Gouvernance de l’IA : pourquoi 95 % des entreprises peinent encore à se structurer

L’intelligence artificielle n’échoue pas seulement à cause d’un modèle imprécis ou d’un budget insuffisant. Dans de nombreuses organisations, elle se heurte d’abord à une question plus fondamentale : qui décide de ses usages, avec quelles données, selon quelles règles et sous quel contrôle ? À mesure que les outils d’IA générative et d’automatisation s’installent dans les métiers, ces questions cessent d’être théoriques.

L’étude évoquée en octobre 2024 dresse un constat préoccupant : 95 % des entreprises interrogées rencontrent des obstacles significatifs dans leur adoption de l’IA. La gouvernance, la sécurité et la gestion des données concentrent l’essentiel des difficultés. Surtout, environ 83 % des répondants considèrent que leur approche de gouvernance de l’IA n’est pas assez efficace.

Ces chiffres ne signifient pas nécessairement que 95 % des organisations n’ont absolument aucune règle. Ils montrent plutôt qu’une immense majorité ne dispose pas encore d’un cadre jugé suffisamment clair, complet ou applicable pour déployer l’IA à grande échelle. Or, entre une expérimentation isolée et une technologie intégrée aux décisions, aux produits ou aux services, l’écart est considérable.

Pourquoi la gouvernance de l’IA est devenue un sujet central

La gouvernance de l’IA désigne l’ensemble des décisions, procédures, responsabilités et contrôles qui encadrent le recours à l’intelligence artificielle dans une organisation. Elle ne se limite donc pas à une charte éthique affichée sur un site interne. Elle répond, de manière concrète, à des questions telles que :

• quels cas d’usage sont autorisés ou interdits ;
• quelles données peuvent alimenter un système d’IA ;
• qui valide un outil avant son déploiement ;
• comment vérifier la fiabilité, les biais ou les erreurs de ses résultats ;
• quelles équipes sont responsables en cas d’incident ;
• comment protéger les informations confidentielles, personnelles ou stratégiques.

Sans réponses partagées à ces questions, chaque service risque d’adopter ses propres pratiques. Une équipe marketing peut tester un assistant rédactionnel, des développeurs peuvent intégrer une API d’IA dans une application, des salariés peuvent soumettre des documents à un service grand public. Ces usages peuvent produire des gains rapides, mais ils créent aussi des zones d’ombre : données envoyées hors du périmètre prévu, réponses erronées reprises sans vérification, absence de traçabilité ou responsabilités mal définies.

Le problème est particulièrement visible avec l’IA générative. Contrairement à un logiciel classique, elle produit des contenus variables selon la requête, les données fournies et le modèle choisi. Elle peut être utile pour résumer, rédiger, classer ou assister une décision, sans pour autant fournir une réponse toujours exacte. Une organisation doit donc prévoir les contrôles humains nécessaires selon l’importance de la tâche.

Des stratégies jugées insuffisantes par 83 % des répondants

Le chiffre de 83 % est révélateur d’un décalage entre l’intérêt pour l’IA et la maturité des processus qui l’entourent. Beaucoup d’entreprises savent que l’IA peut accélérer certaines activités. Elles identifient plus difficilement les mécanismes de pilotage nécessaires pour passer du test local à un usage durable.

Une stratégie de gouvernance efficace ne suppose pas obligatoirement une lourde bureaucratie. Elle nécessite en revanche une ligne de responsabilité lisible. La direction générale doit fixer les priorités et les limites. Les équipes métiers doivent définir le besoin réel. Les spécialistes des données, de la cybersécurité, du droit et de la conformité doivent apprécier les risques. Enfin, les utilisateurs doivent connaître les règles concrètes applicables à leur travail.

La gouvernance permet aussi d’éviter une confusion fréquente : croire qu’un outil considéré comme performant est automatiquement adapté à toutes les situations. Un modèle peut produire des résultats convaincants dans une démonstration, mais poser problème lorsqu’il traite des données réelles ou intervient dans une décision qui affecte un client, un salarié ou un partenaire.

Le partage des données, principal point de friction

L’IA dépend des données. Pour apprendre, rechercher des informations, établir des prévisions ou produire des réponses contextualisées, elle doit s’appuyer sur des contenus pertinents et accessibles. Mais dans l’entreprise, les données sont souvent réparties entre les services, stockées dans des systèmes différents et régies par des niveaux de confidentialité variables.

Selon l’étude, les mesures de gouvernance du partage de données restent insuffisamment définies. Certaines entreprises ne disposent pas encore d’autorités clairement établies pour arbitrer les conditions de circulation et d’utilisation des informations. Cette incertitude produit deux écueils opposés.

D’un côté, une organisation peut tout bloquer par précaution. Les équipes ne peuvent alors pas accéder aux données nécessaires, les projets stagnent et l’IA reste cantonnée à des démonstrateurs. De l’autre, un partage trop large ou mal documenté peut exposer des données personnelles, financières, commerciales ou techniques.

Une politique de données utile doit donc être plus fine qu’un simple oui ou non. Elle peut définir, par exemple, les catégories de données autorisées, les données qui doivent être anonymisées, les personnes habilitées à y accéder, les durées de conservation et les outils approuvés. L’objectif n’est pas seulement de réduire un risque juridique ou de sécurité. Il s’agit aussi de rendre les données réellement exploitables par les bonnes équipes.

L’IA creuse l’écart entre les entreprises les mieux préparées et les autres

La question de la gouvernance est aussi une question de compétitivité. L’étude souligne qu’un tiers des entreprises n’exploitent toujours pas les opportunités offertes par l’IA. Il ne s’agit pas uniquement d’un retard technologique. Les organisations qui ne savent pas identifier leurs données, former leurs équipes et cadrer les usages ont davantage de mal à lancer des projets utiles.

Les compétences jouent ici un rôle déterminant. Les salariés n’ont pas tous besoin de devenir ingénieurs en IA. En revanche, ils doivent comprendre les limites des outils utilisés dans leur métier : ne pas confondre une réponse plausible avec une information vérifiée, ne pas transmettre de données sensibles sans autorisation, savoir quand demander une validation et signaler une anomalie.

Les dirigeants ont également une responsabilité spécifique. Une gouvernance crédible suppose d’allouer du temps, des ressources et des responsabilités. Si l’IA est présentée comme une priorité stratégique, mais qu’aucun référent ni aucune procédure ne sont mis en place, les équipes resteront seules face aux arbitrages les plus sensibles.

L’Union européenne veut installer un cadre commun

Face à la multiplication des systèmes d’IA, l’Union européenne cherche à établir des règles harmonisées. L’AI Act, règlement européen sur l’intelligence artificielle, est entré en vigueur le 1er août 2024. Son application est progressive et repose notamment sur une logique de niveau de risque : les obligations ne sont pas les mêmes pour tous les systèmes.

Le texte européen vise à protéger les droits fondamentaux, à favoriser la transparence de certains usages et à imposer des exigences renforcées aux systèmes les plus sensibles. Pour les entreprises, cette évolution confirme que la gouvernance ne peut plus être pensée uniquement comme une bonne pratique facultative. Elle devient un élément de préparation réglementaire.

En parallèle, l’Union européenne encourage des engagements volontaires à travers l’AI Pact. Selon les éléments cités dans l’étude, 126 entreprises ont pris part à un accord en faveur d’une adoption éthique de l’IA. Cette initiative illustre une volonté d’avancer avant la pleine application de l’ensemble des obligations du règlement.

Toutefois, un cadre européen ne remplace pas le travail interne des organisations. La réglementation peut définir des principes et des exigences, mais chaque entreprise doit traduire ces règles dans ses outils, ses processus et sa culture de travail. Cela suppose une coopération entre les directions, les métiers, les équipes techniques et les fonctions de contrôle.

Comment commencer à structurer une gouvernance de l’IA ?

Pour une entreprise qui part de loin, chercher à tout régler d’un seul coup serait contre-productif. La première étape consiste à cartographier les usages existants, y compris ceux qui sont déjà pratiqués de façon informelle. Cette photographie permet de repérer les outils utilisés, les données concernées, les équipes impliquées et les risques immédiats.

Un socle pragmatique peut ensuite reposer sur quelques actions :

• nommer une instance ou des responsables chargés de coordonner les décisions sur l’IA ;
• établir une liste claire des usages autorisés, restreints ou interdits ;
• fixer des règles de traitement et de partage des données ;
• prévoir une évaluation des fournisseurs et des outils employés ;
• former les collaborateurs aux limites, à la confidentialité et à la vérification des résultats ;
• documenter les décisions importantes et prévoir un réexamen régulier des systèmes.

La proportionnalité est essentielle. Un outil qui aide à reformuler un texte interne ne requiert pas le même niveau de contrôle qu’un système qui intervient dans le recrutement, l’évaluation d’un client ou l’accès à un service. La bonne gouvernance adapte l’effort au niveau de conséquence possible pour les personnes et pour l’entreprise.

Ce qu’il faut surveiller

Le constat posé en octobre 2024 est clair : l’adoption de l’IA avance plus vite que les dispositifs qui permettent de l’encadrer. Les entreprises qui réduiront cet écart ne seront pas nécessairement celles qui testeront le plus grand nombre d’outils. Elles seront celles qui sauront relier leurs ambitions technologiques à une gouvernance des données, de la sécurité et des responsabilités.

Dans les prochains mois, l’attention devra porter sur la capacité des organisations à transformer des principes généraux en pratiques quotidiennes. La désignation de responsables, la qualité des données, la formation des équipes et le contrôle des usages compteront autant que le choix d’un modèle d’IA. À ce prix, l’intelligence artificielle pourra devenir un levier d’innovation durable plutôt qu’une succession d’expériences isolées.