IA : pourquoi certaines entreprises britanniques risquent de rester à l’écart

L’intelligence artificielle n’est plus seulement un sujet réservé aux laboratoires de recherche ou aux grands groupes technologiques. Elle entre progressivement dans les fonctions quotidiennes des organisations : rédaction de documents, analyse de données, relation client, détection d’anomalies, prévisions, assistance aux équipes ou automatisation de tâches répétitives. Pourtant, au Royaume-Uni, toutes les entreprises ne prennent pas ce virage à la même vitesse.

Le directeur de Microsoft UK alerte sur cet écart. Selon lui, certaines entreprises britanniques restent sur la touche alors que l’IA devient un outil de compétitivité de plus en plus concret. Le risque ne tient pas uniquement à l’absence d’un logiciel dernier cri. Il concerne aussi la capacité à adapter ses méthodes de travail, à former ses salariés et à transformer une innovation technique en bénéfice mesurable pour l’activité.

Ce constat ne permet pas, à lui seul, de chiffrer le nombre d’entreprises concernées ni de désigner un secteur particulier. Il met toutefois en lumière une question décisive pour l’économie britannique : comment éviter que l’accès aux outils d’IA et la capacité à les employer efficacement ne se concentrent entre les mains d’un nombre limité d’acteurs ?

Pourquoi l’adoption de l’IA est devenue un enjeu de compétitivité

L’expression « intelligence artificielle » recouvre des technologies très différentes. Certaines existent depuis longtemps, par exemple les systèmes de recommandation, de prévision ou de détection de fraude. D’autres, comme l’IA générative, ont fortement gagné en visibilité car elles peuvent produire du texte, résumer des documents, créer du code ou répondre à des questions en langage courant.

Dans une entreprise, leur intérêt potentiel ne vient pas d’une promesse abstraite de modernité. Il dépend de cas d’usage concrets. Un service client peut utiliser une IA pour proposer une première réponse à un conseiller. Une équipe financière peut s’en servir pour retrouver plus rapidement des informations dans une documentation interne. Un industriel peut analyser des données de production afin de repérer une dérive avant qu’elle ne provoque une panne. Dans chaque cas, l’outil doit être intégré à un processus, contrôlé par des personnes et évalué selon des critères utiles : temps gagné, qualité améliorée, erreurs réduites ou meilleure satisfaction client.

L’absence d’adoption peut donc peser de plusieurs façons. Une entreprise qui n’explore pas ces outils risque de conserver des processus plus lents que ceux de ses concurrents. Elle peut également avoir davantage de difficultés à attirer certains profils, à répondre à des appels d’offres exigeants ou à tirer parti de ses propres données. Dans des marchés internationaux, cet écart peut rapidement devenir stratégique.

Un écart qui ne se résume pas à la taille des entreprises

Les grandes organisations disposent souvent d’équipes numériques, de budgets dédiés et de volumes de données importants. Elles peuvent lancer plusieurs expérimentations, acheter des services cloud et recruter des spécialistes. Cela ne garantit pas la réussite, mais leur donne davantage de marges de manœuvre.

Les petites et moyennes entreprises peuvent, elles aussi, accéder à des outils d’IA par abonnement ou intégrés à des logiciels professionnels qu’elles utilisent déjà. Leur difficulté est différente. Elles doivent trouver le temps de comparer les solutions, déterminer si le gain justifie l’investissement, vérifier les conditions de traitement des données et accompagner des équipes qui n’ont pas nécessairement de compétences techniques spécialisées.

La prudence n’est pas irrationnelle. Lorsqu’un salarié copie des informations confidentielles dans un outil externe sans connaître les règles applicables, l’entreprise peut exposer des données sensibles. Lorsqu’une IA générative produit un texte convaincant mais erroné, une validation insuffisante peut entraîner une mauvaise décision ou une communication trompeuse. Les réponses inventées ou inexactes, parfois appelées « hallucinations », font partie des limites connues de ces systèmes.

Mais la prudence peut se transformer en immobilisme. Le directeur de Microsoft UK souligne précisément ce risque : sans participation active à cette évolution, les organisations s’exposent à un décalage croissant. L’objectif n’est pas de déployer une IA partout et immédiatement. Il est de savoir où elle peut être pertinente et de bâtir les garde-fous nécessaires.

Quels freins expliquent l’hésitation des entreprises britanniques ?

Plusieurs obstacles se combinent généralement dans les projets d’intelligence artificielle. Le premier est le manque de compréhension des bénéfices possibles. Une technologie très médiatisée peut sembler impressionnante, sans que ses applications concrètes dans une entreprise soient évidentes. Entre une démonstration séduisante et un outil réellement utile dans un environnement de travail, il existe un écart important.

Le deuxième frein est financier. Un projet ne se limite pas au prix d’une licence. Il peut nécessiter du temps de formation, le nettoyage de données, l’adaptation de logiciels existants, un accompagnement juridique ou encore la mise en place de contrôles de sécurité. Les dirigeants doivent être capables d’estimer ces coûts et les comparer à des gains réalistes.

Le troisième est humain et organisationnel. L’IA change parfois la répartition des tâches, les méthodes de validation et les compétences attendues. Si les salariés apprennent l’existence d’un projet trop tardivement, ils peuvent y voir un outil de surveillance ou une menace pour leur emploi. À l’inverse, les associer à l’identification des tâches pénibles ou répétitives permet de cibler des usages plus utiles et d’anticiper les besoins de formation.

Enfin, les questions de confiance sont centrales. Les entreprises doivent savoir où vont leurs données, qui peut les consulter, comment les résultats sont produits et ce qu’elles peuvent faire en cas d’erreur. Les exigences ne sont pas les mêmes selon qu’il s’agit de préparer une note interne ou d’aider à prendre une décision concernant un client, un salarié ou un contrat.

Une démarche pragmatique plutôt qu’une course aux annonces

Face à ces obstacles, une adoption progressive est souvent plus solide qu’un vaste programme mal défini. La première étape consiste à choisir un problème réel. Il peut s’agir de réduire le temps passé à traiter des demandes répétitives, de mieux retrouver des connaissances internes ou de faciliter la production d’un premier brouillon. Le cas d’usage doit être assez précis pour que l’entreprise puisse mesurer ce qui change.

Vient ensuite la question des données. Une IA ne compense pas des informations désordonnées, incomplètes ou contradictoires. Si les documents internes sont mal classés, si les droits d’accès sont flous ou si des données personnelles circulent sans contrôle, la technologie peut amplifier le problème au lieu de le résoudre.

Une expérimentation à petite échelle permet de vérifier l’utilité d’un outil avant de généraliser son emploi. Elle doit associer les équipes métier, les responsables informatiques, les personnes chargées de la sécurité et, selon les situations, les fonctions juridiques ou les représentants des salariés. Les critères de réussite doivent être annoncés dès le départ : un nombre d’heures économisées, une baisse du délai de traitement, une amélioration de la qualité ou un taux d’erreur maîtrisé.

Il est également essentiel de fixer des règles simples. Quels types d’informations sont interdits dans un outil d’IA ? Quelles productions exigent une relecture humaine ? Qui peut valider un nouvel usage ? Comment signaler une réponse erronée ? Ces questions relèvent de la gouvernance, un terme qui désigne ici les règles et responsabilités organisant l’usage de la technologie.

La formation, condition d’un usage utile et responsable

Le directeur de Microsoft UK insiste sur l’importance de l’éducation et de la formation. C’est un point déterminant. Pour la majorité des salariés, apprendre à travailler avec l’IA ne signifie pas devenir ingénieur. Il s’agit plutôt de comprendre les capacités et les limites de l’outil, de formuler une demande précise, de contrôler le résultat et de savoir quand ne pas l’utiliser.

Les responsables d’équipe ont un rôle particulier. Ils doivent pouvoir identifier les processus qui peuvent être améliorés sans sacrifier la qualité, répartir les contrôles et expliquer clairement pourquoi un outil est introduit. Les équipes techniques, de leur côté, doivent veiller à l’intégration, aux accès, aux données et à la cybersécurité.

La formation ne doit pas être réduite à une démonstration ponctuelle. Les pratiques changent avec les logiciels, les métiers et les règles internes. Des ateliers centrés sur des cas concrets, des guides accessibles et des interlocuteurs capables de répondre aux questions permettent souvent une appropriation plus durable. Microsoft met en avant des outils, des programmes de formation et des solutions de cloud computing pour accompagner cette transition, tandis que d’autres acteurs technologiques et organismes spécialisés proposent également des ressources.

Au Royaume-Uni, le sujet dépasse les entreprises individuelles. En janvier 2025, le gouvernement britannique a publié son plan d’action sur les opportunités liées à l’IA. Ce document insiste notamment sur les compétences, l’infrastructure et l’adoption de l’IA dans l’économie et les services publics. Le message est clair : la capacité à utiliser ces technologies dépend autant des personnes et des organisations que des modèles informatiques eux-mêmes.

Une adoption de l’IA sous surveillance concurrentielle

L’essor de l’IA s’appuie largement sur l’informatique en nuage, ou cloud computing. Ces services permettent aux entreprises de stocker des données, d’utiliser des capacités de calcul et d’accéder à des logiciels à distance, sans posséder elles-mêmes tous les serveurs nécessaires. Ils occupent donc une place importante dans la diffusion des outils d’IA.

Cette position explique l’attention portée aux pratiques des grands groupes technologiques. L’Autorité de la concurrence et des marchés du Royaume-Uni, la CMA, examine les conditions de concurrence sur le marché des services cloud. Microsoft figure parmi les entreprises concernées par ce débat, aux côtés d’autres acteurs majeurs du secteur.

Pour les entreprises clientes, la question n’est pas seulement juridique ou technique. Elle touche aussi à leur liberté de choix : peuvent-elles comparer facilement les offres, transférer leurs données et leurs applications, ou combiner plusieurs fournisseurs ? Une concurrence effective peut favoriser l’innovation, améliorer les conditions commerciales et réduire le risque d’une dépendance excessive à une seule plateforme.

L’adoption de l’IA ne peut donc pas être pensée comme une simple décision d’achat. Elle doit intégrer la stratégie numérique de l’entreprise sur plusieurs années : choix des fournisseurs, gestion des données, compétences internes, coûts et capacité à changer de solution si nécessaire.

Ce qu’il faut surveiller pour ne pas laisser l’écart se creuser

L’avertissement du directeur de Microsoft UK renvoie à une réalité plus large : l’IA risque d’accentuer les différences entre les organisations qui apprennent à l’utiliser et celles qui repoussent toute expérimentation. Ce risque concerne autant les dirigeants que les salariés et les pouvoirs publics.

Les prochaines étapes seront moins liées aux annonces spectaculaires qu’à la qualité des déploiements. Il faudra suivre la capacité des entreprises britanniques à financer des projets utiles, à former leur main-d’œuvre et à instaurer des règles claires de sécurité et de responsabilité. La disponibilité des compétences, la confiance dans les outils et les conditions de concurrence dans le cloud compteront tout autant que la performance des modèles d’IA.

Pour les entreprises hésitantes, le choix n’est pas nécessairement entre une adoption totale et l’inaction. La voie la plus crédible consiste à tester avec méthode, à apprendre de résultats mesurables et à élargir les usages seulement lorsque les bénéfices sont démontrés. Dans une économie où l’IA devient progressivement une composante du travail quotidien, cette démarche peut faire la différence entre un retard subi et une transformation maîtrisée.