MARCHÉ

Étude Salesforce sur 2 025 dirigeants de l'IA agentique : être le premier à lancer n'est pas être le premier à voir un retour

Publiée par Salesforce News le 6 septembre 2026 sous le titre « New Study of 2,025 Agentic AI Leaders: First To Launch Isn't Fastest to ROI », l'étude interroge 2 025 décideurs de l'IA agentique dans 20 pays sur 5 continents (14-28 mai 2026) : 30 % ont déjà déployé, 47 % sont en pilote, 23 % évaluent encore. Le résultat central tient en une phrase — le secteur qui a le moins déployé (Services professionnels) atteint un retour mesurable en 6,5 mois, tandis que la High Tech, pourtant en tête du déploiement, met 10,1 mois. Vitesse de lancement et vitesse de retour ne sont pas la même chose.

Le protocole est sérieux : 2 025 décideurs de l'IA agentique interrogés entre le 14 et le 28 mai 2026, dans 20 pays sur 5 continents, avec une répartition claire entre ceux qui ont déjà déployé (30 %), ceux qui pilotent (47 %) et ceux qui évaluent encore (23 %). Les chiffres agrégés sont bons dans l'ensemble — satisfaction client en hausse de 29 %, résolution des incidents 31 % plus rapide, coûts opérationnels en baisse de 29 %, taux d'adoption des employés à 53 %, retour sur investissement mesurable en 8 mois en moyenne. Mais le chiffre qui casse le récit du « premier arrivé, premier servi » est ailleurs : les Services professionnels, secteur qui a le moins déployé, atteignent un ROI mesurable en 6,5 mois, alors que la High Tech — l'un des secteurs qui a le plus déployé — met 10,1 mois, près du double. Shibani Ahuja, SVP Data & AI Strategy chez Salesforce, résume le constat : « L'avantage n'a jamais été de démarrer en premier ; il est de démarrer délibérément. » Joe Inzerillo, président Enterprise & AI Technology, précise la méthode : « On peut avancer cas d'usage par cas d'usage : rendre la donnée exacte, mécanisée et sémantiquement décrite. » Un détail cité dans l'étude explique une bonne partie de l'écart : seulement 31 % des organisations avaient unifié leurs données avant de déployer leurs agents.

Ce que cette étude confirme, à l'échelle de grandes entreprises, est exactement ce qu'on répète aux PME qui nous contactent en pensant qu'« installer un agent » est le projet : ce n'est pas le projet, c'est la première ligne d'un projet plus long. La discipline qu'Inzerillo décrit — avancer cas d'usage par cas d'usage, avec une donnée propre et bien décrite — est littéralement ce que fait AppManager quand on paramètre une automatisation avec un client : on scope un seul cas d'usage réel, on le teste, on le fait approuver explicitement par le dirigeant avant qu'il ne touche à quoi que ce soit de réel — jamais un agent qui agit seul sur des conséquences réelles, toujours un humain qui approuve d'abord. Ce n'est pas une case de conformité qu'on coche : c'est, très concrètement, la même « lenteur délibérée » que l'étude Salesforce associe à un retour sur investissement plus rapide, pas plus lent. Aller vite sur le déploiement et aller vite sur le résultat sont deux choses différentes — et la seconde est celle qui compte pour le dirigeant d'une PME qui n'a ni le temps ni le budget de recommencer.

Le titre de l'étude est presque un avertissement pour nous-mêmes autant que pour le lecteur : « premier à lancer » n'est pas « premier à gagner ». On le voit régulièrement dans nos propres échanges avec des dirigeants de PME pressés d'« avoir un agent » avant même d'avoir décidé ce que cet agent doit faire, pour qui, et qui doit l'approuver. La phrase de Shibani Ahuja — « l'avantage n'a jamais été de démarrer en premier ; il est de démarrer délibérément » — n'est pas une leçon de prudence abstraite, c'est un chiffre : 6,5 mois contre 10,1 mois, presque du simple au double, selon qu'un secteur a pris le temps de préparer sa donnée ou non. On ne prétend pas qu'AppH a déjà mesuré ce même écart chez ses propres clients — on ne l'a pas fait, et le dire clairement fait partie du même principe d'honnêteté qu'on demande à cette étude. Ce qu'on peut dire, c'est que le clic d'approbation qu'on impose sur chaque automatisation n'est pas là pour ralentir par principe — il force, à chaque fois, la même question que pose cette étude : est-ce qu'on sait vraiment ce que cet agent va faire, avant de le laisser faire quoi que ce soit.

Vérifié par un humain d'AppH