IA en entreprise : le vrai chantier commence quand il faut réorganiser le travail

Les entreprises ont commencé par acheter des licences, former leurs collaborateurs et chercher des cas d’usage. Les gains apparaissent déjà sur certaines tâches. Mais une question plus difficile se profile : que faut-il changer dans l’organisation lorsque rechercher, rédiger, analyser, synthétiser ou coder devient beaucoup plus rapide ? Le véritable enjeu de l’IA pourrait désormais se situer moins dans l’outil que dans la manière dont le travail est réparti, coordonné, contrôlé et appris.

Le signal français est net. Selon le Baromètre France Num 2025, 26 % des TPE et PME interrogées déclarent utiliser des solutions d’intelligence artificielle, deux fois plus qu’en 2024. L’adoption progresse donc rapidement. Elle ne dit pourtant pas si les entreprises ont modifié leurs réunions, leurs circuits de validation, la circulation de leur connaissance ou le rôle de leurs experts.

Équiper les salariés n’est pas transformer l’entreprise. Le prochain chantier consiste à déterminer ce que l’organisation doit changer lorsque certaines tâches deviennent plus rapides, certaines expertises plus accessibles et certains contrôles potentiellement redondants, sans sacrifier la qualité, l’apprentissage ni la responsabilité humaine.

Équiper les salariés ne signifie pas transformer l’entreprise

Les gains liés à l’IA apparaissent rapidement sur les tâches que les individus contrôlent directement. Les processus collectifs évoluent beaucoup moins spontanément. Une expérimentation randomisée menée auprès de 7 137 travailleurs du savoir dans 66 entreprises l’illustre avec une rare précision.

Dans leur étude sur l’évolution des pratiques de travail avec l’IA générative, Eleanor Dillon, Sonia Jaffe, Nicole Immorlica et Christopher Stanton observent pendant six mois l’usage d’un outil intégré au courrier électronique, aux documents et aux réunions. Dans la seconde moitié de l’expérience, les utilisateurs concernés passent environ deux heures de moins par semaine dans leurs courriels. L’estimation en intention de traiter, qui inclut aussi les personnes ayant peu utilisé l’outil, est de 1,3 heure. En revanche, les chercheurs ne détectent pas de transformation significative de la quantité ou de la composition globale des tâches au-delà de ces effets individuels.

Le paradoxe est décisif pour une direction : les individus peuvent changer leurs pratiques plus vite que l’organisation ne change son fonctionnement. Un collaborateur rédige plus vite, mais attend toujours la même validation. Un manager synthétise une réunion en quelques secondes, mais la réunion existe toujours. Un analyste produit davantage de scénarios, mais le comité de décision ne dispose pas de plus de temps ni de critères plus clairs pour les arbitrer.

Les travaux du LaborIA Explorer invitent justement à partir du travail réel. L’introduction d’une IA ouvre un processus d’apprentissage et d’adaptation ; elle reconfigure potentiellement les rôles, les compétences et le management. Observer uniquement l’usage de l’outil revient à regarder la première étape du changement en ignorant le système de travail dans lequel elle s’insère.

Le 10-20-70 : le plus difficile commence après la technologie

BCG utilise une règle de conduite pour répartir l’effort d’une transformation par l’IA : 10 % pour les algorithmes, 20 % pour la technologie et les données, 70 % pour les personnes et les processus. Le cabinet la rappelle dans son analyse de janvier 2026, Scaling AI Requires New Processes, Not Just New Tools, consacrée au passage de l’automatisation de tâches isolées au redesign de processus de bout en bout.

Pour rendre cette logique plus directement lisible par un dirigeant, l’Observatoire propose ici une réinterprétation : 10 % outils, 20 % compétences, 70 % façons de travailler. Cette formule est une grille de lecture éditoriale, pas une nouvelle mesure quantitative. Elle ne signifie ni que 70 % de la réussite « dépend des humains », ni que le ratio constituerait une loi scientifique.

Son intérêt est ailleurs. Une licence peut être déployée en quelques semaines et une formation organisée en quelques jours. Repenser qui fait quoi, dans quel ordre, avec quelles données, sous quelle responsabilité et selon quel critère de qualité demande un travail bien plus profond. Il faut comprendre les exceptions, les dépendances entre métiers, les raisons des contrôles et les connaissances tacites qui empêchent un processus de se résumer à son organigramme.

Quand le coût d’une tâche change, l’organisation doit reposer certaines questions

L’IA ne crée un gain organisationnel que si l’entreprise réexamine le processus complet, et pas seulement l’étape devenue plus rapide. Dans un service client, elle peut retrouver une procédure, préparer une réponse et reformuler un message. Le sujet de direction devient alors le système d’escalade : à quel moment l’agent sollicite-t-il un expert ? Qui valide une réponse sensible ? Comment un nouveau cas enrichit-il la base de connaissances ? Qui demeure responsable face au client ?

En marketing et en communication, le premier texte peut être produit beaucoup plus vite. Mais s’il conserve trois briefs, quatre validations, plusieurs réunions et de nombreux allers-retours, quelle part du gain individuel devient réellement un gain organisationnel ? La bonne question n’est pas seulement « combien de minutes avons-nous économisées à la rédaction ? », mais « quel délai et quelle qualité obtenons-nous entre la demande initiale et la diffusion ? »

Le développement logiciel soulève une tension supplémentaire. L’assistance au code peut accélérer la production, la documentation ou l’exploration d’une base existante. Elle modifie aussi la distribution des tâches entre juniors et seniors. Comment devient-on expert demain si une partie des tâches grâce auxquelles les experts d’aujourd’hui ont appris leur métier est assistée ou automatisée ? Il ne s’agit pas d’une conclusion démontrée, mais d’un problème de conception des parcours professionnels : quelles situations faut-il préserver pour apprendre à diagnostiquer, relire et assumer un choix technique ?

Le management n’échappe pas à ce déplacement. Comptes rendus, reporting, préparation de réunions, synthèses, présentations et scénarios peuvent être produits plus rapidement. Si leur nombre reste identique, l’IA risque surtout d’accélérer la production d’activité administrative. Automatiser une mauvaise habitude ne la transforme pas en bonne pratique. Avant d’automatiser un reporting, il faut donc demander quelle décision il éclaire ; avant d’accélérer une validation, vérifier si elle protège encore un risque réel.

L’IA redistribue aussi l’expertise

L’IA peut diffuser certaines pratiques des travailleurs les plus performants, mais l’information immédiatement disponible ne remplace ni l’apprentissage ni la responsabilité de l’expert. L’étude de Brynjolfsson, Li et Raymond sur l’IA générative au travail, publiée en 2025 dans le Quarterly Journal of Economics, analyse le déploiement progressif d’un assistant auprès de 5 172 agents de support. L’accès à l’outil augmente de 15 % en moyenne le nombre de problèmes résolus par heure. Les gains sont plus importants chez les salariés les moins expérimentés ou initialement les moins performants.

Le chiffre de productivité ne résume pas le résultat. Le système a été entraîné à partir d’échanges antérieurs et rend accessibles des manières de répondre associées aux meilleurs agents. Il contribue ainsi à transmettre une part de leur savoir tacite. Pour l’organisation, cela peut raccourcir l’onboarding, enrichir le coaching et aider les nouveaux arrivants à traiter des situations qu’ils connaissent moins.

Cette diffusion revalorise autant qu’elle déplace le rôle de l’expert. Celui-ci n’est plus seulement la personne que l’on consulte pour retrouver une réponse. Il devient celui qui traite les exceptions, explicite les critères, détecte une dégradation, enrichit la connaissance commune et décide quand la réponse disponible ne s’applique pas. L’entreprise doit reconnaître cette contribution, y compris lorsque l’outil rend le travail de transmission moins visible.

La gestion de la connaissance peut se lire comme une chaîne : donnée → information → connaissance → décision. Une donnée devient information lorsqu’elle est organisée ; l’information devient connaissance lorsqu’elle est interprétée dans un contexte ; la décision engage enfin un jugement et une responsabilité. La disponibilité instantanée d’une information ne garantit ni sa qualité, ni sa contextualisation, ni la pertinence de la décision qui en découle.

Réorganiser le travail ne signifie pas confier davantage de décisions à l’IA

La frontière des capacités de l’IA est irrégulière : deux tâches qui paraissent proches peuvent produire des résultats opposés. Dans Navigating the Jagged Technological Frontier, publié dans Organization Science en 2026, 758 consultants ont réalisé des tâches proches de leur activité professionnelle. Sur les tâches situées dans la zone de compétence de GPT-4, les participants ont travaillé environ 25 % plus vite et produit des résultats de meilleure qualité.

Sur une tâche volontairement conçue hors de cette frontière, les utilisateurs de l’IA étaient en revanche 19 % moins susceptibles de parvenir à la bonne réponse. L’outil pouvait produire une analyse convaincante tout en conduisant vers une erreur. La fluidité de la réponse rend alors le contrôle plus difficile, pas moins nécessaire.

Ces chiffres décrivent GPT-4 dans les conditions technologiques de 2023. Ils ne mesurent pas les performances des modèles disponibles en 2026. La frontière se déplace avec les modèles, les données, les outils et les méthodes de contrôle. Son caractère irrégulier reste néanmoins pertinent : une organisation ne peut pas déduire la fiabilité d’un usage à partir du succès observé sur une tâche voisine.

La compétence organisationnelle déterminante n’est donc pas d’utiliser l’IA partout, mais de savoir quoi lui déléguer, quoi vérifier et où maintenir explicitement le jugement humain. Cela suppose des protocoles fondés sur le risque : contrôle léger pour une première ébauche réversible, validation experte pour une réponse réglementaire, décision humaine explicite lorsque des droits, des personnes, une stratégie ou un engagement financier sont en jeu.

Le véritable « 70 % » oblige à redessiner le travail

Redessiner le travail consiste à recomposer les tâches, les expertises et les responsabilités autour d’un résultat collectif, pas à remplacer une équipe par un outil. L’expérience de terrain The Cybernetic Teammate, publiée en 2026 dans Organization Science, apporte un signal intéressant. Sur les tâches d’innovation étudiées chez Procter & Gamble, certains individus travaillant avec l’IA ont atteint des performances comparables à celles de certaines équipes sans IA. Les propositions des profils commerciaux et de recherche et développement se sont aussi rapprochées.

Il serait abusif d’en conclure qu’une personne avec une IA remplace une équipe. L’étude porte sur un contexte, des tâches et des critères précis. Elle montre plutôt que l’IA peut modifier les conditions dans lesquelles différentes expertises doivent être réunies et coordonnées. Le jugement humain conserve notamment de la valeur dans la sélection des idées.

Pour une direction, le chantier commence alors par des questions très matérielles. Quelles tâches peuvent disparaître ? Quelles étapes restent nécessaires ? Quels contrôles protègent réellement la qualité ? Quelles validations sont devenues redondantes ? Quel rôle conserve l’expert ? Que doit encore faire un junior pour apprendre ? Comment la connaissance est-elle enrichie et partagée ? Certaines équipes doivent-elles être recomposées ? Quels niveaux hiérarchiques apportent encore une valeur réelle ? Quelles décisions doivent explicitement rester humaines ?

L’adoption technologique et la transformation organisationnelle ne progressent pas au même rythme. La première équipe les personnes ; la seconde change la manière dont leur travail produit une valeur collective. Tant que les circuits de décision, les responsabilités, les contrôles et les parcours d’apprentissage restent identiques, le gain demeure en grande partie local.

L’ouverture stratégique tient finalement en une question : si nous concevions aujourd’hui cette activité avec les capacités de l’IA disponibles en 2026, l’organiserions-nous encore de cette manière ?