Près de neuf entreprises sur dix utilisent l’IA, une minorité l’a mise à l’échelle
Dans l’enquête mondiale publiée par McKinsey le 5 novembre 2025, 88 % des répondants déclarent que leur organisation utilise régulièrement l’IA dans au moins une fonction, contre 78 % un an plus tôt. Près des deux tiers indiquent pourtant que leur organisation n’a pas encore commencé à déployer l’IA à l’échelle de l’entreprise.
Ces deux chiffres ne se contredisent pas, ils ne mesurent simplement pas la même chose. Le premier compte les organisations où l’IA est entrée quelque part, dans une équipe, sur un poste, pour une tâche. Le second compte celles qui l’ont installée dans leur fonctionnement courant. Un troisième chiffre de la même enquête referme la démonstration : 39 % seulement des répondants constatent un effet de l’IA sur le résultat d’exploitation au niveau de l’entreprise. La diffusion de l’outil est donc presque acquise, sa traduction en résultat ne l’est pas du tout.
Donner accès à l’IA et l’intégrer au travail sont deux exercices différents. Le premier se règle par un contrat et une distribution de licences. Le second suppose de savoir quelles tâches changent, qui les exécute aujourd’hui, ce qui remplace l’ancienne façon de faire et comment on vérifie que le résultat tient. Une entreprise peut équiper des milliers de collaborateurs et n’obtenir presque aucune transformation, sans que personne ne se soit trompé sur le choix de l’outil.
Le Work Trend Index 2026 de Microsoft, conduit entre février et avril 2026 auprès de 20 000 actifs qualifiés utilisant l’IA dans dix pays, situe assez précisément l’endroit où cette différence se joue. Les facteurs organisationnels, culture, soutien du manager, pratiques de gestion des talents, expliquent plus du double de l’impact déclaré par rapport aux facteurs individuels de posture et de comportement (67 % contre 32 %). Le rapport relève d’ailleurs qu’environ un utilisateur sur dix se trouve dans la situation inverse de celle que l’on redoute d’ordinaire : compétent, mais dans une organisation qui n’a pas suivi. Ces proportions décrivent des associations mesurées sur déclarations, pas un effet causal isolé, mais elles pointent constamment dans la même direction.
Accès, adoption et transformation ne se mesurent pas de la même façon
Confondre ces trois niveaux est l’erreur la plus fréquente dans le pilotage d’un déploiement, parce qu’ils apparaissent sur le même tableau de bord et progressent à des rythmes très différents.
Niveau 1, l’accès
Les collaborateurs disposent de ChatGPT, Gemini, Copilot ou d’un assistant interne. C’est une condition nécessaire, et le seul niveau qu’une décision d’achat suffise à atteindre. Il s’obtient en quelques semaines et ne prouve rien : une licence attribuée n’est pas une licence utilisée, et une licence utilisée n’est pas un travail qui a changé.
Niveau 2, l’adoption
L’adoption commence quand un collaborateur utilise l’outil pour des tâches réelles et récurrentes, et non pour des essais isolés. Elle suppose quatre acquis que la pratique seule apporte mal. Savoir quand recourir à l’IA, c’est-à-dire reconnaître les tâches où elle apporte quelque chose et celles où elle fait perdre du temps. Savoir formuler une demande exploitable, en fournissant le contexte dont le modèle ne dispose pas. Savoir vérifier une sortie, ce qui suppose de connaître les erreurs typiques de l’outil sur ce type de tâche précis. Savoir enfin ce que l’entreprise autorise, en particulier sur les données que l’on peut soumettre. Ces quatre acquis relèvent du métier autant que de l’outil, et c’est exactement ce qu’une formation générique couvre mal.
Niveau 3, la transformation
Au troisième niveau, l’IA ne s’ajoute plus à côté du processus, elle en modifie le déroulé : des étapes disparaissent, d’autres changent de main, le point de contrôle se déplace. C’est le niveau le plus rare, et celui où se concentre la création de valeur. L’enquête McKinsey publiée en mars 2025, menée en juillet 2024 auprès de près de 1 500 répondants, identifie la refonte des workflows comme le changement organisationnel le plus fortement associé à un impact sur le résultat d’exploitation attribuable à l’IA générative. Elle constatait dans le même temps que 21 % seulement des répondants utilisant l’IA générative déclaraient que leur organisation avait fondamentalement redessiné au moins certains workflows.
L’enquête de novembre 2025 retrouve la même ligne de partage sur un terrain plus récent. Les organisations qui attribuent à l’IA plus de 5 % de leur résultat d’exploitation et déclarent en tirer une valeur significative, environ 6 % des répondants, sont près de trois fois plus nombreuses que les autres à avoir refondu en profondeur leurs processus au moment du déploiement (55 % contre environ 20 %). Cette corrélation ne dit pas dans quel sens joue le mécanisme, et il joue probablement dans les deux : les organisations qui obtiennent des résultats ont les moyens d’aller plus loin, celles qui vont plus loin obtiennent de meilleurs résultats. Elle indique en revanche assez nettement où regarder quand un déploiement ne produit rien.
Pourquoi la distribution de licences produit peu de transformation
« Utilisez l’IA »est une consigne, pas une stratégie d’adoption. Elle laisse au collaborateur le travail le plus difficile, celui de traduire une injonction générale en gestes concrets sur son propre poste. Cette traduction est coûteuse, elle échoue souvent, et elle produit surtout des usages périphériques : reformuler un courriel, résumer un document, c’est-à-dire les tâches où le bénéfice est immédiat mais faible.
Un cas d’usage exploitable se reconnaît à ce qu’il nomme une tâche identifiée, sa fréquence, ce que l’IA produit et comment on vérifie ce qu’elle produit. Un commercial n’a pas besoin qu’on lui explique la personnalisation : il a besoin de savoir que la préparation d’un rendez-vous peut s’appuyer sur une synthèse automatique de l’historique du compte, et à quelles conditions cette synthèse est fiable. Une équipe produit n’a pas besoin d’une formation à l’analyse de feedback : elle a besoin d’un protocole qui précise quel corpus de verbatims est traité, quelle sortie est attendue et qui relit. Le service client, les ressources humaines ou le juridique posent la même exigence sur des tâches différentes. L’adoption se construit à ce niveau de granularité, pas au niveau de l’outil, et c’est pour cette raison qu’elle ne se délègue pas entièrement à une équipe centrale.
La formation générique atteint vite ses limites
Comprendre ce qu’est un modèle de langage et comment formuler une demande reste utile, ne serait-ce que pour dissiper les deux représentations les plus coûteuses : celle d’un outil qui sait tout, et celle d’un outil qui ne sert à rien. Mais une session sans prolongement métier produit un profil d’usage caractéristique, un pic dans les jours qui suivent puis un retour au niveau antérieur, parce que rien dans le travail quotidien n’oblige à réessayer.
Le déficit de formation, lui, est documenté de longue date. Le Work Trend Index publié par Microsoft et LinkedIn le 8 mai 2024 relevait que 39 % seulement des personnes utilisant l’IA au travail avaient reçu une formation de leur entreprise. Deux ans plus tard, l’édition 2026 montre que le sujet s’est déplacé sans se résoudre : 26 % des utilisateurs interrogés estiment que leur direction est clairement et constamment alignée sur l’IA, et 13 % seulement déclarent être reconnus pour avoir réinventé leur façon de travailler avec l’IA lorsque les résultats immédiats ne suivent pas. Une organisation qui demande de changer ses méthodes tout en ne récompensant que la performance de court terme envoie deux instructions contradictoires, et c’est la seconde qui l’emporte.
Un réseau de relais ne vaut que par son animation
Dans une organisation de plusieurs milliers de personnes, aucune équipe centrale ne peut identifier les cas d’usage de chaque métier. C’est un problème de connaissance avant d’être un problème de moyens : l’information utile, la tâche pénible, le contournement déjà en place, la contrainte réglementaire locale, se trouve dans les équipes. Un réseau de relais métier sert à faire remonter cette information et à redescendre les pratiques qui fonctionnent ailleurs, pour éviter que chaque équipe refasse le même apprentissage.
Le rôle du management direct apparaît dans les mêmes données. Les utilisateurs qui cumulent usage avancé, refonte régulière de leurs façons de faire et pratiques partagées, soit 19 % des utilisateurs interrogés dans le Work Trend Index 2026, déclarent bien plus souvent que les autres que leur manager utilise ouvertement l’IA (85 % contre 64 %). L’écart est une association, pas une preuve, mais il est cohérent avec ce que l’on observe sur le terrain : un collaborateur essaie plus volontiers ce qu’il voit pratiquer au-dessus de lui.
Un programme d’ambassadeurs échoue rarement sur son principe, il échoue sur son entretien. Nommer des relais sans leur donner du temps, un rythme de rencontre, des objectifs et un canal de remontée revient à produire une liste de noms. La question à trancher avant de lancer un tel réseau n’est donc pas de savoir qui en fera partie, mais ce qui se passe concrètement quand un relais remonte un blocage : qui le traite, en combien de temps, et comment le relais l’apprend.
Mesurer autre chose que les connexions
Le nombre d’utilisateurs actifs est le premier indicateur disponible et le plus trompeur, parce qu’il progresse précisément pendant la période où l’on ne sait encore rien. Une grille utile se lit comme une échelle : chaque niveau suppose le précédent, et aucun n’autorise à conclure sur le suivant.
| Niveau | Indicateur type | Ce qu’il ne dit pas |
|---|---|---|
| Accès | Collaborateurs équipés d’une licence. | Rien de ce qui est fait de l’outil. |
| Usage | Utilisateurs actifs et fréquence d’utilisation. | Ni les tâches concernées, ni l’utilité du résultat. |
| Cas d’usage | Usages métier documentés et réellement pratiqués. | Rien sur la qualité de ce qui est produit. |
| Qualité | Taux de réussite de la tâche, reprises nécessaires, satisfaction. | Rien sur le gain net une fois la vérification comptée. |
| Impact | Temps, coût ou qualité mesurés sur le processus concerné. | Rien sur la durabilité du gain si le processus reste inchangé. |
| Transformation | Processus dont le déroulé a été modifié, et part d’activité couverte. | Rien sur la robustesse du nouveau processus, qui reste à éprouver. |
Cette distinction évite de confondre la consommation d’un outil avec la création de valeur, et elle a un intérêt pratique immédiat : elle indique à quel étage un déploiement se bloque. L’enquête McKinsey de mars 2025 place d’ailleurs le suivi de KPI clairement définis pour les solutions d’IA générative parmi les pratiques les plus fortement associées à un impact déclaré sur le résultat d’exploitation, tout en constatant que moins d’un répondant sur cinq déclarait suivre ces indicateurs. L’écart entre ce que les organisations identifient comme déterminant et ce qu’elles font effectivement est, ici encore, la donnée la plus instructive.
Ce qui distingue une démarche qui tient dans le temps
Une démarche d’adoption robuste ne se déroule pas linéairement, elle boucle. Elle part des irritants exprimés par les équipes plutôt que du catalogue de fonctionnalités de l’outil, teste sur un périmètre volontairement réduit, mesure l’usage et la qualité obtenue avant d’élargir, puis forme à partir des situations réelles observées pendant ce test. Les cas qui ont produit un résultat sont ensuite diffusés, et eux seuls : la valeur d’un partage tient à ce qu’il évite une erreur ou fasse gagner du temps, pas à son volume.
Deux mesures encadrent cette boucle, et c’est ce qui la rend exigeante. La première établit un point de départ avant l’expérimentation, faute de quoi tout gain restera invérifiable. La seconde intervient après l’industrialisation, une fois l’IA intégrée au workflow, et répond à la seule question qui compte : l’usage installé s’est-il traduit en résultat ? C’est aussi l’étape la plus souvent sautée, parce qu’elle est la seule qui puisse infirmer la décision initiale. L’industrialisation suppose par ailleurs ses propres prérequis techniques, détaillés dans notre décryptage sur le passage du POC à la production, et un cadre d’usage explicite, dont nous décrivons les mécanismes dans notre décryptage sur la gouvernance des agents IA.
Quand le problème n’est plus l’adoption mais le processus
À partir d’un certain niveau de maturité, la question qui structure les plans d’adoption cesse d’être la bonne. Chercher comment faire utiliser davantage l’IA revient à optimiser l’usage d’un outil à l’intérieur d’une organisation du travail conçue sans lui. La question suivante est d’un autre ordre.
« Comment devrions-nous organiser ce processus maintenant que l’IA existe ? »
Le déplacement paraît minime, il change pourtant tout ce qui suit. La première question conduit à ajouter un assistant à chaque poste de travail existant. La seconde conduit à examiner un processus dans son ensemble, à repérer les étapes qui n’existaient que pour compenser une contrainte désormais levée, et à décider ce qui reste sous décision humaine. C’est le mécanisme que nous décrivons pour les équipes techniques dans le déplacement du goulot d’étranglement, où accélérer la production de code sans revoir l’étape de relecture ne fait pas gagner de temps mais déplace la file d’attente.
Cette bascule a un coût, et le passer sous silence serait malhonnête. Repenser un processus engage plus de monde qu’un déploiement d’outil, touche à des responsabilités établies et se compte en mois plutôt qu’en semaines. C’est précisément pourquoi elle se déclenche sur des gains démontrés, processus par processus, et non sur une intention générale de transformation.
À retenir
Le taux d’activation d’une licence ne mesure pas une transformation. L’objectif n’est pas que les collaborateurs utilisent l’IA, mais qu’ils sachent où elle améliore réellement leur travail, et que l’entreprise adapte ses processus là où les gains sont démontrés. L’essentiel de ce travail est organisationnel plutôt que technique : des cas d’usage proches du métier, une formation ancrée dans des situations réelles, des relais réellement animés, et une mesure qui ne confond pas l’usage avec la valeur. C’est à ce moment que l’adoption devient transformation.
