Une équipe du projet NANDA, au MIT Media Lab, a consacré six mois à observer ce que l'intelligence artificielle produit réellement dans les entreprises. Plus de trois cents initiatives publiquement documentées, cinquante-deux organisations interrogées en profondeur, cent cinquante-trois dirigeants sondés. L'étude s'appelle « The GenAI Divide », et son titre dit déjà l'essentiel : il existe désormais deux catégories d'entreprises, et la frontière ne passe pas où l'on croit.
Elle ne sépare pas celles qui ont l'IA de celles qui ne l'ont pas. Presque tout le monde l'a. Elle sépare celles chez qui elle a pris de celles chez qui elle est restée à la surface.
Le faux diagnostic
Demandez à une direction pourquoi son projet d'IA n'a rien donné. Vous obtiendrez presque toujours l'une de ces trois réponses : le modèle n'était pas assez bon, la réglementation freine, le budget n'a pas suivi.
L'étude ne retient aucune des trois comme cause principale. Elles expliquent parfois un retard ; elles n'expliquent pas le fossé. La qualité des modèles n'explique pas l'écart, puisque les entreprises qui réussissent et celles qui échouent utilisent souvent les mêmes. La réglementation n'explique pas davantage, puisque des concurrents du même secteur, soumis aux mêmes règles, obtiennent des résultats opposés. Quant au budget, les organisations qui dépensent le plus ne sont pas celles qui réussissent le mieux.
Ce qui bloque est ailleurs, et c'est plus dérangeant, parce que cela ne s'achète pas.
Les outils n'apprennent pas
La cause que le rapport désigne tient en une phrase : les systèmes déployés ne retiennent rien.
Ils ne conservent pas le contexte de la maison. Ils ne s'améliorent pas avec l'usage. Ils redemandent chaque matin ce qu'on leur a expliqué la veille. L'utilisateur doit réexpliquer son métier, ses contraintes, ses conventions internes, à chaque session, à un outil qui repart de zéro.
Au début, on tolère. On considère que c'est le prix de la nouveauté. Puis le quotidien reprend le dessus, la charge de travail remonte, et l'équipe retourne à sa méthode d'avant. Non par résistance au changement, mais par arbitrage rationnel : l'outil coûtait plus d'énergie qu'il n'en rendait.
C'est ainsi que beaucoup de projets s'éteignent. Pas dans un refus, dans un abandon silencieux.
Adopter n'est pas intégrer
Il faut séparer deux mots que l'on confond en permanence.
Adopter, c'est ouvrir l'outil, s'y connecter, l'essayer, parfois l'aimer. C'est un geste individuel et rapide.
Intégrer, c'est autre chose. C'est que l'outil trouve sa place dans une chaîne de travail qui existait avant lui, avec ses étapes, ses validations, ses fichiers, ses personnes. C'est un geste collectif, et il est lent.
Presque toutes les entreprises ont adopté. Très peu ont intégré. Tout le fossé décrit par le rapport tient dans cet écart.
Le signal que personne ne regarde
Le chiffre le plus intéressant de l'étude n'est pas celui qui a fait les gros titres.
Environ quatre entreprises sur dix ont souscrit un abonnement d'IA officiel. Mais dans plus de neuf sur dix, des salariés utilisent déjà l'IA de leur côté, avec leurs propres comptes, souvent sans validation, sans suivi, et parfois même sans que l'entreprise en ait connaissance.
Prenez une seconde pour mesurer ce que cela signifie. Pendant que les projets officiels s'enlisent en phase de test, l'usage réel, lui, s'est répandu partout. L'adoption n'a pas échoué. Elle a eu lieu ailleurs qu'à l'endroit où on la mesurait.
Et la différence ne tient pas d'abord à la puissance du modèle. Elle tient au point de départ. Le salarié part d'un problème qu'il rencontre. Le projet officiel part souvent d'un outil que l'on a acheté.
Le paradoxe de la taille
Autre observation, contre-intuitive : les grandes entreprises lancent le plus de projets, y affectent le plus de personnes, et en font aboutir le moins.
Les structures intermédiaires passent d'un test à un usage réel en environ trois mois. Les grands groupes mettent neuf mois ou davantage. Ce n'est pas une question de moyens, c'est une question de circuit de décision. Là où une équipe de vingt personnes tranche en réunion, un groupe de deux mille arbitre en comité, et chaque arbitrage rajoute un mois pendant lequel la technologie, elle, continue d'avancer.
La ressource n'était pas le facteur limitant. La décision l'était.
Ce que dit le recours à l'extérieur
Une donnée mérite d'être lue deux fois. Dans l'échantillon étudié, les projets menés avec un partenaire extérieur atteignent le déploiement environ deux fois plus souvent que ceux construits entièrement en interne : à peu près deux tiers contre un tiers. Les auteurs précisent eux-mêmes qu'il s'agit de résultats déclarés par les organisations, et que d'autres facteurs peuvent jouer. L'écart, lui, revenait de façon constante.
Ce n'est pas une question de compétence. Les équipes internes connaissent leur métier mieux que quiconque, et elles resteront celles qui feront tourner le système une fois qu'il existera.
Ce qu'un partenaire apporte est d'un autre ordre. Il aide un métier à devenir une méthode, puis une méthode à devenir un système. C'est un travail de mise en forme, pas de connaissance : transformer ce que des gens savent faire en quelque chose qui se répète, se transmet et se mesure. Beaucoup d'organisations savent parfaitement travailler sans jamais avoir eu besoin de formaliser comment. L'IA, elle, a besoin de cette formalisation pour s'insérer quelque part.
Trois questions qui suffisent à trancher
Un projet d'IA ne se juge ni au nombre d'outils déployés, ni au nombre de personnes formées, ni au budget engagé. Il se juge à des capacités observables. Trois questions suffisent.
Quelqu'un refait-il le geste seul, deux semaines après ? Si l'usage disparaît dès que l'accompagnement s'arrête, il n'y a pas eu transfert de compétence, seulement une démonstration réussie.
La méthode se transmet-elle à un collègue ? Une pratique qui ne survit pas au départ de la personne qui la porte n'est pas un acquis, c'est une dépendance.
Le gain est-il observable ? Pas nécessairement chiffré au centime, mais constatable : un délai raccourci, une reprise en moins, une tâche qui ne remonte plus. Sans cela, on ignore si l'on a amélioré le travail ou simplement déplacé l'effort ailleurs.
Si les trois réponses manquent, le projet n'a pas échoué. Il n'a pas encore commencé.
Où la valeur s'est déplacée
Il reste, de toute cette étude, une idée qui dépasse le sujet de l'IA.
On répète depuis trois ans que la valeur est passée à ceux qui savent se servir des outils. L'accès, lui, se démocratise vite : savoir ouvrir un assistant et formuler quelques demandes n'est déjà plus un avantage durable.
Ce qui se raréfie est ailleurs. Savoir où placer l'IA dans une chaîne de travail, comment la relier au contexte d'un métier, et surtout ce qu'il ne faut pas lui confier.
Cela ne s'apprend pas dans une documentation. Cela suppose de connaître un métier assez bien pour distinguer, dans une journée de travail, ce qui relève de l'exécution répétitive et ce qui relève du jugement. C'est une compétence de métier, pas une compétence d'outil.
C'est exactement pour cette raison que nous faisons intervenir des experts qui exercent leur métier au quotidien et savent traduire l'IA en usages concrets.
Un outil ne crée pas un usage. Une démonstration ne crée pas une compétence. Ce qui reste après une formation, c'est la capacité d'une équipe à décider, à transmettre une méthode, et à refaire le geste sans nous.