IA et transformation du travail : l’angle mort des entreprises

Depuis deux ans les publications sur l’intelligence artificielle en entreprise se multiplient, nous offrant un paysage de plus en plus dense mais aussi de plus en plus fragmenté. Deux grands types de récits dominent.

D’un côté, les éditeurs de technologies et de modèles décrivent un potentiel massif encore largement sous-exploité : capacités en croissance rapide, usages avancés réservés à une minorité, écart croissant entre ce que l’IA sait faire et ce qui est réellement utilisé (Deux lectures de l’IA en entreprise : usages agentiques et capability overhang)

De l’autre, les cabinets de conseil font un constat plus prosaïque : faible création de valeur à l’échelle des entreprises, minorité d’organisations réellement performantes, majorité des initiatives confinées à des pilotes, dispersion des efforts et difficulté chronique à passer à l’échelle (Adoption et impact de l’IA : enseignements (et limites) des dernières études McKinsey et BCG).

Pris isolément, ces deux discours semblent presque contradictoires en effet les premiers parlent de puissance et de potentiel, les seconds de valeur limitée et d’échec relatif. Mais pourtant, cette opposition ne reflète pas un désaccord de fond sur l’IA elle-même mais révèle surtout un décalage profond dans ce qui est observé, mesuré et la manière dont on l’interprète.

Les éditeurs parlent de ce que l’IA permet, les cabinets de ce qu’elle rapporte, mais aucun des deux ne regarde sérieusement ce qu’elle fait au travail. L’écart entre leurs discours ne révèle pas une divergence sur l’IA, mais l’incapacité persistante à penser le travail comme un objet central de transformation.

Et, avant d’aller plus loin, je refais avertissement habituel : demandez vous comment l’auteur d’un rapport gagne sa vie et vous saurez souvent ce que dit le rapport en gros sans avoir à le lire. Et prenez toujours garde à de pas, lorsqu’on parle d’avenir, confondre prédictions et prévisions (AGI, emploi, productivité : le grand bluff des prédictions IA).

En bref :

Les éditeurs de technologies mettent en avant le potentiel inexploité de l’IA en entreprise, tandis que les cabinets de conseil soulignent la faible valeur créée à grande échelle, révélant deux lectures complémentaires mais centrées sur des objets différents : capacités vs performance.
Ces deux discours convergent sur plusieurs points (freins organisationnels, polarisation des usages, importance de l’intégration structurée), mais diffèrent dans leur cadrage : les éditeurs voient un écart entre capacités et usages, les cabinets entre investissements et valeur.
Le travail, en tant que système complexe, reste le grand absent de ces analyses : il est soit un simple cadre d’usage, soit un levier de performance, mais rarement un objet central de transformation.
Les limites des analyses actuelles tiennent à leurs cadres d’observation respectifs, influencés par leurs intérêts économiques : les éditeurs valorisent l’usage individuel, les cabinets la gouvernance, sans réellement questionner la conception du travail.
La vraie transformation ne réside ni dans l’outil ni dans la stratégie, mais dans la capacité à repenser le travail lui-même. Tant que celui-ci reste un angle mort, les écarts entre potentiel, usage et valeur persisteront.

Deux points d’observation, deux réalités

Les éditeurs observent l’IA à partir des capacités des modèles, des usages individuels et des comportements d’adoption. Ils disposent d’une impressionnante masse de données, parfois empiriques, parfois très fines mais qui sont centrées sur l’interaction entre un utilisateur et une technologie. Le problème est alors formulé en termes d’appropriation, d’agency, de montée en compétence, d’écart entre capacité et usage effectif.

Dans cette lecture, l’IA est avant tout une infrastructure cognitive, un nom dont nous verrons d’ailleurs dans un prochain article pourquoi il relève d’un non sens absolu : elle progresse plus vite que la capacité des individus et des organisations à l’absorber. Le cœur du diagnostic n’est donc pas l’échec mais le retard. La valeur est possible, démontrée dans certains usages avancés, mais elle reste sous-exploitée à grande échelle.

Les cabinets, à l’inverse, observent l’IA depuis les organisations elles-mêmes. Leur point d’entrée est le P&L, la gouvernance, la capacité à piloter des transformations complexes, à mobiliser des ressources, à produire des effets mesurables sur la performance. Le problème est alors formulé en termes de valeur captée, de retour sur investissement, de transformation à l’échelle ou encore davantage compétitif (Les technologies vendent de la productivité, mais les entreprises veulent du revenu et La grande illusion des gains de productivité technologiques (IA comprise)).

Dans cette lecture, l’IA n’est pas d’abord une infrastructure cognitive mais un levier stratégique. La question n’est pas ce que l’IA sait faire, mais ce qu’elle transforme réellement dans les modèles économiques, les processus, la performance globale et, avant toute chose si on veut prenez les choses dans le bon ordre, le travail.

Ces deux points d’observation produisent mécaniquement deux récits différents, pas parce qu’ils décrivent des réalités incompatibles mais parce qu’ils n’observent pas le système depuis le même endroit.

Des constats compatibles, mais pas superposables

Lorsqu’on met ces lectures en regard, on constate pourtant des convergences fortes.

Les deux reconnaissent que la technologie n’est plus le principal facteur limitant. Les capacités sont disponibles, accessibles, industrialisables et, les freins sont organisationnels, culturels, structurels.

Les deux montrent que la valeur apparaît lorsque l’IA est intégrée dans des processus structurés, répétables, et non lorsqu’elle reste cantonnée à des usages périphériques ou exploratoires (L’appropriation collective de l’IA seule condition d’impact tangible). J’ajouterai que réfléchir à la gouvernance des gains avant même leur apparition est une précaution très saine (Sans gouvernance, les gains dus à l’IA sont virtuels).

Les deux décrivent une dynamique de polarisation : une minorité d’acteurs capte une part croissante de la valeur, tandis que la majorité reste dans des usages superficiels, peu productifs (L’adoption de l’IA ne remplace pas son appropriation productive).

Mais ces convergences masquent une différence essentielle de cadrage. En effet les éditeurs décrivent un écart entre capacités et usages et les cabinets décrivent un écart entre investissements et valeur.

Ce sont deux projections différentes d’un même phénomène mais aucune des deux ne prend pour objet central la transformation du travail lui-même.

Le travail est l’angle mort de l’IA

Dans les deux discours, le travail apparaît comme un contexte d’observation, rarement comme un objet.

Chez les éditeurs, le travail est un environnement d’usage, un cadre dans lequel l’IA est mobilisée, plus ou moins efficacement, par des individus ou des équipes. A l’inverse, chez les cabinets, le travail est un levier de performance : un ensemble de processus à optimiser, automatiser, transformer pour produire de la valeur.

Mais, dans les deux cas, il est rarement traité comme un système complexe, structuré par des arbitrages, des contraintes, des héritages organisationnels, des normes implicites, des logiques de pouvoir, des routines et des compromis. Il est vu d’une manière ultra simplificatrice qui minimise son poids face à la vague technologique, une sorte de déni de sa complexité et même plutôt de sa complication naturelle.

Or, c’est précisément là que se passe la transformation.

Les écarts observés, que ce soit entre entre potentiel et usage ou entre investissement et valeur, ne sont pas seulement des problèmes d’adoption, de pilotage ou de maturité mais sont aussi le produit d’organisations conçues pour un autre travail, sur lesquelles on projette une technologie nouvelle sans refonte structurelle du cadre dans lequel ce travail s’exerce.

L’IA est alors intégrée dans des systèmes déjà saturés en termes de procédures, de coordination, de reporting, de fragmentation des responsabilités et de dette organisationnelle (AI Reasoning Is Cool, But First How Can We Tackle Organisational Debt et How to Tackle the Biggest Threat to Your Team’s Growth ). Dans ce contexte elle n’y transforme pas le travail mais s’y ajoute.

Deux discours, une même limite structurelle

Les éditeurs, par construction, ne peuvent pas pleinement voir cette dimension. Leur système d’observation est centré sur les usages, les capacités, les trajectoires d’appropriation et, d’ailleurs, la prendre en compte avec objectivité serait un suicide marketing pour une industrie qui si elle lève beaucoup d’argent peine à faire payer ses clients. Ils voient très bien ce que l’IA permet, mais peu se moquent que les organisations empêchent.

Les cabinets, de leur côté, voient très bien les effets macro (dispersion des initiatives, difficulté à passer à l’échelle, faiblesse de la valeur captée, concentration des bénéfices) mais leur lecture reste majoritairement structurée par des catégories de pilotage : gouvernance, leadership, stratégie, transformation, playbooks organisationnels. Comme pour les éditeurs, sans surprise, leur lecture s’adapte à leur business et à leur marketing.

Dans les deux cas, la transformation du travail quotidien reste largement, sous-analysée et souvent réduite à une variable d’ajustement.

Ce n’est pas un oubli accidentel mais une limite structurelle des cadres d’analyse dominants, qui continuent à penser la transformation numérique comme une question d’outils, de stratégie ou de valeur, plus que comme une question de conception du travail (Préparer l’entreprise et le travail avant d’intégrer l’IA et Comment le management a laissé les systèmes penser à sa place).

Une fausse opposition

Opposer les discours des éditeurs et ceux des cabinets revient donc à construire une fausse controverse car ils ne décrivent pas deux réalités incompatibles mais deux niveaux différents d’un même système : l’un observe les capacités et les usages, l’autre observe les organisations et la valeur, mais aucun n’observe directement la transformation du travail comme système.

Ce qui apparaît alors comme une contradiction est en réalité un décalage de focale.

L’IA peut être à la fois technologiquement mature et organisationnellement inefficace, puissante mais peu productive et peut transformer certaines tâches sans transformer les systèmes de travail.

Ce que révèle la comparaison entre la vision des éditeurs et des cabinets

Si la comparaison entre ces deux types de discours ne permet pas de déterminer qui a raison elle permet de comprendre pourquoi les mêmes technologies produisent des effets si hétérogènes.

Elle montre que la question centrale n’est ni l’adoption, ni la stratégie, ni même la valeur, mais la capacité des organisations à absorber une technologie qui modifie la nature même du travail, sans en repenser les structures (Reprendre la main sur le design d’entreprise : l’intention avant les outils et Si votre entreprise n’est pas conçue pour l’IA elle finira conçue par l’IA).

Tant que l’IA est pensée comme un outil à intégrer dans des organisations inchangées, elle produit des écarts et tant que la transformation est pensée comme un projet et non comme une recomposition du travail, les écarts entre potentiel, usage et valeur continueront de se creuser.

Conclusion

Les éditeurs parlent de ce que l’IA permet et les cabinets parlent de ce qu’elle rapporte mais la transformation se passe ailleurs : dans ce qu’elle fait au travail, dans la manière dont elle reconfigure les tâches, les rôles, les arbitrages, les coordinations et les responsabilités.

L’écart entre leurs discours ne révèle pas un désaccord sur l’IA mais une difficulté persistante à penser le travail comme un objet de transformation à part entière.

Tant que cette question restera périphérique, les récits continueront de diverger et les écarts observés continueront d’apparaître comme des anomalies alors qu’ils sont avant tout des conséquences structurelles.

Pour répondre à vos questions…

Pourquoi les discours des éditeurs et des cabinets sur l’IA semblent-ils opposés ?

Ils ne parlent pas du même objet. Les éditeurs décrivent les capacités et les usages possibles de l’IA, tandis que les cabinets analysent la valeur réellement créée à l’échelle des organisations. L’un observe le potentiel, l’autre les résultats. Ce décalage de focale produit des récits différents sans révéler de contradiction sur la technologie elle-même.

En quoi ces deux lectures de l’IA sont-elles compatibles ?

Elles convergent sur plusieurs constats clés. Toutes deux reconnaissent que la technologie n’est plus le principal frein et que les blocages sont organisationnels. Elles montrent aussi que la valeur apparaît lorsque l’IA est intégrée dans des processus structurés et qu’une minorité d’acteurs capte l’essentiel des bénéfices.

Pourquoi le travail est-il l’angle mort des analyses sur l’IA ?

Dans les deux discours, le travail est traité comme un contexte ou un levier, rarement comme un système complexe à transformer. Sa réalité faite de routines, de contraintes et d’arbitrages est simplifiée. Or c’est précisément cette complexité qui conditionne l’impact réel de l’IA sur la performance.

Pourquoi l’IA crée-t-elle peu de valeur à grande échelle malgré son potentiel ?

Parce qu’elle est souvent ajoutée à des organisations conçues pour un autre type de travail. Sans refonte des structures, des responsabilités et des modes de coordination, l’IA améliore certaines tâches mais ne transforme pas les systèmes de travail, ce qui limite fortement la valeur captée.

Quelle est la vraie question stratégique posée par l’IA en entreprise ?

La question centrale n’est pas l’adoption des outils mais la capacité à repenser le travail lui-même. Tant que l’IA est intégrée dans des organisations inchangées, les écarts entre potentiel, usage et valeur persistent. La transformation passe par une recomposition du travail, pas par un simple projet technologique.

Crédit visuel : Image générée par intelligence artificielle via ChatGPT (OpenAI)