EGGS Rapport de renseignement

Pourquoi les grandes organisations sont confrontées au problème d'IA le plus difficile.

Il existe un paradoxe dans l’adoption de l’intelligence artificielle dans les grandes organisations espagnoles : celles qui ont le plus investi dans la transformation numérique au cours des dix dernières années sont souvent celles qui ont le plus de difficulté à intégrer l’IA de manière à générer une réelle valeur.

Ce n’est pas un paradoxe accidentel. Il y a une cause structurelle.

La complexité qui existait déjà

86 % des managers interrogés dans une récente étude mondiale de la Harvard Business Review affirment que la complexité organisationnelle de leur entreprise s'est accrue au point de ralentir la croissance. 70 % des transformations numériques n’atteignent pas leurs objectifs – un fait confirmé par le BCG à travers plusieurs cycles de recherche.

Ces chiffres ne datent pas de 2020. Ils datent de 2024 et 2025. Des années au cours desquelles les organisations se transforment numériquement depuis une décennie.

Ce que suggèrent les données, c’est que, dans de nombreux cas, la transformation numérique n’a pas réduit la complexité organisationnelle, mais l’a amplifiée. Il comporte des couches supplémentaires de systèmes, de processus, d’équipements spécialisés et de dépendances entre les zones. Et lorsque cette organisation complexe tente désormais d’intégrer l’IA, elle n’ajoute pas de technologie sur une table rase. Vous l’ajoutez à une infrastructure qui a déjà ses propres frictions, ses propres incitations mal alignées, sa propre résistance au changement.

L’IA ne simplifie pas les organisations complexes. Il les expose.

Le fossé de l’adoption

Les données sur l’adoption réelle de l’IA sur le lieu de travail sont révélatrices. Dans les pays nordiques – les plus numérisés d’Europe – seuls 19 % des travailleurs utilisent régulièrement l’IA générative. En Espagne, le contexte est comparable voire plus conservateur.

Et pourtant, 82 % des managers européens déclarent avoir déployé l’IA générative ou projeter de le faire cette année.

Cette distance entre ce qui est déployé et ce qui est utilisé est le vrai problème. Ce n'est pas un problème technologique, c'est un problème d'adoption. Et l’adoption n’échoue pas par manque d’outils : elle échoue parce que les outils n’ont pas été intégrés dans les flux de travail réels des personnes, parce que le changement n’a pas été géré avec suffisamment d’attention au facteur humain, ou parce que les incitations organisationnelles n’alignent pas les équipes sur l’utilisation de la nouvelle technologie.

Un système d’IA que personne n’utilise coûte plus cher qu’aucun système d’IA. Payez l’investissement technologique sans recevoir de retour. Et cela crée un scepticisme au sein de l’organisation quant à la valeur réelle de l’IA – un scepticisme qui est alors très difficile à renverser.

Ce que les organisations qui le font bien ont en commun

Dans les projets sur lesquels nous travaillons depuis des années – dans le secteur bancaire, dans l’énergie, dans le secteur public, dans l’industrie – nous avons identifié certains modèles dans les organisations qui parviennent à intégrer l’IA de manière à générer une réelle valeur et une adoption durable.

_Ils commencent par le problème, pas par la technologie. _Les organisations qui intègrent avec succès l'IA ne partent pas de "nous voulons utiliser l'IA" - elles partent de "nous avons ce problème spécifique dans ce processus spécifique, et nous voulons comprendre si l'IA peut aider à le résoudre mieux que ce que nous avons actuellement." Cette différence de point de départ change tout.

Ils conçoivent l'expérience des personnes qui vont l'utiliser. Un modèle d'IA qui améliore l'efficacité d'un processus ne génère de la valeur que si les personnes qui travaillent avec ce processus l'utilisent bien. Cela nécessite des recherches auprès des véritables utilisateurs du système – et pas seulement des décideurs qui l’approuvent – ​​et une conception d’expérience qui rende le changement compréhensible et gérable.

_Ils traitent l'IA responsable comme une exigence de conception, et non comme un avis juridique. _Les organisations opérant dans des secteurs réglementés – banque, assurance, secteur public – subissent une pression supplémentaire : la loi européenne sur l'IA établit des obligations concrètes de transparence, d'explicabilité et de contrôle humain pour les systèmes d'IA à haut risque. Ceux qui traitent ce cadre comme un obstacle le gèrent mal et arrivent en retard. Ceux qui l’intègrent dès le début dans la conception disposent de systèmes que leurs utilisateurs comprennent et que leurs régulateurs acceptent.

_Ils mesurent l'adoption, pas seulement le déploiement. _Le KPI qui compte n'est pas le nombre de systèmes d'IA lancés, mais plutôt le nombre de personnes qui les utilisent activement et leur impact sur les résultats de l'entreprise. Cette mesure demande du temps et de la rigueur, mais c’est la seule qui distingue la transformation réelle de l’apparence de transformation.

Le rôle du design dans tout cela

Il y a une phrase tirée d’un entretien approfondi avec un dirigeant d’entreprise que nous avons cité dans notre processus de recherche interne. Parlant de ses équipes de conception, il a déclaré : "Chaque fois que les designers mentionnent Figma, ils se dégradent."

La phrase est dure. Et il y a une part de vérité.

Le design dans le contexte de l’intégration de l’IA dans des organisations complexes ne peut pas être simplement un processus de création d’interfaces. Il doit s’agir d’une pratique consistant à comprendre le problème organisationnel, à aligner les incitations et à gérer le changement humain. Si le designer arrive alors que la solution est déjà décidée et qu’il ne lui reste plus qu’à lui donner forme, il est en retard.

Les projets d’IA qui fonctionnent sont ceux qui incluent la conception – et la recherche avec de vrais utilisateurs – dans la phase où les décisions importantes sont encore prises : quel problème résoudre, avec quelle approche, avec quelle logique d’adoption.

C’est ce que nous entendons par conception stratégique dans le contexte de l’intelligence artificielle. Et c’est la tâche la plus difficile – et la plus nécessaire – qui nous attend.