Il y a quelques semaines, j’ai échangé avec des collaborateurs d’une grande organisation internationale. Une organisation dont la donnée n’est pas un sous-produit : c’est la matière première, l’actif stratégique. Ils voulaient comprendre ce qu’est un LLM. Pas en acheter un. Pas en déployer un. Comprendre. Ce qu’il fait, ce qu’il ne fait pas, ce qu’on peut raisonnablement lui confier.
Leur direction déploie de l’IA depuis des mois et communique volontiers sur son avant-gardisme numérique. Personne n’avait pris le temps de les acculturer. Ni séminaire, ni socle commun, ni cadre d’usage. Rien.
J’en suis resté stupéfait. Puis je me suis souvenu que je n’aurais pas dû l’être : cette scène, les études la photographient partout, dans toutes les langues, avec une constance qui devrait faire honte.
L’équation inversée : 10-20-70
Commençons par le chiffre qui devrait être affiché dans chaque comité exécutif. Selon les analyses du Boston Consulting Group, la valeur créée par l’IA se décompose ainsi : 10 % vient des algorithmes, 20 % de la technologie et des données, 70 % des personnes, des processus et de la conduite du changement.
Relisez. 70 % de la valeur est humaine et organisationnelle.
Maintenant, regardez où va l’argent : licences, infrastructure, intégrateurs, démonstrateurs (POC). Les organisations investissent exactement dans l’ordre inverse de la courbe de valeur. Puis elles s’étonnent que leurs pilotes finissent au cimetière des expérimentations.
Ce cimetière a été cartographié. L’étude The GenAI Divide du MIT (initiative NANDA, 2025) a produit le chiffre le plus commenté de l’année : 95 % des pilotes d’IA générative en entreprise ne produisent aucun impact mesurable sur le compte de résultat. La méthodologie de ce chiffre a été discutée — échantillon, définition de l’échec — et c’est de bonne guerre. Mais le diagnostic causal, lui, n’a été contesté par personne : le problème n’est pas la qualité des modèles. C’est ce que les auteurs nomment le learning gap, le déficit d’apprentissage — des outils par les humains, et des organisations par elles-mêmes.
Le symptôme le plus délicieux de cette étude mérite qu’on s’y arrête : dans plus de 90 % des entreprises étudiées, les salariés utilisent des outils d’IA personnels, non déclarés, pendant que les pilotes officiels agonisent en réunion de pilotage. Une véritable économie de l’IA fantôme. Autrement dit : les collaborateurs ne résistent pas à l’IA. Ils résistent aux déploiements qui les ignorent. Nuance capitale.
Le tour du monde d’un même aveu
L’article du Monde Informatique qui a déclenché cette réflexion s’appuie sur l’étude People Readiness 2026 de Kyndryl (1 100 dirigeants, huit pays) : 57 % des entreprises déclarent avoir largement intégré l’IA à leurs processus, mais seuls 23 % des dirigeants estiment leur organisation capable de la soutenir à grande échelle. Près de 80 % admettent que le rythme d’adoption risque de dépasser leur capacité à adapter effectifs, gouvernance et modèle opérationnel. On déploie d’abord, on s’inquiète ensuite.
Kyndryl isole un groupe de 9 % de « précurseurs » qui ont fait l’inverse : préparer les collaborateurs, redéfinir les rôles et les processus avant de généraliser. Résultat : 1,5 fois plus de croissance de revenus attribuable à l’IA, 1,6 fois plus de résultats d’innovation. Le DRH de Kyndryl résume : les dirigeants qui prennent de l’avance sont ceux qui « alignent les compétences, les rôles et les processus de décision » sur l’évolution réelle du travail.
On pourrait objecter qu’un fournisseur de services prêche pour sa paroisse. Alors élargissons le spectre — et changeons de langue à chaque paragraphe.
À Paris, le rapport AI at Work 2025 du BCG (10 635 salariés, 11 pays) : seuls 28 % des salariés français estiment avoir reçu une formation suffisante à l’IA, et 12 % — douze — jugent recevoir des directives claires de leur hiérarchie sur son usage. Le même rapport livre la statistique la plus actionnable de toute cette littérature : au-delà de cinq heures de formation, 79 % des salariés deviennent des utilisateurs réguliers. Cinq heures. Le ticket d’entrée de l’adoption ne se compte pas en millions d’euros, il se compte en heures de calendrier qu’on refuse de bloquer.
À Berlin, le Bitkom constate qu’un actif sur cinq seulement a été formé à l’IA dans le cadre professionnel. Détail piquant : l’article 4 du règlement européen sur l’IA impose depuis février 2025 une obligation de maîtrise de l’IA pour le personnel qui l’utilise. Ne pas former ses équipes n’est donc plus seulement une faute de gestion. C’est une non-conformité.
À Milan, l’Osservatorio du Politecnico : 76 % des PME italiennes n’ont ni investi ni prévu d’investir dans l’IA, et 7 % seulement ont lancé des programmes structurés de formation. Son directeur, Claudio Rorato, le dit sans détour : le retard le plus préoccupant n’est pas dans l’adoption de la technologie, mais dans la capacité à se préparer à son emploi. Une entreprise ne passe pas de l’école primaire à l’université en une nuit.
À Madrid, la patronale DigitalES relève que les entreprises espagnoles disposent de plus d’un milliard d’euros de fonds de formation bonifiée — et que les formations les plus consommées n’ont rien à voir avec la technologie. L’argent existe. La volonté de le pointer vers l’essentiel, non.
À Genève, le Future of Jobs Report 2025 du Forum économique mondial (plus de 1 000 employeurs, 55 économies) : 63 % des employeurs citent le déficit de compétences comme le premier obstacle à leur transformation — devant la réglementation, devant le financement. Sur 100 travailleurs, 59 auront besoin d’une montée en compétences d’ici 2030 ; 11 ne la recevront probablement jamais. Plus de 120 millions de personnes poussées vers la sortie, faute d’un plan de formation.
À l’OCDE enfin, une précision qui démolit la dernière excuse : moins de 1 % des travailleurs exposés à l’IA ont besoin de compétences IA avancées. La masse a besoin de littératie numérique, de capacité à interpréter des données, de jugement critique. Personne ne demande de transformer les comptables en data scientists. On demande de leur expliquer l’outil qu’on a posé sur leur bureau.
Sept écosystèmes. Cinq langues. Un seul diagnostic. Quand Washington, Paris, Berlin, Milan, Madrid, Genève et le château de la Muette disent la même chose sans s’être concertés, ce n’est plus une opinion. C’est un fait stylisé.
La prophétie autoréalisatrice, mécanique d’un sabotage
« Je déploie, ils s’adapteront. » Décortiquons pourquoi cette phrase produit mécaniquement l’échec qu’elle prétend conjurer.
Premier temps : l’outil arrive sans explication. Les collaborateurs, rationnels, le perçoivent comme une menace ou un gadget — les deux lectures mènent au même évitement. Deuxième temps : l’usage officiel stagne, l’usage fantôme explose, sans cadre, sans sécurité, sans capitalisation. Troisième temps : le pilote ne produit rien de mesurable — normal, personne ne l’utilise comme prévu. Quatrième temps : la direction en conclut que « les équipes ne sont pas prêtes » et… déploie l’outil suivant. La boucle est bouclée, et elle est parfaitement autoréalisatrice : c’est le déploiement sans accompagnement qui a fabriqué la non-adoption qu’il invoque ensuite comme excuse.
Les chercheurs du LaborIA — le laboratoire du ministère du Travail et d’Inria — ont donné un nom à la racine du mal : un « conflit de rationalité » entre la logique gestionnaire de ceux qui déploient et la logique du travail réel de ceux qui font. Résolu par le dialogue, ce conflit produit une IA « capacitante », qui augmente les compétences humaines. Ignoré, il produit du rejet, de la défiance, et des démonstrateurs morts.
J’ajoute une couche que je documente depuis des années sous le nom d’effet de métastase organisationnelle : un outil adopté sans que l’organisation ait d’abord construit sa propre architecture de commandement et de données ne résout rien — il transplante ses dysfonctionnements. Silos, dépendance à un fournisseur unique, absence de doctrine d’emploi, et surtout l’acquisition comme alibi pour ne pas réformer les structures. L’organisation de mon témoignage d’ouverture n’a pas un problème d’IA. Elle a un problème d’architecture humaine que l’IA rend simplement visible — et facturable.
Passons en mode faiseur : cinq leviers, zéro excuse
La bonne nouvelle de toute cette littérature : les remèdes sont connus, documentés, et presque vexants de simplicité.
1. L’acculturation avant l’outillage. Un socle commun de littératie IA pour 100 % des effectifs — dirigeants compris, et même eux d’abord. Ce que fait l’outil, ce qu’il ne fait pas, où il se trompe, ce qu’on ne lui confie jamais. L’OCDE le confirme : c’est de la littératie qu’il faut, pas un doctorat. Une organisation qui déploie avant d’acculturer construit le toit avant les fondations, puis blâme la pluie.
2. Les cinq heures qui changent tout. Formation avec du présentiel et de l’accompagnement individuel, sur les cas d’usage réels du métier, avec du temps protégé — pas un module d’autoformation en ligne expédié entre deux réunions. Le seuil d’efficacité mesuré par le BCG est à cinq heures. Si votre comité d’investissement valide des licences à six chiffres mais refuse cinq heures de calendrier par collaborateur, votre problème n’est pas budgétaire. Il est doctrinal.
3. Redessiner les rôles et les processus de décision — pas superposer l’outil.
Les précurseurs identifiés par Kyndryl ne « déploient » pas : ils reconçoivent les processus de bout en bout et redéfinissent explicitement qui décide quoi, avec quelle supervision humaine. Poser un copilote sur un processus dysfonctionnel, c’est accélérer le dysfonctionnement. L’IA n’est pas une couche logicielle. C’est une réorganisation qui ne dit pas son nom — autant le dire, et la conduire.
Car il se joue ici quelque chose de plus profond que l’ergonomie des flux de travail. Chaque fois qu’un système d’IA propose, recommande, pré-classe ou pré-rédige, une part de la décision migre silencieusement vers la logique de l’outil. J’appelle cela la capture décisionnelle : le transfert progressif, jamais délibéré, jamais acté en comité, de l’autorité de décision vers la machine — non parce qu’elle a été mandatée pour décider, mais parce que personne n’a défini où s’arrêtait sa proposition et où commençait le jugement humain. L’humain « valide », de moins en moins regardant, jusqu’au jour où valider est devenu son métier. Ce jour-là, l’organigramme affiche encore des décideurs ; le processus réel n’en compte plus.
La parade n’est pas technique, elle est doctrinale, et elle tient en trois questions à poser avant tout déploiement, processus par processus. Qui décide en dernier ressort, et cette personne a-t-elle les compétences pour contester la machine — pas seulement pour cliquer ? Quelles décisions sont déléguables à l’outil, lesquelles ne le seront jamais, et où ce partage est-il écrit ? Comment mesure-t-on la dérive — le taux de recommandations suivies sans examen est un excellent thermomètre du renoncement ? Une organisation incapable de répondre à ces trois questions n’a pas un projet d’IA. Elle a un abandon de poste en cours de rédaction.
C’est exactement ce que les chercheurs du LaborIA désignent quand ils opposent IA « capacitante » et logique gestionnaire subie : la différence entre les deux ne se joue pas dans le modèle, elle se joue dans la répartition écrite, assumée, formée, de l’autorité entre l’humain et le système. Les rôles redessinés — superviseur de systèmes, contrôleur de cohérence, responsable du dernier regard — doivent être nommés, valorisés et reconnus dans les parcours de carrière. Sinon, le « dernier regard humain » deviendra la corvée qu’on refile au plus jeune, c’est-à-dire précisément à celui qui a le moins d’expérience pour contredire la machine.
4. Légaliser l’IA fantôme. Vos collaborateurs utilisent déjà des outils personnels — plus de 90 % des organisations sont concernées selon le MIT. Deux options : l’interdire et le pousser dans l’ombre, avec vos données en fuite ; ou le reconnaître comme le plus formidable signal d’appétence jamais offert à une direction. Cadre d’usage clair, remontée des usages spontanés, transformation des braconniers en éclaireurs.
5. Une gouvernance qui mesure et des dirigeants qui montrent. Des indicateurs de valeur (productivité, qualité, satisfaction) et non de déploiement (nombre de licences — l’indicateur de vanité par excellence). Et des dirigeants qui utilisent visiblement les outils, racontent leurs propres tâtonnements, créent la sécurité psychologique d’apprendre. L’exemplarité descend ; la défiance aussi.
La chute
Rien de tout cela n’est coûteux comparé à ce qui est déjà dépensé en technologie. Rien n’est nouveau : c’est la conduite du changement la plus classique, appliquée à la technologie la plus récente. Ce qui manque n’est ni l’argent, ni la connaissance, ni les rapports — j’en ai cité neuf, sur deux continents et en cinq langues.
Ce qui manque, c’est une décision de dirigeant : considérer que les 70 % humains de l’équation méritent au moins autant d’attention que les 10 % algorithmiques.
« Ils s’adapteront » n’est pas une stratégie. C’est une démission déguisée en confiance.