Récap Discovery Day 2026 : les clés pour mettre l'IA en production

Le 24 juin, aiko réunissait une soixantaine de dirigeants, responsables data, DSI et décideurs métiers à l'occasion d'une nouvelle édition du Discovery Day. Le fil rouge de cette après-midi était clair : comment passer des expérimentations IA à une adoption réellement industrielle ?

À travers des retours d'expérience, une démonstration produit et une table ronde réunissant des acteurs de différents secteurs, un constat s'est imposé : la question n'est plus de savoir s'il faut investir dans l'IA, mais comment créer les conditions de son passage à l'échelle.

Voici les principaux enseignements de cette édition.

Le véritable coût de l'inaction n'est pas technologique, il est organisationnel

En ouverture, Manuel Davy (aiko) et Vincent Criquebec (Bpifrance) ont rappelé une réalité que beaucoup d'entreprises commencent à vivre : l'IA est déjà entrée dans les organisations, avec ou sans stratégie.

Développeurs utilisant des assistants de code, commerciaux créant des démonstrations avec des modèles publics, métiers automatisant certaines tâches... lorsque ces usages émergent sans cadre, l'entreprise ne maîtrise plus son patrimoine informationnel ni ses coûts.

La keynote a notamment présenté une grille de maturité de la gouvernance IA, montrant que le passage à l'échelle ne repose pas uniquement sur la technologie mais sur plusieurs piliers complémentaires : gouvernance, animation, rituels, financement, outils et capacité de décision.

Au-delà des risques bien identifiés — shadow IA, sécurité, propriété intellectuelle ou encore biais — l'inaction représente surtout une perte d'opportunités. Les organisations qui tardent à structurer leur approche renoncent à des gains de performance, à une meilleure valorisation de leurs données et à une montée en compétences durable de leurs équipes.

Industrialiser l'IA, c'est accepter qu'un projet n'est jamais terminé

Lors de son retour d'expérience, Quentin Goffinon (Deputy Chief Data Officer, Boulanger) est revenu sur deux trajectoires d'adoption de l'IA au sein d'un même groupe, entre Auchan et Boulanger.

Premier enseignement : les projets d'IA générative ne se pilotent pas comme des projets informatiques traditionnels. Là où un développement logiciel produit un résultat déterministe, un système d'IA produit plusieurs réponses possibles, dont la qualité doit être évaluée en permanence.

Cette différence change profondément la manière de conduire les projets. Tester devient une activité continue, les prompts évoluent, les modèles progressent, les attentes métiers changent.

Parmi les apprentissages partagés :

• embarquer les métiers dès les premières expérimentations est indispensable ;

• la qualité des prompts et des architectures techniques devient un véritable savoir-faire ;

• la confiance dans les réponses doit être construite progressivement ;

• surtout, un projet d'IA générative n'est jamais "terminé" : il s'améliore continuellement.

L'intervention est également revenue sur plusieurs cas d'usage concrets, démontrant que les gains les plus importants apparaissent lorsque les équipes acceptent d'itérer rapidement plutôt que de rechercher une solution parfaite dès le premier déploiement.

Passer à l'échelle nécessite une plateforme, pas une accumulation d'outils

La démonstration réalisée par Christella Umuhoza, AI Product Manager chez aiko, a illustré un enjeu que rencontrent désormais de nombreuses entreprises : lorsque les usages se multiplient, gérer simplement des abonnements à différents modèles d'IA ne suffit plus.

L'industrialisation suppose de pouvoir :

• centraliser les accès aux modèles ;

• appliquer des règles de gouvernance selon les populations ;

• maîtriser les coûts grâce à des quotas et au pilotage des consommations ;

• conserver la liberté de faire évoluer les modèles sans reconstruire les usages métiers.

La console IA privée développée par aiko répond précisément à cette problématique en proposant une infrastructure dédiée, déployée dans l'environnement du client, permettant d'unifier les accès, de sécuriser les usages et d'intégrer progressivement des extensions métier.

L'un des messages forts de cette démonstration est qu'une entreprise ne doit pas devenir dépendante d'un fournisseur ou d'un modèle unique : l'architecture doit rester suffisamment modulaire pour accompagner l'évolution extrêmement rapide du marché de l'IA.

Les projets IA qui réussissent commencent souvent par des problèmes très opérationnels

Tom Gauthier, Head of AI chez Valiuz, a partagé le parcours de mise en place d'une démarche IA dans un environnement particulièrement exigeant : le retail media.

Son retour d'expérience a montré qu'une stratégie IA efficace ne démarre pas par les cas d'usage les plus spectaculaires, mais par des irritants métier parfaitement identifiés.

Chez Valiuz, plusieurs facteurs ont été présentés comme déterminants :

• une équipe IA clairement identifiée ;

• une priorisation explicite dans les roadmaps produit ;

• un important travail d'acculturation et de montée en compétences ;

• de nouveaux modes de collaboration entre les métiers, la tech, le juridique, les RH et les équipes produit.

Les cas d'usage présentés illustrent parfaitement cette approche pragmatique.

L'automatisation du paramétrage des campagnes publicitaires et de la génération des preuves de diffusion permettrait à terme de réduire massivement les tâches manuelles tout en diminuant les risques d'erreurs. Les gains estimés se comptent en centaines de milliers d'euros par an et permettent surtout aux équipes de se recentrer sur des missions à plus forte valeur ajoutée.

Le message est clair : les meilleurs projets IA ne remplacent pas les collaborateurs, ils augmentent leur capacité d'action.

La data reste le véritable actif stratégique

Pour clôturer cette édition, la table ronde réunissant Adrien Fabry (aiko), Arnaud Maton (Kiloutou) et Morade El Fahsi (Getlink) a replacé la donnée au cœur des discussions.

Les échanges ont porté sur plusieurs questions fondamentales :

• pourquoi la qualité des données reste le premier prérequis avant tout projet IA ;

• quels événements poussent réellement une entreprise à investir dans une plateforme data ;

• quel est aujourd'hui le coût concret d'une dette data mal maîtrisée ;

• comment la donnée devient progressivement un actif créateur de valeur, au même titre que les actifs industriels ou commerciaux.

Au-delà de la technologie, les intervenants ont souligné que la création de valeur passe avant tout par une meilleure capacité à fiabiliser les données, accélérer les décisions et rendre l'entreprise plus adaptable.

Ce qu'il faut retenir

Cette édition du Discovery Day confirme une tendance forte : les entreprises entrent dans une nouvelle phase de maturité.

L'enjeu n'est plus de lancer quelques expérimentations d'IA générative. Les dirigeants cherchent désormais à construire une gouvernance robuste, des plateformes évolutives et des méthodes de travail capables d'intégrer durablement l'IA dans les processus métier.

Autrement dit, la véritable transformation ne repose pas uniquement sur les modèles d'IA, mais sur la capacité de l'organisation à les rendre utiles, maîtrisés et créateurs de valeur dans la durée.

C'est précisément ce passage de l'expérimentation à la production qui a animé l'ensemble des échanges de ce Discovery Day 2026.