IA agentique dans l'industrie : le vrai goulot, c'est le co-investissement organisationnel, pas la technologie

Le dernier panorama sectoriel de Deloitte consacré à l'aérospatiale et à la défense (mis à jour en 2026) contient une statistique qui mérite d'être prise au sérieux, mais lue avec précaution méthodologique : selon des prévisions du cabinet IDC, 36 % des tâches réalisées dans la production de biens industriels pourraient être augmentées par de l'IA agentique. Le même document chiffre par ailleurs la trajectoire budgétaire correspondante : les dépenses américaines en IA dans l'aérospatiale-défense passeraient d'environ 1,7 milliard de dollars en 2025 à 5,8 milliards en 2029, soit un facteur 3,5.

La tentation immédiate — et l'usage le plus fréquent qu'en font les cabinets de conseil et les fournisseurs de logiciels — est de lire ce 36 % comme une jauge d'avancement : « plus d'un tiers du travail industriel est prêt à basculer vers l'IA ». C'est une erreur de catégorie que l'économie du travail a identifiée il y a plus de vingt ans. Dans leur article fondateur de 2003 (« The Skill Content of Recent Technological Change »), David Autor, Frank Levy et Richard Murnane démontrent qu'un emploi doit être décomposé en tâches, et que seules les tâches routinières — répétitives, codifiables en règles explicites — cèdent rapidement à l'automatisation. Les tâches non routinières, qu'elles soient analytiques (diagnostic complexe, arbitrage) ou interpersonnelles (coordination, négociation avec un client ou un régulateur), résistent bien plus longtemps, quel que soit le niveau de sophistication de l'outil disponible.

Un taux de 36 % de tâches « automatisables » n'est donc, au mieux, qu'une photographie du contenu technique du travail industriel à un instant donné — pas une prévision de diffusion. Or c'est précisément la diffusion qui détermine l'impact économique réel, et c'est là qu'intervient un second corpus, complémentaire du premier : les travaux de Timothy Bresnahan, Erik Brynjolfsson et Lorin Hitt (2002, « Information Technology, Workplace Organization, and the Demand for Skilled Labor ») sur le « capital organisationnel ». En étudiant des centaines d'entreprises américaines ayant investi dans les technologies de l'information dans les années 1990, ils montrent que la valeur économique de ces investissements ne se matérialise que lorsqu'ils s'accompagnent d'un co-investissement massif et souvent plus coûteux que la technologie elle-même : reconception des processus de production, refonte des systèmes de données, formation extensive des équipes, réorganisation des lignes hiérarchiques de décision.

Ce co-investissement organisationnel a trois propriétés qui expliquent pourquoi il agit comme goulot d'étranglement plutôt que la technologie elle-même. Premièrement, il est largement spécifique à l'entreprise et non transférable : la reconfiguration des processus d'une ligne de production ne se copie pas d'un site à l'autre sans adaptation. Deuxièmement, il est séquentiel — la formation des équipes et la refonte des données de production ne peuvent souvent commencer qu'après que les premiers pilotes ont révélé les écarts entre l'outil et le processus réel. Troisièmement, il engage des ressources rares et difficilement substituables : ingénieurs process, responsables qualité, data engineers capables de fiabiliser les flux de données d'usine — des profils en tension dans l'industrie, indépendamment du budget disponible pour l'achat de licences logicielles.

La prévision de dépenses chiffrée par IDC (x3,5 d'ici 2029) mesure des engagements budgétaires sur l'outillage — licences, plateformes, capacité de calcul — et non ce co-investissement organisationnel. Rien dans la méthodologie citée ne permet de conclure que la vitesse de déploiement de ce capital organisationnel suivra la même pente que la vitesse de déploiement du capital financier. L'histoire de l'informatisation industrielle des années 1990-2000 suggère plutôt l'inverse : les budgets technologiques se sont souvent déployés en quelques trimestres, tandis que les gains de productivité mesurés au niveau macroéconomique ont mis une décennie à apparaître dans les statistiques — c'est le paradoxe de Solow, dont Cardan-AI a déjà traité une variante appliquée au capital-risque de défense.

Cette lecture a une implication pratique directe pour un dirigeant industriel qui évalue un projet d'IA agentique : le pourcentage de tâches techniquement automatisables ne devrait jamais servir de base à un calendrier de retour sur investissement. L'indicateur pertinent est le budget — et le temps de management — alloué à la réorganisation des processus, à la qualité des données de production et à la formation, rapporté au budget alloué à l'outil lui-même. Un ratio déséquilibré en faveur de la technologie pure est un signal d'alerte : il prédit un déploiement pilote impressionnant en démonstration et un plateau de productivité durable en exploitation réelle.

La limite de cet exercice doit être posée explicitement : le chiffre de 36 % lui-même repose sur une méthodologie IDC non détaillée dans la synthèse Deloitte accessible publiquement, et la comparabilité entre « tâches automatisables » au sens de ce rapport et les tâches routinières au sens d'Autor-Levy-Murnane n'est pas garantie — les deux corpus utilisent des grilles de classification différentes, séparées de plus de vingt ans. Le chiffre doit donc être lu comme un ordre de grandeur indicatif du potentiel technique, non comme une mesure scientifiquement comparable à la littérature académique qu'il est utile de mobiliser pour l'interpréter.

Le fil qui relie cette analyse aux travaux précédents de Cardan-AI sur l'aéro-défense (goulot d'absorption du 10/08, capex « putty-clay » du 09/08, paradoxe de Solow du 21/08) est le même constat répété sous des angles différents : dans l'industrie lourde, la contrainte qui détermine le rythme réel de transformation par l'IA n'a presque jamais été, à ce jour, la disponibilité du capital ou de la technologie — c'est la capacité organisationnelle à l'absorber.