Déployer l'IA en entreprise : la méthode commando

En mai 2026, OpenAI a levé 4 milliards de dollars pour créer une société de déploiement. Anthropic a lancé une coentreprise de services à 1,5 milliard avec Blackstone et Goldman Sachs, après avoir mis 100 millions sur son réseau de partenaires en mars. Mistral vise le milliard d'euros de revenus en 2026, porté presque entièrement par les entreprises.

Les labs ont compris quelque chose que le marché refusait de voir : la valeur ne vient pas du modèle. Elle vient de l'implémentation.

Leur réponse, c'est l'armée. Des centaines de Forward Deployed Engineers envoyés chez les grands comptes. C'est mieux qu'une API. Ce n'est pas votre solution.

Parce que les processus que ces ingénieurs vont automatiser ont 20 ou 30 ans, et qu'on ne les change pas avec du code. On les change avec une vision, une gouvernance, et des équipes qui comprennent à la fois le métier et la technologie. Sur le terrain, ce ne sont pas les armées qui transforment les entreprises. Ce sont les commandos.

Voici pourquoi, chiffres à l'appui, et comment ça fonctionne concrètement.

Mai 2026 : les labs IA mettent des milliards sur le déploiement

Reprenons les faits, datés et sourcés, parce qu'ils racontent quelque chose de précis.

Le 11 mai 2026, OpenAI annonce la Deployment Company. 4 milliards de dollars de capital initial, levés auprès de 19 firmes, avec TPG en chef de file aux côtés d'Advent International, Bain Capital et Brookfield. Dans le même mouvement, OpenAI rachète Tomoro, un cabinet d'ingénierie IA appliquée qui apporte environ 150 ingénieurs de déploiement dès le premier jour. Brad Lightcap, COO d'OpenAI, résume l'intention : « Nos clients nous disent qu'ils ont besoin d'aide pour passer du pilote à la production. »

Une semaine plus tôt, le 4 mai, Anthropic lançait sa propre coentreprise de services IA. Valorisée 1,5 milliard de dollars, avec 300 millions engagés chacun par Anthropic, Blackstone et Hellman & Friedman, et Goldman Sachs en partenaire fondateur. Cible affichée : les sociétés en portefeuille des fonds de private equity. Et ce n'était pas le premier mouvement d'Anthropic : en mars 2026, le lab avait déjà engagé 100 millions de dollars dans son Claude Partner Network, avec Accenture, Deloitte, Cognizant et Infosys.

Mistral, de son côté, a fait du B2B sa stratégie centrale. Arthur Mensch a annoncé viser environ 1 milliard d'euros de revenus en 2026, après une levée de 1,7 milliard d'euros en septembre 2025. Son argument : pour déployer l'IA en entreprise, il faut maîtriser toute la pile, du modèle à l'intégration.

Trois labs, trois structures différentes, un seul constat partagé. Vendre un modèle ne suffit plus. Vendre un accès API ne suffit plus. Ce qui se paie, et ce qui se paiera de plus en plus cher, c'est la capacité à faire fonctionner l'IA dans une organisation réelle, avec ses processus, ses outils existants et ses équipes.

Ce constat, nous le faisons sur le terrain depuis le début. Ce qui est nouveau, c'est que les acteurs les plus puissants du marché viennent de le valider avec leurs milliards.

Forward Deployed Engineer : c'est quoi, et d'où ça vient

Le métier que ces milliards financent porte un nom : Forward Deployed Engineer, ou FDE. Si vous ne l'avez jamais croisé, c'est normal, il vient à peine d'arriver dans le vocabulaire français. Il va s'y installer.

Le modèle vient de Palantir, au début des années 2010. L'entreprise travaillait pour des agences de renseignement américaines incapables de rédiger un cahier des charges classique : le besoin n'était compréhensible qu'en étant sur place. Palantir a donc envoyé ses ingénieurs directement chez le client, en immersion. En interne, on les appelait les « Deltas ». Détail révélateur : jusqu'en 2016, Palantir comptait plus d'ingénieurs déployés chez les clients que d'ingénieurs logiciels classiques.

Dix ans plus tard, le marché valide le modèle à grande échelle :

Les offres d'emploi FDE ont augmenté de 800 % entre janvier et septembre 2025.
Sur Indeed, les postes FDE aux États-Unis sont passés de 643 en avril 2025 à 5 330 en avril 2026.
Salesforce s'est engagé publiquement sur 1 000 FDE autour de sa plateforme Agentforce. Google Cloud en recrute par centaines sur quatre continents.
La rémunération moyenne d'un FDE atteint environ 238 000 dollars en 2026 aux États-Unis.

Le principe du FDE est sain : mettre un ingénieur au contact du terrain, là où le besoin existe vraiment, plutôt que derrière un ticket Jira à trois intermédiaires de distance. C'est un progrès réel par rapport au modèle « voici l'API, débrouillez-vous ».

Mais le FDE répond à la question « comment fait-on tourner notre technologie chez le client ». Il ne répond pas à la question du client, qui est différente : « comment mon organisation change-t-elle, durablement, avec des résultats mesurables ». Et l'écart entre ces deux questions explique une bonne partie des chiffres qui suivent.

Pourquoi les déploiements IA échouent (et ce n'est pas la faute des modèles)

L'écart entre adoption et valeur est aujourd'hui le mieux documenté de toute l'histoire de l'informatique d'entreprise.

88 % des organisations utilisent désormais l'IA dans au moins une fonction, selon l'enquête State of AI de McKinsey publiée en novembre 2025 auprès de 1 993 répondants dans 105 pays. Mais dans la même enquête, seules 39 % constatent un impact sur leur résultat opérationnel. Et parmi celles-ci, la plupart estiment cet impact à moins de 5 % de l'EBIT.

Le BCG arrive au même endroit par un autre chemin : en 2024, 74 % des entreprises n'avaient pas encore démontré de valeur tangible de leurs usages IA. Son édition 2025 classe encore 60 % des entreprises en « laggards », avec des gains minimes.

Gartner avait prévenu dès juillet 2024 : au moins 30 % des projets d'IA générative abandonnés après le proof of concept avant fin 2025. Causes citées : qualité des données, contrôles de risque insuffisants, coûts qui dérapent, valeur métier floue.

Et puis il y a le chiffre que vous avez probablement déjà croisé sur LinkedIn : l'étude du MIT selon laquelle 95 % des initiatives d'IA générative ne produisent aucun retour mesurable. Soyons précis, parce que ce chiffre mérite mieux que sa viralité. Il vient d'un white paper du projet NANDA (MIT Media Lab, été 2025), construit sur 52 entretiens et 153 réponses d'enquête. Il n'est pas relu par des pairs, sa définition du ROI est étroite, et il a été abondamment critiqué pour ça. Ne le citez pas comme une mesure exacte.

Mais lisez ce que l'étude dit vraiment, car c'est plus intéressant que son chiffre choc. L'obstacle identifié n'est ni le modèle, ni l'infrastructure, ni la régulation, ni le talent. C'est l'intégration : la plupart des systèmes déployés ne retiennent pas le feedback, ne s'adaptent pas au contexte de l'entreprise et ne s'améliorent pas dans le temps. Et un constat secondaire, presque enterré dans le rapport : les projets menés avec des partenaires spécialisés réussissent environ 67 % du temps, soit près de deux fois plus que les builds internes.

Côté français, le tableau a sa propre couleur. D'après l'INSEE, 10 % des entreprises françaises de plus de 10 salariés utilisaient l'IA en 2024, contre 13 % en moyenne européenne. L'étude Bpifrance Le Lab de juin 2025, menée auprès de plus de 1 200 dirigeants de PME et ETI, ajoute deux chiffres qui disent tout : 54 % des entreprises utilisatrices se contentent d'outils gratuits et génériques, et dans 73 % des cas, l'impulsion vient du seul dirigeant. Autrement dit : de l'outillage de surface, porté par une personne, sans ancrage dans les équipes. Exactement le profil type du projet qui ne survit pas à son POC.

Résumons. Les modèles fonctionnent. L'adoption est massive. Et pourtant la valeur ne suit pas, parce que le maillon manquant n'est ni technologique ni budgétaire. Il est organisationnel.

La réponse des labs : des armées. La limite : votre terrain.

Face à ce constat, la réponse des labs est cohérente avec ce qu'ils sont : des structures à très grande échelle. Des milliers de FDE, des partenariats avec les big four du conseil, des coentreprises avec les plus grands fonds du monde. La JV d'Anthropic cible explicitement les sociétés en portefeuille de Blackstone et Hellman & Friedman. La Deployment Company d'OpenAI démarre avec TPG, Bain et Goldman autour de la table.

Regardez qui est servi en premier : les grands comptes et les portefeuilles de private equity. C'est logique, c'est là que sont les plus gros contrats. Mais ça laisse une question entière pour tout le reste du tissu économique : qui déploie, et comment ?

Et même chez les grands comptes, le modèle de l'ingénieur déployé a des limites structurelles qu'aucun budget ne corrige :

Un FDE isolé crée une dépendance, pas une capacité. Il fait tourner la technologie de son employeur. Le jour où il part, la compétence part avec lui. Aucun transfert n'a eu lieu, parce que le transfert n'est pas sa mission.

Un ingénieur seul ne porte pas une transformation. Les processus métiers qu'il rencontre ont 20 ou 30 ans d'histoire, de cas particuliers et d'habitudes. Les changer demande une légitimité auprès du CODIR, une compréhension fine du métier et un travail de gouvernance. Ce n'est pas une mission d'ingénierie, c'est une mission d'équipe.

L'incitation du FDE n'est pas la vôtre. Un FDE d'OpenAI déploie OpenAI. Un FDE de Salesforce déploie Agentforce. La question « est-ce le bon outil pour ce processus » ne fait pas partie de sa fiche de poste.

Le modèle reproduit l'erreur des formations one-shot. On a déjà essayé de transformer les entreprises en envoyant des experts ponctuels : les séminaires IA de 2023-2024 ont produit des collaborateurs sensibilisés et des processus inchangés. Un expert qui passe, quel que soit son niveau, ne change pas une organisation.

Le diagnostic des labs est juste : la valeur est dans le déploiement. Leur réponse est adaptée à leurs clients : des armées pour des empires. Reste à savoir ce qui fonctionne pour une organisation qui n'a ni 50 000 employés, ni un fonds de PE au capital.

La méthode commando : 2 à 4 profils hybrides, du CODIR au code

Ce qui fonctionne sur le terrain, nous l'avons vu se répéter mission après mission, et c'est l'inverse d'une armée. C'est un commando : une équipe de 2 à 4 profils hybrides, experts métiers et technologiques, pilotée par un head of AI, qui travaille en co-construction avec vos équipes internes. Du CODIR aux lignes de code.

Concrètement, voici ce que ça change, point par point.

La taille est une feature, pas une contrainte. À 2-4 personnes, le commando s'intègre dans vos équipes au lieu de s'y superposer. Pas de comité projet à 15, pas de slides de cadrage pendant trois mois. Les décisions se prennent vite parce que les décideurs sont dans la pièce, et chaque membre est lui-même augmenté par l'IA dans son propre travail : la productivité de l'équipe n'a rien à voir avec son effectif.

Hybride veut dire bilingue. Chaque sujet est traité par quelqu'un qui comprend le processus métier ET ce que la technologie peut en faire. C'est précisément le chaînon manquant identifié par toutes les études citées plus haut : l'échec ne vient pas du modèle, il vient de la jonction entre le modèle et le métier. Le commando vit à cette jonction.

Le pilotage par un head of AI relie le CODIR au terrain. La transformation a besoin d'un responsable qui parle aux deux étages : celui qui arbitre la vision et la gouvernance avec la direction, et celui qui tranche les choix techniques avec les équipes. Sans ce rôle, les projets IA flottent entre une DSI prudente et des métiers démunis, et retournent au purgatoire des POC.

La co-construction est la condition de l'adoption. Le commando ne livre pas un outil à vos équipes : il le construit avec elles. Les réceptionnistes, les gestionnaires, les opérateurs participent aux choix dès le départ. Résultat : l'outil épouse le processus réel, pas le processus théorique, et les équipes l'adoptent parce que c'est aussi le leur. C'est l'antidote exact aux 54 % d'outils génériques recensés par Bpifrance.

Le transfert de compétence est dans le contrat moral. À la fin de la mission, vos équipes savent faire fonctionner, ajuster et étendre ce qui a été construit. Le commando rend l'entreprise plus capable, pas plus dépendante. C'est la différence entre louer une armée et entraîner la vôtre.

L'horizon est de 4 à 6 mois, pas de 3 ans. Premiers indicateurs mesurables, outils réellement adoptés, équipes augmentées. Pas une promesse de transformation à l'horizon du prochain plan stratégique : des résultats qu'on peut lire dans un tableau de bord avant la fin du semestre.

Armée de FDE, cabinet, freelance ou commando : le comparatif

L'armée de FDE (le modèle des labs)

Pensée pour : les grands comptes et les portefeuilles de private equity
Profils : des ingénieurs du lab, en effectif variable et souvent important
Lien avec la techno : déploie la stack de son employeur, par construction
Transfert de compétence : non prévu, ce n'est pas la mission
Après le départ : une dépendance durable au lab

Le cabinet de conseil

Pensé pour : les grands comptes et les projets de cadrage stratégique
Profils : équipe projet plus management, souvent des juniors encadrés
Premiers résultats mesurables : après la phase de cadrage, rarement avant
Transfert de compétence : limité aux livrables
Après le départ : un rapport et des recommandations à implémenter

Le freelance IA

Pensé pour : des tâches techniques délimitées
Profils : une personne, généralement technique
Premiers résultats mesurables : rapides, mais sur un périmètre étroit
Transfert de compétence : rare
Après le départ : une dépendance à la personne

Le commando hybride

Pensé pour : les PME, les ETI et les business units de groupe
Profils : 2 à 4 profils hybrides métier + tech, pilotés par un head of AI
Premiers résultats mesurables : 4 à 6 mois
Lien avec la techno : indépendant des éditeurs, choisit l'outil pour le processus
Transfert de compétence : au cœur de la méthode
Intégration à l'existant : condition de réussite assumée, pas une option
Après le départ : des équipes autonomes sur l'outil

Ce comparatif n'est pas un procès des autres modèles : une multinationale qui standardise un usage sur 40 000 postes a besoin d'une armée, et certains sujets se règlent très bien avec un bon freelance. La question est ailleurs : à quoi ressemble votre terrain, et quel modèle peut réellement y opérer.

Cas concret : 80 chambres, et des heures de comptage qui disparaissent

Un exemple vécu, anonymisé à la demande du client : un hôtel indépendant d'environ 80 chambres, autour de 2 millions d'euros de chiffre d'affaires.

Le problème. Comme dans beaucoup d'établissements de cette taille, le cash y est un angle mort. Check-in, check-out, conversions de devises pour la clientèle étrangère, sorties de caisse : tout était compté à la main, sans centralisation, sans intervalle de confiance. Conséquences classiques : des écarts inexpliqués, des pertes sèches, et surtout zéro visibilité consolidée sur les entrées et sorties à l'échelle de l'hôtel. La direction le savait. Personne n'avait le temps de s'y attaquer, et les solutions du marché supposaient soit une caisse enregistreuse lourde, soit un processus de saisie de plus pour des réceptionnistes déjà chargés.

Ce que le commando a fait. Nous avons construit avec eux CashTrack, une application web sur mesure de suivi en continu des entrées et sorties de cash, pensée pour la réalité d'une réception d'hôtel : la saisie se fait à la voix, par écrit ou d'un bouton, en quelques secondes, entre deux clients. Les conversions de devises sont calculées par l'outil. La direction dispose d'un comptage global consolidé en permanence.

Le moment de bascule, et c'est le cœur de la méthode : l'intégration à l'existant. La condition non négociable était que CashTrack se branche sur la suite logicielle déjà en place, sans imposer un processus nouveau et lourd à l'ensemble des réceptionnistes. C'est exactement le travail invisible qui fait la différence entre un outil adopté et une licence dormante. Le jour où la saisie est devenue plus rapide que l'ancien comptage manuel, l'adoption a cessé d'être un sujet.

Les résultats. De 3 à 5 heures gagnées chaque semaine pour la direction et le chef de réception sur le comptage et les rapprochements. Un intervalle de confiance sur la caisse, là où il n'y avait que des approximations. Et un effet que nous n'avions pas mis dans le cahier des charges : le personnel s'est mis à regarder les flux de cash autrement, parce que l'outil rend les entrées et sorties visibles au fil de l'eau. La sensibilisation que des consignes répétées n'avaient jamais obtenue, un outil bien intégré l'a produite en quelques semaines.

Aucun robot dans le lobby. Aucune annonce. Les clients de l'hôtel ne sauront jamais qu'une IA travaille à la réception, et c'est très bien comme ça : l'IA utile est celle qui se sent dans les marges sans jamais se montrer.

Par où commencer

Si vous vous reconnaissez dans le purgatoire des POC, ou si vous voulez l'éviter, voici par où nous recommandons de commencer, que ce soit avec nous ou pas :

Inventoriez la douleur, pas la technologie. Le bon point de départ n'est jamais « que peut-on faire avec l'IA » mais « où perd-on du temps, de l'argent ou de la fiabilité chaque semaine ». C'est par là que commence toute automatisation de processus rentable. Le cash de l'hôtel ci-dessus est un cas d'école : douleur hebdomadaire, mesurable, bornée.
Choisissez un périmètre qu'un commando peut tenir. Un processus, des utilisateurs identifiés, un indicateur de succès défini avant d'écrire la première ligne de code.
Exigez l'intégration à l'existant. Tout outil qui ajoute un processus au lieu d'en alléger un sera contourné. C'est la première question à poser à n'importe quel prestataire.
Mettez le métier dans l'équipe, pas en bout de chaîne. Si les futurs utilisateurs découvrent l'outil à la livraison, vous avez déjà perdu.
Donnez-vous 4 à 6 mois et un tableau de bord. Pas de transformation à horizon indéterminé : des indicateurs lisibles avant la fin du semestre, et une décision d'extension fondée sur eux.

Un FDE isolé ne transformera pas votre entreprise. Les formations one-shot n'ont pas fonctionné pour la même raison. Les milliards des labs viennent de valider le diagnostic : tout se joue dans l'implémentation. Sur le terrain, l'implémentation a une forme : petite, hybride, intégrée, mesurable.

Si vous réfléchissez à votre modèle de transformation, discutons-en.

FAQ : déploiement IA et méthode commando

C'est quoi un Forward Deployed Engineer (FDE) ? Un ingénieur employé par un éditeur de technologie (Palantir à l'origine, aujourd'hui OpenAI, Anthropic, Google, Salesforce) et déployé directement chez le client pour y faire fonctionner la technologie de son employeur. Le rôle explose depuis 2025 : les offres ont augmenté de 800 % en neuf mois.

Quelle différence entre un FDE et un commando hybride ? Le FDE est un ingénieur seul, dont la mission est de déployer la stack de son employeur. Le commando est une équipe de 2 à 4 profils mêlant expertise métier et technologique, indépendante des éditeurs, dont la mission inclut la gouvernance, la co-construction avec vos équipes et le transfert de compétence.

Pourquoi tant de projets IA échouent-ils après le POC ? Parce que le maillon faible n'est pas le modèle mais l'intégration : outils déconnectés des processus réels, équipes non associées, absence de gouvernance et d'indicateurs. Gartner anticipait l'abandon d'au moins 30 % des projets GenAI après le POC ; McKinsey mesure que 88 % des organisations utilisent l'IA mais que 39 % seulement en tirent un impact sur leur résultat.

Combien de temps avant des résultats mesurables ? Avec un périmètre bien défini et une équipe intégrée aux métiers, les premiers indicateurs mesurables arrivent en 4 à 6 mois : temps gagné, taux d'erreur, fiabilité d'un processus. C'est l'horizon que nous nous imposons.

Faut-il être une grande entreprise pour déployer l'IA sérieusement ? Non, et c'est même l'angle mort du marché actuel : les offensives des labs (OpenAI Deployment Company, JV Anthropic-Blackstone) ciblent les grands comptes et les portefeuilles de private equity. Le modèle commando est précisément dimensionné pour les PME, ETI et business units qui n'auront jamais une armée de FDE.

L'outil doit-il remplacer nos logiciels existants ? Surtout pas. La condition numéro un de l'adoption est l'intégration à votre suite logicielle existante, sans processus supplémentaire imposé aux équipes. Un outil qui ajoute de la charge sera contourné, quelle que soit sa qualité technique.

Que devient le système après la fin de la mission ? Le transfert de compétence fait partie de la méthode : vos équipes savent faire fonctionner, ajuster et étendre ce qui a été construit. L'objectif est de rendre l'entreprise plus capable, pas plus dépendante du prestataire.

Et la conformité (RGPD, données sensibles) ? Elle se traite dès le cadrage, pas après coup : choix d'hébergement et de modèles compatibles avec vos contraintes, minimisation des données traitées, et gouvernance documentée. C'est l'un des rôles du head of AI qui pilote le commando.

Sources

OpenAI, « OpenAI launches the Deployment Company », 11 mai 2026
Anthropic, « Enterprise AI services company » (JV Blackstone / Hellman & Friedman / Goldman Sachs), 4 mai 2026 ; « Claude Partner Network », 12 mars 2026
CNBC, « Anthropic, Goldman, Blackstone AI venture », 4 mai 2026
Maddyness, « Mistral AI on track to reach one billion euros in revenue by 2026 », 23 janvier 2026
Fast Company, « Postings for this AI job are up 800% », 2025
McKinsey, « The State of AI » (éditions mars et novembre 2025, n = 1 993, 105 pays)
BCG, « Where's the Value in AI? » (octobre 2024) ; « The Widening AI Value Gap » (septembre 2025)
Gartner, communiqué du 29 juillet 2024 (abandon post-POC)
MIT NANDA, « The GenAI Divide: State of AI in Business 2025 » (juillet 2025), cité avec ses limites méthodologiques
INSEE, enquête TIC entreprises 2024 (Insee Première n° 2061, juillet 2025)
Bpifrance Le Lab, « L'IA dans les PME et ETI françaises : une révolution tranquille », juin 2025 (n > 1 200 dirigeants)