IA générative: l'équipement ne fait pas le swing

L'équipement n'est pas l'usage

Je n'ai pas trente ans de recul sur l'IA, personne ne peut s'en prévaloir. Je constate néanmoins un réflexe courant: par crainte de manquer une évolution, on signe des licences massives. Un déploiement Copilot à 30 euros par mois pour 1 000 collaborateurs engage 360 000 euros par an. L'intention est compréhensible, mais elle achète d'abord une assurance contre l'obsolescence.

Les rapports, quelques mois plus tard, racontent autre chose. Une majorité teste l'outil, puis l'usage se replie sur des tâches basiques: reformuler un mail, corriger des fautes, résumer un texte. Investir dans un abonnement mensuel par employé pour remplacer un correcteur orthographique, ce n'est pas un retour acceptable. Les chiffres français confirment l'écart: 77 % des ETI utilisent l'IA générative, mais 17 % seulement constatent un gain sur leurs tâches [1]. Le déploiement s'accélère, les bénéfices restent rares.

Le sous-usage a des racines précises

Le problème n'est presque jamais le modèle. Environ 95 % des pilotes d'IA générative ne produisent aucun impact mesurable sur le compte de résultat [2]. C'est d'abord un problème d'intégration: on parle de shadow AI lorsqu'un salarié utilise un compte personnel — ChatGPT ou un outil grand public — pour traiter un sujet professionnel, sans validation de l'entreprise. Ce phénomène éclaire l'écart: environ 90 % des salariés utilisent des outils personnels au travail, alors que 40 % seulement des entreprises ont un abonnement officiel [2]. Ce n'est pas un rejet de l'IA, c'est le signal d'outils officiels déconnectés du travail réel.

La formation est un autre angle mort. Beaucoup d'utilisateurs n'exploitent qu'une fraction du potentiel, faute de méthode pour poser un contexte, sécuriser les données ou valider les sorties. Derrière l'apparente simplicité de l'outil, les lacunes se paient: requêtes trop pauvres, données confidentielles exposées, résultats acceptés sans vérification. Le codage en offre un exemple: seuls 10 % des développeurs exploitent pleinement les agents de codage avancés, tandis que la moitié ignore complètement l'IA dans son flux de travail quotidien [3]. Le risque ne se limite pas à une dépense perdue: il inclut l'exposition de données, la validation insuffisante des sorties et la démotivation des équipes.

Déployer par la preuve, pas par le saupoudrage

La solution n'est pas de couper les budgets, ni de tout interdire. Elle consiste à resserrer le déploiement et à l'accompagner. Trois repères me semblent utiles, sans prétendre qu'ils résument tout.

Choisir quelques cas d'usage à forte valeur: synthétiser des appels d'offres complexes, automatiser des reportings récurrents, réduire les reprises sur un processus précis. Fixer avant le lancement un indicateur de croissance, pas seulement un indicateur de temps gagné. Les départements qui suivent au moins un indicateur de croissance déclarent bien plus souvent un retour positif que ceux qui ne suivent que l'efficacité [4].

Confier d'abord les licences à des ambassadeurs métier. On n'équipe le reste des collaborateurs qu'après avoir démontré un gain réel, par exemple deux heures gagnées par semaine ou un taux d'erreur réduit. La licence IA est un club de golf: sans le bon swing ni une stratégie adaptée, le meilleur matériel ne produit pas un meilleur coup.

Financer les compétences autant que les licences. L'abonnement se voit dans le budget, mais le manque de méthode se paie en temps perdu, en erreurs et en usages fantômes. Utiliser ChatGPT seul, dans son coin, ne revient pas à intégrer l'IA à un processus métier; c'est au mieux un gain personnel, au pire une illusion de transformation [5]. Or, une IA mal déployée coûte plus cher qu'elle ne rapporte, car elle additionne licences, temps perdu et risques non maîtrisés [6]. Déployée sur des preuves respectant des indicateurs défini en amont, en revanche, elle peut absorber une hausse d'activité et de productivité sans recrutement supplémentaire.