En résumé
Lorsqu’une initiative d’adoption de l’IA échoue, l’analyse post-mortem met généralement en cause la technologie : le modèle n’était pas assez précis, l’intégration était trop complexe, le fournisseur n’a pas tenu ses promesses. Ce sont rarement les causes réelles. La cause réelle est presque toujours une défaillance de décision survenue avant même que la moindre technologie n’ait été achetée.
La décision qui détermine tout le reste.
Avant qu’une seule ligne de code ne soit écrite ou qu’un fournisseur ne soit sélectionné, il existe une décision — généralement implicite, rarement examinée — concernant le problème que l’IA est déployée pour résoudre. Dans la plupart des échecs d’adoption, cette décision a été formulée de manière trop large (« améliorer l’efficacité opérationnelle »), trop vague (« aider nos équipes à travailler plus vite »), ou en réponse directe à une pression concurrentielle (« nous devons montrer au conseil d’administration que nous faisons de l’IA »). Aucun de ces éléments ne constitue une définition du problème assez rigoureuse pour ancrer une adoption réussie.
Les quatre défaillances décisionnelles qui tuent l’adoption de l’IA.
Premièrement, le problème est défini par la disponibilité technologique plutôt que par le besoin métier : « nous devrions utiliser l’IA pour cela parce que l’IA est disponible », plutôt que « ce problème présente des caractéristiques spécifiques que l’IA traite mieux que les alternatives ». Deuxièmement, les indicateurs de réussite sont définis par le taux d’adoption plutôt que par le résultat : l’initiative est considérée comme un succès lorsque 80 % du personnel a utilisé l’outil, indépendamment de ce qu’il a changé. Troisièmement, la décision de gestion du changement — la manière dont l’organisation passe de ses modes de fonctionnement actuels aux nouveaux — est traitée comme une tâche de déploiement plutôt que comme une décision de leadership. Quatrièmement, la décision de poursuivre ou d’arrêter l’initiative est prise de manière politique plutôt qu’analytique : l’initiative se poursuit parce que l’arrêter serait embarrassant, et non parce que les éléments de preuve soutiennent sa poursuite.
Plus sur AI Strategy — chaque semaine.
Rejoignez plus de 2 400 dirigeants qui reçoivent le briefing sur l’intelligence décisionnelle.
À quoi ressemble une bonne décision d’adoption de l’IA.
Une décision rigoureuse d’adoption de l’IA commence par une archéologie de la décision : cartographier les décisions spécifiques dans l’organisation qui ont la plus forte valeur et la plus grande marge d’amélioration de la qualité. Elle se poursuit par une évaluation structurée de faisabilité : la capacité d’IA disponible répond-elle réellement aux problèmes de qualité de décision identifiés ? Elle inclut une théorie du changement explicite : qu’est-ce qui doit changer dans les comportements, les processus et les incitations pour que l’adoption prenne ? Et elle précise dès le départ les indicateurs de परिणाम, afin que la décision de poursuivre ou d’arrêter soit prise sur la base de preuves observables plutôt que de la politique interne de l’organisation.
Les organisations qui réussissent leur adoption de l’IA la traitent comme un problème de conception — en concevant l’environnement de décision qui rend l’adoption rationnelle pour les personnes qui doivent changer leur comportement — plutôt que comme un problème de déploiement. La technologie est la partie facile. L’architecture décisionnelle est l’endroit où l’adoption se gagne ou se perd.
Contexte de recherche
Le AI Index 2025 de Stanford indique que 78 % des organisations ont utilisé l’IA en 2024, contre 55 % en 2023.
Stanford Institute for Human-Centered AI: Rapport AI Index 2025 (2025)Cette statistique publiée de manière indépendante fournit un contexte pour le sujet ; elle ne corrobore pas chacune des affirmations de cet essai.
Plus sur AI Strategy, chaque semaine.
Un essai. Chaque semaine. Aucun bruit.