Des fantasmes aux réalités de l’implémentation : pour une approche pragmatique de l’IA

Aujourd’hui, les acteurs du monde économique sont incités à repenser leur mode de travail, au regard des multiples crises systémiques qui touchent la France et le monde, et de la rapidité d’évolution des nouvelles technologies. La période actuelle de démocratisation accélérée de l’IA encourage encore davantage petites structures et grands groupes à s’y intéresser, voire à l’adopter sans préavis.

🔍

En parallèle et contre toute attente, les acteurs économiques français restent prudents face à ce nouvel outil qui bouleverse les pratiques. En effet, si les chiffres progressent, les entreprises françaises n’étaient encore que 10 % en 2024 à déclarer utiliser un ou des systèmes d’intelligence artificielle (SIA) dans leurs processus opérationnels (contre 6 % en 2023, INSEE)²⁵. Ce pourcentage est variable en fonction de la taille de l’entreprise, les finalités et types de technologies qui sont diversifiées (cf. chiffres ci-dessous). Alors qu’elles pourraient trouver dans ces outils d’optimisation et d’assistance un soutien adapté à leurs besoins, les TPE et PME s’en sont paradoxalement encore peu saisies. Dans un contexte où la compétitivité et la responsabilité deviennent indissociables, l’enjeu est d’intégrer l’IA non comme une finalité technologique mais comme un levier de développement économique et de progrès social.

Comment comprendre la faible adoption de l’IA par les entreprises françaises et néo‑aquitaines ?

La taille de l’entreprise est tout d’abord un facteur clé de l’adoption de l’IA. Ce facteur est aussi valable pour l’utilisation des autres technologies de l’information et de la communication (présence sur les réseaux sociaux, analyse de données, etc…). En effet, adopter de nouvelles technologies suppose de pouvoir assumer des coûts fixes et s’avère d’autant moins coûteux que l’entreprise dispose déjà d’actifs complémentaires voire indispensables au fonctionnement de l’IA (infrastructure numérique, compétences informatiques, etc…).

Néanmoins, on observe une appropriation progressive de l’IA par les TPE et PME : en Nouvelle-Aquitaine en 2025, elles sont 23,7 % à l’utiliser contre 10,8 % en 2024. Leurs usages correspondent principalement à la génération d’images, de textes ou de voix grâce à l’IA générative, et à l’utilisation de chatbots ou d’assistants IA pour faciliter leur recherche d’informations. En parallèle, elles sont seulement 0,9 % à disposer d’un outil de contrôle qualité. Plus largement, elles mobilisent encore peu l’IA pour des tâches propres aux processus de production et de gestion.

Des dispositions nécessaires agissant comme des freins à l’implémentation

Exigeante en termes de données et d’outils numériques pour assurer son fonctionnement, l’IA devient moins accessible dès lors qu’on approfondit les modalités pratiques de son implémentation au sein des processus opérationnels des entreprises. Plusieurs types de freins ont été identifiés :

• Psychologiques, humains et sociaux : manque de confiance, rapport moral à la machine, crainte de la perte de contrôle, manque de compétence, nécessité de formation, acceptabilité...
• Financiers : retour sur investissement difficile à anticiper, investissements importants nécessaires, absence de retours à court terme, multiplicité des services nécessaires (installation, audit...)
• Techniques : manque de structuration de données, d’équipements numériques, de cybersécurité, d’hébergement régional, national ou européen.

Parmi les freins identifiés, il est utile de présenter les trois freins les plus impactants dans le cadre de l’implémentation des IA, cités par les études et enquêtes menées auprès des acteurs économiques.

Le manque de compétences techniques en interne

Face aux technologies de manière générale et d’autant plus face à l’IA, les chefs et cheffes d’entreprise se trouvent parfois en déficit de compétences. C’est notamment vrai pour les plus petites structures telles que les PME, les TPE et les autoentrepreneurs et autoentrepreneuses, qui ne disposent pas, pour la plupart, de direction des systèmes informatiques ou de compétences propres à ce domaine. La gestion de ces nouveaux outils constitue alors une barrière significative à l’intégration de l’IA dans les processus existants, et encore davantage si ces processus sont déjà peu automatisés et informatisés.

Ce manque de compétence limite également la possibilité d’un choix de partenaires et de solutions pleinement éclairé : face à une offre de plus en plus dense et à un vocabulaire parfois technique, le choix d’un mauvais prestataire apparait comme un risque supplémentaire. Les professionnel·les de l’IA déplorent en effet l’opportunisme de personnes non qualifiées, qui proposent des services pour lesquels elles ne sont pas ensuite en mesure de fournir la maintenance ou dont les résultats ne sont pas satisfaisants. Si la portée de ce risque est moindre dans les grands groupes où les compétences sont internalisées, les plus petites structures peuvent facilement s’y trouver confrontées.

Il faut ajouter à cette difficulté le contexte de pression créé par la rapidité d’évolution des technologies, qui contraint à des choix rapides tout en rendant, en parallèle, les solutions proposées très vite obsolètes. Dans ce contexte, les entreprises attendent avant tout un cadre d’accompagnement clair, alliant soutiens financiers et montée en compétences, plutôt qu’une injonction à la transformation.

Le coût des investissements et le manque de visibilité sur leur rentabilité

L’implémentation d’un système d’intelligence artificielle est un investissement sur le temps long, dont les effets sont visibles tardivement. Selon une étude de McKinsey, « 67 % des dirigeants de PME déclarent que le coût reste le principal frein à l’adoption de l’IA ».²⁶

La réalité du coût évolue en fait en fonction de la nature de l’IA choisie, selon qu’elle est une solution sur étagère ou une création sur-mesure, qu’elle soit basée sur le cloud (nécessitant un abonnement) ou sur site (générant un coût important en une fois), et enfin qu’elle soit une IA générative et généraliste ou une IA métier, plus spécifique et souvent plus coûteuse, sans compter les investissements à prendre en compte, comme la formation des salariés, le recrutement de personnel qualifié, la maintenance de la solution et, le cas échéant, le matériel informatique nécessaire.

Le frein que constitue le manque de compétence précédemment cité engage également des frais pour s’entourer d’acteurs qualifiés : les entreprises sont donc amenées à solliciter des start-up proposant des solutions sur étagère, puis des cabinets de conseil pour auditer ces solutions et en vérifier le bon fonctionnement, des techniciens pour mettre en place les solutions dans les cas d’usage... Autant d’étapes et d’interventions qui alourdissent le coût financier de la démarche.

Par ailleurs, pour de nombreuses PME, la question du retour sur investissement est inséparable de la durabilité du modèle économique : rentabilité, sobriété énergétique et acceptabilité sociale doivent être conciliées.

Enfin, la diversité des usages, des situations et des besoins nécessite une estimation précise et complète au cas par cas dans le cadre de l’élaboration du projet d’implémentation, afin d’éviter toute surcharge non anticipée qui risquerait de le compromettre. Il faut également clarifier plusieurs aspects de la démarche d’une entreprise :

• La nature de la transformation numérique : l’acquisition d’une IA métier spécialisée ou d’une machine commandée par l’IA d’une part, et l’utilisation de systèmes informatiques à coût dérisoire voire nul d’autre part, ne sont pas comparables. La question du coût sous-tend et est indissociable de la question du degré d’innovation souhaitée et possible par les entreprises.
• L’investissement volontaire dans l’IA ou son utilisation fortuite ou diffuse : avec l’évolution rapide des technologies, les outils métiers sont de plus en plus infusés à l’IA lors de leur conception ; les entreprises utilisent alors l’IA sans l’avoir consciemment choisi.
• L’objectif financier poursuivi : il peut exister une confusion entre la recherche de réduction des coûts de fonctionnement de l’activité (grâce à l’optimisation des ressources, des matières premières, du temps et de la main d’œuvre) et la réalisation d’investissements pour accroître la productivité par exemple. L’approche est différente et les coûts et bénéfices financiers se traduiront aussi de manière différente.

La gestion des données

L’arrivée de l’intelligence artificielle dans la sphère économique révèle l’importance de la gestion des données des entreprises²⁷. Alors que les professionnel·les de la cybersécurité alertaient déjà sur les risques liés à une mauvaise sécurisation des données, leur rôle central dans le fonctionnement de l’IA renforce l’urgence de considérer cet enjeu.

En effet, la structuration des données est indispensable à l’entraînement du modèle et à sa personnalisation. Toutefois, l’efficacité de l’IA repose avant tout sur l’intégrité des informations sources : un chantier préalable de vérification et de fiabilisation est impératif pour garantir que les données d’entrée soient réelles et exactes, sous peine de générer des résultats de sortie erronés. Or, leur croissance exponentielle engendre une complexité grandissante, rendant leur maîtrise et leur organisation difficiles pour les plus petites entreprises. La collecte de données constitue ainsi une étape essentielle nécessitant une expertise spécifique. Au-delà de la sécurisation de leurs propres données, ce sont aussi celles de leurs partenaires, de leurs fournisseurs et de leurs clients que les entreprises doivent garantir, engageant ainsi leur responsabilité.

Plus généralement, cette adoption limitée de l’IA est également un effet du flou persistant que connaissent les entreprises et de leur difficulté à se projeter dans des cas d’usages concrets et transposables à leurs activités. Comment dépasser ces freins et aborder l’IA de manière pragmatique ?

Guider l’implémentation en conjuguant efficacité économique, progrès social et environnemental

L’enjeu est désormais de dépasser l’opposition entre promesse d’efficacité et crainte de déshumanisation pour définir un équilibre entre IA, emploi et impact environnemental. Les discours qui entourent l’IA au travail sont pleins de promesses de productivité accrue, de gain de temps record et d’économies de ressources significatives, à l’heure où le coût des matières premières et de l’énergie s’envole.

Au-delà d’une vision fantasmée, il faut remarquer que la nature même de l’IA concentre une forme d’ambivalence et interroge sur la portée de son action. En somme, l’IA « peut tout faire » : les systèmes d’IA agissent en effet comme des amplificateurs de talents et de succès mais aussi de biais et de défauts, entraînant en parallèle de profondes mutations au sein de la culture et des processus internes. Leur paramétrage en fonction des objectifs et caractéristiques de l’entreprise est donc fondamental. On comprend bien cette ambivalence lorsqu’on explore plusieurs équilibres révélateurs de la santé d’une entreprise et sur lesquels l’influence de l’IA est prégnante :

L’optimisation et la rentabilité réelles des processus boostés à l’IA

Les mérites de l’IA sont largement vantés en matière d’optimisation des processus opérationnels. Selon un article du Lab BPI France, les systèmes d’IA permettraient de dynamiser la croissance économique de la France d’au moins 1,3 point de PIB par an d’ici 2034²⁸. Ces gains de productivité constatés posent notamment la question du partage de la valeur produite au sein de l’entreprise et ne peuvent être uniquement perçus d’un point de vue de la production, mais doivent être partagés avec les salarié·es au risque de perdre l’adhésion de ceux-ci et celles-ci aux transformations.

Aussi intéressante et prometteuse que soit cette croissance, les entreprises françaises et néo-aquitaines ne semblent pourtant pas prêtes à mobiliser des investissements importants, notamment lorsqu’elles sont des TPE ou des PME (350 millions d’euros investis en 2020 par les entreprises françaises).

Au-delà de l’augmentation de la production et de la diminution du temps et des ressources nécessaires se pose la question de la qualité des produits et services. De cette qualité dépendent les contrôles, que l’IA est amenée, là encore, à optimiser, réduire, simplifier. Or son utilisation est encore peu répandue pour ces fonctions. Une balance est donc à observer, et en particulier au regard des tâches que l’entreprise cherche à automatiser : si certaines peuvent aisément et stratégiquement être déléguées à un système d’IA, d’autres gagnent à rester humaines.

La maîtrise de la consommation énergétique

Des développeurs et développeuses d’IA proposent aujourd’hui des solutions ayant pour objectif la réduction des consommations d’énergie et de ressources. Comme a pu le présenter Laurent AUGIER, ex-directeur du pôle de compétitivité Agri Sud-Ouest Innovation lors de son audition, la filière agricole utilise notamment des logiciels de gestion de l’eau afin d’optimiser l’irrigation et l’arrosage des cultures, réduisant ainsi la pression sur la ressource tout en diminuant les frais.

En parallèle, la consommation d’eau de l’IA sur l’ensemble de sa chaine de valeur interpelle. En effet, dans leur article « Make AI Less Thirsty » (2023)²⁹, les chercheurs Pengfei LI, Jianyi YANG, Mohammad A. ISLAM et Shaolei REN (université de Californie, Riverside et université du Texas, Arlington) expliquent qu’une seule requête à Chat GPT consommerait l’équivalent d’un demi-litre d’eau. Si ce chiffre ne fait pas consensus et est contesté notamment par Open AI³⁰, il est indiscutable que les activités de production de matériel informatique et de stockage de données dans les datacenters sollicitent des volumes considérables d’eau, d’électricité, mais aussi de ressources naturelles telles que les terres rares. Cet impact environnemental est cependant très variable, peu mesuré et faiblement communiqué auprès des consommateurs et consommatrices de technologies. Par ailleurs, il faut noter que, si certaines versions d’IA les plus récentes sont moins énergivores, l’augmentation et la généralisation de leurs usages accroît la consommation énergétique qui y est liée. Ainsi, les applications de l’IA en faveur de l’optimisation des ressources sont à mettre en regard avec les conditions de sa création.

Le temps d’implémentation et les effets sur le temps long

Les usages de l’IA en entreprise nécessitent un temps d’implémentation parfois conséquent, incluant l’entraînement du modèle avec des données spécifiques, son appropriation par les équipes en interne et la transformation des processus. Si le court terme souffre le plus souvent des aléas de l’expérimentation et de la mise en œuvre, les bénéfices sont à considérer à moyen et long termes, grâce à des projections réalistes. La temporalité de l’IA en entreprise impose une gouvernance de projet adaptée mêlant intégration progressive, formation continue, implication des salarié·es, et information-consultation de leurs représentants et représentantes.

Cette temporalité est finalement à étudier afin de disposer d’une vision claire des effets de l’IA sur la production d’une entreprise, en lien avec la conjoncture au sein de la filière, du secteur d’activité et du marché national et international.

Face à ces impacts ambivalents de l’IA sur les activités et le fonctionnement des entreprises, le CESER s’interroge sur les meilleurs leviers pour cibler les effets positifs de l’IA, en en limitant les effets pervers. Plus généralement, on cherche la bonne manière d’utiliser l’IA pour en faire un outil au service de l’économie régionale, du progrès social et dans le respect de l’environnement. On peut résumer la réflexion par la question suivante :

Entre opportunités et limites, comment adapter l’IA pour stimuler vertueusement la performance économique ?

Cette interrogation sous-tend deux enjeux opérationnels, identifiés dans les propos de plusieurs professionnels de l’accompagnement numérique intervenant auprès des entreprises et entendus en audition. Au travers de ces deux questions subsidiaires, le CESER propose des modalités d’accompagnement des acteurs économiques afin de les soutenir dans leur projet d’IA.