Pendant près de deux ans, les comités de direction ont tourné autour de la même question, celle de savoir comment amener leurs équipes à se servir de l’IA générative. Cette question-là ne se pose plus vraiment dans les mêmes termes, parce que les salariés s’en sont emparés sans attendre qu’on les y invite.
La quatrième édition du baromètre AI at Work du BCG1[1], publiée en juin 2026 et menée auprès de 11 749 salariés dans quatorze marchés, donne la mesure du mouvement : chez les collaborateurs de terrain, 74 % se déclarent utilisateurs réguliers de l’IA, contre 51 % l’année précédente.
La valeur produite, en revanche, progresse beaucoup plus lentement. Dans son enquête annuelle menée auprès de 1 719 répondants dans 97 pays, McKinsey[2] relève que près de neuf répondants sur dix observent un usage régulier de l’IA dans au moins une fonction de leur entreprise, alors que 44 % seulement évoquent un déploiement à l’échelle de l’organisation et 37 % un effet mesurable sur le résultat opérationnel.Le point de blocage s’est donc déplacé. La difficulté n’est plus de faire entrer les équipes dans l’outil, elle est de transformer les usages en valeur pour l’organisation.
Ce premier article de notre série consacrée aux freins à l’adoption de l’IA générative revient sur ce décalage et ses causes. Il présente la grille de lecture que nous avons construite à partir de nos missions : seize freins répartis en quatre familles.
Un usage massif, une valeur captée par une minorité
Les gains de temps sont réels, du moins tels que les salariés les perçoivent. Parmi les utilisateurs réguliers de terrain, 42 % disent économiser au moins une journée de travail par semaine.
Encore faut-il savoir ce que devient cette journée, et c’est là que le baromètre devient plus embarrassant pour les directions : 66 % des salariés déclarent ne recevoir que peu ou pas d’indications sur ce qu’ils sont censés faire du temps ainsi dégagé, et plus de la moitié ne le réaffectent pas à des tâches à plus forte valeur ajoutée.
On retrouve le même phénomène à l’échelle des organisations, où les déploiements d’entreprise progressent sans s’imposer : 44 % contre 38 % l’année précédente, ce qui reste minoritaire, tandis que la proportion d’entreprises capables de mesurer un effet sur leur résultat n’a pour ainsi dire pas bougé en un an.
L’IA générative s’est installée dans le travail quotidien sans avoir encore modifié la façon dont ce travail est organisé. Les gains existent bel et bien, mais ils restent dispersés au niveau des individus et ne remontent presque jamais au niveau collectif, ce qui explique qu’ils soient si difficiles à faire apparaître dans un compte de résultat.
Pourquoi le problème n’est-il pas d’abord technologique ?
Devant un tel constat, le réflexe le plus courant consiste à chercher la réponse du côté de l’outil, qu’il s’agisse d’un modèle plus performant, d’un accès élargi à davantage de collaborateurs ou d’une intégration plus profonde dans les applications métier. L’enseignement principal du baromètre 2026 va pourtant dans l’autre sens.
Le BCG observe en effet qu’un salarié qui sait où son entreprise veut aller obtient de meilleurs résultats, même avec un accès restreint aux outils, qu’un collègue largement équipé mais privé de direction. La clarté du cap pèse donc plus lourd que la technologie mise à disposition, ce qui déplace la question du budget informatique vers celle du pilotage.
Les autres données de l’étude vont dans le même sens. Seuls 36 % des salariés estiment avoir reçu une formation suffisante, proportion qui n’a pas évolué depuis 2025, et la moitié d’entre eux déclarent travailler sans règles claires sur la répartition des tâches entre humains et systèmes d’IA. On notera aussi que 41 % font état d’une charge mentale accrue depuis qu’ils utilisent ces outils, ce qui est rarement anticipé dans les business cases.
Ce qui bloque ne relève donc pas uniquement de la technologie : les dimensions humaines, organisationnelles, budgétaires et de gouvernance doivent également être traitées.Deux caractéristiques rendent ces freins particulièrement difficiles à traiter.
- Ils fonctionnent ensemble. Ouvrir l’accès aux outils sans préciser ce qui est permis ne produit à peu près rien, et fixer un cap sans dégager le temps de s’y conformer ne produit pas davantage. Un frein traité isolément laisse en général la place au suivant.
- Leur coût augmente avec le passage à l’échelle. Tant qu’on en reste au pilote, un frein ne ralentit que quelques volontaires. Une fois l’usage généralisé, le même frein se traduit par du temps gagné puis reperdu, par des pratiques que personne n’encadre et par des écarts qui se creusent d’une équipe à l’autre.
16 freins à l’adoption de l’IA générative : la grille Vertone
Nous avons construit cette grille pour aider une organisation à repérer ce qui la bloque réellement, chez elle, plutôt que de raisonner à partir de moyennes de marché. Elle s’appuie sur nos missions d’accompagnement ainsi que sur une revue des principales études publiées sur le sujet, et regroupe seize freins en quatre familles.
Confiance et sécurité
Crainte de voir fuiter des données, doute sur la fiabilité de ce que produit l’outil, incertitude sur ce qui est autorisé. Ces freins n’empêchent plus personne d’ouvrir l’application, ce qui les rend difficiles à détecter : ils cantonnent plutôt l’usage à des tâches sans enjeu, quand ils ne le font pas glisser vers des services que l’entreprise n’a jamais validés.
Compétences et culture
Formation trop légère, peur du regard des collègues, réflexe de préférer l’avis d’un humain, inquiétude sur son poste, pénurie de profils capables de passer du prototype à l’industrialisation. On ne se demande plus « est-ce que j’essaie ? », mais « jusqu’où puis-je aller, et sur qui je m’appuie ? ».
Organisation et gouvernance
Absence de temps et de cadre pour progresser, silos entre les métiers, la data et l’IT, outils branchés à côté des processus réels, qualité de données insuffisante, retour sur investissement que personne ne parvient à établir. C’est probablement la famille la plus déterminante, puisque ces freins expliquent l’essentiel de ce qui empêche les gains individuels de devenir collectifs.
Leadership et sens
Absence de cap, sentiment de perdre la main sur son propre jugement professionnel, questions éthiques et juridiques laissées en suspens, écart entre le discours de la direction et le quotidien des équipes. C’est la famille que les données 2026 mettent le plus en avant, et c’est aussi celle qui résume le problème : sans direction explicite, l’usage progresse sans produire de valeur.
Ce que propose cette série
Chaque frein fera l’objet d’un article dédié, construit à chaque fois de la même manière :
- Ce que le frein recouvre concrètement ;
- Ce qu’il coûte, en adoption comme en valeur produite ;
- Les leviers dont nous disposons pour le lever ;
- Ce que nous avons observé sur le terrain en mission.
L’objectif n’est pas d’allonger la liste des obstacles, qui est déjà longue, mais d’aider chaque organisation à identifier ceux qui pèsent le plus lourd dans son contexte et à les traiter dans un ordre qui tienne debout.
De l’usage de l’IA générative à la création de valeur
La majorité des collaborateurs utilise aujourd’hui l’IA générative, alors que le passage à l’échelle et la contribution au résultat restent le fait d’une minorité d’organisations. Les causes de cet écart sont rarement technologiques : un cap que personne ne formule, une formation qui ne suffit pas, des règles d’usage trop floues pour être appliquées, et du temps gagné qui finit par se perdre.
Lever ces freins relève donc autant de la conduite du changement que de l’investissement technique. Il faut dire où l’on va, poser des règles d’usage que les équipes puissent appliquer, accompagner la montée en compétences dans la durée et embarquer les managers de proximité, qui restent ceux par qui la transformation du travail passe ou ne passe pas.
Prochain article : la peur de la fuite de données.
Vertone vous accompagne dans l’adoption de l’IA générative
Vertone aide les organisations à concilier ambition IA et exigences de sécurité : qualification des risques par type de donnée avec les fonctions conformité et sécurité, cadrage d’une règle d’usage opérationnelle, choix d’architectures d’IA générative sécurisées, et formation des équipes aux bons réflexes.
Sources :
[1] AI at Work: Why Strategy Matters More Than Tools, Boston Consulting Group, juin 2026.
[2] The State of AI in 2026: On the Road to ROI, McKinsey & Company, 25 août 2026
