Intelligence artificielle en entreprise : pourquoi les PME françaises peinent-elles encore à passer à l’action en 2026 ?

Article de fond — Blog du CIDFP. Dernière mise à jour des données : 3 novembre 2026. Chaque statistique majeure est attribuée à sa source primaire, avec un lien vers la publication d’origine. Un audit de fiabilité figure en fin d’article.

En bref : l’IA dans les PME françaises en 2026

• En 2025, 18 % des entreprises de 10 salariés ou plus utilisaient l’IA, contre 6 % en 2023 (Insee). Le taux a donc triplé en deux ans.
• La France (18 %) reste sous la moyenne de l’UE (20 % en 2025, Eurostat). Néanmoins, l’écart se resserre.
• Surtout, le clivage tient à la taille, pas au pays. Ainsi, l’adoption va de 15 % (10-49 salariés) à 58 % (250 et plus), selon l’Insee.
• De plus, les deux premiers freins ne sont pas financiers. Il s’agit du manque de compétences (une PME sur deux, OCDE) et de l’absence de cas d’usage (une non-utilisatrice sur deux, Banque de France).
• Cependant, les gains de productivité restent inégaux et limités (Banque de France). Mieux vaut donc mesurer soi-même.
• Enfin, la formation est le levier le mieux documenté : moins de 30 % des PME utilisatrices forment leurs équipes (OCDE).

Ce que vous allez découvrir dans cet article

Partie	Ce que vous y trouverez	Exemple de donnée ou d’usage
1. État des lieux en France	Les chiffres d’adoption par taille, par secteur et par usage, puis l’explication des contradictions entre études	Adoption passée de 6 % (2023) à 18 % (2025), Insee
2. Comparaison européenne et mondiale	La position réelle de la France face à l’Allemagne, l’Espagne, l’Italie et les pays nordiques	Danemark 42 % contre France 18,2 % en 2025, Eurostat
3. Les freins expliqués	Compétences, cas d’usage, données, coût, organisation et réglementation, preuves à l’appui	1 PME sur 2 juge ses salariés insuffisamment formés, OCDE
4. Les usages métiers	Neuf fonctions passées en revue, du marketing à la cybersécurité, avec bénéfices et limites	Chatbot de relation client, maintenance prédictive, tri RH
5. Le passage à l’action	Une méthode concrète en cinq étapes, adaptée aux moyens d’une PME	Identifier, former, expérimenter, mesurer, déployer

Introduction

En 2025, 18 % des entreprises françaises de 10 salariés ou plus déclaraient utiliser au moins une technologie d’intelligence artificielle, contre 10 % en 2024 et 6 % en 2023, selon l’Insee Première n° 2120 (enquête sur les technologies de l’information et de la communication, TIC). La progression est nette — le taux a triplé en deux ans — mais le niveau reste modeste : plus de huit entreprises sur dix de cette catégorie n’avaient pas encore intégré d’outil d’IA dans leur activité.

Ce chiffre résume à lui seul le paradoxe français. En effet, l’intelligence artificielle, et en particulier l’IA générative popularisée depuis fin 2022, occupe une place centrale dans le débat économique, les plans d’investissement publics et les discours de transformation. Pourtant, dans le quotidien des très petites, petites et moyennes entreprises (TPE-PME), le passage de l’intérêt à l’usage structuré reste lent et inégal.

Un paradoxe qui est aussi une question de mesure

La difficulté tient aussi à la mesure elle-même. Selon la source, l’enquête et la définition retenue, le « taux d’adoption de l’IA » des entreprises françaises oscille entre 18 % et plus de 60 %. Ces écarts ne traduisent pas forcément des contradictions : ils renvoient à des périmètres (taille d’entreprise, seuils d’effectifs), des définitions (IA au sens large ou IA générative) et des méthodologies différentes. Comprendre ces nuances est la condition d’une lecture honnête du phénomène.

Pour y répondre, cet article propose un état des lieux documenté de l’adoption de l’IA par les entreprises françaises, une comparaison européenne et internationale, une analyse des freins et un panorama des usages métiers. L’objectif n’est ni de dramatiser un « retard français », ni de présenter l’IA comme une solution universelle. Il vise plutôt à éclairer une question simple : pourquoi l’intérêt pour l’IA ne se traduit-il pas toujours par une adoption opérationnelle dans les PME françaises ? Et comment franchir ce cap ?

Partie 1 — État des lieux : où en sont vraiment les entreprises françaises ?

La mesure de référence : l’enquête TIC de l’Insee

D’abord, la source statistique publique la plus rigoureuse sur le sujet est l’enquête annuelle de l’Insee sur les TIC dans les entreprises. En pratique, elle repose sur un échantillon représentatif du secteur marchand (hors agriculture et hors finance-assurance) et applique une définition harmonisée au niveau européen. Selon l’Insee Première n° 2120, 18 % des entreprises de 10 salariés ou plus utilisaient au moins une technologie d’IA en 2025, soit 8 points de plus qu’en 2024 et 12 points de plus qu’en 2023.

Par comparaison, l’édition précédente, l’Insee Première n° 2061, établissait le taux à 10 % en 2024, contre 6 % en 2023. Ainsi, la série est cohérente et montre une accélération réelle, portée par la diffusion rapide de l’IA générative.

Un fossé marqué selon la taille et le secteur

Le constat majeur de cette enquête est l’ampleur de l’écart selon la taille. En 2025, d’après l’Insee, le taux d’utilisation atteignait 15 % pour les entreprises de 10 à 49 salariés, 31 % pour celles de 50 à 249 salariés et 58 % pour celles de 250 salariés ou plus. Autrement dit, une grande entreprise avait près de quatre fois plus de chances d’utiliser l’IA qu’une petite. Cette hiérarchie était déjà présente en 2024 (9 % pour les 10-49 salariés, 33 % pour les 250 et plus, selon l’Insee Première n° 2061).

Par ailleurs, les écarts sectoriels sont tout aussi marqués. Ainsi, en 2025, le secteur de l’information et de la communication arrivait en tête avec 59 % d’entreprises utilisatrices, devant les activités scientifiques et techniques (33 %), selon l’Insee. À l’inverse, des secteurs comme la construction ou l’hébergement-restauration restaient très en retrait. En 2024, l’Insee relevait que le commerce avait vu son taux passer de 4 % à 10 % en un an, illustrant une dynamique sectorielle hétérogène.

Enfin, l’Insee documente les usages au sein des entreprises utilisatrices. En 2024, 28 % d’entre elles mobilisaient l’IA pour le marketing ou la vente, 27 % pour des processus de production ou de services et 21 % pour la sécurité informatique (Insee Première n° 2061). Ces proportions confirment que l’IA se diffuse d’abord par les fonctions où elle rencontre des cas d’usage immédiats.

Une trajectoire d’accélération portée par l’IA générative (2023-2026)

La lecture des séries disponibles révèle moins un « retard » statique qu’une accélération récente. Sur le périmètre homogène de l’Insee, le taux est passé de 6 % en 2023 à 10 % en 2024, puis à 18 % en 2025. Ainsi, la progression a d’abord été de 4 points, puis de 8 points. Autrement dit, le rythme d’adoption lui-même s’accélère. À l’échelle européenne, Eurostat observe la même inflexion : après une quasi-stagnation entre 2021 (7,7 %) et 2023 (8,1 %), le taux a bondi à 13,5 % en 2024 puis à 20,0 % en 2025.

Ce point d’inflexion coïncide avec la diffusion massive de l’IA générative à partir de fin 2022. Avant cette vague, l’IA en entreprise relevait surtout de projets spécialisés (machine learning, vision par ordinateur) réservés aux organisations dotées de compétences data. Puis sont arrivés des assistants conversationnels accessibles, peu coûteux et sans compétence technique. De ce fait, la barrière d’entrée a chuté. Ainsi, l’IA a gagné des fonctions nouvelles : marketing, rédaction, relation client. C’est ce changement de nature, et pas seulement d’intensité, qui explique l’accélération.

Il faut toutefois se garder de deux erreurs symétriques de lecture. D’une part, confondre la date de publication d’une étude et l’année de collecte des données : une enquête parue en 2026 peut porter sur des usages de 2025, voire de 2024. D’autre part, lire une progression en points de pourcentage comme une progression relative : passer de 10 % à 18 % représente +8 points, mais une hausse relative de 80 %. Les deux formulations sont exactes, mais ne disent pas la même chose et ne doivent pas être mélangées.

Des enquêtes complémentaires qui donnent des chiffres plus élevés

À côté de l’Insee, plusieurs institutions publient des mesures d’adoption nettement supérieures. Ces divergences sont instructives car elles tiennent à la méthode plutôt qu’à la réalité du terrain.

Bpifrance Le Lab. Dans une étude menée auprès de 1 209 dirigeants de PME et d’ETI, complétée par plus de 40 entretiens qualitatifs, Bpifrance Le Lab estimait que 32 % des PME-ETI interrogées utilisaient l’IA. Par ailleurs, 58 % des dirigeants y voyaient un enjeu de survie à moyen terme, et 43 % déclaraient déjà une stratégie IA. Enfin, l’usage restait expérimental : 54 % s’appuyaient sur des solutions gratuites.

Baromètre France Num. Porté par la Direction générale des entreprises, le baromètre France Num interroge un large échantillon de TPE et PME. L’édition 2024 (plus de 10 000 entreprises) relevait 13 % d’utilisateurs d’outils d’IA ; l’édition 2025 (plus de 11 000 entreprises) faisait état de 26 %, soit un doublement en un an.

Bpifrance, conjoncture TPE-PME. Une étude de conjoncture diffusée début 2026 indiquait que 55 % des TPE-PME utilisaient l’IA générative fin 2025, contre 31 % fin 2024, mais que seulement 17 % en faisaient un usage régulier. L’écart entre « avoir essayé » et « utiliser régulièrement » est ici très parlant.

Du côté de la Banque de France

Banque de France. Enfin, dans son Bulletin n° 266 (enquête auprès d’environ 7 000 entreprises de 20 salariés ou plus), la Banque de France estimait que, début 2026, environ deux tiers des entreprises de 20 salariés ou plus utilisaient des outils d’IA générative. Là encore, le gradient de taille est fort : de l’ordre de 30 % chez les moins de 50 salariés, contre près de 60 % chez les plus grandes.

Pourquoi des chiffres aussi différents ? Une question de périmètre et de définition

Comment concilier 18 % (Insee), 26 % (France Num), 32 % (Bpifrance Le Lab) et deux tiers (Banque de France) ? Ces mesures ne sont pas interchangeables. En effet, trois différences principales expliquent l’essentiel de l’écart.

Le seuil d’effectifs. L’Insee mesure les entreprises de 10 salariés ou plus, population dominée en nombre par les petites structures ; la Banque de France ne retient que les entreprises de 20 salariés ou plus, mécaniquement plus équipées. France Num, à l’inverse, inclut massivement des TPE.

La définition de l’IA. L’Insee mesure l’usage d’« au moins une technologie d’IA » au sens large (analyse de texte, reconnaissance vocale, machine learning, génération de contenus, etc.), tandis que la Banque de France et la dernière vague Bpifrance ciblent spécifiquement l’IA générative, dont la diffusion a explosé.

Le mode de collecte. L’Insee et France Num interrogent l’entreprise sur un usage organisationnel ; certaines enquêtes déclaratives captent aussi des usages individuels et occasionnels des salariés, plus larges que les déploiements structurés.

La règle de lecture est donc simple : un taux d’adoption n’a de sens qu’accompagné de son périmètre, de sa définition et de sa date. Un chiffre élevé peut refléter une expérimentation ponctuelle ; un chiffre bas, une définition exigeante. C’est précisément la confusion entre ces plans qui nourrit les discours contradictoires sur « le retard » ou « l’avance » des entreprises françaises.

Source (primaire)	Taux	Année de collecte	Population	Définition
Insee Première n° 2120	18 %	2025	Entreprises ≥ 10 salariés (secteur marchand)	Au moins une techno d’IA (sens large)
Insee Première n° 2061	10 %	2024	Entreprises ≥ 10 salariés	Au moins une techno d’IA (sens large)
Baromètre France Num 2025	26 %	2025	TPE-PME	Au moins une solution d’IA
Bpifrance Le Lab (PME-ETI)	32 %	2024-2025	PME et ETI (1 209 dirigeants)	Usage de l’IA (déclaratif)
Bpifrance conjoncture	55 %	Fin 2025	TPE-PME	IA générative (usage, dont occasionnel)
Banque de France, Bulletin n° 266	≈ 2/3	Début 2026	Entreprises ≥ 20 salariés (≈ 7 000)	IA générative

Partie 2 — La France dans le miroir européen et mondial

Le point de comparaison le plus fiable : Eurostat

Pour situer la France en Europe, la référence demeure Eurostat, qui applique en effet la même définition et le même seuil (entreprises de 10 salariés ou plus) à l’ensemble des États membres. Selon la publication d’Eurostat du 11 décembre 2025, 20,0 % des entreprises de l’Union européenne utilisaient des technologies d’IA en 2025, contre 13,5 % en 2024, 8,1 % en 2023 et 7,7 % en 2021 (Eurostat, dataset isoc_eb_ai).

Avec 10 % en 2024 puis 18 % en 2025 (Insee), la France se situait donc sous la moyenne de l’Union en 2024 (13,5 %). Toutefois, elle refaisait une partie de son retard en 2025. Il faut cependant rester prudent : les deux chiffres 2025 (France 18 %, UE 20 %) proviennent du même cadre méthodologique, ce qui rend la comparaison légitime, mais l’écart reste de 2 points.

En outre, les contrastes internes à l’Europe sont considérables. Ainsi, en 2025, les taux les plus élevés étaient au Danemark (42,0 %), en Finlande (37,8 %) et en Suède (35,0 %). À l’inverse, la Roumanie (5,2 %), la Pologne (8,4 %) et la Bulgarie (8,5 %) fermaient la marche (Eurostat). Les pays nordiques, qui conjuguent numérisation avancée, main-d’œuvre très qualifiée et infrastructures solides, forment un groupe de tête net.

La France parmi ses grands voisins

La comparaison avec les grands voisins de la France affine le diagnostic. En 2025, d’après Eurostat, l’Allemagne atteignait environ 26,0 % et l’Espagne 20,3 % (au-dessus de la moyenne de l’UE). La France s’établissait à 18,2 %, devant l’Italie (16,4 %). Elle se situait ainsi dans un peloton médian : derrière l’Allemagne et les nordiques, mais devant l’Italie. Le chiffre Eurostat pour la France (18,2 %) coïncide avec la mesure de l’Insee (18 %), ce qui conforte la robustesse de l’estimation nationale.

Eurostat documente aussi l’écart de taille. En 2024, le taux était de 11,2 % pour les petites, 21,0 % pour les moyennes et 41,2 % pour les grandes. En 2025, il montait à environ 17,0 %, 30,4 % et 55,0 % respectivement. Ce fossé n’est donc pas une spécificité française. C’est au contraire un trait structurel européen, qui se maintient malgré la diffusion de l’IA.

Un écart de taille confirmé par l’OCDE

Par ailleurs, l’OCDE a consacré en décembre 2025 un rapport spécifique à l’adoption de l’IA par les PME, préparé dans le cadre de la présidence canadienne du G7 (OECD, « AI Adoption by Small and Medium-Sized Enterprises »). Son constat central : à l’échelle de l’OCDE, la part des grandes entreprises utilisant l’IA (environ 40 %) est plus de trois fois supérieure à celle des petites entreprises (environ 11,9 %), les entreprises moyennes se situant autour de 20,4 %. Surtout, l’OCDE précise que cet écart persiste même à secteur, âge et structure d’actifs comparables. Ainsi, l’explication tient à des facteurs propres aux PME (compétences, données, financement), et non à un simple effet de composition.

Par ailleurs, le rapport donne deux chiffres parlants sur les compétences. D’une part, la moitié des PME jugent leurs salariés mal armés pour l’IA générative. D’autre part, moins de 30 % des PME utilisatrices les forment (enquêtes OCDE dans quatre pays du G7). Ces données font le lien direct avec la question de la formation, sur laquelle nous reviendrons.

Investissement et intensité d’usage : l’éclairage de la BCE

De son côté, l’enquête SAFE de la Banque centrale européenne, menée fin 2025, apporte une mesure d’intensité plutôt que de simple présence. Selon ses résultats relayés par la Banque de France, seules 23 % des entreprises françaises déclaraient une utilisation modérée ou importante de l’IA, contre 39 % en moyenne dans la zone euro. Côté investissement, la part de l’investissement prévu consacrée à l’IA s’établissait à 7,2 % en France contre 9,1 % dans la zone euro. Mesuré en intensité, le retard français apparaît donc plus marqué que lorsqu’on se contente de compter les entreprises ayant « au moins essayé ».

Le contexte mondial : des taux spectaculaires à relativiser

Enfin, à l’échelle internationale, les chiffres les plus cités proviennent du AI Index de l’université Stanford (HAI), qui s’appuie notamment sur les enquêtes de McKinsey. L’édition 2025 faisait état de 78 % d’organisations déclarant utiliser l’IA en 2024 et de 71 % utilisant l’IA générative dans au moins une fonction (Stanford HAI, AI Index 2025, chapitre 4). L’édition suivante relevait une progression à 88 % en 2025.

Toutefois, ces taux très supérieurs ne contredisent pas Eurostat. En effet, ils reposent sur des panels d’organisations volontaires, souvent grandes et déjà numérisées. De plus, la question posée est très large (« utiliser l’IA dans au moins une fonction »). Les comparer directement au 18 % de l’Insee serait une erreur méthodologique. Ils signalent néanmoins une tendance de fond mondiale : dans les grandes organisations, l’IA est devenue la norme plutôt que l’exception.

Zone / pays	Taux	Année	Population / définition	Source
Union européenne	20,0 %	2025	Entreprises ≥ 10 sal., IA au sens large	Eurostat
Union européenne	13,5 %	2024	Entreprises ≥ 10 sal., IA au sens large	Eurostat
Danemark	42,0 %	2025	Entreprises ≥ 10 sal.	Eurostat
Finlande	37,8 %	2025	Entreprises ≥ 10 sal.	Eurostat
Suède	35,0 %	2025	Entreprises ≥ 10 sal.	Eurostat
Allemagne	26,0 %	2025	Entreprises ≥ 10 sal.	Eurostat
Espagne	20,3 %	2025	Entreprises ≥ 10 sal.	Eurostat
France	18,2 %	2025	Entreprises ≥ 10 sal.	Eurostat / Insee
Italie	16,4 %	2025	Entreprises ≥ 10 sal.	Eurostat
Roumanie	5,2 %	2025	Entreprises ≥ 10 sal.	Eurostat

Partie 3 — Pourquoi les PME françaises peinent-elles à passer à l’action ?

D’emblée, les freins à l’adoption de l’IA par les PME sont documentés et convergents entre les sources. Surtout, ils ne se résument pas au coût : ils tiennent autant aux compétences, à l’identification des cas d’usage, à la qualité des données, à l’organisation et au cadre réglementaire.

Le déficit de compétences : le frein le plus structurel

C’est l’obstacle le mieux étayé. L’OCDE relève que la moitié des PME estiment que leurs salariés manquent des compétences nécessaires pour utiliser efficacement l’IA générative, et que moins de 30 % des PME utilisatrices forment leurs équipes à ces outils. Le problème est double : il manque à la fois des compétences techniques (savoir utiliser et paramétrer les outils) et des compétences de cadrage (savoir où l’IA apporte réellement de la valeur). Ainsi, pour une petite structure sans direction des systèmes d’information, ce double déficit est particulièrement difficile à combler seul.

L’absence de cas d’usage identifiés

Le deuxième frein, souvent sous-estimé, est l’incapacité à relier l’IA à un besoin métier concret. À cet égard, l’enquête de la Banque de France est explicite : près d’une entreprise non utilisatrice sur deux déclare ne pas avoir identifié de cas d’usage pertinent, un motif cité avant le coût. Cela éclaire un point essentiel : beaucoup de dirigeants ne renoncent pas à l’IA par manque de moyens, mais parce qu’ils ne voient pas précisément quel problème elle résoudrait chez eux. Ce frein est aussi le plus facile à lever par la pédagogie et l’accompagnement.

Les craintes sur les données et la sécurité

Dans l’étude de Bpifrance Le Lab, les craintes relatives aux données constituaient le premier frein mesuré, cité par 33 % des dirigeants. Confidentialité des informations clients, risque de fuite via des outils en ligne, incertitude sur l’usage fait des données saisies dans les IA génératives grand public : ces inquiétudes sont légitimes et renforcées par le cadre réglementaire européen. Elles poussent certaines entreprises à l’attentisme, faute de savoir comment sécuriser leurs usages.

À ce frein de confiance s’ajoute un frein plus technique, souligné par l’OCDE : la qualité et la disponibilité des données. L’IA, et en particulier l’apprentissage automatique, n’apporte de valeur que si l’entreprise dispose de données structurées, à jour et exploitables. Or beaucoup de PME travaillent avec des informations dispersées, hétérogènes ou non numérisées. Ce déficit « d’inputs » — données, mais aussi connectivité et capacité de calcul — figure parmi les quatre contraintes majeures identifiées par l’OCDE, aux côtés des compétences et du financement. Pour les usages génératifs les plus courants (rédaction, synthèse), cet obstacle est faible ; il devient décisif dès que l’on vise des applications prédictives ou industrielles.

Le coût et un retour sur investissement incertain

Le coût n’est pas le frein premier, mais il pèse, surtout pour les TPE. En effet, le signe le plus clair est le recours massif aux outils gratuits : selon Bpifrance Le Lab, 54 % des PME-ETI utilisatrices s’appuyaient sur des solutions gratuites, marqueur d’une phase d’expérimentation plutôt que d’investissement. Or la gratuité limite souvent les garanties de sécurité, l’intégration aux systèmes existants et le passage à l’échelle. Côté retour sur investissement, la prudence s’impose. En effet, la Banque de France observe que les gains de productivité décrits restent inégaux et limités. Elle y voit le signe d’usages surtout expérimentaux et d’une intégration encore imparfaite. Il serait donc trompeur d’annoncer des gains de productivité généralisés : les preuves robustes, à l’échelle des PME françaises, restent à consolider.

Les résistances organisationnelles

Adopter l’IA n’est pas qu’une décision d’achat ; c’est un changement de pratiques. De plus, les enquêtes convergent sur le rôle décisif de la direction : chez Bpifrance Le Lab, le projet IA est impulsé par un dirigeant dans la grande majorité des cas, et 43 % des PME-ETI déclarent avoir formalisé une stratégie. À l’inverse, l’absence de portage, la crainte des salariés pour leur emploi, le manque de temps et l’absence de méthode freinent le déploiement. La conduite du changement — association des équipes, formation, définition de règles d’usage — est un facteur de réussite au moins aussi important que le choix de l’outil.

Sur l’emploi précisément, les données disponibles invitent à la mesure. L’enquête de la Banque de France ne met pas en évidence, à ce stade, de substitution massive du travail parmi les entreprises étudiées : l’IA se diffuse d’abord comme un outil d’assistance, non comme un instrument de remplacement. Cela ne signifie pas l’absence d’effets sur les métiers, mais invite à traiter la crainte des équipes par la transparence et la formation plutôt qu’à la laisser nourrir une résistance diffuse.

Le cas particulier des très petites entreprises

Les freins décrits se cumulent et s’aggravent à mesure que la taille diminue. Une TPE n’a ni service informatique, ni fonction data, ni, souvent, le temps de dégager un pilote. C’est ce que traduit le gradient de taille, constant dans toutes les sources. Selon l’Insee 2025, l’adoption va de 15 % pour les 10-49 salariés à 58 % au-delà de 250. De même, la Banque de France relève environ 30 % contre 60 %. L’OCDE ajoute un enseignement capital : cet écart persiste même à secteur, âge et structure d’actifs comparables, ce qui écarte l’idée qu’il s’agirait d’un simple effet de composition. Autrement dit, être petit constitue en soi un désavantage d’accès à l’IA, qui appelle des réponses spécifiques : mutualisation, accompagnement externe, outils clés en main et formation courte et opérationnelle.

Le cadre réglementaire : RGPD et AI Act

Les entreprises évoluent dans un environnement réglementaire exigeant. Le Règlement général sur la protection des données (RGPD) encadre tout traitement de données personnelles, y compris lorsqu’elles alimentent un système d’IA. Par ailleurs, le règlement européen sur l’intelligence artificielle (AI Act), adopté en 2024, introduit une approche par les risques et des obligations graduées selon les usages, avec une entrée en application échelonnée. Pour une PME, l’enjeu n’est pas de maîtriser l’intégralité du texte, mais d’identifier si ses usages relèvent de catégories à obligations renforcées et d’adopter des pratiques responsables. Cette incertitude réglementaire, réelle, ne doit pas être surestimée : la plupart des usages courants des PME (rédaction, synthèse, assistance) relèvent de catégories à faible risque, sous réserve du respect du RGPD.

Partie 4 — Panorama des usages métiers : où l’IA crée-t-elle de la valeur ?

D’abord, l’IA n’est pas un bloc homogène. Pour une PME, il est donc utile de distinguer trois familles d’outils : les outils généralistes (assistants conversationnels, générateurs de texte et d’image), les outils métiers intégrant des fonctions d’IA (CRM, logiciels comptables, suites marketing), et les solutions industrielles spécialisées (vision par ordinateur, maintenance prédictive). Les bénéfices, les limites et les compétences requises diffèrent selon les fonctions.

Cette distinction est importante pour une raison pratique : les trois familles n’ont ni le même coût, ni la même exigence en données, ni le même niveau de risque. Les outils généralistes sont accessibles immédiatement, à faible coût, et conviennent aux tâches de langage ; c’est par eux que la plupart des PME entrent dans l’IA. Viennent ensuite les outils métiers, souvent déjà présents dans les logiciels de l’entreprise, qui permettent d’activer des fonctions d’IA sans projet lourd. Quant aux solutions industrielles, elles supposent des données de qualité, une intégration aux équipements et un investissement plus conséquent, mais c’est là que se trouvent certains des gains les plus tangibles. Passer en revue les fonctions de l’entreprise à cette aune aide à repérer où l’IA est à portée de main et où elle relève d’un projet.

Direction et management

En matière de direction, le besoin consiste à synthétiser l’information, à préparer des décisions et à rédiger des documents de pilotage. Pour cela, les assistants généralistes résument des réunions, mènent une veille ou préparent des notes, ce qui fait gagner du temps sur les tâches rédactionnelles et d’analyse. Toutefois, le risque d’erreurs factuelles (les « hallucinations ») impose une relecture humaine et la capacité à formuler des demandes précises. D’ailleurs, le portage par la direction reste un facteur clé de diffusion, comme le montre l’étude Bpifrance Le Lab.

Marketing et communication

Le marketing et la communication constituent historiquement la première porte d’entrée : en effet, l’Insee relevait qu’en 2024, 28 % des entreprises utilisatrices mobilisaient l’IA pour le marketing ou la vente. Concrètement, les générateurs de texte et d’image, ainsi que les assistants intégrés aux plateformes, accélèrent la production de contenus et l’idéation. Néanmoins, le risque d’homogénéisation des messages oblige à préserver la voix de la marque et à vérifier les droits comme l’exactitude, d’où l’importance d’une relecture éditoriale.

Vente et relation client

Du côté de la vente, l’objectif est de qualifier les prospects, de personnaliser les échanges et de traiter un grand volume de demandes. Ainsi, les agents conversationnels et les assistants intégrés aux CRM améliorent la disponibilité, la réactivité et la priorisation des opportunités. Cependant, la qualité des réponses automatisées reste variable, si bien qu’une supervision humaine demeure nécessaire pour les cas complexes et pour préserver la qualité relationnelle.

Ressources humaines

En ressources humaines, l’IA aide à présélectionner des candidatures, à rédiger des offres et à répondre aux questions courantes des salariés, ce qui allège les tâches administratives. Toutefois, le tri automatisé présente un risque de biais et soulève un enjeu majeur de conformité RGPD et d’équité ; de fait, ces usages figurent parmi les plus sensibles au regard de l’AI Act. Par conséquent, une supervision humaine systématique s’impose sur toute décision affectant les personnes.

Formation professionnelle

Dans la formation professionnelle, l’IA permet de personnaliser les parcours, de produire des supports et d’évaluer les acquis plus rapidement. Grâce aux générateurs de contenus pédagogiques et aux assistants de tutorat, l’individualisation progresse nettement. En revanche, les contenus générés peuvent comporter des erreurs, raison pour laquelle un contrôle pédagogique et une validation experte restent indispensables.

Administration et comptabilité

En administration et en comptabilité, le besoin porte sur la saisie, le rapprochement et le traitement de documents. Désormais, les fonctions d’IA intégrées aux logiciels de gestion extraient automatiquement les données de factures, ce qui réduit les tâches répétitives et fiabilise la saisie. Néanmoins, un contrôle humain demeure indispensable sur les écritures sensibles.

Production industrielle

Dans la production industrielle, l’IA sert au contrôle qualité, à la maintenance et à l’optimisation. Par exemple, la vision par ordinateur détecte les défauts tandis que la maintenance prédictive anticipe les pannes à partir de données capteurs, ce qui réduit les rebuts et les arrêts non planifiés. Toutefois, ces solutions supposent un investissement plus lourd, des données de qualité et une intégration aux équipements.

Logistique

En logistique, l’enjeu est de prévoir la demande et d’optimiser les tournées comme les stocks. Pour cela, les moteurs d’optimisation et de prévision réduisent les coûts de transport et de stockage. Cependant, leur efficacité dépend étroitement de la qualité des données et de leur mise à jour, ce qui exige des compétences en analyse et en pilotage de la chaîne logistique.

Informatique et cybersécurité

Enfin, en informatique et en cybersécurité, l’IA aide à détecter les menaces, à assister le développement et à automatiser le support ; d’ailleurs, l’Insee relevait qu’en 2024, 21 % des entreprises utilisatrices y recouraient pour la sécurité informatique. Ainsi, la détection d’anomalies et les assistants de code renforcent la réactivité et la productivité des équipes techniques. Toutefois, l’IA sert aussi les attaquants, d’où une vigilance accrue et un besoin d’expertise en sécurité.

Une règle commune à tous ces usages : les gains chiffrés avancés par les éditeurs ou issus d’expérimentations isolées ne peuvent pas être généralisés à l’ensemble des PME françaises. Comme le rappelle la Banque de France, les gains de productivité observés restent, à ce stade, inégaux et limités. La bonne posture consiste à mesurer soi-même, sur son propre cas, plutôt qu’à importer une promesse de rendement.

Partie 5 — Les conditions concrètes du passage à l’action

Le décalage entre intérêt et usage effectif n’est pas une fatalité. En effet, les enquêtes suggèrent une méthode progressive, à la portée des PME, en cinq temps.

Une méthode en cinq étapes

1. Identifier des cas d’usage à valeur. Puisque le premier frein est l’absence de cas d’usage identifié (Banque de France), le point de départ n’est pas l’outil mais le problème : quelles tâches sont chronophages, répétitives, à faible valeur ajoutée ? Une cartographie simple des irritants par fonction permet de repérer deux ou trois chantiers prioritaires, mesurables.

2. Acculturer et former les équipes. C’est le levier le plus documenté. L’OCDE montre que la moitié des PME jugent leurs salariés insuffisamment compétents et que moins de 30 % des utilisatrices forment leurs équipes. Combler cet écart suppose une acculturation des dirigeants (comprendre les possibilités et les limites), une montée en compétences des équipes sur les outils, et des règles d’usage claires (que peut-on saisir ? que doit-on vérifier ?).

3. Expérimenter sur un périmètre maîtrisé. Plutôt qu’un grand projet, un pilote ciblé sur un cas d’usage précis, avec un outil adapté et des données non sensibles, permet d’apprendre vite et à faible risque. La prévalence des solutions gratuites (54 % selon Bpifrance Le Lab) montre que beaucoup d’entreprises en sont encore à ce stade — l’enjeu est d’en sortir de façon structurée.

4. Mesurer les résultats. Temps gagné, qualité, satisfaction client : définir des indicateurs avant de lancer le pilote est la seule façon d’objectiver le retour sur investissement, au lieu de se fier à des promesses générales. C’est aussi ce qui permet de décider, en connaissance de cause, d’un passage à l’échelle ou d’un abandon.

5. Sécuriser et déployer. Une fois la valeur démontrée, l’entreprise peut industrialiser : outil sous contrat (avec garanties sur les données), intégration aux systèmes existants, conformité RGPD et AI Act, et formalisation d’une stratégie. C’est le passage du bricolage utile à la pratique durable.

Le rôle de la formation professionnelle

Dans cette trajectoire, la formation n’est pas un supplément : c’est souvent le maillon qui fait défaut. Les données de l’OCDE le confirment indirectement — le manque de compétences est cité par la moitié des PME, alors que moins de 30 % forment leurs équipes. Elle agit sur plusieurs leviers : acculturation des dirigeants, montée en compétences, maîtrise des outils, identification des cas d’usage et prévention des risques (données, conformité, biais). De ce fait, la formation lève plusieurs des freins identifiés plus haut.

C’est le sens de l’accompagnement que propose le CIDFP, dont le lexique de l’intelligence artificielle et les parcours de formation visent à rendre ces technologies compréhensibles et actionnables pour les dirigeants, les managers et les équipes. L’objectif n’est pas d’« adopter l’IA » pour elle-même, mais de la mettre au service de besoins concrets, avec méthode et en maîtrisant les risques.

Conclusion

En somme, la situation des entreprises françaises face à l’IA en 2026 n’est ni celle d’un retard irrémédiable, ni celle d’une transformation accomplie. Les faits dessinent en effet une dynamique réelle mais inégale. D’une part, l’adoption mesurée par l’Insee est passée de 6 % en 2023 à 18 % en 2025, et la France se rapproche de la moyenne européenne (20 % en 2025, Eurostat). D’autre part, l’intensité d’usage reste sous la zone euro (BCE). Enfin, l’écart entre petites et grandes entreprises demeure structurel, en France comme dans toute l’OCDE.

En définitive, le décalage entre l’intérêt et l’action s’explique par des freins convergents et documentés : des compétences insuffisantes, des cas d’usage mal identifiés, des craintes sur les données, un retour sur investissement encore incertain et une conduite du changement sous-estimée. Aucun de ces obstacles n’est insurmontable pour une PME qui procède par étapes : identifier un besoin, former ses équipes, expérimenter, mesurer, puis déployer.

Finalement, la leçon essentielle est peut-être de méthode. En effet, dans un domaine saturé de chiffres spectaculaires et parfois incompatibles, la valeur se trouve moins dans le taux d’adoption affiché que dans la capacité à relier un outil à un problème réel et à en mesurer l’effet. C’est à cette condition que l’intelligence artificielle cessera d’être, pour beaucoup de PME françaises, une intention pour devenir une pratique.

FAQ — Intelligence artificielle et PME

Quelle part des entreprises françaises utilise l’IA en 2025 ?
Selon l’Insee (enquête TIC), 18 % des entreprises de 10 salariés ou plus utilisaient au moins une technologie d’IA en 2025, contre 10 % en 2024. D’autres enquêtes, au périmètre différent (seuil d’effectifs, IA générative uniquement), donnent des taux plus élevés.

Pourquoi les chiffres d’adoption varient-ils autant d’une étude à l’autre ?
Parce qu’ils ne mesurent pas la même chose : le seuil d’effectifs (10 ou 20 salariés), la définition de l’IA (sens large ou IA générative) et le mode de collecte (usage organisationnel ou individuel) diffèrent. Un taux n’a de sens qu’avec son périmètre et sa date.

La France est-elle en retard par rapport à l’Europe ?
En 2024, la France (10 %) était sous la moyenne de l’UE (13,5 %, Eurostat). Elle s’en rapproche nettement en 2025 (18 % contre 20 %). Toutefois, en intensité d’usage, la BCE la situe (23 %) sous la zone euro (39 %) fin 2025.

Quel est le principal frein à l’adoption de l’IA dans les PME ?
En réalité, les sources convergent sur deux obstacles majeurs : d’une part le déficit de compétences (la moitié des PME selon l’OCDE) et, d’autre part, l’absence de cas d’usage identifié (près d’une entreprise non utilisatrice sur deux selon la Banque de France).

Usages, productivité et mise en œuvre

Quels sont les usages les plus répandus ?
En 2024, parmi les entreprises utilisatrices, l’Insee relevait le marketing et la vente (28 %), la production et les services (27 %) et la sécurité informatique (21 %).

L’IA fait-elle vraiment gagner en productivité ?
Les gains existent mais restent, à ce stade, inégaux et limités selon la Banque de France, qui y voit surtout des usages expérimentaux. Il est prudent de mesurer soi-même les résultats plutôt que de se fier à des promesses générales.

Par où commencer quand on dirige une PME ?
Par le besoin, pas par l’outil. Ainsi, il s’agit d’identifier une tâche chronophage, puis de former les équipes, de lancer un pilote ciblé sur des données non sensibles, de mesurer les résultats et, enfin, de déployer en sécurisant la conformité.

Faut-il former ses équipes à l’IA ?
Oui : c’est le levier le plus documenté. Moins de 30 % des PME utilisatrices forment leurs salariés (OCDE), alors que le manque de compétences est le frein le plus cité. La formation lève à la fois l’obstacle technique et celui de l’identification des cas d’usage.

Bibliographie

• Insee, « Les technologies de l’information et de la communication dans les entreprises en 2025 », Insee Première n° 2120 — données collectées en 2025 — insee.fr/fr/statistiques/9025878. (Taux 2025 : 18 % ; par taille : 15 % / 31 % / 58 % ; secteurs : info-communication 59 %, services scientifiques et techniques 33 %.)
• Insee, « Les technologies de l’information et de la communication dans les entreprises en 2024 », Insee Première n° 2061 — données 2024 — insee.fr/fr/statistiques/8604126. (Taux 2024 : 10 % ; 2023 : 6 % ; usages 28 % / 27 % / 21 % ; commerce 4 %→10 %.)
• Eurostat, « 20% of EU enterprises use AI technologies », 11 décembre 2025, dataset isoc_eb_ai — données 2025 — ec.europa.eu/eurostat. (UE 20,0 % en 2025 ; 13,5 % en 2024 ; Danemark 42,0 %, Finlande 37,8 %, Suède 35,0 %.)
• OCDE, « AI Adoption by Small and Medium-Sized Enterprises », décembre 2025 (présidence G7) — oecd.org. (Grandes ≈ 40 % vs petites ≈ 11,9 % ; 50 % des PME manquent de compétences gen-IA ; < 30 % forment.)

Enquêtes professionnelles et comparaisons internationales

• Bpifrance Le Lab, étude « Les entreprises françaises et l’IA » (1 209 dirigeants de PME-ETI) — lelab.bpifrance.fr. (32 % utilisent l’IA ; 58 % enjeu de survie ; 43 % stratégie ; 54 % solutions gratuites ; craintes données 33 %.)
• Direction générale des entreprises / France Num, Baromètre France Num 2024 et 2025 — francenum.gouv.fr. (13 % en 2024 ; 26 % en 2025.)
• Banque de France, « L’IA s’installe dans les entreprises françaises », Bulletin n° 266, 2026 (≈ 7 000 entreprises ≥ 20 salariés) — banque-france.fr. (≈ 2/3 d’usage de l’IA générative début 2026 ; 30 % < 50 salariés vs 60 % grandes ; frein = cas d’usage ; gains limités.)
• Banque centrale européenne, enquête SAFE (fin 2025), citée par la Banque de France. (France 23 % d’usage modéré/important vs 39 % zone euro ; investissement IA 7,2 % vs 9,1 %.)
• Stanford HAI, AI Index Report 2025, chapitre 4 « Economy » — hai.stanford.edu. (78 % d’organisations utilisant l’IA en 2024 ; 71 % gen-IA dans ≥ 1 fonction.)

Audit de fiabilité

Donnée clé	Source	Vérification	Limite / précaution
France : 18 % (2025), 10 % (2024), 6 % (2023)	Insee Première n° 2120 et 2061	Confirmé (source primaire)	Champ : ≥ 10 salariés, secteur marchand hors agriculture et finance.
France par taille : 15 / 31 / 58 %	Insee Première n° 2120	Confirmé (page Insee + reprise News Tank)	Année 2025.
UE : 20 % (2025), 13,5 % (2024)	Eurostat, 11/12/2025	Confirmé (communiqué primaire)	Même définition que l’Insee ; comparaison légitime.
Pays 2025 : DE 26, ES 20,3, FR 18,2, IT 16,4	Eurostat (publication 2026)	Partiellement vérifié (tableau Eurostat via reprises)	À recouper sur le fichier isoc_eb_ai.
Écart de taille OCDE (≈ 40 % vs 11,9 %)	OCDE, déc. 2025	Confirmé (page OCDE)	Base G7 ; années parfois mixtes selon indicateurs.
Compétences : 50 % des PME ; < 30 % forment	OCDE, déc. 2025	Confirmé	Enquêtes dans 4 pays du G7.
Bpifrance : 32 % ; données 33 % ; gratuit 54 %	Bpifrance Le Lab	Confirmé (synthèses) ; valeurs exactes à recontrôler sur le rapport	Panel PME-ETI, non comparable à l’Insee.
Banque de France : ≈ 2/3 ; 30 % vs 60 %	Bulletin n° 266 (2026)	Partiellement vérifié (presse + synthèses)	Champ ≥ 20 salariés ; IA générative.
BCE SAFE : 23 % vs 39 %	BCE, via Banque de France	Partiellement vérifié	Indicateur d’intensité, non de simple présence.
Monde : 78 % (2024) / 88 % (2025)	Stanford HAI AI Index	Confirmé (PDF 2025) ; 2025 issu de l’édition 2026	Panel McKinsey d’organisations volontaires, non comparable.
France Num : 13 % (2024) / 26 % (2025)	Baromètre France Num	Confirmé (communiqués DGE)	TPE-PME ; « au moins une solution d’IA ».

Aller plus loin

Formations associées

• Formation sensibilisation à l’intelligence artificielle pour les entreprises2 jours · DébutantVoir la formation
• Formation intelligence artificielle et ChatGPT1 jour · DébutantVoir la formation
• Formation ChatGPT au travail1 jour · DébutantVoir la formation
• Formation complète en intelligence artificielle pour entreprises10 jours · DébutantVoir la formation