Intégration de l’IA en entreprise : préparer l’organisation, le travail et les équipes

Les entreprises achètent des licences, ouvrent des accès, nomment des ambassadeurs et organisent des ateliers de prompting. Quelques semaines plus tard, elles annoncent avoir engagé leur transformation par l’intelligence artificielle. Le constat est parfois prématuré.

Un outil peut être disponible sans être utilisé. Il peut être utilisé sans modifier les pratiques. Il peut modifier les pratiques sans améliorer la performance. Il peut enfin augmenter la performance locale tout en dégradant la qualité, la coopération, l’autonomie ou la capacité de jugement à l’échelle du système.

L’intégration de l’IA en entreprise ne se réduit donc pas au déploiement d’une technologie. Elle transforme la répartition des tâches, les critères du travail bien fait, l’accès à l’information, les responsabilités, les compétences, les relations professionnelles et parfois la définition même de l’expertise.

Voilà pourquoi elle relève autant du développement organisationnel que de la stratégie technologique.

Les premiers chiffres français illustrent déjà l’écart entre diffusion et création de valeur. En 2026, 77 % des entreprises de taille intermédiaire interrogées par Bpifrance Le Lab déclarent utiliser l’intelligence artificielle générative. Pourtant, seulement 17 % des ETI utilisatrices constatent un gain de temps dans l’exécution des tâches. Du côté des cadres, l’Apec observe que 29 % ont été formés à l’IA en 2026, principalement au moyen de formations généralistes plutôt que de formations adaptées aux métiers.

L’usage progresse donc plus vite que la transformation du travail qui permettrait d’en tirer parti.

Une IA installée ne crée pas une organisation augmentée. Elle crée d’abord une nouvelle série de décisions à prendre.

Intégration, adoption et performance : trois problèmes différents

Le vocabulaire contribue à la confusion. Installer, déployer, adopter et intégrer sont souvent employés comme des synonymes. Ces verbes désignent pourtant des états différents.

Une organisation peut avoir techniquement déployé une solution et observer très peu d’usages. Elle peut également constater de nombreux usages individuels sans savoir si ceux-ci améliorent le travail. Des salariés peuvent produire plus vite tout en consacrant davantage de temps à vérifier, corriger ou expliquer les résultats. Une équipe peut gagner localement en efficacité et déplacer les coûts vers une autre fonction.

La distinction suivante évite de déclarer trop tôt le succès d’une transformation.

Cette progression n’est pas toujours linéaire. Des usages peuvent apparaître avant le déploiement officiel. Des salariés utilisent alors des outils publics, développent leurs propres méthodes et contournent parfois les règles de sécurité. À l’inverse, un dispositif techniquement maîtrisé peut rester périphérique parce qu’il ne répond à aucun problème important du travail.

L’enjeu n’est donc pas d’obtenir le plus d’usage possible. Il est de construire les usages qui augmentent réellement la capacité d’action de l’organisation.

La productivité de l’IA est réelle, mais située

La recherche expérimentale fournit des résultats encourageants. Elle invite aussi à renoncer aux promesses générales.

Dans une étude publiée en 2025 dans le Quarterly Journal of Economics, Erik Brynjolfsson, Danielle Li et Lindsey Raymond ont observé l’introduction d’un assistant conversationnel auprès de 5 172 agents d’un service client. L’accès à l’outil a augmenté la productivité moyenne d’environ 14 %. L’effet était nettement plus important chez les salariés moins expérimentés et moins performants, tandis que les gains étaient faibles chez les plus expérimentés.

L’IA n’a donc pas produit le même effet pour tout le monde. Elle semble avoir rendu plus rapidement accessibles certaines pratiques auparavant acquises par l’expérience. Cette diffusion peut réduire des écarts de performance, mais elle pose aussi une question organisationnelle : que devient l’expertise lorsque ses manifestations les plus visibles sont incorporées dans l’outil ?

L’étude conduite auprès de 758 consultants du Boston Consulting Group aboutit à une conclusion complémentaire. Pour les tâches situées à l’intérieur des capacités du modèle, les participants équipés d’une IA générative ont réalisé davantage de tâches, plus rapidement et avec une qualité évaluée comme supérieure. Pour une tâche située en dehors de cette frontière, l’accès à l’IA a au contraire augmenté la probabilité d’une réponse erronée (Dell’Acqua et al., 2026).

Les auteurs parlent de jagged technological frontier, une frontière technologique irrégulière. L’IA peut exceller sur une tâche et échouer sur une autre qui lui ressemble. Cette frontière évolue avec les modèles, les données, le contexte et la formulation de la demande. Elle reste difficile à percevoir depuis l’interface, car un résultat erroné peut être présenté avec la même assurance qu’un résultat pertinent.

Trois conséquences en découlent.

Premièrement, une moyenne de productivité ne suffit pas à prévoir les effets dans une organisation particulière. Le métier, l’expérience, la tâche, la qualité des données et les règles de contrôle modifient le résultat.

Deuxièmement, former les salariés à produire des réponses ne suffit pas. Ils doivent apprendre à reconnaître les limites de l’outil, à vérifier les productions et à savoir quand reprendre la main.

Troisièmement, l’entreprise doit tester l’IA dans ses propres flux de travail. Une démonstration générique ne dit presque rien de la performance future dans une situation comportant des données incomplètes, des enjeux politiques, des obligations réglementaires ou des conséquences difficiles à réparer.

L’IA n’est pas uniformément performante. La maturité commence lorsque l’organisation sait où elle ne doit pas lui faire confiance.

L’unité de transformation n’est ni l’outil ni le métier, mais le travail

Les programmes d’intégration de l’IA partent souvent d’une cartographie des solutions. Quels modèles sont disponibles ? Quels fournisseurs faut-il retenir ? Quelles fonctions proposent-ils ? Quels accès doit-on sécuriser ?

Ces questions sont nécessaires. Elles ne disent pas encore comment le travail va changer.

À l’autre extrême, certains raisonnements partent des métiers. Ils cherchent à prévoir quels emplois seront automatisés, augmentés ou menacés. Cette échelle est trop large pour organiser une transformation concrète. Deux personnes portant le même intitulé peuvent accomplir des tâches très différentes. Une même tâche peut également comporter des séquences automatisables, d’autres qui exigent une appréciation humaine et d’autres encore dont la valeur repose sur la relation.

L’unité d’analyse utile se situe donc dans le travail réel : tâches, décisions, informations, interdépendances, exceptions et critères de qualité.

Cette analyse permet de choisir entre plusieurs configurations.

L’IA peut automatiser une séquence stabilisée et contrôlable. Elle peut assister une personne en proposant, résumant, comparant ou générant des options. Elle peut préparer une décision dont la responsabilité reste humaine. Elle peut enfin être écartée lorsque le coût de vérification dépasse le bénéfice, lorsque les données ne permettent pas un usage fiable ou lorsque la relation humaine constitue le cœur de la valeur produite.

Sebastian Raisch et Sebastian Krakowski décrivent cette tension comme un paradoxe entre automatisation et augmentation. Les deux logiques ne s’excluent pas proprement. Une automatisation crée souvent de nouvelles tâches humaines de contrôle, de coordination et d’exception. Une augmentation peut progressivement modifier l’expertise ou préparer l’automatisation d’une partie de l’activité.

Le choix ne porte donc pas seulement sur ce que la machine peut faire. Il porte sur la configuration de travail que l’organisation veut construire.

Pourquoi l’intégration de l’IA échoue

Lorsqu’un usage reste faible, l’explication la plus disponible consiste à invoquer la résistance des salariés. Ils auraient peur de la technologie, refuseraient de changer ou ne comprendraient pas les bénéfices.

Ces réactions existent. Elles ne constituent pas un diagnostic.

Une personne peut éviter un outil parce qu’elle ne sait pas l’utiliser. Elle peut aussi avoir constaté qu’il produit des erreurs, augmente son temps de vérification, contredit ses obligations professionnelles ou l’expose à une responsabilité qu’elle ne maîtrise pas. Elle peut craindre pour son emploi, mais aussi défendre une définition légitime du travail bien fait. Elle peut encore soutenir le principe tout en contestant la manière dont la décision a été prise.

Avant de chercher à lever les freins, il faut identifier leur mécanisme.

La résistance peut ainsi être l’effet visible d’un défaut de conception. La traiter comme une attitude individuelle protège le projet contre l’examen de ses propres hypothèses.

Cette prudence est particulièrement importante avec l’IA. Une technologie probabiliste, évolutive et parfois opaque ne doit pas obtenir l’adhésion indépendamment de ses résultats. L’objectif n’est pas une confiance maximale. C’est une confiance correctement calibrée.

La revue de littérature d’Ella Glikson et Anita Williams Woolley montre que la confiance dans l’IA dépend de facteurs liés à la technologie, à sa représentation, à sa transparence, à sa fiabilité perçue et aux caractéristiques des personnes et des tâches. Trop peu de confiance empêche l’usage. Trop de confiance favorise l’automatisation aveugle. L’organisation doit apprendre à construire une confiance proportionnée aux capacités réelles du système.

AI readiness : être prêt à quoi, exactement ?

L’expression AI readiness progresse dans le vocabulaire des entreprises. Elle désigne généralement leur préparation à adopter, déployer et utiliser l’intelligence artificielle.

Le risque consiste à la réduire à une grille technique : données disponibles, infrastructure, cybersécurité, gouvernance des modèles et compétences informatiques. Ces dimensions sont indispensables. Elles ne suffisent pas à prédire la mise en œuvre.

Les travaux sur la préparation organisationnelle au changement fournissent un cadre plus exigeant. Pour Bryan Weiner, la readiness collective combine notamment l’engagement partagé envers le changement et la croyance partagée dans la capacité à accomplir les actions requises. Cette capacité perçue dépend de l’évaluation des exigences de la tâche, des ressources disponibles et des facteurs de situation.

Appliquée à l’IA, la question devient : les acteurs attribuent-ils suffisamment de valeur au changement et pensent-ils pouvoir le réaliser dans leurs conditions réelles de travail ?

Une organisation peut disposer de données, d’un budget et d’un sponsor sans être prête à modifier ses décisions, ses processus ou ses rapports d’expertise. Elle peut également posséder une forte envie d’expérimenter sans disposer des règles, du temps ou des compétences nécessaires pour le faire de manière responsable.

L’AI readiness doit donc être examinée comme une propriété multidimensionnelle.

Cette grille cons^titue un cadre opérationnel, pas une échelle scientifique universelle de l’AI readiness. Chaque dimension doit être traduite en indicateurs adaptés au système, à la population et aux usages concernés.

Elle permet néanmoins d’éviter un biais fréquent : confondre la préparation de la technologie et la préparation de l’organisation.

La formation IA en entreprise est nécessaire, mais elle ne suffit pas

La formation répond à une attente réelle. En 2026, l’OCDE souligne que les compétences constituent l’un des facteurs déterminants de la réussite de l’adoption. L’Apec observe parallèlement que 72 % des cadres français souhaitent bénéficier d’une formation à l’IA, alors qu’une minorité en a déjà reçu une.

Le droit européen renforce cette exigence. L’article 4 du règlement européen sur l’intelligence artificielle, applicable depuis le 2 février 2025 puis modifié en 2026, demande aux fournisseurs et aux déployeurs de systèmes d’IA de prendre des mesures pour soutenir le développement des connaissances en matière d’IA des personnes qui utilisent ces systèmes pour leur compte.

Cette obligation ne définit pourtant pas à elle seule une stratégie d’adoption. Une formation peut transmettre des connaissances sans modifier les comportements. Elle peut améliorer les prompts sans améliorer les décisions. Elle peut rassurer les participants sans leur donner le droit, le temps ou les données nécessaires pour utiliser l’outil dans leur activité.

Le prompt est au déploiement de l’IA ce que le post-it fut à certaines transformations agiles : un objet visible qui peut masquer l’absence de changement du travail.

Une préparation sérieuse doit développer plusieurs familles de compétences.

Comprendre ce que fait le système

L’AI literacy ne consiste pas seulement à connaître quelques outils. Duri Long et Brian Magerko la définissent comme un ensemble de compétences permettant d’évaluer de manière critique les technologies d’IA, de communiquer et collaborer avec elles et de les utiliser comme outils.

Pour un usage professionnel, cela suppose de comprendre au moins la nature probabiliste des résultats, les limites des données, les risques de biais, la confidentialité, l’incertitude et la différence entre vraisemblance linguistique et vérité.

Formuler et décomposer une tâche

Une personne doit savoir transformer un besoin flou en étapes examinables : préciser le résultat attendu, fournir le contexte pertinent, imposer des contraintes, demander des alternatives et définir un critère de vérification.

Cette compétence ne vient pas seulement de la maîtrise de l’IA. Elle dépend d’une compréhension suffisamment fine du métier et du processus.

Vérifier et calibrer la confiance

L’utilisateur doit savoir quelles sources contrôler, quand comparer plusieurs résultats, comment détecter une incohérence et dans quelles situations une validation experte est obligatoire.

Il doit également conserver la capacité de produire ou d’évaluer sans assistance. Une organisation qui accélère la production mais perd progressivement la compétence nécessaire pour juger cette production construit une dépendance, pas une capacité.

Coopérer autour de l’IA

Les usages individuels deviennent organisationnels lorsqu’ils s’inscrivent dans des règles partagées. Qui peut utiliser quelles données ? Quels cas d’usage doivent être documentés ? Comment signaler une erreur ? Qui peut modifier un processus ? Où conserve-t-on les apprentissages ?

L’intégration exige donc des compétences relationnelles et collectives : expliciter, contredire, demander de l’aide, partager un cas limite et reconnaître une incertitude.

Apprendre dans le travail réel

Une formation générique peut créer un vocabulaire commun. Le transfert exige ensuite des situations réelles, des expérimentations, du feedback et une révision des pratiques.

L’OCDE souligne que la formation produit de meilleurs résultats lorsqu’elle s’inscrit dans un ensemble plus large comprenant le dialogue social, la transparence, l’explicabilité, la responsabilité et la protection des travailleurs. Autrement dit, la compétence individuelle ne compense pas une mauvaise architecture organisationnelle.

Intelligence artificielle et management : le rôle du manager change

Le manager n’a pas seulement pour mission d’encourager l’utilisation de l’IA. Il doit organiser les conditions dans lesquelles cet usage peut produire un résultat fiable, équitable et soutenable.

Son premier rôle consiste à traduire une intention technologique en règles de travail. Quelles tâches l’IA prépare-t-elle ? Quelles décisions restent humaines ? Quand faut-il contrôler ? Quelle erreur peut être tolérée ? Qui arbitre un désaccord entre l’expert et la recommandation du système ?

Son deuxième rôle consiste à protéger l’apprentissage. Une expérimentation suppose du temps, le droit de documenter un échec et la possibilité de modifier le dispositif. Si chaque essai doit immédiatement produire un rendement, les salariés sélectionneront des usages faciles à démontrer plutôt que des transformations importantes à comprendre.

Son troisième rôle consiste à préserver la contradiction. Lorsque la direction a beaucoup investi dans une solution, signaler ses limites devient politiquement coûteux. Le manager doit maintenir un espace dans lequel une erreur, un contournement ou une perte de qualité peut être remonté sans être interprété comme une opposition au progrès.

Son quatrième rôle consiste à surveiller la distribution des effets. Une moyenne peut masquer des écarts importants. Certains salariés gagnent du temps, tandis que d’autres récupèrent la vérification, les exceptions ou les demandes supplémentaires produites par cette accélération. Certains développent de nouvelles compétences, tandis que d’autres voient leur activité se réduire à un contrôle difficilement valorisable.

Enfin, le manager doit préserver le jugement. Raisch et Krakowski montrent que l’automatisation et l’augmentation forment un paradoxe durable. Le management ne peut pas résoudre cette tension une fois pour toutes. Il doit réexaminer régulièrement la répartition entre la proposition algorithmique, l’appréciation humaine et la responsabilité organisationnelle.

Manager avec l’IA ne signifie donc pas devenir le meilleur utilisateur de l’outil. Cela signifie savoir concevoir, observer et ajuster un système de coopération entre des personnes et une technologie évolutive.

Une méthode en sept étapes pour intégrer l’IA dans l’entreprise

Il n’existe pas de recette indépendante du contexte. Une démarche rigoureuse peut néanmoins suivre sept étapes qui rendent les hypothèses visibles et révisables.

1. Définir le problème avant la solution

Le projet commence par une difficulté, une opportunité ou une décision précise. Quel résultat veut-on améliorer ? Quelle population est concernée ? Quelle situation actuelle sert de comparaison ? Quelles autres solutions ont été envisagées ?

Une ambition comme « augmenter la productivité grâce à l’IA » ne suffit pas. Elle ne précise ni l’activité, ni le mécanisme, ni le bénéficiaire, ni les coûts possibles.

2. Cartographier le travail réel

Il faut observer la séquence des tâches, les informations utilisées, les exceptions, les interdépendances et les critères du travail bien fait. Cette analyse doit inclure les contournements et les ajustements qui rendent aujourd’hui le système fonctionnel.

Automatiser la procédure officielle sans comprendre ces régulations invisibles peut supprimer précisément ce qui permettait d’absorber les anomalies.

3. Diagnostiquer l’AI readiness

Le diagnostic examine simultanément la technologie, les données, le travail, les compétences, le management, la gouvernance et la capacité d’apprentissage.

Il ne délivre pas un verdict abstrait du type « prêt » ou « non prêt ». Il identifie les conditions nécessaires à l’usage visé, les vulnérabilités actuelles et les capacités à renforcer avant ou pendant l’expérimentation.

4. Concevoir la coopération humain-IA

Pour chaque séquence, le dispositif précise ce que le système propose, ce que l’utilisateur vérifie, ce qu’il peut modifier, ce qui doit être escaladé et qui assume la décision finale.

Cette architecture doit inclure les cas normaux et les exceptions. Une démonstration réussit souvent sur les premiers. La robustesse du système se révèle dans les secondes.

5. Expérimenter dans le flux du travail

L’organisation teste un périmètre limité avec des utilisateurs réels et des critères définis à l’avance. Elle compare la qualité, le délai, la charge, les erreurs, les reprises et les effets sur les autres acteurs.

Les participants ne sont pas seulement des destinataires à convaincre. Ils contribuent à découvrir où l’outil crée de la valeur, où il en détruit et quelles règles rendent son usage praticable.

6. Développer les compétences et les règles

La formation devient spécifique aux tâches, aux risques et aux responsabilités. Les équipes apprennent à utiliser, vérifier, interrompre et améliorer le dispositif. Les managers apprennent à arbitrer, soutenir l’expérimentation et traiter les effets non prévus.

Les règles de gouvernance évoluent à partir des usages observés, pas uniquement à partir d’un scénario conçu avant le déploiement.

7. Mesurer, apprendre et étendre

L’organisation décide de poursuivre, modifier, limiter ou arrêter l’usage à partir de preuves. Elle conserve les cas limites, les erreurs, les décisions et les apprentissages. L’extension à d’autres populations n’est pas une simple duplication. Elle réexamine les différences de métier, de données, de compétence et de risque.

Mesurer l’adoption sans compter les connexions

Les indicateurs faciles sont rarement les plus utiles. Le nombre de licences, de comptes actifs, de prompts ou de personnes formées renseigne sur l’activité du programme. Il ne démontre ni l’intégration ni la performance.

Une mesure robuste combine plusieurs niveaux.

Ces indicateurs doivent être lus ensemble. Une utilisation élevée accompagnée d’un rework important n’est pas une adoption réussie. Un gain de vitesse obtenu au prix d’une baisse de la vigilance peut préparer des erreurs différées. Une forte satisfaction des utilisateurs directs peut masquer une charge transférée vers les fonctions de contrôle.

La mesure doit également examiner la distribution. Qui gagne du temps ? Qui assume les exceptions ? Qui progresse ? Qui perd l’accès aux situations qui permettaient d’apprendre le métier ? Qui peut contester le résultat produit par le système ?

L’objectif n’est pas de prouver que l’investissement était justifié. Il est de découvrir assez tôt s’il doit être corrigé.

De l’adoption de l’IA à la capacité d’adaptation

L’intelligence artificielle n’est pas une transformation que l’organisation pourra simplement stabiliser puis considérer comme terminée. Les modèles, les coûts, les réglementations, les fournisseurs et les usages évoluent rapidement. Une pratique jugée fiable aujourd’hui peut devenir obsolète, interdite ou moins pertinente quelques mois plus tard.

La véritable capacité ne consiste donc pas à réussir un déploiement. Elle consiste à savoir réexaminer continuellement la relation entre la technologie, le travail et les personnes.

Cette logique rejoint le change enablement. L’organisation ne cherche plus seulement à faire accepter une solution définie. Elle développe les conditions qui permettent aux acteurs d’observer, d’expérimenter, de décider et d’ajuster leur action.

Elle rejoint également la change fitness. Une entreprise peut être prête à lancer un premier assistant génératif et rester incapable d’absorber la succession des évolutions qui suivront. Sa préparation doit pouvoir se renouveler sans épuiser les équipes ni dégrader les compétences dont dépend le contrôle futur.

L’intégration de l’IA devient alors un test de maturité organisationnelle. Elle révèle la qualité des données, mais aussi celle des décisions. Elle révèle les compétences numériques, mais aussi la sécurité psychologique. Elle révèle la gouvernance technologique, mais aussi la capacité à entendre le travail réel.

Chez UNREST, notre conseil en développement organisationnel vise précisément à rendre ces conditions observables et actionnables. Il ne s’agit pas de choisir un modèle ou d’intégrer une solution informatique. Il s’agit de préparer l’organisation qui devra en définir les usages, en maîtriser les conséquences et apprendre suffisamment vite pour conserver son pouvoir d’agir.

Les diagnostics d’adaptabilité organisationnelle permettent, en complément, d’objectiver les capacités et les conditions qui soutiennent ou freinent une transformation : engagement, efficacité collective, leadership, coopération, sécurité psychologique, résilience, agilité et capacité d’apprentissage.

Le passage à l’IA ne se joue pas au moment où l’entreprise ouvre les accès. Il se joue lorsqu’elle devient capable de transformer ses propres manières de travailler à partir de ce que la technologie rend possible, impossible ou incertain.

Conclusion : intégrer l’IA, c’est organiser une capacité de transformation

L’intelligence artificielle peut améliorer la vitesse, la qualité et l’accès à certaines formes d’expertise. La recherche montre toutefois que ces bénéfices varient selon les tâches, les personnes et les conditions de mise en œuvre. Une technologie performante ne produit pas mécaniquement une organisation performante.

L’intégration réussie repose sur une architecture sociotechnique : un problème précis, un travail compris, une répartition explicite entre l’humain et la machine, des compétences adaptées, une confiance calibrée, un management capable d’arbitrer et des boucles d’apprentissage suffisamment rapides.

Cette perspective modifie la conduite du changement liée à l’IA.

La question n’est plus seulement : « Comment convaincre les salariés d’utiliser l’outil ? »

Elle devient : « Comment concevoir une organisation dans laquelle l’IA améliore réellement le travail, sans diminuer la capacité humaine et collective nécessaire pour la diriger ? »

C’est une question moins spectaculaire qu’une démonstration technologique. C’est aussi celle dont dépend la transformation réelle.

Questions fréquentes sur l’intégration de l’IA en entreprise

Comment intégrer l’IA dans une entreprise ?

L’intégration commence par un problème de travail précis, puis par une cartographie des tâches, des données, des décisions et des risques. L’entreprise peut ensuite diagnostiquer sa préparation, concevoir la répartition entre intervention humaine et automatisation, expérimenter sur un périmètre limité et mesurer les effets avant d’étendre l’usage.

Comment préparer les équipes à l’intelligence artificielle ?

La préparation associe des connaissances sur le fonctionnement et les limites de l’IA, des compétences d’usage et de vérification, des expérimentations métier, des règles de gouvernance et un accompagnement managérial. Une formation générique ou un atelier de prompting ne suffit pas à produire un transfert durable dans le travail.

Quels sont les principaux freins à l’adoption de l’IA ?

Les freins peuvent provenir d’un cas d’usage peu utile, de données insuffisantes, d’une faible fiabilité, de responsabilités ambiguës, d’un manque de temps ou de compétences, d’une menace sur l’identité professionnelle, d’une confiance mal calibrée ou d’une absence de soutien managérial. Les qualifier globalement de résistance empêche souvent d’identifier le mécanisme réel.

Qu’est-ce qu’un AI readiness assessment ?

Un AI readiness assessment examine la capacité d’une organisation à intégrer l’IA. Il peut couvrir la stratégie, les données, l’infrastructure, la gouvernance, le travail, les compétences, le management et la capacité d’apprentissage. Sa valeur dépend de son adaptation à un usage et à un contexte précis, plutôt que de la production d’un score général détaché des conditions de mise en œuvre.

Comment mesurer l’adoption de l’IA ?

Le nombre de comptes actifs ou de personnes formées mesure l’activité du programme, pas son résultat. L’adoption doit être évaluée à partir des usages par tâche, des comportements de vérification, de la qualité, des erreurs, du rework, des effets sur la coordination, de la charge cognitive, de l’autonomie et de la capacité à corriger rapidement le dispositif.

Quelle est la différence entre formation IA et conduite du changement IA ?

La formation développe des connaissances et des compétences. La conduite du changement IA traite aussi les rôles, les processus, les responsabilités, les arbitrages, les conditions d’usage et les effets sur le travail. La formation constitue donc un levier de la transformation, mais elle ne remplace pas sa conception organisationnelle.

Références

• Apec. (2026). Les cadres et l’IA 2026. Consulter l’étude.
• Bpifrance Le Lab. (2026). 16e baromètre annuel des ETI. Consulter la présentation des résultats.
• Brynjolfsson, E., Li, D., & Raymond, L. R. (2025). Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889-942. https://doi.org/10.1093/qje/qjae044.
• Dell’Acqua, F., McFowland III, E., Mollick, E. R., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2026). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science, 37(2), 403-423. https://doi.org/10.1287/orsc.2025.21838.
• Glikson, E., & Woolley, A. W. (2020). Human Trust in Artificial Intelligence: Review of Empirical Research. Academy of Management Annals, 14(2), 627-660. https://doi.org/10.5465/annals.2018.0057.
• LaborIA. (2024). Usages et impacts de l’IA sur le travail au prisme des décideurs. Consulter les résultats.
• Long, D., & Magerko, B. (2020). What is AI Literacy? Competencies and Design Considerations. Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems, 1-16. https://doi.org/10.1145/3313831.3376727.
• Makarius, E. E., Mukherjee, D., Fox, J. D., & Fox, A. K. (2020). Rising with the Machines: A Sociotechnical Framework for Bringing Artificial Intelligence into the Organization. Journal of Business Research, 120, 262-273. https://doi.org/10.1016/j.jbusres.2020.07.045.
• OECD. (2025). The Adoption of Artificial Intelligence in Firms. OECD Publishing. https://doi.org/10.1787/f9ef33c3-en.
• OECD. (2026). AI and Skills: What We Know So Far. OECD Publishing. https://doi.org/10.1787/f843b352-en.
• Raisch, S., & Krakowski, S. (2021). Artificial Intelligence and Management: The Automation-Augmentation Paradox. Academy of Management Review, 46(1), 192-210. https://doi.org/10.5465/amr.2018.0072.
• Weiner, B. J. (2009). A Theory of Organizational Readiness for Change. Implementation Science, 4, 67. https://doi.org/10.1186/1748-5908-4-67.

‍