Créer un agent IA est devenu facile. Transformer une entreprise reste difficile.

On voit passer des vidéos où quelqu’un crée une application avec l’intelligence artificielle en quelques minutes. Une description du besoin, quelques instructions, un peu de code généré, et voilà : une interface fonctionne, un agent répond à des questions ou une tâche s’exécute automatiquement.

C’est un progrès réel. Ce qui demandait autrefois plusieurs jours de programmation peut parfois être prototypé beaucoup plus vite.

Mais il y a une question qu’on pose rarement à la fin de la démonstration : qu’est-ce qui arrive lundi matin, lorsque cette application doit servir à une équipe, à des clients et à une entreprise qui ne peut pas simplement s’arrêter lorsqu’elle rencontre un problème?

Créer quelque chose qui fonctionne devant une caméra et mettre en place une solution qu’une organisation utilisera pendant des années sont deux travaux différents.

Une démonstration n’est pas une mise en production

Lorsque tu développes un outil pour ton usage personnel, tu connais son fonctionnement et ses limites. S’il cesse de fonctionner, tu peux généralement le corriger, changer ta façon de travailler ou décider de l’abandonner.

Dans une PME, la situation est différente. Il y a des employés avec différents niveaux de maîtrise technologique, des clients qui attendent un service, des logiciels déjà en place, des données à protéger et des responsabilités à respecter.

Un prototype peut être réussi même s’il fonctionne dans un seul scénario. Un système utilisé au quotidien doit aussi composer avec les exceptions, les absences, les erreurs et les changements.

C’est là que se trouve la partie moins spectaculaire de l’intelligence artificielle : le travail qui commence après la démonstration.

Les études illustrent le décalage entre usage et valeur durable

Le Tech Council of Australia rapportait, en octobre 2026, qu’environ une PME australienne sur quatre utilisait l’IA, mais que seulement 5 % l’avaient adoptée largement dans leurs activités. Son étude présente un potentiel économique important, tout en soulignant les freins liés aux compétences, à la compréhension des usages, à la fiabilité et au rendement attendu.

La même année, McKinsey indiquait que 80 % des répondants à son enquête constataient une amélioration de leur productivité individuelle grâce à l’IA, tandis que 37 % attribuaient au moins une partie du résultat d’exploitation de leur entreprise à son utilisation.

Gartner, de son côté, rapportait que seulement 13 % des dirigeants technologiques interrogés estimaient que leur organisation avait déjà tiré une valeur importante ou transformationnelle de l’IA.

Ces études ne portent ni sur les mêmes entreprises ni sur les mêmes critères. On ne peut pas additionner leurs résultats ou en tirer un taux universel d’échec. Mais elles éclairent une distinction essentielle : utiliser une technologie, en tirer un bénéfice personnel et obtenir un résultat organisationnel mesurable ne sont pas la même chose.

Au Canada, la BDC constatait d’ailleurs en juin 2026 que seulement 23 % des PME atteignaient un niveau élevé ou très élevé de maturité numérique. Cet indicateur couvre l’ensemble des technologies numériques, pas seulement l’IA. Il rappelle néanmoins que la capacité d’intégrer la technologie dans les pratiques reste un chantier en soi.

Prenons un agent qui répond aux clients

Imaginons une petite entreprise qui veut automatiser une partie de son service à la clientèle.

En démonstration, l’agent reçoit un courriel et propose une réponse pertinente. Tout semble fonctionner.

Mais dès qu’on souhaite utiliser cet agent dans les opérations, de nouvelles questions apparaissent.

Comment connaît-il les bons prix et les bonnes conditions de vente? Peut-il consulter le système de gestion ou le CRM? Comment sait-il quelle version d’une politique fait autorité? Quelles informations peut-il voir? Qui approuve un remboursement? Que se passe-t-il lorsqu’un client formule une demande inhabituelle? Et qui intervient si l’agent fournit une mauvaise information?

Il faut aussi penser à la continuité du service : comment retrouver une conversation, documenter une décision, prévenir un employé, corriger une erreur et reprendre le travail lorsque l’outil est indisponible?

Autrement dit, on ne demande plus seulement à l’IA de produire du texte. On lui donne une place dans un système d’interactions entre des personnes, des logiciels et des responsabilités.

Le défi n’est pas uniquement technique. Il est opérationnel.

La partie invisible : déployer, entretenir et faire évoluer

Quand une application est terminée sur le plan visuel, le travail n’est pas nécessairement terminé pour l’entreprise.

Il faut d’abord la déployer : connecter les bons systèmes, gérer les accès, tester les données, prévoir les erreurs, documenter le fonctionnement et vérifier que l’ensemble ne compromet ni la qualité du service ni la confidentialité.

Il faut ensuite la faire vivre.

Un prix change. Un employé quitte l’entreprise. Une nouvelle version d’un logiciel modifie une interface. Le fournisseur d’IA fait évoluer son modèle. Une procédure interne est remplacée. Les coûts d’utilisation augmentent. Un cas particulier révèle un comportement inattendu.

Chaque changement peut obliger à ajuster la solution et à refaire certains tests.

Contrairement à une démonstration ponctuelle, une application utilisée par une équipe doit avoir un responsable, une façon de recevoir les signalements, du temps pour les corrections et un budget d’entretien.

Avec l’IA générative, cette vigilance est encore plus importante. Une réponse peut varier; une mise à jour du modèle peut modifier le comportement; une nouvelle source de données peut produire des réponses différentes. Une solution qui a réussi ses premiers essais mérite donc d’être réévaluée régulièrement.

La création accélérée par l’IA ne fait pas disparaître les besoins en expertise. Elle en déplace une partie vers l’architecture, l’intégration, la vérification, la sécurité, le soutien et l’exploitation.

Je le constate dans le développement de Pilostra (nouvelle fenêtre). Notre défi n’est pas simplement de programmer des fonctionnalités : c’est de concevoir une plateforme dont le contexte d’entreprise demeure vivant et à jour à mesure que l’entreprise évolue. Ses objectifs, ses décisions, ses actions et ses apprentissages doivent pouvoir être reliés et actualisés, plutôt que se disperser dans des outils ou des échanges isolés. L’ambition est que les personnes qui font progresser l’entreprise et, progressivement, les IA qu’elles choisissent puissent travailler à partir d’un contexte pertinent, fiable et accessible selon leurs permissions. Mais pour que cela fonctionne dans le temps, il faut intégrer les outils, maintenir les données et les interfaces, protéger les accès et faire évoluer l’ensemble. C’est ce travail moins visible, bien au-delà du code initial, qui donne sa valeur durable à une plateforme.

Tout construire soi-même? Pas nécessairement.

C’est ici qu’il faut éviter une autre confusion.

Si l’IA permet aujourd’hui de générer rapidement du code, cela ne signifie pas que chaque entreprise devrait développer ses propres applications.

Parfois, un logiciel existant répond déjà très bien au besoin. Dans d’autres cas, une fonction IA peut être configurée dans un outil déjà utilisé, sans développement important. Il arrive aussi qu’une intégration entre deux systèmes soit plus utile qu’une nouvelle application. Et certains besoins justifient réellement une solution sur mesure.

Il faut comparer ces options à partir du problème à résoudre, pas à partir de la fascination pour la dernière technologie.

Le choix entre développement interne et fournisseur externe change aussi la nature du travail. Une équipe interne garde davantage de contrôle, mais elle doit disposer des compétences nécessaires pour assurer le fonctionnement dans la durée. Un fournisseur peut accélérer la mise en place, mais il faut comprendre ce qu’il maintient, ce qui est inclus au contrat, comment les données sont protégées et ce qui se passe lorsqu’on veut changer de solution.

Acheter, connecter ou construire n’efface jamais la responsabilité de l’entreprise envers ses clients et ses employés.

Et les employés dans tout ça?

Une entreprise n’est pas une collection de fonctionnalités.

Quand une nouvelle solution change la façon de traiter une demande, de valider un document ou de prendre une décision, elle change aussi le travail des personnes.

Il ne suffit pas de montrer comment utiliser l’outil. Il faut expliquer ce qui doit changer, ce qui restera sous responsabilité humaine, comment reconnaître une erreur et à qui signaler un problème.

Il faut aussi écouter les hésitations. Un employé qui remet en question l’automatisation peut avoir repéré une exception importante, un risque de confidentialité ou simplement du travail supplémentaire que personne n’a prévu.

L’adoption durable exige du temps pour comprendre, pratiquer, vérifier et améliorer. On ne l’obtient pas automatiquement en distribuant des licences.

Comment passer d’une bonne idée à une solution durable?

Pour une PME, cela n’exige pas nécessairement un vaste projet informatique. La méthode doit rester proportionnée à l’importance du processus et aux risques.

Voici cinq décisions à prendre avant de généraliser une expérimentation :

1. Définir un résultat observable. Quelle tâche ou quel service doit s’améliorer? Comment se déroule le travail aujourd’hui? À quoi reconnaîtra-t-on un véritable gain de temps, de qualité ou de satisfaction?
2. Cartographier les interactions. Qui utilise la solution? Quelles données et quels logiciels faut-il consulter? Où une validation humaine demeure-t-elle nécessaire?
3. Choisir l’approche et calculer le coût complet. Acheter, configurer, intégrer ou développer? Combien coûteront les licences, les connexions, les vérifications, la formation et l’entretien?
4. Tester avec les personnes concernées. Faire un essai limité sur de vrais cas, y compris les cas difficiles. Fixer à l’avance les critères pour poursuivre, corriger ou arrêter.
5. Prévoir la vie après le lancement. Qui répond aux questions? Qui corrige les erreurs? Qui surveille les coûts, les performances et les mises à jour? Comment partage-t-on les apprentissages?

Le cadre de gestion des risques de l’IA du NIST reprend d’ailleurs une idée essentielle : comprendre le contexte, mesurer les risques et les gérer sont des activités continues, avant comme après le déploiement.

La question à poser après la prochaine démonstration

Je ne crois pas qu’il faille freiner l’expérimentation. Au contraire, l’IA nous donne aujourd’hui une capacité remarquable de tester des idées qui seraient restées sur la tablette il y a quelques années.

Mais il faut distinguer la vitesse de création de la capacité de livraison.

Le développeur d’une application personnelle peut parfois se satisfaire d’un prototype qui répond à son besoin du moment. Une organisation, elle, doit pouvoir compter sur une solution stable, compréhensible, maintenable et soutenue par les personnes qui la font fonctionner.

Dans DÉCLIC IA (nouvelle fenêtre), c’est précisément cette dimension que nous cherchons à développer : apprendre à choisir des usages concrets, à vérifier les résultats et à faire évoluer les pratiques plutôt qu’à courir après chaque nouvelle application.

La prochaine fois qu’on te montre un agent IA créé en quinze minutes, pose une question de plus : qui va le déployer, l’entretenir, le mettre à jour et en répondre dans six mois?

La réponse en dira souvent davantage sur sa valeur réelle que la démonstration elle-même.

Sources principales

• Tech Council of Australia (22 octobre 2026), Accelerating AI Impact for Small and Medium Enterprises : https://techcouncil.com.au/newsroom/tca-ai-x-sme-research-launch/
• Gartner (19 octobre 2026), 2027 CIO and Technology Executive Agenda : https://www.gartner.com/en/newsroom/press-releases/2026-10-19-gartner-survey-finds-only-13-percent-of-cios-say-their-enterprise-has-realized-significant-or-transformational-value-from-ai
• McKinsey (25 août 2026), The State of AI in 2026: On the road to ROI : https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
• BDC (juin 2026), La transformation numérique des PME à l’ère de l’intelligence artificielle : https://www.bdc.ca/fr/a-propos/analyses-recherche/transformation-numerique-des-pme-a-ere-de-intelligence-artificielle
• NIST, AI Risk Management Framework : https://airc.nist.gov/airmf-resources/airmf/5-sec-core/