95 % de l’IA en entreprise échoue.
Les 5 % qui réussissent ont une chose que les autres n’ont pas.

La personnalisation a 30 ans. Le Pourquoi derrière chaque interaction, non. Le Comment, non plus. Et la Réception — la couche qui décide si l’IA prend ou échoue silencieusement — non plus.

Les chiffres que la plupart des conversations sur l’IA en entreprise refusent d’aborder

En août 2025, le projet NANDA du MIT a publié The GenAI Divide: State of AI in Business 2025. La conclusion principale, tirée d’entretiens avec 150 dirigeants, d’une enquête auprès de 350 employés et d’une analyse de 300 déploiements d’IA en entreprise, est la suivante : 95 % des déploiements d’IA en entreprise n’apportent aucune valeur P&L mesurable.

Malgré 30 à 40 milliards de dollars investis dans l’IA générative d’entreprise, seuls 5 % des pilotes produisent une accélération de revenus rapide. La grande majorité stagne — sans impact mesurable sur l’activité.

Deux mois plus tôt, Gartner publiait une prévision pour la catégorie suivante dans la stack : plus de 40 % des projets d’IA agentique seront annulés d’ici fin 2027, en raison de coûts croissants, d’une valeur business floue ou de contrôles de risque insuffisants.

Aucune de ces deux études ne porte sur la capacité des modèles. Les modèles fonctionnent. L’infrastructure tient la charge. L’investissement est là. Ce qui échoue, c’est l’exécution.

La question qui vaut la peine d’être posée, avant qu’une entreprise n’engage le prochain euro dans une infrastructure d’IA : qu’est-ce que les 5 % ont que les 95 % n’ont pas ?

La couche manquante, en clair

Les déploiements d’IA générative à l’échelle de l’entreprise échouent pour une raison structurelle. Ils sont conçus pour être techniquement corrects. Ils ne sont pas conçus pour être émotionnellement reçus.

Une IA de support client qui donne la réponse factuellement juste à un client en Remords ferme la relation. Une IA de vente qui pousse la prochaine action vers un client en hésitation transforme l’hésitation en résistance. Un bot de conformité qui délivre une notice de confidentialité à un utilisateur en Mépris confirme son soupçon que la marque cache quelque chose. La sortie est techniquement correcte. La réception est mauvaise. Et c’est la réception qui pilote le P&L.

Ce n’est pas un problème qu’une mise à jour de modèle résout. La recherche du MIT pointe vers une intégration entreprise défaillante — les outils génériques excellent pour les individus grâce à leur flexibilité, mais calent en usage entreprise parce qu’ils ne s’adaptent ni aux workflows ni aux humains qu’ils servent. Le manque de capacité identifié par le MIT n’est pas ce que le modèle fait. C’est ce que le déploiement perçoit, ce à quoi il répond, et la manière dont il s’adapte à l’humain en face.

Les 95 % livrent une IA techniquement correcte dans des moments émotionnels qui ne peuvent pas la recevoir.
Les 5 % s’adaptent à qui est en face.

C’est un manque de contexte émotionnel. C’est aussi un manque de mesure, un manque de routage, et un manque de consentement. Ensemble, ils définissent la couche manquante.

Pourquoi cela devient plus urgent, pas moins, à mesure que l’IA progresse

En avril 2026, l’équipe d’interprétabilité d’Anthropic a publié Emotion concepts and their function in a large language model. Le papier analyse la manière dont les grands modèles de langage représentent en interne les concepts émotionnels, et établit que les représentations émotionnelles fonctionnelles à l’intérieur du modèle sont organisées selon une structure qui fait écho au type de taxonomie émotionnelle structurée que décrit le modèle psychoévolutif de Plutchik. Plus important encore, le papier démontre que ces représentations émotionnelles sont causales — elles influencent le comportement du modèle de manière mesurable et conséquente, y compris des comportements pertinents pour la sécurité de l’IA.

Mis en regard du MIT et de Gartner, ce résultat dessine un schéma :

Si l’IA en entreprise échoue, ce n’est pas parce que l’émotion est sans rapport avec l’IA. C’est parce que l’émotion est opérante à l’intérieur de l’IA et invisible dans le déploiement. Les modèles ont du contexte émotionnel. Les déploiements, non.

C’est cette couche qu’il faut construire.

Les quatre fonctions d’une couche d’infrastructure de Dynamiques Émotionnelles

Tout déploiement d’IA d’entreprise qui veut faire partie des 5 % plutôt que des 95 % aura besoin d’une couche d’infrastructure de Dynamiques Émotionnelles assurant quatre fonctions :

Ces quatre fonctions ne sont pas indépendantes. Elles doivent composer en une couche architecturale unique placée entre le modèle et l’humain, en temps réel, sans casser les contraintes de gouvernance de l’entreprise. C’est ce qu’est une couche d’infrastructure de Dynamiques Émotionnelles.

Le lien avec les 4 milliards de dollars d’OpenAI sur la couche de déploiement

Le 11 mai 2026, OpenAI a annoncé l’OpenAI Deployment Company, soutenue par plus de 4 milliards de dollars d’investissement de TPG, Bain Capital, Goldman Sachs, SoftBank, Warburg Pincus et les grands cabinets de conseil. L’acquisition fondatrice était Tomoro, une société de conseil en IA basée à Londres, avec environ 150 Forward Deployed Engineers et des clients entreprise dont Tesco, Virgin Atlantic, Mattel et Red Bull.

L’objectif affiché : accélérer le déploiement d’IA en entreprise selon le modèle Palantir « ingénieurs intégrés chez le client » qui distingue historiquement les déploiements réussis de ceux qui stagnent.

L’annonce de la Deployment Company importe ici pour une raison : OpenAI elle-même vient de mettre 4 milliards de dollars derrière le diagnostic que le déploiement, et non la capacité du modèle, est le prochain terrain de bataille en entreprise. Les chiffres du MIT et de Gartner ne sont pas du pessimisme — ils sont l’opportunité de marché qu’une industrie entière se positionne maintenant pour adresser.

Mais le déploiement seul ne ferme qu’une partie du fossé. Les Forward Deployed Engineers peuvent intégrer le modèle dans le workflow. Ils ne peuvent pas, à eux seuls, donner au modèle un contexte émotionnel sur l’humain en face. Cela requiert une couche différente, bâtie sur des fondations scientifiques différentes, avec le consentement comme architecture plutôt que comme conformité.

Cette couche, c’est ce que ConsentPlace construit.

Ce qu’est ConsentPlace, en une phrase

ConsentPlaceAgent est la seule couche d’infrastructure de Dynamiques Émotionnelles pour l’IA d’entreprise — une API temps réel, consent-native, qui détecte, guide et anticipe le spectre complet de l’émotion humaine sur les 24 dyades de Plutchik, pour que les systèmes d’IA répondent à ce que les gens ressentent, pas seulement à ce qu’ils disent. Trois lignes de code sur la stack existante. Pas de remplacement. Architecture RGPD-native.

Une couche d’infrastructure de Dynamiques Émotionnelles assurant ces quatre fonctions — détection, réception, consentement, audit — devient une exigence structurelle pour tout déploiement d’IA d’entreprise qui veut capter de la valeur P&L plutôt que rejoindre les 95 % qui n’y arrivent pas.

Ce que cela implique pour l’acheteur d’IA d’entreprise

Trois questions à poser avant de mettre le prochain déploiement d’IA en production :

Si la réponse à l’une de ces questions est « non » ou « nous n’y avons pas pensé », le déploiement est structurellement exposé au même mode d’échec qui a emporté 95 % des pilotes d’IA générative et qui se prépare à emporter 40 % des projets d’IA agentique.

Les 5 % ont une couche d’infrastructure de Dynamiques Émotionnelles, qu’ils l’appellent ainsi ou non. Les 95 % ne l’ont pas.

La personnalisation était le pari des 30 dernières années.
Les Dynamiques Émotionnelles sont le pari des 30 prochaines.

Les entreprises qui l’intègrent dès maintenant dans leur stack d’IA — et celles qui choisissent de l’acquérir plutôt que de tenter de la construire à partir de zéro — seront celles dont les investissements en IA produiront du ROI plutôt que des titres sur des annulations.