Adoption et déploiement de l’IA dans les PME et ETI de la Mode, du Luxe et du Retail : état des lieux à partir des études et de nos propres recherches

L’IA est partout dans les discussions, privées et professionnelles. Que sait-on de son adoption et de son déploiement dans les PME et ETI de la Mode, du Luxe et du Retail ? Comment leur maturité se situe-t-elle face aux grands acteurs de ces secteurs et aux PME et ETI des autres secteurs ? Nous avons analysé une vingtaine d’études et de sources statistiques parues en 2025 et 2026, puis recoupé leurs résultats avec les 471 cas d’usage de notre base et nos constats de terrain, issus d’échanges avec nos clients et partenaires.

L’IA est omniprésente dans les échanges, mais les données sur les PME et ETI restent rares

L’IA occupe les conférences, les comités de direction et les conversations privées. Toutefois, très peu de publications s’adressent au dirigeant d’une Maison de taille moyenne ou intermédiaire, qu’elle soit indépendante ou filiale d’un groupe.

Les sources externes analysées

Nous avons recensé une vingtaine d’études de trois types : grands cabinets (McKinsey, Bain, BCG, Deloitte, KPMG, PwC, BearingPoint, Publicis Sapient), acteurs de solutions (Dataiku, DLG, NVIDIA, Aptean), organismes publics, parapublics ou académiques (MIT, Coface, Insee, Banque de France, France Num, OCDE, Bpifrance, L’Opcommerce). Ces études sont citées en Annexe.

Cinq obstacles méthodologiques dans l’exploitation de ces études se dégagent.

1. Les échantillons sont très variés, et les études semblent construites pour leur auditoire, ce qui se comprend pour des études à portée commerciale.

2. Les définitions de PME et ETI sont loin d’être harmonisées. Cette définition de « PME » et « ETI » se trouve au cœur de la difficulté de dresser ce panorama en France.

3. Elles sont peu sectorisées.

4. Leur périmètre géographique varie également beaucoup selon les sources.

5. Elles sont peu comparables dans ce qu’elles mesurent. En revanche, les comparaisons peuvent se lire au sein de chaque étude entre segments ou périodes.

Les caractéristiques de chaque étude (méthodologie de récolte des informations, échantillons de sociétés interrogées, périmètres sectoriels et géographiques couverts) sont précisées également dans l’Annexe.

Au final, nous n’avons pas trouvé d’étude structurée, quantitative ou qualitative, portant sur les PME et ETI de la Mode, du Luxe et du Retail : ce constat est instructif en lui-même.

Notre base de données des cas d’usage IA dans la mode et le luxe

Dans le cadre de nos travaux et recherches sur l’IA, nous avons construit une base de cas d’usage : 471 cas effectivement déployés (nous n’avons pas intégré les POC connus), à source contrôlée, issus de 162 entreprises. Pour les 455 cas nominatifs, 82 % concernent de grandes entreprises, 13 % des entreprises intermédiaires et 5 % des petites ou micro-entreprises (23 cas). Dans le luxe, 132 des 133 cas concernent de grandes entreprises. La base recense ce qui est publié, et les grandes entreprises communiquent davantage : ces chiffres ne s’appliquent pas à tout le secteur. La classification par taille relève de notre appréciation.

Répartition du nombre de cas d'usage IA par taille d'entreprise nommée

Les études combinées à nos recherches et nos échanges terrains permettent de dresser cinq constats : ils montrent un retard relatif des PME et ETI sur les grands acteurs en matière d’adoption et surtout de déploiement de l’IA, tous secteurs confondus

Constat 1 : l’IA est largement utilisée, tous secteurs et toutes tailles confondus, mais rarement à l’échelle

En France, 40 % des TPE-PME de 0 à 249 salariés déclarent utiliser des outils d’IA à des fins professionnelles, dont 36 % des entreprises de 1 à 4 salariés (France Num, octobre 2026). La mesure France Num inclut l’IA générative « simple » (rédiger, résumer, interroger un assistant). L’Insee mesure, en 2025, 18 % d’entreprises de 10 salariés et plus utilisant au moins une technologie d’IA dans un cadre organisé (Insee, juillet 2026).

L’usage individuel est massif. Selon BCG (juin 2026, tous secteurs et toutes tailles confondus), 74 % des salariés de première ligne, 88 % des managers et 93 % des dirigeants utilisent l’IA au moins plusieurs fois par semaine. Selon MIT NANDA (2025, entretiens, rapport centré sur l’IA générative), 40 % des entreprises ont acheté un abonnement officiel à un modèle de langage, alors que des salariés de plus de 90 % des entreprises interrogées utilisent des outils personnels.

Le passage à l’échelle est beaucoup plus rare. Trois études mesurent usage et échelle dans le même document :

• Publicis Sapient (2026, conseil et édition de plateformes d’IA, organisations de 500 salariés et plus) : plus de 73 % l’utilisent régulièrement ou dans la plupart des processus, moins d’un sur cinq l’a intégrée à l’échelle de l’entreprise.

• OCDE (2026, PME de plateformes numériques, échantillon non représentatif) : 56,6 % l’emploient pour des tâches isolées, 19 % sur plusieurs fonctions ou toute l’entreprise.

• BearingPoint (2026, organisations de 1 Md$ et plus) : 13 % de celles qui ont mis en œuvre l’IA l’ont fait à l’échelle prévue par leur business case.

Dans le luxe, deux études récentes décrivent le même décalage avec des mesures différentes. 

• DLG x Europa Star (plus de 250 décideurs, enquête menée fin 2025) relève que 55 % des répondants en sont aux premiers stades (13 % explorent, 42 % expérimentent), tandis que 43 % mettent en œuvre, intègrent ou optimisent (respectivement 21 %, 13 % et 9 %). Les outils généralistes dominent : 73 % citent ChatGPT et 41 % Gemini, avec 2,5 outils utilisés en moyenne (enquête menée fin 2025 : la répartition entre outils change vite).

• Chez Bain x Comité Colbert (30 juin 2026, 35 répondants), l’IA figure désormais à l’agenda stratégique de toutes les Maisons, mais la croissance des usages vient surtout de pilotes et de tests plus que de déploiements à grande échelle. « Dans le luxe, l’industrie reste largement en phase d’expérimentation » (Bain).

Ce décalage entre usage, sur le plan individuel, et la valeur créée à l’échelle constitue le fil rouge de cet article.

Constat 2 : les cas d’usage envisagés touchent, selon les sources, à trois domaines principaux qui sont le marketing / ventes, les opérations et les fonctions support

Chez les 700 PME accompagnées par Bpifrance, tous secteurs industriels confondus, les cas d’usage identifiés lors du diagnostic, non encore déployés, concernent d’abord la production et les opérations (77 %), puis le marketing et les ventes (68 %).

Dans le luxe, les fonctions support avancent plus vite sur le déploiement que les fonctions clients, plus sensibles : déploiement à grande échelle en gestion des connaissances pour 74 % des répondants, en informatique pour 41 %, en achats, sourcing et fabrication pour 33 %, contre 5 % des Maisons pour la personnalisation avec impact mesurable (Bain).

Notre étude portant sur les cas d’usage publics montre que les entreprise et éditeurs privilégient dans leur communication les mêmes trois domaines.

Constat 3 : la taille compte et les quelques données sectorielles disponibles ne permettent pas vraiment de conclure sur la maturité de la Mode et du Luxe vs les autres secteurs.

Plus l’entreprise est grande, plus elle utilise l’IA. L’Insee (juillet 2026) mesure en 2025 une utilisation dans 58 % des entreprises de 250 salariés et plus, 31 % de celles de 50 à 249 et 15 % de celles de 10 à 49. L’écart entre les deux extrêmes passe de 16 points en 2023 à 43 points en 2025. Coface (septembre 2026) observe la même pente : 31 % des entreprises de plus de 100 M€ se disent avancées ou très avancées dans l’usage de l’IA pour décider, contre 11 % de celles de moins de 10 M€.

De même, plus l’entreprise est grande, plus elle déclare avoir une stratégie IA clairement définie. Dans le commerce, 32 % des entreprises de plus de 500 salariés ont une stratégie d’IA générative, contre 8 % de celles de 1 à 9 salariés (L’Opcommerce, janvier 2025). 39 % des entreprises de plus de 50 M€ déclarent avoir une politique IA clairement définie, contre 8 % de celles de moins de 10 M€ (Coface). Dans le luxe, selon Bain (30 juin 2026), tous les groupes multimarques déclarent avoir une vision et une feuille de route IA, alors que la plupart des Maisons indépendantes, hors les plus grandes, sont « un pas derrière ». L’écart se retrouve dans les déploiements : pour la personnalisation digitale, 33 % des groupes déploient à l’échelle contre 5 % des Maisons ; pour le CRM, deux tiers des groupes ont déployé à l’échelle contre 5 % des Maisons avec un impact significatif.

Les plus petites progressent aussi. France Num mesure 5 % d’utilisatrices parmi les TPE-PME en 2023, 13 % en 2024, 26 % en 2025 et 40 % en 2026, sur des échantillons renouvelés. L’écart en points entre PME et TPE se creuse (de 2 à 15 entre 2023 et 2026, calcul Klartis) parce que tout le monde avance.

Et le secteur ? Les analyses sectorielles partielles placent le commerce légèrement sous l’ensemble : 13 % d’entreprises utilisatrices contre 18 % chez l’Insee, taux brut qui reflète en partie la structure par taille ; 34 % contre 40 % chez France Num, commerce de détail et de gros réunis. A l’inverse, chez BearingPoint (sociétés de plus d’1 Md$), 14 % des entreprises de Consumer Goods, Retail & Luxury déclarent avoir une IA pleinement intégrée, contre 11 % tous secteurs. Il n’est pas certain que ces chiffres soient réellement contradictoires compte tenu des périmètres très différents que ces études recouvrent.

Constat 4 : les freins sont connus, et les PME indépendantes apparaissent moins bien loties que celles affiliées à un groupe

Les échanges et forums professionnels citent huit freins, confirmés par nos analyses : stratégie peu établie, qualité des données, solutions vite obsolètes, risques RGPD et cyber, ROI difficile à estimer, approches trop techniques, manque de compétences, absence de gouvernance et de règles d’usage. Les études viennent quantifier ces freins :

• Stratégie. Pour les Maisons de luxe, la difficulté à définir une stratégie orientée valeur et le manque de ressources internes arrivent en tête des freins cités (60 % chacun), devant le manque de soutien de la direction (40 %) (Bain).

• Gouvernance. 60 % des décideurs n’ont aucun cadre formalisé, dont 35 % n’en prévoient pas (Coface).

• Données. 54 % des dirigeants citent des données de qualité et de confiance comme premier prérequis du passage à l’échelle (BearingPoint). Chez Coface, 51 % jugent leurs données standardisées entre services. Dans le luxe, 37 % des décideurs citent la fragmentation et la qualité des données parmi leurs trois principaux défis (DLG x Europa Star).

• Obsolescence. 41 % des organisations françaises craignent que leurs outils d’IA deviennent obsolètes d’ici deux ans (Deloitte France).

• RGPD et cybersécurité. La sécurité et la conformité des données forment le premier frein cité, à 41 % (Coface). 46 % des PME de l’échantillon OCDE n’ont aucune mesure de sécurité ou une mesure minimale.

• ROI. 12 % seulement évaluent systématiquement la valeur par rapport au coût (KPMG).

• Compétences. 88 % des dirigeants de PME « bloqués » citent le manque de compétences (Bpifrance, échantillon d’entreprises qui demandent un accompagnement). Parmi les entreprises sans aucune IA, 54 % citent le manque d’expertise et 71 % l’absence d’utilité (Insee). Dans le luxe, 32 % des décideurs citent le manque d’expertise en IA et 20 % le manque de temps pour se former parmi leurs cinq premiers défis (DLG x Europa Star).

Ces freins ne ralentissent pas tous les acteurs de la même façon. Sur le terrain, notre compréhension est que les PME indépendantes sont moins bien loties que celles qui appartiennent à un groupe. Un groupe apporte méthodologie, ressources compétentes, connaissance du marché des solutions et solutions déjà testées, ce qui sécurise les choix structurants et le passage à l’échelle. Une PME indépendante est souvent seule face à ces sujets. Bain l’observe qualitativement dans le luxe (Maisons indépendantes « un pas derrière », limitées par leurs ressources internes). Hormis la mention de Bain, aucune étude n’analyse directement cet écart de façon détaillée pour la Mode, le Luxe et le Retail.

Constat 5 : le dilemme des dirigeants et le coût de l’inaction

Complexités techniques, réelles ou perçues, incertitudes économiques, absence de cadre : les directions repoussent les déploiements les plus complexes, souvent les plus prometteurs, au profit de sujets plus familiers. Ce choix contribue à expliquer l’écart entre adoption individuelle et création de valeur.

L’attrait de l’IA et la crainte de rater le coche cohabitent. 50 % des PME de l’échantillon OCDE (à prendre avec précaution) pensent risquer de perdre du terrain sans usage plus large de l’IA. Coface décrit une IA très présente dans les stratégies affichées et beaucoup moins dans les pratiques : 17 % des décideurs se disent avancés ou très avancés dans l’usage de l’IA pour éclairer leurs décisions, 56 % peu ou pas avancés.

Notre analyse, issue de nos échanges, est que les CEO et Codir/Comex maîtrisent l’IA à titre individuel, sans toujours en connaître les typologies, les coûts et les contraintes. Une IA qui aide (rédiger, résumer), qui recommande (prévoir la demande, allouer les stocks) ou qui agit (passer une commande de réassort) n’a ni les mêmes coûts, ni les mêmes risques, ni le même besoin de supervision. Cette maîtrise partielle contribue à décaler les décisions. Chez Bpifrance, 26 % des dirigeants de PME et ETI sont « bloqués », conscients de l’enjeu mais freinés par un manque de compétences ou de soutien. Sur le terrain, nous observons des concepts pas toujours maîtrisés, des POC qui se multiplient, un cadre de gouvernance souvent inexistant et des déploiements reportés.

L’inaction a pourtant un coût : shadow IA, fuites de données, non-conformité (RGPD, AI Act), démotivation des équipes devant des projets qui ne se déploient pas, perte de compétitivité face à des concurrents qui avancent ou déclarent avancer. Et la pression monte sur les CEOs des plus grandes PME et ETI : dans l’étude Dataiku (« CEO Confessions 2026 », 900 dirigeants de sociétés de plus de 500 M$) 80 % considèrent leur job « at risk » s’ils ne parviennent pas à démontrer des améliorations tangibles liées à l’IA à fin 2026.

Pour autant, la partie est loin d’être perdue pour les PME et ETI

Dans ce contexte, les PME et ETI ont toutefois des atouts, alors que le paysage donne l’avantage aux grandes maisons en termes d’adoption et de déploiement IA.

Elles peuvent décider et agir vite, dès lors que leur feuille de route est claire. Selon MIT NANDA (étude préliminaire fondée sur des recherches du début 2025 et centrée sur l’IA générative sur le « mid-market » - notion non définie), les meilleurs acteurs passent du pilote au déploiement complet en 90 jours en moyenne, contre neuf mois ou plus pour les entreprises de plus de 100 M$.

Elles ont aussi des cartes à jouer sur la visibilité : chez Bain, parmi les marques déjà visibles, toutes les « petites » Maisons (moins d’un milliard d’euros de chiffre d’affaires) du top 30 des marques les plus visibles dans les moteurs génératifs dépassent leur poids de marché de 3 à 8 fois. Les capacités génératives de l’IA (vidéo, image ou texte) permettent de produire des contenus plus rapidement et à coût bien plus bas : la création de contenu marketing est le premier usage cité des outils prêts à l’emploi par les PME de l’échantillon OCDE (70 %, échantillon où le commerce de détail est surpondéré). Ainsi, la créativité reprend plus de poids dans le succès des campagnes.

Piloter l’IA comme une transformation profonde : sept domaines

Dès lors, comment aborder la stratégie et le déploiement de l’IA lorsqu’on est une PME ou ETI indépendante ou totalement autonome au sein d’un groupe ?

L’IA transforme les méthodes de travail, les cultures et les organisations. Comme toute transformation profonde, elle se pense dans sa globalité et se déploie par étapes. 

Sept domaines permettent de construire et déployer une stratégie IA : quatre relèvent des fondations (domaines 1 à 4), et trois relèvent des étapes de mise en œuvre (domaines 5 à 7).

Quatre principes guident cette démarche : partir des enjeux métiers, équilibrer ambition et réalisme, ajuster le rythme de changement à la capacité de l’organisation et contrôler les risques.

Domaine 1. Stratégie et vision

Repère. 39 % des Maisons et groupes de luxe interrogés déclarent avoir une vision, une stratégie et une feuille de route IA séquencée, et 48 % une vision assortie de quelques pilotes (Bain, 35 répondants, surtout de grands groupes et Maisons). Près de 70 % des dirigeants citent le soutien de la direction comme premier facteur clé.

Questions clés. Où l’IA doit-elle créer de la valeur chez nous : le client, le produit, les opérations, le back-office, la productivité individuelle ? Que décidons-nous de faire et ne pas faire ? Quelle est la capacité de l’organisation à soutenir et mettre en œuvre ces choix ?

Enjeu. Une vision claire des axes prioritaires, indispensable pour une PME qui n’a pas les moyens de traiter de nombreuses pistes.

Domaine 2. Gouvernance

Repère. 29 % des décideurs citent la gouvernance et le contrôle parmi les obstacles au passage à l’échelle (Publicis Sapient, grandes organisations). Pour le luxe, Bain recommande une charte de gouvernance de l’IA et un périmètre élargi (technologie, opérations, conduite du changement).

Questions clés. Qui porte le sujet au comité de direction ? Qui décide des outils et des données autorisés ? Que peut-on saisir dans un outil grand public ? Qui pilote le portefeuille des initiatives IA, de l’ouverture des pistes à l’arrêt de celles qui ne sont pas concluantes ou aux « ok déploiement » ?

Enjeu. Des règles claires, des risques maîtrisés, des efforts correctement alloués aux priorités.

Domaine 3. Données et technologie

Repère. Environ un tiers des PME accompagnées par Bpifrance n’ont aucun outil de stockage, de traitement ou de valorisation des données. Chez MIT NANDA, les déploiements issus de partenariats aboutissent environ deux fois plus souvent que les développements internes. Une Maison de luxe interrogée par Bain résume : « No tech, no data, no AI ».

Questions clés. Quels outils les équipes utilisent-elles déjà sans cadre ? Nos données (produit, client, stock, performance, …) sont-elles fiables et partagées entre services ? Achète-t-on, utilise-t-on les fonctions de nos systèmes existants, ou développe-t-on ? Quelle place pour les modèles open source dans les choix technologiques ? Comment construire une infrastructure IT / IA qui soit pérenne et préserve l’indépendance de la société par rapport aux éditeurs de solutions ?

Enjeu. Disposer de données en qualités et en volumes suffisants pour que les outils IA puissent efficacement les utiliser, limiter la complexité du système d’information et sa maintenance, opter pour des choix technologiques qui préservent la sécurité des données et l’indépendance future par rapport aux solutions choisies aujourd’hui.

Domaine 4. Humain : compétences, adhésion, conduite du changement

Repères. 36 % seulement des salariés estiment avoir reçu une formation suffisante, alors que 72 % disent que les attentes sur les compétences ont changé (BCG). Au moins un effet négatif de l’IA est cité par 47 % des managers intermédiaires et contributeurs individuels, contre 31 % des dirigeants (McKinsey). Côté PME, 31 % des TPE-PME utilisatrices n’ont ni compétences ni projet pour en acquérir (France Num).

Questions clés. Comment anticipe-t-on les réticences au changement lorsque l’IA modifie le travail ? Comment anticipe-t-on les besoins en formation, à commencer par les équipes dirigeantes ?

Enjeu. Former les équipes et obtenir leur adhésion face aux changements anticipés.

Domaine 5. Cas d’usage

Repères. Notre base répartit ses 471 cas en cinq catégories : Ventes 165 (35 %), Opérations et supply chain 114 (24 %), Fonctions support 73 (16 %), Style, design et développement produit 63 (13 %), Marketing et communication 56 (12 %). Il s’agit, pour rappel, d’une base constituée à partir de sources publiques et des communications effectuées par les entreprises ou les éditeurs de solutions. Il ne s’agit pas d’une étude quantitative menée auprès d’un échantillon de sociétés.

Questions clés. Quels sont nos points de douleur opérationnels ou « support » ? Lesquels recèlent le plus de potentiel, sont simples à mettre en œuvre et disposent de données fiables ? Lesquels les équipes abordent-elles déjà hors cadre ? Notre base peut servir de source d’inspiration aux équipes qui n’ont pas encore identifié leurs priorités.

Enjeu. Prioriser les cas d’usage selon leur potentiel et les données disponibles.

Domaine 6. ROI : POC et déploiement

Repère. Environ 60 % des acteurs du luxe interrogés n’ont pas encore d’impact significatif (Bain). Dans notre base, 226 cas sur 471 ont un gain chiffré vérifié dans leur source.

Questions clés. Quel indicateur fixe-t-on avant de lancer un POC ? À quelle condition l’arrête-t-on ? Qui chiffre les gains et les coûts d’exploitation ?

Enjeu. Maîtriser les coûts attendus en phase de déploiement pour apprécier le ROI, crucial pour une PME ou une ETI indépendante.

Domaine 7. Déploiement : avancement et maturité

Repère. Dans l’habillement (Aptean, juillet 2026, entreprises de 10 M$ et plus), l’IA est essentielle pour 24 % des entreprises, intégrée pour 27 %, utilisée sans intégration pour 29 % et en exploration ou en pilote pour 13 %.

Questions clés. Qui est responsable du passage du POC à la production ? Quelles conditions fixe-t-on dès le départ : données, sécurité, formation, sponsor ? Comment mesure-t-on l’adoption réelle ?

Enjeu. Une feuille de route IA priorisée, partagée et pilotée comme un programme complet, chaque déploiement étant un « mini-projet » avec lancement, revues et arbitrages.

Finalement, cinq idées ressortent.

1. Les données quantitatives sur les PME et ETI de la Mode, du Luxe et du Retail restent rares. La vision partagée dans cet article s’est construite par rapprochement d’études (quantitatives ou qualitatives) et de nos propres constats et travaux.

2. Les freins habituellement cités sont confirmés par les études (data insuffisante, gouvernance faible, traitement technique du sujet IA au détriment des aspects métier, manque de compétences, complexité technique perçue, …). A ces freins s’ajoute parfois le manque de maitrise des équipes dirigeantes des typologies d’IA, de leurs coûts et contraintes de déploiement. La somme des ces éléments conduit à des reports de décisions et un étiolement des projets IA engagés.

3. Or, l’inaction a un coût qui risque d’exposer l’entreprise à des risques (RGPD, cyber, fuite de données, …), à une déception des équipes internes et potentiellement une perte d’avantage compétitif par rapport aux concurrents qui avanceraient plus vite.

4. Nos observations de terrain, indiquent que les PME et ETI indépendantes y sont moins bien loties que les grandes entreprises ou les PME affiliées à un groupe. Les taux de passage à l’échelle sont plus faibles dans les plus petites entreprises, tous secteurs confondus. Elles ont pourtant une capacité de décision plus rapide et plus d’agilité dans le déploiement dès lors que leur feuille de route est établie.

5. Une stratégie et un déploiement IA adaptés se construisent, comme toute transformation profonde, en sept volets : quatre fondations (vision, gouvernance, données et technologie, humain) et trois liées à la mise en œuvre (cas d’usage, ROI, déploiement), avec en fil rouge des priorités claires et partagées.

6. Quatre principes doivent guider cette démarche : partir des enjeux métiers, équilibrer ambition et réalisme, ajuster le rythme de changement à la capacité de l’organisation et contrôler les risques.

   
   

Si ces constats vous parlent, si vous souhaitez (re)travailler votre stratégie IA et sa mise en œuvre, n’hésitez pas à nous contacter par mail (gcohen@klartis.fr) ou via la page contact de notre site (www.klartis.fr).

Klartis est un cabinet de conseil spécialisé Mode, Luxe et Retail. Nous accompagnons nos clients dans la résolution de défis complexes, depuis la formalisation de leurs stratégies jusqu’à leur déploiement opérationnel.

Sources citées dans le texte

Décret n° 2008-1354 du 18 décembre 2008 relatif aux critères permettant de déterminer la catégorie d’appartenance d’une entreprise pour les besoins de l’analyse statistique et économique ; Insee, « Quatre nouvelles catégories d’entreprise. Une meilleure vision du tissu productif » (https://www.insee.fr/fr/statistiques/1281134 ).

Insee, « Insee Première n° 2120 : Les technologies de l’information et de la communication dans les entreprises en 2025 », 21 juillet 2026. Répondants : 11 000 entreprises interrogées. Seuil de taille : 10 à 49 ; 50 à 249 ; 250 salariés et plus.

DGE–France Num, « Baromètre France Num 2026 », 2 octobre 2026. Répondants : 9 655 TPE et PME. Seuil de taille : 0 à 249 salariés.

Banque de France, « L’IA s’installe dans les entreprises françaises : une diffusion rapide, mais des gains de productivité encore limités (Bulletin n° 266/1) », 3 septembre 2026. Répondants : environ 7 000 entreprises. Seuil de taille : 20 salariés et plus, hors commerce ; classes de 20-49 à 1 000 et plus.

Klartis Consulting, base de cas d’usage de l’IA dans la mode, le luxe et le retail (471 cas à source contrôlée, 162 entreprises), octobre 2026.

BCG, « AI at Work 2026: Strategy Matters More Than Tools », juin 2026 (4e édition). Répondants : 11 749 répondants, dont 913 en France. Seuil de taille : aucun résultat par taille.

MIT NANDA, « The GenAI Divide: State of AI in Business 2025 », juillet 2025 (recherche janvier à juin 2025). Répondants : plus de 300 initiatives, 52 organisations, 153 dirigeants. Seuil de taille : « Enterprises » > 100 M$ ; « mid-market » non défini.

Publicis Sapient, « Global Enterprise AI Readiness Report : The Enterprise Wasn’t Built for AI », juin 2026. Répondants : 1 550 décideurs. Seuil de taille : au moins 500 salariés et 100 M$ de CA.

OCDE (D4SME 2026), « Empowering SMEs in the age of AI : enquête OECD D4SME 2026 (Centre pour l’entrepreneuriat, les PME, les régions et les villes) », 24 mars 2026 (enquête T4 2025 à T1 2026). Répondants : 2 018 réponses. Seuil de taille : indépendants, micro, petites, moyennes.

BearingPoint, « Scaling AI for measurable impact », 1er octobre 2026 (enquête d’août 2026). Répondants : 1 050 dirigeants. Seuil de taille : CA ≥ 1 Md$.

DLG (Digital Luxury Group) x Europa Star, « The State of AI in Luxury: 2026 Industry Benchmark », 2026 (enquête menée jusqu’à fin 2025, publication début 2026 : dates à confirmer) ; enquête auprès de plus de 250 décideurs du luxe ; étude réalisée par une agence de conseil et de création, mode de recrutement des répondants non précisé. Seuil de taille : 42 % de Maisons de 150 salariés et plus ; pas de résultat par taille.

Bain & Company x Comité Colbert, « Winning Over the Customer in the Age of AI: A New Horizon for Luxury » (rapport complet et communiqué de presse « Conquérir le client à l’ère de l’IA, un nouvel horizon pour le Luxe »), 30 juin 2026 ; enquête dirigeants (35 répondants, 23 Maisons et groupes ; 22 en 2024) et enquête consommateurs d’avril 2026 (France 534, États-Unis 559, Chine 512 acheteurs de luxe). Seuil de taille : petite < 1 Md€ de CA ; moyenne 1 à 5 Md€ ; grande > 5 Md€.

Coface x Les Echos Études, « Baromètre Data & IA, 3e édition : Data & IA, le temps de l’impact », septembre 2026 (communiqué du 5 octobre 2026). Répondants : 900 décideurs. Seuil de taille : tranches de CA, de < 10 M€ à > 100 M€.

L’Opcommerce / Observatoire prospectif du commerce, « Impacts de l’intelligence artificielle générative sur les métiers du commerce », rapport daté janvier 2025 ; présentation juillet 2025. Répondants : 1 050 réponses exploitables. Seuil de taille : 1 à 9 jusqu’à plus de 500 salariés.

Deloitte France, « State of AI 2026 : Analyse comparative France vs Global », juin 2026 (page web datée du 12 février 2026 ; dates à confirmer). Répondants : 3 235 dirigeants, dont 150 en France. Seuil de taille : non précisé.

KPMG, « Global AI Pulse Q3 2026 », septembre 2026. Répondants : 2 131 dirigeants. Seuil de taille : CA ≥ 50 M$.

Bpifrance (Direction Conseil), « Livre blanc : L’intelligence artificielle, une révolution technologique pour les PME », 2025 (données 2024). Répondants : 700 PME accompagnées. Seuil de taille : PME, taille non précisée.

Dataiku et The Harris Poll, « CEO Confessions 2026 », enquête auprès de 900 dirigeants de sociétés de plus de 500 M$ de chiffre d’affaires (titre, date et chiffres à confirmer sur le PDF d’origine). Seuil de taille : CA ≥ 500 M$ ou équivalent régional.

McKinsey, « The state of AI in 2026: On the road to ROI », août 2026. Répondants : 1 719 participants. Seuil de taille : < 1 Md$ de CA contre ≥ 1 Md$.

Aptean–Vanson Bourne, « The Reckoning: 2026 State of AI in Business Report », juillet 2026 ; version française août 2026. Répondants : 1 535 décideurs. Seuil de taille : CA ≥ 10 M$. Étude commanditée par un éditeur de logiciels.

Autres études passées en revue

PwC, « Want ROI from AI? Go for growth (AI performance study) », 2026. Répondants : 1 217 dirigeants. Seuil de taille : 76 % de l’échantillon à 1 Md$ de CA ou plus.

PwC France, « AI Performance Survey : lecture France (communiqué) », 19 mai 2026. Répondants : plus de 1 200 dirigeants. Seuil de taille : non précisé.

Eurostat, « Use of artificial intelligence in enterprises (Statistics Explained) », données extraites en décembre 2025. Répondants : enquête statistique officielle. Seuil de taille : 10 à 49 ; 50 à 249 ; 250 et plus.

BCG x Consumer Goods Forum, « AI in CPG and Retail: How Winners Are Pulling Ahead (Board Brief) », juin 2026 (enquête d’avril 2026). Répondants : 39 dirigeants. Seuil de taille : non précisé.

Bain & Company x Comité Colbert, « Luxe et Technologie : des investissements sur mesure pour plus d’impact (édition 2025) », septembre 2025 (PDF daté du 12 septembre 2025). Répondants : effectif non publié. Seuil de taille : grandes : plus de 3 500 ETP.

NVIDIA, « State of AI in Retail and CPG: 2026 Trends », e-book consultable sur le site NVIDIA ; travaux menés entre août et septembre 2025. Répondants : quelques centaines. Seuil de taille : moins de 1 000 salariés contre plus de 1 000.