« On devrait faire quelque chose avec l’IA. »
La phrase arrive souvent entre deux réunions. Quelqu’un a vu une démonstration, un concurrent a annoncé un assistant, un commercial a promis qu’on allait gagner du temps. Alors on commence à comparer des abonnements.
C’est rarement le bon début.
Dans beaucoup d’entreprises, le sujet n’est pas de manquer d’outils. Le sujet est de ne pas savoir précisément quel travail mérite d’être amélioré. On a une boîte mail qui déborde, des comptes rendus qui traînent, des réponses clients que l’on réécrit dix fois, des informations à chercher dans trois endroits. Mais on résume tout ça par « il nous faut de l’IA ».
L’IA ne corrige pas un problème mal décrit. Elle peut simplement accélérer une mauvaise façon de travailler, sans régler ce qui bloque.
Ce que dit le chiffre derrière l’engouement
Dans une étude publiée le 21 juillet 2026, l’Insee indique que 18 % des entreprises de 10 salariés ou plus implantées en France déclaraient utiliser au moins une technologie d’IA en 2025, soit huit points de plus qu’en 2024.
Mais le détail mérite qu’on s’y arrête. Parmi les entreprises qui n’utilisent pas l’IA, 71 % disent ne pas en voir l’utilité. Le manque d’expertise est aussi cité par 54 % d’entre elles, et par plus de la moitié des entreprises déjà utilisatrices comme un frein à leurs usages.
Je ne lirais pas ce résultat comme un simple retard à combler.
Ne pas voir l’utilité d’un outil peut simplement vouloir dire qu’aucun problème concret n’a encore été posé. Si l’on demande à une équipe « que pourrait faire l’IA pour vous ? », elle répondra souvent par une liste d’idées vagues. Si on lui demande « quelle tâche te fait perdre du temps toutes les semaines sans vraiment améliorer le résultat ? », la conversation change.
Le bon point de départ n’est pas une démo
Prenons une équipe commerciale. Elle veut un assistant pour préparer les rendez-vous. Très bien. Mais avant de choisir l’outil, il faut regarder ce qui se passe réellement.
Le commercial cherche-t-il des informations dans cinq fichiers ? Reçoit-il les bons éléments trop tard ? Réécrit-il toujours la même proposition ? Ou attend-il simplement qu’une personne valide une remise ?
Dans le premier cas, un assistant peut aider à préparer une synthèse. Dans le deuxième, il faut peut-être remettre de l’ordre dans les données. Dans le troisième, un modèle de proposition bien conçu suffira peut-être. Dans le dernier, aucun outil ne résoudra le problème principal : la décision est bloquée ailleurs.
Ce n’est pas un détail. Un projet lancé sur le mauvais diagnostic produit vite une déception très coûteuse : on paie un outil, on forme deux personnes, on fait une belle démo, puis l’équipe revient à ses habitudes parce que le vrai irritant est resté intact.
Trois questions à poser avant de tester quoi que ce soit
Tu n’as pas besoin d’un grand audit pour commencer. Choisis une équipe et pose ces trois questions.
- Quelle tâche revient souvent et prend du temps sans apporter de vraie valeur ?
- À quel moment le travail attend-il, est-il ressaisi ou repart-il en correction ?
- Si cette étape devenait deux fois plus rapide, qu’est-ce qui changerait réellement pour le client, l’équipe ou le manager ?
La troisième question est importante. Elle évite de confondre vitesse locale et progrès réel. Si tu gagnes dix minutes pour produire un document qui attend ensuite trois jours de validation, tu as peut-être amélioré une tâche. Tu n’as pas encore amélioré le parcours.
L’OCDE rappelle que l’adoption de l’IA touche à la fois la productivité, l’organisation du travail et les compétences. C’est exactement le point : l’outil n’est qu’une partie de la réponse. Il faut aussi décider qui l’utilise, à quel moment, avec quelles informations et quel contrôle.
Choisir un usage que l’on peut vérifier
Pour un premier test, je chercherais quelque chose de répétitif, assez simple à observer, limité dans son périmètre et vérifiable.
Par exemple : préparer la première version d’un compte rendu, classer les demandes entrantes, extraire les points d’action d’une réunion, proposer une réponse à partir d’une base validée. On garde la décision humaine et on utilise l’outil pour rendre une étape précise plus fluide, puis regarder honnêtement ce qui s’est passé.
On mesure alors moins le nombre de prompts envoyés que le résultat : moins de reprises ? moins d’attente ? une réponse plus fiable ? du temps réellement récupéré ?
C’est moins spectaculaire qu’une grande annonce sur un nouvel outil, mais beaucoup plus utile pour savoir si l’amélioration tient dans la durée.
La prochaine fois que tu entends « il nous faut de l’IA », ne commence pas par demander quel outil choisir. Demande où le travail coince. C’est souvent là que le projet commence vraiment.