IA : les technologies progressent par cycles, mais les entreprises apprennent-elles d’un cycle à l’autre ?

L’histoire de l’intelligence artificielle avance par emballements, progrès effectifs et désillusions. Pour l’entreprise, le véritable enjeu n’est pourtant pas de prévoir le prochain reflux. Il est de savoir ce qui restera de la vague actuelle : des problèmes métiers mieux compris, des processus clarifiés, des compétences, des critères de décision, des responsabilités et les enseignements des projets réussis comme de ceux qui auront été abandonnés.

Cette question devient urgente parce que l’adoption progresse tandis que les technologies se renouvellent. En France, l’Insee indique que 18 % des entreprises de dix salariés ou plus utilisaient au moins une technologie d’IA en 2025, contre 10 % en 2024. L’enquête porte sur des usages organisés au sein des entreprises et exclut en principe les pratiques individuelles ponctuelles. Elle mesure donc moins la curiosité pour les outils que leur entrée dans le fonctionnement de l’organisation.

Au même moment, les modèles, les interfaces et les fournisseurs évoluent assez vite pour rendre certains choix techniques rapidement caducs. Le principal risque n’est pas qu’une vague technologique retombe. C’est qu’après chaque vague, l’entreprise oublie ce qu’elle a appris et recommence presque de zéro avec la suivante.

Les cycles de l’IA ne devraient plus nous surprendre

L’article de The Conversation qui a déclenché cette réflexion revient sur les alternances ayant marqué l’IA : attentes très élevées, avancées réelles, limites révélées par l’usage, recul des financements, puis nouveaux départs. Cette histoire n’impose pas de conclure qu’un nouvel « hiver » serait imminent. Elle invite plutôt à considérer les cycles comme une caractéristique normale des technologies complexes.

Les performances ne progressent pas au même rythme dans tous les domaines. Les coûts baissent, de nouvelles architectures apparaissent, certains tests deviennent vite obsolètes, tandis que des limites résistent. Le AI Index 2026 de Stanford documente à la fois l’accélération des capacités et la forte progression des investissements et de l’adoption. Il montre aussi que le déploiement des agents reste précoce dans la plupart des fonctions, malgré une diffusion beaucoup plus large de l’IA générative. L’avancée technologique et la maturité opérationnelle ne sont pas une seule et même courbe.

Pour un dirigeant, la question « sommes-nous dans une bulle ? » est donc moins utile qu’elle n’en a l’air. Une entreprise ne contrôle ni le cycle des investissements mondiaux ni le calendrier des prochaines ruptures. Elle peut en revanche décider de la manière dont elle expérimente, évalue et conserve ce qu’elle découvre.

Dans l’entreprise aussi, l’IA produit des cycles

Le cycle organisationnel commence souvent par une démonstration convaincante. Quelques collaborateurs testent un outil, obtiennent un premier résultat et font émerger de nouveaux usages. Les pilotes se multiplient, des licences sont achetées, des données sont connectées. Puis le travail réel reprend ses droits : qualité inégale, intégration difficile, contrôle plus coûteux que prévu, questions de confidentialité, dépendance au fournisseur ou adoption limitée par les équipes.

Vient alors le temps de l’arbitrage. Certains projets sont déployés, d’autres recentrés ou arrêtés. Mais lorsqu’une nouvelle génération de modèles arrive, elle peut donner l’impression que toutes les conclusions précédentes sont périmées. L’entreprise relance une expérimentation proche avec un autre outil, parfois sans retrouver les critères, les incidents et les motifs de la décision antérieure.

Cette amnésie est favorisée par le fonctionnement même des projets. L’équipe se dissout, le prestataire part, le sponsor change de poste et les documents restent dans un espace qui n’est plus consulté. La présentation finale décrit ce qui a été livré, rarement ce qui a été compris. Une dette IA issue d’expérimentations mal maîtrisées s’accumule alors sous la forme de comptes, d’automatisations et de dépendances ; une dette de connaissance apparaît aussi lorsque personne ne sait plus pourquoi ces choix ont été faits.

Le renouvellement technologique ne justifie pas de tout effacer. Un modèle plus performant ne change pas nécessairement le problème métier, les contraintes réglementaires, les exceptions du processus ou le niveau de supervision acceptable. Les outils passent plus vite que ces réalités.

Nous faisons parfois la même chose dans nos propres vies

Les individus vivent eux aussi des cycles de projets, de choix professionnels, de relations, d’enthousiasmes et d’abandons. Nous gardons le souvenir d’un événement sans toujours conserver le contexte de la décision : les informations disponibles, les hypothèses formulées, les signaux ignorés ou les raisons précises d’un échec. Une situation nouvelle peut alors conduire à reproduire, sous une autre forme, un choix ancien.

L’expérience ne produit pas automatiquement de la connaissance. Encore faut-il pouvoir la conserver, la contextualiser et la remobiliser au moment d’une nouvelle décision. Une organisation a davantage de raisons encore d’organiser cette mémoire : elle doit apprendre au-delà des personnes, des changements d’équipe et des outils successifs.

Un projet abandonné peut avoir créé de la valeur

Le vocabulaire des projets oppose volontiers le déploiement, assimilé au succès, et l’abandon, assimilé à l’échec. Cette lecture mesure la sortie visible plutôt que la qualité de la décision. Un pilote peut être utile précisément parce qu’il conduit l’entreprise à ne pas automatiser une tâche, à supprimer une fonctionnalité, à conserver une validation humaine ou à restructurer un processus avant de poursuivre.

Découvrir qu’une donnée n’est pas assez fiable évite d’industrialiser une erreur. Constater que le traitement des exceptions absorbe le gain annoncé protège la marge et la qualité de service. Identifier une dépendance difficilement réversible permet de négocier autrement ou de retenir une solution plus simple. Attendre une technologie plus mature peut être une décision active, à condition de préciser ce qui permettrait de rouvrir le dossier.

L’abandon ne crée cependant pas de valeur par lui-même. Il en crée lorsque ses raisons deviennent accessibles et réutilisables. Sans trace du problème initial, des hypothèses et des résultats, l’organisation ne conserve qu’une conclusion pauvre : « cela n’a pas marché ». Quelques mois plus tard, une nouvelle équipe pourra difficilement savoir si l’échec venait de la technologie, des données, du processus, du calendrier ou d’un critère désormais modifié.

Ce qui doit survivre à la technologie

Une mémoire organisationnelle ne se résume pas à un dossier partagé. Elle relie quatre niveaux que les projets confondent souvent : la donnée, l’information, la connaissance et la décision.

La donnée est une trace : un délai, une correction, un coût, un incident ou un taux d’usage. L’information donne un sens à cette trace en la reliant à une question et à un périmètre. La connaissance explique ce que l’organisation peut raisonnablement en déduire dans un contexte donné, avec ses limites. La décision engage enfin une action, une responsabilité et, idéalement, des conditions de révision.

Conserver uniquement les données du pilote ne permet pas de reconstituer ce chemin. Une organisation devrait pouvoir retrouver pourquoi elle a essayé, quel problème elle cherchait réellement à résoudre, sur quelles hypothèses le projet reposait, ce qu’elle a constaté et ce qu’elle a abandonné. Elle doit également consigner les limites apparues, les usages ayant créé de la valeur, les responsabilités restées humaines et les conditions qui justifieraient un nouvel examen.

La recherche sur les « objets de mémoire » dans les organisations par projets montre l’importance de supports qui permettent non seulement de stocker un apprentissage, mais aussi de le retrouver et de l’adapter à une situation nouvelle. Une fiche de retour d’expérience ou une base de décisions ne devient donc utile que si elle reste reliée aux personnes capables d’en expliquer les nuances, au processus concerné et aux moments où une nouvelle décision doit être prise.

C’est aussi pourquoi une base documentaire n’est pas automatiquement une mémoire. Elle peut contenir beaucoup de fichiers et très peu de raisons. La question rejoint la bataille stratégique de la connaissance : la valeur ne vient pas seulement du volume conservé, mais de la qualification des sources, du contexte, des relations entre les éléments et de leur mobilisation dans l’action.

Pour rendre cette mémoire opérante, la capitalisation doit commencer avant la clôture. Le problème, les hypothèses et les critères sont consignés au lancement. Les écarts, corrections et reprises humaines le sont pendant l’essai. L’arbitrage final indique qui a décidé, sur quels éléments et à quelle date le choix devra être réexaminé. Un responsable maintient ensuite cette connaissance et la remet dans le circuit lorsqu’un projet voisin apparaît.

L’avantage ne sera peut-être pas d’adopter le premier

L’adoption rapide garde une valeur. Elle permet de comprendre une technologie avant ses concurrents, de développer des compétences et de détecter des usages. Mais la vitesse perd son avantage lorsqu’elle produit une succession de pilotes sans continuité. Le bon arbitrage n’oppose pas les entreprises rapides aux entreprises prudentes. Il distingue celles qui accumulent les outils de celles qui accumulent une capacité de décision.

Le manque d’expertise déclaré dans les enquêtes de l’Insee et de l’OCDE rappelle que cette capacité ne se réduit pas à l’achat d’une licence. Elle associe compétences techniques, compréhension métier, jugement critique, collaboration et apprentissage continu. Elle doit surtout survivre au départ d’un spécialiste ou au remplacement d’une plateforme.

Le dirigeant peut appliquer un critère simple : que doit-il rester de ce projet IA si l’outil lui-même disparaît demain ? Si la réponse se limite à quelques fichiers et au souvenir de deux personnes, l’investissement reste fragile. Si le projet a clarifié un processus, structuré des connaissances, établi des critères, formé les équipes, attribué les responsabilités et documenté les raisons d’un arbitrage, il a construit un actif durable.

Dans un environnement où les modèles et les interfaces peuvent changer très vite, l’avantage durable pourrait moins résider dans la maîtrise d’un outil que dans une boucle devenue permanente : expérimenter, mesurer, documenter, apprendre, décider et réviser. Le véritable risque n’est peut-être pas le prochain hiver de l’IA. C’est de repartir de zéro.