I- L'IA en entreprise en 2026 : effet de mode ou bascule stratégique ?
La question n'est plus « faut-il se lancer dans l'IA ? » — elle est tranchée. La vraie question, celle qui structure les débats entre directeurs de transformation aujourd'hui, c'est : à quel niveau de maturité jouons-nous, et à quelles conditions l'IA crée-t-elle réellement de la valeur ?
C'est ce qu'a exploré la deuxième session du TransfoLab by FocusTribes, réunissant des directeurs de programmes et responsables de transformation issus de secteurs variés. Deux témoins d'exception : une EMEA Deployment Lead chez PepsiCo Europe, pilote du déploiement IA dans les processus d'Integrated Business Planning, et l'ancien CIO Data & IA de L'Oréal, qui a conduit des initiatives structurantes de la création digitale jusqu'à la R&D.
II- Commodity, Mainstream ou Disruptif : quel niveau de maturité IA pour votre entreprise ?
Niveau 1 — L'IA Commodity : un standard, plus un avantage
Assistants bureautiques, génération de contenus, automatisation des tâches répétitives. Ces usages améliorent la productivité individuelle. Ils sont devenus un standard de marché : ne pas les adopter crée un désavantage compétitif. Les adopter ne crée plus d'avance.
Comme le confirmait l'ex CIO de L'Oréal : "Les boîtes qui passeraient à côté auraient un désavantage concurrentiel évident. Mais l’adoption ne garantira pas un avantage".
Niveau 2 — L'IA Mainstream : optimiser les processus par la donnée interne
Ici, on ne parle plus d'assistant individuel mais d'un socle commun qui aligne les fonctions, discipline les décisions et redéfinit les responsabilités. L'IA ne soutient plus la décision : elle structure le débat. C'est le niveau où opèrent PepsiCo et, partiellement, L'Oréal sur la création digitale.
Et l'EMEA Deployment Lead de Pepsico d'ajouter : "Avant, on passait des heures à discuter les chiffres. Maintenant, on discute des plans d'actions". Nous ne sommes plus dans l'outil; nous sommes dans la transformation du fonctionnement collectif.
Niveau 3 — L'IA Disruptive : construire une barrière concurrentielle impossible à rattraper
À ce stade, l'IA ne se contente plus d'optimiser. Elle crée une barrière à l'entrée fondée sur la donnée historique propriétaire. Un concurrent peut investir autant sur un LLM. Il ne peut pas reconstruire 30 ans d'historique R&D. C'est la logique du cas L'Oréal sur la reformulation moléculaire.
L'IA n'est pas automatiquement stratégique. Elle peut n'être qu'hygiénique. L'enjeu est de décider à quel niveau on joue — et d'en assumer les implications organisationnelles.
III- Comment PepsiCo utilise l'IA pour améliorer sa forecast accuracy et aligner ses fonctions
Le problème : chaque fonction travaille avec ses propres chiffres
PepsiCo Europe opère sur 11 pays, avec des milliers de références, des cycles promotionnels permanents et des arbitrages constants avec la grande distribution. La prévision des ventes est stratégique : elle conditionne la production, la logistique, les stocks, et in fine la rentabilité.
Historiquement : les commerciaux travaillent avec leurs engagements clients, la finance ajuste pour sécuriser le plan annuel, la supply chain s'appuie sur l'historique, le marketing injecte ses campagnes. En réunion, les équipes passaient des heures à débattre des écarts plutôt que des plans d'action.
La solution : un moteur IA de forecasting unifié (IBP — Integrated Business Planning)
L'ambition du programme IBP est simple : créer un plan unique, partagé par toutes les fonctions, fondé sur un moteur de prévision piloté par l'IA. L'outil agrège données transactionnelles SAP, plans promotionnels, drivers externes (météo, pricing) et historiques de ventes par client, produit et canal.
La vraie rupture est organisationnelle : le forecast généré par l'IA devient la base commune. On ne retravaille plus les chiffres dans Excel en parallèle. Un rôle pivot IBP est créé, rattaché à la transformation, pour assurer la cohérence et la discipline des cycles.
Les résultats : +10 points de forecast accuracy et impact direct sur le Net Revenue
Les résultats sont mesurables : forecast accuracy portée au-delà de 70 % contre ~60 % auparavant, impact estimé entre +0,5 % et +2 % sur le Net Revenue, réduction significative des stocks et de l'obsolescence.
Les trois facteurs qui ont rendu l'adoption possible
La qualité de la donnée en amont — des mois consacrés au nettoyage, à la structuration, à la discipline de saisie. L'IA ne corrige pas une organisation indisciplinée : elle la met face à ses incohérences.
La construction de la confiance — les équipes métier ont participé à la modélisation dès le départ, pas découvert un outil finalisé en bout de chaîne. Comme le confirmait notre intervenante de Pepsico, "La confiance, elle se construit. On embarque les experts métier dès la modélisation. On ne leur montre pas un outil 'magique' à la fin".
La préservation du jugement humain — la machine ne capte ni les signaux faibles, ni les tensions commerciales, ni les arbitrages stratégiques. La responsabilité finale reste humaine. Et notre intervenante d'ajouter : "Si demain il y a un conflit avec un distributeur, elle ne le sait pas. Il faut encore l'intelligence humain".
Derrière chaque projet IA, il y a d'abord un défi de transformation organisationnelle.
Aligner les fonctions, structurer la gouvernance, embarquer les équipes : c'est là que se joue la réussite.
Les consultants FocusTribes accompagnent les directions dans ces programmes de transformation complexes.
IV- Comment L'Oréal utilise l'IA pour reprendre le contrôle sur sa création digitale et accélérer sa R&D
Internaliser la création d'assets : réduire la dépendance aux agences et accélérer la déclinaison
L'Oréal investit près de 10 milliards d'euros par an en marketing. Avec la multiplication des canaux digitaux, la production d'assets explose : formats courts, déclinaisons locales, personnalisation par cible. Le modèle traditionnel — brief, agence externe, allers-retours, validation, livraison — est devenu trop lent et trop coûteux.
La décision : entraîner des modèles IA sur les propres univers de marque de L'Oréal, en exploitant plusieurs années de données créatives accumulées. Objectif — réduire l'intermédiation, accélérer la déclinaison multi-formats, permettre aux marques plus petites du portefeuille d'accéder à une puissance créative comparable aux grandes. Avec un cadre strict dès l'origine : maîtrise de l'image de marque, gestion des biais, gouvernance des modèles. En effet, comme le souligne notre intervenant : "L'Oréal est un producteur de beauté pour des vraies personnes. Le résultat final serait toujours tourné avec de vrais mannequin".
Reformuler 300 000 formules cosmétiques d'ici 2030 : de l'in vitro à l'in silico
Face à une évolution réglementaire européenne obligeant à retirer certaines molécules des formules cosmétiques, L'Oréal devait reformuler environ 300 000 formules d'ici 2030. Physiquement impossible par les méthodes traditionnelles de tests en laboratoire.
La réponse : développer avec IBM un moteur de formulation propriétaire, basé sur des LLM spécifiquement entraînés sur des décennies d'historique R&D numérisé — formules, essais, résultats, échecs, propriétés chimiques. En quelques heures, le système propose trois ou quatre combinaisons intéressantes à tester en laboratoire. On passe d'un monde in vitro à un monde in silico — l'exploration numérique quasi illimitée, sans supprimer la validation scientifique humaine.
La vraie barrière concurrentielle : la donnée historique propriétaire
L'avantage concurrentiel ne réside pas dans le modèle lui-même. "Un concurrent peut investir le même budget sur un LLM. Il ne peut pas reconstruire 30 ans d'historique R&D propriétaire". L'IA permet de reprendre le contrôle sur des maillons clés de la chaîne de valeur et d'explorer plus vite que les limites humaines de le permettraient. C'est la donnée — et la vitesse d'exécution qu'elle permet — qui devient l'actif stratégique réel.
Construire un avantage durable par l'IA, c'est avant tout un choix de transformation stratégique.
Définir la bonne ambition, structurer les capacités, piloter le changement dans la durée :
les consultants FocusTribes accompagnent les grandes entreprises et ETI dans ces programmes à fort enjeu.
V- Quelles sont les vraies conditions de réussite d'un projet IA en entreprise ?
La maturité data conditionne la maturité IA
Il n'y a pas de raccourci. L'IA amplifie ce qui existe — y compris les incohérences de données. Investir dans la qualité, la structuration et la gouvernance des données n'est pas un préalable technique : c'est un projet de transformation à part entière. La maturité data conditionne directement la maturité IA.
Chez PepsiCo, des mois ont été consacrés au nettoyage, à la structuration et à la modélisation des données. Les données commerciales devaient être correctement saisies. Les promotions bien renseignées. Les historiques cohérents.
Chez L’Oréal, la performance du moteur moléculaire n’a été possible que parce que des années de R&D avaient été numérisées, structurées et historisées.
L'IA exige une nouvelle discipline organisationnelle
On associe souvent l'IA à la fluidité et à l'agilité. La réalité est plus exigeante. Chez PepsiCo, le processus est millimétré : cycles cadencés, forums structurés, rôles clarifiés. L'IA ne simplifie pas le chaos. Elle exige de la rigueur. Ce qu'elle transforme en profondeur, c'est la nature des réunions — et l'énergie collective déployée.
L'accompagnement humain est le véritable point de bascule
Comme l'a expliqué l'intervenante de Pepsico, l'adoption suit une trajectoire classique : " Au début il y a de l'excitation initiale. Puis il y a une phase de crainte". Crainte de la perte de maîtrise, peur que la charge de travail augmente, interrogation sur l'évolution des métiers... Embarquer les experts métier dès la modélisation, pas en fin de projet, est déterminant. Ce travail d'appropriation de l'intérieur est ce qui construit la confiance durablement.
La responsabilité finale reste humaine
L'IA structure la décision, mais ne capte ni les signaux faibles, ni les tensions commerciales, ni les arbitrages stratégiques. Chez PepsiCo comme chez L'Oréal, le principe est réaffirmé : l'IA accélère, mais ne décide pas seule. L'IA n'enlève pas le pouvoir de décider — elle oblige à décider autrement.
VI-Risques et points de vigilance : ce que les leaders de transformation ne doivent pas sous-estimer
Transformation des métiers : montée en valeur ou réduction du périmètre ?
Chez PepsiCo, les demand planners ont vu leur rôle évoluer — moins d'exécution, plus d'analyse, plus de responsabilité transversale. Sur le papier, c'est une montée en valeur évidente. Dans la réalité, cela dépend du degré d'autonomie et de formation laissé aux équipes. L'IA rationalise, discipline, spécialise — et peut, si l'on n'y prend garde, réduire la marge d'initiative individuelle plutôt que de l'élargir.
Le risque cognitif : si l'IA synthétise, qui apprend encore à synthétiser ?
Si l'IA produit la synthèse, qui développe la capacité à synthétiser ? Si elle propose la recommandation, qui construit le jugement critique ? Ce risque ne concerne pas uniquement les juniors — il touche à la capacité collective des organisations à maintenir une profondeur d'analyse. L'enjeu : faire de l'IA un outil d'augmentation intellectuelle, non un substitut à l'effort de pensée.
Souveraineté et dépendance technologique
83 % des dépenses cloud européennes partent aux États-Unis (source : étude du cabinet Asterès pour le Cigref - 2025). Derrière la performance des modèles, une dépendance structurelle se construit. La question de l'IP propriétaire — comme le choix de L'Oréal de développer son moteur moléculaire sous sa propre propriété intellectuelle — prend ici tout son sens stratégique.
L'impact énergétique : l'IA comme sujet de responsabilité RSE
Les modèles d'IA reposent sur des infrastructures lourdes dont la consommation énergétique est réelle. L'Oréal a intégré cette dimension très tôt dans son pilotage, avec des systèmes de mesure dédiés — ce qu'ils appellent le Green FinOps. Si l'IA devient un actif stratégique, elle doit aussi être pilotée sur son empreinte environnementale.
VII- FAQ — Questions fréquentes sur l'intégration de l'IA en entreprise
L'IA peut-elle remplacer les métiers de la planification et du forecasting ?
Non. L'expérience PepsiCo le montre clairement : l'IA n'a pas supprimé le rôle des demand planners, elle l'a déplacé. Les tâches de consolidation manuelle disparaissent au profit d'un travail d'analyse et d'arbitrage à plus forte valeur. Mais ce déplacement n'est pas automatique : il dépend du degré de formation, d'autonomie et d'appropriation laissé aux équipes.
Par où commencer pour intégrer l'IA dans ses processus métier ?
Par la donnée. Avant tout projet IA, il faut évaluer honnêtement la qualité, la cohérence et la gouvernance des données disponibles. Un moteur IA entraîné sur des données incohérentes produira des résultats incohérents. Le nettoyage et la structuration des données constituent le premier chantier de transformation — souvent le plus long.
Comment mesurer le ROI d'un projet IA en entreprise ?
Plusieurs indicateurs ont été mentionnés lors du TransfoLab : forecast accuracy (PepsiCo est passé de ~60 % à +70 %), impact sur le Net Revenue (+0,5 % à +2 % estimé), réduction des stocks et de l'obsolescence, réduction du temps passé en réunion à débattre des données. Au-delà des métriques financières, l'alignement organisationnel et la qualité des décisions prises sont des indicateurs tout aussi structurants.
Quelle différence entre IA générative et IA prédictive en entreprise ?
L'IA prédictive (comme le moteur de forecasting de PepsiCo) analyse des données historiques pour anticiper des événements futurs — ventes, stocks, demande. L'IA générative (comme les modèles de création de contenu de L'Oréal ou le moteur moléculaire basé sur des LLM) produit de nouveaux contenus ou combinaisons à partir de données existantes. Les deux peuvent coexister dans une même organisation, à des niveaux de maturité et des cas d'usage différents.
IA en entreprise : les 5 enseignements clés du TransfoLab
L'IA n'est pas automatiquement stratégique — elle peut n'être qu'hygiénique. Décidez à quel niveau de maturité vous voulez jouer.La maturité data conditionne la maturité IA — sans données propres et gouvernées, pas de projet IA solide.
L'adoption ne se décrète pas — elle se construit de l'intérieur, en embarquant les experts métier dès la modélisation.
La responsabilité finale reste humaine — l'IA structure la décision, elle ne la prend pas.
L'IA révèle la qualité du pilotage — elle amplifie ce qui existe déjà, en bien comme en mal.
Besoin d’un consultant pour votre projet ?
FocusTribes met à disposition une communauté de plus de 1000 consultants accrédités
pour accompagner les entreprises dans leurs projets de transformation.