Les personnes au cœur de l’adoption de la GenAI

Les chiffres qui ouvrent la plupart des rapports sur l'adoption de l'IA ne mesurent pas la même chose. L'équipe de recherche de la Réserve fédérale (Américaine) a démontré qu'il suffit de repondérer par type d'emploi et de modifier la fenêtre temporelle pour faire varier les chiffres d'adoption de 5 à 40 points de pourcentage — et ce, à travers des études examinant le même phénomène sous-jacent.[5] Quand McKinsey rapporte que 88 % des entreprises utilisent l'IA dans au moins une fonction, et qu'une étude contrôlée rigoureuse trouve des taux d'adoption réels compris entre 2 % et 16 % selon la définition que l'on donne à l'« utilisation », l'écart n'est pas une simple marge d'erreur. C'est un problème de mesure, et la plupart des organisations ont bâti leurs stratégies d'adoption sur cette base sans s'en rendre compte.

La distinction qui compte est celle que Burton-Jones et Straub ont appelée l'adoption « légère » (lean) et « riche » (rich)[6] — la différence entre le simple fait de se connecter à un outil et celui de restructurer réellement le travail, les processus autour de lui. Le propre rapport de McKinsey sur l'état de l'IA en 2025, basé sur près de 2 000 répondants dans 101 pays, a révélé que 80 % des organisations ont superposé l'IA à des processus existants en ne changeant rien en profondeur. Ils ont baptisé cela le « théâtre de l'IA ».[7] Pendant ce temps, le groupe NANDA du MIT, après avoir analysé plus de 300 déploiements publics, a constaté qu'environ 95 % des projets pilotes d'IA générative n'ont produit aucun impact mesurable sur le compte de résultat (P&L).[8]

La question qui mérite d'être posée — avant même de concevoir un quelconque programme d'adoption — n'est pas « comment inciter les gens à utiliser l'IA ? » mais plutôt « qu'est-ce qui les bloque réellement, et est-ce bien ce que nous croyons ? ».

Ce n'est pas une question de technologie

La conclusion la plus exploitable de la littérature 2025-2026 est aussi la plus contre-intuitive : le principal prédicteur de la non-adoption parmi les populations hésitantes n'est pas l'anxiété relative à l'IA en elle-même, mais l'aisance générale avec la technologie. L'étude de Shata portant sur 294 éducateurs — l'une des rares études spécifiques portant sur l'IA générative (et non pas l'IA, de manière générale, Machine Learning compris) se sont penché directement sur les non-utilisateurs.Leur étude révèle que les inquiétudes concernant l'IA en tant que telle n'étaient pas statistiquement significatives pour prédire l'intention d'utilisation (p=0,056). Ce qui était significatif, avec un bêta de 0,576, était le confort technologique général.[3] J'apporte ici mon observation, la population que je cotoie ayant étudié l'informatique a adopté l'IA beaucoup plus facilement et rapidement qu'ailleurs.

Cela recadre considérablement le problème. Les programmes construits autour de l'acculturation à l'IA — qui expliquent ce que font les grands modèles de langage (LLM), qui répondent aux craintes de destruction d'emplois ou qui démontrent les fonctionnalités de sécurité — ciblent la mauvaise variable. La friction se situe en amont : c'est l'interface, la méconnaissance de tout nouvel outil numérique, l'absence de temps dégagé pour expérimenter. La réponse devrait se traduire par une simplification de l'interface utilisateur (UI) et un temps d'exploration sanctuarisé, plutôt que par de meilleures explications sur le fonctionnement des transformers, ou des systèmes agentiques.

La destruction d'emplois, fait notable, était la préoccupation la moins importante, tant chez les utilisateurs que chez les non-utilisateurs, dans l'étude de Shata. La véritable menace psychologique est ailleurs : elle réside dans ce qu'il advient de l'identité professionnelle et de la valeur perçue de l'expertise lorsqu'un outil peut produire un premier jet tout à fait acceptable en 10 minutes lorsque la tâche vous prenait historiquement une journée.

L'effet de pair à pair est le mécanisme moteur

L'étude la plus rigoureuse de cette période est celle menée par Baym, Jaffe et Dillon via Microsoft Research, publiée dans la Harvard Business Review (HBR) en mars 2026. Avec 557 participants, c'est la première à comparer directement deux leviers d'adoption au sein d'un même programme, sur l'IA générative. Le résultat est le suivant : l'influence entre pairs a généré +8,9 points de pourcentage pour l'adoption régulière ; la formation formelle a généré +6,1 points. Pour l'utilisation avancée de systèmes agentiques, l'influence des pairs a produit +10,4 points. La différence n'est pas marginale — elle est structurelle.[1]

La symétrie de ce phénomène est tout aussi importante. L'enquête de Gartner de décembre 2025 (N=2 986) a révélé que 37 % des employés n'utilisent pas l'IA tout simplement parce que leurs collègues ne l'utilisent pas.[11] L'influence des pairs n'est pas seulement un moteur positif ; son absence est factuellement une barrière active. La preuve sociale fonctionne dans les deux sens, et en l'absence d'une adoption visible autour de soit, la majorité des gens opte par défaut pour l'inaction, le statu quo.

Une étude qualitative sur les utilisateurs de Microsoft Copilot (arXiv, février 2025) a confirmé ce schéma : 7 personnes sur 10 avaient complètement ignoré les supports de formation institutionnels au profit de l'apprentissage par les pairs et de l'expérimentation directe. Il ne faut pas en déduire que la formation est inutile — les données du BCG suggèrent qu'un minimum de cinq heures d'exposition structurée, idéalement en présentiel, est fortement corrélé à une utilisation régulière et durable. Ce qu'il faut en retenir, c'est que le budget et l'énergie investis dans des modules de formation en ligne déployés en cascade sont structurellement moins efficaces que ceux investis pour faciliter les échanges informels entre les personnes effectuant le même travail. Pensez ici à des ateliers de discussions ou d'échanges, qui, a priori n'ont aucun P&L justifié, mais qui, en réalité pourrait produire une adoption beaucoup plus significative, tout en restant humaine.

L'identité professionnelle comme barrière tacite

L'essai contrôlé randomisé de Brynjolfsson, Li et Raymond — 5 172 participants, publié dans le Quarterly Journal of Economics — a révélé que ce sont les novices qui bénéficient le plus de l'assistance de l'IA, avec un gain de productivité moyen de 15 %.[2] Dans un contexte à forte intensité de connaissances, cela crée un problème que la littérature n'a pas encore abordé de front : si l'outil aide d'abord ceux qui ont le moins d'expertise, comment les praticiens expérimentés, dotés d'une forte identité professionnelle, interprètent-ils ce signal ?

Shata le documente explicitement. Les praticiens qui ont refusé d'utiliser l'IA générative ont articulé leur résistance non pas comme une peur d'être remplacés, mais comme une menace pour l'intégrité de leur propre travail.

Les recherches d'Hartyándi identifient ce qu'elles appellent le « visage de Janus » de la perception de l'IA — la coexistence d'un véritable intérêt et d'une véritable menace chez un même individu, où la méfiance affective peut bloquer l'adoption même lorsqu'une ouverture cognitive est présente.[13] Dans les contextes où l'expertise est le produit principal (services professionnels, conseil, recherche), cette dynamique est amplifiée et mal comprise. La menace ne pèse pas sur l'emploi ; elle pèse sur la proposition de valeur elle-même. Concevoir des programmes qui traitent cela comme une résistance irrationnelle à gérer, plutôt que comme une préoccupation professionnelle cohérente à traiter, engendre de la conformité sans adoption.

Le paradoxe de la vérification

Un mécanisme moins débattu, absent de la plupart des cadres d'adoption, est ce que l'on pourrait appeler le paradoxe de la vérification. Dans les travaux à haute responsabilité — conseil, juridique, audit, recherche —, la promesse de productivité de l'IA générative est structurellement complexe. Plus un outil génère du contenu rapidement, plus il faut de main-d'œuvre pour le vérifier, et plus l'expertise est indispensable. Les données du QJE montrant des gains de productivité de 15 % proviennent d'un contexte de centre d'appels. Dans des environnements où une erreur factuelle dans un livrable détruit la réputation professionnelle et la confiance du client, le calcul change du tout au tout.

Prasad et al. (2025, N=470) soulignent ce point de manière incisive : un professionnel qui doute de la fiabilité des résultats de l'IA ne passera pas de l'intention à l'utilisation réelle, quelle que soit sa motivation initiale. L'outil doit être jugé digne de confiance avant d'être utilisé dans des situations à fort enjeu. Et la confiance, une fois perdue, coûte cher à reconstruire.[4]

La fenêtre de confiance

Les données TrustID de Deloitte font état d'une érosion de 31 % de la confiance des employés envers les initiatives d'IA de leur employeur en seulement trois mois, à la suite de déploiements mal calibrés.[9] S&P Global (2025) a révélé que 42 % des entreprises avaient abandonné la majorité de leurs initiatives en matière d'IA avant d'atteindre la phase de production — soit une augmentation de 2,5 fois en une seule année.[12] Gartner place fermement l'IA générative dans le « Gouffre des désillusions » (Trough of Disillusionment), avec moins de 30 % des PDG satisfaits du retour sur investissement malgré un investissement moyen de près de 2 millions de dollars par entreprise.[11]

NANDA au MIT a identifié un « déficit d'apprentissage » au cœur des systèmes d'IA générative : les LLM ne conservent pas les retours d'information d'une session à l'autre, ne s'adaptent pas au contexte au fil du temps et ne s'améliorent pas automatiquement avec l'usage. La conséquence est que les avantages de l'IA dans un contexte professionnel profitent à l'individu qui a appris à bien utiliser l'outil, et non à l'outil lui-même. L'expertise réside dans l'interaction humain-IA, et non dans le modèle. Cela transforme l'intégration (onboarding), qui n'est plus un événement ponctuel mais une pratique continue de renforcement des capacités, et fait de la qualité des réseaux de pairs l'infrastructure principale pour soutenir l'adoption.[8]

L'implication stratégique concerne davantage le séquencement que la vitesse. Chaque initiative qui échoue ou qui est survendue consomme un capital de confiance non renouvelable. Y aller lentement et construire une base d'utilité indéniable, n'est pas de la prudence ; c'est une stratégie.

Ce qui fonctionne vraiment : Trois points d'entrée, pas un seul

Les recherches convergent vers un modèle hybride et différencié, et non monolithique. La comparaison menée par Westover sur 127 organisations a révélé qu'une structure hybride — une gouvernance centrale de l'IA combinée à des équipes de mise en œuvre distribuées et intégrées dans des contextes métiers spécifiques — atteignait un taux de réussite de 74 % pour les initiatives d'IA, contre 12 % pour les organisations dépourvues de ces deux dimensions. Une formation contextualisée a produit un taux de rétention supérieur de 36 % par rapport à une formation générique.[10]

Des populations différentes nécessitent des points d'entrée différents, et les confondre en un seul programme est l'un des facteurs d'échec les plus constants dans la littérature.

Pour les praticiens soumis à une pression de livraison et qui ont avant tout besoin d'efficacité : le point d'entrée est une démonstration rapide de la résolution d'un irritant spécifique, réalisée par quelqu'un faisant le même travail, et mesurable en minutes gagnées. Pas un module de formation ; un exemple concret fourni par un pair.

Pour ceux dont le niveau d'aisance numérique de base est plus faible : le point d'entrée est un temps d'expérimentation sanctuarisé, une interface simple et la suppression explicite de toute pression de performance pendant la phase d'apprentissage. L'objectif est le confort technologique général avant l'adoption spécifique de l'IA. Le cadre AWARE de la HBR identifie trois besoins psychologiques en jeu : la compétence (se sentir efficace), l'autonomie (garder le contrôle) et l'appartenance (maintenir des relations significatives). Un programme perçu comme prescriptif ou s'apparentant à de la surveillance frustre ces trois besoins simultanément.

Pour les professionnels expérimentés dotés d'une forte identité professionnelle : le point d'entrée est la co-construction, et non la démonstration. L'IA est présentée comme un amplificateur de leur expertise existante, et non comme son remplaçant. La formulation qui fonctionne n'est pas « voici ce que l'IA peut faire », mais « voici comment l'IA permet d'aller plus loin avec ce que vous savez déjà ». Les cas d'usage qui génèrent le plus d'engagement au sein de ce groupe sont ceux qu'ils ont eux-mêmes définis.

Ce que la littérature ne couvre pas

Presque toutes les études de ce corpus ont été menées dans des organisations industrielles, bancaires ou du secteur public — aucune n'examine un contexte où l'expertise est le principal produit vendu. La dynamique des services professionnels à forte intensité de connaissances, le knowledge work — où les structures de facturation sont basées sur le temps passé (régie) plutôt que sur les résultats livrés, où le travail des profils juniors est compressé et non étendu par l'IA, où l'expertise elle-même est la proposition de valeur pour le client — constitue une lacune dans la recherche, actuellement comblée uniquement par des déductions.

La compression des tâches juniors (passant de plusieurs heures à quelques minutes) par l'IA générative représente, dans un modèle de facturation au temps passé, une réduction directe des revenus. La démocratisation de l'expertise documentée par Brynjolfsson et al. constitue, pour le praticien senior dont la prime de savoir est le principal élément de différenciation sur le marché, une menace concurrentielle. Ces tensions ne sont pas irrationnelles et ne sont pas traitées par la littérature. Elles exigent des organisations qui se trouvent dans cette situation qu'elles construisent leur propre base de preuves — et qu'elles soient honnêtes, en interne, sur le fait que le défi d'adoption auquel elles sont confrontées n'est pas le même que celui décrit par la recherche.

Les organisations qui navigueront habilement à travers ces enjeux au cours des douze prochains mois ne seront pas nécessairement celles qui auront dépensé le plus, avancé le plus vite ou choisi les modèles les plus performants. Ce seront celles qui auront été les plus précises sur ce qu'elles demandaient réellement à leurs collaborateurs de changer, et les plus honnêtes quant à la valeur véritable de ce changement.

---

Synthèse de recherche — Corpus 2024–2026 — Avril 2026 Sources : Plus de 80 publications réparties entre revues à comité de lecture, documents de travail (working papers) et enquêtes propriétaires. Les sources spécifiques à l'IA générative ont été privilégiées ; les sources mixtes ML/IA ont été conservées avec une mention explicite. Les documents produits par les fournisseurs ont été déclassés.