Pourquoi les outils d'IA ne sont pas adoptés, et comment l'éviter

Un outil d’IA installé n’est pas un outil utilisé. Beaucoup d’entreprises le découvrent quelques semaines après la mise en place : deux ou trois personnes s’en servent, les autres sont revenues à leurs habitudes, ou à leur propre abonnement à ChatGPT.

Le problème est rarement le modèle, quel que soit l’agent choisi (voir notre comparatif des agents IA). En 2025, une étude du MIT (projet NANDA), fondée sur 150 entretiens avec des dirigeants, une enquête auprès de 350 salariés et l’examen de 300 projets, a conclu que 95 % des projets pilotes d’IA générative ne produisaient aucun gain financier mesurable. Selon le résumé qu’en fait Fortune, la cause principale n’était pas la capacité des modèles, mais un « écart d’apprentissage » : les entreprises ne savaient pas comment utiliser ces outils ni comment les intégrer à leur façon de travailler ¹. Le chiffre de 95 % a été beaucoup repris ; il porte sur des projets de grandes organisations et sur un critère strict, le gain financier. La cause qu’il pointe est plus utile que le chiffre.

01Pendant ce temps, les équipes se débrouillent

L’absence d’outil d’entreprise ne veut pas dire absence d’IA. Dans une enquête publiée en juin 2026 par PagerDuty, deux tiers des employés de bureau interrogés disaient avoir utilisé des outils d’IA au travail alors qu’ils pensaient que leur entreprise ne le permettait pas. 88 % avaient déjà partagé des informations de travail avec des outils publics comme ChatGPT, Claude ou Gemini, dont 34 % des données de clients ². L’enquête porte sur 1 250 personnes de grandes entreprises aux États-Unis, au Royaume-Uni, en Australie et au Japon ; elle ne décrit pas les PME luxembourgeoises, mais elle montre un mouvement que beaucoup de dirigeants reconnaissent.

C’est le vrai risque d’un projet d’IA abandonné : l’entreprise n’a pas d’outil commun, mais ses données circulent quand même, dans des comptes personnels.

02Six raisons pour lesquelles un outil n’est pas adopté

Il n’est pas là où l’on travaille. Un outil de plus, avec son propre écran et son propre mot de passe, est oublié en deux semaines. Un assistant qui répond dans Teams, Slack ou WhatsApp, là où l’équipe écrit déjà, a beaucoup plus de chances d’être utilisé.

Il ne connaît pas l’entreprise. Les premières réponses sont génériques, parfois fausses, et la confiance se perd vite. La qualité dépend de ce que l’outil peut relire sur l’entreprise : voir notre note sur la mémoire de l’entreprise.

Il vise trop large. « L’IA pour tout le monde » ne dit à personne quoi en faire. Trois à cinq usages précis, choisis avec les personnes concernées, valent mieux qu’un catalogue.

Personne ne s’en occupe. Après l’installation, il faut quelqu’un pour répondre aux questions, corriger les règles, ajouter un usage. Sans responsable, l’outil se fige.

La formation a eu lieu une seule fois. Une demi-journée au lancement ne suffit pas. Les bons usages se découvrent en travaillant, et se partagent.

On ne voit pas ce qu’il fait. Un assistant qui prépare des choses que personne ne regarde, ou dont on ne sait pas s’il a tourné, perd sa place. Dans notre propre installation, nous avons appris qu’un rapport du matin, même très simple, change la confiance qu’on accorde à l’outil (voir le harnais d’un agent IA).

Le bon indicateur Ce n’est pas le nombre de comptes ouverts, mais le nombre de personnes qui s’en servent chaque semaine pour une tâche précise, au bout de deux mois.

03Ce qui fonctionne

Partir des tâches qui chargent les semaines. Les relances de devis, le tri des demandes, la préparation des rendez-vous : des tâches répétitives que tout le monde connaît. Le premier usage doit faire gagner du temps visible dès la première semaine.

Commencer petit et le dire. Un ou deux usages, avec les volontaires, avant d’étendre. Les premiers utilisateurs deviennent ceux qui montrent aux autres.

Écrire les règles. Ce que l’outil peut faire, ce qu’il ne fait jamais seul, quelles données ne lui sont pas confiées. Une équipe utilise plus volontiers un outil dont elle connaît les limites.

Prévoir un rodage. Un mois d’ajustements après l’installation, avec un point régulier, puis un bilan : ce qui fonctionne, ce qui change, ce qu’on arrête.

Mesurer l’usage réel. Qui s’en sert, pour quoi, et ce que cela a changé dans la semaine.

04Le contexte des PME

L’IA reste minoritaire dans les petites entreprises. Selon Eurostat, en 2025, 17 % des petites entreprises de l’Union utilisaient au moins une technologie d’IA, contre 30 % des moyennes et 55 % des grandes ³. En France, le baromètre France Num 2024 comptait 13 % des TPE et PME ayant recours à des solutions d’IA ⁴. Le décalage s’explique en partie par le temps : dans une PME, personne n’est payé pour s’occuper de l’outil, et c’est précisément ce qui manque après l’installation.

05Un exemple fictif

Exemple fictif. Un bureau d’études de Differdange, vingt-cinq personnes, installe un assistant d’IA ouvert à tous. Un mois plus tard, quatre personnes s’en servent. L’entreprise reprend le projet autrement : l’assistant passe dans Teams, deux usages sont retenus avec les chefs de projet (les comptes rendus de réunion de chantier et la préparation des réponses aux appels d’offres), une ingénieure devient la référente, et un point de quinze minutes a lieu chaque vendredi pendant un mois. Au bout de deux mois, les chefs de projet l’utilisent chaque semaine, et deux autres usages sont proposés par l’équipe elle-même.

06Notre façon de faire

Avec Lightwire, nous retenons trois à cinq cas d’usage avec l’entreprise au cadrage, nous formons les personnes concernées pendant l’installation et nous prévoyons un mois de rodage, suivi d’un bilan. C’est la partie du projet qui décide s’il sera encore utilisé six mois plus tard.

Sources consultées le 22 octobre 2026.