Institut Xenia · Note 01

Le dilemme du dirigeant diligent

PME et ETI face au virage de l'IA : bien gérées, rentables, déjà distancées.

Christelle Curcio, Michal Valko, Taqiyeddine Sakmeche, Tristan Maurel, Enrichetta Giurickovic, Amric Trudel

Octobre 2026 · Environ 55 minutes de lecture

Sommaire

Introduction : le malentendu

Imaginons le dirigeant d'une entreprise industrielle, PME de cinquante millions d'euros de chiffre d'affaires ou ETI de cinq cents millions, peu importe : une rentabilité solide, une maison bien tenue. Il y a trois ans, il a pris l'IA au sérieux. Il a distribué des licences à ses équipes, lancé plusieurs preuves de concept, nommé un responsable de l'IA, fait former ses cadres. Les usages se sont répandus : on rédige plus vite, on résume les réunions, chacun assure y gagner du temps. Et pourtant, lorsqu'il ouvre ses comptes, il n'y trouve aucune trace de tout cela, ni dans la productivité, ni dans les marges, ni dans les effectifs. S'est-il trompé d'outil ? A-t-il mal choisi ses prestataires ? Est-il parti trop tôt, ou trop tard ? Pour l'essentiel, non. Il a fait ce qu'on attend d'un dirigeant consciencieux, et des milliers de ses pairs sont dans son cas.

Une enquête publiée en 2026 par le NBER en donne la mesure. Yotzov et ses coauteurs y ont interrogé près de 6 000 dirigeants d'entreprises américaines, britanniques, allemandes et australiennes. Près de sept sur dix déclarent que leur entreprise utilise l'IA ; neuf sur dix n'en ont pourtant constaté aucun effet, ni sur la productivité ni sur les effectifs, au cours des trois dernières années. Eux-mêmes s'en servent en moyenne une heure et demie par semaine, et plus d'un quart pas du tout. Ce sont là des déclarations, non des comptes, et elles appellent les précautions d'usage ; elles disent du moins ce que vivent ceux qui dirigent.

Faut-il en conclure que l'IA ne tient pas ses promesses ? Les chiffres de la Banque centrale européenne invitent à une autre lecture : dans la zone euro, environ 70 % des entreprises déclarent utiliser l'IA, mais 7 % seulement en font un usage significatif. Beaucoup s'en servent à la marge, pour rédiger, résumer, chercher ; très peu l'ont intégrée au point de transformer leurs processus. Un kilomètre de large, un centimètre de profond. Tout le malentendu est là : on a pris la largeur pour la profondeur, et l'usage pour la transformation. C'est ainsi que nous lisons l'absence d'effet mesuré, qui dit moins les limites de l'IA que la superficialité de l'usage qu'on en fait. Là où l'IA a vraiment pénétré le fonctionnement de l'entreprise, ses effets sur la productivité et sur l'organisation peuvent être importants.

On décrit volontiers l'IA comme une course, et l'on pense alors à celle des modèles de pointe, où les États-Unis et la Chine ont pris de l'avance. Une autre course est pourtant engagée, et elle reste largement ouverte : celle de l'adoption, c'est-à-dire de la façon dont l'IA s'applique à de vrais problèmes d'entreprise et transforme les organisations qui s'en servent. Celle-là se gagne dans les ateliers, les entrepôts et les bureaux bien plus que dans les centres de données. L'Europe a de sérieux atouts pour la disputer, et c'est d'abord dans ses PME et ses ETI qu'elle se jouera. L'Institut Xenia s'est donné pour objet d'étudier cette seconde course. Cette note, sa première publication, voudrait montrer pourquoi des entreprises bien gérées, et qui ont engagé l'IA, peuvent s'y trouver déjà distancées.

Patience, penseront certains : les gains finiront par venir, et les entreprises prudentes rattraperont les autres, comme elles l'ont toujours fait. À vrai dire, nous ne le croyons pas. Dans cette course, l'avance se compte en capacité acquise, et cette capacité ne s'achète pas le jour où l'on en a besoin. Il y a plus troublant encore. Face à l'IA, les réflexes de la bonne gestion – attendre un retour sur investissement démontré, limiter le risque, garder le contrôle, choisir des solutions éprouvées – sont précisément ceux qui font échouer. C'est ce que nous appelons le dilemme du dirigeant diligent. Précisons, et insistons : si les comptes de notre entreprise restent muets, ce n'est pas malgré la diligence de son dirigeant ; c'est à cause d'elle.

L'idée n'est pas neuve, et nous la devons à Clayton Christensen. Dans The Innovator's Dilemma, paru en 1997, il montrait comment des entreprises remarquablement dirigées pouvaient perdre leur position pour avoir fait exactement ce que commande la bonne gestion : écouter leurs meilleurs clients, investir là où les marges sont les plus fortes. Notre point de départ est le même : une bonne gestion peut devenir un handicap lorsqu'un changement technologique modifie les règles du jeu. La menace, en revanche, ne vient pas du même côté. Chez Christensen, la rupture vient de nouveaux entrants ; ici, la technologie est à la portée de tous, et toute la difficulté tient à la manière de l'adopter. La diligence demeure donc une vertu ; c'est son objet qu'il faut changer.

Nous en tirons trois thèses. La première tient à l'endroit où se trouve la valeur. Elle n'est ni dans le modèle, qui se banalise, ni dans la solution standard que vend le marché, mais dans ce que nous appelons le dernier kilomètre : l'adaptation de l'IA à ce qui est propre à chaque entreprise, ses données, ses procédures, ses exceptions, ses problèmes particuliers. C'est, si l'on ose dire, le seul kilomètre qui compte. Ce sur-mesure a longtemps été le privilège des plus grandes entreprises, seules à pouvoir s'offrir du logiciel spécifique et les équipes pour l'entretenir. Notre hypothèse est que l'IA en fait fortement baisser le coût, et qu'elle change du même coup qui peut le construire : les mieux placés deviendraient les salariés qui parcourent ce dernier kilomètre chaque jour et le connaissent mieux que personne.

La deuxième tient en une formule : centraliser le socle, décentraliser la construction. Une adoption réussie suppose un socle commun, fait d'une donnée rassemblée et fiable, et de ce que nous appelons le harnais, c'est-à-dire tout ce qui, autour du modèle, le relie aux systèmes de l'entreprise et en encadre l'usage : si le modèle est le moteur, le harnais est tout le reste de la voiture, du châssis aux freins. Sur ce socle, les collaborateurs construisent eux-mêmes leurs outils. La réorganisation, dans ce schéma, ne précède pas l'usage ; elle en procède. Elle naît des contraintes que les nouvelles pratiques font apparaître, pour peu que l'organisation s'y prête.

La troisième dépasse les comptes des entreprises. Nous faisons l'hypothèse que cette transformation change la forme même des organisations : la pyramide d'hier, large à la base parce que les problèmes courants y étaient nombreux, pourrait céder la place à une forme plus proche du cône de circulation. Les premières données suggèrent déjà une baisse des embauches de débutants dans les métiers les plus exposés à l'IA, sans qu'on puisse encore en attribuer la cause à cette technologie. Elles portent sur l'embauche ; la question la plus sérieuse est ailleurs, dans l'apprentissage. Les tâches confiées aux débutants ne servaient pas seulement à faire tourner l'entreprise : elles leur apprenaient leur métier. Si l'IA les prend en charge, permet-elle d'apprendre autrement, et plus vite ? Ou prive-t-elle les plus jeunes des expériences qui forgent le jugement ? Et si chaque entreprise a moins intérêt à recruter des débutants et à les former, qui formera ceux dont toutes auront besoin demain ?

Un mot, enfin, de ce que décrit cette note. Elle s'en tient à un scénario concret et proche, que les entreprises les plus avancées vivent déjà : traiter beaucoup plus de problèmes avec les mêmes moyens. Pour juger d'un tel gain, nous ne retiendrons pas l'indicateur de l'enquête citée plus haut, le chiffre d'affaires par salarié. Il est commode, mais il monte dès que l'IA remplace du travail salarié, sans que l'entreprise soit devenue plus productive pour autant. Nous lui préférons la valeur ajoutée par emploi en équivalent temps plein, ce que l'Insee et l'OCDE appellent la productivité apparente du travail : elle retranche ce que l'entreprise achète au-dehors, l'IA comprise, si bien qu'un gain n'y apparaît que s'il est net. Encore ce surcroît de capacité ne dit-il pas, à lui seul, ce que deviendront les effectifs. Selon la demande à laquelle elle fait face, une entreprise s'en servira pour croître et embaucher, pour baisser ses prix ou pour produire davantage à effectifs constants ; dans tous les cas, la composition du travail en sera changée.

Ce texte, surtout, ouvre un débat plus qu'il ne le tranche. Il propose un cadre de réflexion et des hypothèses nées du terrain. Nous les avons formulées nettement, quitte à forcer parfois le trait, pour que la logique de l'argument apparaisse ; ce n'en sont pas moins des hypothèses, à discuter d'abord, à éprouver ensuite. L'Institut Xenia se donne justement pour mission de rassembler les données et de publier les travaux qui permettront de les confirmer ou de les démentir.

Commençons par ce que les entreprises font aujourd'hui de l'IA.

Le paradoxe de l'adoption : un kilomètre de large, un centimètre de profond

Près de sept entreprises sur dix, disions-nous, déclarent utiliser l'IA. Le chiffre rassure ; il ne dit rien de ce qu'elles en font, ni de ce que cela change pour elles. Le Danemark offre sur ce point un premier éclairage. Les assistants conversationnels s'y sont largement diffusés ; deux ans plus tard, Humlum et Vestergaard n'y trouvent aucun effet mesurable, ni sur les salaires, ni sur les heures travaillées. L'outil s'est répandu chez les salariés ; leurs salaires et leurs heures de travail sont restés ce qu'ils étaient.

Faut-il en conclure que ceux qui s'en servent n'y gagnent rien ? Ce serait aller trop vite. Les gains individuels sont réels. Mais un gain qui ne se voit ni dans les salaires, ni dans les heures, ni dans les comptes des entreprises reste un gain privé, attaché au poste de travail de celui qui l'obtient.

Regardons ce qu'on fait vraiment de l'IA dans notre entreprise. Des licences ont été distribuées à tous ; chacun dispose d'un copilote, jusque dans sa messagerie et ses documents. On s'en sert pour rédiger un courriel, résumer une réunion, reformuler une note, et un assistant conversationnel maison répond aux questions sur les procédures internes. Deux ou trois preuves de concept ont été lancées, chacune dans son service. Rien de tout cela n'est inutile. Le commercial répond plus vite à ses clients, l'ingénieur qualité boucle ses rapports en moins de temps, le contrôleur de gestion retrouve sans peine le chiffre qu'il cherchait. Ces gains-là restent chacun sur son poste ; à la fin de l'exercice, le compte de résultat ressemble à celui de l'année précédente.

Faut-il en blâmer le dirigeant ? Pas du tout ! Il a fait ce que commande la bonne gestion : équiper tout le monde de la même façon, tester à petite échelle avant d'engager davantage, confier le sujet à un responsable. Distribuer des licences était même une étape nécessaire, ne serait-ce que pour habituer chacun aux outils. Ce sont des réflexes sains, et c'est bien ce qui rend la situation si difficile à voir : chacun de ces gestes est raisonnable, et leur somme donne un kilomètre de large et un centimètre de profond. L'erreur commence lorsqu'on s'arrête là, en attendant de ces gains qu'ils s'additionnent d'eux-mêmes.

Un kilomètre de large, un centimètre de profond Un graphique à deux axes. En abscisse, la part des entreprises de la zone euro, de zéro à cent pour cent. En ordonnée, vers le bas, la profondeur de l'usage, graduée en quatre paliers : la surface, la donnée rassemblée, les compétences formées, les processus repensés. Une dalle très large et très mince couvre 70 % de l'axe horizontal sans quitter la surface. À son extrémité gauche, une colonne étroite de 7 % descend jusqu'au dernier palier. Les 30 % restants n'utilisent pas l'IA. L'ADOPTION DE L'IA DANS LA ZONE EURO Un kilomètre de large, un centimètre de profond En abscisse, la part des entreprises ; en ordonnée, jusqu'où l'usage est allé. 7 % 70 % 0 50 100 % surface donnée compétences processus les 30 % restants ne l'utilisent pas 70 % déclarent utiliser l'IA et ne quittent pas la surface 7 % en font un usage significatif et descendent jusqu'au dernier palier On a pris la largeur pour la profondeur.
Un kilomètre de large, un centimètre de profond : l'adoption de l'IA dans la zone euro. Largeur : Ferrando, Lamboglia, Rariga et Schmidt, BCE, 2026. L'échelle de profondeur est une image des auteurs, et non une mesure.

Pourquoi ne s'additionnent-ils pas ? Prenons, pour la clarté du propos, trois décisions que notre entreprise prend chaque jour. Le commercial promet un délai à son client ; l'atelier planifie sa production ; l'acheteur commande les matières. Ces décisions dépendent étroitement les unes des autres : un délai promis sans regarder le planning, une commande passée sans connaître les ventes, et ce sont des livraisons en urgence, du stock qui dort, des clients qui attendent. Chacun dispose désormais de son assistant, qui l'aide à aller plus vite. Le commercial répondra plus vite, l'acheteur commandera plus vite, l'atelier replanifiera plus vite ; mais rien n'aura changé à ce qui relie ces trois décisions, et l'entreprise n'en ira pas mieux. Agrawal, Gans et Goldfarb ont donné à ce phénomène sa forme générale : déployée tâche par tâche, l'IA crée des incohérences entre des décisions qui dépendent les unes des autres ; pour qu'elle donne sa pleine mesure, il faut repenser l'organisation qui relie ces décisions.

Le goulot d'étranglement de l'entreprise se trouve donc entre les services, dans ce qui y circule mal : une donnée dispersée entre plusieurs logiciels, une information qui existe quelque part et que personne ne retrouve au moment de décider. L'optimisation locale contourne ce goulot : elle accélère tout ce qui l'entoure, et le débit de l'ensemble reste le même. Voilà où se perdent les gains individuels : dans l'espace qui sépare les décisions les unes des autres.

Les entreprises qui tirent de l'IA un gain réel ont fait deux choses de plus que notre entreprise. Elles ont repensé, peu à peu, ce qui relie leurs décisions entre elles, quand d'autres se contentaient d'accélérer chacune d'elles. Et elles ont d'abord investi dans leurs fondations : leurs logiciels, leur donnée, les compétences de leurs équipes.

Ce second effort se mesure déjà. Une étude publiée par la Banque des règlements internationaux et la Banque européenne d'investissement, et conduite par Aldasoro, Gambacorta et leurs coauteurs, porte sur plus de 12 000 entreprises. L'IA y accroît la productivité du travail d'environ 4 % en moyenne dans l'Union européenne. Cette moyenne, pourtant, compte moins que ce qui la fait varier. Selon les auteurs, chaque point d'investissement supplémentaire dans les logiciels et l'infrastructure de données augmente ce gain de 2,4 points, et chaque point consacré à la formation, de 5,9 points. Ce que l'IA rapporte dépend donc moins de l'IA elle-même que de ce que l'entreprise investit autour d'elle : dans ses logiciels et sa donnée, et plus encore dans ses équipes.

Sur données françaises, Calvino et Fontanelli vont plus loin. À première vue, les entreprises qui utilisent l'IA sont plus productives que les autres. Mais cet avantage disparaît en grande partie dès qu'on tient compte de ce dont elles disposaient déjà : le haut débit, des spécialistes, d'autres technologies numériques. Ce sont donc les fondations qui font la différence, bien plus que l'outil qu'on pose dessus. Le sort de notre entreprise s'éclaire : elle a acheté l'outil et laissé ses fondations en l'état.

On se rassurerait volontiers en se disant que ces entreprises-là jouent dans une autre catégorie. C'est là que le bât blesse : elles sont les concurrentes directes des autres. Notre entreprise les croise dans les mêmes appels d'offres, sert les mêmes clients, recrute dans le même vivier. Ce peloton de tête compte aussi des entreprises chinoises : la Chine mise autant sur l'adoption que sur les modèles de pointe. Robin Rivaton, dans un texte publié en mai 2026 par la Fondation France-Asie, résume d'une formule, que nous traduisons, la façon dont elle voit l'IA : « moins comme une machine divine installée dans un centre de données que comme une couche à déployer partout ». Pour une entreprise industrielle, l'image est très concrète : c'est peut-être déjà ainsi que travaille le concurrent qui lui dispute ses marchés.

Encore faut-il savoir reconnaître un concurrent en avance, et ne pas le confondre avec celui qui en parle le plus. En 2026, selon le décompte de Challenger, Gray & Christmas, l'IA est devenue pour la première fois le premier motif déclaré des suppressions de postes annoncées aux États-Unis : environ 120 000 sur les neuf premiers mois, soit un peu plus d'une sur cinq. On serait tenté d'y voir la marque d'une transformation déjà profonde. Le cas d'Amazon invite à la prudence. Fin octobre 2025, le groupe annonce 14 000 suppressions de postes dans un mémo qui présente l'IA comme « la technologie la plus transformatrice depuis Internet ». Deux jours plus tard, son directeur général, Andy Jassy, assure que ces suppressions ne sont « pas vraiment motivées par des raisons financières, ni même vraiment par l'IA, du moins pas pour l'instant » ; il s'agit, dit-il, d'« une question de culture ».

Ce récit d'une IA qui transforme tout s'adresse aux marchés, et ce sont les marchés qui le jugent. Li observe que le discours sans investissement réel produit une petite hausse du cours, suivie d'une sous-performance au bout d'un an, quand l'investissement effectif finit, lui, par être récompensé. Avec un peu de recul, les marchés savent donc distinguer la largeur de la profondeur. Le dirigeant gagnerait à en faire autant lorsqu'il regarde ses concurrents : le plus redoutable est celui qui investit dans ses fondations.

Revenons une dernière fois à notre entreprise. Elle a accès aux mêmes modèles que ses concurrents les plus avancés, et s'en sert chaque jour dans tous ses services. Ce qui l'en sépare, c'est la donnée qu'ils ont rassemblée, les compétences qu'ils ont formées, les processus qu'ils ont repensés. C'est sur ces trois terrains que se joue l'écart entre eux.

Le LLM n'est qu'un moteur : la question du harnais

Prenons le cas du commercial de notre entreprise. Un client l'appelle : sa commande pourra-t-elle partir le 15 du mois ? Le commercial interroge l'assistant conversationnel de l'entreprise, qui lui répond aussitôt, dans une langue impeccable, que le délai dépend de la disponibilité des matières, de la charge de l'atelier et des contraintes de transport, et qu'il convient de vérifier ces trois points avant de s'engager. Tout est juste, et rien ne sert. L'assistant parle des délais en général ; le client, lui, demande une date, pour sa commande, dans cet atelier, avec ce stock-là.

Ce qui arrive à notre commercial tient à la nature même de ces outils. Un grand modèle de langage, ce que le métier appelle un LLM, est une machine généraliste : il produit en abondance un contenu général et plausible, dont la valeur reste faible sur un cas précis. Qu'il s'agisse d'un secteur entier ou d'une seule entreprise, un client paie pour un problème résolu ; un modèle seul lui apporte des phrases bien tournées.

Concrètement, le harnais est la couche qui donne au modèle trois choses : des outils, un accès aux systèmes de l'entreprise, et une méthode. Cette méthode est celle de toute enquête bien menée : formuler une hypothèse, la confronter aux données, agir, recommencer jusqu'à atteindre l'objectif. Ne quittons pas encore notre commercial. Avec un harnais, l'assistant lit la commande dans l'ERP, vérifie le stock des matières, consulte le planning de l'atelier et propose une date ; si elle ne tient pas, il en éprouve une autre, jusqu'à trouver celle que l'atelier peut réellement honorer. La promesse du commercial et le planning de l'atelier, qui se contredisaient, s'accordent enfin.

La même question, posée deux fois Deux colonnes séparées par un trait vertical. À gauche, le modèle seul répond à la question d'un client par une généralité sur les matières, la charge de l'atelier et le transport : tout est juste, et rien ne sert. À droite, le même modèle est placé dans son harnais et suit une méthode en cinq temps : il lit la commande dans l'ERP, vérifie le stock des matières, consulte le planning de l'atelier, propose une date, et si elle ne tient pas il recommence — une flèche remonte de la cinquième étape vers la deuxième. Il répond alors par une date que l'atelier peut tenir. UNE DATE À PROMETTRE AU CLIENT La même question, posée deux fois « Ma commande pourra-t-elle partir le 15 ? » — un client à son commercial. LE MODÈLE SEUL LE MODÈLE AVEC SON HARNAIS Le modèle « Le délai dépend de la disponibilité des matières, de la charge de l'atelier et des contraintes de transport. » Tout est juste, et rien ne sert. le harnais Le modèle 1 lit la commande dans l'ERP 2 vérifie le stock des matières 3 consulte le planning de l'atelier 4 propose une date 5 si elle ne tient pas, il recommence « Le 17. » une date que l'atelier peut tenir Diriger le modèle, c'est diriger le harnais.
La même question, posée deux fois : le modèle seul, puis le modèle avec son harnais. Exemple des auteurs, d'après le cas du commercial.

Le harnais est donc la pièce maîtresse du dispositif. C'est là que se logent le contrôle, les droits d'accès, la traçabilité, les garde-fous et la reproductibilité. Un dirigeant ne signe pas un chiffre dont il ignore l'origine ; il ne devrait pas davantage agir sur la réponse d'un modèle sans savoir sur quelle donnée elle repose et selon quelle méthode elle a été produite. Sans harnais, on ne peut pas se fier au résultat ; avec lui, on peut le vérifier.

On objectera que les modèles progressent vite, et qu'ils se tromperont de moins en moins. C'est probable. Mais un modèle presque infaillible laisserait entière la question que se pose tout dirigeant devant une réponse : d'où vient-elle, et qui avait le droit de la demander ? Cette question se règle dans le harnais. Diriger le modèle, c'est donc diriger le harnais.

Avec la donnée rassemblée en un même lieu, ce que le métier appelle un data lake, le harnais forme le socle dont parlait notre deuxième thèse. Ensemble, ils apportent au dirigeant trois garanties. La première est une donnée digne de confiance : une seule source de vérité, des définitions partagées par tous, et pour chaque outil la trace de qui l'a construit, sur quelle donnée, avec quel résultat. La deuxième est la sécurité. Chacun voit ce qu'il a le droit de voir, le commercial ses clients, le contrôleur de gestion ses marges ; les règles de conformité, du RGPD à l'AI Act en passant par les exigences propres à chaque secteur, s'appliquent au même endroit pour tous ; et les processus critiques reçoivent la reproductibilité qu'ils exigent, les usages courants un accès plus souple.

La troisième est la durée. Les outils vivent sur le socle, et non sur le poste d'une personne : celui qu'un commercial a construit reste à l'entreprise le jour où il change de fonction. L'entreprise peut aussi changer de modèle sans rien reconstruire. Le jour où paraît un modèle meilleur, on le branche à la place de l'ancien, et les outils construits sur le socle continuent de fonctionner.

Ce socle est-il un préalable à tout usage de l'IA ? Nullement. Pour rédiger un courriel ou résumer une réunion, le copilote suffit, et notre entreprise a eu raison de commencer par là. Le harnais devient indispensable au moment où des dizaines de collaborateurs veulent construire sur la donnée de l'entreprise : c'est lui qui leur permet de le faire en la protégeant.

Il en découle une conséquence stratégique. Le modèle est un composant qui se banalise : il progresse vite, et se remplace tous les six mois. Ce que l'entreprise possède réellement, c'est sa donnée et son ontologie, c'est-à-dire son modèle métier. Le terme mérite qu'on s'y arrête. L'ontologie est la description formalisée du métier de l'entreprise, de ses objets, de leurs relations et de ses définitions : ce qu'est un client actif, ce qu'est une commande en retard, et comment l'un se relie à l'autre. Qu'on pose la question au commercial et au contrôleur de gestion de notre entreprise : on obtiendra peut-être deux définitions du client actif, et deux chiffres qui se contredisent. C'est dans cette donnée et cette ontologie que l'entreprise doit investir. Le harnais, lui, se choisit avec soin, pour durer, et le modèle se rebranche à chaque génération.

Le modèle se remplace, le socle demeure En haut, trois modèles se succèdent dans le temps : un fournisseur A en mars 2026, un fournisseur B en septembre 2026, puis de nouveau le fournisseur A en mars 2027. Les deux premiers sont tracés en tirets, le dernier en trait plein : c'est celui qui est branché aujourd'hui. Tous descendent vers le même emplacement. En dessous, inchangé, le socle : le harnais, qui apporte des outils, un accès aux systèmes et une méthode, puis la donnée et l'ontologie, qui forment le modèle métier de l'entreprise. LE MODÈLE, LE HARNAIS, LA DONNÉE Le modèle se remplace, le socle demeure Un composant qui se banalise, et que l'on rebranche à chaque génération. DES MODÈLES QUI SE SUCCÈDENT Fournisseur A mars 2026 Fournisseur B septembre 2026 Fournisseur A mars 2027 le même emplacement LE SOCLE Le harnais des outils · un accès aux systèmes · une méthode La donnée et l'ontologie le modèle métier de l'entreprise Les outils construits sur le socle continuent de fonctionner. Rien ne se reconstruit en dessous. On change le modèle sans rien reconstruire.
Le modèle se remplace, le socle demeure. Schéma des auteurs.

Il y a là une bonne nouvelle pour l'Europe. Si le modèle se banalise, l'avance que les États-Unis et la Chine ont prise sur les modèles de pointe pèse moins lourd dans la course qui intéresse les entreprises. Ce qui fait la différence – la donnée, l'ontologie, les processus – se construit dans chaque entreprise, sur place. Et une entreprise capable de changer de modèle sans rien reconstruire réduit d'autant sa dépendance à l'égard des fournisseurs américains et chinois.

Retrouvons, pour finir, notre commercial. Sur un socle de données et avec un harnais bien choisi, l'IA devient pour lui un outil taillé pour les problèmes réels de son équipe : ses clients, ses délais, ses exceptions. L'atelier, les achats, la qualité peuvent en dire autant, chacun pour ses propres problèmes ; c'est ainsi que l'IA prend place dans le fonctionnement même de l'entreprise.

Le coût du logiciel sur mesure : l'hypothèse d'un changement de régime

Suivons une commande. Dans un grand groupe, elle arrive par EDI ou par un portail client, et on la suit jusqu'à l'encaissement : contrôle du stock et de l'encours du client, préparation, expédition, facturation. À chaque instant, son statut est visible ; un retard déclenche une alerte ; les tâches répétitives, comme le rapprochement entre la facture et le bon de livraison, sont automatisées. La direction suit le taux de service, les délais de livraison et les délais de paiement. Derrière cette mécanique, il y a eu un intégrateur et un projet de plusieurs années, et il reste une équipe dédiée pour la maintenir.

Dans notre entreprise, la même commande arrive par courriel, en PDF ou par téléphone, et quelqu'un la ressaisit à la main dans l'ERP. Son suivi tient dans un fichier Excel de l'administration des ventes. Le client appelle pour savoir où en est sa commande, et on le rappelle une fois l'information retrouvée. Les écarts de facturation se découvrent en fin de mois. Personne n'a de vue d'ensemble, et tout repose sur deux ou trois personnes qui savent où chercher.

Pourquoi notre entreprise n'a-t-elle pas fait comme le grand groupe ? Pour systématiser ses opérations, puis les porter à l'international, une entreprise n'avait que deux voies : payer un grand cabinet, ou entretenir en interne des équipes entières dédiées à la stratégie et à l'automatisation. L'une et l'autre supposaient une taille réservée aux grands groupes.

À la taille s'ajoutaient trois raisons de s'abstenir. Un tel projet détournait l'entreprise de son métier pendant des années. L'outil produit ne servait qu'à elle, et ne pouvait donc s'amortir ailleurs. Surtout, il fallait l'entretenir : chaque mise à jour de l'ERP, chaque client qui change de format d'échange, chaque départ de celui qui l'avait écrit remettait l'ouvrage sur le métier. À ces conditions, tout directeur des systèmes d'information sensé écartait le développement maison, et il avait raison.

Restait la solution de tout le monde : le progiciel. SAP, Salesforce et leurs semblables offrent un cœur puissant et, par-dessus, une couche de paramétrage qui permet à chacun d'ajuster ses processus à son métier. Personne ne construit son propre ERP ni son propre CRM ; chacun personnalise ceux qu'il achète. Il en va de même pour le socle de l'IA. Le data lake et le harnais se choisissent, comme se choisit un ERP, et c'est sur eux que l'entreprise construit son dernier kilomètre.

C'est ce calcul, si raisonnable hier, que l'IA pourrait renverser. Notre hypothèse est que le coût de production du code baisse fortement, et que son coût de maintenance pourrait suivre. Si elle se vérifie, il s'agit d'un changement de régime, qui modifie l'économie même du sur-mesure.

Un palier franchi, une cohorte qui entre dans le jeu Une courbe descendante figure le coût du sur-mesure au fil du temps. Trois paliers horizontaux figurent ce que chaque cohorte peut engager dans son outillage interne. Celui des grands groupes reste au-dessus de la courbe d'un bout à l'autre. La courbe franchit ensuite le palier des ETI, où elle change de couleur, puis celui des PME. Un trait vertical marque aujourd'hui : le tracé est plein avant, tireté après, où il devient une projection. L'axe des coûts est interrompu près de son origine : il ne part pas de zéro, et la courbe s'infléchit sans l'atteindre. LE COÛT DU SUR-MESURE ET CE QUE CHAQUE COHORTE PEUT ENGAGER Un palier franchi, une cohorte qui entre dans le jeu La courbe change de couleur là où elle passe sous le palier des ETI, et devient tiretée après aujourd'hui. L'axe des coûts ne part pas de zéro : le sur-mesure continuera de coûter. COÛT DU SUR-MESURE Grand groupe ETI PME aujourd'hui hier projection 0 hors de portée des ETI et des PME à la portée des ETI, puis des PME La production du code mesurée : + 26 % de tâches terminées (Cui, Demirer et al.) La maintenance non mesurée à ce jour : les premiers indices se contredisent Le calcul qui excluait les PME et les ETI s'est inversé.
Le coût du sur-mesure et ce que chaque cohorte peut engager. Projection des auteurs ; la baisse de la production du code est mesurée (Cui, Demirer et al.), celle de la maintenance ne l'est pas.

Que sait-on, à ce jour ? Les mesures disponibles portent surtout sur la production du code. Trois essais randomisés, conduits par Cui, Demirer et leurs coauteurs chez Microsoft, chez Accenture et dans une grande entreprise américaine, en donnent une première mesure : sur près de 4 900 développeurs, ceux qui disposent d'un assistant de code terminent environ 26 % de tâches en plus. Le gain est le plus net chez les moins expérimentés, et ce détail compte : l'outil réduit l'écart entre ceux qui codent depuis longtemps et ceux qui débutent.

Supposons l'hypothèse vérifiée. Construire un logiciel très spécifique devient rapide, et l'entretenir devient économiquement tenable. Le calcul qui excluait les PME et les ETI s'inverse alors : le suivi de commande que le grand groupe a payé d'un projet de plusieurs années passe à la portée de notre entreprise, avec ses propres moyens.

Entendons-nous bien : l'ERP de notre entreprise garde son rôle. Il enregistre les commandes, les stocks et les factures, et il le fait bien. Le sur-mesure prend en charge ce qui se passe autour de lui, dans les courriels, les fichiers Excel et les appels de clients : le territoire des exceptions, que les progiciels laissent à chaque entreprise.

Pour le dirigeant, le sur-mesure change alors de nature : de pari technologique, il devient une décision d'allocation de ressources, au même titre que l'achat d'une machine ou un recrutement. Il se juge comme eux, à ce qu'il coûte et à ce qu'il rapporte.

Dans l'organisation, le déplacement est plus profond encore. Si construire coûte beaucoup moins cher, la DSI partage ce rôle avec les métiers, et une part du sur-mesure passe entre les mains de ceux qui connaissent le mieux le processus. Pour le suivi des commandes de notre entreprise, ce sont les deux ou trois personnes de l'administration des ventes qui savent où chercher.

Le dernier kilomètre : là où la valeur se trouve

Revenons à l'administration des ventes de notre entreprise. L'une des deux ou trois personnes qui savent où chercher y tient, depuis des années, un fichier Excel à côté de l'ERP. Elle y consolide ce que l'ERP ne sait pas traiter : les commandes urgentes, les conditions particulières de tel client, les livraisons partielles, les avoirs en attente. Elle seule sait le mettre à jour. Le jour où elle part en congé, les commandes ralentissent ; le jour où elle quittera l'entreprise, une partie du processus partira avec elle.

Ce fichier est le dernier kilomètre à l'état brut. Nous appelons ainsi les besoins propres à l'entreprise : ses modes opératoires, ses exceptions, sa manière de travailler. Le socle est standard ; la valeur se loge dans ce que chaque entreprise a de singulier, et c'est précisément ce que contient ce fichier.

Quand l'entreprise laisse ce dernier kilomètre sans réponse, elle le contourne, de deux façons. Ou bien elle déforme son fonctionnement pour le faire entrer dans l'outil ; ou bien elle pose une rustine : un fichier Excel parallèle, du copier-coller, une ressaisie, un fichier partagé, des décisions prises par messagerie. Le fichier de notre entreprise est la rustine typique. Son coût est invisible et permanent : du temps perdu, des erreurs, une dépendance à quelques personnes, aucune trace de ce qui a été décidé, aucune mesure possible. Il échappe aux comptes et pèse pourtant sur chaque commande.

Combien de cas d'usage faut-il traiter ? Autant que de problèmes dans l'organisation, et il en naît de nouveaux à mesure qu'elle grandit : un nouveau client, une nouvelle usine, une nouvelle réglementation apportent chacun leurs exceptions. Plutôt qu'un projet avec une date de fin, le dernier kilomètre est une capacité permanente de l'entreprise, au même titre que sa maintenance industrielle.

Ce travail tient en deux gestes : obtenir des réponses à partir de la donnée, puis construire, par-dessus, les outils internes dont l'équipe a besoin. On objectera que ce sont là des gestes de développeur. C'est justement ce qui change : ils sont désormais à la portée d'un commercial, d'un acheteur ou d'une gestionnaire de l'administration des ventes, pour peu que le socle existe.

Le fichier de notre entreprise peut alors changer de nature. Sur le socle, la personne qui le tient peut construire ce que le grand groupe a obtenu au prix d'un projet d'intégration : la lecture automatique des bons de commande reçus par courriel, un tableau qui donne le statut de chaque commande, une alerte sur les retards et sur les écarts de facturation. Elle connaît chaque exception du processus ; elle est donc la mieux placée pour le faire. La baisse du coût de production du code rend ce travail possible. L'ERP garde son rôle. Ce qui vivait dans un fichier personnel passe sur le socle, où toute l'équipe peut s'en servir, et où il restera le jour où celle qui l'a construit quittera l'entreprise.

Ces deux gestes trouvent leur meilleur terrain dans la donnée que l'entreprise possède déjà : c'est là que se trouvent, à ce stade de l'adoption, les gains les plus accessibles. Un cas rencontré sur le terrain le montre, chez un fournisseur de la grande distribution dont les commerciaux sillonnent le pays pour entretenir la relation avec leurs clients. Avec l'instabilité géopolitique et la hausse du carburant, la gestion des tournées y est devenue un sujet de rentabilité de premier ordre : le carburant et les salaires figurent parmi les principaux centres de coûts de l'entreprise.

Le fichier de l'administration des ventes et les tournées des commerciaux racontent la même histoire. Dans les deux cas, la valeur est venue de ce que l'entreprise avait en propre : ses exceptions, sa donnée, sa manière de travailler.

Centraliser la donnée pour décentraliser son usage

Notre dirigeant se pose une question simple : quels clients sont devenus moins rentables cette année, et pourquoi ? La réponse existe. Elle se trouve dans l'ERP, qui connaît les factures ; dans le logiciel qualité, qui connaît les réclamations ; dans le CRM, qui connaît les remises consenties ; dans le logiciel d'entrepôt, qui connaît les livraisons partielles ; et dans le fichier de l'administration des ventes, qui connaît les exceptions. Pour la faire apparaître, le contrôleur de gestion devra croiser cinq exports entre deux clôtures. Un grand groupe confie ce travail à une direction entière, consacrée à l'analyse de la donnée ; notre entreprise le confie à la patience d'une seule personne.

Deux situations mènent à ce résultat. Ou bien la donnée est dispersée, comme ici, entre plusieurs logiciels et quelques fichiers ; ou bien elle a été rassemblée, mais reste illisible. Dans les deux cas, l'information existe, et l'extraire coûte cher.

Encore la donnée ne répond-elle pas seule. Beaucoup des décisions d'un dirigeant portent sur ce qui se passerait si l'on changeait le prix, l'organisation ou le recrutement. Ces questions contrefactuelles demandent des hypothèses, puis des tests : c'est la méthode même que le harnais donne au modèle.

Voici ce que l'IA change vraiment. Elle met cette visibilité à la portée de chaque collaborateur, dans des entreprises trop petites pour s'offrir une équipe d'analystes. Plus largement, un modèle de langage donne à chacun un premier niveau d'expertise, qu'il fallait jusqu'ici demander à un data scientist, à un juriste, à un acheteur ou à un ingénieur supply chain. Notre contrôleur de gestion peut interroger la donnée dans sa langue, et poser ses questions au rythme où elles lui viennent.

Qui peut alors lancer un chantier qui traverse plusieurs systèmes ? Tout collaborateur qui connaît son métier, pourvu que la donnée soit réunie. La barrière se déplace de la technique vers deux compétences : bien formuler le problème, et savoir interpréter le résultat. Ce sont des compétences de métier bien plus que de technique.

La condition tient en un mot : centraliser, c'est-à-dire rassembler la donnée dans le data lake. On objectera qu'il faudrait alors nettoyer d'abord toute la donnée de l'entreprise, au prix d'un chantier de plusieurs années. À vrai dire, la normalisation peut se faire au fil des cas d'usage, car extraire et nettoyer du texte ou des documents coûte désormais très peu. On rassemble d'abord ; on met en ordre à mesure qu'on s'en sert.

Centraliser la donnée pour décentraliser son usage Cinq sources dispersées — ERP, CRM, QMS, WMS et un fichier Excel de l'administration des ventes — alimentent le harnais, bande centrale qui traverse la figure. Le harnais écrit dans le data lake, où la donnée rassemblée telle qu'elle arrive devient une ontologie au fil des cas d'usage. Au-dessus, les outils des métiers se connectent au harnais ; quand ils l'interrogent, il interroge ce même lac. La figure ne montre que les flux, sans les personnes. LE CHEMIN DE LA DONNÉE Centraliser la donnée pour décentraliser son usage Le harnais est la porte unique : il écrit dans le lac ce que les systèmes dispersés lui apportent, et c'est le même lac qu'il interroge pour répondre aux outils. ERP CRM QMS WMS Excel ADV CE QUI EST DISPERSÉ Tournées Stocks Commandes Marges Factures LES OUTILS DES MÉTIERS Le harnais outils, accès aux systèmes, méthode écrit interroge le même lac LE DATA LAKE La donnée rassemblée telle qu'elle arrive L'ontologie le modèle métier la mise en ordre se fait au fil des cas d'usage Centraliser le socle, décentraliser la construction.
Centraliser la donnée pour décentraliser son usage : le harnais comme porte unique. Schéma des auteurs.

L'industrie rend l'exercice plus difficile. Les modèles ont appris sur du texte, du code et des images, une donnée née numérique. La donnée industrielle se présente surtout en séries de mesures produites par les machines, sans contexte qui en dise le sens, et enfermées dans les formats propriétaires de chaque fabricant. Pour notre entreprise, une bonne part de ce qu'elle sait de sa production se trouve ainsi dans ses machines, sous la forme la plus difficile à exploiter.

La difficulté la plus courante est pourtant plus prosaïque. Un même article porte une référence dans l'ERP et une autre dans le logiciel d'entrepôt. Avant de rapprocher les ventes, les stocks et les livraisons, il faut faire correspondre les deux référentiels, article par article. Ce travail demandait beaucoup de temps et des experts ; il peut désormais être fortement accéléré, y compris par les métiers eux-mêmes, qui savent mieux que quiconque à quel article de l'ERP correspond telle référence de l'entrepôt. C'est ce travail, modeste en apparence, qui rend la donnée enfin exploitable.

Le rapprochement des références, fait une fois pour l'approvisionnement, servira au prochain cas d'usage, puis au suivant. C'est ainsi que se constitue, cas après cas, l'ontologie de l'entreprise, son véritable actif : elle lui appartient bien plus qu'à l'outil qui l'héberge.

Le dilemme du dirigeant diligent

Imaginons un appel d'offres, dans quelques années. Un client de longue date remet en concurrence ses fournisseurs, notre entreprise parmi eux. Une réponse l'emporte nettement : celle d'un concurrent de même taille, qui propose un prix plus bas et un délai plus court, et qui tient l'un et l'autre. Ses machines valent celles de notre entreprise, et ses équipes ne sont pas plus nombreuses. Mais chez lui, les commandes reçues par courriel s'enregistrent sans ressaisie, les dates promises tiennent compte du planning de l'atelier, les stocks suivent les ventes. Il traite beaucoup plus de problèmes avec les mêmes moyens, et son prix en porte la marque.

Le mécanisme est simple. Dans un secteur donné, l'entreprise qui parvient la première à faire nettement moins cher et plus vite prend un avantage difficile à rattraper. La date à laquelle on a commencé n'y est pour rien : notre entreprise a distribué ses licences en même temps que son concurrent, peut-être avant lui. Ce qui compte est la capacité acquise : la donnée rassemblée, les référentiels rapprochés, les outils que les équipes ont appris à construire et à faire vivre. Cette capacité s'accumule à mesure qu'on s'en sert, et l'écart qu'elle creuse peut se compter en années.

Trajectoires comparées de la capacité acquise Trois entreprises, trois trajectoires croissantes sur trois ans, parties de niveaux différents. L'entreprise qui généralise l'outil sans socle part la plus haute, progresse vite, puis s'aplatit. Celle qui reporte son investissement progresse lentement et régulièrement. Celle qui investit dans le socle part la plus basse et progresse à peine la première année. Sa trajectoire s'infléchit une première fois au lancement d'un socle opérationnel, une seconde lorsqu'elle décentralise la construction et réorganise ; elle dépasse alors les deux autres, après deux ans et demi. Projection : les trois trajectoires traduisent le mécanisme que cette note dégage des travaux cités, et ne reproduisent aucune série observée. PROJECTION Trajectoires comparées de la capacité acquise Projection construite sur le mécanisme que cette note dégage des travaux cités. Elle ne reproduit aucune série observée. Les trois entreprises ne partent pas du même niveau. CAPACITÉ ACQUISE départ 1 an 2 ans 3 ans 1 2 3 LES TROIS ENTREPRISES Entreprise qui investit dans le socle, puis décentralise la construction et réorganise 1lancement d'un socle opérationnel 2décentralisation et réorganisation 3dépassement Entreprise qui généralise l'outil sans construire de socle Entreprise qui reporte l'investissement jusqu'à la preuve Le rendement du socle est différé, puis cumulatif. Le classement s'inverse après deux ans et demi.
Trajectoires comparées de la capacité acquise. Projection construite sur le mécanisme que cette note dégage des travaux cités ; elle ne reproduit aucune série observée.

Il y a deux façons de perdre. La première est la plus banale : le concurrent qui vient d'emporter l'appel d'offres devient peu à peu dominant sur le même marché. La seconde est l'absorption : un acteur plus gros, qui a consolidé sa position, rachète ceux qui n'ont pas suivi. Dans un cas comme dans l'autre, l'entreprise perd la main, et elle la perd en ayant été bien gérée.

Elle la perd lentement, par une érosion de l'avantage concurrentiel : un appel d'offres perdu, puis un autre, un client qui réduit ses commandes, un point de marge qui s'en va. Chaque perte a son explication – le prix, la conjoncture, un interlocuteur qui a changé chez le client – et aucune ne désigne la cause. C'est ce qui rend cette menace difficile à voir venir, et facile à sous-estimer.

Comment une maison bien tenue en arrive-t-elle là ? Par l'une ou l'autre des deux branches d'un même dilemme. Prenons d'abord le cas d'un pair de notre dirigeant, à la tête d'une entreprise de même taille, qui avait lui aussi répondu à cet appel d'offres, sans plus de succès. Lui a choisi la prudence. Il attend que le retour sur investissement soit démontré, que le marché mûrisse, que la solution standard existe ; il l'achètera alors, éprouvée et sans doute moins chère. C'est raisonnable, et c'est dangereux. Pendant qu'il attend, rien ne lui signale qu'il prend du retard ; quand la preuve arrivera enfin, le concurrent qui les a battus aura plusieurs années d'avance.

Cette prudence a une variante, plus moderne en apparence : attendre le prochain modèle, celui qui rendra enfin l'IA fiable, simple ou bon marché. C'est le même réflexe. Un modèle chasse l'autre tous les six mois, si bien que l'attente peut durer indéfiniment ; pendant ce temps, la capacité se construit chez ceux qui avancent.

Notre dirigeant, lui, a pris l'autre branche. Il a agi, mais comme on pilote tout grand projet : un programme central, des licences pour tous, des formations menées d'un même pas, des preuves de concept validées d'en haut. C'est raisonnable aussi, et c'est ce qui produit un kilomètre de large et un centimètre de profond. Le programme équipe chacun de la même façon, alors que la valeur se loge dans ce que chaque équipe a de singulier ; les preuves de concept portent sur les sujets que la direction connaît, alors que les plus prometteurs dorment dans le fichier Excel de l'administration des ventes.

Ce contrôle a sa forme la plus coûteuse : décréter d'emblée la réorganisation, redessiner les services et redéfinir les postes avant que les outils aient servi. L'intention se comprend, et l'histoire de l'informatique lui donne raison. Bresnahan, Brynjolfsson et Hitt ont montré, dans un article paru en 2002, que les gains de l'informatique ne venaient ni de la technologie seule, ni de l'organisation seule, mais de leur combinaison : les entreprises en tiraient profit lorsqu'elles changeaient à la fois leurs outils et leur façon de travailler. Ces travaux établissent que les deux vont ensemble, et laissent ouvert l'ordre dans lequel les mener : c'est la résistance des équipes qui en décide.

Réorganiser d'abord, c'est demander à des équipes de changer de métier avant qu'elles aient vu une seule preuve que cela marche. Qu'on se figure l'atelier, l'administration des ventes et les acheteurs de notre entreprise, à qui l'on présente un nouvel organigramme au nom d'outils dont ils ne se sont pas encore servis : les résistances se cristallisent avant les premiers résultats.

Voilà ce qui fait de cette situation un dilemme. Les deux branches sont les réponses d'un bon gestionnaire : le pair de notre dirigeant a été prudent, notre dirigeant a été méthodique, et aucun des deux n'a commis de faute. Tous deux ont perdu le même appel d'offres, face au même concurrent. Faut-il en accuser la diligence elle-même ? Ce serait confondre une vertu avec ses habitudes. Ce qui fait échouer, ce sont deux réflexes qu'elle commande d'ordinaire : attendre la preuve, centraliser le contrôle. Ils conviennent aux technologies dont la valeur se démontre avant l'achat ; appliqués à une technologie dont la valeur ne se prouve qu'en l'utilisant, ils se retournent contre celui qui les suit.

Il ne s'agit donc, à nos yeux, ni d'agir moins, ni de contrôler moins. Il s'agit de changer l'objet de la diligence : la porter sur la profondeur de l'usage plutôt que sur sa largeur, et sur la capacité que l'entreprise acquiert plutôt que sur la preuve qu'elle attend.

Sortir du dilemme : les deux temps et ceux qui les portent

Notre dirigeant a reçu, à quelques semaines d'intervalle, deux conseils contraires. Le premier l'invite à ne « rien changer » à son organisation : l'IA viendrait s'ajouter à l'existant, sans bouleverser les postes ni les habitudes. Le second lui assure que les entreprises qui réussissent sont celles qui repensent leurs processus. Lequel croire ? Les deux, à vrai dire, mais pas au même moment. La sortie du dilemme tient dans cet ordre : un premier temps où l'on pose le socle sans toucher à l'organisation, puis un second où l'organisation change, là où les usages l'exigent.

Le premier temps mène deux chantiers de front. L'un consiste à poser le socle : rassembler la donnée dans le data lake, choisir et installer le harnais. L'autre consiste à acculturer, c'est-à-dire à montrer à chaque collaborateur ce que l'IA lui permet sur son propre travail. Aucune réorganisation n'est décrétée. Les gains viennent de la donnée que l'entreprise possède déjà : moins de gaspillage, des décisions quotidiennes mieux informées, un EBITDA qui monte. Les tournées des commerciaux et l'approvisionnement des entrepôts relèvent de ce premier temps.

À bien y regarder, notre dirigeant en a déjà fait la moitié. Ses licences, ses formations, ses preuves de concept ont acculturé l'entreprise : chacun y a vu ce dont l'IA est capable. Le socle, lui, reste à poser. La donnée demeure dispersée entre l'ERP, le CRM et les fichiers de chacun, et aucun harnais ne la relie aux modèles. Ce qui a été fait garde toute sa valeur ; il lui faut maintenant le terrain sur lequel ses équipes pourront construire.

Dans ce premier temps, tous n'avancent pas au même rythme. Une minorité s'empare vite des outils : de l'ordre d'un tiers des collaborateurs pour un usage régulier, nettement moins pour un usage quotidien. Les enquêtes de Bick, Blandin et Deming en donnent l'ordre de grandeur aux États-Unis : de l'été 2024 au printemps 2026, la part des actifs qui se sont servis de l'IA générative au travail dans la semaine est passée de 28 % à 39 %, quand celle des actifs qui s'en servent chaque jour de travail n'a progressé que de 12 % à 14 %. Dans notre entreprise comme ailleurs, c'est de cette minorité que viennent les premiers outils et les premiers gains mesurables.

Encore faut-il que les outils gagnent le reste des équipes. Le travail d'un collaborateur, ce sont d'abord des habitudes, et un nouvel outil les bouscule ; s'il rend le travail plus pénible, il ne sera pas adopté, quoi qu'il rapporte. Un gain en euros intéresse la direction, et laisse souvent indifférent celui qui se sert de l'outil. Chaque outil doit donc aussi alléger le travail de son utilisateur. C'est ce qui a fait le succès de l'outil d'approvisionnement : le responsable d'entrepôt garde la décision, et il la prend désormais en connaissance de cause.

Un outil n'est pas adopté non plus si celui qui s'en sert sent son emploi menacé. Le dirigeant doit dire ses intentions. Nous ne lui demandons pas de s'engager sur ses effectifs ; nous lui donnons de bonnes raisons de ne pas commencer par les réduire. Présenter l'IA comme un motif de suppressions de postes n'apporte aucun bénéfice démontré, et ruine l'adoption en interne : qui construirait de bon cœur l'outil appelé à le remplacer ?

Les faits plaident dans le même sens : les entreprises qui gagnent avec l'IA sont celles qui croissent. Aux États-Unis, Babina et ses coauteurs observent que celles qui investissent le plus dans l'IA voient leurs ventes et leurs effectifs progresser d'environ deux points de plus par an, et que cette croissance vient de nouveaux produits bien plus que d'une baisse des coûts. En France, sur des données de 2017 à 2020, antérieures à l'IA générative, Aghion et ses coauteurs constatent que l'emploi et les ventes ont augmenté après l'adoption de l'IA. Pour notre entreprise, la question utile porte sur les marchés qu'elle pourrait gagner, bien plus que sur les postes qu'elle pourrait supprimer.

Mais la raison la plus simple de ne pas commencer par là tient au premier temps lui-même. Ses gains se tirent de la donnée existante, et permettent de faire plus avec les mêmes équipes. Surtout, la valeur se trouve dans le dernier kilomètre, que connaissent mieux que personne ceux qui le parcourent chaque jour. Réduire les effectifs d'emblée, c'est se priver de ceux qui construiront les outils.

Que dit alors le dirigeant à ses équipes ? Trois choses. Son objectif : traiter beaucoup plus de problèmes avec les mêmes moyens. Son ordre : la donnée et les usages d'abord, l'organisation ensuite. Et, honnêtement, que la nature des postes recherchés changera. Le dire tôt coûte moins cher que de le laisser deviner.

Le premier temps prépare aussi l'organisation, sans la réorganiser. Il y faut des objectifs individuels qui valorisent la construction et le partage d'outils, du temps dégagé pour ceux qui construisent, et l'habitude de partager connaissances et bonnes pratiques. Robin Rivaton, dans un autre texte, paru en avril 2026, nomme cette disposition la plasticité organisationnelle : des rôles qui peuvent évoluer, des salariés plus autonomes. Dans notre entreprise, cela voudrait dire inscrire dans les objectifs de la gestionnaire de l'administration des ventes l'outil qu'elle construira et transmettra à ses collègues, et lui en laisser le temps. Sur ce terrain, la France a, à nos yeux, un retard à combler si l'Europe veut tenir la course à l'adoption.

Vient alors le second temps, celui de la propagation. Les résultats du premier convainquent mieux que tous les discours. Les outils et les méthodes passent d'une équipe à l'autre, parce que le socle est commun et que l'habitude du partage est prise. La refonte des processus et la redéfinition des rôles y deviennent la réponse aux contraintes que ces usages font apparaître, là où ils les font apparaître. Lorsque le suivi des commandes ne vit plus dans le fichier d'une seule personne, on redessine l'administration des ventes ; lorsque l'approvisionnement se décide sur une donnée partagée, on redéfinit le rôle de l'acheteur.

C'est dans ce second temps que la valeur est la plus grande. Les entreprises qui tirent de l'IA un gain réel s'y trouvent déjà, quand la plupart des autres en sont encore au premier ; c'est là que l'IA, après avoir réduit le gaspillage, fait gagner des marchés. Le concurrent qui a emporté l'appel d'offres en est là : il donne une date ferme pendant l'appel, parce que son administration des ventes travaille sur la même donnée que son atelier.

Les deux temps de la transformation Schéma en deux temps séparés par un trait vertical. Un socle commun, le data lake et le harnais, court sous les deux temps : il est posé au premier et reste commun ensuite. Au temps 1, les premiers outils sont construits sur ce socle par les profils hybrides, environ un tiers des collaborateurs, et la case « réorganisation décrétée » est barrée : c'est la forme la plus coûteuse du contrôle. Au temps 2, les outils se multiplient et passent d'une équipe à l'autre, et la refonte des processus et des rôles devient la réponse aux contraintes que les usages font apparaître. En bas, trois annotations rappellent que l'ordre est la vraie décision, que l'organisation se prépare au premier temps sans être réorganisée, et que réorganiser d'abord revient à demander à des équipes de changer de métier avant qu'elles aient vu une seule preuve que cela marche. TEMPS 1 Poser le socle et acculturer TEMPS 2 Propager, puis réorganiser Réorganisation décrétée la forme la plus coûteuse du contrôle Refonte des processus et des rôles en réponse aux contraintes des usages Les premiers outils, construits par les profils hybrides, environ un tiers des collaborateurs. Premiers gains mesurés. L'organisation se prépare sans être réorganisée : objectifs, temps, partage. Les résultats convainquent. Outils et méthodes passent d'une équipe à l'autre, parce que le socle est commun. Socle commun : le data lake et le harnais Posé au premier temps, il reste commun : c'est lui qui rend possible la construction décentralisée. L'ordre est la vraie décision. Réorganiser d'abord, c'est demander à des équipes de changer de métier avant qu'elles aient vu une seule preuve que cela marche.
Les deux temps de la transformation : poser le socle et acculturer, puis propager et réorganiser.

Venons-en à ceux qui portent ces deux temps : les profils hybrides, une poignée de collaborateurs parmi ceux qui se sont emparés les premiers des outils. Ce qu'on attend d'eux se formule simplement : passer du problème constaté sur le terrain à l'indicateur qui bouge. Cela se décompose en cinq gestes, que l'on peut vérifier un à un : repérer les points de friction dans le fonctionnement réel de l'entreprise ; choisir les cas d'usage ; construire un outil très personnalisé, et pourtant maintenable ; le déployer et le faire adopter ; mesurer, enfin, la valeur produite.

Ce rôle a une histoire. Il est né chez Palantir, sous le nom de forward deployed engineer, l'ingénieur déployé chez le client, d'une impasse commerciale : des clients qui ne pouvaient ni rédiger de cahier des charges ni partager leurs données ont obligé l'éditeur à envoyer ses ingénieurs construire sur place. Tout le secteur reconnaît aujourd'hui ce rôle. Chez Palantir, cet ingénieur vient de l'extérieur, par nécessité. Dans une PME ou une ETI, le meilleur profil hybride vient de l'intérieur, parce que la ressource rare y est la connaissance du métier : un excellent ingénieur qui ne la possède pas produira un outil inutile, simplement plus vite.

Qui sont-ils ? Ce ne sont pas des experts à la fois techniques et métier, mais des gens du métier qui aiment la donnée. Curieux, débrouillards, pas forcément techniques, ils bricolent déjà leurs propres fichiers pour contourner les outils : ce que la culture technique appelle, au sens noble, des « hackers ». La gestionnaire de l'administration des ventes de notre entreprise, avec le fichier Excel qu'elle tient depuis des années à côté de l'ERP, en est le portrait. Avec l'IA, leur capacité est démultipliée, et ils sont déjà dans l'entreprise.

Si ce profil avance plus vite, c'est que le socle technique existe déjà et qu'il ne prend en charge que le dernier kilomètre, qu'il connaît de l'intérieur. Dans un projet classique, l'outil de suivi des commandes serait passé de main en main : le métier qui exprime le besoin, le chef de projet, l'analyste, le développeur, la DSI ; à chaque passage, des allers-retours et de l'information perdue. Ici, celle qui connaît le problème est aussi celle qui construit la solution.

Ce modèle démocratiserait ce qui était jusqu'ici réservé aux plus grands, et c'est l'idée centrale de cette note : le niveau de lisibilité de la donnée et d'outillage interne des entreprises du Fortune 500 deviendrait accessible à des entreprises dès cinquante millions d'euros de chiffre d'affaires. C'est précisément la population que la baisse attendue du coût du sur-mesure ferait entrer dans le jeu. La limite est connue : ces profils sont rares, et il faut les accompagner dans la durée plutôt que par une formation ponctuelle.

Notre dirigeant sort ainsi du dilemme, sans rien renier de sa diligence. Il pose le socle. Il dit ses intentions. Il repère ses profils hybrides, les protège, leur donne du temps et l'accès au socle. Il exige un indicateur avant chaque outil. Il prépare l'organisation, puis la réorganise là où les usages le demandent, quand ils le demandent.

Promettre aux équipes qu'« aucun changement » n'aura lieu serait faux ; exiger d'emblée une réorganisation, ce serait retomber dans la seconde branche du dilemme. Le dirigeant diligent ne pilote plus la transformation d'en haut : il en garantit les conditions, et il en exige les résultats.

Ce que cela fait au travail : et si les 10 % devenaient 90 % ?

Ouvrons l'agenda du contrôleur de gestion de notre entreprise. Le lundi, il extrait les chiffres de la semaine écoulée et les consolide ; le mardi, il les met en forme pour le comité de direction ; le mercredi et le jeudi s'en vont en réunions, en courriels et en réponses aux commerciaux qui s'interrogent sur leurs marges ; le vendredi, il prépare la clôture. Entre deux, une demande urgente, puis une autre. Le moment où il comprend pourquoi la marge d'un client a fondu, et décide d'en alerter la direction, se loge dans les interstices de cette semaine.

Cet agenda n'a rien d'exceptionnel. Dillon et ses coauteurs ont suivi, dans une expérience, plus de 7 000 salariés de 66 entreprises : au départ, la messagerie et les réunions leur prenaient près de 17 heures cumulées par semaine. Avec ses deux journées de réunions et de courriels, notre contrôleur de gestion est dans la norme. La coordination et la circulation de l'information occupent une large part du temps des travailleurs du savoir, au détriment du travail de fond.

Ce temps est aussi morcelé. En 2005, Mark, Gonzalez et Harris ont observé des travailleurs de l'information minute par minute, pendant plus de 700 heures : ils restaient en moyenne onze minutes sur un même sujet avant d'en changer. En France, selon l'enquête Conditions de travail menée par la Dares en 2019, 73 % des cadres déclarent devoir souvent s'interrompre pour une tâche imprévue. L'analyse qui demanderait une matinée de concentration se fait ainsi par tranches de quelques minutes, entre deux urgences.

D'où l'image, stylisée, qui sert de fil à cette partie. Environ 90 % du travail consiste à produire et à faire circuler l'information : rédiger, chercher, synthétiser, mettre en forme, coordonner. Les 10 % restants sont faits de jugement, d'arbitrage, de réflexion de fond, de créativité et de mise en cohérence à long terme. Ce n'est qu'une image. Aucune enquête ne mesure le temps passé par tâche, et les enquêtes publiques mesurent des fréquences. La répartition varie d'ailleurs fortement d'un métier à l'autre : selon une prépublication de Hatgis-Kessell et de ses coauteurs, les tâches administratives, une fois pondérées par le temps qu'elles occupent, pèsent beaucoup moins que leur nombre dans les fiches de poste ne le laisse croire. L'image vaut d'abord pour les métiers du savoir, et c'est pour eux que nous l'employons.

Elle vaut aussi pour le dirigeant, avec une nuance de taille. Bandiera et ses coauteurs, qui ont étudié l'emploi du temps des dirigeants d'entreprise, montrent que les réunions occupent plus de la moitié du temps de travail du dirigeant médian. On se gardera pourtant d'y voir du temps perdu : pour un dirigeant, la réunion est en grande partie le travail lui-même. C'est là qu'il arbitre, qu'il tranche et qu'il tient la cohérence de l'ensemble ; ses 10 % se logent dans ses réunions.

C'est sur le premier bloc que l'IA générative mord déjà : elle rédige, synthétise, cherche, met en forme, code. On aurait tort d'y voir des tâches simples. Eloundou et ses coauteurs, qui ont mesuré l'exposition de chaque métier aux grands modèles de langage, montrent qu'elles relèvent souvent de métiers qualifiés. L'Organisation internationale du travail signale une exception notable, les métiers administratifs, qu'elle classe parmi les plus exposés. Notre contrôleur de gestion, qui exerce un métier qualifié s'il en est, passe l'essentiel de sa semaine dans ce premier bloc.

L'effet mesuré sur le temps de travail reste pourtant modeste. Dans l'expérience de Dillon et de ses coauteurs, les salariés équipés d'un assistant ont passé environ deux heures de moins par semaine sur leur messagerie, sans que la composition de leurs tâches change. Le gain est réel, et il reste attaché au poste de celui qui l'obtient.

Notre hypothèse va plus loin, et nous la donnons pour telle. Chez les entreprises qui intègrent vraiment l'IA, celles qui ont posé le socle et laissé leurs équipes construire, l'absorption du premier bloc pourrait s'étendre bien au-delà de ces deux heures. Si c'est le cas, le jugement, l'arbitrage et la réflexion de fond pèseront une part croissante de la valeur du travail humain, sinon de son temps. Le travail qui reste serait plus dense, plus difficile, et il exigerait davantage de jugement. Pour notre contrôleur de gestion, ce serait une semaine moins encombrée et plus exigeante : moins d'extractions et de mises en forme, davantage de décisions à éclairer.

On objectera que l'IA progresse aussi sur le terrain du jugement. Elle donne déjà à chacun un premier niveau d'expertise, celui qu'il fallait hier demander à un juriste ou à un data scientist. Mais ce premier niveau ne remplace pas le jugement de l'expert ; il le nourrit. C'est précisément ce qui fait les 10 %.

Ce que ces chiffres établissent ensemble est solide. Le problème des cas limites ne se réduit pas à un pourcentage de situations : c'est un mur de preuve, que personne n'a encore franchi. Tant que cette preuve n'est pas faite, la responsabilité du cas rare reste humaine, au volant comme dans l'entreprise. C'est la définition même des 10 %.

La part humaine est un trait. C'est là que tout se joue. Une longue bande figure dix-neuf mille deux cent trente-quatre miles que la machine parcourt seule, soit 99,995 % des miles. À son extrémité, un seul trait vertical figure la reprise en main par l'humain : 0,005 % des miles, un mile sur dix-neuf mille deux cent trente-quatre. Une flèche descend de ce trait vers un cadre qui détaille ce que l'humain reprend à ce moment-là : cas rare que la machine n'avait pas prévu, jugement et arbitrage quand les règles se contredisent, réflexion de fond et mise en cohérence sur la durée, créativité. Le trait est minuscule, le cadre occupe le tiers de la figure. CE QUE LA MACHINE FAIT SEULE, ET CE QU'ELLE REND La part humaine est un trait. C'est là que tout se joue. Waymo, l'opérateur qui a parcouru le plus de miles d'essai en Californie : une reprise en main tous les 19 234 miles. CE QUE LA MACHINE FAIT SEULE REPRISE EN MAIN 99,995 % des miles 19 234 miles 0,005 % un mile sur 19 234 CE QUE L'HUMAIN REPREND, À CE MOMENT-LÀ Cas rare que la machine n'avait pas prévu Jugement et arbitrage quand les règles se contredisent entre elles Réflexion de fond et mise en cohérence sur la durée Créativité solution qu'aucune donnée n'enseigne Au bureau, la note appelle cette part les 10 %. Elle y est bien plus grande, et elle contient les mêmes choses. Waymo et DMV de Californie, décembre 2024 à novembre 2025. Une reprise en main n'est pas un accident évité. La part se réduit. La responsabilité, non.
La part humaine sur la route : 0,005 % des miles, et ce qu'elle contient. Waymo et DMV de Californie, décembre 2024 à novembre 2025 ; part calculée à partir du taux d'une reprise en main tous les 19 234 miles.

Ce que l'IA fait aux tâches ne dit pas encore ce qu'elle fera aux effectifs de chaque entreprise. Si l'IA permet à notre entreprise de traiter beaucoup plus de problèmes avec les mêmes moyens, deux effets joueront en sens contraire. Le premier est la substitution : l'IA prend en charge certaines tâches, et le besoin de main-d'œuvre peut diminuer d'autant ; la ressaisie des commandes disparaît, et avec elle des heures de travail à l'administration des ventes. Le second est l'effet d'échelle : les gains de productivité abaissent les coûts, permettent de développer l'activité et, le cas échéant, d'embaucher ; c'est l'appel d'offres emporté grâce à un prix plus bas et un délai plus court.

Lequel l'emportera, dans quels secteurs, pour quels métiers ? Les données françaises d'Aghion et de ses coauteurs apportent une première nuance : si l'emploi a plutôt progressé après l'adoption de l'IA, certains usages administratifs font exception, et la substitution semble l'y emporter. Ce n'est qu'un premier éclairage. L'issue dépendra sans doute moins de la technologie que de la demande à laquelle chaque entreprise fait face. Si les clients de notre entreprise achètent davantage quand elle livre plus vite et moins cher, l'effet d'échelle l'emportera ; si son marché est saturé, la substitution pèsera plus lourd.

Le cycle, dès lors, se répète. On confie à l'IA une part croissante du premier bloc, on laisse les équipes sur les goulots d'étranglement, et l'on recommence. Notre contrôleur de gestion ne croise plus ses cinq exports à la main ; il consacre sa semaine aux clients dont la marge fond, et à ce qu'il faut en faire. Avec les mêmes moyens, l'entreprise traite plus de problèmes, et le travail qui reste demande plus de jugement.

De la pyramide au cône : l'effet sur le marché du travail

Regardons comment s'est construite l'administration des ventes de notre entreprise. Chaque année, des débutants y entrent pour saisir et suivre les commandes. On repère parmi eux ceux qui ont du potentiel ; on en fait des chefs d'équipe, puis, pour quelques-uns, des responsables. Répété d'année en année, ce mouvement a donné au service, comme à l'entreprise entière, la forme d'une pyramide : beaucoup de monde à la base, de moins en moins à mesure qu'on s'élève.

Cette forme a une raison d'être, que l'économiste Luis Garicano a mise au jour dans un article paru en 2000. Dans une organisation, les problèmes courants se traitent en bas, et les problèmes rares ou difficiles remontent vers des personnes plus expertes. La base est large parce que les problèmes courants sont nombreux ; les niveaux intermédiaires font circuler l'information, coordonnent, supervisent et répartissent les connaissances. À l'administration des ventes, la commande ordinaire se traite au premier niveau ; celle d'un client aux conditions particulières remonte au chef d'équipe ; le litige, à la responsable.

L'IA transforme cette forme, selon nous, pour deux raisons d'inégale importance. La première est la plus visible. Elle prend en charge une part croissante des problèmes courants, ceux-là mêmes qui justifiaient une base large ; et courant ne veut pas dire simple. Les problèmes rares, eux, continuent de remonter vers des humains. À volume d'activité égal, la base se rétrécit : quand les bons de commande se lisent d'eux-mêmes, il faut moins de monde pour les saisir.

La seconde raison est moins évidente, et c'est à nos yeux la principale : l'accès à l'information et à la connaissance devient beaucoup moins coûteux. C'est notre apport le plus personnel, et nous le présentons comme une hypothèse, construite sur le cadre de Garicano. Chez lui, la forme de l'organisation résulte d'un arbitrage entre deux coûts. Le premier est celui d'acquérir la connaissance, c'est-à-dire de former chacun à résoudre lui-même davantage de problèmes ; le second, celui de communiquer, c'est-à-dire de faire remonter les problèmes vers ceux qui savent les résoudre. La hiérarchie est la réponse à cet arbitrage.

Que se passe-t-il quand acquérir la connaissance coûte moins cher ? Chacun résout davantage de problèmes lui-même, et en fait moins remonter : les décisions descendent, et chaque responsable peut encadrer plus de personnes. Bloom, Garicano, Sadun et Van Reenen l'ont vérifié en 2014 sur des entreprises industrielles américaines et européennes : les technologies qui facilitent l'accès à l'information y accroissent l'autonomie des salariés et l'étendue du contrôle de leurs responsables, c'est-à-dire le nombre de personnes que chacun encadre.

Notre hypothèse est que l'IA abaisse précisément ce coût d'accès à la connaissance. Elle donne à chacun un premier niveau d'expertise, et le socle de données rend l'information de l'entreprise lisible par tous. Qu'on imagine la gestionnaire de l'administration des ventes devant un écran qui réunit le contrat du client, l'état du stock et le planning de l'atelier : la commande aux conditions particulières, elle la traite elle-même, sans la faire remonter. Multiplié à l'échelle de l'entreprise, ce geste change la nature de la décision. Ce n'est plus une poignée de dirigeants qui arbitrent bien sur quelques sujets par an ; ce sont des centaines de décisions correctement informées, partout dans l'entreprise.

Nous en tirons un prolongement. À effectif donné, des responsables qui encadrent chacun plus de personnes impliquent moins d'échelons, et il faut moins de niveaux pour relayer, coordonner, contrôler et corriger les erreurs. La base se rétrécit sous l'effet de la première raison ; les niveaux intermédiaires se raréfient sous l'effet de la seconde. C'est ce double mouvement que résume l'image du cône de circulation.

De la pyramide au cône Deux silhouettes comparées, dessinées à la même échelle, aux strates de même épaisseur. À gauche, l'organisation d'hier en pyramide : cinq strates posées au sol, et une base large d'entrants qui se resserre vers le sommet. À droite, l'organisation de demain : trois strates seulement, de la même épaisseur, accrochées au même sommet. Comme elle en compte deux de moins, sa base ne descend pas jusqu'au sol : elle s'arrête deux échelons plus haut, et le vide qui reste en dessous montre ce qui a disparu. Son sommet a exactement la même largeur que celui de la pyramide : l'encadrement supérieur ne grossit pas. La pyramide d'hier est rappelée derrière elle en trait gris, si bien que l'on voit ce qui a disparu, les deux coins du bas et les deux échelons d'en bas. Entre les deux, une flèche de transformation. En dessous, trois annotations expliquent qu'une part croissante des problèmes courants est prise en charge, si bien que la base se rétrécit ; que la connaissance coûtant moins cher à acquérir, chacun décide plus souvent lui-même, les responsables encadrent plus de monde et les niveaux intermédiaires se raréfient ; et qu'à volume d'activité égal il faut moins de monde : moins d'entrants en bas, et moins d'encadrement intermédiaire au milieu. Hier la pyramide entrants Demain plus proche du cône entrants la pyramide d'hier, à la même échelle Une part croissante des problèmes courants est prise en charge : la base se rétrécit. La connaissance coûte moins cher à acquérir : chacun décide plus souvent lui-même, chaque responsable encadre plus de monde, et il faut moins d'échelons pour relayer. À volume d'activité égal, il faut moins de monde : moins d'entrants en bas, et moins d'encadrement intermédiaire au milieu.
De la pyramide au cône : ce que l'IA ferait à la forme de l'organisation. Hypothèse des auteurs.

Cette hypothèse rejoint, par un autre chemin, la plasticité organisationnelle : des décisions bien informées partout dans l'entreprise supposent un accès décentralisé à l'information. Elle a surtout le mérite de pouvoir être éprouvée. Il faudrait suivre, chez les entreprises qui adoptent l'IA en profondeur, l'étendue du contrôle de leurs responsables, le nombre de leurs niveaux hiérarchiques et la part des décisions prises sans remonter. C'est le type de données que l'Institut Xenia a vocation à rassembler.

L'effet, pourtant, n'a rien d'automatique. Le même travail de Bloom, Garicano, Sadun et Van Reenen montre que les technologies qui facilitent la communication tendent au contraire à recentraliser les décisions. Or l'IA est aussi une technologie de communication : elle résume, transmet, rend compte, et peut servir à tout faire remonter vers le sommet. Notre dirigeant peut s'en servir pour recevoir chaque matin le résumé de toutes les commandes et tout trancher lui-même ; il peut aussi donner à chaque gestionnaire de quoi trancher seule. La technologie est la même, et les deux organisations qui en sortent sont opposées. Adossée à un socle de données partagé, l'IA pousse, selon notre hypothèse, vers la seconde.

Reste à passer de l'entreprise au marché du travail. Le mécanisme que nous proposons tient en peu de mots. Les entreprises qui exploitent le mieux l'IA prennent l'avantage sur leurs concurrentes ; à mesure qu'elles gagnent du terrain, leur forme, avec une base plus étroite et moins de niveaux, devient celle de leur secteur, et cette forme ressemble davantage à un cône. Ce qui change, c'est la proportion entre les niveaux, et pas forcément l'effectif total. À l'échelle du marché, d'autres effets peuvent compenser : les débutants peuvent se réallouer vers d'autres tâches, d'autres métiers ou d'autres entreprises, et l'IA peut les rendre plus productifs plutôt que de les remplacer. Les données sur les embauches donnent donc un premier signal, à lire avec ces effets en tête.

Pour ceux qui entrent dans la vie active, deux conséquences sont possibles. La première est heureuse : moins de niveaux à franchir, et un apprentissage accéléré par l'IA, pourraient faire progresser les carrières plus vite. La seconde l'est moins : le filtre d'entrée pourrait se durcir. L'IA modifie les profils que l'entreprise recrute, et peut réduire les recrutements de certains profils juniors. Dans notre entreprise, ce serait le poste de gestionnaire débutant, celui par lequel on entrait dans la maison, qui s'ouvrirait moins souvent.

Les premières données françaises vont dans ce sens. Dans un billet publié le 8 octobre 2026 par la Banque de France, Palladino et ses coauteurs observent qu'en mars 2026, les embauches en CDI des 21-29 ans étaient inférieures d'environ 28 % à leur niveau de novembre 2022 dans le cinquième des métiers le plus exposé à l'IA générative, contre 8 % dans le cinquième le moins exposé. Les fins de CDI de ces jeunes reculent aussi, d'environ 23 % dans les métiers les plus exposés, contre 6 % dans les moins exposés. Leur emploi baisse donc parce que des embauches ne se font pas, bien plus que par des départs.

Les données américaines vont dans le même sens. Dans la révision d'août 2026 de leur étude fondée sur des données de paie, Brynjolfsson, Chandar et Chen, à Stanford, mesurent un écart relatif d'emploi de 19 % pour les 22-25 ans dans les métiers les plus exposés à l'IA ; l'ajustement passe surtout par le gel des embauches, bien plus que par des licenciements. Hosseini et Lichtinger observent de leur côté que, dans les entreprises qui adoptent l'IA générative, l'emploi junior baisse d'environ 9 % par rapport aux autres entreprises, quand l'emploi senior reste stable ; là encore, c'est le ralentissement des embauches qui fait l'écart.

Aucune de ces études n'établit encore de lien causal, et avec le plus de contrôles, les baisses mesurées à Stanford ne deviennent significatives qu'à partir de 2024. Elles ne permettent donc ni d'attribuer l'écart à l'IA, ni de valider tout le mécanisme que nous proposons. Elles disent du moins où regarder. Ce n'est pas dans les plans sociaux que se lit la transformation : c'est dans les embauches qui n'ont pas lieu.

Les chiffres du secteur vont dans le même sens, sans que la part de l'IA y soit établie. Selon les données de la NALP, qui suit le recrutement dans les cabinets américains, et une enquête de Citi, rapportées par Bloomberg Law, les cabinets de plus de 500 avocats ont recruté 7,5 % de débutants de moins en 2025 qu'en 2024, la première baisse depuis 2011 ; deux tiers des grands cabinets interrogés prévoient moins d'avocats de première année en 2028 qu'en 2025. Le cas montre surtout où se rejoignent l'embauche et l'apprentissage. C'est un défaut d'apprentissage, exécuter sans savoir juger, qui a conduit à une décision de recrutement.

Qui formera ? Des débutants aux profils hybrides

Reprenons l'histoire de la gestionnaire de l'administration des ventes. Elle n'est pas arrivée dans l'entreprise en sachant tenir son fichier. Elle a appris le métier en saisissant des commandes : les clients et leurs habitudes, les produits, les exceptions, ce qui se négocie et ce qui ne se négocie pas. Ces tâches de débutante servaient le service ; elles formaient aussi celle qui les accomplissait. Ceux de ses collègues qui n'ont jamais été promus en sont sortis formés, eux aussi, capables d'apporter de la valeur dans un autre service ou chez un concurrent.

Il faut distinguer ici trois choses que l'on confond volontiers : accomplir une tâche, apprendre à l'accomplir, et acquérir le jugement qui permet d'en évaluer le résultat. L'IA rend la première plus rapide ; elle ne garantit ni la deuxième, ni la troisième. Le junior du cabinet d'avocats savait faire exécuter la tâche, et ne savait pas en juger le résultat. Or c'est ce jugement qui fait les 10 %. Si l'IA absorbe les tâches par lesquelles on l'acquérait, comment l'acquerra-t-on ?

Deux hypothèses s'opposent, et chacune s'appuie sur des données. La première est que l'IA accélère l'apprentissage. Brynjolfsson, Li et Raymond l'ont observé dans un centre de service client : un assistant d'IA y augmente de 15 % en moyenne le nombre de problèmes résolus par heure, et d'environ 30 % chez les agents novices ou les moins qualifiés, quand l'effet est quasi nul chez les plus expérimentés. L'outil semble diffuser les pratiques des meilleurs agents vers ceux qui débutent. Pour une gestionnaire débutante, ce serait apprendre en quelques mois ce que sa devancière avait mis des années à acquérir.

La seconde est que l'IA sert de béquille. Bastani et ses coauteurs ont suivi près de 1 000 lycéens. Un assistant de type ChatGPT améliore leurs résultats aux exercices de 48 % ; mais à l'examen, passé sans IA, ces élèves font 17 % moins bien que ceux qui n'y ont jamais eu accès. Ils avaient trouvé les réponses sans acquérir le savoir. Une version conçue comme un tuteur, qui guide l'élève au lieu de répondre à sa place, améliore les exercices de 127 % et évite l'essentiel de cette perte.

Entre ces deux hypothèses, c'est la conception de l'outil et de son usage qui décide. Le même assistant peut former un débutant ou le dispenser d'apprendre, selon qu'il lui montre le chemin ou qu'il fait le travail à sa place.

Reste une difficulté plus profonde, qui tient à l'économie même de la formation. Garicano et Rayo ont montré que, dans un apprentissage, le novice paie sa formation par sa production : il fournit du travail, et reçoit en échange le savoir de ceux qui l'encadrent. Nous prolongeons leur modèle d'un pas. Si l'IA réalise ce travail pour moins cher, la production du novice ne finance plus sa formation. Ce qui est rationnel pour chaque entreprise cesse alors de l'être pour la production collective des compétences : chacune a moins intérêt à former, et toutes auront besoin de gens formés. C'est ce que nous appelons l'externalité de formation.

Notre entreprise a-t-elle intérêt à recruter une gestionnaire débutante, quand les bons de commande se lisent d'eux-mêmes ? À s'en tenir à ses comptes, non. C'est pourtant parmi ses débutants qu'elle trouvait, jusqu'ici, ceux qui finissaient par tenir le service. Comment les débutants entreront-ils désormais sur le marché du travail ?

Le cas le plus aigu est celui des profils hybrides. Ils viennent de l'intérieur, et ce qui fait leur prix, c'est leur connaissance du métier : la gestionnaire au fichier Excel en est l'exemple. Si les débutants n'apprennent plus le métier, ce vivier se tarit, au moment même où l'avancée de l'IA rend ces profils indispensables. Une partie existe déjà dans les entreprises ; il reste à les faire émerger, et surtout à les former.

Où se forment-ils aujourd'hui ? La seule filière identifiée est celle des éditeurs qui ont inventé le rôle. Après Palantir, les laboratoires d'IA et les grands éditeurs, d'OpenAI et d'Anthropic à Google, Microsoft et Meta, recrutent à leur tour des ingénieurs déployés chez le client pour y installer leurs produits. De janvier à août 2026, aux États-Unis, les offres d'emploi pour ce rôle ont progressé de plus de 1 000 % sur un an, selon les données de Lightcast rapportées par Fortune. Ces profils se forment sur le terrain, mais au service du produit de leur employeur, et non du métier du client : c'est l'inverse de ce dont une PME ou une ETI a besoin.

Les autres apprennent seuls, en cabinet de conseil ou dans les équipes data des entreprises, sans filière organisée. La source est étroite, tournée vers l'éditeur, et ne s'inscrit dans aucun projet collectif. Pour le dirigeant, la conséquence est claire : la formation cesse d'être un sujet de ressources humaines pour devenir un sujet stratégique et, au-delà de l'entreprise, un sujet de société.

Dans l'entreprise, une partie de la réponse est connue : former en profondeur plutôt qu'en largeur. La formation tombe volontiers dans le même piège que l'adoption, un kilomètre de large et un centimètre de profond. Les formations courtes servent à acculturer l'ensemble des collaborateurs ; c'est une première étape, comme l'étaient les licences pour tous, mais elles laissent intacte la façon de travailler.

Ce qui transforme le travail, c'est un accompagnement dans la durée, sur les vrais problèmes de l'équipe et sur le socle de l'entreprise. Notre gestionnaire n'apprendra pas à construire son outil de suivi des commandes en une journée de formation ; elle l'apprendra en le construisant, sur ses propres commandes, aux côtés de quelqu'un qui sait. La formation est d'ailleurs, de tous les investissements qui accompagnent l'IA dans les entreprises européennes, celui qui en amplifie le plus le gain.

Reste à choisir par qui commencer. On concentre d'abord l'effort sur ceux qui veulent se servir de l'IA, cette minorité qui s'en empare vite, plutôt que de former tout le monde à la fois. Les autres suivent par propagation, à mesure que les outils et les méthodes passent d'une équipe à l'autre. La qualité passe avant la quantité.

Conclusion : ce que cela donne en pratique

Notre dirigeant se demandait pourquoi ses comptes restaient muets. La réponse ne l'accuse pas. Il a été diligent, mais sa diligence portait sur ce qui se voit, des licences à distribuer, des preuves de concept à valider ; le dilemme se dénoue lorsqu'elle se porte sur ce qui produit la valeur. Ce déplacement en entraîne un autre, plus profond : la décision sort du registre de la peur, celle d'être distancé ou de voir les emplois menacés, pour entrer dans celui de l'allocation de capital. Combien investir dans la donnée ? Qui laisser construire ? Sur quels indicateurs juger ? Ce sont des questions qu'il connaît bien : il se les pose pour chaque machine qu'il achète et pour chaque recrutement.

Pour notre entreprise, la suite se dessine : rassembler la donnée existante, poser un harnais robuste, acculturer les équipes ; laisser ceux qui le veulent construire leurs outils, un indicateur à l'appui ; décrocher les premiers gains, puis propager outils et méthodes d'une équipe à l'autre ; réorganiser là où les contraintes l'exigent, si l'organisation s'y prête ; et recommencer. Rien de tout cela n'exige de miracle technologique. Tout cela demande de la constance.

Le résultat visé n'a rien de spectaculaire, et c'est ce qui fait sa force : une entreprise qui passe à l'échelle sans frottement, parce que ses outils sont utilisables par tous, et qui dépend beaucoup moins de quelques experts irremplaçables. Le suivi des commandes ne ralentit plus quand la gestionnaire part en congé ; l'approvisionnement ne repose plus sur l'intuition d'un seul responsable ; et le jour où quelqu'un quitte l'entreprise, ce qu'il a construit reste sur le socle.

Pour le dirigeant lui-même, comme pour son conseil ou ses actionnaires, huit questions permettent de distinguer une diligence utile d'une diligence piégée. Quelle part du budget va à la donnée et à la formation ? Les porteurs de projets sont-ils identifiés, et accompagnés dans la durée ? Les objectifs individuels valorisent-ils la construction et le partage d'outils ? Chaque outil a-t-il son indicateur, défini avant lui ? Les outils sont-ils capitalisés sur le socle commun, ou des cas d'usage isolés tiennent-ils lieu de stratégie ? L'entreprise reste-t-elle propriétaire de sa donnée et de son ontologie ? Peut-elle changer de modèle, voire de socle, sans perdre ce qu'elle a construit ? L'adoption, enfin, est-elle réellement mesurée ?

L'enjeu dépasse chaque entreprise. L'avance prise par les États-Unis et la Chine sur les modèles de pointe ne décide pas de tout : pour les entreprises, la course décisive est celle de l'adoption. Elle se joue face aux uns comme aux autres, et c'est dans ses PME et ses ETI, nous le croyons, que l'Europe peut encore la gagner.

Références

Vérifiées le 18 octobre 2026. « Document de travail » et « prépublication » signalent un texte qui n'est pas encore publié dans une revue à comité de lecture.

Introduction

  • Yotzov, Barrero, Bloom, Bunn, Davis et al. (2026), « Firm Data on AI », NBER Working Paper 34836, document de travail. nber.org
  • Ferrando, Lamboglia, Rariga et Schmidt (2026), « Adoption and investment in AI across the euro area: Insights from harmonised firm-level data », BCE, Occasional Paper n° 395. ecb.europa.eu
  • Christensen (1997), The Innovator's Dilemma, Harvard Business School Press.

Partie 1

  • Humlum et Vestergaard (2025), « Large Language Models, Small Labor Market Effects », BFI Working Paper 2025-56, document de travail. bfi.uchicago.edu
  • Aldasoro, Gambacorta, Pál, Revoltella, Weiss et Wolski (2026), « AI adoption, productivity and employment: evidence from European firms », BIS Working Paper n° 1325 et EIB Economics Working Paper 2026/02, document de travail ; les chiffres de 2,4 et 5,9 points viennent du résumé des auteurs sur VoxEU (17 février 2026). bis.org · VoxEU
  • Calvino et Fontanelli (2023), « Artificial intelligence, complementary assets and productivity: evidence from French firms », LEM Working Paper 2023/35, document de travail ; version internationale : « A portrait of AI adopters across countries », OECD Science, Technology and Industry Working Papers 2023/02. lem.sssup.it · oecd.org
  • Agrawal, Gans et Goldfarb (2024), « Artificial intelligence adoption and system-wide change », Journal of Economics & Management Strategy, 33(2). ideas.repec.org
  • Rivaton (2026), « Why AI agents are being adopted faster in China than elsewhere? », Fondation France-Asie, 7 mai 2026. fondationfranceasie.org
  • Challenger, Gray & Christmas (2026), Job Cut Announcement Report, septembre 2026. challengergray.com
  • Amazon : mémo du 28 octobre 2025 techrepublic.com ; déclaration d'Andy Jassy du 30 octobre 2025 geekwire.com
  • Li (2025), « AI Washing », document de travail. utdallas.edu

Partie 3

  • Cui, Demirer, Jaffe, Musolff, Peng et Salz (2026), « The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers », Management Science. informs.org
  • Borg et al. (2025), « Echoes of AI: Investigating the Downstream Effects of AI Assistants on Software Maintainability », arXiv:2507.00788. arxiv.org
  • He, Miller, Agarwal, Kästner et Vasilescu (2026), « Speed at the Cost of Quality: How Cursor AI Increases Short-Term Velocity and Long-Term Complexity in Open-Source Projects », MSR 2026. arxiv.org

Partie 6

  • Bresnahan, Brynjolfsson et Hitt (2002), « Information Technology, Workplace Organization, and the Demand for Skilled Labor: Firm-Level Evidence », Quarterly Journal of Economics, 117(1). repec.org

Partie 7

  • Bick, Blandin et Deming, « The Rapid Adoption of Generative AI », NBER Working Paper 32966 nber.org ; suivi publié sur le blog de la Réserve fédérale de Saint-Louis, août 2026 stlouisfed.org ; séries trimestrielles du Real-Time Population Survey, dont l'usage quotidien au travail fred.stlouisfed.org
  • Rivaton (2026), « From 1h a day to +1% productivity: Why AI Saves You an Hour and Your Company Gains Nothing », SSRN, avril 2026. ssrn.com
  • Babina, Fedyk, He et Hodson (2024), « Artificial Intelligence, Firm Growth, and Product Innovation », Journal of Financial Economics, 151. ideas.repec.org
  • Aghion, Bunel, Jaravel, Mikaelsen, Roulet et Søgaard (2025), « How Different Uses of AI Shape Labor Demand: Evidence from France », AEA Papers and Proceedings, 115. aeaweb.org
  • Steel et House (2024), « Short-term pain for long-term gain? A longitudinal meta-analysis of downsizing-financial performance relationships », Frontiers in Behavioral Economics, 3. frontiersin.org
  • Guthrie et Datta (2008), « Dumb and Dumber: The Impact of Downsizing on Firm Performance as Moderated by Industry Conditions », Organization Science, 19(1). ideas.repec.org

Partie 8

  • Dillon, Jaffe, Immorlica et Stanton (2025), « Shifting Work Patterns with Generative AI », NBER Working Paper 33795, document de travail. nber.org
  • Mark, Gonzalez et Harris (2005), « No Task Left Behind? Examining the Nature of Fragmented Work », Proceedings of CHI 2005. interruptions.net
  • Insee (2023), Emploi, chômage, revenus du travail, Insee Références, fiche 4.4 « Conditions de travail » (Dares, enquête Conditions de travail 2019). insee.fr
  • Bandiera, Hansen, Prat et Sadun (2020), « CEO Behavior and Firm Performance », Journal of Political Economy, 128(4). lse.ac.uk
  • Hatgis-Kessell, Aguirre, Wan et Bommasani (2026), « Estimating time spent on work tasks », arXiv:2608.05172, prépublication. arxiv.org
  • Eloundou, Manning, Mishkin et Rock (2024), « GPTs are GPTs: Labor market impact potential of LLMs », Science. arxiv.org
  • Gmyrek et al. (2025), « Generative AI and Jobs: A Refined Global Index of Occupational Exposure », OIT, Working Paper 140. ilo.org
  • DMV de Californie, rapports de désengagement, décembre 2024 à novembre 2025 dmv.ca.gov ; NHTSA (2026), « Overview of Motor Vehicle Traffic Crashes in 2024 », DOT HS 813 791 nhtsa.dot.gov ; Waymo, Safety Impact Hub waymo.com
  • Kalra et Paddock (2016), « Driving to Safety: How Many Miles of Driving Would It Take to Demonstrate Autonomous Vehicle Reliability? », RAND Corporation, RR-1478-RC. rand.org
  • Aghion, Bunel, Jaravel, Mikaelsen, Roulet et Søgaard (2025) : voir partie 7.

Partie 9

  • Garicano (2000), « Hierarchies and the Organization of Knowledge in Production », Journal of Political Economy, 108(5). ideas.repec.org
  • Bloom, Garicano, Sadun et Van Reenen (2014), « The Distinct Effects of Information Technology and Communication Technology on Firm Organization », Management Science, 60(12). lse.ac.uk
  • Palladino, Bergeaud, Bertheau, Bunel et Degos (2026), « IA générative : les premiers changements du marché du travail sur les jeunes », Banque de France, billet n° 463, 8 octobre 2026. banque-france.fr
  • Strom (2026), « Big Law First-Year Hiring Set to Plunge as History, AI Collide », Bloomberg Law, 10 septembre 2026, d'après les données de la NALP et une enquête de Citi. bgov.com
  • Brynjolfsson, Chandar et Chen, « Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence », Stanford Digital Economy Lab, révision du 12 août 2026, document de travail. stanford.edu
  • Hosseini et Lichtinger (2026), « Generative AI as Seniority-Biased Technological Change », document de travail, version de mai 2026. ssrn.com

Partie 10

  • Brynjolfsson, Li et Raymond (2025), « Generative AI at Work », Quarterly Journal of Economics, 140(2). oup.com
  • Bastani, Bastani, Sungu, Ge, Kabakcı et Mariman (2025), « Generative AI without guardrails can harm learning: Evidence from high school mathematics », PNAS, 122(26). ideas.repec.org
  • Garicano et Rayo (2017), « Relational Knowledge Transfers », American Economic Review, 107(9). ideas.repec.org
  • Fortune, 3 septembre 2026, sur la croissance des offres de forward deployed engineers (données Lightcast). fortune.com
  • Aldasoro, Gambacorta, Pál, Revoltella, Weiss et Wolski (2026) : voir partie 1.