Sommet sur l’IA : pourquoi les entreprises françaises restent freinées

L’intelligence artificielle ne se diffuse pas par décret, ni à la seule faveur d’un événement international. Plusieurs mois après le Sommet pour l’action sur l’IA organisé à Paris, une enquête d’OpinionWay pour Elastic montre l’écart qui demeure entre l’ambition politique affichée et les capacités concrètes des organisations à lancer, industrialiser puis piloter des projets d’IA.

Le constat est particulièrement net pour les décideurs interrogés : les annonces gouvernementales ont suscité peu de révisions stratégiques. Derrière cette inertie apparente se trouvent des obstacles très opérationnels, du recrutement de profils compétents à l’accès à l’infrastructure technique, en passant par la gouvernance des données et le financement. Pour les entreprises, la question n’est donc plus seulement de savoir si l’IA peut créer de la valeur, mais comment réunir les conditions permettant de l’utiliser durablement.

Seules 7 % des entreprises disent avoir revu leur stratégie

Le Sommet pour l’action sur l’IA avait notamment vocation à accélérer l’adoption de la technologie, à mobiliser les acteurs publics et privés et à placer la France dans la compétition internationale. L’étude OpinionWay pour Elastic, présentée comme réalisée trois mois après l’événement, suggère toutefois que son effet immédiat sur les feuilles de route des entreprises est resté limité.

7 % seulement des organisations interrogées déclarent avoir revu leur stratégie d’intelligence artificielle à la suite des annonces gouvernementales. À l’inverse, 66 % des dirigeants indiquent que le sommet n’a entraîné aucun changement dans les pratiques de leur entreprise en matière d’IA.

Ces chiffres ne signifient pas nécessairement que les entreprises rejettent l’IA ou qu’elles n’y consacrent aucun projet. Ils montrent plutôt qu’un sommet, même très médiatisé, ne modifie pas instantanément une stratégie qui suppose des arbitrages budgétaires, des compétences, une clarification des usages et une préparation des données.

Pourquoi une stratégie IA reste indispensable

L’absence de stratégie n’est pas un détail administratif. 27 % des entreprises françaises interrogées disent ne pas avoir de stratégie d’intelligence artificielle établie. Sans orientation commune, les initiatives peuvent se multiplier de façon dispersée, au gré des outils testés par chaque service, sans priorités claires ni règles partagées sur les données, la sécurité ou l’évaluation des résultats.

Une stratégie IA ne consiste pas seulement à acheter un assistant conversationnel ou à expérimenter un modèle génératif. Elle doit en principe répondre à plusieurs questions concrètes : quels problèmes l’entreprise veut-elle résoudre, quelles données peut-elle mobiliser, qui est responsable des décisions prises avec l’aide d’un système automatisé, et comment mesurera-t-elle les bénéfices obtenus ?

Dans une grande organisation, cette démarche peut s’appuyer sur une direction numérique, des équipes informatiques, des spécialistes des données et des métiers déjà structurés. Dans une structure plus petite, les mêmes besoins existent mais reposent sur moins de personnes, avec des budgets plus contraints. C’est ce décalage qui explique en partie la fracture mise en lumière par l’étude.

Le risque est double. Une entreprise sans stratégie peut passer à côté d’usages utiles, par exemple pour rechercher de l’information, automatiser certaines tâches répétitives ou améliorer l’analyse de documents. Mais elle peut aussi adopter des outils de manière non coordonnée, sans cadre suffisant pour protéger les informations sensibles ou vérifier la qualité des résultats produits.

Talents, infrastructures et financement : le triptyque qui manque

Le premier frein identifié est celui des ressources. 56 % des dirigeants estiment que l’accès aux moyens nécessaires pour développer des projets d’IA est « trop limité ». L’expression recouvre plusieurs réalités : trouver les compétences adaptées, disposer d’infrastructures techniques adéquates et financer les expérimentations comme le déploiement à plus grande échelle.

Les profils spécialisés sont rares et ne se limitent pas aux seuls ingénieurs capables de construire des modèles. Une entreprise peut aussi avoir besoin de personnes maîtrisant la préparation des données, l’intégration d’outils dans les logiciels existants, la cybersécurité, le droit ou encore la conduite du changement. Surtout, les équipes métiers doivent pouvoir définir des cas d’usage précis et juger si l’outil leur fait réellement gagner du temps ou améliore la qualité du travail.

Les infrastructures comptent également. Utiliser l’IA en entreprise implique souvent de stocker, organiser et sécuriser des informations, puis de relier les outils aux logiciels déjà en place. Selon les besoins, cela peut nécessiter des capacités de calcul, des services dans le cloud, des bases de données adaptées ou des dispositifs de contrôle des accès. Ces investissements sont difficiles à justifier lorsque le retour attendu n’est pas encore clairement établi.

Seules 20 % des entreprises interrogées déclarent avoir accès en même temps à des talents spécialisés, à des infrastructures adéquates et à un financement suffisant. Ce chiffre rappelle qu’un projet IA ne repose pas sur une seule technologie. Son succès dépend d’un ensemble de conditions qui doivent être réunies simultanément.

La taille de l’entreprise accentue cette difficulté. Parmi les PME de 50 à 99 salariés, 66 % se déclarent démunies face aux ressources nécessaires. La proportion descend à 49 % pour les grandes entreprises de plus de 250 collaborateurs. Les grandes structures ne sont donc pas épargnées, mais elles disposent plus souvent d’équipes internes, de budgets ou de capacités de mutualisation qui peuvent faciliter les premiers déploiements.

La maîtrise des données, un obstacle avant même le choix de l’outil

Pour les organisations ayant déjà mis en place une stratégie dédiée, le principal obstacle est technique : 57 % d’entre elles citent la maîtrise des données. Ce résultat est central, car les systèmes d’IA n’apportent des réponses utiles que s’ils s’appuient sur des informations suffisamment fiables, accessibles et pertinentes pour la tâche demandée.

Dans la pratique, les données d’une entreprise sont souvent dispersées entre différents logiciels, dossiers partagés, messageries et bases internes. Elles peuvent être incomplètes, mal classées, dupliquées ou soumises à des règles d’accès différentes selon les équipes. Avant de déployer un outil d’IA, il faut donc savoir quelles données peuvent être utilisées, par qui, à quelle fin et dans quelles conditions de sécurité.

Cette étape est particulièrement importante avec l’IA générative. Un assistant capable de rédiger, résumer ou répondre à des questions peut sembler simple à utiliser. Mais, s’il doit accéder à des documents internes, l’entreprise doit organiser les droits d’accès et vérifier que les réponses sont fondées sur les bonnes sources. À défaut, l’outil peut produire une réponse plausible mais erronée, ou exposer des informations qui ne devaient pas être partagées.

La difficulté à mesurer le retour sur investissement s’ajoute à ce défi. Une expérimentation peut être convaincante lors d’une démonstration, sans pour autant produire des gains mesurables une fois intégrée au travail quotidien. Les entreprises doivent donc définir en amont des critères concrets : temps économisé, réduction d’erreurs, amélioration du service client, accélération de la recherche documentaire ou meilleure capacité de traitement d’un volume important d’informations.

Un plan de 200 millions d’euros pour accélérer l’adoption

Face à ces blocages, le gouvernement a annoncé un nouveau plan consacré à l’intelligence artificielle, doté de 200 millions d’euros. Le dispositif vise à sensibiliser davantage les entreprises, à accompagner financièrement les structures qui rencontrent des difficultés et à développer les compétences nécessaires à une diffusion plus large de l’IA.

L’ambition affichée est élevée : former 15 millions de professionnels d’ici 2030, atteindre une adoption de l’IA dans 100 % des grandes entreprises et dans 50 % des TPE. Ces objectifs reconnaissent implicitement que la diffusion de la technologie ne dépendra pas uniquement de quelques grands groupes ou d’entreprises technologiques. Les très petites entreprises, qui disposent rarement de services informatiques spécialisés, constituent un enjeu particulier.

La formation peut jouer un rôle décisif, à condition de ne pas être réduite à une prise en main rapide d’outils. Les salariés et les dirigeants doivent comprendre les limites des systèmes, savoir vérifier leurs résultats, identifier les données à ne pas transmettre et choisir les tâches pour lesquelles l’IA apporte un bénéfice concret. Les métiers évoluent surtout lorsque les outils sont intégrés à des processus réels, avec des règles claires et du temps pour apprendre.

L’accompagnement financier répond à un autre obstacle : le coût initial des projets. Pour une entreprise qui hésite, les dépenses ne concernent pas seulement l’abonnement à un logiciel. Elles peuvent inclure l’audit des données, l’intégration technique, la formation, la sécurité et le suivi des usages. Une aide publique peut faciliter le démarrage, mais elle ne remplace pas la nécessité d’un projet prioritaire et d’une organisation capable de le porter.

Ce qu’il faut surveiller d’ici 2030

Le principal enjeu sera de vérifier si les objectifs annoncés se traduisent par des effets concrets sur le terrain. Le nombre d’entreprises utilisant un outil d’IA est un indicateur utile, mais insuffisant. Il faudra aussi observer la qualité des usages, la capacité des PME à accéder à des solutions adaptées, l’évolution des compétences et la possibilité pour les organisations de mesurer les bénéfices obtenus.

La réduction de l’écart entre PME et grandes entreprises constituera un test important. Les structures de 50 à 99 salariés, plus nombreuses à se dire démunies, auront besoin de solutions accessibles, de formations adaptées et de repères simples pour sélectionner leurs cas d’usage. Pour elles, l’objectif n’est pas de reproduire les infrastructures des grands groupes, mais de trouver des outils proportionnés à leurs moyens et à leurs besoins.

Enfin, la question des données restera déterminante. Les entreprises qui auront clarifié leur gouvernance, organisé leurs informations et formé leurs équipes disposeront d’une base plus solide pour tirer parti de l’IA. Le Sommet pour l’action sur l’IA a mis le sujet au premier plan. Les résultats de l’enquête montrent que la prochaine étape se jouera moins dans les annonces que dans l’accompagnement quotidien des organisations, notamment celles qui ne disposent pas encore des ressources ni de la stratégie nécessaires.