Comment intégrer l’IA de façon responsable en entreprise ? [Guide Complet]

Article mis à jour en juin 2026.

« Ne pas rater le train de l’IA ».

« Nous ne voulons pas être dépassés par les concurrents qui exploitent l’IA ».

Voici quelques verbatims de dirigeants d’entreprises à l’heure ou l’IA est omniprésente dans l’actualité.

Dans cet article détaillé, je vous propose de nous pencher sur une stratégie pour intégrer l’IA dans une organisation.

Mais pas de n’importe quelle manière. L’objectif n’est pas de vendre de l’IA.

Ni de confondre vitesse et précipitation.

Il s’agit d’évaluer les risques en priorité avant de se lancer.

Car les incertitudes sont nombreuses : perte de données sensibles, hallucinations, coût incontrôlé des licences, AI Act, etc.

D’autant plus que l’IA est déjà largement utilisée par les professionnels et les dirigeants selon une étude Microsoft/YouGov.

Mais sans la gouvernance et l’encadrement nécessaires. C’est le fameux « Shadow AI ».

 Source: Microsoft/Yougov, via LeMondeInformatique.fr

Pourquoi l’IA est difficile à intégrer en entreprise ?

Avez-vous déjà lu certaines études présentant l’échec de l’IA en entreprise ?

Celle du MIT (Massachusetts Institute of Technology) avait fait beaucoup de bruit.

Et pour cause !

Elle conclut que 95% des projets-pilotes en IA générative n’atteignent pas de ROI mesurable… (source : rapport MIT NANDA « State of AI in Business 2025 »).

De quoi refroidir les ardeurs…

En me basant sur diverses lectures, voici un résumé des raisons qui expliquent l’échec de l’IA en entreprise :

• L’instabilité des modèles d’IA : malgré des performances séduisantes, la réalité du terrain est différente : trop d’hallucinations et d’erreurs qui mettent en péril la réputation des entreprises.
• Les workflows (process) de l’entreprise ne sont pas adaptés pour intégrer l’IA : il faut d’abord revoir les workflows avant d’envisager d’intégrer l’intelligence artificielle. Dans le cas contraire, l’IA amplifiera les effets négatifs de process défaillants…
• Données internes dispersées, difficiles d’accès ou insuffisantes pour entraîner les modèles.
• Projet non relié à un besoin concret et mesurable de l’entreprise.
• Infrastructure informatique obsolète et insuffisante : un équipement adapté est indispensable si vous souhaitez garder le contrôle sur vos données en interne.
• Projet non relié à un besoin précis et mesurable de l’entreprise : dire simplement que l’IA servira à gagner en productivité n’est pas suffisant. Il faut identifier le périmètre d’action et surtout, prévoir comment le mesurer par la suite !
• Pression des directions qui pousse à lancer des projets trop vite et sans supervision.
• Compétences internes insuffisantes ou non actualisées : les outils changent leurs modèles rapidement. Une formation sur un outil aujourd’hui peut devenir obsolète dans quelques mois…
• Une résistance au changement : modifier les habitudes de travail risque inéluctablement de provoquer de la résistance chez certains collaborateurs.
  

Méthode « SAGESSE IA » : 7 étapes clés pour intégrer l’IA en entreprise

Schéma réalisé par Théo Francoil

Afin de mener à bien un tel projet, il faut se poser les bonnes questions.

À l’image de ce que vous faites avec les chatbots d’IA : C’est en prenant le temps de poser les questions pertinentes que l’on obtient les meilleures réponses.

Voici les 6 étapes :

1. Sélectionner les cas d’usage

Ne vous lancez pas dans un projet d’intégration de l’IA sur l’ensemble de vos activités.

C’est inutile, voire dangereux. Car déployer l’IA à grande échelle est sujet à trop d’incertitudes.

Il faut commencer par un POC (Proof of Concept).

Tester l’IA sur un cas d’usage délimité. Vous êtes en mode « Test & Learn ».

Voici les questions à vous poser :

• Est-ce que ces cas d’usage sont liés aux objectifs prioritaires de l’entreprise ?
• Les données requises pour ce cas d’usage sont-elles disponibles, pertinentes et à jour ?
• Existe-t-il un(e) responsable de la donnée (data owner) dans l’organisation ?
• Est-ce que le bénéfice attendu est mesurable et validé par les parties prenantes ?
• Quels sont les indicateurs clés (KPI) retenus pour mesurer les résultats ?
• Etes-vous sûr que les cas d’usage relèvent de l’IA et non de l’automatisation ?

Définir les objectifs prioritaires

La méthode OKR (Objectives and Key Results), bien connue dans le domaine du management, est très utile.

Elle permet de mieux définir vos objectifs en les reliant à des résultats clés mesurables.

En savoir plus sur cette méthode sur le site de Asana.

Utiliser la méthode des 3U pour valider le besoin réel

Avant de se lancer dans ce projet IA, il est essentiel de vérifier que le cas d’usage répond à un besoin réel.

Une méthode simple pour cadrer cette réflexion est celle des 3U : Utile, Utilisable, Utilisé. Elle est souvent utilisée en conception responsable de services numériques et User Experience (UX).

Règle des 3U – Conception : Théo FRANCOIL

Appliquée à l’IA, cette méthode permet d’éviter de déployer une solution uniquement parce que la technologie est disponible ou « tendance ». Elle oblige à revenir à une question fondamentale : l’IA apporte-t-elle une valeur réelle, dans un contexte précis, pour des utilisateurs identifiés ?

1. Le cas d’usage est-il utile ?

Un cas d’usage IA doit d’abord répondre à un problème concret, rencontré par les collaborateurs.
Il ne suffit pas d’identifier une tâche automatisable. Il faut démontrer que cette automatisation est effectivement importante pour l’organisation, les collaborateurs ou les clients.

Questions à se poser :

• Quel problème cherche-t-on réellement à résoudre ?
• Ce problème est-il fréquent, coûteux, risqué ou stratégique ?
• L’IA est-elle nécessaire, ou une amélioration du processus existant suffit-elle ?
• Quelle valeur attendue : gain de temps, meilleure qualité, réduction des erreurs, amélioration de l’expérience client, aide à la décision ?

Exemple : mettre en place un assistant IA pour répondre aux questions RH internes peut être utile si les équipes RH reçoivent de nombreuses demandes répétitives. En revanche, si les demandes sont rares ou très spécifiques, le projet risque de créer plus de complexité que de valeur.

2. Le cas d’usage est-il utilisable ?

Un cas d’usage pertinent doit aussi être simple à utiliser.
Une solution IA peut être puissante techniquement, mais inutile en pratique si elle est trop complexe ou mal intégrée aux outils existants.

Questions à se poser :

• Les utilisateurs sauront-ils utiliser correctement l’outil ?
• Le cas d’usage s’intègre-t-il dans leurs habitudes de travail ?
• Les résultats produits par l’IA sont-ils compréhensibles, vérifiables et exploitables ?
• Le niveau de formation nécessaire est-il réaliste ?
• Les limites de l’IA sont-elles clairement identifiées ?

Exemple : un outil IA d’assistance commerciale peut produire des recommandations intéressantes, mais s’il oblige les équipes à prendre beaucoup de temps pour vérifier et ajuster ces recommandations, son adoption sera faible.

3. Le cas d’usage sera-t-il réellement utilisé ?

Un projet IA responsable doit enfin anticiper son adoption effective.
Un outil peu utilisé consomme des ressources, mobilise du budget, crée de la dette organisationnelle et peut générer des risques sans produire de bénéfices suffisants.

Questions à se poser :

• Qui utilisera concrètement cette solution ?
• À quelle fréquence ?
• Dans quelles situations précises ?
• A-t-on consulté les utilisateurs sur l’usage au quotidien de l’outil ?
• Comment mesurera-t-on l’usage réel après le déploiement ?
  

Fournir des données qualitatives à l’IA

La donnée est l’or du 21^ème siècle, vous le savez sans doute.

Vous connaissez l’acronyme GIGO ?

GIGO est un concept informatique signifiant Garbage In, Garbage Out = Déchets en entrée, Déchets en sortie.

Si vous utilisez des données d’entrée défectueuses ou absurdes, elles produisent des sorties de même acabit…

Avec l’IA, GIGO a une portée plus importante.

Si les données exploitées par l’IA sont erronnées, les erreurs sont industrialisées avec des conséquences plus graves.

Source : https://ritresh-girdhar.medium.com/machine-learning-garbage-in-garbage-out-50ee0cc053ef

Qu’est-ce qu’une donnée qualitative ?

Elle respecte trois critères :

• Pertinence : elle est exacte et non biaisée ;
• Exhaustivité : elle est complète ;
• Récence : elle est à jour.

Ce dernier critère lié à la fraicheur met en avant un point clé : la donnée suit un cycle, elle n’est pas figée.

Source : https://libeo.com/publications/sur-quels-outils-peut-on-compter-pour-gerer-ses-donnees/

Parvenir à bien gérer les données est donc essentiel avant de lancer un projet d’intégration de l’IA.

Pour aller plus loin, voici un arbre décisionnel réalisé par HEC Montréal qui vous guidera :

L’importance du « Data Owner »

Un problème récurrent que l’on peut relever en entreprise est l’absence d’un responsable de la donnée.

Si c’est une grande organisation, il faut même un data owner par département ou Business Unit.

C’est un rôle clé qui veillera justement à la qualité des données. Et un interlocuteur lorsque la question de « qui est responsable de la donnée » est posée !

IA vs. Automatisation

Parfois, le projet envisagé relève davantage de l’automatisation.

Comment différencier IA et automatisation ?

Trois critères caractérisent l’intelligence artificielle :

• L’autonomie
• L’adaptabilité
• L’entrainement sur des données

L’autonomie et l’adaptabilité sont bien sûr relatives. L’IA doit toujours être pilotée et bien encadrée.

Quant à l’automatisation, elle exécute des règles définies à l’avance avec un fonctionnement similaire. C’est un dispositif bien moins complexe…

2. Analyser les risques

C’est un point crucial, souvent sous-estimé.

Pourquoi ?

Le discours ambiant sur l’IA met en avant les performances de ces outils.

Il est alimenté par des benchmarks (études de performances) et des relais d’influence très présents.

Les performances sont bien réelles et offrent certaines opportunités pour une entreprise.

Mais attention. Les modèles d’IA présentent aussi des risques et des limites.

Ces risques sont liés au fonctionnement même de l’intelligence artificielle.

Les robots d’IA réalisent des calculs de probabilité en s’appuyant sur les données d’entraînement.

Il n’y a pas de discernement, contrairement à un traitement humain.

Voici les questions à vous poser :

• Quel est le niveau de risque si le modèle se trompe (réputation, qualité, sécurité, conformité) ?
• Le projet introduit-il une dépendance critique à un fournisseur ou à une technologie difficile à remplacer ?
• En cas de dérive du modèle, y a-t-il une procédure de reprise immédiate sans l’IA ? (comme le pilotage automatique dans un avion qui peut être désactivé sans risque)
• Quel mécanisme de cybersécurité pour prévenir les attaques ?
  

Cartographie des risques principaux de l’IA

1. Risques liés aux données sensibles : il suffit qu’un collaborateur fournisse des données confidentielles ou personnelles aux chatbots d’IA pour violer les règles du RGPD. Pensez aussi aux problématiques de propriété intellectuelle.

2. Risques liés à la cybersécurité : l’usage d’outils d’IA, notamment avec les agents IA, expose les systèmes d’information à des attaques potentielles.

3. Risques liés à la gouvernance des données et à la corruption des documents : perte de traçabilité, amplification de données biaisées, sens original altéré, etc.

À ce titre, une étude de Microsoft Research met en avant comment les outils d’IA dégradent progressivement les documents lorsqu’ils sont utilisés de façon répétée pour les modifier, résumer ou réécrire…

C’est un risque majeur : des entreprises pourraient progressivement détériorer leur base documentaire, leurs procédures ou leur savoir métier en utilisant massivement l’IA sans en avoir conscience !

4. Risques liés à l’effondrement des connaissances de l’organisation : Cet aspect est à la fois peu connu et paradoxal.
C’est le résultat d’une étude très intéressante du MIT, en collaboration avec le Prix Nobel d’économie Daron Acemoglu.

Voici un bref résumé des conclusions de ce que les auteurs nomment le « Knowledge Collapse » :

• L’IA peut accélérer le travail individuel, mais réduire la production de savoir collectif.
• Les problèmes sont résolus plus vite, mais les raisonnements, décisions et apprentissages sont moins documentés.
• À long terme, l’entreprise risque de perdre sa mémoire métier et sa capacité à former et transmettre aux nouveaux collaborateurs.
• Le vrai enjeu n’est pas d’implémenter l’IA, mais de gouverner son usage pour transformer les réponses individuelles en savoir partagé.

5. Risques psychologiques : Cela se traduit par une « dette psychologique », comme l’explique une étude de Harvard Business Review.

Vous pensez que vos collaborateurs adoptent l’outil d’IA et performent dans leurs tâches. Alors qu’en arrière-plan, un coût psychologique impacte silencieusement les individus.

Voici ces risques résumés dans cette infographie de Flavien Besset, fondateur de NextStart.AI :

Cet autre article sur les biais cognitifs amplifiés par l’IA est aussi pertinent à lire.

L’AI Act : un cadre européen à surveiller

En Europe, une tentative de régulation de l’IA s’est matérialisée avec l’AI Act.

Une règlementation visant à limiter les risques et dérives de l’IA.

Ne pas prendre en compte et suivre l’évolution de la législation peut être fatal à votre projet.

Non seulement parce que votre projet peut représenter un risque incompatible avec les règles européennes.

Mais aussi à cause d’une remise en cause potentielle de l’outil utilisé dans votre stratégie d’IA.

Il n’est pas impensable en effet que ChatGPT ou Gemini soient interdits à l’avenir en Europe.

Voici le schéma qui explique les différents risques :

Un outil pour vérifier si votre système d’IA sera soumis à ces obligations est disponible sur ce lien.

La matrice des risques est également une méthode intéressante pour estimer la probabilité et la gravité d’un risque.

3. Garantir une gouvernance IA adaptée

Dans la première version de ce guide, je n’avais pas pensé à intégrer cette étape.

Je me suis rendu compte de son importance stratégique en lisant un document de recherche de Mehdi Elmoukhliss et Hervé Mary.

Mais aussi en réalisant des formations avec des entreprises.

Cette brique organisationnelle est en effet indispensable pour tout projet IA.

Et plus largement, pour toute action de transformation digitale

Sans cela, vous risquez de tomber dans le piège du « technosolutionnisme ».

C’est-à-dire, penser que l’outil technologique représente la solution à tout…

Car la condition de réussite de toute innovation est une rigueur organisationnelle permanente.

C’est l’objet du modèle CREW (Composants, Rôles, Environnements, Workflows), proposé par Mehdi Elmoukhliss et Hervé Mary.

Voici une version simplifiée de cette méthodologie :

1. C (Composants)

L’un des pièges des outils IA est leur aspect « boîte noire ».  

La solution ici est de décomposer ce monolithe obscur en briques indépendantes et facilement identifiables.

Source : llmnanban.akmmusai.pro

Prenons un exemple simple.

Si vous souhaitez utiliser l’IA pour créer un article de blog, vous pouvez créer plusieurs briques :

• La tonalité
• Le style
• Le titre (pour générer plusieurs versions de titres)
• Etc.

Si l’article ne vous convient pas, il suffit de modifier la brique concernée. Le style, par exemple.

2. R (Rôles)

L’autre grande erreur commise dans l’implémentation de l’IA est l’absence de répartition des responsabilités.

Avoir un « référent IA » ne suffira pas pour contrôler l’ensemble des activités des collaborateurs. Surtout si c’est une grande organisation. C’est logique.

Il faut responsabiliser ceux qui interagissent avec l’outil IA dès la phase de conception.

Comme le propose le système CREW dans sa version simple. Vous pouvez distinguer pour chaque composant IA :

• Le concepteur
• L’utilisateur
• L’évaluateur
  

3. E (Environnement)

L’objectif de l’environnement est de monitorer la diffusion des composants IA en fonction de leur criticité et de performance.

Comme le souligne l’étude. Vous pouvez créer 3 environnements de base :

1. Environnement de Test : Réservé au concepteur pour tester le composant.

2. Environnement Partagé : Entre collaborateurs, mais dans un cercle restreint.

3. Environnement Public : Partagé à l’ensemble des collaborateurs.

Bien évidemment, le passage d’un environnement à un autre est conditionné à un contrôle rigoureux.

Cela évitera de laisser se propager des composants IA non conformes à la règlementation.

Ou pire, présentant des risques de fuite de données sensibles…

4. W (Workflows)

Le workflow (en français, flux de travail) dépend de chaque d’usage.

La création d’un article de blog citée précédemment ne nécessite pas de workflow complexe.

C’est une autre histoire si cela concerne des rapports sur la santé (avec les données sensibles).

Attention à ne pas vous précipiter à implémenter une solution IA sans avoir réfléchi préalablement à la structure organisationnelle.

Celle-ci doit être pilotée par l’humain.

Pour plus de détails, je vous propose de lire cet article plus complet.

Avez-vous consulté vos collaborateurs (via le CSE ou les représentants du personnel ?)

Il n’est pas pérenne, ni souhaitable que l’entreprise impose l’implémentation de l’IA sans concertation préalable avec l’ensemble des collaborateurs.

Le 21 mai 2026, la Cour d’appel de Paris a rendu un arrêt concernant le déploiement de l’intelligence artificielle dans les organisations.

Source : https://www.linkedin.com/posts/thierryhessel_ia-en-entreprise-une-d%C3%A9cision-qui-va-compter-share-7474708497302118401-z7Bc/ – Visuel généré par IA

Cette décision fait suite à une requête du CSE (Comité Social et Economique) dans une entreprise ayant mis en place l’IA.

Le CSE estime ne pas avoir été consulté avant l’intégration de l’outil IA (en l’occurrence, ChatGPT).

La justice ordonne la suspension des outils IA. Et ce, jusqu’à la fin de la consultation avec le CSE.

C’est une décision majeure. Car elle met en exergue un point essentiel : l’IA n’est pas simplement un outil technologique.

L’IA modifie le cadre organisationnel du travail : évolution des tâches, impact sur le temps de travail, charge mentale, réduction potentielle des effectifs, etc.

Attention à anticiper les effets de l’intelligence artificielle en discutant de façon transparente et sereine avec les collaborateurs en amont du projet.

4. Équiper l’entreprise d’outils

C’est un autre point déterminant dans votre stratégie.

Le paysage de l’IA est marqué par une concurrence accrue.

La notoriété d’un outil (comme ChatGPT ou Google Gemini) n’implique pas qu’il est pertinent pour vous.

De plus, la multiplication des offres complexifie ce choix.

Les tarifs varient également si la facturation est basée sur un forfait ou par token (jeton).

Voici les questions à vous poser :

• Est-ce que ces outils répondent aux besoins spécifiques de l’entreprise ?
• Les solutions envisagées respectent-t-elles les exigences de sécurité et/ou de conformité dans votre secteur ?
• Est-ce que l’outil entraine une dépendance critique vis-à-vis du fournisseur ?
• Est-ce que les droits et les restrictions sont définis pour les collaborateurs ?
• Quelle personne sera la « référente IA » pour la gestion des licences de ces outils ?
• Quel est le budget que vous êtes prêt à consentir pour ce projet ? Avez-vous anticipé l’augmentation des coûts avec l’évolution des usages ?

Quelle est la différence entre un LLM « propriétaire » et un LLM « auto-hébergé » ?

Le LLM (Large Langage Model) désigne l’outil d’IA basé notamment sur l’entrainement des données. Voici la définition plus précise.

C’est un choix qui impacte le coût, la souveraineté et la conformité.

Voici brièvement les avantages et limites liés à chaque type d’outil :

Le LLM propriétaire (externe à votre organisation) :

Avantages :

• Activation rapide : c’est l’avantage clé d’utiliser ChatGPT, Claude.ai, Gemini, etc.
• Aucun besoin d’infrastructure ou de compétences techniques avancées.
• Mises à jour gérées par le prestataire.

Limites :

• Les données sont stockées par le prestataire.
• Dépendance forte au fournisseur (coûts, évolutions, disponibilité).
• Coûts qui augmentent avec l’usage (paiement au volume).
• Complexité (voire impossibilité) d’adapter la solution à des besoins sur mesure.
  

Le LLM auto-hébergé (on-premise) :

Avantages :

• Les données restent dans l’entreprise : contrôle et souveraineté.
• Maîtrise des coûts à long terme (usage intensif).
• Possibilité de personnaliser l’outil selon les besoins industriels.

Limites :

• Installation plus longue et complexe.
• Nécessite certaines compétences techniques internes ou un partenaire fiable.
• Demande un investissement initial plus élevé.

Infographie générée via NotebookLM (Google)

Ce choix dépend du type de structure (une PME n’aura pas les moyens ni les besoins d’une grande entreprise).

Le secteur d’activité est aussi déterminant : si vous exercez dans un domaine sensible, comme la santé, l’exigence de conformité sera plus élevée.

Dans le cas des outils propriétaires, vous pouvez évaluer les modèles grâce aux benchmarks.

Par exemple, via le site artificialanalysis.ai

C’est d’autant plus important que les modèles évoluent rapidement.

Exemple de benchmark via le site artificialanalysis.ai – Avril 2026

Au-delà du choix binaire « Propriétaire » VS « Auto-hébergé », il existe des techniques qui combinent vos propres données avec un outil externe.

1. Le RAG :

Si vous optez pour un modèle propriétaire, il est possible de lui fournir vos propres ressources documentaires pour des réponses plus contextualisées.

C’est la technique du RAG (Retrieval-Augmented Generation) :

Source : educba.com/retrieval-augmented-generation/

2. Le Fine-Tuning de LLM :

Cette solution, plus coûteuse à mettre en place, consiste à personnaliser en partie les données d’entrainement du LLM.

L’objectif est d’obtenir un comportement de l’IA plus conforme à vos standards.

Source : https://reglo.ai/fine-tuning-llm/

5. Sécuriser avec une charte IA

Réfléchir à un usage de l’IA acceptable ou non en entreprise est une priorité.

C’est une technologie nouvelle. Les collaborateurs qui l’exploitent n’ont pas forcément conscience des implications de leur usage.

A la fois personnellement et professionnellement.

A titre d’exemple, une utilisation inadéquate peut influencer négativement le raisonnement.

Voici les questions à vous poser :

• Est-ce que vous avez réfléchi à mettre en place une charte d’usage de l’IA sur-mesure ?
• Permet-t-elle de limiter les risques les plus importants liés à l’usage de l’IA ?
• Est-ce que cette charte est alignée sur les valeurs prônées par l’entreprise ?
• Avez-vous inclus une sensibilisation sur l’impact environnemental de l’IA ? Et donc, sur un usage raisonné de cette technologie ?
• Avez-vous prévu un plan de communication pour diffuser cette charte ?

A titre d’exemple, la Métropole de Bordeaux a mis en place un « Un cadre éthique et responsable pour la métropole » pour une utilisation responsable de l’IA.

Vous pouvez le lire sur ce lien.

L’importance des valeurs

Qu’est-ce qui peut restreindre un collaborateur (ou même un dirigeant) d’utiliser l’IA de façon non pertinente, voire nocive ?

C’est parce que cet usage est contraire aux valeurs défendues par l’entreprise.

Par exemple, si vous défendez la valeur de l’équité, vous n’autoriserez pas un outil d’IA qui génère des réponses discriminantes (tri de CV selon l’origine ethnique, etc.).

Encore faut-il formaliser les valeurs et la mission de l’entreprise en amont !

Vous pouvez utiliser la méthode « Golden Circle » de Simon Sinek pour réfléchir sur le « pourquoi » de votre organisation.

Source : moonseven-editing.com/golden-circle-content-marketing/

IA et environnement

Ce point est peu mis en avant.

Pourtant, des spécialistes et des organisations alertent sur l’impact de l’intelligence artificielle sur la planète.

C’est-ce qu’indique le Programme des Nations unies pour l’environnement.

Elle est due notamment à la consommation massive de ressources par les data-centers.

Une étude du collectif GeenIT estime que les impacts de l’intelligence artificielle sur l’environnement représenteront 62 % du budget annuel soutenable de l’Union européenne !

Étude du collectif GreenIA (2025)

Côté entreprise, une utilisation raisonnée de l’IA consiste à faire preuve de sobriété à l’usage.

Par exemple, est-ce raisonnable d’utiliser l’IA pour rédiger un court e-mail ?

6. Sensibiliser et former

Évidemment, il est vivement conseillé de former et surtout d’accompagner les collaborateurs dans ce projet.

Voici les questions à vous poser :

• Avez-vous prévu une formation spécifique et continue aux outils choisis ?
• Avez-vous prévu un accompagnement au changement ?
• Avez-vous planifié cet accompagnement dans le temps ?

L’humain a tendance à rejeter le changement.

Parfois à juste titre lorsque ce changement est nocif.

Avant d’accepter le changement, l’individu peut passer par 3 filtres qu’il faut bien gérer pour le dirigeant :

• 1. La nécessité du changement : Est-ce que le changement est indispensable ?
  Si vous ne convainquez pas vos collaborateurs que le changement est indispensable, ils ne vont pas y adhérer. Pour cela, il faut rassembler les preuves que la situation actuelle doit changer.
• 2. La pertinence des choix : Est-ce que les solutions ou moyens utilisés sont adaptés ?
  Même si les collaborateurs sont conscients de la nécessité de changer, ils ne seront pas forcément d’accord sur le « comment ». C’est-à-dire, sur la solution adéquate.
• 3. L’intérêt personnel : Qu’est-ce que le changement implique sur l’individu ?
  L’égo est souvent (malheureusement) un élément clé dans la réflexion.
  Un exemple concret est le recyclage des déchets.
  Même si c’est une action bénéfique pour l’environnement, elle peut être perçue comme un effort supplémentaire que certains individus rejettent…

Alors comment dépasser cette résistance au changement ?

Voici quelques conseils pratiques :

• Mettre en place une communication efficace et multilatérale : tous les collaborateurs doivent être consultés et impliqués par la direction en amont du projet.

• Prendre son temps : le changement nécessite du temps. Il vaut mieux en perdre au début pour en gagner par la suite !

• Être transparent sur l’avancement du projet : l’IA est un sujet complexe. S’il y a des échecs ou des imprévus, dites-le de façon honnête. C’est comme cela que vous gagnerez la confiance de tous.

• Être à l’écoute du retour « terrain » : une fois le projet IA lancé, restez très attentifs aux feedbacks des collaborateurs. Il y a souvent un fossé entre la théorie et la pratique.

• Conduire des formations et/ou un accompagnement en continu : Réaliser une formation de 2 ou 3 jours ne suffit pas pour être opérationnel dans le temps. À titre d’exemple, il s’est écoulé moins d’un mois entre la sortie du modèle GPT‑5.1 et GPT-5.2 !
  

7. Évaluer et améliorer

Enfin, un suivi continu et rigoureux doit être mis en place.

Voici les questions à vous poser :

• Que traduisent les données récoltées de ce cas d’usage ? Distinguer les données quantitatives (Ex. durée de travail) et les données qualitatives (Ex. avis des collaborateurs).
• Testez-vous régulièrement les biais algorithmiques ?
• Est-ce que les process et instructions (prompts) sont mis à jour selon le contexte ?
• Avez-vous prévu un comité de gouvernance pour ce projet ?
• Est-ce que les licences des outils sont effectivement utilisées ?

Une attention particulière doit être portée sur le taux d’erreur de l’IA.

Aussi, soyez vigilant sur l’utilisation réelle des licences et le paramétrage des outils.

Car vous n’êtes pas à l’abri que l’éditeur de l’outil (si vous avez fait le choix d’un LLM propriétaire comme OpenAI), change ses paramètres sans prévenir.

Exposant ainsi vos données internes à de potentielles fuites…

C’est là que vous comprenez l’intérêt d’un.e référent.e IA pour la supervision ! Et encore mieux, d’une répartition de la responsabilité IA dans chaque métier.

En conclusion

Décider d’implémenter l’intelligence artificielle en entreprise n’est pas une décision que vous devez prendre à la légère.

Comme une startup sur un nouveau marché, vous devez d’abord identifier et évaluer les risques inhérents à cette démarche.

L’IA est une technologie utile lorsqu’elle est intégrée de façon réfléchie. Prenez en compte les impacts et coûts de l’IA à moyen et long terme.

Pour conclure, il faut se rappeler que les géants de l’IA comme OpenAI et Google sont des sociétés (entièrement ou partiellement) à but lucratif.

Elles cherchent à vendre leurs solutions, au détriment de risques potentiels de sécurité et de conformité pour votre entreprise.

Je vous conseille vivement de garder une procédure « sans IA » pour parer à d’éventuelles dérives.

A l’image du pilotage automatique dans un avion que l’on peut désactiver à tout moment.

Enfin, n’hésitez pas à prendre contact pour vous former à l’IA responsable.

Ressources pour aller plus loin :

Le MOOC IA Responsable : C’est une formation gratuite d’environ 1h pour comprendre les enjeux éthiques, environnementaux et de gouvernance de l’IA (accès gratuit).

« Prendre des décisions stratégiques avec les outils de BI augmentés par l’IA » : Une excellente formation de Frédéric Bascuñana. Disponible sur LinkedIn Learning (accès réservé aux abonnés).