Vos collaborateurs utilisent l'IA pour rédiger des e-mails, traduire des documents ou mettre en forme des rapports : leur efficacité individuelle progresse réellement, mais les résultats de l'entreprise, eux, ne suivent souvent pas. Savoir utiliser l'IA est une compétence individuelle ; la capacité d'IA d'une entreprise est un système qui repose à la fois sur les données, les processus, les règles et l'organisation, et la première ne se transforme pas d'elle-même en la seconde.
L'enthousiasme des collaborateurs est déjà là ; la question est de savoir si l'entreprise sait s'en saisir. Nous partirons de plusieurs enquêtes pour analyser d'où vient l'écart entre compétence individuelle et capacité de l'entreprise, ce qui compose cette capacité d'IA, et comment transformer les usages dispersés entre les mains des collaborateurs en une capacité propre à l'organisation.
Les collaborateurs utilisent tous l'IA : pourquoi les résultats de l'entreprise ne s'améliorent-ils pas ?
Les gains de l'IA sont déjà évidents à l'échelle individuelle, mais ils restent pour l'essentiel entre les mains des individus. Les collaborateurs ont pris de l'avance sur le management, et l'entreprise n'a pas su s'approprier ces usages.
Trois enquêtes l'illustrent, chacune sous un angle différent :
- Les individus accélèrent, l'entreprise fait du sur-place. Dans son étude *The state of AI in 2026*, McKinsey a interrogé 1 719 répondants dans le monde : 80 % estiment que l'IA a amélioré leur efficacité au travail et environ la moitié déclarent qu'elle les a aidés à mieux décider ; pourtant, seuls 37 % jugent que l'IA contribue au résultat avant intérêts et impôts (EBIT) de leur entreprise, un niveau quasi stable par rapport à l'année précédente. Le rapport le dit sans détour : les gains individuels ne se sont pas encore traduits en impact financier pour l'entreprise (source).
- L'« IA fantôme » est omniprésente. Selon le rapport 2025 du projet NANDA du Massachusetts Institute of Technology (MIT), *The GenAI Divide*, seules environ 40 % des entreprises ont souscrit un abonnement officiel à un grand modèle de langage, alors que dans plus de 90 % d'entre elles, des collaborateurs utilisent des outils d'IA personnels pour leur travail ; dans le même temps, 95 % des entreprises ne constatent aucun retour mesurable de l'IA générative (source). L'échantillon de cette étude est limité et ses chiffres précis prêtent à débat, mais le phénomène qu'elle décrit est très courant.
- Les risques sont déjà bien réels. D'après une enquête menée par Wakefield Research pour PagerDuty en avril 2026 auprès de 1 250 employés de bureau de grandes entreprises aux États-Unis, au Royaume-Uni, au Japon et en Australie, 66 % des salariés ayant déjà utilisé l'IA l'ont fait alors qu'ils pensaient que leur entreprise ne l'autorisait pas ; 34 % ont saisi des données clients dans un outil d'IA public et 31 % des informations financières ou des documents confidentiels de l'entreprise (source).
Prenons une société de négoce d'une trentaine de personnes où presque chacun utilise l'IA : les achats la servent à traduire des devis en langue étrangère, les commerciaux à rédiger les réponses aux clients, la comptabilité à lire les courriers de l'administration fiscale. Pourtant, au bilan de fin d'année, les stocks dormants, les délais d'encaissement et les pertes de clients sont à peu près les mêmes que l'an dernier ; personne ne sait dire dans quels outils les tarifs et les fiches clients ont été copiés ; et la bonne méthode qu'une commerciale avait mise au point disparaît avec son départ. Chacun sait utiliser l'IA, mais l'entreprise n'a pas pour autant acquis de capacité d'IA.
« J'avance plus vite » et « l'entreprise fonctionne mieux » : où est la différence ?
La capacité d'IA individuelle est la compétence d'une personne qui utilise l'IA pour accomplir plus vite et mieux sa propre tâche ; la capacité d'IA de l'entreprise est l'aptitude à intégrer durablement l'IA dans les processus métier et à en tirer en continu des résultats économiques. La première est le socle de la seconde, mais elles diffèrent totalement par leur périmètre, leur reproductibilité et leur gestion des risques.
| Dimension | Capacité d'IA individuelle | Capacité d'IA de l'entreprise |
|---|---|---|
| Périmètre | Une tâche pour une personne | Un processus métier transversal |
| Données utilisées | Des extraits collés ponctuellement dans une fenêtre de dialogue | Des données métier connectées aux systèmes et définies de façon homogène |
| Où se loge l'expérience | Dans les habitudes et les prompts de chaque collaborateur | Dans les processus, les modèles et les systèmes, utilisables même si les équipes changent |
| Reproductibilité | Variable selon les personnes, résultats instables | Standards homogènes, déployables dans toute l'entreprise |
| Qui gère les risques | Souvent personne | Des règles, des droits d'accès et des responsables désignés |
| Comment la mesurer | « J'ai l'impression d'aller plus vite » | Des indicateurs d'activité : délais, coûts, taux d'erreur, chiffre d'affaires |
Ce tableau peut aussi se lire à l'envers : sur chaque ligne où l'entreprise reste dans la colonne de gauche, c'est un type de capacité qui n'est pas encore passé de l'individu à l'organisation.
Pourquoi les compétences individuelles ne s'additionnent-elles pas en capacité d'entreprise ?
Trente collaborateurs qui savent utiliser l'IA ne font pas une entreprise dotée d'une capacité d'IA. Entre l'individu et l'organisation, il y a au moins quatre obstacles : l'expérience, les données, les processus et les risques.
L'expérience ne se capitalise pas. Un bon prompt, un usage éprouvé n'existent que dans l'historique de conversation d'un collaborateur. Les autres l'ignorent, ne peuvent pas l'apprendre, et tout disparaît avec le départ de la personne. C'est le même problème que celui des « données qui partent avec la personne » à l'époque des tableurs ; ce qui s'en va, cette fois, ce sont les usages et le savoir-faire.
Les données ne sont pas connectées. Ce qu'un collaborateur peut confier à l'IA se limite à un court extrait copié-collé. L'IA ne voit pas l'ensemble des stocks, des commandes et des encaissements ; elle ne peut donc pas répondre aux questions qui pèsent réellement sur l'activité, comme « quelles références faut-il commander en moindre quantité ? » ou « quel client faut-il relancer pour paiement ? ». Le rapport du MIT note aussi que la plupart des systèmes d'IA générative ne conservent pas les retours d'expérience, ne s'adaptent pas au contexte et ne s'améliorent pas avec le temps, ce qui explique pourquoi on peine à leur faire confiance pour les tâches importantes.
Les processus n'ont pas été repensés. Le collaborateur accélère sa propre étape grâce à l'IA, mais l'amont et l'aval restent inchangés. Un devis a beau être rédigé très vite, il faut toujours attendre l'approbation du dirigeant le lendemain ; une réponse au client a beau être rapide, la commande doit toujours être saisie à la main dans le système. L'efficacité reste bloquée aux points de passage. L'enquête de McKinsey montre que près des trois quarts des entreprises les plus performantes en IA ont profondément repensé leurs processus de travail autour de l'IA, contre environ un quart seulement des autres.
Les risques ne sont gérés par personne. Dans quels outils les données clients, les tarifs et les contrats ont-ils été collés ? Quelqu'un vérifie-t-il les contenus générés par l'IA ? Qui est responsable en cas d'erreur ? Aucune de ces questions n'a de réponse. Pour une entreprise active dans l'Union européenne, les données personnelles des clients relèvent du Règlement général sur la protection des données (RGPD) : ce n'est pas seulement une question de gestion, mais aussi de conformité.
Les quatre piliers de la capacité d'IA de l'entreprise
Si la maîtrise individuelle de l'IA est la fondation, la capacité d'IA de l'entreprise exige d'élever quatre piliers au-dessus d'elle : les données, les processus, les règles, les personnes et l'organisation. Ils répondent précisément aux quatre obstacles évoqués plus haut.
- Les données : permettre à l'IA de voir l'ensemble. Les données métier sont connectées aux systèmes, définies de façon homogène et accessibles à l'IA dans le périmètre autorisé. Tant que les stocks, les commandes et les encaissements restent éparpillés entre différents tableurs et logiciels, l'IA, aussi performante soit-elle, ne peut que deviner à partir de fragments.
- Les processus : éviter que l'efficacité ne se bloque aux points de passage. Il ne s'agit pas d'insérer l'IA à une étape du processus existant, mais de repenser l'ensemble du processus autour d'elle : quelles étapes confier à l'IA, lesquelles doivent être validées par un humain, comment articuler les transitions.
- Les règles : permettre aux collaborateurs d'utiliser l'IA l'esprit tranquille. Préciser quels outils d'IA sont autorisés, quelles données ne doivent jamais être saisies dans un outil externe, dans quels cas une relecture humaine est obligatoire et qui est responsable en cas de problème. Les règles ne servent pas à brider les collaborateurs, mais à leur éviter de devoir utiliser l'IA « en cachette ».
- Les personnes et l'organisation : garder l'expérience dans l'entreprise. Transformer les bons usages découverts par les collaborateurs en modèles et en processus standardisés, pour que les nouveaux arrivants puissent s'en servir dès le premier jour ; désigner un référent pour porter les applications d'IA ; mesurer les effets avec des indicateurs d'activité plutôt qu'avec une impression de rapidité.
Les quatre piliers sont interdépendants. Sans règles, par exemple, l'entreprise n'ose pas connecter ses données à l'IA ; sans données, un processus repensé ne peut pas fonctionner. Il convient donc de les construire simultanément autour d'un cas d'usage métier précis, plutôt que d'en faire quatre projets indépendants.
Inutile d'interdire l'« IA fantôme » : il faut s'en saisir
Face à l'usage de l'IA par les collaborateurs de leur propre initiative, une interdiction générale ne fait souvent que le faire passer dans la clandestinité. Il est plus efficace de prendre pour point de départ les usages que les collaborateurs ont déjà éprouvés, et de les faire passer de leurs mains aux données, aux processus et aux règles de l'organisation. On peut s'y prendre en cinq actions.
Recenser : comprendre comment les collaborateurs utilisent déjà l'IA. Identifiez quels outils d'IA sont utilisés, à quelles étapes, et où vont les données ; repérez en parallèle les principaux points de blocage entre commandes, achats, stocks et encaissements. On découvre souvent que les cas d'usage les plus précieux se cachent dans les pratiques spontanées des équipes.
Fixer les règles : offrir aux collaborateurs une option qu'ils peuvent utiliser en confiance. En lien avec le système de droits d'accès de l'entreprise, définissez les limites en matière de données et les exigences de relecture humaine, et mettez à disposition un outil d'entreprise sûr et agréable à utiliser. Quand le canal officiel est plus pratique que l'usage en sous-main, l'« IA fantôme » recule naturellement.
Connecter : permettre à l'IA d'exploiter les données et les connaissances de l'entreprise. Regroupez les données dispersées entre systèmes et tableurs, unifiez la définition des indicateurs, et organisez la documentation produit, les règles de tarification et les questions fréquentes en une base de connaissances d'entreprise. L'IA ne dépend plus des extraits que les collaborateurs collent dans une fenêtre de dialogue.
Ancrer : inscrire les bons usages dans les processus. Choisissez un cas d'usage aux règles claires et aux effets mesurables, comme la saisie de commandes, le rapprochement de comptes ou les demandes courantes des clients, et transformez les usages éprouvés par les collaborateurs en modèles, en workflows intelligents ou en agents ; ils prennent en charge les tâches répétitives de saisie, de vérification et de circulation de l'information, tandis que les équipes gardent la main sur les étapes clés.
Mesurer : décider du déploiement à partir d'indicateurs d'activité. Avant le pilote, fixez des indicateurs tels que le temps de traitement, le taux d'erreur ou le délai d'encaissement ; une fois les résultats validés, reproduisez la même méthode sur le cas d'usage suivant.
Ces cinq actions correspondent une à une aux quatre obstacles évoqués plus haut :
| Pourquoi les capacités individuelles ne s'additionnent pas | Action correspondante |
|---|---|
| L'expérience ne se capitalise pas | Ancrer : inscrire les bons usages dans les processus et les modèles |
| Les données ne sont pas connectées | Connecter : unifier la définition des données, constituer une base de connaissances d'entreprise |
| Les processus n'ont pas été repensés | Recenser + ancrer : partir des cas d'usage, repenser la répartition des rôles entre humains et IA |
| Les risques ne sont gérés par personne | Fixer les règles : droits d'accès, limites en matière de données et relecture humaine |
Un principe traverse l'ensemble : le primat de l'humain. L'IA aide à faire avancer le travail dans le périmètre autorisé ; pour tout ce qui touche aux objectifs, aux responsabilités et aux jugements décisifs, c'est l'humain qui décide.
En conclusion : de « je sais l'utiliser » à « l'entreprise sait l'utiliser »
Quand un individu sait utiliser l'IA, son travail s'accélère ; quand l'entreprise possède une capacité d'IA, c'est toute son activité qui s'améliore. Entre les deux se trouvent les données, les processus, les règles et l'organisation, qui n'apparaîtront pas d'eux-mêmes parce que les collaborateurs écrivent de meilleurs prompts.
L'enthousiasme des collaborateurs est le meilleur point de départ de l'entreprise, et non un risque à réprimer. L'étape suivante consiste à permettre à l'entreprise elle aussi d'apprendre à utiliser l'IA.
Références
- The state of AI in 2026: On the road to ROI, McKinsey, août 2026
- MIT report finds most AI business investments fail, reveals "GenAI Divide", Virtualization Review, août 2025 (présente le rapport du MIT NANDA, *The GenAI Divide: State of AI in Business 2025*)
- PagerDuty 2026 Shadow AI Survey, PagerDuty, 2026
