IA en entreprise : les usages progressent, les inquiétudes aussi en 2025

L’intelligence artificielle n’est plus seulement un sujet d’innovation réservé aux directions informatiques. En juin 2025, elle s’invite dans la rédaction de contenus, la préparation de réunions, la recherche d’informations, le traitement de données et la relation client. Ce basculement est visible dans les pratiques professionnelles, mais il ne signifie pas que les entreprises ont résolu les questions de sécurité, de responsabilité et d’organisation du travail.

Les chiffres repris dans la publication d’origine dessinent une tendance nette : les organisations sont de plus en plus nombreuses à autoriser ou à encourager l’usage de l’IA, et les salariés y recourent plus fréquemment. Ils révèlent aussi une réalité moins linéaire : l’adoption ne progresse ni au même rythme dans tous les métiers, ni sans réticences. La promesse de productivité cohabite avec des inquiétudes très concrètes sur les données partagées et la qualité des réponses générées.

L’IA est davantage encouragée dans les entreprises

Le changement le plus visible concerne la position affichée par les entreprises. Entre 2024 et 2025, la part de celles qui encouragent l’utilisation de l’intelligence artificielle est passée de 30 % à 48,3 %. Autrement dit, près d’une organisation sur deux incite désormais ses équipes à s’emparer de ces outils, au lieu de les tolérer à la marge ou de les laisser dans une zone grise.

À l’inverse, 9,5 % des entreprises déconseillaient leur utilisation en 2024, une proportion quasiment identique à celle de l’année précédente. Ce chiffre suggère que la défiance explicite ne disparaît pas, même si l’encouragement progresse fortement. Entre ces deux pôles subsiste une vaste zone d’usages informels, souvent portée par les salariés eux-mêmes, sans procédure claire ni formation systématique.

Cette nuance compte. Encourager l’IA peut signifier des choses très différentes : donner accès à un assistant conversationnel, expérimenter quelques licences dans une équipe, bâtir un outil interne connecté à des documents d’entreprise, ou automatiser un processus métier complet. Ces niveaux d’intégration n’ont ni le même coût, ni les mêmes bénéfices, ni les mêmes risques.

Quels secteurs adoptent l’IA le plus vite ?

Les écarts entre métiers restent importants. Les activités où l’on produit, transforme ou analyse beaucoup d’informations numériques semblent les plus ouvertes. Dans le SEO, près de 70 % des entreprises incitent leurs employés à intégrer des outils d’IA. Dans le design, cette proportion avoisine 60 %.

Cette réceptivité s’explique par la nature des tâches : génération de premières pistes de texte ou de visuels, reformulation, synthèse de documents, préparation de briefs, recherche d’idées, analyse de mots-clés ou encore déclinaison d’un contenu dans plusieurs formats. L’IA générative peut accélérer une première étape de production. Elle ne remplace pas, pour autant, l’expertise nécessaire pour vérifier une information, respecter une identité de marque, comprendre une intention de recherche ou juger la pertinence d’un visuel.

Le secteur commercial paraît plus prudent. Près d’un tiers des entreprises y déconseillent l’emploi d’outils tels que ChatGPT. Cette réserve peut refléter des contraintes particulières : les équipes de vente manipulent des informations sur des prospects, des clients, des contrats, des prix ou des négociations. Saisir ces éléments dans un outil non validé par l’entreprise peut exposer des données sensibles.

La communication et la direction d’entreprise figurent, elles aussi, parmi les domaines où l’acceptation semble forte. Là encore, il faut distinguer la préparation de notes, la mise en forme de présentations ou la synthèse de dossiers, qui peuvent être assistées, des décisions finales, qui restent de la responsabilité des personnes et des organisations.

Des essais ponctuels aux usages quotidiens

L’IA fait désormais partie de la routine de travail d’une part croissante des professionnels. Plus de 55 % déclarent l’utiliser quotidiennement, contre 40 % dans les données de 2024. Cette hausse traduit un passage de la curiosité à l’usage régulier : l’outil n’est plus uniquement sollicité pour tester une démonstration, mais pour accomplir une tâche précise.

Les applications les plus courantes peuvent être regroupées en quelques familles :

• rédiger un premier brouillon, résumer ou reformuler un texte ;
• préparer une liste de questions, un plan de réunion ou une présentation ;
• extraire des informations d’un corpus de documents, sous contrôle humain ;
• analyser des tendances dans des données structurées ;
• assister un service client avec des agents conversationnels ;
• automatiser certaines étapes répétitives d’un processus métier.

La logique n’est pas nécessairement de confier un métier entier à une machine. Dans de nombreux cas, l’outil intervient comme un copilote : il accélère une tâche, propose une structure ou produit une ébauche que le professionnel doit relire, compléter et valider. Cette dernière étape est déterminante. Un système génératif peut formuler une réponse plausible mais inexacte, omettre un élément de contexte ou reproduire un biais présent dans les données qui l’ont entraîné.

Pourquoi l’industrialisation ne suit-elle pas au même rythme ?

Un chiffre appelle l’attention : la part des usages décrits comme « industrialisés » recule de 11 % à 7,6 %. Cela ne signifie pas mécaniquement que les entreprises abandonnent l’IA. Il peut aussi traduire une phase de sélection : après des expérimentations nombreuses, les équipes cherchent des cas d’usage plus solides, mieux intégrés aux processus et plus faciles à évaluer.

Industrialiser un usage ne consiste pas à distribuer un accès à un outil. Cela suppose notamment de définir ce que l’IA doit accomplir, les données auxquelles elle peut accéder, le niveau de supervision requis, les personnes responsables en cas d’erreur et les critères permettant de mesurer son utilité. Une réponse rapide n’est pas nécessairement une bonne réponse. Un gain de temps apparent peut être annulé si les équipes doivent reprendre longuement les résultats produits.

Les organisations les plus prudentes ont donc intérêt à commencer par des tâches circonscrites et répétitives, pour lesquelles la qualité peut être vérifiée. Elles peuvent ensuite comparer le temps gagné, le taux d’erreur, la satisfaction des équipes et l’incidence sur les clients. Cette approche progressive aide à éviter deux écueils : l’enthousiasme sans garde-fous et l’interdiction générale qui pousserait les usages vers des outils non encadrés.

Un bilan positif, mais très inégal selon les métiers

Dans l’ensemble, 65 % des professionnels interrogés évaluent positivement l’impact de l’IA sur leur travail. Les spécialistes de la gestion de projet sont les plus favorables, avec 77,3 % d’avis positifs. Pour ces métiers, l’intérêt peut résider dans l’organisation d’informations nombreuses, la préparation de comptes rendus, le suivi d’actions ou l’aide à la planification.

Cette appréciation favorable ne se retrouve pas avec la même intensité partout. Chez les rédacteurs web, 30 % des répondants font état d’un impact négatif. Cette réserve illustre un débat central : l’IA peut accélérer la production de textes, mais elle interroge aussi la qualité éditoriale, l’originalité, la fiabilité des informations, la rémunération de certains travaux et la place du jugement professionnel.

Le résultat dépend donc moins de l’étiquette « IA » que de la façon dont l’outil est déployé. Un assistant peut enlever une part de tâches administratives à faible valeur ajoutée. Il peut aussi ajouter de la charge s’il génère des erreurs, s’il impose des validations multiples ou s’il crée une pression à produire davantage sans donner de temps pour contrôler le résultat.

Confidentialité, autonomie et fiabilité : les craintes prioritaires

L’adoption ne dissipe pas les préoccupations, au contraire. Près de 90 % des professionnels déclarent avoir des inquiétudes liées à l’IA, contre 83 % l’année précédente. La principale concerne la confidentialité des données, citée par 42,8 % des répondants. Viennent ensuite la perte d’autonomie, à 39,9 %, et la qualité de l’information, à 37 %.

Ces trois sujets touchent au fonctionnement quotidien des équipes. La confidentialité exige de savoir quelles informations peuvent être transmises à un service d’IA, lesquelles doivent rester dans les outils internes et comment les données sont conservées ou utilisées. La perte d’autonomie renvoie au risque de suivre une recommandation automatique sans exercer assez de jugement. Quant à la qualité de l’information, elle oblige à vérifier les faits, les calculs, les références et les formulations avant toute utilisation professionnelle.

D’autres préoccupations apparaissent dans les dix risques les plus cités : l’utilisation malveillante de l’IA pour 30 % des répondants, la dépendance technologique pour 29,4 %, et les problèmes éthiques pour 13,1 %. Ces inquiétudes ne sont pas abstraites. Elles appellent des mesures concrètes : charte d’usage, formation, contrôle des accès, procédure de validation et choix d’outils adaptés à la sensibilité des données manipulées.

Données, droits et réglementation : un cadre qui se resserre

La question juridique prend une place croissante dans les décisions d’équipement. Les entreprises doivent se demander si elles disposent des droits nécessaires pour utiliser les données injectées dans un outil, les contenus produits et les bases documentaires connectées à leurs systèmes. Elles doivent aussi vérifier leurs obligations en matière de protection des données personnelles et de transparence auprès des utilisateurs.

Le contentieux engagé par Reddit contre Anthropic, pour une exploitation qu’il juge illégale de ses données, illustre les tensions qui entourent l’entraînement des systèmes d’IA et la réutilisation de contenus publiés en ligne. Il ne préjuge pas de l’issue de la procédure, mais rappelle que les données ne constituent pas une ressource libre de droits par défaut.

Dans ce contexte, les partenariats technologiques sont scrutés de près. Le rapprochement entre Mistral AI et NVIDIA, évoqué par Emmanuel Macron à VivaTech, témoigne de la compétition autour des modèles, des infrastructures de calcul et de l’accès aux capacités nécessaires pour déployer l’IA à grande échelle. Pour une entreprise utilisatrice, la multiplication des acteurs peut élargir le choix. Elle impose aussi de comparer les conditions contractuelles, l’hébergement, la sécurité et les possibilités d’intégration.

Comment déployer l’IA sans perdre le contrôle ?

Une stratégie réaliste commence par un inventaire des besoins, plutôt que par la recherche de l’outil le plus médiatisé. Les dirigeants peuvent identifier les tâches répétitives, les goulots d’étranglement et les opérations dans lesquelles un premier brouillon ou une synthèse apporteraient un bénéfice tangible. Chaque cas d’usage doit ensuite être associé à un niveau de risque.

Une règle simple peut guider les équipes : plus une décision a des conséquences importantes pour un client, un salarié, un contrat ou une donnée sensible, plus la supervision humaine doit être forte. Les collaborateurs ont besoin d’être formés non seulement à écrire de bonnes consignes, mais aussi à détecter les erreurs, à ne pas partager d’informations protégées et à signaler les résultats problématiques.

Il est également utile de désigner un responsable métier et un référent technique ou juridique pour les projets les plus sensibles. Cette gouvernance évite que l’IA soit gérée uniquement comme un logiciel de productivité. C’est un outil qui peut modifier les méthodes de travail, la circulation de l’information et, à terme, la relation entre l’entreprise et ses clients.

Ce qu’il faut surveiller après 2025

La progression des usages quotidiens montre que l’IA va rester un sujet stratégique pour les entreprises. Mais la prochaine étape ne se résumera pas à multiplier les abonnements à des assistants génératifs. Elle portera sur la capacité à choisir des cas d’usage utiles, à mesurer leurs effets réels et à protéger les données comme les compétences des équipes.

Les évolutions rapides des modèles, les recherches destinées à mieux évaluer la véracité de leurs réponses, les partenariats industriels et les litiges sur les données vont continuer de modifier le paysage. Les entreprises les mieux préparées seront probablement celles qui associeront expérimentation, formation et règles explicites, sans confondre vitesse de production et qualité du travail.