Le constat, et cinq propositions pour que la France passe de l’usage à la valeur.
(Par Stephanie ORTIS, Laurent TAVERNIER, Robin, karim BEN REHOUMA, Arnaud PINTE et Georges FRITSCH, pour l’Institut des Solutions SUD)
Livre blanc disponible ici : https://livre-blanc-ahi.web3lse.fr
Le constat
Un chiffre pour commencer. Selon l’Insee (Insee Première n° 2120, juillet 2026), 18 % des entreprises françaises de 10 salariés ou plus déclarent utiliser au moins une technologie d’intelligence artificielle en 2025. Elles étaient 10 % en 2024, 6 % en 2023. Le taux a triplé en deux ans.
On pourrait s’en réjouir et s’arrêter là. Ce serait une erreur de lecture, pour trois raisons.
Première raison : l’écart de taille est massif. 58 % des entreprises de 250 salariés et plus utilisent l’IA, contre une petite minorité dans les PME. La moyenne européenne est à 20 %. Autrement dit, l’IA se diffuse très bien là où il y a déjà une DSI, un budget d’expérimentation et des équipes data — et très mal dans le tissu de PME et d’ETI qui fait l’essentiel de notre économie et de nos emplois. Ce n’est pas un retard technologique, c’est un retard d’accompagnement.
Deuxième raison : les freins déclarés ne sont pas techniques. Parmi les entreprises qui n’utilisent pas l’IA, 71 % disent n’en voir aucune utilité et 54 % évoquent un manque d’expertise. Et plus de la moitié de celles qui l’utilisent déjà se déclarent freinées par ce même manque d’expertise. Le problème n’est donc pas l’accès aux outils : ils sont disponibles, souvent gratuits, parfois excellents. Le problème est qu’une majorité de dirigeants ne voit pas où l’IA créerait de la valeur chez eux, sur leurs processus — et que personne ne le leur montre.
Troisième raison : l’usage ne vaut pas la valeur. Le piège est désormais bien documenté. On achète des licences, on ne change rien au processus, et six mois plus tard on constate que rien n’a bougé. Un flux de travail mal conçu reste mal conçu quand on lui ajoute un modèle de langage. Les gains réels — sur la synthèse documentaire, le tri et la qualification, le support de premier niveau, l’assistance au code, la préparation de données — apparaissent quand on redessine le processus autour de l’outil, pas quand on superpose l’outil au processus.
À cela s’ajoute un décalage de vocabulaire qui coûte cher. Le débat public parle encore de « chatbots » alors que la technologie qui arrive en production est celle des agents : des systèmes qui enchaînent des actions, appellent des outils, écrivent dans des systèmes tiers. Le changement est de nature, pas de degré. Un chatbot qui se trompe produit un mauvais texte ; un agent qui se trompe produit une mauvaise action. Les travaux récents sur le reward hacking — des modèles qui, pour réussir un test, modifient le test plutôt que de résoudre le problème — ne relèvent pas de la science-fiction : ils rappellent qu’un système optimise ce qu’on mesure, et pas ce qu’on voulait.
°°°
Sur les dépendances, soyons également précis, sans catastrophisme. La chaîne matérielle est concentrée sur un très petit nombre d’acteurs — Nvidia pour les accélérateurs, TSMC pour la gravure, ASML pour la lithographie. Aucune décision française ne modifiera cela à court terme. En revanche, ce qui se joue au-dessus de la couche matérielle est parfaitement à notre portée : les modèles (Mistral AI), la diffusion des modèles ouverts (Hugging Face), l’hébergement (OVHcloud, Scaleway, Outscale), la recherche et le calcul académique (Jean Zay, GENCI/IDRIS, INRIA, CNRS, ENS, Paris-Saclay, PSL). Les modèles ouverts, exécutables sur des serveurs qu’on contrôle, changent réellement la donne : pour une grande part des usages internes, un modèle de taille moyenne hébergé chez soi suffit — et coûte moins cher.
Enfin, l’empreinte environnementale mérite mieux que les deux discours dominants, la panique et le déni. Une requête ordinaire consomme l’équivalent d’une LED de 10 W allumée une trentaine de minutes : à l’échelle individuelle, c’est peu. Le sujet n’est pas individuel, il est industriel : entraînements massifs, centres de données, refroidissement, consommation d’eau, renouvellement du matériel. La bonne question n’est donc pas « faut-il utiliser l’IA ? » mais « utilise-t-on le plus petit modèle qui fait le travail ? ».
Le constat tient en une phrase : nous y allons déjà, mais nous y allons mal répartis, mal outillés et mal mesurés. D’où le nom de ce livre blanc — AhI ! — et son parti pris : cinq convictions, pas une de plus, parce qu’une stratégie qui ne tient pas en cinq points ne tient pas dans une organisation.
°°°
Proposition 1 – Créer de la valeur : former les dirigeants avant d’équiper les organisations
Tant que 71 % des non-utilisatrices « ne voient pas l’utilité », aucun plan d’équipement ne fonctionnera. La séquence habituelle — acheter, déployer, espérer — doit être inversée : acculturer, cibler, mesurer.
Concrètement :
- Un diagnostic IA court et normalisé, accessible à toute PME, qui identifie trois à cinq activités où l’IA peut améliorer la qualité, le délai ou le coût. Pas un audit de 80 pages : une demi-journée, un livrable d’une page.
- Deux cas d’usage maximum pour commencer, choisis pour leur mesurabilité, avec une valeur cible chiffrée avant le lancement (temps gagné, taux de reprise, délai de réponse).
- Un pilotage de transformation, pas un projet informatique. Métiers, RH, DSI et direction dans la même instance, dès le premier jour.
Qui : la direction générale.
Preuve : 100 % des projets IA disposent d’un objectif de valeur chiffré et daté avant leur lancement.
Proposition 2 – Former : passer de « savoir demander » à « savoir vérifier »
La compétence critique n’est plus la rédaction de prompts, qui s’apprend en deux heures. C’est la vérification. Un modèle de langage produit un texte plausible avec la même assurance qu’il produise une réponse juste ou fausse : c’est précisément ce qui le rend dangereux entre des mains non formées, et précieux entre des mains formées.
Concrètement :
- Intégrer l’IA comme compétence transversale dans tous les parcours de formation initiale et continue, au même titre que le numérique ou les langues — en insistant sur la critique des sorties, pas sur la manipulation des interfaces.
- Former en continu, par cycles courts et fréquents, plutôt que par grandes sessions annuelles : la technologie se déplace plus vite que les plans de formation.
- Valoriser explicitement les compétences humaines — esprit critique, créativité, coopération, communication, éthique — qui deviennent les vrais facteurs de différenciation dès lors que la production de texte est banalisée.
Qui : la DRH, avec les managers de proximité.
Preuve : Part des collaborateurs exposés à l’IA ayant suivi un module « vérification et limites » ; suivi du taux d’erreurs détectées avant publication.
Proposition 3 – Protéger : faire de la souveraineté une pratique, pas un slogan
La souveraineté ne consiste pas à tout reconstruire. Elle consiste à conserver la capacité de choisir : changer de fournisseur, rapatrier des données, arrêter un service sans casser l’activité.
Concrètement :
- Cartographier les données stratégiques et décider, pour chacune, ce qui peut sortir de l’organisation et ce qui ne le peut pas. Cette décision se prend avant le choix de l’outil, jamais après.
- Privilégier les modèles ouverts hébergés en Europe pour les usages internes courants : dans la majorité des cas, un modèle de taille moyenne auto-hébergé suffit, coûte moins cher et supprime la question de la fuite de données.
- Traiter la sécurité dès la conception, avec une attention particulière à l’injection de prompt, qui devient le risque numéro un dès qu’un agent peut agir sur des systèmes réels. Un agent qui lit un document reçoit potentiellement des instructions de l’auteur de ce document.
Qui : la DSI et le RSSI.
Preuve : liste des données interdites de sortie formalisée et opposable ; test d’injection de prompt réalisé avant toute mise en production d’un agent.
Proposition 4 – Responsabiliser : mesurer, sobrement
La responsabilité n’est pas un frein à l’innovation, c’est sa condition de durabilité. Mais elle n’existe que si elle est mesurée.
Concrètement :
- Choisir le plus petit modèle qui fait le travail. C’est la règle de sobriété la plus efficace, et accessoirement la plus économique : elle réduit le coût, la latence et l’empreinte simultanément.
- Suivre trois indicateurs par projet : coût par requête, latence, consommation énergétique estimée. Ce qui n’est pas suivi dérive toujours.
- Tracer les biais sur les usages sensibles — RH, scoring, sélection, attribution. Un système qui décide à propos de personnes doit rester explicable et supervisé par un humain identifié et responsable.
Les cinq principes qui résument cette conviction : utile, fiable, frugale, transparente, humaine.
Qui : la direction RSE avec la DSI.
Preuve : tableau de bord coût/latence/énergie publié par projet ; revue de biais documentée pour tout usage touchant des personnes.
Proposition 5 – Gouverner : la capacité d’arrêter
La gouvernance n’est pas un plan à dix ans. C’est la capacité à décider vite, à corriger, et surtout à arrêter ce qui ne fonctionne pas. La faiblesse française n’est d’ailleurs pas l’absence de dispositifs — France 2030, les pôles de recherche, Jean Zay, les autorités de contrôle prévues par le règlement européen existent — mais leur lisibilité : un dirigeant de PME qui veut se lancer ne sait pas à quelle porte frapper.
Concrètement :
- Un guichet unique lisible par bassin économique : un interlocuteur, un diagnostic, une orientation. Pas un dispositif de plus, une porte d’entrée.
- Une règle d’arrêt écrite pour chaque expérimentation : critère de succès, date de revue, décision explicite de généraliser ou de stopper. Une expérimentation sans date de fin n’est pas une expérimentation, c’est un budget.
- Un observatoire indépendant chargé de mesurer les impacts économiques, sociaux, environnementaux et territoriaux, pour que les décisions suivantes s’appuient sur des données publiques plutôt que sur des récits commerciaux.
Qui : la gouvernance publique et privée, conjointement.
Preuve : part des expérimentations arrêtées volontairement — un taux nul est un signal d’alerte, pas de réussite.
°°°
Pour finir
L’intelligence artificielle ne décidera pas à notre place de ce que nous en ferons. Elle ne réglera ni nos problèmes d’organisation, ni nos déficits de compétences, ni nos arbitrages politiques. Elle les rendra simplement plus visibles, et plus rapides.
Nous y allons déjà. La seule question qui reste est celle du comment : équiper sans former, ou former puis équiper ; consommer des services sans les comprendre, ou garder la main sur nos données ; multiplier les annonces, ou mesurer et savoir arrêter.
Cinq convictions, et une main tendue. Ce livre blanc n’est pas une conclusion, c’est un point de départ — et il se construit avec ceux qui le liront.
AhI ! — IrA ou n’IrA pas ? Ce n’est plus la question. Il faut y aller… mais pas n’importe comment.
#IntelligenceArtificielle #Souveraineté #Transformation #PME #IAresponsable