Data & IA
Adoption de l'IA générative en entreprise : le goulot d'étranglement n'est pas l'outil, c'est la compétence
11 août 2026 · 14 min de lecture
En un an, la part des PME françaises déclarant utiliser l'intelligence artificielle générative a presque doublé. Dans le même temps, une majorité de grandes organisations dans le monde peinent toujours à transformer ces usages en résultats mesurables à l'échelle de l'entreprise. Entre ces deux constats se loge une question que peu de directions ont réellement instruite : que faire de tous ces usages individuels pour qu'ils deviennent une capacité collective, et non une pratique dispersée que personne ne pilote ?
EN RÉSUMÉ
L'intelligence artificielle générative s'est diffusée dans les entreprises françaises à une vitesse inédite : selon Bpifrance Le Lab, 55 % des PME en utilisaient au moins un outil fin 2025, contre 31 % un an plus tôt. Mais l'accès aux outils n'a pas résolu le problème qu'il était censé résoudre. À l'échelle mondiale, McKinsey observe que la quasi-totalité des organisations expérimentent l'IA, alors qu'une minorité seulement en tire un effet mesurable sur leurs résultats. En France, cet écart prend une forme particulière : faute de cadre et de montée en compétences, une partie croissante des usages échappe purement et simplement à l'entreprise, sous forme de « shadow AI ». Le réflexe naturel consiste à répondre par la conformité (chartes, listes d'outils autorisés, interdictions ponctuelles). Ce réflexe traite un symptôme. Le problème de fond est ailleurs : sans dispositif structuré de montée en compétences par métier, l'IA reste un outil individuel que l'organisation ne sait ni orienter, ni mesurer, ni faire progresser collectivement.
Un paradoxe qui ne se résout pas avec plus d'outils
Il y a deux ans encore, la question posée aux directions générales portait sur l'accès : comment équiper les équipes, quel budget consacrer aux licences, quels métiers prioriser. Cette question a largement trouvé sa réponse. L'intelligence artificielle générative est désormais accessible à la quasi-totalité des collaborateurs disposant d'un ordinateur, souvent sans même que l'entreprise ait dû investir : un compte gratuit suffit pour rédiger un courriel, résumer un compte rendu ou préparer une présentation.
Cette démocratisation aurait dû produire un effet mécanique sur la performance. Elle ne l'a pas encore fait, du moins pas à la hauteur attendue. McKinsey observe que 88 % des organisations dans le monde utilisent désormais l'IA de façon régulière dans au moins une fonction, mais que seule une infime proportion — de l'ordre de 1 % — décrit son déploiement comme réellement mature à l'échelle de l'entreprise. Moins de 40 % des organisations interrogées rapportent un effet mesurable sur leur résultat d'exploitation, et lorsque cet effet existe, il reste le plus souvent marginal.¹
Ce décalage n'est pas propre à l'IA. Chaque vague technologique majeure a connu une phase où l'adoption individuelle précède largement la transformation collective. Ce qui distingue l'IA générative, c'est la vitesse à laquelle cette phase intermédiaire s'est installée, et la difficulté particulière qu'ont les organisations à en sortir. Le constat mérite d'autant plus l'attention des dirigeants qu'il contredit une intuition répandue : celle selon laquelle il suffirait de laisser les usages se développer pour que la valeur suive naturellement.
Ce que les chiffres français racontent
En France, la dynamique d'adoption est réelle et rapide. Selon l'étude publiée en janvier 2026 par Bpifrance Le Lab, 55 % des TPE et PME déclaraient utiliser l'intelligence artificielle générative fin 2025, contre 31 % un an auparavant: une progression de 24 points en douze mois. Les usages dominants restent concentrés sur la production de contenus, cités par 72 % des entreprises utilisatrices, et l'analyse de données, mentionnée par 67 % d'entre elles.²
Cette progression masque cependant une réalité plus contrastée. Une part significative des PME reste au stade de l'expérimentation ponctuelle plutôt que de l'usage quotidien intégré aux processus. Beaucoup se contentent des versions gratuites des outils grand public, ce qui limite mécaniquement les usages accessibles et la valeur qu'ils peuvent produire. Autrement dit, l'adoption progresse en surface plus qu'en profondeur : davantage d'entreprises testent l'IA, mais peu l'ont réellement intégrée à leur fonctionnement.
Un deuxième chiffre complète ce tableau. Une majorité de dirigeants de PME et d'ETI considèrent désormais l'intelligence artificielle comme un enjeu de survie pour leur activité. Mais une proportion comparable reconnaît ne disposer d'aucune stratégie formalisée pour l'aborder.³ L'écart entre la perception du risque et la capacité à y répondre constitue, en creux, le véritable sujet de cette note : non pas l'ampleur de l'adoption, mais l'absence du cadre qui permettrait de la transformer en avantage durable.
L'IA générative n'a pas attendu la stratégie de l'entreprise pour s'installer dans son fonctionnement. Elle a précédé la décision, comme elle avait précédé la gouvernance.
Quand l'absence de cadre pousse les usages dans l'ombre
Faute de dispositif clair, une partie de ces usages échappe entièrement à l'organisation. Le phénomène porte désormais un nom reconnu des directions des systèmes d'information et de la sécurité : le « shadow AI », c'est-à-dire l'utilisation d'outils d'intelligence artificielle sans validation ni encadrement de l'entreprise, souvent via des comptes personnels sur des plateformes grand public.
Le 11ᵉ baromètre annuel de la cybersécurité des entreprises françaises, réalisé par OpinionWay pour le CESIN et publié en janvier 2026, situe désormais le recours à des services d'IA non approuvés parmi les comportements les plus risqués identifiés par les responsables sécurité : 66 % des organisations interrogées jugent ce risque élevé ou très élevé.⁴ Cette étude, menée auprès de professionnels de la cybersécurité, porte sur la perception du risque plus que sur son ampleur réelle ; elle reste néanmoins l'un des baromètres les plus établis sur le sujet en France, reconduit chaque année depuis plus d'une décennie.
D'autres études, réalisées par des acteurs commerciaux du secteur technologique ou RH, apportent un éclairage complémentaire à prendre avec la prudence qui s'impose pour des enquêtes propriétaires dont l'échantillon et la méthodologie sont moins documentés qu'un baromètre professionnel établi. Une enquête menée par Okta à l'échelle mondiale évoque une proportion significative de salariés reconnaissant utiliser des outils d'IA non approuvés par leur employeur ; une étude commandée par l'éditeur de logiciels RH Factorial indique qu'une majorité de salariés estiment que leur entreprise les laisse gérer seuls leurs usages de l'IA, sans règles explicites.⁵ Ces deux résultats, à lire avec la prudence propre aux études commanditées par des acteurs ayant un intérêt commercial au sujet, convergent néanmoins avec le baromètre CESIN sur un point : le vide organisationnel précède et explique la dispersion des pratiques.
Ce vide n'est pas anodin. Un usage non déclaré échappe à toute évaluation de sa pertinence, à tout contrôle de la qualité des données transmises, et à toute capitalisation sur ce qu'il permet d'apprendre. L'entreprise ne peut ni l'interdire efficacement (l'accès aux outils grand public rend l'interdiction largement contournable) ni l'orienter vers les usages qui créeraient le plus de valeur. Elle se retrouve spectatrice d'une transformation qui se déroule sous ses yeux, sans qu'elle en tire le bénéfice qu'elle pourrait légitimement en attendre.
Le piège de la réponse par la seule conformité
Face à ce constat, la tentation la plus immédiate consiste à répondre par des mesures de contrôle : rédiger une charte d'utilisation, publier une liste d'outils autorisés, organiser une session de sensibilisation générale, parfois interdire purement et simplement certains usages. Ces mesures ne sont pas inutiles. Elles deviennent problématiques lorsqu'elles sont conçues comme l'aboutissement de la démarche plutôt que comme son point de départ.
Une charte précise ce qu'un collaborateur ne doit pas faire. Elle ne dit rien de la manière dont un commercial devrait reformuler une proposition commerciale à l'aide d'un assistant, dont un contrôleur de gestion pourrait interroger un tableau de données sans en fausser l'interprétation, ou dont un responsable RH devrait évaluer la fiabilité d'une synthèse de candidatures avant de s'y fier. Or, c'est précisément à ce niveau que se joue la différence entre un usage qui crée de la valeur et un usage qui produit une illusion de gain de temps.
L'article 4 du règlement européen sur l'intelligence artificielle impose d'ailleurs aux fournisseurs et aux entreprises qui déploient des systèmes d'IA de garantir un niveau suffisant de littératie chez les personnes qui les utilisent pour leur compte, en tenant compte de leur contexte et de leur niveau d'expérience.⁶ Cette obligation est souvent traduite, dans la pratique, par un module de sensibilisation générique délivré une fois, puis oublié. Elle mériterait une lecture plus exigeante : savoir ce qu'est un grand modèle de langage ne permet pas de savoir quand lui faire confiance, ni quand s'en méfier, dans une situation professionnelle précise.
Une charte définit ce qu'un collaborateur ne doit pas faire. Elle ne construit pas le jugement nécessaire pour bien faire ce qu'elle autorise.
La compétence, chaînon manquant entre l'usage et la valeur
Ce que révèlent, ensemble, les données françaises sur l'adoption, les constats internationaux de McKinsey sur l'écart entre expérimentation et impact, et les alertes du CESIN sur les usages non déclarés, c'est la même faille organisationnelle observée sous trois angles différents. L'entreprise a résolu la question de l'accès. Elle n'a pas résolu celle du discernement.
Ce discernement ne se construit pas de manière uniforme. Un commercial, un juriste, un chargé de recrutement et un membre du comité de direction n'ont pas besoin de la même compétence face à l'IA générative. Le premier doit savoir dans quelle mesure il peut s'appuyer sur un outil pour préparer une négociation sans dénaturer sa relation client. Le deuxième doit connaître les limites d'un assistant pour la synthèse d'un document contractuel. Le troisième doit comprendre comment évaluer équitablement des candidatures sans reproduire, voire amplifier, des biais présents dans les données d'entraînement. Le quatrième doit être en mesure d'arbitrer entre plusieurs cas d'usage concurrents sur la base d'une compréhension réelle de leurs risques et de leur potentiel.
Traiter ces quatre situations avec le même module de formation revient à ignorer ce qui distingue un usage à faible enjeu d'une décision qui engage l'entreprise. Une stratégie de compétences crédible associe des principes communs (ce que l'IA générative sait et ne sait pas faire, comment vérifier un résultat, quand solliciter un avis complémentaire ) à des mises en situation propres à chaque métier, construites à partir de cas réels plutôt que d'exemples génériques.
Cette approche transforme la formation en un outil de gouvernance à part entière. Elle ne se contente pas de réduire le risque d'erreur : elle améliore la qualité des usages, elle donne aux collaborateurs les moyens de signaler un doute sans craindre d'être sanctionnés pour avoir expérimenté, et elle permet à l'organisation de repérer les usages qui méritent d'être généralisés plutôt que de les laisser confinés à l'équipe qui les a inventés.
Ce que cela change pour le pilotage de la valeur
Une organisation qui ne construit pas cette compétence collective paie un coût difficile à chiffrer précisément, mais réel. Elle continue de financer des licences dont l'usage réel reste marginal. Elle laisse ses équipes les plus curieuses expérimenter en silo, sans que leurs découvertes ne profitent au reste de l'entreprise. Elle s'expose, par ailleurs, à des erreurs évitables u ne synthèse biaisée, une donnée sensible mal protégée, une réponse client approximative, dont l'origine remonte moins à l'outil lui-même qu'à l'absence de discernement dans son usage.
À l'inverse, les organisations qui ont commencé à combler cet écart ne se distinguent pas nécessairement par le nombre d'outils déployés. Elles se distinguent par leur capacité à documenter ce qui fonctionne, à l'enseigner rapidement aux autres équipes, et à interrompre ce qui ne fonctionne pas avant que l'énergie collective ne s'y disperse. Cette discipline ressemble moins à un projet informatique qu'à une fonction managériale permanente, comparable à la manière dont une entreprise apprend collectivement d'un nouveau marché ou d'un nouveau concurrent.
C'est également à cette condition que la question du retour sur investissement, souvent posée trop tôt, devient enfin mesurable. Un usage individuel et non documenté ne produit aucune donnée exploitable sur sa valeur réelle. Un usage encadré, accompagné et comparé à d'autres au sein d'un même portefeuille de cas d'usage permet, lui, de distinguer ce qui mérite d'être industrialisé de ce qui doit rester une expérimentation locale.
Une question de compétence avant d'être une question d'outil
L'intelligence artificielle générative continuera de progresser plus vite que la capacité des organisations à l'absorber. Ce déséquilibre n'est pas nouveau dans l'histoire des technologies, mais son ampleur, cette fois, tient à la facilité avec laquelle chaque collaborateur peut, seul, accéder à des capacités auparavant réservées à des équipes spécialisées.
La question qui se pose aux dirigeants n'est donc plus de savoir s'il faut équiper leurs équipes . Elle est de savoir s'ils acceptent de laisser cette adoption se poursuivre sans cadre, au risque de multiplier les usages dispersés et les zones d'ombre, ou s'ils choisissent de construire, métier par métier, la compétence qui transformera des initiatives individuelles en capacité collective. Ce choix ne se limite pas à une ligne budgétaire consacrée à la formation. Il touche à la manière dont l'entreprise entend apprendre, en continu, d'une technologie qui ne cessera pas d'évoluer plus vite qu'elle.
LE REGARD DE DIGITALIE
Chez digitalie, nous considérons que l'adoption de l'IA générative ne se pilote pas comme un projet informatique classique, avec un déploiement suivi d'une clôture. Elle se pilote comme une capacité organisationnelle qui se construit progressivement : cartographie des usages existants — y compris ceux qui échappent aujourd'hui à l'entreprise —, priorisation des cas d'usage selon leur valeur et leur risque, puis mise en place d'un dispositif de montée en compétences différencié par métier. Notre format Sprint IA Business est conçu pour amener une organisation, en quelques semaines, du diagnostic à un premier portefeuille de cas d'usage priorisés et d'un plan de compétences associé. Un échange de 30 minutes peut permettre de situer où se trouve, concrètement, l'écart entre l'usage individuel de l'IA dans votre organisation et sa valeur collective.
Questions fréquentes
Pourquoi les collaborateurs utilisent-ils l'IA sans en informer leur entreprise ?
Le plus souvent par pragmatisme plutôt que par volonté de contourner une règle : les outils grand public sont gratuits, accessibles en quelques secondes et perçus comme utiles. En l'absence de cadre clair ni de formation adaptée, les collaborateurs comblent eux-mêmes ce vide, ce qui alimente un usage non déclaré difficile à mesurer et à orienter.
Le shadow AI est-il uniquement un risque de sécurité ?
Non. Le risque de sécurité — fuite de données, exposition d'informations sensibles — est réel et documenté, mais il n'est qu'une partie du problème. Le shadow AI prive aussi l'entreprise de la capacité à identifier les usages qui créent réellement de la valeur, puisque ces usages restent invisibles et ne peuvent ni être évalués, ni généralisés.
Faut-il interdire l'usage des outils d'IA grand public en entreprise ?
Une interdiction générale est rarement efficace, car ces outils restent accessibles sur les équipements personnels. Une approche plus réaliste consiste à distinguer les usages à faible risque, qui peuvent rester libres, des usages à enjeu plus élevé, qui nécessitent une validation, un outil approuvé ou un accompagnement spécifique.
Comment mesurer si une entreprise a un problème d'adoption de l'IA ?
Un signal simple consiste à comparer le nombre de licences ou d'accès déployés à la part des collaborateurs qui les utilisent réellement au quotidien dans leurs tâches. Un écart important entre les deux indique généralement un problème de compétence ou d'accompagnement plutôt qu'un problème d'outil.
Quelle différence entre une charte d'utilisation de l'IA et une stratégie de compétences ?
Une charte fixe des règles et des interdictions ; elle relève de la conformité. Une stratégie de compétences apprend aux collaborateurs à exercer leur jugement face à un résultat produit par l'IA, dans le contexte précis de leur métier. Les deux sont complémentaires, mais seule la seconde permet de transformer un usage individuel en valeur collective.
Par où une PME ou une ETI doit-elle commencer pour structurer l'adoption de l'IA ?
La première étape consiste à cartographier les usages déjà existants, y compris informels, plutôt qu'à choisir de nouveaux outils. Cette cartographie permet ensuite de prioriser quelques cas d'usage à fort potentiel, d'y associer un accompagnement adapté au métier concerné, et de mesurer les résultats avant d'envisager un déploiement plus large.
Sources et précisions
2. Bpifrance Le Lab, « L'IA dans les PME et ETI françaises : une révolution tranquille », janvier 2026.