La promesse de productivité de l'IA est conditionnelle

Voici un chiffre qui m'a frappé quand je l'ai vu passer. Dans les directions financières d'entreprises américaines, le taux d'erreurs remontées sur les sorties IA est passé de 80 % à 35 % entre juillet et décembre 2025. Une chute impressionnante. La raison invoquée n'est pas que les modèles se sont améliorés mais tout simplement que les humains ont appris à mieux s'en servir. Un meilleur cadre, davantage de contexte, un vrai travail de définition des process. Et les erreurs s'effondrent.

Ce résultat dit quelque chose d'essentiel sur l'IA en entreprise, quelque chose qu'on a tendance à négliger dans l'enthousiasme des annonces : l'outil ne fait pas le travail tout seul. La promesse de productivité est réelle mais elle est conditionnelle.

J'accompagne régulièrement des équipes et des dirigeants dans leur adoption de l'IA. La phrase que j'entends le plus souvent : "on va libérer du temps grâce à ça". Elle n'est pas fausse, pour certains types de tâches, dans certaines conditions. Pour autant, une étude menée pendant huit mois par les chercheuses Aruna Ranganathan et Xingqi Maggie Ye de l’Université de Californie à Berkeley sur 200 salariés d'une entreprise tech, documente quelque chose de plus nuancé : loin de réduire la charge de travail, l'IA l'intensifie. Les chercheuses décrivent ce phénomène comme une "dilatation des tâches". On fait plus, on va plus vite, mais les frontières entre les sujets s'élargissent et le multitâche s'accroît. Quand un outil permet de produire un brouillon en quelques secondes, l'attente de l'organisation s'ajuste mécaniquement. Les cycles de révision se multiplient et le temps passé à vérifier les sorties IA s'ajoute au flux existant sans rien en retirer.

Avant de promettre à ses équipes qu'on va "gagner du temps grâce à l'IA", cette nuance mérite d'être intégrée.

Le prérequis que tout le monde sous-estime : la donnée

Avant même de parler d'outil ou de formation, il y a une question qui conditionne à peu près tout : est-ce que vos données sont exploitables ?

L'adage garbage in, garbage out est ancien dans le monde de l'informatique. Il n'a pas pris une ride avec l'IA générative. Selon les études sur les projets IA en entreprise, 61 % des échecs en phase de prototypage sont directement liés à des données inadéquates : des silos mal connectés (ERP, CRM, fichiers Excel locaux), des formats hétérogènes, des données incomplètes ou non tracées. Entre 60 et 80 % des projets IA ne parviennent jamais à la phase de production. Un chiffre qu'on retrouve rarement dans les présentations de vente des éditeurs de solutions IA, je me demande bien pourquoi.

Le cas JPMorgan Chase mérite qu'on s'y arrête. En deux ans et demi, la banque est passée de zéro à plus de 60 % de ses employés utilisant activement leur suite IA interne, sans aucun mandat, sans obligation : une adoption organique que leurs propres équipes n'avaient pas anticipée.

Ce qui les a distingués ? Pas le choix du modèle. Dès le départ, leur directeur analytics Derek Waldron a pris un pari: les modèles allaient se commoditiser. Le véritable enjeu, le seul avantage défendable, c'était la connectivité autour du système. Ils ont donc construit leur plateforme autour d'un principe unique : relier l'IA aux données CRM, RH, trading, finance et risque de l'entreprise. Un RAG multimodal qui en est aujourd'hui à sa quatrième génération, enrichi de nouveaux connecteurs chaque mois.

Comme l’explique Derek Waldron : même si la superintelligence arrivait demain, elle n'aurait aucune valeur si elle ne pouvait pas se connecter aux systèmes, aux données et aux processus qui existent dans l'entreprise. L'IA sans ancrage opérationnel reste un bel objet. Utile en démo, invisible en production.

En parallèle, cartographier les processus est une étape que beaucoup d'équipes veulent sauter. La cartographie de process est fastidieuse, elle prend du temps et on a souvent l'impression de connaître ses propres flux de travail. Sauf que décrire ce qu'on fait vraiment, plutôt que ce qu'on pense faire, révèle presque toujours des incohérences et des dépendances qu'on n'avait pas anticipées. L'IA amplifie ce qu'elle trouve. Si le process est flou, le résultat le sera aussi.

Ce que les outils font (et ne font pas)

Les modèles d'IA ne sont pas fiables de manière homogène. Ils hallucinent, confondent des faits, produisent des textes plausibles mais parfois inexacts. Notre newsletter (Le Brief IA de Joynt) documentait fin 2025 ce que certains commencent à appeler la "dette qualitative" : des contenus et des décisions qui ont l'air justes sans l'être, qui s'accumulent silencieusement dans les livrables d'une équipe. Le mécanisme est insidieux parce qu'il ne se voit pas immédiatement. On entre dans la vibe era : quand l'IA produit vite, la valeur humaine ne vient plus de la compétence technique mais du jugement pour dire si "ça tient la route". Et le jugement, ça ne se scale pas tout seul.

Le cas du Washington Post est emblématique. Le journal a lancé en 2025 des podcasts générés par IA qui inventaient des citations. Personne n'avait vérifié : une affaire dévastatrice pour la réputation d’un média. C'est un exemple parmi beaucoup d'autres de ce qui arrive quand on confond vitesse de production et fiabilité de l'output.

Il y a aussi un phénomène moins visible. Une étude récente (2026, Université de San Diego) a analysé des interfaces générées par des outils IA et constaté que 55,8 % d'entre elles contenaient au moins un "dark pattern" : bouton "Accepter" en couleur vive, bouton "Refuser" quasi invisible, cases pré-cochées. Personne ne les avait demandés mais l'IA les a générés par défaut, parce que le web lui a appris que la manipulation convertit. L'IA n'a aucune intention là-dedans ; elle reproduit ce qu'elle a appris. La responsabilité revient entièrement aux équipes qui n'ont prêté attention ni aux biais de l’entraînement des modèles ni au résultat livré par l’IA.

Les outils censés booster la productivité grâce à l'IA ne remplacent pas le jugement humain. Ils le sollicitent autrement et souvent bien davantage.

Le vrai chantier : la transformation organisationnelle

C'est là que se joue, à mon sens, l'essentiel.

Introduire l'IA en entreprise pour gagner en productivité ne modifie pas seulement les outils. Cela modifie les flux de travail, les responsabilités et même la nature de ce qu'on attend des collaborateurs. Selon les études en conduite du changement, 9 projets IA sur 10 échouent pour des raisons humaines.

28 % des actifs français se sentaient "dépassés" par l'IA en juin 2025, selon un sondage Ipsos. Quand un salarié entend "on va intégrer l'IA dans ton poste", sa première réaction n'est pas "super, je vais gagner du temps". C'est plutôt "est-ce qu'on va encore avoir besoin de moi ?". Une réaction normale, prévisible. La négliger est une erreur managériale.

Les données sur ce point sont assez parlantes. Les entreprises qui procèdent par phases constatent 65 % moins de résistance que celles qui tentent un déploiement global d'un coup. Les équipes formées pendant plus de vingt heures à l'IA montrent une productivité supérieure de 40 % par rapport à celles qui ont suivi des formations express. La formation est probablement le levier le plus sous-estimé de la transformation IA en entreprise tout simplement parce que vingt heures de pratique réelle changent le rapport à l'outil d'une façon qu'un webinaire d'une heure ne fait pas.

Il y a aussi la question du rôle managérial. L'IA change ce que les managers doivent faire : moins de supervision des livrables que l'IA accélère, plus d'attention à la qualité, à la cohérence des outputs, à la culture de vérification. L'exemple de Decathlon est instructif : leur programme de déploiement IA en matière de RH s'étale sur quatre ans. Pas sur quatre mois. Parce que changer la manière dont on cartographie les compétences, dont on prépare les entretiens annuels, dont on anticipe le turnover ne se règle pas avec une annonce et un abonnement.

À l'inverse, regardez ce qui se passe quand on veut aller trop vite et trop fort. Parmi 200 projets IA analysés dans un baromètre publié fin 2025, les projets dotés de budgets à 100 000 euros échouent plus souvent que ceux à 10 000 euros. Dans la plupart des entreprises, l'ambition de déployer l'IA ne manque pas. En revanche, la discipline dans la priorisation des cas d'usage fait souvent défaut.

Les questions éthiques qu'on ne peut pas esquiver

Plusieurs dimensions méritent d'être anticipées plutôt que subies.

La surveillance des employés, d'abord. Meta a annoncé qu'elle allait enregistrer les frappes clavier, mouvements de souris et clics de ses propres salariés américains pour entraîner ses modèles IA. Le RGPD bloque cela en Europe, pour l'instant. La frontière entre "améliorer l'outil" et "surveiller les collaborateurs" est mince, et elle mérite d'être posée explicitement dans toute politique de déploiement IA.

Les biais et les inégalités, ensuite. Les femmes ne représentent qu'environ 22 % des professionnels de l'IA, ce qui influence la manière dont les systèmes sont conçus et entraînés. Dans les métiers administratifs et de support, souvent à majorité féminine et fortement exposés à l'automatisation, le risque d'amplification des inégalités existantes est documenté. Un sujet de gouvernance concrète, davantage qu'une préoccupation théorique.

Il y a aussi ce que j'appellerais la question identitaire. 41 % des moins de 35 ans ressentent une forme de gêne ou de honte quand ils reçoivent des félicitations pour un travail largement produit par l'IA. 23 % ne savent plus si une idée vient d'eux ou de la machine. Certains salariés ont même développé en interne des outils IA pour anticiper les réactions de leur dirigeant à certaines décisions. Je ne sais pas si c'est ingénieux ou inquiétant. Probablement les deux.

Enfin, l'empreinte carbone des usages IA n'est pas négligeable. Certaines entreprises, comme Spie, commencent à l'afficher directement dans leurs interfaces. C'est encore minoritaire, mais l'angle va progressivement s'imposer dans les discussions RSE et dans les attentes des clients.

Ce que ça change concrètement

Je reviens au chiffre du début, mais en le lisant autrement. Si le taux d'erreurs dans les directions financières a chuté de moitié en six mois, non pas parce que les modèles se sont améliorés mais parce que les équipes ont appris à s'en servir, cela dit quelque chose d'assez simple : le vrai sujet n'est pas technologique. Il ne l'a probablement jamais été.

Quand on accompagne des entreprises dans ce type de projets, on s’aperçoit que les obstacles sont presque toujours les mêmes. Une base de données qu'on n'a jamais eu le courage de nettoyer. Des process qu'on n'a jamais pris le temps de cartographier. Des managers qu'on n'a pas préparés à expliquer à leurs équipes en quoi leur travail va changer. Des questions éthiques repoussées à "plus tard" parce qu'il fallait aller vite.

L'IA ne crée pas ces problèmes. Elle les révèle, avec une franchise assez brutale. Et dans les entreprises que j'observe, celles qui en tirent vraiment parti avaient presque toutes fait ce travail en amont.

On commence par déployer de l’IA et finalement on découvre sa propre organisation. Mieux vaut le savoir dès le début.

Pour aller plus loin, retrouvez notre article sur les retours d'expérience et les résultats mesurés de l'IA en entreprise.