Il y a un an, le discours ambiant semblait acquis : les agents IA, capables de raisonner et de décider par eux-mêmes, allaient rapidement remplacer le RPA classique, jugé trop rigide pour un monde où les automatisations doivent s’adapter en continu. Fin août 2026, avec près de huit mois de recul sur l’année, les données disponibles racontent une histoire nettement plus nuancée.
Une adoption large, mais superficielle
Le chiffre qui revient le plus souvent donne l’impression d’une bascule quasi totale : selon McKinsey, 88% des entreprises utilisent désormais l’IA dans au moins une fonction métier. Sur le papier, l’adoption semble acquise.
Mais ce chiffre cache une réalité plus modeste dès qu’on regarde ce qui se passe après l’expérimentation. Toujours selon McKinsey, seulement 23% des entreprises ont réussi à faire passer un système agentique à l’échelle de l’ensemble de l’organisation, au-delà d’un projet pilote isolé. Une étude plus récente du même cabinet va encore plus loin dans la nuance : parmi les entreprises qui ont testé des agents IA, moins de 10% sont parvenues à en déployer un suffisamment loin pour en tirer une valeur mesurable et durable.
Autrement dit, presque tout le monde a essayé. Très peu ont réussi à transformer l’essai en résultat concret.
Le prix de l’expérimentation
Ce décalage entre adoption et impact réel a un coût, et il commence à se voir dans les prévisions des cabinets d’analystes. Gartner anticipe que plus de 40% des projets d’IA agentique actuellement en cours seront abandonnés avant la fin de 2027. Les raisons invoquées ne concernent pas la performance des modèles eux-mêmes, mais des problèmes plus structurels : des coûts qui dérapent, une valeur business difficile à démontrer, et des dispositifs de contrôle des risques encore insuffisants.
Une enquête PwC menée auprès de plus de 4 400 dirigeants d’entreprise confirme cette prudence a posteriori : seulement 12% d’entre eux déclarent avoir obtenu à la fois un gain de revenu et une réduction de coûts grâce à l’IA. La grande majorité des organisations qui ont investi n’ont donc pas encore vu ce double bénéfice se matérialiser.
Pourquoi le RPA n’a pas disparu
Ce constat ne signifie pas que l’IA agentique est un échec. Il signifie plutôt qu’elle reste, pour l’immense majorité des organisations, en phase d’expérimentation active — pas encore un remplacement généralisé des systèmes d’automatisation existants.
Pendant cette phase, le RPA classique n’a pas cessé de fonctionner. Les processus fondés sur des règles claires et des volumes importants — traitements par lots, contrôles de conformité répétitifs, rapprochements de données structurées — continuent de tourner sur des automatisations déterministes, précisément parce que ce type de tâche ne bénéficie pas nécessairement d’un raisonnement contextuel coûteux à mettre en œuvre et à gouverner.
L’IA agentique, elle, trouve sa place ailleurs : là où les données sont non structurées, où les situations varient d’un cas à l’autre, où une décision suppose de comprendre un contexte plutôt que d’appliquer une règle fixe. Ces deux catégories de besoins ne s’annulent pas, elles coexistent.
Ce que cela signifie pour la suite
Le message le plus utile à retenir de ces chiffres n’est probablement pas « l’IA agentique déçoit » ou « le RPA a gagné ». C’est plutôt que l’écart entre l’adoption d’une technologie et sa capacité à produire une valeur mesurable reste, en 2026, considérable — et que cet écart se referme lentement, à mesure que les organisations affinent leur gouvernance, leurs cas d’usage et leurs attentes.
Le RPA n’a pas disparu. Il a simplement continué à faire ce pour quoi il a été conçu, pendant que l’attention collective se portait ailleurs.
Sources : McKinsey (State of AI, 2025-2026), Gartner (prévisions IA agentique), PwC (enquête CEO 2026, plus de 4 400 dirigeants interrogés).