Dans une interview récente accordée à Fortune, le CTO de Deloitte, Bill Briggs, a pointé un déséquilibre frappant : les organisations consacreraient environ 93% de leur budget de transformation IA à la technologie, contre seulement 7% aux personnes.

L'infrastructure est financée. On attend des collaborateurs qu'ils s'adaptent.

Ce déséquilibre devient encore plus évident à la lumière de recherches plus larges sur la transformation. McKinsey rapporte depuis des années que seulement environ 30% des initiatives de transformation génèrent un impact durable sur la performance. Autrement dit, la plupart des grands programmes de changement ne tiennent pas leurs promesses.

Des recherches de Prosci montrent en outre que les organisations qui appliquent une gestion du changement structurée ont jusqu'à 7 fois plus de chances d'atteindre leurs objectifs que celles qui négligent la dimension humaine du changement.

Appliquée à l'IA, la conclusion est claire. La technologie seule ne change pas une organisation. Une valeur durable naît lorsque les personnes adaptent leur façon de travailler.

Nous observons un schéma similaire aussi bien dans les grandes entreprises que dans les organisations de taille moyenne. Les outils IA sont déployés correctement d'un point de vue technique. La gouvernance et la sécurité sont en ordre. Des cas d'usage sont définis et les early adopters commencent à expérimenter. Au départ, l'enthousiasme est grand. Avec le temps, l'élan ralentit.

Ce ralentissement est rarement causé par des limitations d'infrastructure ou par les performances des modèles. Il naît dans le travail quotidien. Les collaborateurs hésitent à savoir quand l'IA apporte réellement de la valeur. Ils manquent de confiance dans la formulation de prompts efficaces. Ils ont du mal à intégrer les résultats de l'IA dans les processus existants ou s'interrogent sur la fiabilité des résultats générés.

L'IA crée de nouvelles possibilités, mais modifie en même temps les rôles, les responsabilités et les workflows. Sans accompagnement ciblé et cadres clairs, cette transition reste incomplète. Davantage de capacité technologique ne se traduit pas automatiquement par davantage de productivité.

Aujourd'hui, le plus grand défi de la transformation IA n'est pas l'accès à la technologie. La plupart des organisations peuvent implémenter des solutions IA avancées relativement rapidement. La question cruciale est de savoir si les collaborateurs sont suffisamment préparés pour utiliser ces possibilités de manière efficace et responsable.

L'IA change la façon dont le travail est préparé, exécuté et évalué. Les rapports sont rédigés plus rapidement. Les données sont analysées plus efficacement. Les tâches répétitives sont automatisées. Les connaissances deviennent accessibles via le langage naturel. Mais concrétiser ces avantages demande plus qu'une licence logicielle. Cela demande une clarté sur l'impact de l'IA sur des rôles spécifiques, des compétences pratiques en matière de prompting et d'évaluation, ainsi que la confiance nécessaire pour ancrer l'IA de manière structurelle dans les workflows quotidiens.

C'est souvent là que le bât blesse. La technologie évolue rapidement, mais les organisations s'adaptent plus lentement. Combler ce fossé exige un investissement ciblé et délibéré dans les personnes.

Chez Xylos, nous n'abordons pas l'IA comme une simple implémentation technique, mais comme une démarche organisationnelle. Une base numérique sécurisée et évolutive reste essentielle, tout comme l'intégration de l'IA dans les processus pour accroître l'efficacité. Mais sans collaborateurs capables de comprendre comment transformer les possibilités en valeur, ce potentiel reste inexploité.

C'est pourquoi nous misons fortement sur l'AI and data literacy.

L'AI literacy n'est pas une formation ponctuelle. C'est une démarche structurée qui va de la sensibilisation à une adoption mesurable. Nous commençons par une mesure de référence pour cartographier le point de départ de l'organisation. Nous alignons ensuite les parcours d'apprentissage sur des rôles spécifiques, afin que la pertinence et l'applicabilité restent centrales. Des pulse checks intermédiaires rendent les progrès visibles, et un rapport final donne une image claire du niveau d'adoption et des points à améliorer.

Mesurer est essentiel. Sans visibilité sur l'adoption, il est impossible d'évaluer si l'IA contribue réellement à la productivité.

Pour rendre l'apprentissage concret, nous combinons des programmes structurés avec des formats interactifs comme le Copilot Escape Game, où les équipes appliquent l'IA dans des scénarios réalistes, et le mAIndset Prompting Game, qui renforce les compétences de prompting chez des collaborateurs ayant différents niveaux de connaissance. Ces formats abaissent le seuil d'entrée et renforcent la confiance dans la pratique.

L'apprentissage doit s'ancrer dans le travail quotidien. La confiance se construit par l'expérience. L'impact doit être démontrable.

Les grandes entreprises ont besoin d'échelle et de gouvernance. Les entreprises de taille moyenne se concentrent souvent sur la rapidité et un impact ciblé. Malgré ces différences, elles partagent le même défi : aligner les investissements technologiques sur la disposition et les compétences de leurs collaborateurs.

Les organisations qui se démarqueront dans les années à venir ne sont pas nécessairement celles qui disposent des modèles les plus avancés. Ce sont celles qui préparent systématiquement leurs collaborateurs à utiliser l'IA de manière réfléchie, efficace et responsable.

L'IA peut démarrer comme une innovation technologique, mais sa valeur à long terme dépend de l'adoption humaine. Le succès de l'IA commence par les personnes. Et les organisations qui en prennent conscience à temps travailleront réellement plus intelligemment.