L’IA est arrivée sur le site de production. Mais elle n’a pas réussi à s’implanter vraiment.

L’annonce « L’IA est arrivée sur le site de production » ressemble à une victoire. Mais c’est plutôt comme si c’était le début de la phase pilote.

Les propres résultats de McKinseyÉtat de l’IA 2025Le rapport indique que88 % des entreprises mondiales ont adopté l’IA.Un tiers des projets ont atteint un niveau supérieur aux projets pilotes. Seulement 6 % peuvent être considérés comme des « entreprises performantes en matière d’IA » – c’est-à-dire des entreprises qui obtiennent une impacte EBIT de 5 % ou plus. 88 % des projets ont été adoptés, tandis que 6 % n’ont donné aucun résultat significatif. C’est cette différence entre « nous avons essayé » et « cela a eu un impact réel sur les résultats financiers » qui constitue l’histoire réelle.

N’importe quel opérateur avisé aurait remarqué cette différence d’ici maintenant. Mais le monde de l’private equity fonctionne selon des critères différents.

La présentation sur la création de valeur en capital-risque repose sur un seul cas d’étude.

Les sociétés de capital-risque considèrent l’IA comme un outil structurel dans le cadre de leur évaluation des investissements industriels, et non comme une solution ultérieure. Comme le montrent les documents sectoriels et les rapports de conseil publiés entre 2025 et 2026, cette approche promet une augmentation de 200 à 300 points de base du taux de marge EBITDA des entreprises concernées. En ce qui concerne la réduction des coûts, on prévoit une amélioration de 8 à 15 % sur la base des coûts pouvant être réduits dans un délai de 18 mois.

Cela semble avoir été planifié. En réalité, c’est plutôt aspiratif.

La preuve la plus forte en faveur de cette thèse est un étude de cas anonymisée concernant un fonds d’acquisition de 400 millions de dollars sur le marché européen inférieur-moyen. Une entreprise investie dans ce fonds a pu améliorer son EBITDA opérationnel de 280 points de base en 12 mois, « directement grâce à l’utilisation de l’IA ». Un autre fonds a conclu deux transactions grâce aux capacités de l’intelligence artificielle, et a réduit le temps nécessaire pour soumettre les rapports au comité d’investissement de 55 %.

C’est l’ensemble de l’histoire : un cas d’étude opérationnel et une anecdote liée à la vitesse de détection.

Le même guide décrit également les modes de échec. Un fonds d’investissement américain d’une valeur de 1,5 milliard de dollars a tenté de mettre en œuvre des solutions d’IA au sein des entreprises, mais a échoué. Ce n’est pas parce que la technologie ne fonctionnait pas, mais plutôt parce que l’équipe des partenaires opérationnels n’était pas intéressée par cette initiative. L’initiative n’a pu progresser que après une réorganisation des incitations en le 9ème mois. C’est là le principal obstacle : la mise en œuvre des solutions d’IA dans le secteur de la private equity est un problème lié aux personnes et aux incitations, et non à la technologie elle-même.

Le concept de « pitch » implique également l’hypothèse du multi-arbitrage. Certaines sociétés de capital-investissement achètent des plateformes à un coût de 8–10 fois le BEBDA, et estiment que les entreprises de services industriels pourront être réclassées en « logiciels » après l’implémentation de l’IA.C’est une mise en valeur qui est présentée comme une thèse opérationnelle.Les LP ne sont pas encore en mesure de tester si ces multiples de sortie restent valables, même lorsque toutes les entreprises racontent la même histoire. Mais ils le seront. La compression des multiples représente un risque silencieux que personne ne prend en compte.

Ce qui fonctionne vraiment sur le site de production

La base de preuves indépendante est plus étroite que celle liée aux pics, mais elle est réelle. Une étude vérifiée concernant 200 déploiements d’IA B2B entre 2022 et 2025, publiée au début de 2026, montre un retour sur investissement médian de+159,8 % en 24 moisLa moyenne est de +347 %, mais cela est causé par des valeurs atypiques – la différence entre ce qui fonctionne et ce qui ne fonctionne pas est énorme.

Les données spécifiques à chaque fonction racontent une histoire plus claire.

• Maintenance prédictive– 10:1 à 30:1 de retour sur investissement. Le retour sur investissement se fait en 12–18 mois. 95 % des installations rapportent un retour sur investissement positif. Cela fonctionne car il remplace les maintenances réactives ou basées sur le temps (utilisées encore par 82 % des fabricants) par des actions basées sur l’état des équipements. C’est une solution simple, mais pas magique.
• Contrôle de qualitéSelon Forrester, le taux de rendement moyen sur 3 ans est de 374 %. Le retour sur investissement se fait en 6 à 12 mois. La précision de détection est de 95 à 99 %, contre 80 à 85 % pour les inspecteurs humains. Cet outil fonctionne mieux dans des productions standardisées à haute volume ; son efficacité diminue lorsqu’il s’agit de produits variés et à faible volume.
• Prévision de la demande– Amélioration de la précision de 10 à 20 %, réduction de l’inventaire de jusqu’à 5 %. Retour sur investissement en 18 à 24 mois. C’est le ROI le plus faible, car il est difficile d’attribuer les améliorations des prévisions grâce à l’IA aux économies spécifiques liées à l’inventaire, étant donné que les volumes de production varient constamment.
• Optimisation de l’énergie– Réduction des coûts de 10 à 15 %. Souvent, l’impact sur le retour sur investissement ne est pas atteint, car la base énergétique n’a jamais été définie avant le déploiement. Par conséquent, il est impossible de distinguer les bénéfices liés à l’IA des variations saisonnières ou tarifaires.

Le schéma est clair : l’IA intervient là où le processus physique peut être mesuré, où les données de base sont documentées, et où la mise en œuvre peut être normalisée par rapport au volume de production.Plus vous vous approchez des métriques « douces » – prédiction, tarification, capitaux de travail – plus il devient difficile de distinguer le signal du bruit.

Enquête de Deloitte sur la fabrication intelligente en 2025 montre à quel point tout cela est encore précoce : seulement 29 % des fabricants utilisent l’IA et l’apprentissage automatique au niveau des installations ou des réseaux. 23 % continuent d’essayer cette technologie dans des conditions expérimentales. La grande majorité des entreprises industrielles n’a même pas atteint le stade de l’expérimentation.

Les sociétés publiques sont la vérification la plus rapide de la réalité.

Si l’IA est vraiment entrée dans les usines, les entreprises industrielles utilisant l’IA devraient en tenir compte dans leur stratégie économique. Mais ce n’est pas le cas… ou peut-être que si, mais le marché a séparé les vrais acteurs de ceux qui se contentent de proposer des idées sans les mettre en pratique.

C3.aiL’entreprise dont le nom de code est littéralement “AI” sur la Bourse de New York a publié ses résultats financiers du deuxième trimestre 2026, indiquant une croissance des revenus.7 % en glissement trimestrielPoussé par des réservations fédérales qui ont augmenté de 89 % en glissement annuel. Mais la situation globale sur l’année est difficile : les revenus ont diminué de 35,7 % en glissement annuel. Le bénéfice net a chuté à 30,9 %. Le bénéfice opérationnel est négatif de 199,2 %. Les flux de trésorerie gratuits ont été épuisés pour 192,1 millions de dollars au cours des douze derniers mois. L’action se négocie à 10,22 $, soit une baisse de 24,2 % en glissement annuel et de 32,6 % sur une base annuelle continue.Ce n’est pas une entreprise dont les clients développent des applications d’IA industrielle en profit.C’est une entreprise qui dépense 192 millions de dollars par an, tandis que ses revenus diminuent de un tiers.

PalantirEn revanche, c’est l’histoire réelle de la croissance de l’entreprise : il s’agit d’une croissance liée au secteur du gouvernement et de la défense, et non à celle d’une usine. Les revenus ont augmenté de 78,9 % par rapport à l’année précédente. Le marge opérationnelle est de 42,8 %. Les flux de trésorerie libres ont atteint 3,36 milliards de dollars, soit une augmentation de 96,5 % par rapport à l’année précédente. Le ROIC est de 32,6 %. L’action a atteint 172 dollars, soit une hausse de près de 40 % en cinq jours depuis cette semaine. Mais la majeure partie de cette croissance des revenus provient des contrats accordés par le gouvernement américain. Ces contrats ont augmenté de 115 % par rapport à l’année précédente, représentant 81 % des revenus totaux. La plateforme d’intelligence artificielle d’Palantir est vraiment efficace : elle permet de combiner l’intelligence artificielle avec les données opérationnelles pour produire des modèles de manière sûre.Le site de l’usine n’est pas le client principal. C’est le Pentagone qui en est le client principal.

Cette distinction est importante pour la thèse en investissement privé. Si les sociétés de private equity espèrent que l’implémentation de l’IA permettra d’augmenter les marges EBITDA des industries, elles devraient acheter des logiciels dont les clients sont des usines, et non des entreprises de défense.

La contradiction de Gartner que personne ne cite

Gartner a rapporté en 2024 que73 % des projets d’IA ne produisent pas la valeur commerciale attendue.Selon l’étude de 2025 de McKinsey, seulement 5,5 % des organisations dans tous les secteurs rapportent des retours financiers liés à l’IA. Dans le secteur de la fabrication, ces retours sont légèrement plus élevés, car les résultats dépendent du rendement physique plutôt que des indicateurs de productivité. Mais même un taux de 5,5 %, avec une “petite augmentation”, reste un chiffre très faible.

Soixante-treize pour cent des projets liés à l’IA échouent. Six pour cent des organisations sont de bonnes performances. Vingt-neuf pour cent des fabricants ont déjà mis en œuvre l’IA au-delà de l’étape conceptuelle. Un cas d’étude dans le domaine du private equity indique une amélioration de 280 points de base de l’EBITDA.

L’annonce « L’IA est arrivée sur les chantiers de production » n’est pas fausse. Mais elle est incomplète, ce qui la rend dangereuse. L’IA est bien là, mais elle est restée sur le tarmac pour la plupart des opérateurs : entourée de données sales, de systèmes anciens non adaptés à l’IA, de personnes qui ne font pas confiance aux modèles qui provoquent trop d’alarmes falsifiées, et de équipes dirigeantes qui n’ont pas réorganisé les processus de travail pour permettre à l’IA de s’y intégrer.

Le programme Lighthouse Factory du Forum économique mondial – le modèle de référence pour la fabrication avancée – montre ce que signifie le succès lorsque tous les prérequis sont remplis : une augmentation de 40 % de la productivité du travail, une réduction de 48 % du délai de production, et une diminution de 66 % du taux de défauts dans le processus de fabrication de Beko. Mais les usines Lighthouse sont, par définition, des exceptions. Elles existent pour prouver que les limites sont franchibles. Elles ne représentent pas la norme à suivre.

Les implications pour les investisseurs

La thèse selon laquelle l’investissement privé en IA permettrait de créer de la valeur est encore prématurée, mais pas obsolète. Les mécanismes utilisés sont efficaces pour certaines fonctions : maintenance prédictive, contrôle de qualité à grande échelle. L’un des cas d’étude documentés montre que l’augmentation de l’EBITDA est réalisable. Mais considérer cela comme un outil qui permet d’améliorer le marge de 200 à 300 points de base sur tout le portefeuille d’actifs est une erreur. Ce que s’est avéré dans un seul site ne correspond pas à ce qui s’est avéré au niveau du réseau entier.

Les courants de croisement sont :

• Directionnellement positif :La maintenance prédictive et le contrôle de qualité offrent des rendements sur investissement reproductibles et vérifiables. Ce ne sont pas des concepts théoriques ; il s’agit d’applications prêtes à l’emploi, avec des périodes de retour sur investissement documentées.
• Directionnellement négatif :La préparation des données est le principal obstacle. Les fabricants qui disposent d’équipements mis au rebut avant 2015, avec des numéros de pièces incohérents, des codes de temps d’arrêt incertains, et des connaissances traditionnelles stockées dans la tête des opérateurs expérimentés, ne pourront pas bénéficier des avantages économiques liés à l’intelligence artificielle. L’intelligence artificielle ne fait qu’aggraver les problèmes existants ; elle ne les résout pas.
• Détermination directionnelle incertaine :Le stratagème d’arbitrage en matière de multiples PE – acheter à un prix de 8–10x et vendre à un prix de 15–20x en réclassifiant une entreprise industrielle en entreprise liée au secteur du logiciel – est une stratégie de valorisation qui dépend de la discipline des investisseurs. Elle ne fonctionnera pas si toutes les entreprises adoptent le même comportement.

L’annonce principale affirme que l’IA est bien arrivée sur Terre. C’est vrai. La question n’est pas de savoir si elle a atterri… mais si elle produit des avantages, ou simplement du désavantage.