Que signifie concrètement l’adoption de l’IA dans une entreprise ?
L’adoption signifie que l’IA fait désormais partie de la manière dont certaines tâches sont réalisées par les personnes qui en ont la charge, avec une vérification qui maintient la qualité. Elle ne se mesure pas au nombre de licences achetées, de connexions enregistrées ou à l’envoi d’un e-mail de lancement. Une équipe où trois personnes utilisent l’IA chaque jour pour des tâches approuvées et vérifient soigneusement les résultats l’a davantage adoptée qu’une équipe où chacun s’est connecté une seule fois.
Il est utile de distinguer trois questions. L’accès : chaque personne dispose-t-elle d’un outil approuvé et connaît-elle les règles ? L’utilisation : y a-t-elle recours pour les tâches auxquelles il convient ? La qualité : le travail produit résiste-t-il à une vérification ? La plupart des déploiements règlent la première question, mesurent approximativement la deuxième et ignorent la troisième.
Pourquoi si peu de personnes utilisent-elles l’IA après son déploiement ?
Une faible utilisation après le déploiement est courante et s’explique par des causes ordinaires : les personnes ne voient pas pour quelles tâches l’IA peut les aider, les règles leur semblent floues et elles évitent donc l’outil par prudence, un premier résultat médiocre les a convaincues que l’effort n’en valait pas la peine, ou elles n’ont tout simplement pas eu le temps de s’exercer. Dans l’étude du gouvernement britannique sur l’adoption de l’IA, les entreprises qui utilisaient déjà l’IA ont déclaré qu’en moyenne 30% de leur personnel l’utilisait, et 77% ont indiqué que moins de la moitié de leur personnel l’utilisait. La même enquête a révélé que les raisons les plus fréquentes de ne pas adopter du tout l’IA étaient l’absence de besoin identifié et le manque de compétences et d’expertise en IA. Ces chiffres reposent sur les déclarations de 3,500 entreprises britanniques interrogées au début de 2025.
Remarquez qu’aucune de ces causes ne se résout par l’achat d’un meilleur outil. L’absence de besoin identifié est un problème de choix des tâches. Des règles floues sont un problème de politique interne. Une mauvaise première expérience est un problème de formation et d’attentes. À chaque problème sa solution.
| Ce que vous voyez | Cause probable | Pistes à essayer |
|---|---|---|
| Les personnes se sont connectées une fois, puis ont arrêté | Aucune tâche précise pour l’utiliser | Définissez pour chaque métier deux ou trois tâches précises, avec un exemple de consigne |
| Utilisation limitée à quelques personnes enthousiastes | D’autres ne savent pas bien ce qui est autorisé | Une fiche de règles d’une page avec des exemples tirés de leur propre travail |
| 'Ça invente n’importe quoi' | Les premiers résultats ont été utilisés sans vérification ou sans contexte | Apprenez à fournir le contexte et à utiliser une courte liste de vérification |
| Utilisation intensive, qualité médiocre | Dépendance excessive ; les vérifications ne sont plus faites | Vérifier des échantillons par sondage et demander aux personnes d’expliquer leurs modifications |
| Les responsables ne l’utilisent pas | Aucun exemple visible donné par la direction | Les responsables présentent une tâche pour laquelle ils utilisent l’IA et expliquent comment ils en vérifient le résultat |
À quoi ressemble une stratégie concrète d’adoption de l’IA ?
Pour une petite ou moyenne entreprise, une stratégie pratique est un enchaînement d’actions, pas un document : choisir les tâches, fixer les règles, former à ces tâches, examiner le travail réel et étendre ce qui fait ses preuves. Les éléments ci-dessous constituent un plan éditorial pour une équipe de 10 à 200 personnes, et non une norme publiée.
Choisissez d’abord les tâches propres à chaque métier
Demandez à chaque responsable d’équipe de citer deux ou trois tâches récurrentes pour lesquelles l’IA pourrait produire un premier brouillon qu’une personne pourrait vérifier. Ce sont ces tâches qui constituent les objectifs d’adoption, et non « utiliser davantage l’IA ».
Publiez une page de règles
L’outil et l’offre approuvés, ce qui peut ou ne peut pas être saisi, qui vérifie quoi et à qui poser vos questions. Le tout doit être assez court pour être retenu.
Formez-vous sur les tâches que vous avez choisies
De courtes séances d’entraînement sur ces tâches précises sont plus efficaces qu’une formation générale. Incluez un brouillon contenant des erreurs délibérées pour vous entraîner à le vérifier.
Faites en sorte que les responsables utilisent l’IA de manière visible
Un responsable qui montre comment il a utilisé l’IA pour une tâche réelle, et ce qu’il a corrigé, fait plus que n’importe quelle annonce.
Évaluez le travail, pas les connexions
Au bout de quatre semaines, examinez quelques résultats par tâche avec la personne chargée de la vérification. Demandez ce que les personnes ont cessé d’utiliser et pourquoi.
Étendre ce qui a fait ses preuves
N’ajoutez des tâches ou des personnes que lorsque la méthode fonctionne. Abandonnez les tâches pour lesquelles la personne chargée de la vérification réécrit tout.
Comment gérer la dimension humaine du changement lié à l’IA ?
Parlez des emplois clairement et dès le départ, et associez les personnes qui effectuent le travail au choix des tâches. L’inquiétude du personnel est réelle : dans une enquête d’Acas menée auprès de 1,023 salariés en Grande-Bretagne au printemps 2025, 26% ont cité les suppressions d’emplois comme leur principale préoccupation concernant l’IA au travail, et 17% les erreurs commises par l’IA. Acas conseille aux employeurs de consulter le personnel et ses représentants avant d’introduire l’IA, et d’expliquer comment elle peut améliorer les postes tout en précisant que l’intervention humaine restera nécessaire.
Dites ce qui change et ce qui ne change pas. Si aucun poste n’est supprimé dans le cadre du déploiement, dites-le. Si certaines tâches vont changer, précisez lesquelles et de quelle manière. Laissez ensuite les personnes exprimer leurs préoccupations pratiques, comme la confidentialité des données clients ou l’exactitude des résultats, et traduisez les plus pertinentes en règles. Les personnes adoptent bien plus facilement les outils qu’elles ont contribué à façonner que ceux qui leur sont simplement annoncés.
Vous souhaitez voir le lien avec un métier ?
Découvrez l’essai en équipe prévu ↗Comment relancer un déploiement au point mort ?
Pellow Analytics, une entreprise fictive de logiciels de 60 personnes, a acheté pour tout le personnel des licences d’un assistant IA avec un abonnement professionnel. Six semaines plus tard, la console d’administration montre que la plupart des personnes se sont connectées pendant la semaine de lancement et que seule une poignée l’utilise chaque semaine, principalement dans les équipes techniques et marketing. Le premier réflexe de la directrice des opérations est d’envoyer un courriel de rappel. Elle choisit plutôt de demander pourquoi à trois responsables d’équipe.
Les réponses sont précises. L’équipe chargée de la réussite client ne savait pas si elle pouvait coller les courriels des clients (la fiche de règles indiquait 'pas de données confidentielles', sans exemples). La finance avait essayé une fois pour expliquer un écart, obtenu une cause inventée et abandonné. Les commerciaux pensaient que c’était 'pour le marketing'. Les solutions sont tout aussi précises. L’équipe chargée de la réussite client reçoit une règle : coller le texte du courriel en remplaçant le nom du client et celui de son entreprise par des champs à compléter. La finance reçoit une tâche avec une consigne indiquant 'décrivez l’évolution des chiffres ; ne mentionnez aucune cause à moins qu’elle ne figure dans les notes que je fournis' et une vérification : recalculer chaque chiffre. Les commerciaux reçoivent deux tâches précises : mettre au propre les notes d’appel et rédiger des brouillons de messages de suivi à partir de ces notes.
Chaque responsable d’équipe anime une séance pratique de 30 minutes sur les tâches de son équipe. Quatre semaines plus tard, la direction des opérations examine cinq productions par équipe avec son responsable, plutôt que le graphique des connexions. Deux tâches fonctionnent, une nécessite une meilleure consigne, et une autre, la rédaction de courriels sur les tarifs de renouvellement, est abandonnée parce que la personne chargée de la vérification a dû réécrire chaque brouillon. Voilà ce qu’est l’adoption : des pratiques moins nombreuses, mais meilleures, que les gens utilisent réellement.
Quelles sont les étapes de l’adoption de l’IA ?
Il n’existe pas de modèle par étapes unique faisant consensus ; les cabinets de conseil et les fournisseurs publient des modèles différents. Pour une petite ou moyenne entreprise, une description pratique distingue quatre étapes : expérimentation (des personnes font des essais, souvent sur des comptes personnels), utilisation approuvée (un outil, un abonnement professionnel et des règles écrites), pratique régulière (des tâches précises, avec des consignes et des vérifications, réalisées chaque semaine par les personnes qui en sont responsables) et amélioration (l’entreprise examine les résultats, abandonne les méthodes peu efficaces et en ajoute de nouvelles de façon réfléchie). Il s’agit d’une description proposée par la rédaction, et non d’un référentiel publié.
La transition importante consiste à passer d’un usage approuvé à un usage régulier. De nombreuses entreprises s’arrêtent à l’approbation : elles ont les licences et la politique, et se demandent pourquoi si peu de choses ont changé. Pour instaurer un usage régulier, il faut sélectionner des tâches, pratiquer et vérifier : c’est le travail décrit sur cette page.
Quels indicateurs un responsable doit-il surveiller ?
Suivez la qualité du travail et l’utilisation répétée pour des tâches précises, pas le nombre total de connexions. Voici des indicateurs utiles : combien de tâches approuvées sont réalisées comme prévu chaque semaine, quelle quantité de corrections la personne chargée de la vérification apporte, si les erreurs sont repérées avant que le travail ne quitte l’équipe et si les utilisateurs savent expliquer leurs modifications dans un brouillon. Les connexions renseignent sur l’accès ; elles en disent peu sur l’amélioration du travail.
Considérez avec prudence les gains déclarés. Les personnes qui apprécient un outil ont tendance à surestimer le temps gagné, et celles qui ne l’apprécient pas à le sous-estimer. Quelques exemples d’une même tâche avant et après, vérifiés par la même personne, constituent des éléments plus fiables. Notre réponse sur la manière de mesurer l’efficacité d’une formation à l’IA approfondit ce point.
Quand chercher à accroître l’adoption est-il le mauvais objectif ?
Pousser à l’adoption n’est pas le bon objectif lorsque les tâches ne se prêtent pas à l’IA, que personne ne peut vérifier les résultats ou que le véritable problème de l’équipe tient à la charge de travail ou aux processus. Un objectif comme « tout le monde utilise l’IA quotidiennement » valorise l’utilisation pour elle-même et peut inciter à utiliser l’IA pour des tâches où elle ajoute du risque sans apporter de valeur. Il est tout à fait acceptable que certains métiers utilisent rarement l’IA.
Ce n’est pas non plus le bon objectif si les règles ne sont pas établies. Encourager l’utilisation avant que les personnes sachent ce qu’elles peuvent partager favorise précisément les erreurs de gestion des données qui poussent la direction à retirer l’outil.
Quelle place Tosheo.ai occupe-t-il dans l’adoption de l’IA ?
Tosheo.ai est conçu pour la mise en pratique dans le cadre de l’adoption de l’IA. Au lancement, il est prévu qu’un responsable choisisse les fonctions et les outils d’IA utilisés par l’équipe ; chaque personne passe un test de positionnement de 5 minutes, puis suit des leçons de 10 à 15 minutes qui se terminent par une tâche pratique dans un véritable outil d’IA, notée selon une grille d’évaluation visible. Le tableau de bord prévu pour les responsables affiche la progression des compétences et les leçons terminées, jamais les historiques bruts des conversations. Il est également prévu que la plateforme envoie des rappels aux apprenants inactifs et un récapitulatif hebdomadaire au responsable.
Le produit n’est pas encore développé : il n’y a donc aucun résultat d’adoption à présenter. Ce n’est pas la bonne réponse si vos règles ne sont pas encore définies ou si votre équipe n’a aucune tâche adaptée à l’IA ; réglez d’abord ces points en suivant les étapes ci-dessus. Les tarifs prévus figurent sur la page des tarifs.
Sources et périmètre
GOV.UK, page de publication de l’étude sur l’adoption de l’IA, révisée en February 2026 ↗
Acas, 1 travailleur sur 4 craint que l’IA entraîne des pertes d’emploi, 28 avril 2025 ↗
Acas, Un tiers des employeurs pensent que l’IA augmentera la productivité, 15 mai 2025 ↗