Baromètre IA des ETI françaises 2026

#La fracture IA s'accélère entre ETI pionnières et attentistes

En 2026, l'intelligence artificielle n'est plus une promesse pour les entreprises de taille intermédiaire françaises — c'est une réalité opérationnelle pour plus de 6 sur 10. Le Baromètre IA ETI France 2026 de Nehos révèle une accélération sans précédent du déploiement des agents IA en production, avec 62 % des ETI interrogées ayant au moins un agent opérationnel, contre 28 % lors de notre précédente enquête en 2024.

Mais derrière ce chiffre global se cache une réalité bipolaire : d'un côté, 23 % des ETI ont déployé 5 agents IA ou plus, générant des gains de productivité significatifs et des avantages concurrentiels durables. De l'autre, 38 % n'ont encore rien déployé en production, souvent bloquées par des freins organisationnels ou des perceptions erronées sur le coût réel de l'IA.

#Qui déploie et où : cartographie sectorielle

L'adoption varie fortement selon les secteurs. La finance/assurance affiche le taux de déploiement le plus élevé (79 %), portée par les cas d'usage de conformité réglementaire, de traitement des documents et de détection des anomalies. Le secteur santé/pharma suit avec 71 %, stimulé par l'automatisation des processus administratifs et la gestion des données patients (dans les limites réglementaires RGPD/HDS).

La distribution/retail se situe à 65 %, principalement sur des cas de service client, de recommandation produit et de gestion des retours. L'industrie, avec 54 %, adopte plus lentement mais avec des cas d'usage à fort potentiel : maintenance prédictive, contrôle qualité visuel et gestion de la documentation technique.

La corrélation entre taille d'entreprise et adoption est claire : 81 % des ETI de 2 500 à 5 000 collaborateurs ont déployé des agents IA, contre 48 % pour les ETI de 250 à 499 collaborateurs. L'écart tient moins aux moyens financiers qu'à la présence de ressources techniques internes dédiées (CDO, data team, squad IA).

#Les 10 cas d'usage les plus déployés

1. Service client automatisé (44 % des ETI déployées) — Chatbots et agents vocaux prenant en charge de 30 % à 70 % des requêtes entrantes selon le secteur. ROI moyen observé : 3,2 × sur 18 mois.

2. Génération de contenu interne (38 %) — Rédaction de fiches produits, traductions, synthèses de réunions, rapports. Gain de productivité moyen : 40 % pour les équipes concernées.

3. Automatisation des processus administratifs (32 %) — Traitement des factures, extraction de données contractuelles, vérification de conformité documentaire. Réduction des erreurs de saisie : -68 % en moyenne.

4. Assistance à la vente et au CRM (28 %) — Enrichissement automatique des fiches clients, scoring des leads, préparation des revues de compte. Amélioration du taux de conversion commerciale : +18 % en médiane.

5. Analyse de données et reporting décisionnel (26 %) — Agents IA connectés aux BI, générant automatiquement des synthèses exécutives et alertant sur les anomalies.

6. Gestion documentaire et knowledge base (24 %) — Indexation intelligente, recherche sémantique dans les bases de connaissances internes, onboarding assisté.

7. Conformité et veille réglementaire (21 %) — Agents surveillant les évolutions légales pertinentes (DORA, NIS2, CSRD, AI Act) et alertant les équipes concernées.

8. Ressources humaines et recrutement (19 %) — Screening CV, préparation des entretiens, génération de fiches de poste, suivi des candidatures.

9. Support technique et IT (17 %) — Agents de niveau 1 répondant aux tickets de support interne, réduisant la charge des équipes IT de 25 à 45 %.

10. Maintenance prédictive industrielle (14 %) — Agents analysant les données capteurs et alertant sur les anomalies avant défaillance. ROI spectaculaire pour les ETI industrielles : 5,8 × sur 24 mois.

#Budget IA : combien dépensent vraiment les ETI ?

Le budget IA moyen alloué par les ETI ayant déployé des agents est de18 14 592 €/an, avec une médiane3 11 904 €/an (l'écart traduit l'effet des grands déploiements). La distribution est très asymétrique : 15 % des ETI consacrent plus de50 9 472 €/an à leur programme IA.

Décomposition médiane du budget IA annuel :

• Développement et intégration (build) : 55 % soit51 4 480 €
• Infrastructure LLM (API OpenAI/Anthropic/Mistral + compute GPU) : 30 % soit19 12 416 €
• Formation des collaborateurs : 8 % soit à partir de 1 522 €
• Licences logicielles (outils no-code, plateformes orchestration) : 7 % soit à partir de 32 256 €

Le coût de l'infrastructure LLM est sous-estimé lors de la phase de planification par 73 % des ETI interrogées. En phase de POC, les API LLM semblent négligeables. En phase de production à fort volume, elles représentent souvent 40 à 60 % du coût opérationnel récurrent.

Les ETI ayant choisi une architecture multi-LLM (routage intelligent entre modèles selon la tâche) rapportent une réduction de 38 % de leurs coûts d'API par rapport aux architectures mono-LLM, à performances égales.

→ Pour aller plus loin : découvrez nos outils gratuits — calculateurs ROI, diagnostics techniques et quiz interactifs pour affiner votre réflexion.

#ROI : les chiffres qui font décider

Le ROI médian sur 12 mois des projets IA en production est de 2,7 ×, avec un délai de retour sur investissement médian de 8,5 mois. Ces chiffres varient fortement selon le cas d'usage :

• Service client automatisé : ROI médian 3,2 × / payback 6 mois
• Génération de contenu : ROI médian 4,1 × / payback 4 mois
• Automatisation administrative : ROI médian 2,8 × / payback 9 mois
• Maintenance prédictive : ROI médian 5,8 × / payback 18 mois
• Support IT : ROI médian 3,5 × / payback 5 mois

Important : 18 % des projets IA n'ont pas atteint leur ROI cible sur les 18 premiers mois. Les causes principales de sous-performance sont la qualité insuffisante des données d'entraînement/contexte (48 % des cas), l'adoption insuffisante par les utilisateurs finaux (31 %) et le scope trop large pour une première version (21 %).

→ Pour aller plus loin : découvrez nos outils gratuits — calculateurs ROI, diagnostics techniques et quiz interactifs pour affiner votre réflexion.

#Les 5 freins principaux à l'adoption IA

1. Manque de compétences internes (61 %) — Absence d'un CDO, d'une data team ou d'une squad IA capable de piloter les projets. 68 % des ETI n'ayant pas déployé d'agent IA n'ont pas de profil technique IA interne.

2. Coût perçu trop élevé (43 %) — Perception souvent basée sur des références B2C (ChatGPT Teams = 30$/mois) et non sur le coût réel d'un déploiement métier. Les ETI formées à l'estimation des coûts réels passent à l'acte 3,1 × plus souvent.

3. Sécurité et conformité des données (38 %) — RGPD, HDS (santé), DORA (finance), confidentialité des données métier. Frein légitime, mais 74 % des ETI ayant déployé ont trouvé des solutions conformes (architectures on-premise, BSP européen, chiffrement en transit et au repos).

4. Résistance au changement organisationnel (29 %) — Crainte des collaborateurs de voir leurs postes menacés. Les ETI ayant communiqué proactivement sur l'IA comme outil d'augmentation (et non de remplacement) ont un taux d'adoption collaborateur 2,8 × plus élevé.

5. Difficulté à identifier le bon cas d'usage de départ (24 %) — Paralysie par l'excès de possibilités. La recommandation de Nehos : partir d'une douleur opérationnelle mesurable (temps perdu, taux d'erreur, coût unitaire) et non d'une technologie.

#Stack IA privilégiée par les ETI en 2026

Les modèles LLM utilisés en production :

• Claude (Anthropic) : 42 % des ETI déployées (premier choix pour les cas d'usage sensibles requérant précision et conformité)
• GPT-4o/GPT-4.1 (OpenAI) : 38 % (premier choix historique, fort pour les générations de contenu)
• Mistral Large 2 (souveraineté des données, hébergement EU) : 31 % (forte progression, +18 pts vs 2024)
• Gemini 2 (Google) : 19 % (fort sur les tâches multimodales)
• Modèles open-source hébergés en interne (Llama, Mistral instruct) : 14 % (ETI très sensibles à la souveraineté)

Les frameworks d'orchestration les plus utilisés :

• n8n (automation + agents légers) : 34 %
• LangChain/LangGraph (agents complexes multi-step) : 28 %
• Développement Python custom : 26 %
• Make (ex-Integromat) : 18 %
• AutoGen/CrewAI (agents multi-agents) : 12 %

#L'effet formation : le levier le plus sous-estimé

L'analyse croisée des données révèle que la formation de l'équipe dirigeante à l'IA est le facteur prédictif numéro un du succès des projets. Les ETI dont le comité de direction a suivi au moins 8 heures de formation IA présentent :

• Un taux de déploiement 2,4 × supérieur aux non-formées
• Un ROI moyen sur 18 mois 67 % plus élevé
• Un délai de mise en production 40 % plus court
• Un taux d'échec de projets 2,3 × plus faible

L'explication est contre-intuitive : la formation ne rend pas les dirigeants capables de coder des agents IA. Elle leur permet de définir des cas d'usage pertinents, d'évaluer les propositions des prestataires, de fixer des KPI réalistes et de lever les résistances internes avec une communication adaptée.

#Ce que dit 2026 pour 2027

Les intentions déclarées pour les 12 prochains mois dessinent les priorités de 2027 :

• 74 % des ETI déployées prévoient d'étendre leur programme IA à de nouveaux cas d'usage
• 43 % envisagent de passer à une architecture multi-agents (orchestration de plusieurs agents spécialisés)
• 38 % prévoient d'investir dans des formations IA pour leurs équipes opérationnelles
• 31 % cherchent à internaliser davantage de compétences IA (recrutement CDO, AI engineers)
• 28 % souhaitent migrer vers une infrastructure LLM souveraine (hébergement France ou EU)