IA en entreprise : analyse de la fracture entre grands groupes et PME

En résumé

L'adoption de l'intelligence artificielle progresse vite en France, mais de façon inégale. Les grandes entreprises industrialisent leurs usages pendant que la majorité des PME et ETI restent au stade de l'expérimentation individuelle, souvent via des outils grand public. L'étude KPMG AI Pulse (été 2026) et le baromètre France Num convergent : l'écart se creuse moins sur l'accès à la technologie que sur la capacité des organisations à gouverner des usages nés en dehors de tout cadre. Concrètement, cela suppose de recenser ce que les équipes utilisent déjà, d'arbitrer entre ce qui doit rester externe et ce qui mérite d'être internalisé, puis de prioriser un nombre restreint de cas d'usage à fort effet de levier. Sans ce travail de gouvernance, tout investissement supplémentaire dans de nouveaux outils ne fait que déplacer le problème.

Un doublement qui cache un décrochage

Le baromètre France Num 2025, mené auprès de 11 021 entreprises entre le 26 mars et le 18 avril 2025, ont 3 043 PME et 7 978 micro-entreprises, affiche un chiffre qui pourrait passer pour une bonne nouvelle sans réserve : 26 % des micro-entreprises et PME françaises déclarent désormais utiliser une solution d'intelligence artificielle, contre une proportion deux fois moindre un an plus tôt. L'IA générative progresse de douze points (22 %), les chatbots et assistants de neuf points (14 %). Sur le papier, la diffusion de l'IA dans le tissu économique français s'accélère nettement.

Le même baromètre révèle pourtant un gradient sans ambiguïté selon la taille de l'entreprise : 15 % d'adoption chez les structures de 10 à 49 salariés, 31 % entre 50 et 249 salariés, 58 % au-delà de 250 salariés. Autrement dit, une entreprise de plus de 250 salariés a près de quatre fois plus de chances d'avoir intégré l'IA à son fonctionnement qu'une PME de taille intermédiaire. Ce n'est pas un simple écart statistique : c'est une ligne de fracture qui recoupe presque exactement la frontière entre grands groupes et PME-ETI.

Ce que documente vraiment KPMG

L'étude AI Pulse de KPMG, publiée cet été 2026 à partir des réponses de plus de 2 145 dirigeants dans vingt pays, précise ce que cette fracture recouvre concrètement pour les entreprises françaises. Les grandes entreprises avancent désormais vers une phase d'industrialisation : elles commencent à relier leurs investissements en IA à des indicateurs de retour, à structurer des équipes dédiées, à documenter des cas d'usage reproductibles. Les PME et ETI, à l'inverse, restent majoritairement au stade de l'expérimentation individuelle: des collaborateurs qui testent des outils, souvent sans validation ni recensement centralisé.

Le point le plus révélateur de l'étude ne porte pas sur le taux d'adoption global, mais sur la nature des outils utilisés. Selon KPMG, 61 % des utilisateurs d'IA en entreprise passent par des outils externes grand public, les interfaces conversationnelles accessibles à quiconque dispose d'un compte, contre seulement 19 % qui utilisent des outils internes développés ou déployés par leur propre organisation. Ce déséquilibre, bien plus que le taux d'adoption brut, dessine la vraie ligne de partage entre les entreprises qui gouvernent leurs usages d'IA et celles qui les subissent.

Pourquoi la formation ne suffit pas à combler l'écart

Face à ce constat, la réponse la plus spontanée consiste à investir dans la formation des équipes. KPMG confirme d'ailleurs que 45 % des entreprises françaises identifient le manque de formation comme un frein à l'adoption, contre 37 % au niveau mondial, un écart qui semble justifier cette priorité. Le raisonnement se tient, mais il s'arrête à mi-chemin. Former des collaborateurs à mieux utiliser des outils externes grand public ne change rien à la question de gouvernance : cela revient à professionnaliser un usage qui continue d'échapper au périmètre de contrôle de l'entreprise.

Une étude menée par Writer auprès de Workplace Intelligence en 2026 va dans un sens proche : 79 % des organisations interrogées rencontrent des difficultés dans leur déploiement de l'IA, et 54 % des dirigeants admettent que ce déploiement génère des tensions internes significatives et la difficulté ne se situe presque jamais dans l'accès à la technologie, mais dans l'absence de cadre pour l'orienter.

Le problème organisationnel : gouverner un usage qui a déjà commencé

Voilà le nœud du problème. Dans la plupart des PME et ETI, l'IA n'attend pas d'être « déployée » par une direction pour exister dans l'entreprise : elle y est déjà, portée par des collaborateurs qui l'utilisent individuellement pour rédiger, résumer, analyser ou automatiser une partie de leur travail. Le sujet n'est donc pas de savoir si l'entreprise doit adopter l'IA, mais comment elle reprend la main sur des usages qui ont commencé sans elle.

Cette situation change la nature du travail de gouvernance à mener. Il ne s'agit pas de rédiger une charte d'utilisation en amont d'un déploiement encore hypothétique, mais de partir d'un état des lieux : quels outils sont réellement utilisés, par qui, pour quels usages, avec quelles données. Peu d'entreprises françaises, en dehors des plus grandes, disposent aujourd'hui d'un tel inventaire. Beaucoup découvrent l'ampleur de leurs usages d'IA au moment où un incident (une fuite de données, une réponse erronée transmise à un client) les oblige à regarder ce qui se passait déjà sous leurs yeux.

Le cadre réglementaire européen accentue cette pression sans la créer. Depuis le 2 août 2026, le règlement sur l'intelligence artificielle impose une série d'obligations de transparence, notamment pour les systèmes conversationnels utilisés dans la relation avec le public. Cette échéance ne change pas la nature du problème décrit ici, elle en est une conséquence, pas la cause. Une entreprise incapable de dire quels usages d'IA existent en son sein aura, de toute façon, du mal à se mettre en conformité avec des obligations qui supposent justement cette cartographie préalable.

Ce que cela change concrètement pour les PME et ETI

Les conséquences de cette fracture ne sont pas seulement réglementaires. Elles touchent directement la compétitivité opérationnelle. Une entreprise qui laisse ses usages d'IA se développer de façon dispersée accumule un risque de dépendance à des outils choisis individuellement, sans cohérence entre équipes, sans capitalisation collective des apprentissages. Chaque collaborateur réinvente sa propre méthode, personne ne mesure ce qui fonctionne vraiment, et l'entreprise ne peut ni arbitrer ses investissements ni démontrer un retour sur ce qu'elle finance indirectement via le temps de travail consacré à ces usages.

À l'inverse, les grandes entreprises qui avancent vers l'industrialisation, selon KPMG, ne se distinguent pas nécessairement par des moyens supérieurs disproportionnés. Elles se distinguent par leur capacité à transformer un usage individuel repéré comme prometteur en un cas d'usage documenté, reproductible et mesuré. C'est cette capacité de bascule, de l'usage spontané au dispositif gouverné, qui constitue, davantage que le budget, l'avantage réel des organisations les mieux positionnées aujourd'hui.

La gouvernance comme bascule, pas comme audit ponctuel

Un diagnostic de gouvernance des usages d'IA ne se limite donc pas à un audit ponctuel confié à la DSI, dont les conclusions resteraient sans suite, un travers déjà documenté pour d'autres chantiers de transformation digitale. Il suppose trois mouvements distincts et récurrents : recenser les usages existants sans les juger a priori, arbitrer lesquels doivent rester externes et lesquels justifient un investissement dans un outil interne, puis prioriser un nombre restreint de cas d'usage à fort effet de levier plutôt que de multiplier les expérimentations. Cette discipline de priorisation rejoint d'ailleurs une conclusion documentée par ailleurs : les organisations qui concentrent leurs efforts sur peu de cas d'usage en tirent davantage de valeur que celles qui les multiplient.

La bascule externe-interne ne signifie pas nécessairement développer des outils propriétaires coûteux. Elle peut consister à encadrer contractuellement l'usage d'outils externes, à créer des espaces internes sécurisés pour certains usages sensibles, ou simplement à documenter et diffuser les bonnes pratiques repérées chez les utilisateurs les plus avancés. L'essentiel n'est pas la nature de la solution technique, mais l'existence d'une décision explicite, prise collectivement, plutôt que subie individuellement poste par poste.

La question que pose cette fracture à deux vitesses n'est donc pas « combien investir dans l'IA », mais « qui, dans l'entreprise, décide aujourd'hui de la manière dont elle est utilisée ». Dans une majorité de PME et ETI françaises, la réponse honnête est : personne, ou tout le monde un peu, ce qui revient au même. Combler cet écart ne demande pas d'attendre un budget plus confortable ni une technologie plus mature. Cela demande une décision de gouvernance, prise maintenant, sur des usages qui, pour la plupart, existent déjà.

Le regard de digitalie_

Chez digitalie, nous considérons que le principal obstacle à l'adoption de l'IA n'est presque jamais la technologie elle-même, mais l'absence d'un cadre capable de transformer des initiatives individuelles en capacité collective. Notre Sprint IA Business part de ce constat : avant d'ajouter un nouvel outil, il s'agit de cartographier ce qui existe déjà, d'évaluer chaque usage selon sa valeur et sa faisabilité, puis de trancher explicitement ce qui doit rester externe et ce qui mérite d'être internalisé. Si votre organisation reconnaît cette situation, nous proposons volontiers un échange de 30 minutes pour en discuter concrètement.

Questions fréquentes

Pourquoi les PME françaises sont-elles en retard sur l'adoption de l'IA par rapport aux grands groupes ?

Le retard n'est pas principalement technologique. Selon KPMG, les grandes entreprises industrialisent leurs usages et en mesurent le retour, quand les PME restent au stade de l'expérimentation individuelle. France Num confirme un gradient net selon la taille : 15 % d'adoption entre 10 et 49 salariés contre 58 % au-delà de 250 salariés.

Qu'est-ce que le shadow AI et pourquoi est-ce un problème de gouvernance ?

Le shadow AI désigne l'usage d'outils d'intelligence artificielle par des collaborateurs en dehors de tout cadre validé par l'entreprise. Selon KPMG, 61 % des utilisateurs d'IA passent par des outils externes grand public contre 19 % via des outils internes — un déséquilibre qui expose l'entreprise sans qu'elle en ait toujours conscience.

Faut-il d'abord former les équipes ou gouverner les usages d'IA existants ?

Les deux sont nécessaires, mais dans un ordre précis. Former des équipes à des outils externes non recensés professionnalise un usage encore hors de contrôle. La priorité consiste à cartographier les usages existants et à décider ce qui doit rester externe ou être internalisé, avant d'investir dans la montée en compétences.

Combien d'entreprises françaises utilisent l'intelligence artificielle en 2026 ?

Selon le baromètre France Num 2025, 26 % des micro-entreprises et PME françaises déclarent utiliser une solution d'IA, un chiffre qui a doublé en douze mois. L'usage reste cependant occasionnel pour une majorité d'entre elles : seuls 17 % en font un usage régulier.

Le règlement européen sur l'IA (AI Act) oblige-t-il les PME à cartographier leurs usages d'IA ?

Depuis le 2 août 2026, certaines obligations de transparence du règlement européen sur l'IA s'appliquent, notamment pour les systèmes conversationnels utilisés avec le public. Ces obligations supposent, en amont, de savoir précisément quels usages d'IA existent dans l'entreprise — ce qui suppose déjà un travail de gouvernance.

Quelle est la différence entre un usage individuel de l'IA et un cas d'usage gouverné ?

Un usage individuel repose sur l'initiative isolée d'un collaborateur, sans validation, mesure ni capitalisation collective. Un cas d'usage gouverné est documenté, reproductible, évalué selon sa valeur et sa faisabilité, et intégré à une décision explicite sur les outils et les données autorisés.

Sources

• KPMG France, « AI Pulse édition été 2026 : l'IA en France face au défi de la valeur », kpmg.com, 2026. https://kpmg.com/fr/fr/insights/ai-value/etude-adoption-ia-ete-2026.html
• KPMG France, communiqué de presse « KPMG AI Pulse Survey : Stratégie IA en France », mai 2026. https://kpmg.com/fr/fr/media/press-releases/2026/05/ai-pulse-survey-2026.html
• France Num, « Baromètre France Num 2025 : le numérique et l'intelligence artificielle dans les TPE et PME », francenum.gouv.fr, 2025. https://www.francenum.gouv.fr/guides-et-conseils/strategie-numerique/comprendre-le-numerique/barometre-france-num-2025-le
• Writer & Workplace Intelligence, étude sur l'adoption de l'IA en entreprise, 2026
• Deloitte, « State of AI in the Enterprise », France, 2026
• Parlement européen et Conseil de l'Union européenne, règlement (UE) 2024/1689 établissant des règles harmonisées concernant l'intelligence artificielle (AI Act) — entrée en application des obligations de transparence au 2 août 2026. Synthèse : Touteleurope.eu, « Intelligence artificielle : ce qui a vraiment changé le 2 août 2026 avec le règlement européen ». https://www.touteleurope.eu/economie-et-social/intelligence-artificielle-ce-qui-change-vraiment-le-2-aout-2026-avec-le-reglement-europeen/