Le bilan change selon la question posée. Compte-t-on les entreprises qui déclarent utiliser une technologie d’IA, les salariés qui s’en servent, les tâches modifiées ou les résultats économiques obtenus ? Ces indicateurs peuvent progresser à des rythmes différents sans se contredire.
Entre 2024 et les données disponibles au 27 octobre 2026, la diffusion de l’IA est bien documentée. Des gains sont observés dans certaines activités, mais ils ne constituent pas une transformation uniforme de toutes les entreprises. Le travail peut se réorganiser avant que les effets deviennent visibles dans les revenus, les horaires ou les effectifs.
Pour une direction ou une équipe RH, un bilan utile doit donc préciser ce qui a changé, pour qui, à quelle date et avec quelle preuve. Cet article propose une lecture de la période arrêtée au 27 octobre 2026, et non un bilan définitif de l’année entière.
Une diffusion mesurable, avec un an de décalage dans les données
L’Insee Première publié le 21 juillet 2026 indique que 18 % des entreprises du champ étudié déclarent utiliser au moins une technologie d’IA en 2025, contre 10 % en 2024. Le champ couvre les entreprises de dix salariés ou plus des secteurs principalement marchands, hors agriculture, finance et assurance.
Ce résultat porte sur l’IA au sens large, pas uniquement sur les assistants génératifs. Il mesure des entreprises utilisatrices, pas la part de leurs salariés qui recourent personnellement à un outil. Les usages sont également très différents selon la taille : 15 % pour les entreprises de 10 à 49 salariés, contre 58 % pour celles de 250 salariés ou plus.
La progression est donc réelle dans ce périmètre. Elle ne permet pas de dire que 18 % de tous les salariés français utilisent l’IA, ni de donner un taux national d’usage pour 2026. La date de publication et l’année observée doivent rester visibles.
Cette précaution change le débat. Une direction qui compare son entreprise à un taux national doit d’abord vérifier qu’elle compare des organisations et des usages comparables.
La production assistée est devenue un objet concret d’évaluation
Une partie du changement concerne la préparation de textes, de réponses, d’analyses et de code. L’enjeu n’est plus seulement de montrer qu’un système peut produire un résultat plausible. Il est de vérifier ce que cette assistance apporte à une activité complète.
Dans Generative AI at Work, publié en ligne en février 2025 dans le Quarterly Journal of Economics, Erik Brynjolfsson, Danielle Li et Lindsey Raymond étudient le déploiement progressif d’un assistant auprès de 5 172 agents de service client. Ils estiment une hausse moyenne de 15 % des problèmes résolus par heure, avec des effets hétérogènes selon les agents.
L’étude concerne une entreprise et un assistant intégré à son activité. Elle ne fournit pas un taux de gain applicable à tous les métiers ni une estimation de l’emploi total. Sa valeur pour le bilan tient aussi à l’indicateur choisi : des problèmes résolus, plutôt qu’un volume de texte produit.
On dispose ainsi de preuves de bénéfices situés. Leur existence ne dispense pas chaque organisation d’examiner son propre contexte, ses critères de qualité et le travail nécessaire pour atteindre un résultat utilisable.
Le travail qui reste ne ressemble pas toujours au travail supprimé
Un premier brouillon peut être plus facile à obtenir. En revanche, il faut encore déterminer si ses informations sont exactes, si ses hypothèses conviennent et si son destinataire peut l’utiliser.
Dans une activité donnée, l’assistance peut donc déplacer l’effort : moins de formulation initiale, davantage de sélection, de contextualisation ou de vérification. Le déplacement n’est ni automatiquement un progrès ni automatiquement une surcharge. Il doit être observé.
Un responsable peut notamment se demander ce qui a disparu du travail, ce qui s’est ajouté et qui prend désormais ces activités en charge. Le bilan devient plus précis lorsque les tâches de contrôle et de reprise apparaissent à côté des tâches accélérées.
Cette lecture évite de confondre la facilité d’une étape avec la simplicité de l’ensemble. Un document obtenu rapidement peut rester difficile à valider. À l’inverse, une assistance bien intégrée peut faciliter l’accès à une information qui bloquait auparavant toute la chaîne.
Un exemple fictif : la préparation d’une intervention de maintenance
Imaginons une entreprise qui prépare des interventions chez ses clients. Les coordinateurs rassemblent une demande, l’historique disponible et les informations destinées aux techniciens.
Avec une assistance autorisée, ils peuvent préparer plus facilement une synthèse initiale. Le changement est visible sur leur écran : les informations sont organisées et le dossier semble prêt.
Mais le technicien doit savoir si la synthèse distingue un fait constaté d’une hypothèse. Une référence de pièce doit être confirmée. Une information absente ne doit pas devenir une précision inventée. La qualité du passage entre les personnes compte autant que celle de la rédaction.
Le bilan de cette entreprise pourrait alors présenter plusieurs résultats : une préparation facilitée, un besoin de contrôle nouveau et une transmission encore inégale. Il pourrait aussi constater qu’une équipe a amélioré sa documentation tandis qu’une autre se contente de générer davantage de versions.
Ce scénario ne décrit aucun client Learning Coach. Il montre pourquoi un bilan du travail gagne à suivre le dossier jusqu’à son usage, en interrogeant les personnes qui le préparent et celles qui le reçoivent.
Des tâches transformées sans effet moyen immédiat sur tous les indicateurs
La recherche danoise d’Anders Humlum et Emilie Vestergaard apporte un autre éclairage. Dans la version du 13 mars 2026 de Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI, les auteurs relient des enquêtes d’adoption à des données administratives du marché du travail.
Leurs estimations en différence-de-différences ne détectent pas d’effet moyen sur les revenus et les heures enregistrées à l’horizon de deux ans après le lancement de ChatGPT. Ils décrivent néanmoins une réorganisation des tâches, notamment autour de la production de contenus, du contrôle de l’IA et de son intégration.
Ce working paper, auparavant diffusé sous un autre titre, porte sur le Danemark et une phase précoce. Il ne démontre ni l’absence de changements individuels ni l’absence d’effets futurs. Il ne constitue pas non plus une estimation pour la France.
Il aide à comprendre une coexistence possible : le contenu du travail bouge alors que certains indicateurs moyens évoluent peu. Pour un bilan d’entreprise, les deux observations méritent d’être conservées au lieu de choisir celle qui soutient le récit préféré.
Ce que l’on ne peut pas déduire d’un bilan 2024–2026
Un taux d’adoption ne mesure pas la rentabilité. Une étude sur un métier ne décrit pas tous les métiers. Une estimation moyenne ne garantit pas que chaque personne connaît la même évolution.
Il faut également distinguer une évolution observée après l’introduction d’un outil de ce qui lui est attribuable. Pendant la même période, une entreprise peut changer de clientèle, de procédure, de management ou d’effectifs. Une comparaison avant-après ne sépare pas nécessairement ces influences.
Enfin, des objectifs annoncés pour les prochaines années ne sont pas des résultats déjà obtenus. Ils peuvent éclairer une stratégie, mais doivent apparaître comme des attentes ou des scénarios.
Un bilan honnête peut donc contenir des cases encore vides. « Nous ne savons pas encore » devient une information utile lorsqu’on précise la preuve manquante et la décision qu’elle doit éclairer.
Quatre niveaux pour lire le changement dans votre organisation
La perspective Learning Coach consiste à examiner le passage de l’usage individuel à une capacité collective. Nous proposons quatre niveaux de lecture. Il s’agit d’un cadre de discussion, pas d’une échelle scientifique validée.
| Niveau | Question du bilan | Élément à examiner |
|---|---|---|
| Diffusion | Quels usages existent réellement ? | Périmètre, utilisateurs concernés et conditions d’accès |
| Tâches | Qu’est-ce qui a été facilité, ajouté ou déplacé ? | Activité complète, contrôles et reprises compris |
| Organisation | Les transmissions et les décisions ont-elles changé ? | Rôles, coordination, documentation et difficultés |
| Capacité collective | Que savons-nous désormais mieux faire ensemble ? | Savoirs partagés, adaptation et traitement des exceptions |
Ces niveaux se complètent. Une entreprise peut avoir diffusé un outil tout en conservant les mêmes difficultés de transmission. Une équipe peut, à l’inverse, utiliser peu de fonctions et améliorer une activité importante.
Le bilan doit rendre ces différences visibles. Il permet ensuite de décider où poursuivre, où modifier le dispositif et où les preuves restent insuffisantes.
L’IA transforme-t-elle le métier ou les habitudes de bureau ?
Changer sa manière de préparer un courriel constitue un changement réel. Cela ne suffit pourtant pas à établir qu’un métier a changé de périmètre. Pour examiner la différence, nous proposons trois questions complémentaires, sans seuil universel ni classement automatique.
Quelles situations la personne peut-elle désormais prendre en charge ? Si elle prépare les mêmes dossiers pour les mêmes destinataires, avec les mêmes critères de réussite, son mode opératoire a évolué. Si elle traite de nouvelles situations, auparavant confiées à un autre rôle ou laissées sans réponse, il faut examiner ce déplacement du périmètre professionnel.
Quelle responsabilité exerce-t-elle ? Produire une synthèse, en vérifier la fiabilité et décider de l’intervention qui en découle sont des activités différentes. Un nouveau logiciel ne transfère pas, à lui seul, l’autorité nécessaire pour arbitrer. Le bilan doit préciser qui peut engager une décision, qui peut la contester et qui reçoit les situations incertaines.
Avec qui doit-elle coopérer ? Dans notre scénario fictif, le coordinateur peut simplement remplacer sa méthode de rédaction. Mais si la synthèse générée devient le dossier commun de préparation, les techniciens doivent pouvoir corriger les informations et faire remonter les exceptions. La transformation touche alors une relation de travail, au-delà du seul poste équipé.
Ces questions ne rendent pas les habitudes secondaires. Une nouvelle routine peut améliorer une activité importante sans modifier l’intitulé du métier. À l’inverse, conserver la même fiche de poste peut masquer une responsabilité de contrôle ajoutée sans temps ni soutien.
Pour préparer un bilan, demandez donc un exemple documenté de situation traitée autrement, puis décrivez les responsabilités et les échanges autour de cette situation. Vous pourrez parler précisément d’un changement de pratique, d’une réorganisation locale ou d’une évolution du rôle. Ces expressions sont plus utiles qu’un verdict général de « métier transformé » fondé sur la seule présence d’un assistant.
L’apprentissage mérite sa propre place dans le bilan
Le nombre de personnes sensibilisées renseigne sur une activité de formation. Il ne dit pas encore comment les équipes utilisent ce qu’elles ont appris.
Dans notre entreprise de maintenance fictive, les coordinateurs savent-ils repérer une synthèse ambiguë ? Les techniciens peuvent-ils signaler une information manquante ? Un nouveau collègue trouve-t-il une documentation exploitable ou seulement les réponses générées pour les dossiers précédents ?
Notre article sur le transfert des apprentissages au travail invite à examiner ce passage entre une séance et une situation réelle. Appliqué au bilan IA, cela conduit à documenter une capacité dans ses conditions d’exercice.
Il faut aussi écouter les réserves. Notre réflexion sur l’engagement des adultes dans une formation imposée rappelle l’importance de distinguer les obstacles. Un usage limité peut signaler un besoin de compétence, mais aussi un manque d’accès, une règle contradictoire ou une utilité encore incertaine.
Le bilan devient alors une occasion d’apprendre sur l’organisation, au lieu de classer trop vite les collaborateurs entre enthousiastes et réticents.
Préparer une discussion utile avec les équipes
Pour un séminaire de bilan, choisissez quelques activités représentatives et rassemblez des éléments que les participants peuvent réellement examiner. Décrivez le travail avant et après, les ressources mobilisées, les difficultés et les limites de comparaison.
Les groupes peuvent ensuite distinguer un changement établi, une interprétation plausible et une question encore ouverte. Cette séparation rend la discussion plus exigeante qu’un vote général sur les avantages de l’IA.
Une keynote peut présenter les résultats de recherche et leurs périmètres. Un travail participatif peut aider à confronter ces repères aux activités de l’entreprise. L’événement ouvre une réflexion ; il ne remplace pas une évaluation interne ni les décisions des responsables.
Vous souhaitez mettre ce bilan en débat avec vos dirigeants, vos managers ou vos équipes RH ? Découvrez les conférences Learning Coach et demandez une proposition adaptée à votre événement.
La question à conserver après la discussion pourrait être celle-ci : depuis que l’IA est entrée dans notre travail, quelle capacité collective pouvons-nous montrer, et quelle transformation avons-nous surtout annoncée ?
Ressources
Clément Lefebvre, Insee, Les technologies de l’information et de la communication dans les entreprises en 2025, Insee Première n° 2120, 21 juillet 2026. Données d’entreprises, champ et années à respecter.
Erik Brynjolfsson, Danielle Li et Lindsey Raymond, Generative AI at Work, Quarterly Journal of Economics, publication en ligne le 4 février 2025, numéro de mai 2025. Étude située dans le service client.
Anders Humlum et Emilie Vestergaard, Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI, working paper, version du 13 mars 2026. Danemark ; ancien titre : Large Language Models, Small Labor Market Effects. Sources consultées le 27 octobre 2026.
