L’IA générative dans les entreprises : distinguer usage, investissement et attentes

La question « Combien d’entreprises utilisent l’IA ? » paraît simple, mais la réponse dépend du sens donné au mot utiliser. Une organisation peut avoir autorisé une partie de son personnel à essayer un outil, mener un projet pilote limité, avoir intégré un système à une tâche précise ou s’appuyer sur lui dans des processus habituels. Ce sont des situations différentes, même si une présentation d’entreprise les regroupe sous une même étiquette. Un essai ponctuel et un usage régulier n’impliquent ni le même degré d’intégration ni les mêmes pratiques de travail.

Pour analyser l’adoption en entreprise, il est utile de distinguer au moins quatre étapes : exploration, essai, mise en œuvre et usage durable. La première peut traduire un intérêt ; la deuxième, une évaluation circonscrite ; la troisième, une décision organisationnelle et technique ; la quatrième, une intégration qui se maintient dans le temps. Un chiffre d’adoption n’est interprétable que s’il indique quelle étape il comptabilise et à qui il pose la question. Sans ces éléments, il est impossible de savoir combien d’entreprises ont transformé une initiative en pratique de travail. Il faut aussi déterminer si la mesure repose sur l’évaluation de l’entreprise, sur l’expérience de salariés ou sur des éléments attestant qu’un système est réellement utilisé.

La définition même d’une « entreprise » compte également. Une enquête peut dénombrer des unités légales, des groupes d’entreprises ou des établissements. Les résultats ne sont pas interchangeables : un groupe composé de plusieurs sociétés peut être compté différemment selon l’unité statistique retenue. En Espagne, l’INE indique que les données de son enquête sur les TIC dans les entreprises sont recueillies directement auprès des unités légales. Cette précision aide à comprendre la population observée, mais ne doit pas être confondue avec une mesure individuelle de chaque équipe ou salarié. La réponse d’une unité légale ne permet pas, à elle seule, de savoir combien de personnes utilisent un outil ni à quelle fréquence.

Les statistiques officielles constituent un point de départ utile, car elles documentent la population étudiée, la méthode et les définitions de façon plus structurée qu’une annonce commerciale. L’INE précise que son Enquête sur l’utilisation des TIC et le commerce électronique dans les entreprises vise à obtenir des informations harmonisées et comparables au niveau européen, et qu’elle est élaborée selon les indications d’Eurostat. Son questionnaire couvre différents domaines technologiques et peut comprendre des modules consacrés à des sujets particuliers. Cette documentation aide à comprendre ce qui est mesuré et dans quel cadre les résultats doivent être lus.

Cette conception permet d’observer la présence de certaines technologies dans le tissu entrepreneurial, mais ne transforme pas automatiquement l’enquête en examen détaillé de chaque déploiement. Le taux d’entreprises déclarant utiliser une technologie ne révèle pas, à lui seul, combien de personnes s’en servent, à quelle fréquence, pour quelles tâches, avec quelles dépenses ni avec quel effet sur la productivité. Une statistique d’adoption répond à une question portant sur les entreprises ; elle ne remplace pas une évaluation de l’impact sur le travail ou l’économie. Un taux déclaré peut être informatif tout en laissant ouvertes des questions pratiques auxquelles il faut répondre avec d’autres données.

Vérifier la définition avant de lire le pourcentage

Lorsqu’on examine un résultat, il faut rechercher la période de référence, la population d’entreprises, la taille minimale prise en compte, le secteur, l’unité de dénombrement et la formulation exacte de la question. Il faut aussi vérifier si le chiffre concerne l’intelligence artificielle en général ou l’IA générative. Il est imprudent de considérer ces expressions comme équivalentes : une catégorie large peut inclure des usages qui ne reposent pas sur des modèles génératifs, tandis qu’une enquête consacrée à l’IA générative porte sur une technologie plus précisément délimitée. Si le tableau ne permet pas de trancher, la conclusion doit conserver cette réserve, plutôt que supposer un périmètre plus étroit.

Les enquêtes auprès des entreprises apportent un autre type d’information. Elles peuvent interroger des dirigeants sur leurs projets, leurs obstacles, leurs budgets ou les usages déclarés. Elles sont utiles pour connaître des priorités et des perceptions, mais leurs résultats dépendent des personnes qui répondent, de la sélection de l’échantillon et de la formulation des questions. Dire qu’une entreprise « explore » une technologie ne signifie pas qu’elle l’a déployée ; déclarer une intention d’investissement ne prouve pas que la dépense a été réalisée. Même une enquête rigoureuse décrit les réponses obtenues selon sa méthode, et non nécessairement l’observation directe de tous les systèmes en fonctionnement.

Les annonces d’investissement et les accords avec des fournisseurs décrivent des décisions ou des engagements rendus publics. Ils sont pertinents pour comprendre l’orientation d’une entreprise, mais ne démontrent pas à eux seuls que le système est opérationnel, qu’il concerne tout le personnel ou qu’il apporte les avantages attendus. Pour passer de l’annonce à une preuve de mise en œuvre, il faudrait disposer ensuite d’informations sur le déploiement, sa portée, sa continuité et ses résultats, selon des critères permettant de vérifier ce qui a réellement été mis en place. Un projet peut être annoncé avant que son périmètre définitif soit fixé ; cela n’invalide pas l’annonce, mais en définit la portée probante.

Les fournisseurs peuvent publier des chiffres agrégés concernant les utilisateurs, les requêtes ou l’activité sur leurs plateformes. Ces mesures peuvent fournir des indications sur l’usage de leur propre service, mais elles ne représentent pas nécessairement l’adoption dans toutes les entreprises et ne décrivent pas le but de chaque interaction. Un compte actif peut correspondre à un essai occasionnel ; le volume de requêtes ne dit pas, à lui seul, combien d’organisations ont institutionnalisé l’usage. Il convient aussi de tenir compte de l’intérêt commercial de l’émetteur et de rechercher les définitions, la période, la couverture et la méthode de comptage avant d’interpréter le chiffre.

Deux pourcentages ne sont pas comparables simplement parce qu’ils portent tous deux sur l’IA en entreprise. Ils peuvent différer par pays, année, taille d’entreprise, activité économique, population interrogée et définition de l’usage. Ils peuvent aussi mesurer des moments distincts : la date de publication d’un rapport ne correspond pas toujours à la période visée par les réponses. Avant d’en déduire une tendance, il faut aligner ces dimensions ou expliquer pourquoi la comparaison reste approximative. Si les différences de périmètre ne peuvent être résolues, les chiffres ne doivent pas être présentés comme issus d’une mesure identique.

Une comparaison dans le temps est plus solide lorsque la question, la méthode et la population restent les mêmes, ou lorsque la source explique les changements et permet de les interpréter. Si la définition de la technologie évolue, une hausse apparente peut être due en partie au nouveau critère. Si l’échantillon change, le résultat peut refléter une composition différente des entreprises. Une variation de l’indicateur ne prouve pas automatiquement une évolution équivalente des pratiques des entreprises. Une analyse de tendance doit donc distinguer le changement de comportement déclaré du changement de ce que l’enquête compte ou des entreprises qu’elle inclut.

La portée de l’enquête compte également. Une moyenne nationale peut masquer des différences entre tailles d’entreprise ou secteurs. Un chiffre obtenu auprès d’organisations qui utilisent déjà des services numériques avancés ne devrait pas être présenté comme représentatif de tout le tissu productif sans justification méthodologique. De même, les conclusions d’un échantillon de responsables informatiques ne décrivent pas nécessairement ce qui se passe sur les lieux de travail. Lorsque les rapports ne précisent pas ces éléments, mieux vaut présenter le résultat comme un signal partiel et non comme une mesure universelle.

Pour déterminer si l’IA s’installe dans une entreprise, on peut suivre une séquence de vérifications. Il ne s’agit pas d’une échelle statistique officielle, mais d’un cadre de lecture destiné à ne pas confondre activité et résultat :

• Exploration : il existe un intérêt, une formation initiale ou une évaluation des options.
• Essai : un projet pilote est mené auprès d’utilisateurs, pour des tâches et dans des limites définies.
• Mise en œuvre : l’outil est intégré à un processus, avec des responsables et des règles d’utilisation.
• Continuité : l’usage se maintient dans le temps et les coûts, la qualité, les risques et les résultats sont examinés.

Chaque étape requiert des preuves différentes. Un communiqué de presse peut attester qu’une entreprise a annoncé un projet ; il ne suffit pas à prouver que l’usage est habituel. Une enquête interne peut décrire l’expérience des salariés ; évaluer les résultats nécessiterait des indicateurs définis et une comparaison adaptée. Une statistique officielle peut signaler les entreprises qui déclarent utiliser l’IA, sans préciser le degré d’intégration de chacune. L’intérêt de ce cadre est de séparer ces affirmations plutôt que de faire d’un seul signe d’activité la preuve de toutes les étapes ultérieures.

Les éléments les plus convaincants associent des sources indépendantes et complémentaires : une mesure officielle aux définitions claires, des informations de l’entreprise sur la portée effective du déploiement et, si des bénéfices sont avancés, une évaluation précisant leur mode de mesure. Il n’est pas nécessaire qu’une seule source réponde à toutes les questions. Il faut en revanche éviter de faire porter à un indicateur limité des conclusions qu’il ne peut étayer. C’est la cohérence entre les mesures, et non le volume des annonces, qui permet une interprétation plus solide.

Les informations documentées ici permettent de décrire la structure de l’enquête espagnole sur les TIC dans les entreprises et d’expliquer pourquoi ses définitions aident à interpréter les résultats. Elles permettent aussi de distinguer, sur le plan méthodologique, les statistiques d’entreprises, les déclarations d’intention, l’activité sur une plateforme et les évaluations d’impact. Ce cadre aide à examiner plus précisément de futurs chiffres ; il ne suffit toutefois pas à affirmer que l’adoption de l’IA générative progresse en Espagne ou dans l’ensemble de l’Europe. Un cadre d’analyse doit clarifier les limites des données, non les transformer en preuve d’une tendance.

Pour étayer une conclusion de croissance, il faudrait réunir des résultats comparables portant sur différentes périodes, confirmer que la définition de l’usage reste constante et vérifier que la population statistique n’a pas changé d’une façon qui modifierait l’interprétation. Affirmer que l’usage est consolidé nécessiterait en outre des signes de continuité et d’intégration, et pas seulement d’expérimentation. Enfin, attribuer des gains de productivité à l’IA demanderait de distinguer sa contribution d’autres changements touchant les processus, les effectifs ou les investissements. Chaque affirmation appelle donc un niveau de preuve adapté.

La conclusion prudente n’est pas que l’adoption n’existe pas, mais que chaque indicateur répond à une question différente. Une enquête officielle peut mesurer des usages déclarés dans un cadre défini ; une enquête sur les attentes peut décrire des intentions ; une communication d’entreprise peut documenter une annonce ; et les données d’une plateforme peuvent donner une vue partielle de l’activité. Aucun de ces éléments ne doit automatiquement remplacer les autres. Tant que l’on ne dispose pas de séries comparables et de preuves d’un déploiement durable, la tendance générale doit rester ouverte.