AI Readiness Assessment 2026 — le pillar « Corpus » que tous les frameworks oublient

Cinq frameworks AI Readiness 2026 — Cisco, Microsoft, Cloudera, Iris.ai, Atlan. Aucun n'érige le corpus en pillar autonome. Pourquoi ce vide coûte cher.

Le 5 mai 2026, Fivetran a publié son 2026 Agentic AI Readiness Index : sur 400 dirigeants data interrogés, 15 % seulement déclarent leur organisation prête à déployer des agents IA en production (Fivetran / BusinessWire, 5 mai 2026). Treize jours plus tard, le Cisco AI Readiness Index recense 13 % de « Pacesetters » dans l’échantillon de 2 500 CEO interrogés sur 23 pays (Cisco, 18 mai 2026). Cloudera et la Harvard Business Review Analytic Services, plus sévères, observent 7 % d’entreprises dont les données sont « completely ready for AI » (Cloudera × HBR, mars 2026). Gartner, enfin, anticipe que 60 % des projets IA seront abandonnés d’ici fin 2026 lorsque les données qui les alimentent ne seront pas AI-ready (Gartner, 26 février 2025, leitmotiv 2026).

Quatre cadres analytiques différents. Quatre chiffres convergents : la readiness moyenne d’une grande entreprise pour l’IA productive plafonne entre 7 % et 15 %. Sur la même période, Glean a annoncé une nouvelle étape de croissance et le passage en disponibilité générale de ses Multi-step Prompts (Glean Press, 19 mai 2026), Camunda a lancé son ProcessOS agentique à CamundaCon Amsterdam (BusinessWire, 20 mai 2026), et Microsoft a généralisé Agent 365 (Microsoft Security Blog, 1ᵉʳ mai 2026). La couche d’exécution agentique se cristallise plus vite que la couche qui devrait l’alimenter en savoir fiable.

Le présent article cartographie les cinq frameworks AI Readiness de référence en 2026 — Cisco, Microsoft, Cloudera × HBR, Iris.ai, Atlan — et soutient une thèse simple : aucun n’érige le corpus documentaire non-structuré en pillar autonome. C’est précisément la dimension où, chez K-AI, nous constatons que se joue l’écart entre les 85 % d’organisations qui revendiquent une stratégie data et les 18 % qui jugent leurs données « fully governed » (Cloudera × HBR, 2026). Pour un CDO ou un CIO, choisir un framework d’évaluation en 2026 sans y greffer un pillar « Corpus Readiness » revient à mesurer la maturité d’une fondation en ignorant les 70 à 90 % de matière qui la composent.

Pourquoi le « 60 % » de Gartner ne dit pas ce qu’on croit

La statistique la plus citée de la catégorie est aussi la plus mal lue. Gartner ne prédit pas que 60 % des projets IA d’entreprise échoueront. Il prédit que les projets non soutenus par des données AI-ready seront abandonnés d’ici fin 2026, et que 63 % des organisations n’ont pas — ou ne sont pas certaines d’avoir — un management de données adapté à des cas d’usage IA (Gartner). La qualification est centrale : le « 60 % » concerne un sous-ensemble, pas l’ensemble.

Les chiffres parallèles publiés par d’autres analystes affinent la lecture. McKinsey constate que 88 % des entreprises utilisent l’IA mais que moins d’une sur cinq dispose des pratiques fondationnelles pour passer à l’échelle. Deloitte, dans son State of AI in the Enterprise 2026, identifie le workforce readiness — gouvernance, formation, redesign de processus — comme la barrière numéro un, devant les choix technologiques (Deloitte, 2026). Glean documente, sur sa base de déploiements, que 88 % des pilots ne passent jamais en production et que 42 % n’affichent aucun ROI mesurable (Glean, 2026).

Le récit qui émerge est plus pratique que dramatique : l’IA d’entreprise ne s’effondre pas. Elle s’enlise. Et les frameworks AI Readiness sont précisément l’outil par lequel une direction générale arbitre entre poursuivre, ré-instrumenter ou abandonner un projet. Choisir le bon framework — et y mesurer la bonne chose — devient en 2026 une décision aussi stratégique que le choix initial du modèle.

Cinq frameworks AI Readiness comparés

Les cinq cadres qui dominent la conversation en mai 2026 partagent une grammaire commune et divergent sur l’inventaire des piliers. Voici, sans paraphrase, ce que chacun mesure.

Cisco AI Readiness Index — six piliers : Strategy, Infrastructure (pondérée 25 %), Data (20 %), Governance, Talent, Culture. Quatre catégories d’organisation en sortie : Pacesetters, Chasers, Followers, Laggards. Treize pour cent de Pacesetters seulement en 2026, contre 54 % de réseaux jugés incapables de scaler les usages (Cisco méthodologie, PDF complet).

Microsoft Steering Committee Checklist — sept piliers depuis avril 2026. Le cadre original Business Strategy / AI Governance & Security / Data Foundations / AI Strategy & Experience / Org & Culture / Infrastructure for AI / Model Management a été enrichi le 16 avril 2026 d’un septième pilier, Observability, érigé en réponse explicite à la montée du shadow AI (Microsoft, 16 avril 2026). Microsoft propose un self-assessment interactif gratuit (Microsoft Learn) et avance que les organisations à high readiness affichent une surperformance de 47 à 64 %.

Cloudera × HBR Data Readiness Index — six dimensions évaluées sur 1 574 dirigeants IT. Le rapport observe que 96 % des organisations ont intégré l’IA à leurs processus cœur, 85 % revendiquent une stratégie data, mais 18 % seulement jugent leurs données fully governed et 80 % déclarent leur accès aux données freiné par des limitations structurelles (Cloudera × HBR).

Iris.ai — trois critères pragmatiques, à rebours de la pillarisation extensive : Extractability (capacité à lire les tableaux, schémas et structures des documents techniques), Scalability (passage à l’échelle sur des millions de documents sécurisés), Factuality (priorité à la précision scientifique sur la fluidité générative). Iris.ai observe que 61 % des entreprises admettent ne pas être AI-ready et documente un cas télécoms à -80 % de time-to-market et 95 % de contextual accuracy via son moteur Axion (Iris.ai, mars 2026).

Atlan AI Readiness Framework — six dimensions × cinq niveaux de maturité (de Nascent à Production-agent-ready). Atlan donne des timelines explicites pour un CDO : 18 à 24 mois pour passer du niveau 1 au niveau 3, 6 à 9 mois pour passer du niveau 2 au niveau 3 (Atlan).

Trois autres cadres méritent une mention : Knowlee promeut sept piliers avec un Governance Pillar 5 différenciateur post-AI Act (Knowlee) ; Hyland, sponsor d’une étude HBR Analytic Services 2026, documente un écart de 26 points entre structured data ready (65 %) et unstructured data ready (39 %) (Hyland × HBR) ; IBM consolide quant à lui un cadre 5A — AI value, data readiness, architecture, automation potential, available skills — et observe que les entreprises AI-ready sont dix fois plus susceptibles d’être fully prepared à l’échelle (IBM Think).

Cinq à huit piliers selon l’éditeur, trois critères selon Iris.ai, six dimensions selon Cloudera ou Atlan : la controverse de l’inventaire n’est pas un détail méthodologique. Elle traduit ce que chaque acteur considère comme la condition opératoire de l’IA. Ce qu’aucun n’isole, en revanche, est ce qui constitue 80 à 90 % du patrimoine informationnel à l’entrée des modèles.

Le point aveugle commun : le corpus n’est jamais un pillar autonome

Dans les cinq cadres principaux, la question du document non-structuré apparaît — mais jamais comme un pillar à part entière. Cisco l’absorbe dans le pilier Data aux côtés des bases relationnelles et des lacs analytiques. Microsoft la consolide dans Data Foundations. Cloudera la traite via la métrique governed, à l’échelle de tout le patrimoine. Atlan la dilue dans la dimension infrastructure de contexte. Iris.ai s’en approche le plus, avec le critère Extractability explicitement orienté documents techniques, mais reste à un niveau de capacité technique et non de gouvernance de patrimoine.

Cette dilution n’était pas un problème en 2018, quand les premiers cadres data-readiness ont été calibrés sur les pipelines analytiques traditionnels. Elle l’est devenu en 2026, pour une raison qui se mesure : le document est devenu la principale matière première de l’IA générative en entreprise. Mark Beyer, distinguished VP analyst chez Gartner, l’a rappelé au Data & Analytics Summit London le 13 mai 2026 : 70 à 90 % des données d’entreprise sont non-structurées, et 40 % du IT data management spend ira au multistructured d’ici 2027, contre une part marginale aujourd’hui (Gartner, 13 mai 2026). Gartner anticipe également que l’investissement en AI data readiness sera multiplié par sept entre 2025 et 2029.

L’étude Hyland × HBR Analytic Services 2026 documente l’écart frontalement : 65 % des dirigeants estiment leurs données structurées prêtes pour l’IA, contre 39 % pour leurs données non-structurées. Vingt-six points d’écart. Si l’on accepte la statistique Gartner — 70 à 90 % d’unstructured — un score AI Readiness pondéré sans pilier corpus autonome sur-estime mécaniquement la maturité réelle.

Pourquoi ce point aveugle est devenu critique en 2026

Trois forces se conjuguent pour rendre 2026 incompatible avec une dilution du corpus dans un pilier Data générique.

L’agentique passe à l’échelle. Glean, Camunda et Microsoft Agent 365 ne sont plus en pilote — ils sont en disponibilité générale et plusieurs grands groupes commencent à dénombrer leurs agents en centaines, voire en milliers. Un agent ne sait pas, contrairement à un collaborateur expérimenté, ignorer une procédure obsolète ou détecter qu’une note de service récente invalide tacitement un référentiel. Il répond avec assurance à partir de ce qu’on lui donne. Si la base est sale, la réponse est fausse — et personne, en aval, ne le sait.

La preuve par l’échec est désormais documentée. Un audit publié le 8 mai 2026 et relayé par RAG About It a recensé 50 déploiements RAG en production, dans la finance, la santé et le secteur juridique, et observé 100 % d’échec sur des prompts adversariaux ou des corpus contradictoires, 70 % d’incapacité à reconnaître les sources contradictoires, et jusqu’à 81 % de fabrication de citations en legal tech (RAG About It, 8 mai 2026). Ce chiffre est à recouper auprès des sources primaires (MLCommons AILuminate) avant exploitation contractuelle, mais la convergence avec les statistiques marché — 88 % de pilots ne passant pas en prod chez Glean, 60 % de projets abandonnés chez Gartner — est suffisamment robuste pour qu’aucun framework sérieux ne puisse continuer à traiter le corpus comme une sous-section du pilier Data.

Le cadre réglementaire stabilise une fenêtre 2026-2027. L’accord politique du Digital Omnibus on AI du 7 mai 2026 reporte les obligations de l’Annexe III de l’AI Act au 2 décembre 2027 et celles de l’Annexe I au 2 août 2028, tout en maintenant le watermarking au 2 décembre 2026 et les sanctions à 35 M€ ou 7 % du chiffre d’affaires (Conseil de l’UE, 7 mai 2026). Pour un CDO, ce report n’est pas un relâchement : c’est une fenêtre tactique de douze à dix-huit mois pour mettre le corpus en ordre avant que la traçabilité documentaire ne devienne une exigence opposable. Aucun framework AI Readiness ne fournit aujourd’hui de jauge spécifique pour mesurer l’usage qui sera fait de cette fenêtre.

Le pillar manquant : Corpus Readiness

Nous proposons, chez K-AI, d’ajouter aux frameworks existants un huitième pilier — ou un complément aux piliers Data Foundations selon le cadre choisi — sous l’intitulé Corpus Readiness, et de le mesurer sur six axes opérationnels.

Ces six axes ne sont pas un secret de fabrique : nous les avons publiés en méthode opérationnelle pour les Document Stewards et les Heads of Knowledge Management dans une note dédiée du 15 mai 2026 (Auditer un corpus documentaire pour l’IA — la méthode K-AI en 6 axes). Schématiquement, ils couvrent : (1) la détection d’anomalies internes au sein d’un même document ; (2) les conflits inter-documents au sein d’un même périmètre métier ; (3) les doublons divergents — deux versions d’une procédure qui se contredisent ; (4) l’obsolescence non marquée — des contenus dépassés mais toujours indexés ; (5) la traçabilité au sens de l’Article 12 de l’AI Act — auteur identifié, date de validation, source de vérité explicite ; (6) la fraîcheur par segment — la moyenne ne suffit pas, la queue de distribution est ce qui pose problème en RAG.

Trois remarques sur ce pilier complémentaire. Premièrement, il ne remplace aucun pilier existant — il les complète. Un score Cisco fort sur Data reste possible, et même probable, avec un score corpus faible : c’est précisément la raison du blind spot. Deuxièmement, sa mesure ne demande pas le même outillage que la gouvernance des bases relationnelles. Les contradictions sémantiques entre deux PDF ne sont pas détectables par un lineage SQL classique ; elles le sont par une couche sémantique active — ce que nous appelons chez K-AI un Neural Semantic Graph, et qui constitue la spécialité technique de la catégorie Document Knowledge Platform (Knowledge AI, Knowledge Management, Document Knowledge Platform : démêler les trois catégories). Troisièmement, il est measurable — c’est-à-dire qu’il génère des KPIs comparables d’un référentiel à l’autre et d’une période à l’autre. Sur un seul référentiel documentaire d’un de nos clients, lors d’un premier diagnostic, un audit en six axes a mis au jour plus d’un millier d’anomalies de cohérence et de fraîcheur qui n’apparaissaient dans aucun tableau de bord de gouvernance préexistant. C’est cet écart entre le score d’un framework AI Readiness pré-2026 et la réalité opérationnelle du corpus qui justifie l’ajout du pilier.

Comment greffer ce pillar à votre framework AI Readiness existant

Pour un CDO ou un CIO qui a déjà choisi son cadre — Cisco, Microsoft, Cloudera, Iris.ai ou Atlan — le bon réflexe n’est pas de tout refaire, mais d’ajouter quatre questions opérationnelles aux ateliers d’évaluation.

Question 1 — Quel pourcentage de nos données alimentant l’IA est non-structuré ? Si la réponse dépasse 50 %, le pilier Data du framework choisi sous-évalue mécaniquement le risque. Le pilier Corpus Readiness doit alors être pondéré à parité, voire majoritairement, avec le pilier Data structurée.

Question 2 — Avons-nous un inventaire des Document Products critiques pour nos cas d’usage IA ? Pas un inventaire ECM des fichiers, mais une cartographie métier des référentiels engageants — procédures HSE, contrats, dossiers cliniques, manuels qualité. Si cet inventaire n’existe pas, le score AI Readiness mesure une intention, pas une réalité gouvernée.

Question 3 — À quelle fréquence ces référentiels sont-ils ré-audités sur les six axes corpus ? Sans cadence d’audit explicite (typiquement trimestrielle pour les corpus critiques, semestrielle pour les périphériques), le pilier dégrade silencieusement et le score d’aujourd’hui ne dit rien du score dans six mois.

Question 4 — Qui, dans notre organisation, signe la qualité d’un corpus avant ouverture à un agent IA ? Sans rôle nommé — Document Owner métier sponsorisé par la Direction, Document Authority portée par le CDO — la gouvernance des piliers du framework n’a pas de pendant documentaire et l’arbitrage des conflits reste informel.

Ces quatre questions ne créent pas un cadre concurrent. Elles instrumentent un angle mort partagé par les cinq frameworks dominants — et ouvrent la voie à des chiffres comparables d’une organisation à l’autre, condition d’un benchmarking sectoriel à venir.

Foire aux questions

Qu’est-ce qu’un AI Readiness Assessment exactement, et pourquoi Gartner prédit-il 60 % de projets IA abandonnés d’ici fin 2026 ?

Un AI Readiness Assessment est une évaluation structurée de la capacité d’une organisation à déployer et opérer durablement des systèmes IA — modèles classiques, RAG, agents autonomes. Les frameworks dominants évaluent entre trois et huit piliers : stratégie, infrastructure, données, gouvernance, talents, culture, observabilité, et — selon les éditeurs — modèles ou processus. La prédiction Gartner de « 60 % de projets IA abandonnés d’ici fin 2026 » vise les projets non soutenus par des données AI-ready : c’est un sous-ensemble qualifié, pas une prédiction d’échec global. Le chiffre cohabite avec d’autres mesures de scaling (88 % de pilots qui ne passent pas en production selon Glean, 16 % d’organisations qui scalent réellement selon IBM) qui en confirment la trajectoire mais en complètent la lecture.

Cinq, six ou sept piliers d’AI Readiness — pourquoi les vendors ne s’accordent-ils pas, et lequel choisir ?

L’inventaire varie parce que chaque éditeur reflète son centre de gravité technique : Cisco met l’infrastructure réseau en avant (six piliers, Infrastructure pondérée 25 %), Microsoft a ajouté Observability en avril 2026 face à la montée du shadow AI (sept piliers), Iris.ai opte pour trois critères pragmatiques centrés document, Atlan articule six dimensions sur cinq niveaux de maturité. Pour un CDO, le choix doit suivre la logique métier dominante : un acteur très orienté traitement de l’information non-structurée (services, conseil, santé, juridique) gagne à compléter un cadre infrastructure-centric par un pilier Corpus Readiness. Un industriel à forte composante OT s’appuiera plus naturellement sur Cisco. Aucun framework n’est faux ; chacun est calibré pour un profil d’organisation et tend à sous-évaluer ce qu’il ne mesure pas.

Combien de temps prend un AI Readiness Assessment en pratique : self-assessment d’une à deux semaines ou cabinet à quatre à huit semaines ?

Les deux formats coexistent. Le self-assessment Microsoft est gratuit et se complète en quelques heures pour produire un premier score indicatif. Un audit Atlan documenté demande six à neuf mois pour passer du niveau 2 au niveau 3 de maturité, dix-huit à vingt-quatre mois pour passer du niveau 1 au niveau 3 — il s’agit alors d’un programme, pas d’une évaluation. Entre les deux, un format opérationnel pertinent pour un Comité IT consiste à réaliser un diagnostic corpus sur un référentiel pilote (méthode K-AI en six axes), produire un score documenté en quatre à six semaines, et l’intégrer en pilier Corpus Readiness du framework général. Cette séquence permet de passer d’une intention de programme à un livrable factuel exploitable.

Mes documents non-structurés (PDF, SharePoint, Confluence) sont-ils AI-ready au sens des frameworks Cisco ou Microsoft ?

Probablement pas, et le score AI Readiness ne le révèle pas seul. Les frameworks dominants évaluent la gouvernance du patrimoine documentaire à un niveau agrégé — politiques d’accès, classification, rétention — mais pas la cohérence sémantique des documents entre eux : contradictions inter-procédures, doublons divergents, obsolescence non marquée, traçabilité partielle. Sur un seul référentiel documentaire d’un de nos clients, lors d’un premier diagnostic, ces dimensions sémantiques ont fait apparaître plusieurs centaines d’anomalies sans équivalent dans les outils ECM ou de gouvernance préexistants. Tester son corpus suppose une couche d’analyse sémantique — au sens d’un Neural Semantic Graph — qui dépasse la métadonnée et le lineage tels que portés par les Data Catalogs traditionnels.

L’AI Act du 2 août 2026, modifié par le Digital Omnibus du 7 mai, change-t-il les critères d’AI Readiness ?

Il les durcit en différé. L’accord politique du 7 mai 2026 reporte les obligations de l’Annexe III au 2 décembre 2027 et celles de l’Annexe I au 2 août 2028, tout en maintenant le watermarking au 2 décembre 2026 et les sanctions à 35 M€ ou 7 % du chiffre d’affaires consolidé. Pour un CDO, cela signifie deux choses : d’une part, les obligations de traçabilité documentaire prévues à l’Article 12 du règlement deviennent un critère AI Readiness opposable à horizon dix-huit mois ; d’autre part, la fenêtre 2026-2027 est, en pratique, une fenêtre de mise en ordre du corpus. Le pilier Corpus Readiness d’un framework AI Readiness post-Omnibus devrait inclure une jauge explicite de l’usage qui aura été fait de cette fenêtre — typiquement, le pourcentage de Document Products critiques passés en AI-ready avant la date de bascule effective.

Pour aller plus loin

Si votre organisation est en train d’arbitrer entre frameworks AI Readiness ou de définir le cadre opérationnel d’un pilier Corpus Readiness, nous documentons depuis trois ans la méthode K-AI auprès de grands groupes français et internationaux. Pour échanger sur un cas concret — un premier diagnostic sur un référentiel pilote, l’articulation avec votre framework existant, ou la séquence d’audit pré-AI Act — écrivez-nous à contact@k-ai.ai.

Sources citées

Fivetran / BusinessWire, 2026 Agentic AI Readiness Index, 5 mai 2026 — https://www.businesswire.com/news/home/20260505250301/en/Fivetran-Launches-2026-Agentic-AI-Readiness-Index-Revealing-Gap-Between-Enterprise-Investment-and-Data-Preparedness-for-Agentic-AI
Cisco, AI Readiness Index — How CEOs see AI in 2026, 18 mai 2026 — https://www.cisco.com/c/m/en_us/solutions/ai/readiness-index/how-ceos-see-ai-in-2026.html
Cisco, AI Readiness Index — Methodology — https://www.cisco.com/c/m/en_us/solutions/ai/readiness-index/methodology.html
Cloudera × HBR Analytic Services, Only 7 % of Enterprises Say Their Data Is Completely Ready for AI, 5 mars 2026 — https://www.cloudera.com/about/news-and-blogs/press-releases/2026-03-05-only-7-percent-of-enterprises-say-their-data-is-completely-ready-for-ai-according-to-new-report-from-cloudera-and-harvard-business-review-analytic-services-reveals.html
Microsoft, Your AI steering committee’s 2026 checklist: Observability, 16 avril 2026 — https://www.microsoft.com/en-us/microsoft-cloud/blog/2026/04/16/your-ai-steering-committees-2026-checklist-observability/
Microsoft Learn, AI Readiness Assessment (self-assessment) — https://learn.microsoft.com/en-us/assessments/94f1c697-9ba7-4d47-ad83-7c6bd94b1505/
Iris.ai, Is Your Organization Actually Ready for Enterprise AI?, 31 mars 2026 — https://iris.ai/blog/enterprise-ai-data-readiness-assessment
Atlan, AI Readiness Assessment — Your 2026 Implementation Guide, 2026 — https://atlan.com/know/ai-readiness/ai-ready-data/
Knowlee, The 7 Pillars of AI Readiness — A 2026 Framework, 2026 — https://www.knowlee.ai/blog/ai-readiness-pillars-framework
Hyland × HBR Analytic Services, New HBR Analytic Services Research Exposes Gap Between AI Ambition and Enterprise Readiness, 2026 — https://www.hyland.com/en/company/newsroom/new-harvard-business-review-analytic-services-research-exposes-ai-gap
IBM Think, AI readiness: thriving through AI disruption, 2026 — https://www.ibm.com/think/insights/ai-readiness-thriving-through-ai-disruption
Glean, What is the importance of data quality in AI implementation, 2026 — https://www.glean.com/perspectives/what-is-the-importance-of-data-quality-in-ai-implementation
Gartner Newsroom, Lack of AI-Ready Data Puts AI Projects at Risk, 26 février 2025 (leitmotiv 2026) — https://www.gartner.com/en/newsroom/press-releases/2025-02-26-lack-of-ai-ready-data-puts-ai-projects-at-risk
Gartner Newsroom, Data & Analytics Summit London 2026 — Day 3 Highlights, 13 mai 2026 — https://www.gartner.com/en/newsroom/press-releases/2026-05-13-gartner-data-and-analytics-summit-london-2026-day-3-highlights
Glean Press, Glean Announces over $260 Million Series E and Next-Generation Prompting, 19 mai 2026 — https://www.glean.com/press/glean-announces-over-260-million-series-e-and-next-generation-prompting-as-it-brings-work-ai-to-the-enterprise
BusinessWire / Camunda, Camunda announces ProcessOS, an agentic operating system for AI-first enterprise transformation, 20 mai 2026 — https://www.businesswire.com/news/home/20260520352437/en/Camunda-announces-ProcessOS-an-agentic-operating-system-for-AI-first-enterprise-transformation
Microsoft Security Blog, Microsoft Agent 365 now generally available, 1ᵉʳ mai 2026 — https://www.microsoft.com/en-us/security/blog/2026/05/01/microsoft-agent-365-now-generally-available-expands-capabilities-and-integrations/
RAG About It, 7 Enterprise RAG Audit Failures You Should Know, 8 mai 2026 — https://ragaboutit.com/7-enterprise-rag-audit-failures-you-should-know/
Conseil de l’UE, Artificial Intelligence: Council and Parliament agree to simplify and streamline rules, 7 mai 2026 — https://www.consilium.europa.eu/en/press/press-releases/2026/05/07/artificial-intelligence-council-and-parliament-agree-to-simplify-and-streamline-rules/
Deloitte AI Institute, State of AI in the Enterprise 2026 — https://www.deloitte.com/us/en/about/press-room/state-of-ai-report-2026.html