditez les données, pas l'équipe
Avant que la prochaine initiative ne reçoive un budget, prenez les trois jeux de données qu'elle consommera réellement et vérifiez quatre choses : complétude, taux de doublons, propriété, traçabilité. Pas l'entrepôt de données en général — ces trois tables. Cela prend une semaine à un analyste et vous en dira davantage sur les chances du pilote que n'importe quelle évaluation des compétences de ceux qui le mènent.
Construisez la porte de passage en production avant de lancer le pilote
Écrivez à l'avance ce qu'un pilote doit démontrer pour atteindre la production, qui valide, qui en devient propriétaire ensuite, et ce qui se passe quand une sortie est fausse. Cinquante-neuf pour cent de ce marché n'a aucun cadre de ce type. Un pilote sans sortie définie n'est pas une expérimentation ; c'est une démo dotée d'une ligne budgétaire.
Basculez une livre de formation vers une livre de données
Si votre plan IA 2026 finance l'enablement et les recrutements mais rien sur la qualité des données, vous financez l'explication à 48 % au lieu de celle à 83 %. Il ne s'agit pas d'abandonner la formation. Il s'agit d'ajouter une ligne de l'autre côté du grand livre, dimensionnée pour un trimestre de remédiation réelle.
Une décision à prendre ce trimestre
Prenez votre pilote d'IA le plus récent qui n'a pas passé l'échelle et écrivez une seule phrase disant pourquoi il s'est arrêté. Puis confrontez cette phrase aux données sur lesquelles il tournait.
Si la réponse honnête est que le modèle fonctionnait et pas le pipeline, ce n'est pas d'expertise en IA que vous avez manqué. C'est de la chose ennuyeuse, infinançable et parfaitement réparable qui se trouve en dessous — et les 90 % qui n'ont jamais fait passer un pilote d'IA à l'échelle dans le mid-market sont surtout des gens qui ont continué à financer la mauvaise moitié du problème.
91 % de confiance n'achètent rien. 10 % passés à l'échelle : c'est le seul chiffre au tableau.
