IA dans les entreprises françaises : l’heure des cas d’usage, pas des promesses

Au début de 2025, l’intelligence artificielle ne se résume plus à une démonstration technologique dans les directions générales françaises. L’essor de l’IA générative a placé le sujet au centre des discussions entre dirigeants, directions métiers, directeurs des systèmes d’information et responsables de la cybersécurité. Mais l’enthousiasme se heurte à une question très concrète : quels bénéfices une entreprise peut-elle réellement obtenir, et à quelles conditions ?

La réponse ne tient pas seulement à la puissance des modèles. Elle dépend de la qualité des données disponibles, de la sécurité des outils, de la formation des équipes et, surtout, de la capacité à choisir un problème métier précis. Les entreprises françaises semblent ainsi entrer dans une phase moins spectaculaire, mais plus décisive : celle où l’expérimentation doit laisser place à des résultats mesurables.

L’IA devient un investissement à justifier

L’ampleur des dépenses mondiales illustre l’intensité de la course technologique. En 2023, les investissements dans le secteur de l’IA ont atteint environ 154 milliards de dollars à l’échelle mondiale. Les grands groupes technologiques prévoient par ailleurs d’investir plus de 1 000 milliards de dollars au cours des années à venir.

Ces montants ne garantissent pourtant pas, à eux seuls, une création de valeur immédiate pour les organisations qui déploient des outils d’IA. Dans les conseils d’administration, la curiosité initiale fait progressivement place à des demandes plus précises : combien de temps une solution fait-elle gagner ? Réduit-elle des erreurs ? Améliore-t-elle le service rendu aux clients ? Peut-elle être utilisée sans exposer des données sensibles ?

C’est une différence essentielle entre une démonstration convaincante et un projet déployé à grande échelle. Un assistant capable de résumer un document ou de rédiger un premier brouillon peut impressionner. Pour être utile à l’entreprise, il doit aussi s’insérer dans un processus existant, fonctionner de manière fiable, être contrôlé par des personnes compétentes et produire un gain supérieur à son coût total.

Pour les entreprises françaises, l’IA apparaît donc d’abord comme un moyen d’automatiser certaines tâches, d’analyser plus rapidement des données ou d’assister les salariés. Cette prudence rappelle les leçons tirées de l’adoption du cloud : la nouveauté technologique n’est pas une finalité, et les bénéfices doivent être établis avant de généraliser les dépenses.

Des grands modèles aux modèles spécialisés

Les grands modèles de langage, aussi appelés LLM, ont rendu l’IA générative accessible à un vaste public. Ils peuvent produire ou reformuler du texte, synthétiser des informations, répondre à des questions et aider à la programmation. Leur fonctionnement repose sur l’apprentissage de régularités dans de très grands volumes de données, afin de prédire la suite la plus probable d’une séquence de mots ou d’autres contenus.

Cette polyvalence a cependant une contrepartie. Un modèle généraliste n’est pas nécessairement l’outil le plus adapté à un besoin très spécifique, comme le classement de documents internes, l’extraction d’informations dans des contrats ou l’assistance sur une procédure technique. Il peut aussi être coûteux à entraîner, à faire fonctionner et à superviser.

C’est pourquoi l’intérêt se porte de plus en plus vers les petits modèles de langage, ou SLM. Ils sont conçus pour des scénarios d’utilisation mieux définis. Leur taille plus réduite peut permettre un déploiement plus sobre, parfois au plus près des données de l’entreprise, avec des coûts et des besoins énergétiques potentiellement inférieurs.

Le sujet énergétique prend une importance croissante. La consommation d’énergie associée à l’IA est prévue à 1 000 térawattheures d’ici à 2026. Face à cet enjeu, la recherche d’un modèle plus petit, entraîné sur des données pertinentes pour un domaine donné, ne relève pas seulement de l’optimisation financière. Elle touche également à la capacité des entreprises à développer des usages soutenables et maîtrisables.

Un modèle plus petit n’est pas automatiquement meilleur. Il doit être évalué sur les tâches qu’il devra accomplir, avec des données représentatives et des critères explicites de qualité. Mais pour de nombreux usages professionnels, la spécialisation peut être plus pertinente que la recherche systématique du modèle le plus vaste.

Pourquoi l’adoption reste graduelle dans les PME

L’écosystème français de l’IA est dynamique. En 2022, il comptait 590 start-ups consacrées à l’intelligence artificielle. Ces jeunes entreprises avaient levé plus de 3,2 milliards d’euros, signe de l’intérêt économique et financier suscité par le secteur.

Cette vitalité ne se traduit pas encore par une adoption massive dans toutes les entreprises. Un rapport cité sur le sujet estime que seules 5 % des PME françaises avaient intégré des solutions d’IA dans leurs opérations. Le décalage entre le nombre de fournisseurs, de démonstrations et d’annonces d’un côté, et les déploiements concrets de l’autre, est révélateur d’une phase d’apprentissage.

Beaucoup d’entreprises commencent par des outils externes : assistant de rédaction, traduction, synthèse de réunions, aide à la recherche documentaire ou automatisation de tâches simples. Cette approche permet de découvrir les possibilités de l’IA sans transformer immédiatement l’architecture informatique ou les processus de travail.

Le passage à une utilisation plus structurée exige toutefois des décisions plus lourdes. Il faut savoir quelles données peuvent être utilisées, où elles sont traitées, quels salariés accèdent à l’outil, comment les résultats sont vérifiés et qui est responsable lorsqu’une réponse est erronée. Pour une PME, ces questions peuvent peser autant que la technologie elle-même.

De l’expérimentation au déploiement, ce qui change réellement

Un projet pilote est utile pour vérifier qu’un cas d’usage intéresse les équipes. Il ne permet pas toujours de conclure sur sa viabilité à long terme. Lors du déploiement, l’entreprise doit prendre en compte les coûts récurrents, l’intégration aux logiciels existants, la confidentialité, les droits d’accès, la maintenance et l’accompagnement des salariés.

La démarche la plus solide consiste à partir d’un processus précis. Une direction financière peut vouloir accélérer le traitement de documents, un service client réduire le temps de recherche d’information, une équipe industrielle mieux exploiter des données de production. Dans chaque cas, le résultat attendu doit être formulé avant le choix du modèle ou du fournisseur.

Quelques repères permettent de distinguer un projet utile d’un simple effet de nouveauté :

• identifier une tâche répétitive ou un point de friction clairement documenté ;
• établir une mesure de départ, afin de comparer la situation avant et après l’usage de l’IA ;
• prévoir une validation humaine lorsque les conséquences d’une erreur sont importantes ;
• tester la solution avec les utilisateurs concernés, et pas seulement avec une équipe technique ;
• définir les conditions d’arrêt ou d’extension du projet selon les résultats observés.

Cette méthode ne promet pas que tout projet réussira. Elle évite en revanche de confondre l’intérêt théorique d’une technologie avec sa pertinence opérationnelle dans une organisation donnée.

Sécurité, données et règles européennes

La prudence française s’explique aussi par le cadre juridique et les exigences de sécurité. Les responsables des systèmes d’information et de la sécurité doivent évaluer les conséquences d’un outil d’IA avant son déploiement : circulation de données personnelles ou confidentielles, conservation des requêtes, contrôle des accès, dépendance à un prestataire ou encore fiabilité des contenus générés.

Le RGPD, applicable dans l’Union européenne depuis 2018, impose déjà des règles strictes sur le traitement des données personnelles. Une entreprise ne peut pas utiliser librement des informations concernant ses clients, ses salariés ou ses partenaires dans un système d’IA sans s’interroger sur la finalité du traitement, sa base légale, la sécurité et les droits des personnes concernées.

Le cadre européen se précise également avec le règlement sur l’intelligence artificielle, entré en vigueur le 1er août 2024. Au 2 janvier 2025, ses obligations sont appelées à s’appliquer progressivement selon un calendrier prévu par le texte. Pour les entreprises, l’enjeu est d’anticiper : documenter les usages, identifier les risques, informer lorsque cela est nécessaire et mettre en place une gouvernance adaptée.

La réglementation est parfois perçue comme un frein face aux pays où les expérimentations semblent aller plus vite. Elle peut aussi devenir un facteur de confiance, à condition que les organisations disposent des compétences et des méthodes nécessaires pour l’appliquer sans bloquer les initiatives utiles.

Les compétences, condition d’une adoption durable

L’IA ne devient pas une capacité d’entreprise par la seule acquisition d’un logiciel. Les salariés doivent comprendre ce que l’outil peut faire, mais aussi ce qu’il ne peut pas garantir. Un système génératif peut produire une réponse plausible tout en contenant une erreur. Dans les usages professionnels, la vérification, le contexte métier et la responsabilité humaine restent donc essentiels.

Le besoin de compétences concerne plusieurs fonctions à la fois : équipes techniques, métiers, sécurité, juridique, conformité et direction. Cette dimension collective est particulièrement importante pour éviter deux écueils opposés : interdire tout usage par crainte des risques, ou laisser les outils se diffuser sans règles ni accompagnement.

La collaboration entre grandes entreprises, PME, start-ups, industriels et acteurs de la recherche constitue à ce titre un levier important. Le programme IA Booster, lancé dans le cadre de France 2030, vise justement à accompagner les PME et les entreprises de taille intermédiaire vers une utilisation plus efficace de l’IA, notamment grâce à des partenariats avec les industriels.

L’objectif n’est pas de déployer de l’IA partout. Il est d’aider les entreprises à déterminer où elle peut améliorer concrètement leurs activités, avec des moyens proportionnés à leur taille et à leurs contraintes.

Ce qu’il faut surveiller en 2025

La prochaine étape pour les entreprises françaises sera de transformer les expérimentations en cas d’usage durables. Plusieurs signaux seront particulièrement importants : la capacité à démontrer un retour sur investissement, l’émergence de modèles spécialisés moins coûteux, la disponibilité de données de qualité et la montée en compétences des équipes.

Il faudra aussi observer la manière dont les organisations articulent innovation et conformité. La sécurité, le respect des données personnelles et la transparence ne sont pas des sujets périphériques. Ils déterminent si une solution peut sortir du stade du test et être adoptée avec confiance par les collaborateurs, les clients et les partenaires.

L’IA pourrait ainsi devenir un outil de compétitivité significatif pour les entreprises françaises, non parce qu’elle remplace mécaniquement le travail humain, mais parce qu’elle permet de repenser certaines tâches, d’accélérer l’accès à l’information et de mieux exploiter les données disponibles. À la condition, toutefois, de privilégier les besoins réels aux promesses générales.