Adoption de l’IA en entreprise : le retard européen
Pourquoi les entreprises européennes adoptent-elles moins l’IA que leurs homologues américaines ? Chiffres, freins et pistes concrètes pour passer à l’échelle.
Le retard européen sur l'IA se joue dans les organisations, pas dans les algorithmes
L'Europe manque-t-elle de technologies d'intelligence artificielle, ou de la capacité à les intégrer dans le travail quotidien ? Les chiffres récents penchent plutôt pour la seconde option. Selon une analyse de la Réserve fédérale de Saint-Louis citée par Sifted, 32 % des salariés européens utilisaient l'IA au début de 2026, contre 43 % aux États-Unis. L'écart existe bel et bien - mais il n'explique pas, à lui seul, pourquoi tant d'entreprises restent coincées au stade des essais.
Le vrai moment décisif arrive quand on passe d'une démonstration à un outil fiable, utilisé par des équipes, puis branché sur des processus qui tournent déjà. Là, il faut gérer la qualité des données, la sécurité, les coûts, la formation et, surtout, la confiance dans les résultats. En clair : l'IA ne se "déploie" pas juste parce que la direction a validé un projet.
Ce papier fait le point sur les chiffres disponibles, les raisons fréquentes du blocage et les secteurs qui progressent déjà. Il propose aussi une méthode concrète pour passer du pilote à un usage utile - sans confondre vitesse d'adoption et création de valeur.
Un écart d'adoption qui révèle un problème d'organisation
L'analyse de Sifted défend une idée assez simple : l'Europe n'est pas d'abord limitée par l'accès à la technologie. Le problème, c'est plutôt l'intégration dans les organisations. Les blocages reviennent souvent sur les compétences, le management, la confiance dans les résultats et le coût d'adaptation des outils aux métiers.
Les données donnent une mesure de l'écart. Début 2026, 43 % des salariés américains utilisaient l'IA dans leur travail, contre 32 % en Europe. La même analyse indique aussi que les travailleurs américains consacraient à l'IA plus de trois fois plus d'heures que leurs homologues d'Allemagne, de France et d'Italie. Dit autrement : ce n'est pas seulement "avoir testé un assistant". C'est la fréquence et la profondeur d'usage qui comptent.
Côté entreprises, les données d'Eurostat citées par le rapport montrent que 20 % des entreprises de l'Union européenne utilisent l'IA, contre 13,5 % un an plus tôt. La progression est réelle, mais la moyenne cache de gros contrastes : le Danemark atteint 42 %, contre 5,2 % en Roumanie. Bref, "adopter l'IA" recouvre des réalités très différentes selon la taille, les compétences disponibles et les secteurs.
Utiliser un outil n'est pas transformer une activité
Une entreprise peut autoriser l'usage de l'IA sans changer ses processus. Un salarié peut s'en servir pour reformuler un courriel ou résumer un document, pendant que l'organisation continue à traiter les demandes, à contrôler les données et à prendre les décisions comme avant.
Ce type de premier usage peut aider. Mais il ne suffit pas, à lui seul, à dire que l'IA est intégrée au fonctionnement de l'entreprise. Rupal Karia, dirigeante de Celonis, résume bien la différence : expérimenter ponctuellement avec ChatGPT n'est pas la même chose que faire fonctionner l'entreprise "avec l'IA". Le nœud, c'est la façon dont le travail est repensé autour de l'outil.
Le rapport cite aussi une étude de McKinsey : 88 % des organisations utilisent l'IA quelque part, mais seulement 7 % l'ont déployée à grande échelle. Ces chiffres ne se comparent pas directement avec ceux d'Eurostat (définitions, périmètres et échantillons diffèrent). Cela dit, le signal général tient : les essais sont beaucoup plus fréquents que les transformations durables.
La productivité ne garantit pas une hausse du chiffre d'affaires
Autre décalage relevé : selon une étude de Whito mentionnée par Sifted, 75 % des entreprises utilisant l'IA constatent des gains de productivité, mais seules 12 % observent une hausse des revenus. Ce n'est pas forcément un échec. Réduire un délai de traitement, améliorer la qualité ou limiter une tâche répétitive peut créer de la valeur sans se traduire immédiatement en ventes.
Mais encore faut-il préciser l'objectif avant de démarrer. Cherche-t-on à traiter plus de demandes avec la même équipe ? À réduire les erreurs ? À améliorer le service ? À lancer une nouvelle offre ? Sans réponse claire, une équipe peut réussir une démo qui "impressionne" sans savoir si elle améliore réellement le résultat qui compte pour l'entreprise.
La question utile n'est donc pas seulement : « avons-nous un projet d'IA ? ». C'est : quel indicateur métier doit s'améliorer, pour qui, et à quel coût total ?
Pourquoi les projets d'IA restent bloqués au stade pilote
Dans le rapport, les dirigeants cités évoquent plusieurs freins : des réponses parfois peu fiables, des risques de cybersécurité, et des coûts d'exploitation difficiles à anticiper. Il y a aussi des obstacles moins visibles, mais souvent décisifs : l'absence de données propres, l'intégration aux logiciels existants, et le manque de temps pour accompagner les équipes.
En pilote, on travaille souvent dans un cadre maîtrisé : un jeu de données limité, un utilisateur motivé, un scénario bien défini. Le déploiement réel, lui, doit gérer des exceptions, des droits d'accès, des documents incomplets, des réponses erronées et des usages qui ne ressemblent pas exactement à ce qui avait été prévu. C'est à ce moment que les coûts de contrôle et de maintenance deviennent concrets.
Le coût réel dépasse le prix de l'abonnement
On sous-estime souvent le coût en regardant uniquement la licence ou le prix des appels à un modèle. Or il faut compter aussi :
- la préparation et la mise à jour des données ;
- l'intégration avec les outils métiers et la gestion des identités ;
- le contrôle humain des résultats et le traitement des erreurs ;
- la sécurité, la conformité et la journalisation des usages ;
- la formation, le support et le temps nécessaire pour faire évoluer le système.
Un outil peut sembler "pas cher" techniquement et rester coûteux à exploiter si chaque réponse doit être vérifiée manuellement. À l'inverse, une solution plus spécialisée peut devenir rentable si elle s'intègre bien dans un processus fréquent et supprime vraiment du travail répétitif.
Le bon calcul, c'est le coût par tâche correctement achevée, pas le coût d'une réponse générée. Cette nuance évite de confondre volume d'utilisation et valeur produite.
La confiance se construit dans le processus
La fiabilité n'est pas juste une caractéristique du modèle. Elle dépend du type de tâche, de la qualité des informations fournies et des conséquences d'une erreur. Un brouillon peut être revérifié vite. Une recommandation qui impacte un crédit, un recrutement ou un diagnostic exige des contrôles beaucoup plus stricts.
Pour chaque cas d'usage, l'entreprise doit définir ce que l'IA peut faire seule, ce qu'elle peut proposer, et ce qui doit rester soumis à une validation humaine. Elle doit aussi prévoir une marche arrière : comment repérer une dégradation, interrompre un automatisme, corriger une décision erronée ? Sans garde-fous, le risque ne disparaît pas - il se déplace vers les équipes qui devront réparer après coup.
La réglementation européenne fait partie du sujet, mais elle ne doit pas devenir un "prétexte" automatique. Le cadre européen impose des obligations selon les systèmes et les usages concernés. L'idéal reste d'identifier tôt les risques, les données traitées et les responsabilités, plutôt que de découvrir ces sujets après le lancement. La présentation du cadre réglementaire européen sur l'IA constitue un bon point de départ.
Les salariés ne sont pas un détail de conduite du changement
La peur de perdre son emploi peut ralentir l'adoption, note la professeure Lynda Gratton (London Business School). Si les équipes pensent que l'outil menace leur poste, elles s'investiront moins dans le déploiement et remonteront moins facilement les défauts. Au final, la dimension sociale influe directement sur la qualité des retours et sur la manière dont l'IA est vraiment utilisée.
Il faut aussi éviter l'effet inverse : automatiser trop vite sans garder les compétences nécessaires pour comprendre et contrôler le travail. Sergei Guriev insiste sur ce risque : une adoption qui affaiblit la capacité des personnes à raisonner par elles-mêmes peut rendre l'entreprise moins capable de détecter une réponse absurde.
La formation ne se limite donc pas à apprendre à écrire de meilleures consignes. Elle doit aussi couvrir les limites des outils, les règles de confidentialité, et la façon de vérifier les résultats. Le rapport rappelle aussi que les effets sur la productivité peuvent prendre du temps à apparaître : l'économiste Elsie Peng, citée dans l'article, estime que le PC a mis environ quinze ans à se refléter dans les données de productivité. Un délai d'adoption n'est pas, en soi, la preuve que la technologie est inutile.
Les usages qui apportent déjà une valeur mesurable
Les secteurs n'avancent pas au même rythme. Le droit et la banque figurent parmi les domaines où l'adoption est la plus rapide. Le rapport indique que plus de 85 % des banques supervisées par la Banque centrale européenne utilisent désormais l'IA. Cela ne veut pas dire que tout le monde automatise les mêmes activités, ni que tous déploient de l'IA générative à grande échelle. En revanche, ça suggère que l'IA est déjà entrée dans les opérations de nombreux établissements.
Un exemple cité concerne la jeune pousse belge Oper. Elle a développé un agent d'IA pour vérifier des documents de dossiers de crédit immobilier chez Creafin. L'agent s'appelle Herman Verdoodt, technicien crédit chez Creafin. Le choix n'est pas anodin : selon lui, l'équipe passe beaucoup plus de temps à corriger les données qu'à rédiger les prêts.
C'est un cas plus parlant qu'une démo spectaculaire. Le problème est concret, récurrent et coûteux en temps. L'outil vise une étape précise au lieu de prétendre automatiser toute l'activité de crédit. La valeur dépendra ensuite de sa capacité à repérer les anomalies sans en créer de nouvelles, et de sa capacité à s'insérer dans le travail des analystes.
Pourquoi les usines avancent plus lentement
Dans l'industrie, le coût d'une interruption peut être élevé. Dan Hobbs, dirigeant de Protex AI (Irlande), souligne qu'une usine ne peut pas toujours s'arrêter plusieurs jours pour reconfigurer ses systèmes. Les équipements sont hétérogènes, les logiciels parfois anciens, et les données issues du terrain ne sont pas toujours prêtes à alimenter un nouveau dispositif.
Cela ne veut pas dire que l'industrie serait moins compatible avec l'IA. Simplement, le chemin d'intégration n'est pas le même. Une solution qui exige une refonte complète peut être techniquement impressionnante, mais inacceptable au plan opérationnel. En pratique, il faut privilégier des déploiements progressifs, compatibles avec les contraintes de production, et tester en environnement réel avant d'étendre.
Partir d'un processus, pas d'un catalogue d'outils
Le directeur technique britannique Paul Maker décrit une situation fréquente : on distribue un marteau, puis on cherche des clous. Autrement dit, on commence par choisir un outil, puis on tente de lui trouver un problème.
Une démarche plus solide fait l'inverse :
- Repérer une tâche répétitive ou un point de friction mesurable. Par exemple, une vérification documentaire qui mobilise régulièrement les mêmes compétences.
- Décrire le processus actuel. Qui intervient, avec quelles données, quels délais, quelles exceptions ?
- Définir le résultat attendu. Réduire le délai, diminuer les erreurs ou libérer du temps pour une activité plus utile.
- Tester l'IA sur un périmètre limité. Garder des utilisateurs concernés et un contrôle humain adapté au risque.
- Comparer au fonctionnement de départ. En incluant les coûts de contrôle, d'intégration et de support.
- Décider : arrêter, corriger ou étendre. Un pilote qui ne prouve pas sa valeur reste utile pour apprendre - pas pour justifier un maintien "à l'infini".
Cette méthode n'est pas réservée aux grands groupes. Une PME peut l'appliquer à un processus plus simple, à condition d'adapter à ses moyens et à la sensibilité des données.
Construire une voie européenne, sans copier le modèle américain
L'Europe n'est pas dans la même position que les États-Unis pour la course aux modèles. Le rapport indique que plus de 75 % de la puissance de calcul avancée liée à l'IA se trouve aux États-Unis, contre moins de 4 % en Europe. Si ce ratio est exact, reproduire à l'identique les investissements américains dans les infrastructures et les modèles généralistes n'a rien de réaliste.
Cela ne veut pas dire que l'Europe doit renoncer à innover. Ça veut plutôt dire qu'elle peut miser sur d'autres leviers : intégrer l'IA aux métiers, s'appuyer sur la connaissance des secteurs, améliorer la qualité des services et renforcer la confiance dans le traitement des données.
Placer des ingénieurs au contact des entreprises
Le rapport met en avant des jeunes pousses qui déploient des ingénieurs directement chez leurs clients, avec une approche proche de celle de Palantir. L'idée est assez pragmatique : comprendre le fonctionnement réel, connecter les systèmes existants, puis adapter la solution aux contraintes du terrain.
Ce modèle peut réduire le décalage entre un produit générique et un besoin spécifique. Il a toutefois un coût : les équipes peuvent devenir dépendantes de missions de conseil difficiles à industrialiser. Pour que cela tienne dans le temps, il faut transformer les apprentissages de chaque projet en composants réutilisables, en méthodes d'intégration, ou en produits plus standardisés.
Racheter des entreprises pour les reconstruire autour de l'IA
Autre piste : la consolidation, parfois appelée « roll-up ». Des entreprises comme Dwelly rachètent des activités plus traditionnelles pour les reconstruire autour de processus fortement assistés par l'IA.
L'objectif n'est pas seulement de vendre un logiciel à une entreprise qui devra changer seule. L'acquéreur reprend l'activité et peut modifier les opérations de l'intérieur. Le potentiel est réel, mais le modèle comporte des risques : qualité des données, continuité du service, dette technique, et difficulté d'harmoniser des entreprises différentes. Et l'IA ne "répare" pas automatiquement une organisation mal conçue. Elle peut aussi accélérer ses dysfonctionnements.
Miser sur la confidentialité et la résilience
Le rapport évoque aussi des entreprises européennes qui veulent rester indépendantes. La jeune pousse britannique Synthesia aurait, d'après l'article, refusé une offre d'Adobe de 3 milliards de dollars l'année précédente. C'est un choix stratégique - mais ce n'est évidemment pas une recette copiable pour toutes les jeunes pousses.
Pour les entreprises clientes, une approche européenne peut s'appuyer davantage sur le contrôle, la confidentialité et la résilience que sur le prix. Le vice-doyen Gary Dushnitsky estime que ces éléments pourraient devenir une partie de la valeur proposée par les entreprises européennes. Dans un contexte où les données professionnelles sont sensibles et où les dépendances technologiques sont stratégiques, la différence a un sens concret.
La réglementation peut aider à installer cette confiance, à condition d'être compréhensible et appliquée de façon cohérente. De bonnes règles n'empêchent pas d'expérimenter : elles aident les organisations à savoir ce qui est acceptable, quelles protections prévoir, et qui porte les responsabilités. Pour l'entreprise, l'objectif n'est ni d'éviter tout risque, ni d'ignorer les obligations. C'est de rendre l'essai possible dans un cadre maîtrisé.
Conclusion : traiter l'adoption comme un chantier opérationnel
Les chiffres montrent un écart entre l'Europe et les États-Unis, mais l'explication n'est pas seulement une question de modèles ou d'infrastructures. Le point de blocage se trouve le plus souvent dans les organisations : processus insuffisamment préparés, compétences manquantes, risques mal définis, gains difficiles à mesurer.
La bonne réponse n'est pas d'ajouter un outil d'IA dans chaque équipe. Il s'agit de choisir un problème concret, de comprendre le processus avant d'automatiser, puis de vérifier si l'outil améliore le résultat sans déplacer les coûts ou les risques ailleurs. Et il faut embarquer les personnes qui feront le travail au quotidien : ce sont elles qui voient les cas limites que le pilote ne montre pas.
Pour votre prochain projet, commencez par une question simple : quelle tâche précise voulez-vous améliorer, et comment saurez-vous que le changement fonctionne ? Si vous ne pouvez pas répondre clairement, ce n'est probablement pas un modèle plus puissant qu'il faut acheter en premier - mais une meilleure définition du problème.