Étude — données propriétaires

Étude 2026 : ce que 60+ projets livrés nous apprennent sur le développement et l'IA en entreprise

En bref : sur les 21 cas clients que nous publions — échantillon de nos 60+ projets livrés depuis 2022 pour 45+ clients — 11 relèvent du développement sur mesure, 3 sont des agents IA en production et 2 des audits techniques. Python apparaît dans 17 cas, Vue.js dans 9, PostgreSQL dans 8. Les gains les plus fréquemment documentés : suppression de la saisie manuelle et des fichiers Excel, MVP livré en 4 semaines, et provisioning passé de plusieurs semaines à du libre-service.

Les études sur « l'IA en entreprise » reposent souvent sur des sondages déclaratifs. Celle-ci repose sur autre chose : les projets que nous avons réellement livrés. Nous avons compilé nos 21 cas clients publiés — répartition par type de service, par technologie, par secteur, et gains constatés — pour donner une photographie factuelle de ce que les entreprises françaises construisent réellement quand elles investissent dans le développement sur mesure, l'automatisation et l'IA.

Méthodologie : d'où viennent ces chiffres

Les données de cette page sont issues de nos 21 cas clients publiés, sur 60+ projets livrés depuis 2022 — échantillon non exhaustif. Chaque chiffre provient d'un cas consultable publiquement : nous n'avons rien extrapolé au-delà de ce que les cas documentent, et lorsqu'une statistique agrégée n'était pas calculable depuis ces données, nous ne l'avons pas publiée.

Précisions de lecture : les 21 cas publiés sont datés de janvier 2024 à mars 2026. Les noms des clients y sont anonymisés. Quatre des 21 cas sont explicitement présentés comme des exemples de mission anonymisés : nous les incluons dans les répartitions par service, stack et secteur, mais nous les avons exclus du tableau des gains constatés. La classification par secteur est établie par nos soins à partir des descriptions publiées. Chaque ligne du tableau des gains renvoie vers le cas client complet pour vérification.

Répartition des projets par type de service

Plus de la moitié des cas publiés relèvent du développement sur mesure : des entreprises qui remplacent des fichiers Excel, des outils vieillissants ou des processus manuels par une application métier unique. Les agents IA arrivent en deuxième position — et les trois cas concernés sont des systèmes en production, pas des démonstrateurs.

Type de service	Cas publiés	Part
Développement sur mesure	11 sur 21	52 %
Agent IA entreprise	3 sur 21	14 %
Audits IT & consulting	2 sur 21	10 %
MVP Factory	2 sur 21	10 %
Automatisation	2 sur 21	10 %
Outils métier sur mesure	1 sur 21	5 %

Parts arrondies à l'entier — le total peut légèrement dépasser 100 %.

Autre enseignement : les missions s'enchaînent. Quatre cas décrivent des accompagnements en plusieurs phases (MVP puis audit de sécurité puis design system, ou MVP puis cadrage puis refonte UX puis portail complet), et deux cas distincts documentent le passage d'un même produit immobilier du MVP au SaaS complet. L'audit précède souvent la refonte : c'est le rapport d'audit de Bennes Consulting qui a déclenché le lancement de la V2 de la plateforme.

Répartition par stack technique : Python partout, Vue.js devant

Nous avons compté chaque technologie taguée dans les 21 cas publiés. Le résultat dessine une stack pragmatique : Python en backend et en pipelines, Vue.js en front, PostgreSQL en base de données — et des briques spécialisées (Kubernetes, Keycloak, Blender, Cloudinary) quand le projet l'exige réellement.

Technologie	Présence dans les cas publiés
Python (y compris le tag « Python Flask »)	17 cas
Vue.js (versions 2 et 3 confondues)	9 cas
Flask (y compris le tag « Python Flask »)	9 cas
PostgreSQL	8 cas
React Native	3 cas
OpenAI	3 cas
Clever Cloud	3 cas
Mistral	2 cas
React	2 cas
NestJS	2 cas
Stripe	2 cas
Docker	2 cas
Flutter, Angular, Node.js, Kubernetes, Keycloak, GitLab, Cloudinary, Blender, ThreeJS, Directus, MinIO, S3…	1 cas chacun

Côté mobile, quatre cas concernent des applications cross-platform : trois en React Native, un en Flutter. Côté IA générative, trois cas combinent des modèles de langage (OpenAI dans les trois, Mistral dans deux) — toujours pour de l'extraction de données structurées depuis des documents ou des emails, jamais pour du chatbot décoratif, et toujours avec un mécanisme qui renvoie les cas ambigus à une validation humaine.

Répartition par secteur : aucune verticale ne domine

La demande de développement sur mesure et d'IA ne vient pas d'un secteur unique. Nos cas publiés couvrent dix familles sectorielles, de l'industrie minière à la recherche publique en passant par le transport et l'immobilier.

Secteur	Cas publiés
Marketing & communication	4 sur 21
Immobilier	3 sur 21
Transport & logistique	3 sur 21
Tourisme, hôtellerie & vie locale	3 sur 21
Industrie (mines, conditionnement)	2 sur 21
Services aux entreprises	2 sur 21
Recherche publique	1 sur 21
RH & bien-être au travail	1 sur 21
Édition logicielle (ERP)	1 sur 21
Sport & e-commerce	1 sur 21

Classification établie par nos soins à partir des descriptions publiées de chaque cas.

Un point commun traverse pourtant ces secteurs : le point de départ. Dans l'industrie, la logistique et l'immobilier, une large part des projets commence par le même constat — des données critiques gérées dans des fichiers Excel dispersés, des ressaisies manuelles entre systèmes, et une direction qui pilote sans visibilité consolidée.

Gains constatés : les résultats documentés, cas par cas

Le tableau ci-dessous reprend les gains tels qu'ils sont documentés dans chaque cas client publié — ni plus, ni moins. Chaque ligne renvoie vers le cas complet, avec le contexte, la stack et le déroulé du projet. Les quatre exemples de mission anonymisés sont exclus de ce tableau.

Cas client	Projet	Gain documenté
Startup Bien-être au Travail	Application mobile QVT (Flutter, Flask, PostgreSQL)	MVP livré en 4 semaines et testé auprès d'entreprises pilotes, puis évolution vers un SaaS multi-tenant avec intégrations SIRH.
Grand Institut de Recherche	Portail Digital Factory (Vue.js, Flask, Kubernetes, Keycloak)	Provisioning d'environnements passé de plusieurs semaines de coordination manuelle à une opération en libre-service ; portail utilisé quotidiennement par plus de 200 chercheurs.
Transporteur Routier Régional	Agent IA emails → TMS (Python, OpenAI, Mistral)	Traitement d'une demande de transport passé de plusieurs minutes de saisie manuelle à une injection automatique avec validation en un clic.
Transporteur Logistique	Agent IA de traitement transport (React, Python, OpenAI, Mistral)	Suppression de la saisie manuelle pour les ordres dont le score de confiance dépasse le seuil ; les exploitants ne traitent plus que les cas ambigus.
Réseau Immobilier National	Automatisation multi-portails (Python, Cloudinary)	Annonce propagée sur tous les portails en quelques secondes au lieu d'une saisie manuelle portail par portail ; élimination des erreurs de copie.
Plateforme Gestion Minière	Plateforme SaaS / on-premise (Vue.js 3, NestJS, PostgreSQL)	Suppression complète des fichiers Excel pour le suivi des KPI miniers ; données réglementaires accessibles en temps réel depuis n'importe quel site.
Entreprise de Conditionnement	Application de gestion de production (Vue.js, Python Flask)	Calcul de rentabilité automatisé par dossier, consolidé par période et par client ; fin des fichiers Excel dispersés et des échanges informels.
Bennes V2	Refonte plateforme marketing (Vue.js, Flask)	Temps de chargement réduits, API REST de plus de 40 endpoints documentés et pipeline CI/CD sans intervention manuelle.
Bennes Consulting	Audit technique 4 axes (code, architecture, charge, OWASP)	Vulnérabilités non détectées en interne identifiées ; roadmap de remédiation sur 12 mois qui a conduit au lancement de la V2.
Application Locale Géolocalisée	MVP mobile + audit sécurité + design system (React Native, Python)	Vulnérabilités critiques dans les flux de paiement corrigées avant le lancement commercial ; MVP déployé sur TestFlight et Google Play Beta.
Agence Communication Digitale	Reprise d'infrastructure + automatisation (Python, Bash, S3)	Récupération de l'ensemble des accès serveurs, domaines et cloud ; sauvegardes automatisées avec rétention 30 jours et alertes Slack.

Vous remarquerez l'absence de pourcentages spectaculaires : quand un cas ne documente pas de chiffre, nous n'en inventons pas. Les gains publiés sont de quatre natures — temps gagné, erreurs éliminées, failles corrigées avant qu'elles ne coûtent, et autonomie rendue aux équipes. L'ensemble des 21 cas est consultable sur notre page cas clients.

Ce que ces données nous apprennent

Trois enseignements se dégagent de cette compilation. D'abord, la demande dominante reste le développement sur mesure d'applications métier : onze cas sur vingt et un, portés par des entreprises qui remplacent des fichiers Excel dispersés, des outils vieillissants ou des processus manuels par une plateforme unique. Ensuite, l'IA générative est passée du discours à la production : trois cas mobilisent OpenAI — et Mistral pour deux d'entre eux — afin de lire des emails, extraire des données structurées et les injecter dans des systèmes métier, toujours avec une validation humaine des cas ambigus. Enfin, la stack gagnante est pragmatique plutôt que spectaculaire : Python apparaît dans dix-sept cas, Vue.js dans neuf, PostgreSQL dans huit. Ce sont des technologies éprouvées, choisies pour leur maintenabilité et pour la disponibilité des compétences sur le marché, pas pour suivre une mode. Les projets qui durent reposent sur des fondations que les équipes internes peuvent reprendre, auditer et faire évoluer sans dépendre de leur prestataire.

Un quatrième signal mérite d'être nommé : la sécurité intervient de plus en plus tôt. Deux cas publiés relèvent du service audit, et un projet de développement intègre une phase d'audit OWASP dédiée — celle qui a permis de corriger des vulnérabilités critiques dans les flux de paiement avant le lancement commercial. Auditer avant de lancer coûte toujours moins cher que réparer après.

Ces constats guident directement notre façon de travailler : commencer petit quand le concept doit être validé (MVP), auditer quand l'existant est incertain, et ne mettre de l'IA que là où elle traite un volume réel de documents ou de demandes. Pour voir comment cela s'applique à votre contexte, parcourez nos services ou consultez les avis de nos clients.

Questions fréquentes sur cette étude

D'où viennent les chiffres de cette étude ?

Toutes les données sont issues de nos 21 cas clients publiés sur genee.tech, un échantillon non exhaustif de nos 60+ projets livrés depuis 2022. Nous avons compté nous-mêmes la répartition par type de service, par technologie et par secteur, et repris les gains tels qu'ils sont documentés dans chaque cas. Aucune statistique n'est extrapolée : si un chiffre agrégé n'était pas calculable depuis nos cas publiés, nous ne l'avons pas publié. Chaque ligne du tableau des gains renvoie vers le cas client complet pour vérification.

Quelles technologies reviennent le plus souvent dans les projets livrés ?

Python domine largement : il apparaît dans 17 de nos 21 cas publiés, en backend web (Flask, présent dans 9 cas), en pipelines d'automatisation et en intégration de modèles de langage. Côté front, Vue.js est cité dans 9 cas, devant React Native (3 cas), React (2 cas), Flutter et Angular (1 cas chacun). PostgreSQL est la base de données la plus fréquente avec 8 cas. Pour les projets d'IA, OpenAI apparaît dans 3 cas et Mistral dans 2, avec dans chaque cas un mécanisme qui renvoie les extractions ambiguës à une validation humaine.

Quels gains concrets une entreprise peut-elle attendre de ces projets ?

Les gains documentés dans nos cas publiés se répartissent en quatre familles : le temps (un MVP QVT livré en 4 semaines ; un traitement de demande transport passé de plusieurs minutes de saisie à une validation en un clic), la fiabilité (élimination des erreurs de saisie manuelle, suppression des fichiers Excel dispersés), la sécurité (vulnérabilités critiques de paiement corrigées avant un lancement commercial) et l'autonomie (provisioning en libre-service pour plus de 200 chercheurs, back-offices utilisables sans intervention technique). Les gains précis dépendent du contexte : chaque cas client détaille le point de départ et le résultat.

Votre projet ressemble à l'un de ces 21 cas ?

Décrivez-nous votre contexte lors d'un échange gratuit de 30 minutes : nous vous dirons ce que des projets comparables ont réellement donné — et si le vôtre mérite d'être lancé.