On achète l'IA comme on achète un logiciel : une licence, un déploiement, un gain attendu au trimestre suivant. Les entreprises qui la traitent ainsi se retrouvent dans la même statistique. Selon le rapport « The GenAI Divide » du projet NANDA du MIT (2025), 95 % des projets d'IA générative en entreprise n'ont produit aucun retour mesurable sur les comptes, malgré 30 à 40 milliards de dollars investis. Les auteurs écartent d'emblée la piste technique : l'écart, écrivent-ils, « ne semble pas dicté par la qualité des modèles ni par la régulation, mais par l'approche ». La technologie fonctionne. C'est le travail autour d'elle qui n'a pas bougé.

L'outil qu'on branche, et qui ne branche rien

Le récit dominant présente l'IA comme un intrant : une capacité qu'on ajoute à un poste existant, qui accélère les tâches et libère du temps. Ce cadrage se heurte aux chiffres du terrain. L'étude de référence « Generative AI at Work » (NBER, Brynjolfsson, Li et Raymond) mesurait un gain de productivité moyen de 14 % chez des agents de support équipés d'un assistant conversationnel, concentré sur les débutants et quasi nul chez les agents expérimentés. Un progrès réel, mais loin de justifier les plans de suppression de postes bâtis sur l'hypothèse d'un remplacement pur.

Quand les entreprises confondent les deux, elles paient la note. Le cas de la Commonwealth Bank australienne est documenté : 45 postes de service client supprimés au profit d'un robot vocal, des appels qui augmentent au lieu de baisser, et le rétablissement des postes quelques mois plus tard sous la pression syndicale. Ces marches arrière, que ZapNews a cartographiées dans Le grand rétropédalage, ont un dénominateur commun : on a substitué une brique technique à une fonction sans reconstruire le travail qui l'entourait — la supervision, l'escalade des cas complexes, le contrôle qualité.

La valeur est dans le travail réorganisé, pas dans le modèle

Les acteurs qui tirent quelque chose de l'IA ont inversé la logique. Le cabinet BCG a popularisé une règle de répartition observée chez les entreprises avancées : environ 10 % de l'effort dans les algorithmes, 20 % dans la technologie et les données, et 70 % dans les personnes et les processus. Dans son enquête « AI Adoption in 2024 » auprès d'un millier de dirigeants, BCG relève que 74 % des entreprises peinent à passer à l'échelle, et que la plupart des difficultés proviennent des enjeux humains et organisationnels, non des modèles.

C'est ce que le MIT appelle le « learning gap » : l'incapacité à intégrer l'IA dans les flux de travail, les structures et les cultures. Le consultant Bertrand Duperrin, qui suit cette littérature, résume l'enjeu dans une formule qu'il défend depuis des mois : la transformation par l'IA est « plus organisationnelle que technologique », et les entreprises qui réussissent commencent par cartographier le travail réel avant de choisir un outil. Le déploiement n'est pas un point d'arrivée mais l'ouverture d'un chantier continu : redéfinir qui vérifie et qui répond quand la machine se trompe.

Cette réorganisation ne se fait pas une fois. Chaque montée de version d'un modèle, chaque nouvel usage déplace la frontière entre ce que fait l'humain et ce que fait l'agent. La supervision devient un métier à part entière : quelqu'un doit relire et arbitrer. L'enquête Workday citée par Jérémy Lamri chiffre ce travail invisible : plus de la moitié des salariés passent une à deux heures par semaine à vérifier et corriger les contenus générés. Le temps gagné d'un côté est repris de l'autre, et personne n'a prévu ce transfert dans l'organigramme. Le rapport du MIT identifie d'ailleurs le vrai frein comme une fatigue du changement, non un rejet de la technologie : les salariés ne refusent pas l'outil, ils saturent devant des flux qu'on refond sans eux.

Le solutionnisme, ou le problème réécrit pour tenir dans l'algorithme

Derrière l'échec technique se cache souvent une erreur de cadrage que le chercheur Evgeny Morozov a nommée dès 2013 : le solutionnisme technologique. Dans « Pour tout résoudre, cliquez ici », il décrit la tendance à reformuler des problèmes sociaux ou politiques en problèmes techniques traitables par des données. Appliqué à l'entreprise, le mécanisme est le même : un enjeu de recrutement, de performance ou d'engagement se voit traduit en variables mesurables, et ce qui ne se quantifie pas facilement disparaît de l'équation.

Une note de l'IFRI (mars 2025) prolonge la critique : les systèmes algorithmiques ne sont pas neutres, ils reposent sur des choix humains quant aux objectifs et aux comportements à favoriser. Un service client dont la qualité tenait à la capacité d'un agent à comprendre un client en détresse ne se réduit pas à un taux de résolution automatisable. Quand une difficulté organisationnelle vient de la façon dont le travail est reconnu ou rémunéré, l'IA n'en traite que les symptômes. Elle donne un tableau de bord, pas une réponse.

Penser l'IA autrement, concrètement

« Penser l'IA autrement » n'est pas un slogan managérial de plus. Cela désigne quelques déplacements précis. Partir des finalités du travail plutôt que des capacités de l'outil : que veut-on que ce métier produise, et où l'humain reste-t-il irremplaçable ? Traiter le déploiement comme un processus permanent, doté d'un budget de conduite du changement, pas comme un achat de licence. Nommer et rémunérer le travail de supervision au lieu de le laisser retomber, gratuit et non dit, sur des salariés déjà chargés. Et se poser la question que soulève Jérémy Lamri : que fait-on du temps libéré, si tant est qu'il le soit ?

Le volet compétences est le plus tangible. La France a fixé un objectif de former 400 000 personnes par an aux métiers de l'IA d'ici 2030, selon la note-pays de l'OCDE sur le plan coordonné européen (2025), qui rappelle aussi qu'environ 27 % des emplois français présentent un fort potentiel d'automatisation à cinq ans. Ces deux chiffres disent la même chose sous deux angles : la reconfiguration du travail est engagée, et l'ajustement des compétences en est la variable la plus lente.

Le rapport du MIT laisse une porte ouverte. Les 5 % d'entreprises qui tirent une valeur réelle de l'IA ne disposent pas de meilleurs modèles que les autres : elles ont refait le travail autour, poste par poste, et recommencent à chaque nouvelle version.