De l'expérimentation à la mise à l'échelle et à l'industrialisation : l'IA d'entreprise 2026 comme tournant vers des opérations commerciales structurées

L'échec de la stratégie de la plateforme d'IA interne

L'un des principaux enseignements pour 2026 est le changement discret mais systématique de la stratégie consistant pour les entreprises à développer leur propre intelligence artificielle de A à Z. Des années d'investissements massifs dans des plateformes d'IA internes, lancées en grande pompe et promettant des avantages concurrentiels et une indépendance stratégique, se sont révélées non rentables. Le paradoxe est frappant : plus les entreprises misaient sur le développement interne, moins elles obtenaient de résultats concrets.

Les raisons de cet échec sont structurelles, et non accidentelles. Les équipes internes d'IA étaient absorbées par des complexités techniques qui ne résolvaient pas les problèmes métiers directs. Elles se concentraient sur l'infrastructure, l'optimisation des modèles et la résolution des problèmes d'évolutivité – autant de tâches techniques nécessaires, mais qui n'ont pas permis aux entreprises de se rapprocher de leurs objectifs principaux. Parallèlement, les fondamentaux du marché évoluaient si rapidement que les solutions internes étaient souvent obsolètes avant même d'être prêtes pour la production.

Les entreprises innovantes l'ont bien compris. Elles constatent désormais que les partenaires externes spécialisés dans la mise en œuvre rapide et l'évolutivité opérationnelle apportent des résultats concrets. Les investissements auparavant consacrés au développement de plateformes internes sont désormais réorientés : 38 % des entreprises privilégient une approche hybride combinant leurs compétences internes fondamentales et des solutions externes. 32 % s'appuient principalement sur des solutions de fournisseurs pour des raisons de rapidité et d'évolutivité. Seules 24 % restent fidèles à des capacités de développement exclusivement internes, ce qui représente un changement de cap stratégique radical.

Les conséquences économiques sont profondes : les entreprises se concentrent désormais sur leur cœur de métier et délèguent l’infrastructure d’IA à des spécialistes. C’est logique. Un constructeur automobile dont le cœur de métier n’est pas le développement de semi-conducteurs achète ses puces chez Intel. De même, une institution financière dont le point fort n’est pas le développement de logiciels devrait, de façon tout à fait logique, externaliser ses opérations d’IA.

En savoir plus ici :

• Unframe.AI | Tendances de l'IA d'entreprise pour 2026 : Signaux, évolutions et prévisions

Consolidation plutôt que patchwork : la plateforme intégrée devient la norme

La fin de l'ère de l'IA interne s'accompagne d'une transformation tout aussi majeure : la consolidation de solutions disparates et autonomes en plateformes d'IA unifiées. Le marché des logiciels d'orchestration connaît une croissance fulgurante, passant de 3,1 milliards de dollars en 2023 à 8,7 milliards de dollars prévus en 2026. Cette croissance n'est pas due à des facteurs technologiques, mais économiques : les entreprises privilégient l'uniformité à la diversité.

La raison tient à la réalité opérationnelle. Les systèmes fragmentés, où chaque service utilise une solution d'IA différente, engendrent un chaos d'intégration. Les connaissances ne sont pas partagées. Les flux de données sont incohérents. La gouvernance est impossible. La sécurité devient un patchwork. Cela peut paraître anodin, mais les conséquences sont existentielles : une entreprise équipée de dix outils différents ne peut ni maîtriser les risques, ni démontrer sa conformité, ni même observer l'activité réelle de son IA.

Les plateformes consolidées de demain intègrent plusieurs fonctions essentielles au sein d'un système cohérent : elles offrent la recherche et la contextualisation des connaissances, des capacités de raisonnement pour les décisions complexes, l'orchestration des flux de travail pour l'automatisation des processus, une gouvernance intégrée pour le contrôle et, enfin, l'observabilité pour une transparence opérationnelle optimale. Un système unique, doté d'une modélisation des données unifiée et de principes de sécurité communs, est économiquement plus avantageux qu'un ensemble de solutions isolées.

Anthropic a dépassé OpenAI avec une part de marché de 40 % dans les systèmes d'entreprise, ce qui démontre que le marché privilégie la sécurité, les capacités logiques pour les processus métier et les mécanismes de contrôle aux seuls écosystèmes de développement. Le message est clair : le marché des entreprises privilégie la fiabilité et la maîtrise des processus à la simple vitesse d'innovation.

L’essor des entreprises d’IA full-stack et la menace qu’elles représentent pour les acteurs établis

Une nouvelle catégorie d'entreprises émerge : les entreprises d'IA « full-stack », qui ne se contentent pas de vendre des outils, mais bâtissent un modèle économique complet autour de l'IA. Ces entreprises concurrencent directement les éditeurs de logiciels établis sur les marchés traditionnels. Leur avantage décisif réside dans la maîtrise de l'ensemble du flux de travail, et non de simples fonctions individuelles.

Ces nouvelles entreprises sont conçues pour l'ère de l'IA. Elles sont exemptes de systèmes hérités et de structures de données obsolètes. Elles reposent sur les principes des systèmes autonomes, de l'apprentissage continu et d'une véritable automatisation. Une entreprise de logiciels traditionnelle qui intègre l'IA a posteriori se positionne fondamentalement différemment d'une entreprise conçue dès le départ autour de processus natifs de l'IA.

Les acteurs établis disposent d'une fenêtre d'opportunité étroite. Ils ont six à neuf mois pour définir et mettre en œuvre leur stratégie. Passé ce délai, les nouveaux entrants auront une avance telle qu'il leur faudra des années pour les rattraper. La rapidité d'adaptation est le facteur déterminant : les plus agiles l'emportent ; les plus lents deviennent obsolètes.

Gartner prévoit que d'ici 2026, 40 % des applications d'entreprise seront dotées d'agents d'IA dédiés à des tâches spécifiques. Il s'agit de l'une des transformations les plus rapides de l'histoire des technologies d'entreprise depuis l'avènement du cloud computing. Les entreprises qui se lanceront en 2026 avec des stratégies d'agents optimisées seront leaders du marché d'ici 2030. Toutes les autres devront rattraper leur retard.

La fin de l'euphorie du no-code

L'enthousiasme initial suscité par les générateurs d'IA sans code et à faible code s'estompe face à la réalité. Ces outils ont certes leur utilité : ils sont excellents pour le prototypage rapide, les expérimentations à l'échelle d'un département et les études de faisabilité. Mais pour des systèmes productifs à l'échelle de l'entreprise ? Dans ce cas, leur structure est souvent inadaptée.

La raison réside dans le fossé fondamental entre la rapidité du prototypage et la stabilité en production. Les plateformes low-code fonctionnent en masquant la complexité. Si cela s'avère utile en phase de développement initial, cela devient problématique à grande échelle. Sans visibilité sur l'exécution du code, la correction des bugs est complexe. Sans compréhension des couches de données, la sécurité et la conformité sont quasiment impossibles à garantir. Sans maîtrise des chemins d'exécution, l'optimisation des performances est impossible.

Leçon pratique : les équipes expérimentent les plateformes no-code, atteignent rapidement le stade du prototype, puis se heurtent à un mur. Les performances chutent, la sécurité devient fragile et la gouvernance impossible. Les équipes doivent alors souvent tout recommencer à zéro avec des outils professionnels. Non seulement c’est coûteux, mais c’est aussi économiquement inefficace.

Le problème fondamental réside dans une forme de « dette technique » masquée par l'interface utilisateur graphique. Cette dette s'accumule comme dans le développement logiciel traditionnel, mais elle demeure invisible car sa complexité est dissimulée derrière des abstractions. Lorsque cette complexité doit être affrontée ultérieurement, les coûts sont exponentiellement plus élevés.

Le tournant : le progrès devient graduel, et non plus révolutionnaire

L'un des principaux enseignements stratégiques pour 2026 concerne la réalité de l'évolution des modèles. L'ère des innovations de rupture touche à sa fin. Les bonds de performance spectaculaires entre GPT-3 et GPT-4 qui ont suscité un tel enthousiasme dans le secteur ne se reproduiront pas de sitôt.

Les limites physiques et économiques convergent. La quantité de données d'entraînement de haute qualité disponibles pour les grands modèles de langage (GML) est limitée. Les chercheurs estiment que l'humanité a produit suffisamment de données textuelles de haute qualité et accessibles au public pour saturer les GML jusqu'en 2028 environ. Après cette date, les lois d'échelle actuelles ne seront plus applicables, à moins que des méthodes d'entraînement fondamentalement nouvelles ne soient développées. Cela signifie que la capacité des modèles en 2026 sera très similaire à celle de 2027, avec seulement des améliorations progressives.

Dans le même temps, l'entraînement préalable et l'entraînement postérieur (apprentissage par renforcement) présentent tous deux des signes évidents de rendements décroissants. Les investissements augmentent, tandis que les gains de performance diminuent. Il s'agit du schéma typique de la transition d'une progression exponentielle à une progression linéaire.

Cette prise de conscience change tout sur le plan stratégique. Il n'est plus possible d'attendre de nouvelles générations de modèles pour résoudre les problèmes. Il faut concevoir des solutions à partir des modèles disponibles aujourd'hui. Cela déplace radicalement l'axe de l'innovation : de la taille et des performances des modèles vers l'orchestration, le contexte, la logique et la conception d'agents intelligents.

La véritable innovation en 2026 ne résidera pas dans les modèles eux-mêmes, mais au niveau de l'application – dans l'art de combiner intelligemment les modèles existants, de leur donner un contexte pertinent, de les connecter à des flux de travail réels et de les faire fonctionner conformément aux directives de gouvernance.

La gouvernance, la sécurité et la conformité sont des facteurs cruciaux

Si 2025 fut l'année de l'expérimentation, 2026 sera celle où les réalités juridiques et réglementaires deviendront incontournables. La loi européenne sur l'IA entrera pleinement en vigueur le 2 août 2026. Il ne s'agit pas d'une abstraction : c'est une loi concrète assortie de sanctions mesurables.

Les entreprises en Europe, et celles qui y opèrent, doivent pouvoir démontrer la maîtrise de leurs systèmes. Cela implique non seulement une compréhension théorique, mais aussi une auditabilité opérationnelle. Chaque décision prise par un système doit être documentée. Chaque flux de données doit être traçable. Chaque risque doit être atténué par des mécanismes de contrôle.

Pour les systèmes à haut risque (dont beaucoup sont classés comme tels), les entreprises doivent être conformes d'ici août 2026. Celles qui ne l'auront pas été à cette date doivent agir très rapidement. Les sanctions sont loin d'être négligeables : jusqu'à 35 millions d'euros ou 7 % du chiffre d'affaires mondial pour les infractions graves.

Le cadre réglementaire ne s'assouplit pas, il se durcit. Aux États-Unis, le NIST, ainsi que les instances réglementaires d'autres pays, vont dans le même sens : l'IA doit être contrôlable.

Cela a des implications pratiques pour l'architecture. Les entreprises qui conçoivent des systèmes en 2026 doivent intégrer l'auditabilité comme principe de conception dès le départ. Cela implique : la journalisation des actions des agents, l'historique des flux de travail complexes, des autorisations et des garde-fous explicites, ainsi qu'une surveillance en temps réel des anomalies.

Plateforme d'IA gérée - Image : Xpert.Digital

Ici, vous apprendrez comment votre entreprise peut mettre en œuvre des solutions d’IA personnalisées rapidement, en toute sécurité et sans barrières d’entrée élevées.

Une plateforme d'IA gérée est une solution complète et sans souci pour l'intelligence artificielle. Au lieu de gérer une technologie complexe, une infrastructure coûteuse et des processus de développement longs, vous recevez une solution clé en main adaptée à vos besoins, proposée par un partenaire spécialisé, souvent en quelques jours.

Les principaux avantages en un coup d’œil :

⚡ Mise en œuvre rapide : De l'idée à la mise en œuvre opérationnelle en quelques jours, et non en quelques mois. Nous proposons des solutions concrètes qui créent une valeur immédiate.

🔒 Sécurité maximale des données : Vos données sensibles restent chez vous. Nous garantissons un traitement sécurisé et conforme, sans partage de données avec des tiers.

💸 Aucun risque financier : vous ne payez qu'en fonction des résultats. Les investissements initiaux importants en matériel, logiciels ou personnel sont totalement éliminés.

🎯 Concentrez-vous sur votre cœur de métier : concentrez-vous sur ce que vous faites le mieux. Nous prenons en charge l'intégralité de la mise en œuvre technique, de l'exploitation et de la maintenance de votre solution d'IA.

📈 Évolutif et évolutif : Votre IA évolue avec vous. Nous garantissons une optimisation et une évolutivité continues, et adaptons les modèles avec souplesse aux nouvelles exigences.

En savoir plus ici :

• Plateforme d'IA gérée

Les systèmes multi-agents en tant que modèle opérationnel

Une transition cruciale est en cours : des agents d'IA individuels et isolés aux systèmes multi-agents coordonnés et spécialisés qui travaillent ensemble comme une équipe.

Ces systèmes ne sont pas présentés comme de simples innovations ; ils sont reconnus comme une nécessité opérationnelle. Un agent unique ne peut résoudre qu'une seule tâche. Un système multi-agents, quant à lui, peut organiser des flux de travail complexes et à plusieurs étapes. Une entreprise de logistique n'a pas besoin d'un agent pour « gérer la chaîne d'approvisionnement ». Elle a besoin d'agents spécialisés : un pour la gestion des stocks, un pour l'optimisation des itinéraires, un pour la gestion des risques et un pour la coordination des fournisseurs. Ces agents travaillent de manière coordonnée, partagent le contexte, se délèguent des tâches et, ensemble, atteignent des résultats qu'aucun agent individuel ne pourrait obtenir.

Gartner prévoit que 40 % de toutes les applications d'entreprise utiliseront de tels systèmes coordonnés d'ici 2026. La vision à long terme est encore plus ambitieuse : des écosystèmes qui fonctionnent au-delà des frontières départementales, s'auto-organisent et optimisent dynamiquement les tâches.

Il ne s'agit pas d'un fantasme futuriste, mais d'une réalité en 2026. Les entreprises doivent activement expérimenter l'orchestration des flux de travail multi-agents, faute de quoi elles accuseront un retard considérable par rapport aux normes concurrentielles.

Les graphes de connaissances et la pensée contextuelle en tant qu'infrastructure

L'avancée théorique majeure a été la génération augmentée par la récupération (RAG) : l'idée que les modèles d'IA fournissent de meilleures réponses lorsqu'ils disposent d'informations complémentaires pertinentes. C'était vrai, mais aussi limité. La RAG fonctionne bien lorsque l'information est structurée et facilement accessible. En réalité, cependant, les données d'entreprise sont souvent chaotiques, fragmentées et cloisonnées.

Les graphes de connaissances constituent la solution à cette problématique. Un graphe de connaissances ne se contente pas de modéliser les données ; il modélise les relations entre elles. Il s’agit d’une cartographie sémantique de l’entreprise : quels sont les liens entre les clients et les produits ? Quels sont les liens entre les événements de la chaîne d’approvisionnement et les niveaux de stock ? Quels sont les liens entre les risques commerciaux et les exigences réglementaires ?

Lorsqu'un agent d'IA accède à un graphe de connaissances, il ne travaille pas avec des données brutes, mais avec des informations contextualisées et sémantiquement riches. Cela engendre des améliorations fondamentales : les réponses sont plus précises grâce à un contexte précis ; elles sont explicables car le chemin de décision est traçable ; et elles sont cohérentes car tous les agents accèdent aux mêmes données.

Il ne s'agit plus d'un concept théorique. D'ici 2026, les entreprises constateront un retour sur investissement mesurable grâce à la mise en œuvre de graphes de connaissances. La création sera plus rapide (grâce à l'extraction assistée par l'IA). La maintenance sera davantage automatisée. Le résultat ne se limitera pas à une « meilleure production », mais offrira une « intelligence d'affaires fiable ».

Modèles de tarification axés sur les résultats et fin de l'économie du bricolage

Un changement discret mais significatif s'opère dans les modèles économiques. La logique de tarification traditionnelle des logiciels – paiement par utilisateur ou par appel API – ne constitue plus un modèle économique viable pour les systèmes d'agents.

Explication : ces modèles récompensent la consommation, et non les résultats. Une entreprise qui déploie un système pour réduire de moitié sa capacité de service client devrait être rémunérée en fonction du résultat, et non de l’utilisation. Un système qui réduit le taux d’erreur de 80 % devrait être évalué sur la base de cette réduction, et non du nombre de calculs effectués.

Les acheteurs exigent de plus en plus des modèles de tarification au résultat : paiement par prospect qualifié, par problème résolu, par rapport de conformité ou encore en fonction des gains d’efficacité avérés. Trente pour cent des logiciels d’entreprise intègrent déjà de tels éléments. Cette tendance va se généraliser rapidement.

La mise en œuvre est complexe. Les modèles basés uniquement sur la réussite ne fonctionnent que si le fournisseur est absolument certain d'obtenir des résultats. Cela nécessite une maturité du marché, des données sur les taux de réussite et la capacité d'attribuer la réussite. Les modèles hybrides – un abonnement de base assorti de bonus liés à la performance – fonctionnent déjà et deviendront la norme d'ici 2026.

L'implication plus profonde est culturelle : fournisseur et client partagent désormais le risque. Cela diffère fondamentalement de la logique classique de licence (« Nous l'avons vendu, maintenant c'est votre problème »). Dans l'économie de l'agent, le succès est une responsabilité partagée.

Les modèles verticaux et spécifiques à un domaine comme facteur de différenciation

Les grands modèles de langage, utilisés comme outils génériques, ont atteint leurs limites. La tendance vers des modèles spécialisés, adaptés à un domaine précis, se généralisera d'ici 2026. Une entreprise financière n'utilisera pas un modèle générique, mais un modèle spécialisé dans les données, les concepts et les risques financiers. Une entreprise pharmaceutique, quant à elle, utilisera un modèle qui intègre la chimie, la réglementation et les données cliniques.

Il ne s'agit pas seulement d'améliorer les performances, mais aussi de garantir la sécurité. Un modèle générique peut produire des résultats erronés, c'est-à-dire des informations qui semblent plausibles. Un modèle spécialisé, entraîné sur des données réelles et doté de mécanismes de protection spécifiques, est nettement plus sûr.

Cela a des implications stratégiques. Les entreprises ne veulent pas être liées à un fournisseur de modèles spécifique. Elles souhaitent pouvoir utiliser différents modèles (open source, propriétaires et spécialisés) et les combiner. Le principe « Apportez votre propre modèle » (BYOM) devient une exigence standard dans les contrats.

Observabilité et première cyberattaque orchestrée par l'IA

En novembre 2025, la réalité du risque a frappé de plein fouet le secteur : un rapport a révélé une vaste campagne de cyberespionnage, la première opération documentée entièrement orchestrée par l’IA. Des pirates informatiques soutenus par des États avaient manipulé des systèmes pour cibler plus de 30 organisations dans le monde entier, dans les secteurs de la finance, de la technologie et du gouvernement.

Le plus remarquable : l’IA a réalisé 80 à 90 % de l’opération de manière autonome. Les humains n’ont joué qu’un rôle de supervision. En quelques heures, le système a exécuté des centaines d’étapes d’attaque complexes – espionnage, exploitation de vulnérabilités, exfiltration de données – avec une rapidité et une précision impossibles à atteindre pour des pirates informatiques humains.

L'incident était techniquement impressionnant et politiquement choquant, mais prévisible. Lorsqu'on conçoit un système qui exécute des tâches de manière autonome, il ne faut pas s'étonner qu'il soit détourné par des personnes mal intentionnées.

La conséquence est structurelle : les entreprises qui déploient des agents dans leurs systèmes de production ont besoin d’une observabilité immédiate de l’IA. Cela implique une surveillance en temps réel du comportement des agents, la détection des anomalies et la tenue de journaux complets de toutes leurs actions. Il ne s’agit pas d’une option, mais d’une nécessité.

Le secteur des outils de surveillance connaîtra une croissance exponentielle en 2026. Les plateformes de monitoring deviendront la norme. Les entreprises qui n'intègrent pas l'observabilité à leur architecture s'exposent à des vulnérabilités tant réglementaires qu'opérationnelles.

La mesure du retour sur investissement comme nécessité existentielle

Un chiffre souvent cité : 78 % des entreprises utilisent l’IA dans au moins une fonction métier. Pourtant, seules 23 % mesurent réellement le retour sur investissement (ROI). Autrement dit, des milliards de dollars sont investis, mais leur retour sur investissement est à peine contrôlé.

Cette situation n'est pas viable. Les PDG exigent des comptes. Les directeurs financiers souhaitent une gestion basée sur des indicateurs clés de performance. L'époque où l'on croyait que « l'IA est l'avenir, faites-nous confiance » est révolue.

2026 sera l'année où les cadres de mesure structurés deviendront la norme. Les entreprises leaders utilisent des modèles à trois piliers : le rendement financier, l'efficacité opérationnelle et le positionnement stratégique. Elles mesurent non seulement les économies réalisées, mais aussi la croissance du chiffre d'affaires, la rapidité de décision, la réduction des erreurs et la réaffectation des ressources.

Les critères d'évaluation diffèrent selon qu'il s'agisse d'IA générative ou d'IA multi-agents. L'IA générative est souvent mesurée par les gains d'efficacité, tandis que l'IA multi-agents l'est par la réduction des coûts, la refonte des processus et la gestion des risques. Les échéanciers et les responsabilités varient également.

Les entreprises qui utilisent un système structuré de mesure du retour sur investissement ont 5,2 fois plus confiance en leurs investissements. Pour celles qui subissent la pression de leur directeur financier, la solution n'est pas de « réduire les investissements », mais de « mieux mesurer et investir davantage ».

Consolidation du paysage des fournisseurs

Une transition structurelle majeure est en cours : on passe de l'expérimentation de nombreux outils à la consolidation sur quelques solutions performantes.

Les investisseurs prévoient une augmentation des budgets d'IA des entreprises en 2026, mais une concentration accrue de ces budgets. Ils se concentreront sur un petit nombre de fournisseurs aux résultats éprouvés. Le reste du marché stagnera, voire diminuera. Un petit nombre de fournisseurs captera ainsi une part disproportionnée du budget.

Les fusions-acquisitions dans le secteur des logiciels augmenteront de 30 à 40 % par an. Il s'agit d'une consolidation sous pression : les acteurs les plus fragiles seront rachetés ou disparaîtront. Les principaux fournisseurs de plateformes se renforceront.

Conséquences pour 2026 : si un outil d’IA ne parvient pas à démontrer un retour sur investissement, il sera difficile de le financer. Pour les entreprises qui évaluent de nouveaux outils, c’est le moment de se décider ; le choix va considérablement se réduire.

Du chaos à la structure

2026 marque un tournant. L'ère de l'expérimentation pure est révolue. L'ère d'une logique métier structurée pour appréhender l'IA a commencé.

Cela ne signifie pas que le développement est moins innovant, mais plus ciblé. La véritable innovation ne réside plus uniquement dans les modèles, mais aussi dans l'orchestration, la gouvernance, la conception des agents et la mesure des performances.

Les entreprises qui gagneront en 2026 seront celles qui :

1. Abandonnez les plateformes internes au profit de solutions ciblées.
2. Transformer l'infrastructure de données en graphes de connaissances qui fournissent un contexte aux agents.
3. Orchestrer des systèmes multi-agents plutôt que des solutions isolées.
4. L'observabilité doit être intégrée à l'infrastructure de base, et non pas comme une simple réflexion après coup.
5. Négocier avec les fournisseurs des modèles commerciaux axés sur les résultats.
6. La gouvernance ne doit pas être perçue comme un obstacle, mais comme un avantage concurrentiel.
7. Mesurer et assumer la responsabilité du retour sur investissement de manière structurée.

Les entreprises qui ne s'y attelleront pas prendront du retard sur le plan technologique. C'est une nécessité. C'est le fondement même des processus métier modernes en 2026.

Konrad Wolfenstein

Je serais heureux de vous servir de conseiller personnel.

contacter sous Wolfenstein ∂ xpert.digital

Appelez- moi simplement sous +49 89 674 804 (Munich)

LinkedIn
 

Notre expertise mondiale en matière de développement commercial, de ventes et de marketing - Image : Xpert.Digital

Secteurs d'activité : B2B, digitalisation (de l'IA à la XR), ingénierie mécanique, logistique, énergies renouvelables et industrie

En savoir plus ici :

• Centre d'affaires Xpert

Un pôle thématique avec des informations et une expertise :

• Plateforme de connaissances sur l'économie mondiale et régionale, l'innovation et les tendances sectorielles
• Recueil d'analyses, d'impulsions et d'informations contextuelles issues de nos domaines d'intervention
• Un lieu d'expertise et d'information sur les évolutions actuelles du monde des affaires et de la technologie
• Plateforme thématique pour les entreprises qui souhaitent en savoir plus sur les marchés, la numérisation et les innovations du secteur