Archetype 103 — Analyse de rapport / étude sectorielle

Source

Template communautaire « Analyse de rapport / fait actuel » (source.md #84).

Définition

Disséquer un rapport sectoriel (McKinsey, Gartner, Forrester, BCG, INSEE, rapport ministériel…) avec une lecture critique de praticien. Différent de 45_post_etude (paper académique) et 47_big_fact (un chiffre saillant) : ici on prend un rapport entier et on en sort une lecture argumentée.

Marche parce que les rapports sectoriels sont cités sans être lus par 95 % des comptes LinkedIn. Quand quelqu'un le lit vraiment et le critique, ça pose immédiatement l'auteur.

Pattern syntaxique

[Titre du rapport + éditeur + date, 1 ligne]

[Pourquoi je l'ai lu maintenant : déclencheur, 2 lignes]
[Le résumé honnête du rapport en 2-3 lignes — pas son marketing]
[3-4 points forts du rapport, avec citations précises (page) ou chiffres précis]
[2-3 angles morts du rapport ou biais méthodologiques, avec arguments]
[Ce que tu en gardes pour ta pratique, 2-3 lignes]

[Lien primaire en first-comment]

Exemples

• McKinsey — "The State of AI in 2025" (juin 2025, 84 pages).

Lu en septembre, après l'avoir vu cité 17 fois dans la semaine sans une seule fois citer correctement le chiffre principal.

Résumé honnête : panel de 1 491 dirigeants interrogés, 71 % disent utiliser de l'IA générative dans au moins une fonction (vs 65 % en 2024). Capture de valeur réelle (impact EBIT mesurable) à 4-7 % dans 12 % des cas. Le reste est usage exploratoire..

Points forts du rapport : - Distinction propre "utilisé / capture-de-valeur-mesurée" (p. 23). McKinsey ne confond pas adoption et ROI, contrairement à 90 % des reprises presse. - Décomposition par fonction d'entreprise (p. 38). Le tableau est utile : Marketing/Sales bat tous les autres en adoption mais sous-performe en capture-de-valeur ; Operations est l'inverse. - Chiffrage de l'écart "C-suite déclaratif vs reality des équipes" (p. 67). 78 % des C-suite déclarent une stratégie IA ; 23 % des équipes confirment l'avoir vue. - Section sur les "AI-mature" (p. 71-77). 12 % des boîtes capturent vraiment de la valeur — McKinsey les caractérise précisément (gouvernance interne, eval, MLOps établi).

Angles morts : - Biais d'échantillon McKinsey : 1 491 dirigeants qui acceptent de répondre à McKinsey ont déjà un biais d'investissement IA pré-existant. Le "71 %" n'est pas la pop générale, c'est la pop "intéressée par McKinsey sur l'IA". - Aucune segmentation par taille de boîte. Les conclusions agrégées masquent que les boîtes < 500 employés et > 10 000 employés ont des dynamiques radicalement différentes. - Pas de discussion du coût de l'eval alors que c'est ce qui distingue les "AI-mature" des autres. Méthodologie qui décrit le "quoi" sans le "combien ça coûte de réussir".

Ce que j'en garde : sur les propals, je vais arrêter de citer le 71 % brut. Je vais citer le 12 % de capture réelle, segmenté par fonction. Ça change la conversation sur "où mettre les efforts".

Lien en first-comment.

Anti-patterns

• ❌ Rapport cité sans avoir été lu — détectable en commentaire. Mort d'autorité.
• ❌ Reprise sans angle critique — pas de valeur ajoutée par rapport à l'article de presse.
• ❌ Critique exclusivement positive — sonne pub. Au moins 2 angles morts.
• ❌ Pas de numéro de page sur les citations — paresseux.
• ❌ Sur-utilisation — 1 par 2-3 mois max.

Combo piliers

• ⭐ Pilier "lecture du marché / posture analytique" — naturel.
• ⚠️ Piliers techniques : préférer 45_post_etude (papers académiques) plutôt que rapports cabinet pour les sujets purement techniques.

Combo analogies

• ❌ Pas d'analogie. Le rapport et la lecture critique se tiennent.

Cadence recommandée

≤ 4 par an.

Source-discipline

• Lien primaire vers le rapport en first-comment. Pas un article de presse résumant.
• Lu en entier ou au minimum lu en intégralité les sections que tu cites.
• Numéros de page sur les citations.
• Angles morts argumentés, pas suggérés.