Adoption technologique : un taux ne signifie pas une intégration dans les processus

Dans les discussions sur la transformation numérique, le terme « adoption » peut désigner l’essai d’un outil, son utilisation pour certaines tâches ou son intégration dans un processus de travail. Il s’agit de situations différentes, même si elles sont résumées par le même mot. Un taux ne se comprend qu’à la lumière de sa définition.

Lorsqu’une organisation déclare utiliser une technologie, cela n’indique pas en soi qui l’utilise, à quelle fréquence ni pour combien d’activités. Le chiffre décrit la portée mesurée par l’enquête ; il ne permet pas de conclure automatiquement que l’usage est quotidien ou que les méthodes de travail ont changé.

L’étude de Funcas sur l’intelligence artificielle dans les entreprises européennes s’appuie sur l’enquête EU-ICT-Firm d’Eurostat. Elle mesure la proportion d’entreprises qui déclarent utiliser une technologie d’IA, mais pas le nombre de travailleurs ni le nombre d’heures qui lui sont consacrés. Elle compte les entreprises utilisatrices, pas l’intensité d’utilisation.

Il est donc utile de distinguer la disponibilité, l’essai, l’usage régulier et l’intégration dans les processus. Un chiffre agrégé peut aider à estimer la diffusion d’une technologie parmi les organisations étudiées, sans répondre aux autres questions. Sa signification précise dépend de la réponse considérée comme une adoption.

Deux pourcentages peuvent renvoyer à des réalités différentes s’ils portent sur des populations, des secteurs ou des périodes distincts. Ils peuvent aussi varier selon les technologies incluses et la formulation de la question. Pour interpréter un chiffre, il faut savoir qui est comptabilisé et ce qui est considéré comme un usage ; le fait que deux indicateurs soient exprimés en pourcentage ne les rend pas comparables.

L’unité d’analyse compte également. Une mesure peut porter sur les entreprises, une autre sur les travailleurs, l’investissement ou le capital technologique. Le pourcentage d’organisations déclarant utiliser l’IA n’équivaut pas à la proportion de salariés qui travaillent avec elle : chaque indicateur répond à une question différente.

Dans une analyse de 2020, CaixaBank Research a utilisé une approximation fondée sur le capital consacré aux nouvelles technologies : elle a combiné les logiciels et bases de données, la recherche et développement, les ordinateurs et les équipements de télécommunications, puis rapporté ce capital aux heures travaillées. Il s’agit d’une mesure du capital technologique par heure travaillée, et non d’un taux d’entreprises utilisatrices de l’IA.

Il ne faut pas non plus confondre une observation et une projection. Une enquête décrit des réponses recueillies pendant une période donnée ; un modèle peut calculer des scénarios futurs selon certaines hypothèses. Si la période, la population ou la méthode change, une différence entre les résultats ne prouve pas à elle seule que l’usage réel a augmenté ou diminué.

Une enquête, une prévision et une liste de tendances remplissent des fonctions différentes. La première recueille des informations sur une population ; la deuxième estime des scénarios conditionnés par un modèle ; la troisième organise les sujets que ses auteurs jugent pertinents. Ces trois éléments ne sont pas des mesures équivalentes de l’adoption.

L’étude de Funcas décrit l’adoption de l’IA par les entreprises de l’Union européenne et analyse les différences entre pays et régions à partir d’EU-ICT-Firm. Elle estime également des trajectoires de diffusion et présente des scénarios futurs. Ceux-ci ne constituent pas un décompte des entreprises ayant déjà adopté la technologie : ils dépendent de la méthode de modélisation et de ses hypothèses.

Une liste de tendances peut servir de repère stratégique, mais ne prouve pas qu’une technologie soit largement déployée. Ainsi, Revista Byte TI a publié en 2023 une sélection de tendances pour les entreprises comprenant l’automatisation, l’IA, la cybersécurité et les superapps. Cette sélection reflète une interprétation des priorités, et non une enquête sur la diffusion de ces technologies.

La question utile consiste à déterminer ce que chaque type de contenu permet d’affirmer : une enquête peut estimer la proportion d’une population qui déclare utiliser une technologie ; un modèle peut explorer des scénarios ; une liste peut contextualiser les sujets d’intérêt. Le caractère stratégique d’une technologie ne prouve pas que son usage soit répandu.

Un taux clairement défini permet de décrire la proportion d’organisations qui déclarent utiliser une technologie au sein de la population et pendant la période étudiées. L’analyse de Funcas relève des différences d’adoption entre les pays de l’Union européenne et situe l’Espagne dans une position intermédiaire dans le contexte étudié. Le résultat décrit des écarts de diffusion, et non une situation uniforme pour toutes les entreprises espagnoles.

La mesure décrite par Funcas ne renseigne pas sur l’intensité de l’usage. Elle ne permet donc pas de déduire combien de processus ont été automatisés ni combien de salariés utilisent l’IA. Elle ne constitue pas non plus une évaluation de la productivité : l’étude indique que l’intensité de l’usage, exprimée par exemple en nombre de travailleurs ou d’heures consacrés à l’IA, n’est pas mesurée.

Le capital technologique et l’usage déclaré sont deux façons différentes d’observer la numérisation. CaixaBank Research a utilisé des catégories de capital pour estimer l’importance économique de certaines technologies ; Funcas analyse, pour sa part, la proportion d’entreprises déclarant utiliser l’IA. Le choix de l’indicateur détermine la conclusion que l’on peut formuler.

L’étude de Funcas sur l’IA dans le secteur bancaire illustre une autre unité d’analyse : elle repose sur une enquête auprès de 2 018 clients bancaires en Espagne et examine leur perception, leurs connaissances et leur réceptivité à l’égard des services bancaires fondés sur l’IA. Ces réponses décrivent les clients et leur rapport aux services bancaires ; elles ne mesurent pas la proportion d’entreprises qui intègrent l’IA.

Pour une entreprise, un taux sectoriel peut apporter du contexte, mais il ne décrit pas à lui seul le fonctionnement d’une mise en œuvre précise. La décision d’étendre l’usage d’un outil suppose de tenir compte du processus concerné, des personnes qui l’utilisent et de l’objectif visé. Un indicateur général ne remplace pas l’évaluation d’un cas d’usage précis.

L’étude de Funcas met en évidence une limite particulière des statistiques EU-ICT-Firm : elles permettent d’observer combien d’entreprises déclarent utiliser l’IA, mais pas l’intensité de cet usage. Pour une PME qui évalue un outil, cette proportion ne permet pas de savoir si la solution convient à ses tâches ni si sa mise en œuvre atteint l’objectif que l’organisation s’est fixé.

Une évaluation interne peut poser des questions plus ciblées qu’un taux national : quelle tâche a intégré l’outil, qui l’utilise et quel changement est attendu ? Ces questions aident à décrire le déploiement propre à l’organisation, mais les réponses ne doivent pas être confondues avec celles d’une enquête portant sur une population d’entreprises plus large.

L’utilité de chaque indicateur dépend de la question posée. La proportion d’entreprises utilisatrices décrit la diffusion déclarée ; une mesure du capital technologique reflète une autre dimension ; une enquête auprès de clients porte sur leur perception et leur réceptivité. Avant de comparer des chiffres, il faut vérifier qu’ils décrivent le même phénomène.

Avant de reprendre un taux d’adoption, identifiez la population, la technologie, la période et l’unité d’analyse. Vérifiez également s’il s’agit d’une observation ou d’une projection. Ces éléments délimitent ce qu’il est possible d’affirmer : la proportion d’entreprises déclarant utiliser l’IA ne mesure pas, à elle seule, la fréquence, l’ampleur ou l’intégration de cet usage.

Une hausse de l’usage déclaré permet de dire qu’une proportion plus importante d’entreprises utilise la technologie selon la mesure concernée. Elle ne démontre pas, à elle seule, un gain de productivité et n’explique pas comment la technologie est employée. La diffusion de l’usage et ses effets sont deux questions distinctes.

Pour interpréter la portée d’un chiffre, il est utile de séparer les mesures qui répondent à des questions différentes : usage déclaré par les entreprises, capital technologique, trajectoires estimées et réponses des clients. Elles peuvent apporter des éclairages complémentaires, mais chacune a sa propre population et son propre objet d’analyse.

En somme, un taux d’adoption est utile lorsqu’il reste lié à sa définition, à sa population et à sa période. La règle fondamentale consiste à ne pas confondre disponibilité, essai, usage régulier et intégration. On évite ainsi de présenter un scénario comme un résultat observé ou de transformer une mesure de diffusion en affirmation sur l’intensité ou l’impact.