La réponse la plus pertinente à la question de savoir dans quelle mesure il faut recourir à l'IA dans une entreprise n'est pas « autant que possible ». Elle est plutôt : « dans la mesure où cela apporte une valeur ajoutée sans nuire au jugement, à la qualité et à la différenciation ».
Aujourd’hui, cela a plus d’importance qu’il n’y paraît. En Italie, l’adoption de l’intelligence artificielle dans les entreprises est passéede 8,2 % en 2024 à 16,4 % en 2025, selon les données de l’Istat rapportées par Il Foglio. Ce doublement en une seule année en dit long : la question n’est plus de savoir s’il faut agir, mais comment ajuster le cap.
En tant que PDG d’une plateforme d’IA destinée aux PME européennes et en tant que chercheur travaillant sur la banalisation des résultats des modèles linguistiques, je constate que la même erreur se répète. Les entreprises considèrent l’IA comme un simple interrupteur. Soit elles l’ignorent, soit elles tentent de tout automatiser. Ces deux choix détruisent de la valeur. Le premier, car il vous ralentit. Le second, car il vous inonde de résultats corrects en apparence, mais faibles sur le fond.
Le cadre qui fonctionne est plus simple et plus rigoureux : utiliser l'IA là où elle permet de réduire le travail mécanique, et ne pas y recourir là où la responsabilité, le contexte et l'intervention humaine sont nécessaires.
La plupart des entreprises commettent des erreurs, soit par excès, soit par retard. L'important n'est pas d'adopter l'IA. L'important est de déterminer le seuil au-delà duquel le gain opérationnel augmente moins que le risque que l'on prend.
Balaji Srinivasan l’a mieux résumé que quiconque : « 0 % d’IA, c’est lent. Mais 100 % d’IA, c’est n’importe quoi. » En tant que PDG, voici comment je l’interprète : trop peu d’IA engendre des coûts inutiles pour l’entreprise. Trop d’IA remplace le jugement par des résultats plausibles mais interchangeables.
La logique est celle de la courbe de Laffer appliquée au travail du savoir. Au début, chaque point supplémentaire d’IA génère un rendement élevé : moins de temps perdu dans des activités répétitives, une exécution plus rapide, des processus plus standardisés. Puis vient un seuil. Au-delà de ce seuil, le bénéfice marginal diminue et les coûts commencent à augmenter, ce que de nombreux managers ne remarquent que tardivement : des erreurs bien ficelées, un contrôle moindre, des responsabilités plus floues, des contenus tous identiques.
Rester à zéro n'est pas une question de prudence. C'est choisir de payer des personnes qualifiées pour effectuer un travail qui ne génère aucun avantage concurrentiel.
Cela arrive tous les jours. Les équipes financières reconstituent des fichiers à la main. Les commerciaux réécrivent des e-mails presque identiques. Les équipes opérationnelles transfèrent des données d’un système à l’autre. Le service marketing prépare à la main les premières ébauches et les modifications de format. Ces activités n’améliorent pas la stratégie, ne renforcent pas le positionnement et n’augmentent pas la valeur perçue par le client. Elles ne font que mobiliser l’attention des dirigeants et gaspiller un temps précieux.
C'est pourquoi le marché évolue. Comme nous l'avons souligné au début, l'adoption de ces solutions progresse car l'inaction a un coût de plus en plus visible, d'abord en termes de délais, puis en termes de marges.
Sans IA, l'exécution est ralentie. Avec trop d'IA, on uniformise même ce qui devrait rester unique.
L'autre erreur est plus subtile, car au premier abord, elle semble être un gain d'efficacité.
Un rapport financier rédigé entièrement par l'IA peut sembler correct, bien structuré, voire convaincant. Mais un directeur financier sérieux ne signe pas un document simplement parce qu'il « semble cohérent ». Il le compare aux commandes, aux encaissements, aux stocks, aux retards opérationnels et aux anomalies commerciales. Sans cette étape, l'entreprise ne met pas correctement en œuvre l'automatisation. Elle ne fait que repousser le risque plus loin dans la chaîne.
Il en va de même pour les ventes et le marketing. Un e-mail généré à 100 % par l'IA peut respecter le ton, la structure et la grammaire. Mais il lui manque souvent cette touche personnelle : la référence à la situation concrète du client, à la dynamique de son secteur d'activité, à la difficulté spécifique qui a émergé lors de l'entretien téléphonique. C'est là que naît la conversion. Et c'est là que l'automatisation totale commence à nuire à la différenciation.
C'est ça, le « slop ». Un contenu lisible, rapide à produire, acceptable sur le plan formel, mais qui manque de responsabilité et d'avantage concurrentiel. J'ai analysé ce risque de manière plus approfondie ici : comment les entreprises abordent l'IA.
La règle pratique est la suivante :
L'IA n'automatise pas bien l'ensemble d'un processus. Elle automatise bien le cœur du processus. Elle fonctionne « de milieu à milieu ».
Au début, il faut un être humain pour définir le problème, le contexte, les contraintes et les données pertinentes. À la fin, il faut un être humain pour vérifier le résultat, le replacer dans son contexte et en assumer la responsabilité. Entre les deux, en revanche, l'IA peut permettre de gagner des heures de travail.
Prenons l'exemple d'une analyse commerciale. La direction définit la demande initiale : quels clients sont en perte de vitesse, quelles gammes sont en croissance, où la marge se réduit. L'IA agrège les données, nettoie les tableaux, signale les tendances et prépare le rapport. Ensuite, un expert examine le résultat et détermine si cette tendance correspond à une véritable anomalie ou à un bruit passager.
Le même principe s'applique au service client, à la finance, aux opérations et au marketing. L'IA excelle dans la transformation, la classification, la synthèse, l'adaptation de format et la production de premières ébauches. En revanche, elle n'est pas à même, à elle seule, de définir les priorités commerciales ni d'assumer le risque lié à la décision finale.
De nombreux entrepreneurs s'intéressent aux API ou aux licences. C'est une partie du calcul, mais c'est rarement le facteur déterminant. Le véritable coût réside dans les heures de travail nécessaires pour donner des instructions claires et vérifier les résultats.
C’est là qu’intervient une information que je partage souvent avec les équipes. Seuls 10 % de la valeur de l’IA proviennent des algorithmes, 20 % des données et 70 % des personnes, des processus et de la culture d’entreprise, comme le résume Archimedia dans son guide pratique. Si l’organisation, la gouvernance et la répartition des responsabilités ne sont pas bien définies, vous pouvez disposer du meilleur modèle qui soit et n’obtenir malgré tout que de maigres résultats.
Règle de gestion : l'IA ne supprime pas le besoin de compétences. Elle le fait passer de l'exécution mécanique à la prise de bonnes décisions.
C'est pourquoi les entreprises qui cherchent à « remplacer des personnes » sont souvent déçues. En revanche, celles qui redéfinissent les rôles obtiennent de meilleurs résultats. Moins de temps consacré à la production manuelle. Plus de temps consacré à la vérification, à l'interprétation et à la prise de décision.
Trois implications pratiques :
La meilleure façon de se tromper dans la mise en œuvre de l'IA est de considérer ses limites comme des problèmes temporaires. Or, beaucoup d'entre elles ne le sont pas. Il s'agit de limites structurelles qui servent justement à déterminer où s'arrêter.
Première limite : économique. L'IA à grande échelle n'est pas gratuite. Chaque appel, flux de travail, orchestration, intégration et contrôle engendre des coûts supplémentaires. Si la tâche a peu de valeur ou nécessite trop d'étapes de révision, l'automatisation peut alourdir le compte de résultat au lieu de l'améliorer.
Deuxième limite, d'ordre mathématique. L'IA ne résout pas comme par magie les problèmes dans lesquels le système est instable, chaotique ou difficilement observable. Un modèle peut aider à interpréter des signaux. Il ne peut pas transformer une incertitude radicale en certitude.
Troisième limite, d'ordre pratique. Même lorsque le modèle est performant, la tâche dans son ensemble ne peut pas être entièrement automatisée. Quelqu'un doit formuler le problème et quelqu'un doit vérifier la réponse.
Quatrième limite : physique. L'IA n'est pas présente dans votre usine, elle ne rend pas visite au client, elle ne ressent pas la tension lors d'une négociation, elle ne voit pas une machine qui vibre de manière anormale si personne ne lui fournit ces informations.
Si le processus nécessite un contexte implicite, une perception directe ou une forte responsabilité juridique, l'IA doit jouer un rôle d'assistant, et non de pilote.
Le goulot d'étranglement le plus sous-estimé est celui des compétences internes. En Italie, 68 % des entreprises de moins de 50 salariés considèrent que le manque de compétences internes constitue le principal obstacle à l'adoption de l'IA, et il faut en moyenne 4 à 6 semaines de formation pour parvenir à une utilisation autonome, selon cette analyse sur l'utilisation de l'IA, les données, les compétences et la formation.
Ce chiffre a plus d'importance que bien des démonstrations spectaculaires. Si personne dans l'entreprise ne sait contrôler un résultat, l'automatisation n'est pas un avantage. C'est un risque opérationnel.
Pour un manager, la bonne question n’est pas « L’IA en est-elle capable ? ». C’est plutôt celle-ci :
Si l'une de ces réponses est « non », augmentez la part humaine.
Le problème stratégique le plus subtil n'est pas l'erreur grossière. C'est la convergence vers la médiocrité de bonne qualité. J'appelle cet effet le « B+ Trap ».
Les principaux modèles génératifs produisent de plus en plus souvent des résultats « suffisamment bons ». Des textes clairs. Des résumés lisibles. Des analyses structurées. Des structures correctes. Mais lorsque tout le monde utilise les mêmes modèles, les mêmes schémas de prompts et les mêmes flux, les résultats ont tendance à se ressembler.
Pour de nombreuses entreprises, cela passe inaperçu au début. Elles ne voient que la rapidité et la qualité apparente. Elles ne perçoivent pas la perte d’identité, de singularité ni d’avantage concurrentiel. En marketing, cela se traduit par des contenus interchangeables. En analyse, cela se traduit par des informations que n’importe qui d’autre peut obtenir. En stratégie, cela se traduit par des décisions fondées sur une intelligence de marché moyenne, et non sur votre avantage concurrentiel propre.
L'entreprise qui confie à l'IA le travail standard, puis y intègre l'expertise interne, le contexte sectoriel, les données propriétaires et le jugement managérial, obtient un résultat différent. Pas nécessairement plus long ni plus complexe. Mais plus utile.
C'est pourquoi miser à 100 % sur l'IA est une impasse sur le plan concurrentiel. Non pas parce que l'IA est médiocre, mais parce que si on la laisse tout produire sans intervention humaine, on obtient des résultats de plus en plus similaires à ceux de tous les autres. Ce qui génère de la marge, c'est justement ce qui ne relève pas d'un produit de base.
Pour ceux qui souhaitent approfondir ce point de vue sous l'angle de la recherche, je recommande les publications consacrées à l'analyse basée sur l'IA.
En 2026, l'avantage ne réside pas dans l'accès à l'IA. Il s'agit plutôt de savoir où mettre un frein à l'automatisation et d'y ajouter votre propre couche propriétaire.
Lorsqu'un chef d'entreprise me demande dans quelle mesure il doit recourir à l'IA dans son entreprise, je pars de deux variables. Pas de l'outil lui-même.
Le premier élément à prendre en compte est la nature de la tâche. S'agit-il d'une tâche mécanique, analytique ou décisionnelle ?
Le deuxième aspect concerne le coût de l'erreur. Si le résultat est erroné, perdez-vous quelques minutes, un client, une marge ou votre crédibilité ?
Cette approche se justifie également pour une raison très concrète. L'impact le plus immédiat de l'IA générative se manifeste dans l'automatisation de tâches répétitives telles que la gestion des e-mails et la génération de rapports standard, ce qui libère des ressources humaines pour des tâches à plus forte valeur ajoutée, comme le souligne Huware dans son analyse approfondie sur la productivité des entreprises.
| Type de tâche | Faible coût de l'erreur | Coût moyen de l'erreur | Coût élevé de l'erreur |
|---|---|---|---|
| Mécanique et répétitif | Près de 90 % d'IA. Mise en forme des données, planification, balisage, diffusion de contenus. | Environ 70 % d'IA. Automatisation poussée avec contrôle final. | Environ 50 % d'IA. L'IA prépare le texte, l'humain le vérifie ligne par ligne. |
| Analytique et interprétatif | Environ 70 % d'IA. L'IA identifie des schémas, l'humain les confirme. | Environ 50 % d'IA. Bon équilibre pour les rapports de gestion. | Environ 40 % d'IA. Une révision systématique par des experts s'impose. |
| Décisionnel et stratégique | Environ 40 % d'IA. Prise en charge de scénarios et d'options. | Environ 30 % d'IA. L'IA apporte son aide, elle ne prend pas de décision. | Près de 30 % d'IA. Tarification, stratégie, recrutement, communications sensibles. |
Ces pourcentages ne constituent pas une loi naturelle. Il s'agit d'un point de départ opérationnel. Ils permettent d'éviter deux erreurs classiques : automatiser trop tôt des processus à haut risque, ou laisser manuels des processus qui devraient désormais être gérés par des logiciels.
Dans la pratique, il est conseillé de revoir régulièrement le niveau d'automatisation. Les indicateurs les plus utiles sont simples.
Si vous souhaitez formaliser cette étape, il est utile de réfléchir à la manière d'évaluer le retour sur investissement de l'IA avant d'étendre son adoption à l'ensemble de l'entreprise.
Points clés à retenir
La meilleure façon de comprendre ce cadre conceptuel est de le voir mis en pratique, sans théorie superflue. En interne, le projet n’est pas parti d’une réflexion abstraite sur le « niveau d’IA ». Il est parti d’une règle simple : n’automatiser que là où le coût d’une erreur non détectée est faible, tout en conservant un contrôle humain là où ce coût est élevé.
L'exemple le plus parlant est celui du pipeline éditorial. La première tentative était simple : tout automatiser, du brouillon initial à la diffusion sur les différents canaux, y compris les adaptations de format, les images et la programmation. Cela fonctionnait. Mais le résultat était globalement correct.
Le ton était là. Le format aussi. Il manquait ce qu’un lecteur averti perçoit immédiatement : l’angle particulier, le jugement, le point de vue.
L'ajustement a été réalisé en réintroduisant l'intervention humaine à deux étapes seulement : la révision du message clé et le choix de l'angle par plateforme. L'IA est restée chargée de l'adaptation du format, de la production des supports créatifs et de la publication. Le processus a ainsi vu le temps de travail humain passer de trois heures à environ 30 minutes par cycle, avec une répartition finale d'environ 80 % d'IA et 20 % d'intervention humaine.
Le point optimal ne se situe pas là où l'IA parvient à tout faire. C'est là où l'équipe cesse de trop corriger et où le résultat reste crédible.
La méthode utilisée pour y parvenir peut être reproduite dans n'importe quelle PME.
Trois indicateurs internes sont pris en compte : le taux d'intervention corrective, le temps total de bout en bout et la qualité perçue par l'utilisateur final. Lorsqu'un de ces indicateurs se détériore, il faut revenir en arrière.
Cette approche reflète également bien une philosophie de produit que je considère comme saine : l'IA devrait remplacer le travail de l'analyste lorsqu'il est répétitif et structuré, et non le jugement entrepreneurial. En d'autres termes, elle est conçue pour remplacer votre analyste, pas votre jugement.
L'avantage concurrentiel ne découle pas d'une utilisation accrue de l'IA. Il découle de la capacité à fixer une limite avant que l'automatisation ne commence à éroder les marges, la confiance et le caractère unique du travail.
C'est pourquoi la bonne question n'est pas de savoir s'il faut l'adopter, mais dans quelle mesure il faut utiliser l'IA au sein de l'entreprise dans chaque processus pertinent. La courbe de Laffer de l'IA sert précisément à cela : trouver le point où l'automatisation augmente la productivité et la rapidité sans faire tomber l'équipe dans le piège du « B+ », c'est-à-dire des résultats suffisamment bons pour passer, mais trop génériques pour permettre à l'entreprise de se démarquer.
Dans la pratique, l'IA doit être utilisée lorsqu'elle permet de gagner du temps, de réduire les tâches répétitives et de limiter le coût de la vérification. Il faut y renoncer lorsqu'une erreur a plus de poids que le temps gagné, lorsque le contexte prime sur le format et lorsque la décision a des implications commerciales ou en termes de réputation.
C'est là que l'on voit la maturité managériale.
Au cours du prochain cycle de concurrence, ce sont les entreprises qui sauront définir un périmètre clair pour l'IA qui l'emporteront. Non pas celles qui l'intègrent partout, mais celles qui laissent le jugement à l'humain et automatisent le reste avec rigueur.
Si vous souhaitez adopter cette approche grâce à une plateforme qui automatise l'analyse sans vous priver de votre pouvoir de décision, découvrez ELECTE, une plateforme d'analyse de données basée sur l'IA destinée aux PME. Vous verrez comment elle transforme les données brutes en informations exploitables, en rapports automatisés et en signaux utiles pour prendre des décisions plus rapidement, sans pour autant recourir à une IA à 100 %. Prêt à agir sur vos données ? Commencez votre essai gratuit →
.svg)
.svg)
.svg)
