Une grande entreprise sur quatre seulement déploie de l’IA prescriptive en interne en Espagne. Dans le détail, 19 % des grands groupes l’utilisent sur des projets ciblés et 5 % l’ont intégrée de façon complète, comme une capacité transversale dotée d’une équipe dédiée. Derrière ces chiffres, un constat: la promesse d’une IA capable de recommander des actions, pas seulement de prédire ou de classer, se heurte encore à des contraintes d’organisation, de données et de responsabilité.
19 % en mode projet, 5 % en intégration complète: ce que recouvre l’IA prescriptive
L’IA prescriptive vise à aller au-delà du diagnostic et de la prévision. Là où une IA descriptive explique ce qui s’est passé et une IA prédictive estime ce qui pourrait arriver, l’IA prescriptive propose ce qu’il faut faire, en optimisant un objectif sous contraintes. Dans une entreprise, cela signifie passer d’un tableau de bord à une recommandation opérationnelle, parfois automatisable: ajuster un niveau de stock, reconfigurer un planning, arbitrer entre plusieurs options de prix, ou encore déterminer la meilleure allocation de ressources.
Les chiffres communiqués, 19 % pour des usages par projets et 5 % pour une intégration complète, traduisent deux maturités très différentes. Le mode projet correspond souvent à une logique de preuve de valeur: un périmètre limité, un sponsor métier, un horizon court, et une dépendance forte à quelques jeux de données. L’intégration complète suppose une gouvernance, une industrialisation et une capacité à répliquer les modèles dans plusieurs directions, avec des standards de qualité, de sécurité et de suivi.
Cette distinction compte, car l’IA prescriptive n’est pas un simple modèle ajouté à une chaîne existante. Elle implique de formaliser des objectifs, de définir des contraintes, de mesurer les impacts, puis de relier les recommandations à des processus de décision. Dans beaucoup d’organisations, c’est moins un sujet d’algorithmes que de transformation: qui décide, sur quelles règles, avec quel niveau d’automatisation, et quelle traçabilité.
Pourquoi l’IA prescriptive se déploie moins vite que l’IA générative
Depuis l’essor des assistants conversationnels, l’IA générative a gagné une place visible dans les entreprises, car elle s’insère facilement dans des tâches de production de texte, de recherche interne ou de support. L’IA prescriptive, elle, touche au cœur des arbitrages: approvisionnement, prix, planification, maintenance, logistique, allocation budgétaire. Elle expose donc plus directement l’entreprise au risque d’erreur, et à la question de la responsabilité.
Trois freins reviennent de façon récurrente. D’abord, la qualité des données et leur disponibilité: une recommandation prescriptive dépend d’historiques fiables, de référentiels cohérents, de données temps réel, et de définitions partagées des indicateurs. Ensuite, l’intégration aux systèmes: une recommandation qui reste dans un rapport ne change rien, il faut la connecter à l’ERP, au WMS, au CRM, ou aux outils de planification. Enfin, l’acceptabilité: une équipe opérationnelle peut contester une recommandation si elle n’en comprend pas les hypothèses, si elle contredit l’expérience terrain, ou si elle dégrade un indicateur local au profit d’un objectif global.
À cela s’ajoute un point souvent sous-estimé: l’IA prescriptive exige une définition claire du bon résultat. Optimiser un coût, réduire un délai, augmenter un taux de service, limiter une empreinte carbone, améliorer une marge, tous ces objectifs peuvent entrer en conflit. La prescription n’est pas neutre: elle encode une politique, un arbitrage, parfois une stratégie commerciale. Sans alignement de direction, le modèle se retrouve à optimiser un indicateur qui n’est pas celui que l’organisation veut maximiser.
Logistique, pricing, maintenance: les cas d’usage où la prescription crée de la valeur
Les usages les plus fréquents de l’IA prescriptive se situent dans des domaines où l’on peut modéliser des contraintes et mesurer un résultat. En logistique, elle peut recommander des niveaux de stock ou des réapprovisionnements en fonction de la demande, des délais fournisseurs, des promotions et des capacités d’entreposage. Dans la planification, elle peut proposer des affectations d’équipes ou des séquences de production en tenant compte de compétences, de règles sociales et de contraintes machines.
En pricing et en gestion commerciale, la prescription peut aider à choisir une action plutôt qu’une autre: quel niveau de remise maximise la marge tout en respectant des objectifs de volume, quels produits mettre en avant selon la saisonnalité, ou comment segmenter des offres selon des contraintes de rentabilité. La maintenance industrielle est un autre terrain naturel: couplée à la prédiction de panne, la prescription vise à recommander le meilleur moment d’intervention, la meilleure priorité, et parfois le meilleur plan de pièces de rechange.
Dans ces cas, la valeur ne vient pas seulement de la recommandation, mais de la capacité à l’exécuter. Une entreprise peut produire des prescriptions sophistiquées et rester bloquée au stade du pilote si les processus ne suivent pas: validation managériale trop lente, conflit d’objectifs entre directions, ou absence de mécanisme de retour d’expérience pour améliorer le modèle.
Le fait que 19 % des grandes entreprises en Espagne utilisent l’IA prescriptive sur des projets spécifiques suggère justement une approche prudente: des poches d’expérimentation là où la mesure du gain est la plus directe. Le passage à 5 % d’intégration complète correspond à une autre catégorie d’acteurs, capables de standardiser la donnée, de maintenir les modèles, et de piloter la performance dans la durée.
Équipe dédiée et capacité transverse: ce que change l’intégration complète
Une intégration complète de l’IA prescriptive, décrite comme une capacité transverse avec une équipe dédiée, implique une structure qui dépasse la DSI ou un laboratoire data isolé. Elle suppose une chaîne de valeur stabilisée: collecte, préparation, gouvernance, entraînement, déploiement, suivi, et amélioration continue. Dans les organisations les plus avancées, la prescription devient un produit interne, avec des versions, des indicateurs de performance, des règles d’escalade et une documentation.
Cette industrialisation répond à une réalité: un modèle prescriptif vieillit vite. Les comportements clients changent, les coûts évoluent, les fournisseurs modifient leurs délais, les contraintes réglementaires se renforcent. Sans MLOps et sans monitoring, une prescription peut se dégrader silencieusement. Une équipe dédiée sert aussi à arbitrer les demandes métiers, à éviter la prolifération de solutions non maintenues, et à assurer la cohérence des objectifs entre départements.
La transversalité a un autre effet: elle force à résoudre des conflits de définition. Une même notion, comme le taux de service ou la marge, peut être calculée différemment selon les directions. Or une IA prescriptive ne peut pas optimiser un indicateur qui n’est pas stabilisé. Les entreprises qui passent à l’échelle investissent généralement dans des référentiels, dans des catalogues de données et dans des pratiques de gouvernance qui rendent la prescription plus robuste.
Ce niveau d’intégration pose aussi la question du rôle humain. Dans beaucoup de cas, la prescription fonctionne en human-in-the-loop: l’outil recommande, l’opérationnel valide. Le degré d’automatisation augmente avec la confiance, la maturité des contrôles et la criticité du processus. Sur des décisions à fort impact, la validation reste souvent indispensable, ne serait-ce que pour gérer les exceptions que le modèle ne sait pas traiter proprement.
Régulation, traçabilité, responsabilité: la contrainte qui pèse sur la prescription
La prescription touche à la décision, donc à la responsabilité. Une recommandation de prix, d’allocation de crédit, de priorisation de dossiers ou de gestion des effectifs peut avoir des effets économiques et sociaux immédiats. La demande de traçabilité est donc plus forte que pour des usages de productivité individuelle. Les entreprises doivent être capables d’expliquer pourquoi une action a été recommandée, sur quelles données, avec quelles règles, et avec quel contrôle.
En Europe, le cadre réglementaire sur l’IA renforce cette exigence de gouvernance, avec des obligations qui varient selon le niveau de risque des systèmes. Pour les grands groupes, la conséquence est claire: la prescription ne peut pas être un assemblage opportuniste de modèles. Elle doit s’intégrer à des politiques de conformité, de sécurité, de contrôle interne et de gestion des risques.
Cette contrainte explique aussi pourquoi les déploiements restent souvent cantonnés à des domaines où l’explicabilité est plus accessible, où les données sont moins sensibles, et où les impacts sur les personnes sont indirects. À l’inverse, dès que la prescription touche à des décisions individuelles, la barre monte: documentation, audits, gestion des biais, gouvernance des accès, et mécanismes de contestation.
Le chiffre d’une grande entreprise sur quatre utilisant l’IA prescriptive en interne reflète cette réalité: la technologie existe, les cas d’usage sont identifiés, mais le passage au quotidien demande une architecture, des processus et une discipline de décision que toutes les organisations n’ont pas encore consolidés.
Ce que le retard relatif dit de la maturité data des grandes entreprises espagnoles
Le niveau d’adoption observé peut se lire comme un indicateur de maturité data. L’IA prescriptive est rarement le premier étage d’une stratégie: elle arrive après la mise en qualité des données, l’unification des référentiels, la diffusion d’indicateurs fiables, et l’industrialisation des modèles prédictifs. Les entreprises qui n’ont pas stabilisé ces fondations se heurtent à un plafond: la prescription devient fragile, contestée, ou impossible à maintenir.
Le découpage 19 % projets et 5 % intégration complète suggère une base d’expérimentation réelle, mais un passage à l’échelle encore limité. Cela peut aussi refléter un choix de priorité: beaucoup d’entreprises ont d’abord investi dans des outils plus visibles et plus rapides à déployer, notamment autour de l’automatisation documentaire, de la relation client ou des assistants internes.
Pour accélérer, les leviers sont connus: renforcer la gouvernance de la donnée, définir des objectifs métiers non contradictoires, investir dans l’intégration aux systèmes existants, et outiller le suivi des modèles. Le facteur le plus décisif reste souvent l’organisation: une prescription utile est celle qui s’insère dans un circuit de décision réel, avec des responsabilités claires, des garde-fous, et un retour d’expérience systématique.
Si l’IA générative a rendu l’IA omniprésente dans les conversations de comité exécutif, l’IA prescriptive ramène les entreprises à une question plus exigeante: quelle part de la décision l’organisation est prête à confier à un système, et avec quelle preuve de performance dans le temps.
