La réponse courte
Un an après son lancement, le plan « Osez l'IA » a réussi à faire connaître l'intelligence artificielle à 35 000 entreprises françaises, mais n'a converti que 70 diagnostics d'accompagnement sur les 1 000 prévus. Autrement dit, la sensibilisation avance, le déploiement réel beaucoup moins. Le point de bascule pour une PME n'est plus de savoir si l'IA est utile, mais de disposer des compétences d'ingénierie IA et data pour la mettre en production.
Pour les dirigeants et responsables numériques, la leçon est concrète : identifier un cas d'usage ne coûte rien ; l'intégrer aux systèmes existants, gouverner les données, sécuriser et maintenir la solution est là où la plupart des projets se bloquent. C'est cet écart d'exécution que le bilan met en lumière.
Ce que dit le bilan à un an
Lancé en juillet 2025 dans le cadre de la stratégie nationale pour l'intelligence artificielle, « Osez l'IA » est piloté par la Direction générale des entreprises (DGE) et Bpifrance. Son ambition affichée : diffuser l'IA dans tout le tissu économique, avec un objectif à horizon 2030 de 100 % des grandes entreprises, 80 % des PME et ETI et 50 % des TPE équipées. Le premier bilan a été présenté le 3 septembre 2026 au centre Pierre Mendès-France, à Bercy, par la ministre déléguée chargée de l'IA et du Numérique, Anne Le Hénanff.
Les indicateurs de sensibilisation sont solides. Environ 35 000 entreprises ont été touchées par les actions du plan, portées par un réseau de 615 ambassadeurs déployés dans 20 régions et 13 secteurs d'activité. Un catalogue d'offreurs de solutions d'IA pour les PME et ETI, publié fin juillet 2026 par la DGE et Hub France IA, référence 88 entreprises françaises et européennes sélectionnées après un appel à manifestation d'intérêt clos en juin.
Les indicateurs de mise en œuvre sont plus contrastés. Seulement 70 diagnostics « Data IA » ont été engagés, pour un objectif de 1 000 — soit 7 % de la cible. Le plan recense par ailleurs 54 cas d'usage documentés sur sa plateforme d'accompagnement. Le diagnostic, facturé environ 10 000 euros hors taxes et financé à 40 % par France 2030, est pourtant le premier maillon censé transformer l'intérêt en projet. La ministre a elle-même reconnu que beaucoup d'entreprises, en particulier les plus petites, « pensent encore que l'IA n'est pas pour elles ».
L'écart entre sensibilisation et déploiement
Ce décalage entre 35 000 entreprises sensibilisées et 70 diagnostics engagés n'est pas un détail comptable : il décrit précisément où se situe la difficulté. Faire connaître l'IA est relativement simple — webinaires, ambassadeurs, événements. Enclencher un projet réel suppose un engagement financier, du temps interne et, surtout, la conviction que l'entreprise saura mener le chantier à son terme. C'est cette dernière condition qui fait défaut.
Les données de marché confirment le tableau. Selon les enquêtes sectorielles de 2026, environ un quart des PME françaises déclarent utiliser l'IA au quotidien, et un peu plus de 40 % ont déployé au moins une solution — souvent des outils grand public d'IA générative plutôt que des applications intégrées à leurs processus métier. Le ministère avance de son côté un triplement de l'adoption en deux ans, un chiffre que plusieurs observateurs indépendants jugent optimiste et difficile à vérifier. Quelle que soit la mesure retenue, une constante ressort : l'usage ponctuel progresse vite, l'intégration profonde beaucoup plus lentement.
Le vrai goulot d'étranglement : l'exécution
Le message central du bilan, lu depuis le terrain, est que le frein s'est déplacé. Il y a deux ans, la question des dirigeants était « à quoi sert l'IA ? ». Aujourd'hui, elle est devenue « comment la mets-je en production sans casser ce qui fonctionne déjà ? ». Ce glissement change tout, car le second problème est un problème d'ingénierie, pas de pédagogie.
Passer d'un cas d'usage prometteur à une application fiable en production suppose de franchir plusieurs obstacles concrets. Il faut intégrer le modèle aux systèmes existants — logiciel de gestion, CRM, entrepôt de données — sans créer de silo supplémentaire. Il faut garantir la qualité, la traçabilité et la gouvernance des données qui alimentent le modèle, faute de quoi les résultats seront inexploitables ou biaisés. Il faut traiter la sécurité et la conformité, notamment au regard du RGPD et du règlement européen sur l'IA. Et il faut prévoir la maintenance : un modèle mis en production se surveille, se réévalue et se met à jour, sinon sa performance se dégrade.
Ces compétences — MLOps, ingénierie de données, sécurité applicative, intégration — sont rares et chères sur le marché français. La plupart des PME et ETI ne peuvent ni les recruter en interne ni les mobiliser à temps plein. C'est précisément ce déficit de capacité de livraison, et non un manque d'idées ou de volonté, qui explique pourquoi 930 des 1 000 diagnostics visés n'ont pas encore été engagés.
Ce que cela change pour les entreprises
Pour une PME ou une ETI qui veut réellement tirer parti de l'IA, le bilan « Osez l'IA » suggère de changer de posture. La première conséquence est de traiter l'IA comme un projet logiciel à part entière, avec un périmètre, des critères de réussite mesurables et un budget de production — et non comme une expérimentation qui restera au stade du prototype. Un pilote qui n'est jamais intégré aux processus ne crée aucune valeur durable.
La deuxième conséquence concerne les données. La qualité d'un déploiement IA est plafonnée par la qualité des données disponibles. Beaucoup d'entreprises découvrent, au moment de lancer un projet, que leurs données sont dispersées, incomplètes ou mal structurées. Un travail préalable de mise en ordre et de gouvernance des données conditionne tout le reste ; c'est souvent l'étape la plus sous-estimée et la plus rentable.
La troisième conséquence est le choix entre construire en interne, s'appuyer sur des solutions du catalogue ou faire appel à un partenaire d'ingénierie. Pour la majorité des PME, la réponse réaliste est hybride : s'appuyer sur des briques existantes pour ce qui est standard, et faire développer sur mesure l'intégration à leurs processus propres, là où réside leur avantage concurrentiel. Cette logique d'intégration est au cœur d'une démarche de transformation numérique réussie — l'IA n'en est qu'un composant, pas une fin en soi.
Comment passer du cas d'usage à la production
Pour éviter que l'enthousiasme retombe faute de résultats concrets, voici les étapes qui font la différence entre un pilote abandonné et une application qui crée de la valeur :
- Choisissez un cas d'usage à valeur mesurable. Ciblez un processus précis, coûteux ou lent, où un gain est chiffrable (temps traité, taux d'erreur, coût unitaire). Un objectif flou produit un projet flou.
- Auditez vos données avant le modèle. Vérifiez la disponibilité, la qualité et les droits d'usage des données nécessaires. Sans données exploitables, le meilleur modèle échouera. C'est le sens du diagnostic Data IA — et vous pouvez le mener avec ou sans le dispositif public.
- Pensez intégration dès le départ. Décidez comment la solution se branchera sur vos outils existants (ERP, CRM, entrepôt de données) et qui l'utilisera au quotidien. Une IA isolée de vos flux réels ne sera pas adoptée.
- Intégrez conformité et sécurité au cahier des charges. RGPD, règlement européen sur l'IA, traçabilité des décisions : ces exigences se conçoivent en amont, pas en fin de projet, sous peine de refonte.
- Prévoyez la maintenance et le suivi. Un modèle en production doit être surveillé et réévalué. Budgétez l'exploitation, pas seulement le développement initial.
Questions fréquentes
Qu'est-ce que le plan Osez l'IA ?
Osez l'IA est un plan national lancé en juillet 2025 dans le cadre de la stratégie française pour l'intelligence artificielle. Piloté par la Direction générale des entreprises et Bpifrance, il vise à accélérer la diffusion de l'IA dans les entreprises par la sensibilisation, des diagnostics financés et un catalogue d'offreurs de solutions. L'objectif à horizon 2030 est d'atteindre 100 % des grandes entreprises, 80 % des PME et ETI et 50 % des TPE.
Quels sont les résultats du plan après un an ?
Au bilan présenté le 3 septembre 2026 à Bercy, environ 35 000 entreprises avaient été sensibilisées via un réseau de 615 ambassadeurs dans 20 régions et 13 secteurs. En revanche, seulement 70 diagnostics Data IA avaient été engagés sur un objectif de 1 000, et 54 cas d'usage documentés. Le catalogue des offreurs de solutions comptait 88 entreprises françaises et européennes.
Pourquoi les PME peinent-elles à passer à l'IA en production ?
Le principal frein n'est plus la sensibilisation mais la capacité de mise en œuvre. Passer d'un cas d'usage identifié à une application en production suppose des compétences d'ingénierie logicielle et de données que la plupart des PME n'ont pas en interne : intégration aux systèmes existants, qualité et gouvernance des données, sécurité, maintenance. C'est cet écart d'exécution, plus que le manque d'idées, qui explique la lenteur du passage à l'échelle.
Qu'est-ce que le diagnostic Data IA du plan Osez l'IA ?
Le Diagnostic Data IA est une prestation d'accompagnement, facturée environ 10 000 euros hors taxes et financée à hauteur de 40 % par France 2030, qui aide une PME à évaluer sa maturité data, à identifier des cas d'usage prioritaires et à définir une trajectoire d'adoption. Au bout d'un an, 70 diagnostics seulement avaient été engagés sur les 1 000 visés, signe que la demande accompagnée reste à convertir.
Sources
Ministère de l'Économie — 1 an du plan Osez l'IA, jeudi 3 septembre 2026
LeMagIT — « Osez l'IA » : un début modeste (septembre 2026)
Journal du Net — Osez l'IA : un an après, l'objectif 2030 est-il toujours tenable ? (septembre 2026)
Direction générale des entreprises — Le plan national Osez l'IA