IA Générative : Ce que les tableaux de bord ne mesurent pas encore

Je me suis arrêté récemment sur un chiffre. 20 % de réduction de masse salariale, c'est l'objectif que de nombreux conseils d'administration fixent désormais à leurs CEO grâce à l'IA, d'après un article de CIO.

Dans le même temps, Deloitte indique que 7 DSI sur 10 prévoient d'augmenter leurs effectifs pour déployer ces mêmes outils.

À première vue, les deux chiffres semblent se contredire.

D'un côté, on attend moins d'emplois. De l'autre, on prévoit plus de monde pour rendre cette promesse possible.

Mais ce n'est pas vraiment un paradoxe, c’est un indice.

Avant que l'IA générative ne réduise réellement la charge de travail, il faut repenser les process, homogénéiser les données, cadrer les usages, former les collaborateurs.

L'article de CIO montre une urgence : obtenir rapidement plus de gains avec l'IA Générative. Harvard Business Review pointe les coûts cachés : quand une IA est déployée sans contrôle suffisant, elle génère potentiellement du travail supplémentaire, vérifier, corriger, parfois même une perte de confiance dans ce qui est produit.

HBR parle de knowledge decay : une perte progressive de fiabilité dans ce que l'organisation produit, partage et utilise pour décider.

Les chiffres rendent le problème concret.

Dans les travaux HBR sur le workslop “du travail qui a l’apparence du travail sans en avoir la substance” 41 % des 1 150 salariés américains interrogés disent avoir reçu, au cours du mois précédent, un livrable généré par IA qui leur a fait perdre du temps : il fallait le revérifier ou le corriger.

Chaque incident coûte en moyenne près de deux heures. À l'échelle d'une entreprise de 10 000 personnes, cela peut dépasser 9 millions de dollars par an, uniquement en temps perdu.

Les organisations ayant déployé l'IA sans remettre en question les process, la qualité des données et la formation se retrouvent aujourd'hui à gérer quelque chose qu'elles n'avaient pas anticipé : la dégradation de la fiabilité de leurs livrables et de leur connaissance métier.

Le problème, c’est que ce coût invisible est rarement cité au moment de déployer l’IA. Les gains de productivité sont chiffrés avant d'être constatés.

Le MIT Media Lab, via Project NANDA, estime que 95 % des organisations n'ont observé aucun retour mesurable sur leurs investissements en IA générative. Goldman Sachs documente aussi ce décalage entre investissements massifs et effets économiques encore difficiles à mesurer.

Pris ensemble, ces trois signaux dessinent plus qu'une tendance.

Pour un dirigeant, la question est simple : à quel moment sommes-nous en train de chiffrer des gains partiels de l'IA, pendant que nous supportons des coûts déjà visibles ?

La plupart des organisations savent mesurer la vitesse de déploiement et le niveau d'adoption de l'IA. Elles savent dire combien d'outils sont lancés, combien d'utilisateurs les activent, combien de cas d'usage sont recensés.

Mais elles mesurent encore beaucoup moins la qualité de ce qui sort : la fiabilité des contenus générés, le temps passé à vérifier, les erreurs reprises, la confiance accordée aux résultats.

En ce sens, la logique de Todd Loiselle, DSI du National Food Group, est assez simple : pas de projet IA sans lien avec un levier financier précis.

Ce n'est pas du scepticisme. C'est une manière de garder l'IA connectée au travail concret: ne pas confondre l'activation d'un outil avec la transformation d'un processus.

Mais cette exigence rappelle aussi une chose simple : le fait d'utiliser l'IA ne dit pas encore ce qu'elle transforme vraiment.

Il faut donc pouvoir dire quel process change vraiment, quelles décisions deviennent plus fiables, et quelle charge se réduit réellement au lieu d'être simplement déplacée.

La limite de cette lecture, c'est que le knowledge decay reste encore un cadre conceptuel. Les données sur le workslop reposent sur du déclaratif. On ne sait pas encore si cette dégradation est irréversible, ni à quelle vitesse elle s'installe selon les secteurs, les usages et les niveaux de contrôle mis en place.

Ce qui est plus sûr, en revanche, c'est que le délai se raccourcit.

Une fois l'IA déployée, les questions arrivent vite : quels gains réels, pour quel niveau de qualité, quels risques réellement maîtrisés ?

Et les DSI doivent souvent répondre avant même que les conditions de valeur soient pleinement en place.

Il reste une question que les tableaux de bord ne posent pas : saura-t-on distinguer ce qui a réellement changé dans le travail de ce qui a simplement été produit plus vite ?

Quand les jeunes salariés freinent l’IA par peur d’être remplacés

Une enquête menée en 2026 par Writer et Workplace Intelligence auprès de 2 400 salariés aux États-Unis, au Royaume-Uni et en Europe indique que 29 % d'entre eux déclarent saboter la stratégie IA de leur employeur : ignorer les consignes, refuser les formations, ou encore fausser certaines données de performance.

Chez les moins de 30 ans, ce chiffre monte à 44 %, principalement par crainte de perdre leur emploi.

Le signal est moins moral qu’organisationnel. Quand l’IA arrive d’abord comme une menace, la résistance devient une manière de se protéger.

La confiance ne vient pas après le déploiement. Elle conditionne ce qui pourra vraiment être adopté.

Source : Writer — Enterprise AI adoption in 2026

^{It’s been a while since you last heard from Inno DeepBrief. If you no longer wish to receive these emails, you can unsubscribe at any time using the link below.}