Adoption de l'IA en entreprise : le problème de confiance

Certains chiffres sur l'usage de l'IA en entreprise dessinent une situation curieuse. D'un côté, environ 84% des collaborateurs déclarent s'en servir dans leur travail. De l'autre, à peine 29% disent lui faire confiance (Stackoverflow 2025). Une large partie des utilisateurs continuent donc de recourir chaque jour à un outil dont ils se méfient.

On peut être tenté de lire ce décalage comme le signe que l'intelligence artificielle aurait été survendue, que les résultats ne seraient pas au rendez-vous et que la promesse resterait largement théorique. Mais cette intérprétation passe à côté de l'essentiel. Le paradoxe central de l'adoption de l'IA en entreprise tient moins à la technologie elle-même qu'à la manière dont les organisations s'en sont emparées.

Un paradoxe au cœur de l'adoption de l'IA en entreprise

La diffusion de l'IA dans les entreprises s'est faite à une vitesse remarquable, touchant rapidement la plupart des fonctions, alors que la confiance, elle, n'a pas suivi le même rythme et demeure à un niveau bas. Ce maintien d'un usage quotidien en dépit de la méfiance mérite qu'on s'y arrête. Si les collaborateurs reviennent vers l'outil, c'est que son utilité leur paraît suffisante pour justifier l'effort, même lorsque l'expérience les a déçus assez souvent pour qu'ils gardent leurs distances. Ce décalage constitue un point de départ pour le diagnostic plus qu'une explication en soi, et il invite à remonter vers ses causes.

Ce qui explique l'écart : une adoption menée sans cadre

L'explication se trouve les conditions mêmes du déploiement. Dans la plupart des organisations, l'IA est entrée par la voie de l'expérimentation : on a confié des outils aux équipes en supposant qu'elles sauraient bien en tirer parti. Cette diffusion s'est faite sans véritable méthode, sans critères de qualité explicites, sans réflexion claire sur ce qui pouvait être délégué à la machine et ce qui devait lui échapper, et le plus souvent sans formation digne de ce nom.

Les conséquences se laissent facilement deviner. Privé de cadre, un collaborateur obtient des productions inégales, parfois erronées, qu'il lui faut ensuite reprendre. Il continue de s'appuyer sur l'outil parce qu'il rend service, tout en apprenant à s'en méfier. La défiance qui s'installe vise alors moins la technologie que des résultats décevants, obtenus dans des conditions qui ne pouvaient guère donner mieux.

Le même mécanisme s'observe bien au-delà du code. Qu'il s'agisse d'une équipe marketing produisant des contenus sans ligne directrice ou d'un service client automatisant ses réponses sans relecture, l'outil fonctionne, mais la qualité de ce qu'il produit reste imprévisible.

La confiance se construit en amont de l'outil

Si l'on suit ce fil, la confiance apparaît comme le dernier maillon d'une chaîne qui commence bien en amont : elle dépend des résultats obtenus, qui dépendent eux-mêmes de la méthode employée. Chercher à la restaurer en changeant d'outil, ou en attendant le modèle suivant, revient alors à traiter le symptôme sans toucher à la cause.

Ce qui fait réellement bouger les lignes relève plutôt de la gouvernance de l'usage. Le terme peut sembler technique, mais l'idée se transpose aisément pour un dirigeant : il s'agit de piloter un processus alimenté par l'IA comme on piloterait une chaîne de production. Encadrer un usage suppose en pratique quelques décisions concrètes :

• Découper le travail en étapes clairement identifiées.
• Préciser, pour chacune, ce que l'on attend en sortie et la façon de vérifier que le résultat tient la route.
• Déterminer à quel moment la machine doit rendre la main à un humain et sur quels critères, car c'est souvent à cet endroit que se décide la qualité finale et que les équipes décrochent lorsque le point reste flou.
• Assurer un suivi dans la durée.

Le cas de la production logicielle, que beaucoup de dirigeants connaissent au moins de loin, illustre bien la différence. Lorsqu'une équipe se contente de demander « à l'IA » de coder une fonctionnalité, le résultat reste largement aléatoire. Lorsqu'elle a structuré son processus, la démarche change de nature : un premier temps sert à cadrer le besoin fonctionnel avec des exigences précises, un deuxième à concevoir la solution technique, avant le développement puis la revue, chaque étape disposant de ses propres repères de qualité. La technologie employée est la même, mais les résultats n'ont plus rien de comparable. C'est précisément là que se creuse l'écart de confiance, entre les organisations qui ont pris le temps d'encadrer l'IA et celles qui l'ont laissée se diffuser sans cadre.

L'IA, un amplificateur de l'existant

Une image aide à comprendre ce déplacement : l'IA agit avant tout comme un amplificateur. Elle se greffe sur l'existant et accentue ce qui s'y trouve déjà. Une organisation qui sait identifier ses vrais problèmes, les hiérarchiser et produire un travail soigné en retire une accélération considérable. À l'inverse, une organisation dont les processus présentent des faiblesses les voit se renforcer, parce que tout va plus vite et que le volume produit finit par dépasser ce que des équipes humaines peuvent absorber.

Pour un dirigeant, la question utile n'est dès lors plus celle de la vitesse, désormais acquise, mais celle de la direction et de la qualité. Doubler la production d'un code médiocre ne fait, au fond, qu'accélérer l'accumulation de la dette. C'est aussi pourquoi la tentation de juger l'IA à son seul volume de production, au nombre de tickets traités ou de lignes livrées, conduit souvent à se méprendre : ces indicateurs renseignent sur une activité sans rien dire de la valeur réellement créée, et un comité de direction qui fonde sa stratégie IA sur eux finit par prendre l'agitation pour un résultat.

-> A lire aussi : Mesurer le ROI de l'IA : ce que votre board attend vraiment

L'enjeu se déplace vers l'exécution

Reste à mesurer le chemin parcouru. De ce point de vue, la prise de conscience progresse rapidement : un nombre croissant d'entreprises admettent que mettre un outil à disposition ne suffit pas et commencent à réfléchir à la manière de structurer son emploi. La difficulté s'est simplement déplacée vers l'aval. Transformer le constat qu'« il faut une méthode » en une méthode effectivement en place suppose un travail patient, qui consiste à examiner ses propres processus, à comprendre comment ils fonctionnent réellement, puis à décider ce qui peut être confié à la machine et selon quelles modalités. Beaucoup d'organisations en restent aujourd'hui à l'intention, et peu sont véritablement passées à l'exécution.

C'est sans doute là, davantage que dans l'accès à une technologie qui se banalise, que se dessinera l'écart entre les entreprises au cours des prochaines années : dans leur capacité à imposer une discipline à un outil qui, laissé à lui-même, amplifie les forces autant que les faiblesses.

FAQ

Pourquoi la confiance dans l'IA reste-t-elle faible malgré une forte adoption ?

Parce que l'adoption a précédé la méthode. Les équipes ont reçu des outils sans cadre d'usage, sans critères de qualité ni formation sérieuse, et obtiennent par conséquent des résultats irréguliers qu'elles doivent corriger, jusqu'à se méfier de ce qu'elles produisent. La défiance vise moins la technologie que l'expérience accumulée dans des conditions de déploiement insuffisantes. Lorsque l'usage est structuré, on observe généralement une remontée sensible de la confiance.

Comment améliorer l'adoption de l'IA en entreprise ?

L'amélioration passe par un changement de posture : aborder l'IA comme un processus à structurer plutôt que comme un outil que l'on distribue. Cela revient à découper les usages en étapes, à définir la qualité attendue à chaque sortie, à préciser le moment où un humain reprend la main et à suivre l'ensemble dans le temps. La formation des équipes pèse autant que le choix de l'outil. Un collaborateur qui sait ce qu'il peut déléguer et ce qu'il doit garder sous contrôle obtient des résultats fiables et retrouve confiance. C'est ce travail de cadrage, plus que la performance brute du modèle, qui fait la différence.

Faut-il attendre de meilleurs modèles avant de déployer l'IA ?

Non. Les modèles progressent en continu, mais l'écart de performance ne vient pas d'eux en premier lieu. Une organisation qui attend le « bon » modèle sans travailler ses processus retrouvera les mêmes déceptions avec la version suivante. Le chantier prioritaire reste la gouvernance de l'IA, bien avant la course au dernier modèle.

Quels indicateurs un dirigeant doit-il suivre pour piloter l'IA ?

Le volume produit, à lui seul, constitue un mauvais repère. Un tableau de bord centré sur le nombre de tickets traités ou de lignes de code livrées mesure surtout de l'activité et laisse de côté la valeur créée. Il est plus pertinent de suivre la qualité des productions, la part qui doit être reprise par des humains et l'effet concret sur les problèmes business jugés prioritaires. La question pertinente porte ainsi moins sur la rapidité que sur la direction empruntée et le niveau de qualité maintenu.

Pour aller plus loin sur la gouvernance de l'IA et son adoption, nous creusons régulièrement ce type de sujets dans notre newsletter : https://media.hones.fr/

‍