Temps de lecture :
4 minutes
L’intelligence artificielle est désormais partout dans les entreprises. Les expérimentations se multiplient, les collaborateurs utilisent des assistants génératifs et les directions générales inscrivent l’IA parmi leurs priorités stratégiques. Pourtant, un paradoxe se dessine : l’adoption progresse beaucoup plus vite que la création de valeur. En 2024, environ 252 milliards de dollars ont été investis dans l’IA. Une enquête menée auprès de près de 2 000 entreprises dans 105 pays indique que 88 % utilisent déjà l’IA dans au moins une fonction, mais que seules 6 % déclarent une progression de leur résultat opérationnel supérieure à 5 %. Une autre étude consacrée à 300 déploiements d’IA générative estime que 95 % des pilotes n’ont produit aucun impact mesurable sur le compte de résultat. Faut-il en conclure que les promesses de l’IA ont été surestimées ? Probablement pas. Le problème pourrait être ailleurs : les entreprises investissent massivement dans une technologie nouvelle tout en continuant parfois à la piloter avec les méthodes, les organisations et les indicateurs d’hier.
L’IA est souvent évaluée comme n’importe quel autre investissement technologique. Une entreprise engage un budget, déploie une solution et attend rapidement un gain de productivité ou une réduction des coûts. Cette logique paraît raisonnable, mais elle ignore une caractéristique essentielle de la transformation en cours : la valeur ne provient pas uniquement de l’outil. Elle apparaît progressivement lorsque les usages se diffusent, que les collaborateurs montent en compétences, que les processus sont repensés et que l’organisation apprend à travailler différemment. Or ce temps d’apprentissage entre difficilement dans les modèles traditionnels de retour sur investissement. Une enquête menée auprès de 1 854 dirigeants estime ainsi que les cas d’usage IA nécessitent généralement entre deux et quatre ans pour produire un ROI positif, soit trois à quatre fois plus longtemps que des investissements technologiques classiques. Seuls 6 % des répondants avaient observé des retours en moins d’un an.
Cette impatience peut conduire à un paradoxe redoutable : arrêter un projet au moment où il commence précisément à produire ses apprentissages les plus utiles. L’échec d’une première expérimentation n’est d’ailleurs pas nécessairement le signe que l’IA ne fonctionne pas. 61 % des organisations interrogées dans une autre étude avaient connu un échec avant de réussir leurs projets suivants.Toutes les IA ne doivent pas non plus être évaluées sur la même temporalité. Un assistant génératif destiné à accélérer la rédaction ou la recherche peut produire rapidement des gains mesurables, tandis qu’un système agentique appelé à transformer un processus de bout en bout exige davantage de temps.
La difficulté devient encore plus élémentaire lorsque l’entreprise ne sait pas précisément comment le travail était réalisé avant l’arrivée de l’IA. Combien de temps fallait-il pour traiter une demande ? Quel était le coût réel du processus ? Combien d’erreurs produisait-il ? Quel niveau de satisfaction générait-il ? Sans état initial, impossible de savoir ensuite si l’intelligence artificielle a réellement amélioré la situation. Pourtant, alors que 89 % des entreprises auraient adopté des outils d’IA, seules 23 % seraient capables d’en mesurer précisément le ROI. Plus révélateur encore, seuls 11 % des dirigeants interrogés évalueraient la valeur avant et après le déploiement.
Le sujet ne consiste donc pas à multiplier les KPI, mais à définir ce que l’entreprise cherche réellement à améliorer. Un cas d’usage peut réduire le temps consacré à une tâche sans diminuer les coûts. Il peut augmenter la productivité tout en dégradant la qualité. Il peut améliorer l’expérience client sans produire immédiatement de revenu supplémentaire. Il peut aussi libérer du temps que les collaborateurs réinvestissent dans des activités plus complexes dont la valeur sera visible beaucoup plus tard. Mesurer sérieusement l’IA suppose donc de dépasser le seul indicateur du temps gagné pour suivre simultanément performance économique, qualité, expérience, risque et capacité organisationnelle. Le meilleur investissement IA n’est peut-être pas toujours un nouveau modèle : il peut être la capacité à mesurer correctement ce que les modèles changent réellement.
L’enthousiasme autour des modèles masque parfois une réalité beaucoup moins spectaculaire : l’IA reste dépendante des données, des applications et des processus de l’entreprise. Or c’est souvent là que se situe le véritable goulot d’étranglement. 94 % des dirigeants interrogés dans une étude considèrent que des données, processus et applications correctement connectés sont essentiels à l’adoption de l’IA, mais seulement 27 % estiment que ces éléments le sont effectivement dans leur organisation. Si 65 % considèrent leurs données structurées comme au moins partiellement prêtes pour l’IA, cette proportion tombe à 39 % pour les données non structurées : emails, PDF, retranscriptions d’appels ou connaissances accumulées dans les documents internes.
L’IA agit alors comme un révélateur des fragilités préexistantes. Des informations dispersées, des définitions différentes entre services, des processus mal documentés ou des systèmes qui communiquent difficilement entre eux limitaient déjà la performance ; l’IA les rend simplement beaucoup plus visibles. Déployer un agent intelligent sur un processus incohérent ne rend pas ce processus intelligent. Il peut même automatiser ses défauts et accélérer leur propagation. Avant d’ajouter davantage d’IA, certaines entreprises gagneraient donc à investir dans un chantier moins séduisant mais plus déterminant : nettoyer, structurer, connecter et rendre accessibles leurs données et leurs connaissances.
Les entreprises qui obtiennent les meilleurs résultats consacreraient environ 70 % de leurs ressources IA aux personnes et à la refonte des processus, 20 % à la technologie et seulement 10 % aux algorithmes. À l’inverse, les organisations en difficulté consacreraient 93 % de leur budget à la technologie et seulement 7 % aux besoins organisationnels, notamment la formation et la conduite du changement. Ces proportions ne constituent évidemment pas une recette universelle, mais elles illustrent un renversement essentiel : la réussite d’une stratégie IA dépend peut-être moins du modèle choisi que de la capacité de l’entreprise à transformer son fonctionnement autour de lui.
Acheter une licence est facile. Modifier un métier l’est beaucoup moins. Il faut identifier ce que l’IA prend en charge, ce que l’humain conserve, comment évoluent les responsabilités, quelles compétences deviennent nécessaires et comment le manager accompagne cette redistribution du travail. Les organisations qui privilégient la collaboration humain-machine, redessinent les rôles et impliquent davantage les collaborateurs dans l’adoption obtiennent de meilleurs résultats mesurables. L’enjeu n’est donc pas simplement d’« adopter l’IA », mais d’évoluer avec elle. C’est précisément ce qui distingue une accumulation de cas d’usage d’une véritable transformation.
Parce que l’IA est technologique, il semble naturel d’en confier la responsabilité aux équipes data, IT ou innovation. Elles sont indispensables à sa réussite, mais elles ne peuvent porter seules la création de valeur. Dès lors qu’un projet modifie un processus commercial, financier, RH ou industriel, sa responsabilité doit également être portée par ceux qui connaissent le métier, ses contraintes et ses résultats attendus. Les échecs apparaissent fréquemment lorsque les équipes techniques pilotent l’expérimentation sans véritable appropriation par les métiers.
La responsabilité financière mérite une place beaucoup plus forte dans cette gouvernance : 76 % des organisations dans lesquelles le directeur financier porte la responsabilité de la valeur créée par l’IA déclareraient des résultats significatifs, contre 53 % lorsque celle-ci relève du CIO ou CTO et 32 % lorsqu’elle est confiée aux responsables fonctionnels. Il serait excessif d’en conclure que toute stratégie IA doit être dirigée par la finance. L’enseignement est plus intéressant : quelqu’un doit être explicitement responsable non du déploiement de la technologie, mais de la valeur qu’elle est censée produire. Sans cette responsabilité, l’entreprise peut multiplier les pilotes réussis techniquement sans jamais transformer ses résultats économiques.
Un autre phénomène complique encore l’équation : une partie de l’adoption échappe désormais à l’organisation elle-même. 67 % des entreprises interrogées dans une étude n’auraient pas une visibilité complète sur les outils d’IA réellement utilisés par leurs collaborateurs. Parmi les salariés utilisant des plateformes non approuvées, 57 % reconnaissent y saisir des informations sensibles de leur entreprise. Le shadow AI constitue évidemment un enjeu de sécurité et de confidentialité, mais il peut également être lu comme un signal organisationnel.
Si les collaborateurs adoptent spontanément des outils extérieurs, c’est souvent parce qu’ils y trouvent une réponse immédiate à un problème réel : préparer une réunion, synthétiser un document, rédiger un email, analyser des données ou rechercher une information. Interdire sans comprendre ces usages revient à perdre une source précieuse d’apprentissage. Les dirigeants ont davantage intérêt à cartographier ce qui se pratique déjà, identifier les cas d’usage les plus utiles, sécuriser les outils et transformer les expérimentations individuelles en capacités collectives. L’usage réel peut parfois révéler beaucoup plus rapidement les opportunités que les feuilles de route conçues en chambre.
Les difficultés rencontrées par les entreprises commencent ainsi à dessiner un schéma cohérent : mauvaises temporalités, absence de point de comparaison, dette de données, budgets trop concentrés sur la technologie, manque de compétences et responsabilités mal définies. Aucun de ces obstacles n’est fondamentalement lié à la puissance des modèles. Ils concernent l’organisation.
C’est une bonne nouvelle pour les dirigeants, car cela signifie que la création de valeur ne dépend pas uniquement de la course technologique. Une PME ou une ETI ne remportera probablement jamais la bataille des milliards investis dans les modèles fondamentaux. Elle peut en revanche parfaitement construire de meilleurs cas d’usage, disposer de données plus pertinentes, former davantage ses équipes, repenser ses processus et mesurer plus rigoureusement ses résultats.
La performance globale ne viendra donc pas de la quantité d’IA injectée dans l’entreprise mais de la qualité du système construit autour d’elle.
----------------------------------
L'IA ne remplacera pas les dirigeants. Mais les dirigeants qui maîtrisent l'IA remplaceront ceux qui ne la maîtrisent pas.
Cet accompagnement IA vous permet de comprendre l’ensemble des enjeux actuels de l’IA, d’identifier vos cas d’usage, de structurer votre plan d’action et de passer à une mise en place globale et durable au sein de votre entreprise.
Le statu quo face à l'IA n'est pas une position neutre. C'est un suicide stratégique.
----------------------------------
