Pilote IA réussi, organisation bloquée : shadow AI et généralisation en entreprise

On nous appelle souvent après la souscription. L'abonnement est signé, parfois même le comité de direction a validé le budget. Et pourtant, sur le terrain, le constat revient : les équipes n'utilisent pas l'outil, ou l'utilisent mal. Le matin, on discute d'un contrat avec une IA dans une fenêtre de chat ; l'après-midi, le contrat est sur SharePoint, et l'IA ne voit rien. Résultat médiocre, frustration, et parfois la conviction que « l'IA, ce n'est pas pour nous ».

Chez Improba, nous voyons cette scène dans des structures de tailles très différentes. Pas toujours les mêmes outils, pas les mêmes freins, mais un fil rouge : l'écart entre souscrire à l'IA et l'intégrer au travail réel. Ce texte en est le retour.

Souscrire à l'IA ne suffit pas. Ce qui compte, c'est si l'outil parle à vos données, à vos processus, et à la manière dont vos équipes décident vraiment.

Les chiffres publics vont dans le même sens. Selon le Baromètre France Num 2025 (Direction générale des Entreprises, 11 021 TPE et PME interrogées), 26 % déclarent utiliser des solutions d'intelligence artificielle, soit le double en un an. Mais les usages restent majoritairement génériques : IA générative (22 %), chatbots (14 %), contre seulement 5 % pour l'automatisation de tâches et 5 % pour l'analyse de données. Autrement dit : beaucoup d'organisations disent utiliser l'IA, peu l'ont branchée à leurs processus.

Une étude Bpifrance Le Lab (1 209 dirigeants de PME et ETI) complète le tableau : 43 % ont formalisé une stratégie IA, mais seulement un tiers l'utilisent au quotidien. Bpifrance alerte d'ailleurs sur le shadow AI quand la direction pilote seule, sans impliquer les équipes. C'est exactement ce que nous observons une fois passée la couche des abonnements souscrits.

Petites structures : vite souscrit, peu intégré

Dans les petites organisations, la dynamique va vite. On prend un abonnement, on communique en interne, on invite les collaborateurs à « tester ». Et puis le silence. Ou pire : des usages ponctuels qui produisent des brouillons inutilisables, parce que l'IA n'est pas branchée sur le reste.

Sans connexion aux bases documentaires, aux mails, aux outils métier, l'IA reste un gadget de conversation. Les résultats ne tiennent pas la route, et l'adoption retombe.

Notre lecture : le premier réflexe utile n'est pas d'empiler les outils, mais de choisir un cheval. Un fournisseur, de préférence souverain si la confidentialité est sensible (Mistral en est un exemple parmi d'autres), et s'y tenir. Ensuite, connecter ce choix à des problèmes concrets : relire et générer des documents à partir des bases internes, parcourir une messagerie avec des garde-fous, permettre aux développeurs de coder avec le même socle que le reste de l'entreprise. Côté production logicielle : contrôler l'IA par des tests automatiques, pas en relisant ligne par ligne ce qu'elle produit.

Structures moyennes : l'IA à la demande

Les structures de taille intermédiaire ont souvent commencé à intégrer leurs outils. Le document est sur SharePoint, Copilot y accède. On est dans un usage à la demande : une personne pose une question, l'IA répond, on va chercher de l'information. Peu d'action autonome, beaucoup de consultation.

Depuis quelques mois, avec l'arrivée d'outils comme Claude Cowork, nous voyons un autre usage émerger : présentations PowerPoint, scénarios, premiers jets de reporting. Souvent chez les dirigeants ou les équipes de direction, plus intensif, parfois utilisé pour se challenger mutuellement autour d'un livrable. C'est réel, mais encore concentré sur une frange de l'organisation.

Les enjeux deviennent alors plus intéressants. La confidentialité revient en force : séparer clairement ce qui est confidentiel de ce qui ne l'est pas, et autoriser un usage intensif dans la sphère non sensible. Cette frontière doit être explicite, pas implicite.

Le cas PowerPoint est instructif. Donner à des équipes un outil qui produit trente slides en deux minutes, ça fait plaisir : moins de temps perdu sur la mise en forme. Mais sans accompagnement, l'illusion de productivité se retourne. La personne présente sans maîtriser la slide 17, une question précise la déstabilise, la qualité chute, parfois la relation client aussi. Il faut des facilitateurs internes, capables de transmettre des réflexes et de le faire dans la durée, parce que les outils évoluent tous les trimestres.

Paralysie du confidentiel

Nous connaissons un cabinet juridique qui voit très bien ce que l'IA pourrait accélérer : synthèse de dossiers, premiers jets de notes, recherche transversale dans la jurisprudence interne. Nous ne les accompagnons pas, mais nous suivons leur réflexion de près. Et pourtant, côté organisation, tout reste figé. Le risque de confidentialité est réel, mais il sert parfois de paravent à autre chose : la peur d'investir au mauvais endroit.

Or il est aujourd'hui possible de déployer des modèles en IA locale, avec un investissement modéré, parfois limité dans le temps pour tester. L'enjeu n'est pas de choisir définitivement le bon modèle du premier coup : on peut commencer, mesurer, changer de cheval. Ce qui bloque vraiment, c'est le changement de processus. Quel que soit le modèle retenu, il faudra institutionnaliser une IA interne, encadrer les usages, et repenser la chaîne de production des livrables juridiques. Tant que ce travail n'est pas engagé, la stratégie reste une intention.

Shadow AI et développeurs : l'usage intense que personne n'assume

Quelle que soit la taille de l'organisation, il y a presque toujours une population à part : les développeurs. Usage intensif de l'IA, souvent en marge des politiques officielles. L'outil prend parfois la place de l'expert de référence sur un langage, une librairie, une architecture. Productif, oui. Mais rarement discuté ouvertement avec la direction ou les RH.

Ce n'est pas un reproche : c'est du shadow AI. Chez les développeurs, il prend souvent la forme d'un contournement des règles internes (outils non homologués, comptes personnels). Bpifrance Le Lab décrit un autre visage du même phénomène : une stratégie pilotée par la direction sans les équipes. Dans les deux cas, ignorer la réalité creuse l'écart entre gouvernance affichée et travail effectif. Reconnaître cet usage, lui donner un cadre (quel modèle, quelles données, quels tests), c'est plus sain que faire semblant.

Chez Improba, la ligne est assumée : ce qui n'est pas confidentiel passe par nos outils IA, avec un cadre clair (modèle, données, tests). Ce qui est confidentiel, nous le traitons encore à la main, pendant que nous mettons en place des modèles locaux pour y intégrer l'IA sans exposer les données. C'est ce même chemin que nous aidons à tracer chez nos clients.

Grands comptes : la bonne recette, le mauvais levier

Les grandes organisations comprennent souvent très bien les enjeux. Elles disposent parfois de moyens. Et pourtant, la capacité à transformer l'organisation peine à suivre. Le pouvoir de décision est dilué entre la DSI, qui veut internaliser ou héberger des modèles, la direction, qui pousse à « faire plus d'IA » sans toujours l'utiliser elle-même, et des spécialistes IA qui attaquent par le métier, avec des pilotes qui butent vite sur l'homologation, la souveraineté des données ou le périmètre sécurité.

Pourquoi un pilote IA réussi ne généralise pas

Chez un très grand groupe que nous côtoyons, une petite équipe a accompli un travail considérable. Les données ont été migrées vers un entrepôt hébergé chez un fournisseur externe ; des outils, dont des outils IA, ont été connectés à cet environnement. Les commerciaux disposent aujourd'hui de leviers d'action franchement utiles : récupérer de l'information de qualité en quelques clics là où il fallait auparavant des analyses mathématiques avancées, produire des supports de vente ou d'information prospect en un temps très court. C'est exactement le type de déploiement qu'il faut viser : données structurées, accès IA, actions concrètes.

La direction s'en félicite. C'est une victoire, et un début. Mais ce n'est probablement pas une fin. L'équipe qui a porté l'intégration et développé la web app associée est très petite, avec peu de pouvoir et peu de moyens, sans perspective d'élargissement. La recette est bonne, mais elle n'est ni répliquée ni généralisée. Les commerciaux en profitent ; les RH, la gouvernance, la production, et une grande partie du reste de l'organisation, restent en dehors. Le bon travail est fait au bon endroit, mais pas à la bonne échelle. C'est le piège du pilote IA qui ne scale pas : on confond succès local et transformation de l'entreprise.

Shadow AI et stratégie au tiroir : le cas d'un institut de recherche

Ailleurs, dans un institut de recherche, la stratégie d'intégration de l'IA est détaillée, pertinente, objectivement excellente sur le papier. Mais sa mise en œuvre traîne. Probablement par manque de courage organisationnel : une stratégie de ce type ressemble à un startup interne. Il faut la pousser, l'incarner jusqu'en haut de la hiérarchie, accepter qu'elle bouscule des habitudes. Tant que cette bascule n'a pas lieu, le document reste au tiroir et l'application se fait par petites touches, trop lentement.

Pendant ce temps, les chercheurs voient ce qui devient possible avec l'IA : transformer un article scientifique en code de calcul en quelques jours, là où il fallait auparavant plusieurs mois, pour obtenir un prototype testable et itérable. Ce n'est pas une publication validée du premier coup : la reproductibilité et la relecture métier restent nécessaires. Sans IA adaptée à leur contexte, les équations restent sur le papier, théoriques. Avec, elles deviennent exploitables bien plus tôt. Nous le constatons aussi sur des sujets de calcul scientifique : l'IA change la vitesse de passage du modèle au code, pas seulement la rédaction de textes.

Ils n'y ont pas accès en interne, ou pas encore. Ils regardent l'extérieur avancer, et le shadow AI progresse. C'est dommage, parce que les premières structures à appliquer ce type de stratégie de façon profonde et rapide ont tout à y gagner.

Entre ces fragments, il arrive qu'un profil intermédiaire porte une vision plus intégrée : connecter les outils, remettre la direction dans la boucle, partir du métier sans rester en silo. C'est le cas qui nous intéresse le plus : une feuille de route cohérente, pas une collection de pilotes décoratifs.

Les deux salves de l'IA d'entreprise : d'abord les données, puis l'action

Sur les grands comptes comme ailleurs, ce qui fonctionne le mieux dans notre pratique mobilise quatre acteurs : la direction formule une stratégie, la DSI met à disposition des capacités IA, le métier exprime des besoins immédiats, et des facilitateurs tissent les liens entre les trois. Quand ces voix se parlent, y compris la direction dans l'usage réel, le déploiement avance.

Première salve : les données. Les formater, les rendre accessibles, en extraire de l'information. L'exemple du grand groupe commercial le montre : sans entrepôt exploitable, pas d'action possible. C'est cohérent avec Bpifrance : 43 % des PME et ETI n'analysent pas encore leurs données, alors que l'IA en dépend.

Seconde salve : l'action. Passer du question-réponse à une IA capable d'agir (mode agent), pas seulement de répondre. C'est là que le potentiel se révèle, et que les résistances montent. Nous avons vu ce basculement en interne, en connectant progressivement l'IA à nos propres outils et workflows.

Notre recette, grossièrement : raisonner par plateforme et par service. Consulter de l'information peut être global, avec des réserves sécurité communes. Agir demande des actions ciblées : le commercial n'a pas les mêmes besoins que la technique, la conformité ou les RH. Cela limite les blocages juridiques et garde un minimum de contrôle.

Ces actions se déploient de manière unifiée techniquement, avec des métriques communes, mais progressivement. Tout activer d'un coup noie les équipes. Chaque usage doit prouver sa pertinence. Quand quatre ou cinq cas solides s'accumulent, on bascule souvent vers un vrai dialogue avec l'IA au fil du travail, pas seulement pour une requête ponctuelle.

De plus en plus, l'option d'héberger ses propres modèles sur un cluster interne devient crédible pour les grands comptes : les modèles open source auto-hébergés rattrapent le niveau des modèles cloud. Acheter de la capacité de calcul et exposer des modèles au reste de l'entreprise est cohérent pour qui ne veut pas externaliser le cœur. Mais exposer un modèle ne suffit pas. Sans remise en question des processus, on reproduit le piège du pilote commercial : utile, félicité, non généralisé.

Ce qu'une IA d'entreprise change vraiment

Lorsqu'elle est connectée aux données et aux processus, une IA d'entreprise n'ajoute pas un chat de plus. Elle change la façon dont l'information circule, se transforme et produit de la valeur. C'est ce qui est en jeu dans les scènes ci-dessus, et ce qui reste inaccessible tant que le déploiement s'arrête au pilote.

Trois mouvements reviennent systématiquement.

Faire sauter les silos. Des statistiques RH expliquées à un directeur dans un langage qu'il comprend. Une performance technique reformulée pour le service communication. La donnée transite et se transforme pour s'adapter à celui ou celle qui la reçoit. Nous l'avons pratiqué sur des plateformes à grande échelle, en connectant l'IA à des bases documentaires métier.

Automatiser le travail de bureau, sous supervision. Présentations, rapports, workflows accélérés : l'IA prend en charge la mise en forme, l'humain garde la responsabilité du fond (voir le cas PowerPoint).

Comprendre et challenger par le dialogue. Expliquer un enjeu complexe, tester une approche avant une réunion difficile, se mettre grossièrement dans les chaussures d'un autre métier pour préparer un échange.

Métier par métier

Partout dans l'organisation, un même basculement se profile : des postes très techniques, centrés sur l'exécution précise de tâches, glissent vers des postes proches de l'encadrement. Sauf qu'on n'encadre plus seulement des humains : on encadre aussi des IA. C'est vrai dans les équipes opérationnelles (production industrielle, exploitation, gestion de flux), parfois en RH, rarement annoncé comme tel. Encadrer une IA demande plus de flexibilité, une capacité à lâcher prise, à accepter de ne plus être l'expert le plus pertinent sur chaque point. Il faut construire sa valeur sur autre chose, et cet « autre chose » n'est pas encore complètement formé. Toute la difficulté est là : on sait ce qu'on perd, pas ce qu'on gagne.

Ressources humaines. Les RH cumulent une double difficulté. En interne, leurs propres processus se transforment comme partout ailleurs : l'IA arrive comme outil à encadrer, relecture de contrats, génération assistée, simulation de situations difficiles. En externe, ils doivent accompagner des collaborateurs de toute l'entreprise dont l'environnement bouge, et qui se retrouvent à manager des IA là où ils étaient hier experts d'un sujet précis. Deux casquettes, interne et externe, alors que la fonction n'était pas préparée à l'une ni à l'autre.

Commercial. Comme dans l'exemple du grand groupe : mieux comprendre les produits, croiser des données autrement inexploitables, produire des supports adaptés à la réalité technique et aux contraintes du client. Mais on entre aussi dans l'automatisation des flux, avec une question centrale : où placer l'humain ?

Pour un prospect, découvrir qu'il parle à une machine est acceptable si c'est assumé. Demander des informations sur un produit et recevoir une réponse IA : pourquoi pas, le canal importe peu quand on cherche de l'information. Demander à parler à quelqu'un parce qu'on ne comprend pas un détail et recevoir une IA : là, c'est destructeur. Dans un cas, on veut de l'info ; dans l'autre, du lien, de la réassurance. Il faut imaginer un pipeline à trois acteurs : le prospect, le commercial, le système IA automatisé. L'IA sert, le commercial accompagne, le prospect ne doit pas être noyé sous les informations et les automatismes. Le bon dosage d'humain, c'est tout l'enjeu.

Comptabilité. Les fonctions support partagent une vulnérabilité forte à l'automatisation des processus de production. L'enjeu n'est pas de résister, mais de se positionner comme personnes clés capables de comprendre le travail de l'IA dans leur secteur. Quelqu'un de non initié ne suivra pas une IA qui parle d'amortissements ou de règles fiscales fines ; un comptable chevronné, oui, et pourra même lancer l'IA sur des sujets connexes pertinents. L'humain garde sa place au cœur du métier, et comme lien avec le reste de l'entreprise.

Le modèle qui nous semble tenir la route : une première réponse humaine à la sollicitation, qui encadre et prépare, puis des pièces jointes générées par l'IA qui approfondissent. Exemple : la direction demande « la situation financière de l'entreprise est-elle inquiétante en décembre ? ». Le comptable répond : « Je ne pense pas, au vu de l'historique, mais surveillons les délais de paiement de ces clients clés. Vous trouverez en pièce jointe une analyse IA détaillée de la situation et les projections pour décembre. » L'humain tranche et rassure ; l'IA documente.

Communication. Cas un peu plus simple en apparence : l'IA produit vite, et souvent bien (supports, images, vidéos). La difficulté est ailleurs : mettre de l'humain pour susciter un lien. On veut toucher d'autres humains, il faut qu'ils perçoivent une sincérité et une originalité derrière les supports. La question devient : comment utiliser l'IA pour produire des contenus justes et originaux, et comment les intercaler avec des contenus explicitement humains.

Production et opérations. Là où l'exécution était reine (suivi de lots, contrôles, reporting terrain, coordination entre ateliers ou sites), l'IA prend une part croissante des tâches répétitives. Comme ailleurs, le basculement va vers la supervision : vérifier ce que l'IA a produit, intervenir sur les exceptions, remonter ce qui ne va pas. Les équipes qui maîtrisent le métier et comprennent les limites de l'outil restent indispensables ; celles qui n'exécutent que des gestes routiniers sont les plus exposées.

Direction générale. Aide au pilotage, scénarios, accès aux données, capacité à faire expliquer un sujet complexe ; un interlocuteur disponible pour challenger une décision, pas pour la remplacer. Mais la direction est aussi concernée par le basculement exécution → encadrement : piloter des systèmes IA, pas seulement les valider au comité.

L'arrivée d'une véritable IA d'entreprise change la donne. Mais seulement si elle est déployée à la bonne échelle, métier par métier, avec des processus repensés et une place claire pour l'humain à chaque étape. Sinon, elle reste un outil utile pour quelques initiés, pendant que le reste de l'organisation attend ou contourne le cadre.

Assumer ce qui disparaît

Il faut le dire clairement : pour une part significative des collaborateurs, l'arrivée massive de l'IA va renverser leur travail, parfois le faire disparaître. Les équipes opérationnelles et de gestion en sont les premières concernées, mais le mouvement touche presque tous les métiers. Le nier ne protège personne. L'assumer, oui : avec une stratégie d'accompagnement et une projection d'entreprise honnête, sans violence, mais sans langue de bois.

La question utile, personne par personne : si telle tâche disparaît, que feriez-vous avec le temps gagné, au service de l'organisation ? Enlever le pénible, libérer du temps pour ce qui n'avait pas de place avant : les deux peuvent gagner, à condition de ne pas laisser les équipes dans le flou sur leur nouvelle valeur.

Re-tisser l'humain après le mode agent

En mode agent, une part croissante du dialogue se fait avec la machine, moins entre humains. La productivité monte. Les liens humains, eux, peuvent s'effilocher si on ne s'en occupe pas.

Reconstituer les liens humains sans renoncer au gain machine : c'est probablement le prochain chantier le plus sensible, après la technique.

Réunions qui comptent vraiment, relecture par les pairs sur les livrables à enjeu, mentorship là où l'IA remplace l'apprentissage informel. Ce n'est pas du conservatisme : c'est de la maintenance organisationnelle. Et en RH comme ailleurs, c'est aussi ce qui aide à donner forme à ce qu'on gagne, quand on sait déjà ce qu'on perd.

Ce qu'on retient

L'IA utile en organisation, ce n'est pas un abonnement de plus. C'est des données accessibles, des actions par métier, des processus repensés, et des personnes qui restent responsables devant leurs pairs et leurs clients. Le piège récurrent : réussir un pilote, se féliciter, et ne pas donner à l'équipe qui a réussi les moyens de généraliser. L'autre piège : rédiger une stratégie brillante, puis attendre le courage organisationnel pendant que les équations restent sur le papier.

Chez Improba, nous pouvons intervenir sur ces blocages : aider une équipe porteuse à généraliser son outil, créer des actions IA au sein des outils métier, penser une transformation globalement. Mais surtout, nous intervenons pour donner corps à un projet et le faire avancer efficacement : cadrage, priorisation, implémentation, pas seulement des recommandations.

Si votre organisation est entre la souscription et l'adoption, entre un pilote IA réussi et sa généralisation, ou entre une stratégie au tiroir et ses premiers usages métier, contactez-nous.