Seuls 4 % des 767 dirigeants américains des opérations et de la supply chain déclarent réussir sur les quatre conditions que PwC identifie comme prédictives de la création de valeur par l'IA — IA pleinement intégrée à l'échelle de l'entreprise, agents autonomes qui passent à l'échelle sans barrières significatives, structure opérationnelle horizontale en place et investissements technologiques qui délivrent les résultats attendus. 89 % affirment que leurs investissements technologiques n'ont pas tenu. 87 % désignent la qualité des données comme la contrainte déterminante. Et seuls 41 % opèrent avec le modèle opérationnel horizontal que 94 % déclarent nécessaire (PwC, 23 avril 2026). Les 96 % n'échouent pas parce que leur IA est moins bonne. Ils échouent parce qu'ils séquencent ce que les 4 % co-développent.
Pour un Head of Operations d'une fonction de 200 ETP qui finalise le reste de la feuille de route IA 2026, c'est l'inversion opérationnelle qui devrait restructurer le plan de ce trimestre. Mener déploiement IA, restructuration horizontale, hygiène des données et refonte de la responsabilité comme un seul programme d'AI operating model — ou rejoindre les 96 % qui, selon les données mêmes de PwC, ne parviennent à extraire de valeur d'aucun de ces éléments pris isolément.
Les 4 % ne sont pas meilleurs en IA. Ils sont meilleurs en séquencement.
L'enquête PwC 2026 Digital Trends in Operations, publiée le 23 avril et couvrant 767 dirigeants américains des opérations et de la supply chain, définit les « 4 % » non par la maturité IA prise isolément mais par la réussite simultanée sur quatre chantiers que la plupart des fonctions opérations mid-market traitent comme des trimestres de travail distincts (DC Velocity, avril 2026). Chaque condition prise isolément n'a rien de remarquable. La variance se joue dans le fait qu'elles tournent en parallèle ou non.
Regardons l'écart entre aspiration et exécution. 94 % des répondants affirment qu'un modèle opérationnel horizontal et collaboratif est nécessaire pour capturer la valeur de l'IA à l'échelle. Seuls 41 % en disposent. Cet écart de 53 points n'est pas un problème de prise de conscience — chaque CHRO et COO de l'enquête sait que le modèle doit changer. C'est un problème de séquencement. Les 96 % disent : nous réparerons le modèle opérationnel après que les pilotes IA auront montré de la valeur. Les 4 % disent : les pilotes IA ne montreront pas de valeur tant que le modèle opérationnel ne sera pas réparé.
Les données confortent la seconde posture. 89 % admettent que leurs investissements technologiques actuels n'ont pas produit les retours attendus. 87 % désignent la mauvaise qualité des données comme le verrou à la création de valeur (PwC, 23 avril 2026). Ces deux chiffres ne sont pas indépendants. Les investissements technologiques ne délivrent pas parce que les données qui les alimentent sont mauvaises. Les données sont mauvaises parce que le modèle opérationnel n'a pas de responsable unique pour elles. Le modèle opérationnel n'a pas de responsable parce que l'entreprise « est encore en phase pilote IA ». La dépendance boucle, et la seule issue est d'agir sur les quatre problèmes dans le même trimestre.
Pourquoi le playbook séquentiel échoue spécifiquement dans les opérations mid-market
Le pattern séquentiel — « d'abord on déploie les outils IA, puis on redessine le modèle opérationnel, puis on nettoie les données, puis on attribue les responsabilités » — est le réglage par défaut dans la plupart des fonctions opérations mid-market parce qu'il colle à la manière dont les cycles budgétaires, les plans d'embauche et les achats fournisseurs fonctionnent réellement. Chacun est une ligne budgétaire séparée, portée par un VP différent, évaluée sur une métrique différente. C'est exactement la structure qui produit le résultat des 96 %.
Le rapport State of Organizations 2026 de McKinsey formule la même conclusion sous l'angle du modèle opérationnel : « Capter les gains de productivité de l'IA exige de remettre en question et de redessiner le modèle opérationnel des individus et des équipes, de recâbler de bout en bout et de construire les capacités en même temps » (McKinsey, 2026). L'expression clé est « en même temps ». La tentation du mid-market est de la lire comme « tôt ou tard ». L'analyse de McKinsey est explicite sur le fait que « tôt ou tard » ne fonctionne pas — le recâblage est ce qui génère la productivité, et le déploiement IA est ce qui génère le payoff du recâblage. Découple-les et aucun des deux ne produit le retour.
Il y a une seconde raison pour laquelle le playbook séquentiel échoue plus durement dans le mid-market que dans l'entreprise. Une fonction opérations de 200 ETP dispose d'environ 8 à 12 trimestres de runway avant que sa thèse d'investissement IA ne se compose ou ne soit coupée. Dépenser deux de ces trimestres à déployer des outils, deux de plus à redessiner le modèle opérationnel, deux de plus sur les données et deux de plus sur la responsabilité brûle le runway avant qu'un seul chantier ne commence à renforcer les autres. La composition ne commence jamais. Le board voit quatre lignes de coût et une ligne ROI plate. Le programme est revu à la baisse. Le pattern des 4 % ne porte pas sur l'échelle ; il porte sur le temps de cycle, et le mid-market en a moins à gaspiller.
À quoi ressemble réellement « le parallèle » dans une fonction opérations de 200 ETP
Parallèle ne veut pas dire quatre programmes à priorité égale qui tournent de manière indépendante — cela produit le chaos à l'échelle mid-market. Cela veut dire un seul programme avec quatre chantiers sous un ensemble d'OKR partagés, séquencés à l'intérieur du trimestre plutôt qu'à travers plusieurs trimestres.
OKR partagé — pas reporting partagé
Le pattern des 4 % à l'échelle mid-market s'ancre typiquement sur un OKR trimestriel qui exige explicitement que les quatre chantiers bougent : une amélioration mesurable sur une seule métrique de débit de décisions à fort jugement (contrats clôturés par semaine, exceptions résolues sans escalade, deals qualifiés correctement routés), où la métrique ne bouge que si l'IA est déployée contre le workflow, le workflow est porté horizontalement, les données qui l'alimentent sont propres et une personne nommée est responsable du résultat. L'OKR est la fonction forçante. Sans cela, les quatre chantiers retombent par défaut en quatre feuilles de route séparées dans quatre one-on-one VP séparés.
Un sponsor, un forum hebdomadaire, un backlog
Les 41 % avec des modèles opérationnels horizontaux partagent une caractéristique structurelle que la plupart des fonctions opérations mid-market n'ont pas : un sponsor du programme IA qui porte les quatre chantiers, un forum hebdomadaire où les quatre lead s'assoient à la même table et un backlog où requêtes IA, changements de modèle opérationnel, fix données et décisions de responsabilité sont priorisés les uns par rapport aux autres. Scinder le backlog entre IT, RH, données et opérations est la manière dont le séquencement se réinvite par la fenêtre.
Hygiène des données comme opération quotidienne, pas comme projet
Le chiffre de 87 % sur la qualité des données dit quelque chose de précis sur la façon dont les 4 % gèrent les données. Ils ne mènent pas des projets pluri-trimestriels de nettoyage des données en parallèle au déploiement IA. Ils intègrent l'hygiène des données dans la cadence opérationnelle quotidienne de l'équipe qui utilise l'IA — chaque escalade d'agent qui échoue sur la qualité des données génère une demande de fix dans la journée dont l'opérateur est responsable. Les données s'améliorent à la vitesse d'utilisation de l'agent. Traiter les données comme un chantier séparé fait qu'elles accusent un retard de quatre trimestres sur l'IA ; les intégrer aux opérations agent fait qu'elles devancent de deux semaines.
Le contre-argument et pourquoi les données PwC le ferment
Le contre-argument naturel d'un COO mid-market discipliné sur les coûts est : l'exécution parallèle coûte plus cher en amont, et les 96 % séquencent précisément parce qu'ils ne peuvent pas se permettre le pari parallèle. Cette logique est cohérente en interne et produit la mauvaise réponse. Les données de PwC sont inhabituellement directes sur le calcul : 89 % rapportent que l'approche séquentielle actuelle a déjà produit des investissements technologiques qui n'ont pas tenu, et 87 % rapportent qu'elle a produit une couche de données qui bloque la capture de valeur (PwC, 23 avril 2026). Le pari séquentiel n'est pas moins cher. Il est juste étalé sur plus de trimestres, ce qui rend l'échec moins visible trimestre par trimestre et impossible à inverser à la fin.
Le pari parallèle à l'échelle mid-market est aussi plus petit en valeur absolue que le recâblage entreprise à la McKinsey que le même rapport décrit pour les firmes au-dessus de 10 Md$. Une fonction opérations de 200 ETP peut mener un programme parallèle-quatre crédible avec un senior operator supplémentaire (le sponsor du programme), un forum hebdomadaire et un budget données et ingénierie redirigé — pas augmenté. L'investissement marginal, c'est un poste et une réunion. Le retour marginal, selon la distribution PwC, c'est la différence entre le résultat des 4 % et le résultat des 96 % sur le même déploiement IA.
Ce que les données PwC ne disent pas
Deux limites valent d'être nommées, parce que le cadrage « 4 % » a été utilisé dans les deux directions et que l'enquête ne soutient ni l'un ni l'autre extrême.
Les données PwC ne disent pas que l'IA ne fonctionne pas dans les opérations — elle fonctionne, dans les 4 % qui ont atteint les conditions parallèles. Elles ne disent pas non plus que les opérations mid-market ne peuvent pas répliquer le pattern des 4 % — l'échantillon de l'enquête couvre les dirigeants américains des opérations et de la supply chain sur toute la fourchette, et le pattern parallèle-quatre est structurel, pas dépendant de l'échelle. Ce que les données disent est plus étroit et plus utile : la feuille de route IA séquentielle, exécutée comme quatre trimestres sériels de travail, a un taux d'échec historique de 96 % dans la cohorte où elle a été étudiée le plus en profondeur. Ce n'est pas une prévision. C'est une mesure rétrospective de ce qui s'est déjà passé.
La seconde limite : « parallèle » n'est pas la même chose que « achat simultané ». Le pattern des 4 % porte sur un seul programme à responsabilité partagée, pas sur l'achat de tout d'un coup. Les fonctions opérations mid-market qui tentent d'acheter la plateforme IA, le conseil en modèle opérationnel, les outils données et le cadre de responsabilité dans le même trimestre produisent typiquement le résultat des 96 % deux fois plus vite. La logique parallèle s'applique à la responsabilité d'exécution, pas à l'achat fournisseur.
La décision pour ce trimestre
Pour un Head of Operations qui finalise la feuille de route IA de ce trimestre d'ici la fin du Q2 2026, l'implication opérationnelle se comprime en une phrase :
Aucun chantier de déploiement IA n'est approuvé ce trimestre s'il n'est pas couplé au changement de modèle opérationnel horizontal qu'il requiert, à la cadence d'hygiène données dont il dépend et à la responsabilité nommée pour le résultat qu'il est censé produire — et que les quatre siègent sous un unique OKR avec un unique sponsor.
Si une proposition ne peut pas décrire les quatre dans le même document, c'est un pari séquentiel déguisé en parallèle, et la distribution PwC dit qu'il produira le résultat des 96 %. Si une proposition peut décrire les quatre, c'est une candidate pour la petite minorité d'investissements AI operating model qui composent vraiment. Le coût du tri est une réunion par proposition. Le coût à la baisse de ne pas trier, aux trajectoires de dépense que l'enquête décrit, c'est la majeure partie du budget IA sur les quatre prochains trimestres.
Le chiffre des 4 % n'est pas aspirationnel. C'est ce qui s'est déjà passé chez 767 dirigeants d'opérations qui avaient les mêmes options que le lecteur de cet article et ont choisi une structure plutôt qu'une autre. La question maintenant, c'est sur quelle structure le plan du prochain trimestre sera bâti.
