L’année 2024 a confirmé la place centrale de l’intelligence artificielle générative dans les stratégies d’entreprise, tout en révélant des limites que les annonces enthousiastes de 2023 avaient laissées dans l’ombre. Entre projets pilotes sans retour mesurable, urgence de la cryptographie post-quantique et données internes encore mal exploitées, le paysage technologique de 2024 se lit autant par ses promesses que par ses points de friction.
IA générative en entreprise : l’écart entre adoption et retour sur investissement
La majorité des grandes organisations ont lancé au moins un projet lié à l’IA générative. Les outils de génération de texte, de code ou d’image se sont multipliés dans les directions marketing, juridiques et techniques.
Une analyse publiée par The European Business Review en septembre 2026, qui s’appuie sur des bilans de déploiements antérieurs, pointe un constat net : la plupart des projets pilotes n’aboutissent pas à un impact financier mesurable. Le problème tient moins à la technologie qu’à l’absence de référence claire avant déploiement. Sans indicateur de départ, impossible de quantifier un gain.
Ce décalage entre expérimentation et valeur métier a conduit plusieurs entreprises à revoir leur approche. Plutôt que de multiplier les cas d’usage, certaines concentrent leurs efforts sur un ou deux processus critiques où le bénéfice est directement observable, comme le tri automatisé de documents contractuels ou la synthèse de retours clients. Suivre les nouveautés tech sur 24 Actualités permet de mesurer comment ces ajustements évoluent mois après mois dans différents secteurs.
Qualité des données : le vrai frein à la mise en production de l’IA
Les modèles génératifs ont besoin de données fiables, structurées et connectées entre elles. Sur le papier, les entreprises le savent. En pratique, le niveau réel d’intégration reste faible.
The European Business Review relève que les données non structurées posent le principal obstacle à la mise en production. Courriels archivés, PDF numérisés, transcriptions d’appels, documents internes stockés dans des formats hétérogènes : ce patrimoine informationnel existe, mais il résiste aux pipelines d’ingestion automatisés.
Le problème n’est pas technique au sens strict. Des solutions d’extraction et de normalisation existent. La difficulté tient à la gouvernance : qui valide la qualité d’un jeu de données avant qu’il alimente un modèle ? Qui décide du niveau de confidentialité applicable ? Ces questions organisationnelles ralentissent les projets bien davantage que les limitations algorithmiques.
Données et cybersécurité : une intersection sous-estimée
Connecter des sources internes hétérogènes pour alimenter un modèle d’IA élargit mécaniquement la surface d’attaque. Les équipes sécurité se retrouvent face à un paradoxe : l’IA demande plus de données accessibles, la cybersécurité exige de les cloisonner.
Les retours terrain divergent sur ce point. Certaines organisations considèrent que les gains de productivité justifient un accès élargi aux données, à condition de renforcer le chiffrement et la journalisation. D’autres préfèrent limiter l’accès des modèles à des sous-ensembles validés manuellement, quitte à réduire la pertinence des résultats.
Cryptographie post-quantique : une transition déjà engagée
L’informatique quantique n’est pas encore opérationnelle à grande échelle pour casser les algorithmes de chiffrement actuels. En revanche, la menace dite « harvest now, decrypt later » est bien réelle : des données chiffrées aujourd’hui pourraient être déchiffrées demain par un ordinateur quantique suffisamment puissant.
C’est cette logique qui a poussé le NIST (National Institute of Standards and Technology) à finaliser ses premiers standards de cryptographie post-quantique. La publication de ces normes a créé un appel d’air : les fournisseurs de solutions cloud et de cybersécurité ont commencé à intégrer des algorithmes résistants aux attaques quantiques dans leurs offres.
Pour les entreprises, la transition ne se limite pas à remplacer un algorithme par un autre. Elle suppose un inventaire complet des systèmes cryptographiques en place, un travail souvent long et fastidieux sur des infrastructures vieillissantes.
- Identifier tous les flux de données chiffrés et les protocoles utilisés (TLS, VPN, signatures numériques) pour cartographier l’exposition.
- Prioriser la migration des systèmes qui protègent des données à longue durée de vie, comme les dossiers médicaux, les contrats ou la propriété intellectuelle.
- Tester la compatibilité des nouveaux algorithmes avec les systèmes existants avant tout déploiement en production, car certains protocoles hérités ne supportent pas les clés de taille supérieure.
Tendances tech 2024 : ce qui progresse sans faire la une
L’IA générative et le quantique concentrent l’attention médiatique. D’autres évolutions technologiques avancent avec moins de bruit mais des effets concrets.
La GreenTech sous pression énergétique
Les centres de données nécessaires à l’entraînement des modèles d’IA consomment des quantités d’énergie considérables. Cette réalité met en tension deux priorités affichées par les entreprises technologiques : la course à la puissance de calcul et les engagements de réduction d’empreinte carbone. Les données disponibles ne permettent pas encore de conclure si les gains d’efficacité énergétique des nouvelles puces compensent la hausse globale de la demande.
Le paysage tech de 2024 se caractérise moins par des ruptures spectaculaires que par une maturation exigeante. Les organisations qui tirent parti de l’IA générative sont celles qui ont d’abord réglé leurs problèmes de données et de gouvernance. La cryptographie post-quantique impose un chantier d’infrastructure à planifier sur plusieurs années. Le décalage entre l’enthousiasme des annonces et la réalité opérationnelle reste le fil conducteur de cette année technologique.
