L’IA fonctionne. C’est votre entreprise qui la freine.

Eric Vaughan, PDG de l’éditeur de logiciels d’entreprise IgniteTech, a réservé tous les lundis à l’IA. Ce jour-là, ni appels clients ni travail sur les budgets : comme il l’a raconté à Fortune, « il fallait travailler uniquement sur des projets d’IA ». L’entreprise a financé des outils d’IA et des formations à la rédaction de consignes pour l’IA, a fait venir des experts extérieurs et, selon Vaughan, a consacré à cet effort 20 % de sa masse salariale. D’après Fortune, l’effort s’est heurté à une résistance massive. En un an environ, IgniteTech avait remplacé près de 80 % de ses salariés, selon les chiffres d’effectifs consultés par Fortune, et Vaughan est catégorique : ce n’est pas une recette à suivre. « Je ne le recommande absolument pas. » Son bilan de toute l’affaire : « Faire évoluer les mentalités a été plus difficile que d’ajouter des compétences. »

Vaughan disposait des outils, de la formation et d’un cinquième de sa masse salariale à dépenser, et le plus difficile restait malgré tout sa propre entreprise. La plupart des sociétés vivent une version plus discrète de la même situation.

Une explication répandue veut que la technologie ne soit pas encore prête. Le prochain modèle sera plus intelligent, la prochaine version se branchera sur vos systèmes : mieux vaut attendre. Cette explication est en grande partie fausse. Pour une bonne part du travail courant, les outils sont déjà suffisamment bons. Les études montrent ce qui distingue les entreprises qui en tirent de la valeur de celles qui restent bloquées au stade des projets pilotes, et l’essentiel se joue en interne. Trois éléments nous paraissent constituer le point de départ. Les dirigeants s’impliquent eux-mêmes au lieu de confier l’IA au service informatique. Une personne qui pilote réellement le travail en reçoit la responsabilité et, selon nous, le temps de s’en occuper. Enfin, l’entreprise mène un processus pénible jusqu’au bout, d’une démonstration qui fonctionne à peu près à un outil sur lequel on peut compter, un mardi ordinaire, quand personne ne surveille.

Les enquêtes ne mettent pas en cause le logiciel

Les études sont plus franches que les éditeurs. En octobre 2024, le Boston Consulting Group indiquait que 74 % des entreprises « n’ont pas encore démontré de valeur tangible de leur usage de l’IA ». Lorsque le BCG a fait le tri parmi les obstacles, il a attribué « environ 70 % » des difficultés aux personnes et aux processus, 20 % à la technologie et « seulement 10 % » aux algorithmes d’IA.

En 2025, un groupe de recherche du MIT a publié un rapport intitulé The GenAI Divide. Il constatait que seuls 5 % environ des projets pilotes d’IA étudiés produisaient des gains rapides de chiffre d’affaires, tandis que la plupart n’avaient « que peu ou pas d’impact mesurable » sur le compte de résultat, rapportait Fortune le 18 août 2025. Selon le résumé qu’en faisait Fortune, le vrai problème ne tenait pas à la qualité des modèles mais au « déficit d’apprentissage », celui des outils comme celui des organisations. Ce déficit joue dans les deux sens : des outils qui ne s’adaptent pas à la réalité du travail, et des entreprises qui ne modifient pas le travail pour l’adapter aux outils.

Le rapport State of AI de McKinsey, publié en mars 2025 à partir d’une enquête menée en juillet 2024, a passé en revue 25 pratiques d’entreprise pour déterminer lesquelles allaient de pair avec un effet de l’IA visible dans le résultat d’exploitation. La refonte des processus de travail avait « l’effet le plus important ». Pourtant, seuls 21 % des répondants dont l’organisation utilise l’IA générative déclaraient que celle-ci avait profondément repensé ne serait-ce qu’une partie de ses processus. Deux autres facteurs figurent sur la liste de McKinsey : le fait que le PDG supervise la gouvernance de l’IA, et le fait que les cadres dirigeants « montrent l’exemple dans l’usage de l’IA générative ».

Mises côte à côte, ces trois études racontent la même histoire. Ce qui fait la différence, c’est ce qui se passe après l’achat.

Le patron s’y met en premier

En avril 2025, Tobi Lütke, PDG de Shopify, a rendu publique une note interne indiquant que le réflexe de recourir à l’IA était désormais une « attente de base », qu’il serait pris en compte dans les entretiens d’évaluation et que, avant de réclamer des effectifs et des moyens supplémentaires, les équipes « doivent démontrer pourquoi elles ne peuvent pas obtenir ce qu’elles veulent en utilisant l’IA ».

La règle sur les effectifs est ce qui frappe le plus. Mais la phrase la plus utile concernait Lütke lui-même. Cette attente, précisait-il, « vaut pour moi comme pour tout le monde ».

Que le patron utilise lui-même les outils compte, car les décisions qui transforment un projet pilote en processus reviennent aux dirigeants. Quel poste change ? Quelle validation devient inutile ? Combien d’erreurs sont acceptables, et qui en répond ? Un dirigeant qui n’a jamais vu une IA se tromper de manière subtile ne peut pas trancher correctement. Soit il fait trop confiance à la démonstration, soit il ne lui fait aucune confiance. Alexander Sukharevsky, qui codirige la branche IA de McKinsey, le dit sans détour dans le rapport de mars : le réflexe des entreprises de confier le sujet au service informatique « encore et encore… se révèle être la recette de l’échec ».

Du temps pour ceux qui font le travail

Le deuxième élément, c’est le temps, et c’est selon nous celui sur lequel les entreprises se trompent le plus souvent. Des formations et une journée hebdomadaire consacrée à l’IA pour tout le personnel, c’est une chose. Libérer une partie de la semaine de la personne qui gère le traitement des factures, pour qu’elle prenne en charge un processus jusqu’à ce qu’il fonctionne, en est une autre. Vaughan a acheté la première, à grands frais, et n’a récolté que de la résistance.

Le second type de temps sert à financer un travail ingrat qu’aucune formation n’aborde : traquer les cas où l’outil se trompe, mettre par écrit des règles que l’équipe a toujours gardées en tête, décider où vont les exceptions. Un projet pilote qui repose sur les heures perdues d’un passionné, selon nous, va généralement jusqu’à la démonstration et s’arrête là.

Encore faut-il que ce soit le temps de la bonne personne. D’après le compte rendu du rapport du MIT publié par Fortune, l’un des facteurs clés de réussite consistait à « donner aux responsables opérationnels — et pas seulement aux laboratoires d’IA centraux — les moyens de piloter l’adoption ». La personne qui gère le traitement des factures sait quels fournisseurs envoient toujours le mauvais numéro de référence. L’équipe IA du siège, non.

De la démonstration à un processus fiable

Le troisième élément est le plus difficile. Aditya Challapally, auteur principal du rapport du MIT, a expliqué pourquoi certaines jeunes pousses de l’IA réussissaient : « elles s’attaquent à un seul problème et le traitent bien ».

Klarna, la société suédoise de paiement fractionné, illustre à la fois l’écart et ce que signifie s’y attaquer. En février 2024, elle annonçait que son assistant IA avait traité 2,3 millions de conversations au cours de son premier mois, soit l’équivalent du travail de 700 conseillers à temps plein. En mai 2025, son PDG, Sebastian Siemiatkowski, déclarait à Bloomberg que les robots conversationnels coûtaient moins cher mais offraient une « qualité inférieure », et que les clients devaient savoir qu’« il y aura toujours un humain si vous le souhaitez ».

Cela ressemblait à un revirement. Les chiffres communiqués par Klarna à Fortune en août 2025 racontent une histoire plus modeste. Son sous-traitant n’avait réembauché « que deux personnes », pour un projet pilote associant des employés hautement formés à l’IA.

Le logiciel a donc continué d’en faire toujours plus. Ce qui a changé, c’est l’organisation autour de lui. Le PDG a affirmé publiquement que les clients peuvent toujours joindre une personne s’ils le souhaitent. En août 2025, l’entreprise testait, avec deux réembauches, si des personnes formées travaillant aux côtés du robot font mieux. Et une entreprise qui vantait autrefois le nombre de conseillers que son IA pouvait remplacer a depuis entendu son PDG déclarer à Bloomberg qu’« investir dans la qualité de l’assistance humaine est la voie de l’avenir ». Klarna n’avait pas achevé ce travail : en août 2025, l’association entre humains et IA n’était qu’un projet pilote à deux personnes. Mais c’est le bon type de travail : non pas attendre un meilleur modèle, mais décider où la machine s’arrête.

L’objection : il suffit d’attendre de meilleurs modèles

L’argument le plus solide contre cette thèse est le suivant. Les modèles se sont améliorés, et une partie de ce qui peinait au lancement fonctionne mieux aujourd’hui ; Klarna le dit elle-même de son assistant. Si les outils continuent de progresser, le plus habile serait peut-être de laisser les autres mener la pénible refonte et d’acheter le produit fini plus tard. Les propres chiffres du MIT vont en partie dans ce sens : acheter auprès d’éditeurs spécialisés et nouer des partenariats avec eux réussissait dans environ 67 % des cas, rapportait Fortune, et les développements internes environ trois fois moins souvent. Les enquêtes méritent en outre un certain scepticisme. Elles reposent sur ce que les cadres disent de leur propre entreprise et, de l’aveu même de McKinsey, les 25 facteurs réunis n’expliquent qu’une partie des écarts de performance entre entreprises.

Une partie de ces arguments est juste. Des outils qui n’apprennent pas des retours qu’on leur fait constituent une vraie limite technique, et les chercheurs du MIT le reconnaissent. Acheter est souvent plus sage que développer soi-même. Mais même un outil acheté doit trouver sa place dans un processus dont quelqu’un a la charge, avec quelqu’un qui décide du sort des cas où il se trompe. Un meilleur modèle ne réécrira pas votre circuit de validation et ne vous dira pas quels clients doivent toujours pouvoir joindre une personne. C’était une décision que Klarna devait prendre, pas une fonctionnalité qu’elle pouvait attendre. Et l’avance se cumule. Une entreprise qui a mené un processus de la démonstration à la fiabilité a découvert où ses propres règles n’avaient jamais été écrites, et aucune mise à jour logicielle n’apporte cela.

Ce qui change

Si ce raisonnement est juste, la question pour le budget de l’an prochain n’est pas de savoir quel outil acheter. Il y a en réalité trois questions. Avez-vous utilisé l’IA pour votre propre travail ce mois-ci ? Qui, nommément, a la charge d’un processus, avec du temps libéré dans sa semaine pour le faire fonctionner ? Et quel processus pénible allez-vous mener jusqu’au bout, pour que, dans un an, un mardi ordinaire, les cas courants passent sans que personne ne les vérifie, que les cas atypiques arrivent sur le bureau d’une personne désignée, et que quelqu’un contrôle chaque mois si les clients ont reçu de moins bonnes réponses ?

Consacrez une moindre part du budget IA de l’an prochain aux licences, et davantage au temps d’une personne et à un processus mené à terme. Pour une bonne part du travail courant, le logiciel est prêt. C’est votre entreprise qu’il attend.