Un dirigeant qui lit la presse spécialisée depuis un an peut croire deux choses contradictoires à la fois : que l’intelligence artificielle progresse à une vitesse qui rend toute décision urgente, et que dans son entreprise, rien n’a vraiment changé. Les deux sont vraies. C’est précisément l’écart entre les deux que l’édition 2026 de l’AI Index, publiée par le Stanford Institute for Human-Centered AI, permet de mesurer (Stanford HAI, AI Index 2026). Cet écart ne se comble pas avec un outil de plus : il se comble par l’acculturation à l’IA.
Notre lecture tient en une phrase : ce qui manque n’est plus la technologie, c’est l’acculturation à l’IA — savoir ce que l’outil fait, ce qu’il ne fait pas, qui décide quand il se trompe. Le premier obstacle cité par les dirigeants n’est ni le prix, ni la réglementation : c’est le manque de connaissances.
Les capacités ne sont plus le facteur limitant
Le rapport documente une année d’accélération technique. Sur SWE-bench Verified, une épreuve qui demande de corriger de vrais bogues dans de vrais dépôts de code, la performance des meilleurs modèles est passée d’environ 60 % à près de 100 % du niveau humain de référence entre 2024 et 2025 (AI Index 2026, p. 75). La nuance mérite d’être gardée : il s’agit d’un rapport au niveau humain, pas d’un score absolu — sur l’épreuve elle-même, les meilleurs modèles plafonnent autour de soixante-dix à soixante-quinze pour cent.
Cette progression vient presque entièrement du secteur privé : 91,2 % des modèles notables recensés en 2025 sont produits par l’industrie, contre une poignée par le monde académique (AI Index 2026, p. 19). Pour une entreprise, la conséquence est simple. Attendre que la technologie soit mûre n’est plus une stratégie d’attente raisonnable : elle l’est déjà pour un grand nombre de tâches, et ce n’est pas là que se joue la différence entre deux entreprises du même secteur.
La même accélération se lit du côté des agents, ces systèmes qui enchaînent des actions dans un logiciel plutôt que de répondre à une question. Sur OSWorld, une épreuve qui consiste à accomplir de vraies tâches dans un environnement de bureau, le taux de réussite est passé d’environ 12 % à 66,3 %, à six points de la référence humaine mesurée à 72,35 % (AI Index 2026, p. 73 et 113). Un tiers d’échecs reste un tiers d’échecs ; mais la trajectoire, en un an, ne laisse pas beaucoup de place à l’argument du « pas encore mûr ».
Tout le monde dit avoir adopté l’IA
Les chiffres d’adoption sont spectaculaires, et c’est là qu’il faut lire lentement. 88 % des organisations interrogées déclarent utiliser l’IA dans au moins une fonction, contre 78 % l’année précédente ; 79 % déclarent un usage de l’IA générative (AI Index 2026, p. 193). Ces chiffres viennent d’une enquête déclarative menée par McKinsey auprès de 1 993 répondants dans 105 pays. Ils disent ce que des dirigeants répondent à un questionnaire, pas ce que font leurs équipes. Le rapport lui-même qualifie ces résultats d’indicatifs plutôt que d’exhaustifs.
Du côté du grand public, la diffusion est réelle et rapide : l’IA générative a atteint 53 % d’adoption dans la population en trois ans, plus vite que l’ordinateur personnel ou l’internet à leurs débuts (AI Index 2026, p. 11). La France se situe même au cinquième rang des trente premières économies, avec 44,0 % d’utilisateurs au second semestre 2025 — devant le Royaume-Uni, l’Allemagne, et loin devant les États-Unis, vingt-quatrièmes à 28,3 % (AI Index 2026, p. 201).
Autrement dit : vos collaborateurs utilisent déjà l’IA. La question n’est pas de savoir si elle entre dans l’entreprise, mais si elle y entre par une décision ou par la porte de service.
Cette entrée par la porte de service a un coût que l’on ne voit pas tout de suite. Les documents partent dans des comptes personnels, les réponses ne sont vérifiées par personne, et l’entreprise perd la trace de ce qui a été produit avec quelle aide. Le jour où un client, un auditeur ou un assureur pose la question, il n’y a rien à montrer — ni règle écrite, ni journal, ni responsable désigné.
Presque personne ne l’a déployée à l’échelle
C’est le chiffre le plus intéressant du rapport, et le moins repris. Lorsqu’on interroge les mêmes organisations sur l’usage d’agents — des systèmes qui exécutent des tâches de bout en bout, pas des assistants qu’on interroge —, la réponse la plus fréquente, dans presque toutes les fonctions, est « aucun usage ». Même dans l’informatique et la gestion des connaissances, les deux fonctions les plus avancées, au moins deux tiers des répondants n’en ont aucun (AI Index 2026, p. 197). Ailleurs, c’est davantage.
Le rapport ajoute une corrélation qui concerne directement les PME : ce sont les entreprises au chiffre d’affaires le plus élevé qui atteignent le plus souvent la phase de déploiement à l’échelle. Il serait commode d’en conclure que la taille fait tout. C’est l’inverse qui nous paraît vrai : les grandes organisations ne réussissent pas parce qu’elles sont grandes, mais parce qu’elles ont les fonctions que la taille finance — quelqu’un dont c’est le métier de cadrer, de mesurer et d’arbitrer. Une PME n’a pas ces fonctions. Elle peut avoir la décision.
Il faut s’entendre sur les mots. « À l’échelle » ne veut pas dire « partout » : cela veut dire qu’un usage est sorti de l’essai, qu’il tourne sur le flux réel, que quelqu’un en répond et que son résultat se mesure. Entre l’essai concluant et ce stade-là, il y a rarement un problème technique. Il y a une décision à prendre sur ce que l’on accepte de confier, un seuil à fixer, une procédure à écrire pour les cas douteux. Ce travail-là ne se délègue pas à un fournisseur.
Le frein n’est pas la technologie, c’est l’acculturation à l’IA
Interrogés sur ce qui les empêche de mettre en œuvre une IA responsable, les dirigeants citent d’abord le manque de connaissances et de formation, puis les ressources, puis l’incertitude réglementaire (AI Index 2026, p. 145). Aucun de ces trois obstacles n’est technologique.
| Obstacle cité | Part des dirigeants | Ce que cela veut dire, concrètement |
|---|---|---|
| Manque de connaissances et de formation | 59 % | Les équipes ne savent ni ce que l’outil sait faire, ni ce qu’il ne sait pas faire. Elles l’utilisent donc partout, ou nulle part. |
| Ressources ou budget | 48 % | Le projet existe sur le papier, mais personne n’a le temps de le mener jusqu’à la mesure du résultat. |
| Incertitude réglementaire | 41 % | On attend d’y voir clair. L’attente finit par tenir lieu de décision, sans que personne l’ait prise. |
Ces réponses proviennent d’une enquête conduite par l’équipe de l’AI Index avec McKinsey, auprès de dirigeants d’entreprise, hors Chine. Elles décrivent un problème de compétence collective, pas d’équipement. Et la compétence collective ne s’achète pas avec une licence : elle se construit en faisant passer un processus réel par l’outil, en regardant ce qui casse, et en écrivant la règle qui évite que cela recommence.
L’acculturation à l’IA n’est pas une journée de formation. C’est un état où chacun, à son poste, sait répondre à trois questions : sur quelles tâches j’ai le droit de m’en servir, à quoi je reconnais une réponse douteuse, et à qui je la signale. Rien de tout cela ne demande de comprendre comment un modèle fonctionne. Et le décalage est parfois inverse à celui qu’on imagine : avec 44 % d’utilisateurs dans la population française, il est probable qu’une partie de vos équipes en sache déjà plus que l’entreprise elle-même.
Les gains sont réels, mais pas là où on les annonce
Le rapport rassemble plusieurs études de terrain, et leurs résultats ne se comparent pas entre eux : 14 à 15 % de tickets traités en plus par heure dans le support client, 26 % de contributions supplémentaires chez des développeurs équipés d’un assistant, environ 50 % de production publicitaire en plus par salarié dans le marketing (AI Index 2026, p. 174). Trois métriques différentes, trois contextes différents. Aucune ne promet le même gain à votre entreprise.
Une étude va dans l’autre sens, et c’est celle qu’il faut lire en entier : sur des développeurs open source expérimentés, travaillant sur leur propre code, l’usage d’outils d’IA a allongé le temps de réalisation d’environ 19 % — alors que les participants estimaient avoir été plus rapides (AI Index 2026, p. 219). Le résultat n’a pas été répliqué depuis, et ne dit donc pas le dernier mot. Il dit autre chose : la perception du gain n’est pas le gain. C’est exactement pourquoi nous demandons une mesure avant, et pas seulement une impression après.
Le rapport signale enfin une inquiétude qui n’est pas encore un résultat établi : une dépendance forte à l’IA pourrait ralentir le développement des compétences sur le long terme (AI Index 2026, p. 174). Nous y consacrons un article entier, parce que c’est la décision la plus difficile à prendre pour un dirigeant, et la plus coûteuse à prendre trop tard.
Reste un écart qu’aucun outil ne comblera : 73 % des experts interrogés attendent un effet positif de l’IA sur la manière dont les gens font leur travail, contre 23 % du grand public (AI Index 2026, p. 12). Cinquante points. Quand une direction annonce un projet d’IA, elle parle depuis le premier groupe à des gens qui appartiennent au second.
Par où commencer quand on est une PME
La séquence que nous appliquons ne commence jamais par un outil. Elle commence par un processus qui existe déjà, que quelqu’un exécute chaque semaine, et dont on sait dire ce qu’il coûte en temps. Le tri des demandes entrantes, la relecture de documents fournisseurs, la préparation d’un devis : peu importe, pourvu qu’il soit réel et mesurable.
Ce processus se découpe ensuite étape par étape, entre ce qui relève du geste mécanique, de la décision réflexe, de la rédaction et du jugement humain. C’est ce découpage, et non le choix du modèle, qui décide du résultat : nous l’avons détaillé dans toutes les décisions ne méritent pas un LLM. Avant d’étendre, deux garde-fous suffisent : savoir quelles tâches s’y prêtent vraiment, et écrire la règle du jeu en une page.
Vient enfin la question des données, qui n’est pas une formalité juridique de fin de projet. Un modèle installé au cœur d’un processus voit passer tout ce que ce processus traite. Où tournent les calculs, sous quel droit, avec quel modèle : ce sont trois décisions de dirigeant, et nous leur consacrons un article de la même série. Pour une première lecture d’ensemble, par où commencer l’IA en PME sans exposer ses données reprend la démarche de bout en bout.
Le rythme compte autant que la méthode. Un premier usage se cadre en quelques jours, s’essaie pendant quelques semaines sur le flux réel, et se juge sur une mesure prise avant de commencer. Si le gain n’apparaît pas, on arrête : c’est un résultat, pas un échec. C’est cette discipline, plus que le choix de l’outil, qui sépare les entreprises où l’IA finit par tenir une place de celles où elle reste une ligne d’abonnement que personne n’ose résilier.
L’IA ne plafonne pas. Les organisations, elles, plafonnent toujours au même endroit : celui où personne n’a le temps d’apprendre, ni le mandat de décider. C’est une bonne nouvelle pour une PME, parce que ce sont deux choses qu’une PME peut régler en quelques semaines, sans budget de recherche et sans direction de la transformation.
Questions fréquentes
Comment l’IA peut-elle aider une entreprise ?
Sur des tâches répétitives et bornées, les gains mesurés vont de 14 % de tickets traités en plus dans le support client à environ 50 % de production publicitaire supplémentaire en marketing. Sur les tâches qui demandent du jugement, les résultats sont bien plus incertains, parfois négatifs.
Comment intégrer l’IA dans une entreprise ?
En partant d’un processus réel plutôt que d’un outil. On le découpe étape par étape, on confie à l’IA celles qui s’y prêtent, on mesure le temps gagné, et on écrit la règle d’usage. Un responsable désigné vaut mieux qu’un comité.
Combien d’entreprises utilisent l’IA ?
88 % des organisations interrogées par McKinsey pour l’AI Index 2026 déclarent un usage dans au moins une fonction. C’est une enquête déclarative : l’usage à l’échelle, lui, reste rare, la majorité des répondants n’ayant aucun agent en production.
Comment sécuriser un projet d’IA en entreprise ?
Trois garde-fous suffisent au départ : une liste d’outils autorisés, une liste de données interdites, et une validation humaine sur les décisions qui engagent. Le reste s’ajoute à l’usage, quand on sait ce que l’équipe fait réellement de l’outil.
Source : Stanford HAI, Artificial Intelligence Index Report 2026, publié le 29 juin 2026 sous licence CC BY-ND 4.0. Les numéros de page renvoient au fichier PDF. Les taux d’adoption proviennent d’enquêtes déclaratives — McKinsey, The State of AI in 2025, et l’enquête conduite par l’équipe de l’AI Index — et non de mesures d’usage. Cet article est une analyse de Maeliom ; il n’est ni une traduction ni une adaptation du rapport, et n’est ni affilié à Stanford University ni approuvé par elle.