IA au travail : le décalage entre dirigeants et équipes freine le passage à l’échelle

Les entreprises investissent dans l’intelligence artificielle plus vite qu’elles ne l’intègrent dans le travail quotidien. Les dirigeants parlent de déploiement et d’agents capables d’exécuter des tâches, tandis que les équipes cherchent encore des règles claires, des formations et des garanties sur la qualité des résultats.

Ce décalage ne bloque pas forcément les premiers essais. Il devient plus visible lorsque l’entreprise veut passer d’usages individuels à des processus partagés, mesurables et sécurisés.

Les dirigeants jugent leurs équipes moins prêtes qu’elles ne le pensent

L’étude mondiale de The Adecco Group, menée auprès de 2 000 dirigeants dans 13 pays, met en évidence une différence nette de perception. 70 % des collaborateurs interrogés se disent à l’aise pour travailler avec des agents IAalors que seuls 39 % des dirigeants estiment leurs équipes prêtes. Environ quatre dirigeants sur dix considèrent avoir expliqué clairement les conséquences de l’IA sur les métiers, et 36 % jugent que leur stratégie présente suffisamment les possibilités offertes aux salariés.

Le problème tient donc moins à un refus général de la technologie qu’à l’absence de dialogue sur ses usages. Un salarié peut utiliser un outil pour résumer un document ou préparer une première version, tout en ignorant quelles données sont autorisées, qui doit vérifier le résultat ou ce qui changera réellement dans son poste.

En France, l’Observatoire IA et expérience collaborateur 2026réalisé par Greenworking avec Ipsos bva auprès de 1 100 salariés du secteur privé, dont 474 managers, décrit une autre conséquence. 53 % des managers déclarent que l’IA modifie leur rôle et 51 % estiment que son accompagnement augmente leur charge de travail. Le manager risque alors de devenir l’intermédiaire chargé de répondre aux questions, de contrôler les productions et de gérer les inquiétudes, sans disposer lui-même du temps ou des compétences nécessaires.

Une hiérarchie épaisse ralentit la circulation des compétences

La question de l’IA rejoint celle de la structure interne des entreprises. Un document de travail du CEPR consacré aux hiérarchies d’entreprise a analysé les CV en ligne de 7 millions de salariés dans plus de 3 100 sociétés américaines cotées. Les entreprises étudiées comptent en moyenne dix niveaux hiérarchiques. Le travail observe aussi une réduction du nombre de niveaux après l’adoption de technologies d’IA.

Ce résultat ne prouve pas que l’IA provoque à elle seule l’aplatissement des organisations. Il donne toutefois un point de vigilance pour les projets de déploiement : les outils qui accélèrent l’accès à l’information peuvent rendre plus visibles les lenteurs liées aux circuits de validation. Dans une organisation très verticale, les salariés peuvent recevoir les nouvelles règles après les arbitrages stratégiques, tandis que les managers de proximité doivent les appliquer sans avoir participé à leur définition.

La formation doit donc circuler dans les deux sens. Les équipes ont besoin de règles et de compétences pratiques, tandis que les dirigeants doivent comprendre les usages réels avant de fixer des objectifs de productivité. The Adecco Group indique que seuls 22 % des dirigeants interrogés se disent confiants dans la capacité de leur entreprise à développer les compétences nécessaires. À peine 31 % estiment que leur comité de direction maîtrise suffisamment l’IA pour en évaluer les risques et les opportunités.

Le passage à l’échelle bute sur les données, pas uniquement sur les outils

Les difficultés apparaissent lorsqu’une entreprise veut faire travailler un agent IA entre plusieurs services. Une enquête menée par Wakefield Research pour Teradata auprès de 1 000 responsables de la technologie et des données indique que 90 % d’entre eux prévoient d’augmenter leurs investissements dans l’IA agentique au cours des douze mois suivants. Pourtant, seules 37 % des organisations déclarent un impact mesurable sur leur activité.

Le même rapport répartit les entreprises en quatre niveaux de maturité. 28 % restent au stade de l’expérimentation et 40 % disposent de quelques modèles ou automatisations sans réussir à relier les connaissances entre les équipes. Seules 7 % atteignent le stade dit d’opérationnalisation, avec des règles de gouvernance, des données harmonisées et des workflows capables de fonctionner sur plusieurs étapes.

Le rapport identifie les fondations de données mal alignées et les structures de mesure comme des causes du décalage entre investissement et résultats. Cette limite est concrète : un agent ne peut pas prendre une décision fiable si les informations auxquelles il accède sont incomplètes, contradictoires ou dépourvues de contexte. L’enquête étant commandée par Teradata, ses résultats décrivent un indicateur de perception du marché et non une mesure exhaustive de toutes les entreprises.

Le bureau change de fonction quand les tâches répétitives diminuent

Le déploiement de l’IA ne conduit pas mécaniquement à la disparition du bureau. Une étude Ifop réalisée pour Gecina auprès de 502 dirigeants d’entreprises de 50 salariés et plus montre que 89 % d’entre eux pensent que le bureau restera aussi stratégique ou deviendra davantage stratégique. 85 % l’associent principalement à la coopération et à la décision.

Cette perception s’accompagne d’une évolution des besoins immobiliers : 60 % des dirigeants interrogés anticipent une modification des surfaces, des aménagements, des services ou des équipements. Près des trois quarts prévoient aussi un écart plus marqué entre les bureaux bien situés et équipés et les espaces standards. Ces chiffres décrivent une intention de direction, pas une preuve que la présence physique améliore automatiquement le travail. Ils indiquent néanmoins les activités que les entreprises veulent préserver sur place : transmettre une expertise, arbitrer un problème complexe et coordonner plusieurs métiers.

Quatre décisions pour réduire le décalage

1. Partir d’une tâche précise. Un premier projet doit répondre à un problème identifiable, comme la préparation de comptes rendus, la recherche dans une base documentaire ou la rédaction d’un brouillon soumis à validation. Le périmètre, les données autorisées et la personne responsable du contrôle doivent être définis avant le choix de l’outil.
2. Former les managers avec les équipes. Une formation limitée aux spécialistes laisse les responsables de proximité gérer les conséquences sans comprendre la technologie. Ils doivent savoir repérer une erreur, expliquer les limites d’un modèle et organiser une validation humaine.
3. Relier les données avant de multiplier les agents. Les droits d’accès, l’origine des informations, leur date de mise à jour et les règles de conservation déterminent la fiabilité d’un résultat. La gouvernance des agents IA doit donc être définie au même niveau que le projet technique.
4. Mesurer un effet métier. Le nombre d’utilisateurs ou de requêtes ne suffit pas. Il faut suivre le temps réellement économisé, le taux de corrections, la qualité des livrables, les erreurs évitées et la charge de vérification. Un projet qui accélère la rédaction mais double le contrôle n’a pas le même bilan qu’un projet qui réduit effectivement un cycle de travail.

Une entreprise peut donc afficher une adoption élevée et obtenir peu de résultats collectifs. Le passage à l’échelle commence lorsque les salariés comprennent les règles, que les managers peuvent accompagner les usages et que les données sont assez structurées pour être contrôlées. Sans cet alignement, l’IA reste une collection d’outils individuels alors que les dirigeants attendent une transformation des processus.