Il y a une scène qui se répète dans presque toutes les entreprises qui achètent de l'IA. Quelqu'un choisit l'outil le plus puissant, la licence est signée, on l'annonce fièrement en comité de direction, et trois mois plus tard personne ne l'utilise. La facture continue d'arriver. Le modèle était excellent. Le projet, un échec. Et l'autopsie pointe toujours au mauvais endroit : on parle du modèle, du fournisseur, de l'intégration, alors que le corps est ailleurs.
La thèse en une phrase : le ROI de l'IA n'est pas décidé par le modèle, il est décidé par l'adoption. Le meilleur système du monde sans personne pour l'utiliser ne rapporte pas un centime ; un modèle modeste qui s'intègre au flux quotidien et qui est vraiment utilisé, si. Le retour se joue dans le changement d'habitude et l'intégration au travail réel, pas dans le score du benchmark. Et comme presque personne ne budgète cette partie, presque personne ne voit le retour promis par la démo.
Pourquoi l'adoption de l'IA en entreprise décide du ROI (et le modèle presque pas)
Le raisonnement est ennuyeux tant il est simple. Le retour d'un outil, c'est en gros combien il économise ou gagne par usage multiplié par le nombre d'usages. Si le second facteur est zéro, le produit est zéro, aussi élevé soit le premier. Un modèle 5 % meilleur qu'un autre ne bouge pas l'aiguille si la différence entre l'utiliser chaque jour et ne jamais l'utiliser est de 100 %. Voilà pourquoi l'obsession de savoir quel modèle est le plus malin est mal calibrée : la variable qui compte vraiment — combien de gens l'intègrent à leur travail — est celle que presque personne ne regarde, parce que c'est l'ennuyeuse, celle de la conduite du changement, celle qui n'apparaît pas dans le keynote.
Le plus drôle, c'est que ce n'est ni nouveau ni propre à l'IA. C'est la même histoire que le CRM que personne ne remplissait, le logiciel de gestion que l'équipe contournait avec des tableurs parallèles, l'intranet ouvert le premier jour et plus jamais. La technologie s'achète ; l'usage se construit. L'IA le rend juste plus évident parce que sa promesse est plus grande et sa facture plus visible.
L'erreur d'ordre : acheter le modèle avant l'habitude
La plupart des projets d'IA commencent par la fin. On choisit l'outil, on le déploie, et le « faire en sorte que les gens l'utilisent » est laissé pour plus tard, comme si c'était un détail de mise en œuvre au lieu de la moitié du projet. C'est la même erreur d'ordre qui coule tant d'automatisations et que le guide sur pourquoi les projets d'automatisation avec l'IA échouent raconte bien : on achète la solution avant de comprendre le problème et les gens qui doivent vivre avec.
L'ordre qui marche est l'inverse. D'abord, quel travail précis fait mal et qui le fait ? Ensuite, comment l'outil s'intègre-t-il à ce flux sans demander à personne de changer dix choses à la fois ? Et seulement alors, quel modèle ou outil convient ? Bien choisir quoi automatiser en premier — le répétitif, le mesurable, ce que les gens sont contents de ne plus faire — c'est justement le travail de décider quels processus automatiser avec l'IA. Le modèle est la dernière décision, pas la première ; et ce n'est certainement pas elle qui décide du retour.
Ce qu'est vraiment l'« adoption » (et ce qu'elle n'est pas)
L'adoption, ce n'est pas que les gens aient reçu le mail avec le lien et le mot de passe. Ce n'est pas le nombre de licences activées ni la présence à la formation d'une heure. Ce sont des métriques de vanité : elles mesurent que la porte a été ouverte, pas que quelqu'un s'y soit installé. La vraie adoption, c'est l'outil entré dans l'habitude : le commercial qui l'ouvre sans réfléchir quand il prépare une proposition, la personne du support qui l'utilise sur chaque ticket, au point que s'en passer se remarquerait parce que le travail recommencerait à faire mal.
La différence se voit dans un fait : la plupart des licences d'IA achetées en entreprise meurent non pas d'être mauvaises, mais d'être inutilisées. On les paie et elles restent immobiles. Et une licence à l'arrêt n'est pas un coût neutre : c'est tout l'investissement jeté, plus le découragement du « on a essayé l'IA et ça n'a pas marché » qui rend le prochain essai plus difficile. L'échec est rarement technique ; c'est presque toujours une question d'usage.
Les trois choses qui font vraiment bouger l'adoption
Si l'adoption est la variable qui décide, la question utile est ce qui la fait bouger. D'après notre expérience, presque tout se résume à trois choses, et aucune n'est le modèle :
- L'intégration au flux, pas un onglet de plus. L'outil qui oblige à sortir de là où on travaille déjà — ouvrir un autre site, copier-coller, changer d'endroit — perd. Celui qui apparaît dans le CRM, le mail ou le chat qu'on utilise déjà, gagne. La friction du « devoir aller l'utiliser » tue plus de projets que n'importe quel défaut du modèle.
- Un propriétaire et une impulsion, pas un email. L'adoption n'arrive pas toute seule en envoyant un lien. Il faut quelqu'un pour la pousser : former sur le travail réel (pas dans l'abstrait), régler le doute du premier jour, montrer le raccourci qui convertit le sceptique. Sans responsable nommé, la courbe d'usage tombe à zéro en quelques semaines.
- Une victoire précoce et visible. Les gens adoptent ce qui enlève une douleur maintenant, pas ce qui promet des bénéfices au trimestre prochain. Commencer par un petit cas où l'économie se voit dès la première semaine génère le « ça, ça marche » qui entraîne le reste. L'ambition de tout automatiser d'un coup, en revanche, garantit que rien ne soit adopté.
Comment budgéter l'adoption (ou pourquoi la licence seule ne rapporte pas)
La conclusion pratique n'est pas « formez plus », c'est « budgétez l'adoption comme partie du projet, pas comme un extra optionnel ». Si l'outil est 50 % du résultat, l'utiliser est l'autre 50 %, et ce 50 % coûte du travail : formation collée au travail réel, un propriétaire qui soutient l'usage, une refonte du flux pour que l'IA apparaisse là où on travaille déjà. Acheter seulement la licence et attendre le retour, c'est acheter la moitié d'un projet et comptabiliser l'échec de l'autre moitié comme de la malchance.
Cette moitié de projet que presque personne n'achète, c'est exactement le travail d'un bon programme d'adoption de l'IA pour les équipes : il ne vend pas de licences, il monte l'usage réel — l'intégration au flux, la formation sur le travail, le propriétaire qui le soutient. Et ce n'est pas un luxe de grande entreprise : c'est la différence entre un investissement en IA qui rapporte ou qui gonfle la liste des abonnements que personne n'ouvre. Le modèle, à ce stade, est un détail. Le coûteux n'est pas de mal choisir l'IA ; c'est de l'acheter et de la voir immobile.