Pourquoi l’intelligence artificielle bouscule la relation direction générale – DSI
Traiter l’intelligence artificielle comme un simple projet IT condamne l’initiative à l’échec. Quand la direction générale réduit l’IA à des modèles techniques ou à des systèmes numériques, elle sous-estime l’impact sur le travail, les emplois et la stratégie globale. Ce décalage fragilise l’alignement entre la DSI, les métiers et la direction des entreprises.
En France, la diffusion de l’intelligence artificielle dans les entreprises s’accélère et transforme déjà le marché du travail. Près de huit entreprises sur dix expérimentent des agents d’IA, des modèles de langage ou des modèles génératifs, mais beaucoup restent prisonnières d’une vision outil-centrée qui ignore les processus métiers et la gouvernance des données. Le résultat est paradoxal : la croissance potentielle et les gains de productivité existent, mais la productivité réelle stagne faute de stratégie d’ensemble.
Pour un Chief information officer, l’enjeu n’est plus de prouver que l’artificial intelligence fonctionne techniquement. L’enjeu est de convaincre la direction générale que les investissements IA doivent être pensés comme une transformation du modèle opérationnel, au même titre qu’un schéma directeur SI ou qu’une réorganisation des processus de travail. Sans ce cadrage stratégique porté au plus haut niveau, les projets se multiplient, les taux d’erreur explosent et la protection des données devient ingérable.
Du projet pilote au changement de modèle opérationnel
Les premiers pilotes d’intelligence artificielle dans les entreprises françaises ont souvent été menés comme des expérimentations isolées. On a branché des modèles de langage sur des corpus de mails, de textes et d’images, en espérant des gains de productivité rapides sur des tâches complexes. Mais sans alignement avec la direction des entreprises, ces initiatives restent cantonnées à quelques équipes innovantes et peinent à transformer les processus de bout en bout.
La direction générale doit comprendre que les modèles génératifs et les agents autonomes ne sont pas des gadgets numériques, mais des briques qui reconfigurent la chaîne de valeur. Quand un agent conversationnel prend en charge une partie de la relation client, il modifie la nature du travail, la structure des emplois et la manière dont les données d’entraînement sont produites et gouvernées. Le DSI se retrouve alors en première ligne pour arbitrer entre innovation, risques et conformité, avec des impacts directs sur l’organisation et la performance.
Dans ce contexte, la stratégie d’investissement en IA devient un sujet de gouvernance d’entreprise, pas seulement de gouvernance IT. Le DG doit porter un rapport clair entre les ambitions de croissance, la stratégie nationale en matière de numérique et les contraintes imposées par les pouvoirs publics sur la protection des données. Sans ce parrainage explicite, la DSI reste seule à gérer des arbitrages qui dépassent largement le périmètre technique et engagent la responsabilité globale de l’entreprise.
Le DG, garant de l’alignement stratégique de l’IA avec le business
La gouvernance de l’intelligence artificielle ne peut pas être déléguée uniquement à la DSI. Le DG doit assumer un rôle explicite de garant de l’alignement entre les investissements IA, la stratégie de croissance et les attentes des marchés. Sans ce pilotage, les projets se fragmentent entre métiers, et les gains de productivité restent anecdotiques ou difficiles à attribuer.
Dans beaucoup d’entreprises, l’IA est encore gérée comme un portefeuille de projets numériques, chacun porté par une direction métier enthousiaste. On lance un agent conversationnel pour la relation client, un modèle de langage pour le secrétariat d’investissement, un moteur de classification de mails pour les fonctions support, sans architecture globale. Le DSI se retrouve alors à recoller les morceaux, à gérer des systèmes hétérogènes et à sécuriser des flux de données qui n’ont jamais été pensés ensemble.
Pour sortir de cette impasse, la direction générale doit inscrire l’IA dans une feuille de route claire, articulée avec le schéma directeur, les priorités commerciales et les enjeux de protection des données. Le DG ne joue pas l’arbitre technique, mais le garant d’une cohérence entre les processus de travail, les modèles économiques et les risques réglementaires, en s’appuyant sur la DSI pour traduire ces orientations en architecture concrète.
Les trois questions que tout DG devrait poser avant d’investir
Avant de signer un budget IA, un DG devrait poser trois questions simples. Premièrement, quel processus métier précis voulons-nous transformer, et comment l’IA s’intègre-t-elle dans le travail quotidien des équipes, du marché du travail interne jusqu’aux interactions clients. Deuxièmement, quelles données d’entraînement allons-nous utiliser, avec quelles garanties de protection des données et quels impacts sur nos obligations vis-à-vis des États et des pouvoirs publics.
Troisièmement, comment allons-nous mesurer les gains de productivité, non seulement en termes de temps gagné, mais aussi de réduction du taux d’erreur, d’amélioration de la qualité de la relation client et de création de nouveaux emplois qualifiés. Ces trois questions obligent la DSI et les métiers à expliciter les modèles sous-jacents, les hypothèses de croissance et les risques sur le marché du travail. Elles replacent la collaboration DG–DSI au cœur des décisions d’investissement IA, loin des effets de mode technologiques.
Pour rendre ces questions opérationnelles, certaines directions générales les formalisent sous forme de fiche de cadrage : description du cas d’usage, processus concernés, données mobilisées, indicateurs de succès et risques identifiés. Un outil de type répertoire des décideurs pour la stratégie numérique permet ensuite de cartographier les responsabilités, les processus concernés et les flux de données critiques. Le DSI peut alors orchestrer les projets d’IA avec une vision claire des impacts organisationnels et des arbitrages à demander au comité de direction.
Former l’organisation, pas seulement déployer des modèles
Le chiffre est brutal : 60 % des organisations n’ont pas de programme de formation structuré à l’IA. Autrement dit, on déploie des modèles de langage, des modèles génératifs et des agents autonomes sans préparer les équipes au changement de travail. Cette approche alimente les peurs sur l’emploi, les fantasmes sur l’artificial intelligence et les résistances passives dans les métiers, qui freinent l’adoption réelle.
Un DG qui prend l’IA au sérieux doit considérer la formation comme un investissement stratégique, au même titre que l’infrastructure ou les données. Il s’agit de former les collaborateurs à dialoguer avec les systèmes d’IA, à concevoir des processus hybrides homme–machine et à interpréter les rapports produits par les algorithmes. Le DSI peut piloter la partie technique, mais la direction générale doit assumer la responsabilité de la montée en compétence globale, en fixant des objectifs de couverture et de calendrier.
Pour les TPE-PME comme pour les grands groupes, cette approche change la nature même de la relation entre direction générale, DSI et intelligence artificielle. L’IA n’est plus un outil réservé aux entreprises innovantes, mais un levier de transformation du travail et de la relation client, accessible à toutes les entreprises françaises qui acceptent d’investir dans les compétences. À défaut, les écarts de productivité et de croissance se creuseront durablement entre pionniers et suiveurs.
Mesurer l’impact de l’IA : le piège du ROI trop précoce
La plupart des directions générales demandent un ROI chiffré avant même de lancer un projet d’IA. Cette exigence, légitime sur d’autres investissements numériques, devient contre-productive quand on parle de modèles d’IA qui transforment en profondeur les processus. La courbe d’apprentissage organisationnelle rend les gains de productivité visibles seulement après plusieurs cycles d’itération et de stabilisation des usages.
Dans les premiers mois, l’intelligence artificielle augmente souvent la charge de travail plutôt qu’elle ne la réduit. Les équipes doivent apprendre à formuler des requêtes efficaces, à interpréter les réponses des modèles de langage et à corriger les erreurs générées par les systèmes. Le taux d’erreur peut même sembler plus élevé, car les défauts deviennent visibles dans les rapports et les tableaux de bord, alors qu’ils étaient auparavant cachés dans les pratiques manuelles.
Pour un DSI, la clé est d’expliquer au DG que les programmes d’investissement IA suivent une dynamique différente des projets IT classiques. On ne déploie pas seulement un nouveau système, on apprend à travailler avec un « collègue numérique » qui nécessite des données d’entraînement, des retours d’expérience et une gouvernance continue. Mesurer le succès uniquement par un ROI financier à court terme revient à ignorer la valeur de l’apprentissage collectif et de la réduction progressive des risques.
Des indicateurs adaptés à la transformation par l’IA
Plutôt que de focaliser immédiatement sur le ROI, les directions générales devraient suivre des indicateurs intermédiaires. Par exemple, le pourcentage de processus de travail augmentés par l’IA, la réduction progressive du taux d’erreur sur des tâches complexes ou l’amélioration de la satisfaction dans la relation client. Ces métriques reflètent mieux la réalité de la transformation que des gains de productivité bruts sur quelques mois.
Les entreprises qui réussissent structurent leurs tableaux de bord autour de la qualité des données, de la maturité des modèles et de l’adoption par les équipes. Elles suivent la part des décisions appuyées par des rapports générés par l’IA, le nombre d’agents déployés en production et la stabilité des systèmes dans le temps. Cette approche permet de piloter les initiatives d’intelligence artificielle comme un programme de transformation, et non comme une suite de projets isolés sans vision d’ensemble.
Pour articuler ces indicateurs avec la trajectoire globale du SI, il est utile de les intégrer au schéma directeur. Un cadre comme le schéma directeur SI et ses méthodes offre une structure pour relier les investissements IA aux évolutions d’architecture, aux contraintes de sécurité et aux priorités métiers. Le DSI peut alors présenter au comité de direction une vision consolidée des risques, des coûts et des bénéfices attendus, avec un calendrier réaliste.
Aligner architecture, MCO et IA générative
Un autre piège consiste à sous-estimer l’impact de l’IA sur le maintien en conditions opérationnelles. Les modèles génératifs, les agents autonomes et les systèmes de recommandation ajoutent une couche de complexité qui bouscule les pratiques de MCO et de MCS. Les incidents ne viennent plus seulement de l’infrastructure, mais aussi des données d’entraînement, des dérives de modèles et des changements de processus métiers, parfois décidés sans concertation avec la DSI.
Les directions générales qui exigent une disponibilité quasi parfaite doivent intégrer cette réalité dans leurs arbitrages d’investissement. Renforcer la résilience des systèmes d’IA suppose de financer des capacités de supervision spécifiques, des équipes de data engineering et des processus de revue régulière des modèles. Là encore, les programmes IA ne peuvent pas être pilotés comme de simples projets applicatifs, car ils engagent la continuité de service sur des activités critiques.
Pour structurer ce volet, certaines entreprises s’appuient sur des démarches d’optimisation des infrastructures et de continuité de service, en les étendant aux composants IA. Une approche inspirée des bonnes pratiques décrites pour structurer le MCO et la continuité de service permet d’intégrer les modèles d’IA dans le périmètre de supervision standard. Le DSI peut alors rassurer la direction générale sur la capacité du SI à absorber ces nouveaux modèles sans compromettre la stabilité globale ni la conformité.
Partager les risques : le duo DG – DSI comme moteur de transformation
La réussite de l’IA en entreprise repose sur un partage explicite des risques entre DG et DSI. Quand la direction générale se contente de déléguer la responsabilité à l’IT, elle transforme l’IA en sujet purement technique, déconnecté des enjeux d’emploi, de marché du travail et de stratégie nationale. À l’inverse, un pilotage conjoint permet de traiter l’IA comme un levier de transformation globale, avec des arbitrages assumés sur les priorités.
Ce partage commence par une clarification des responsabilités sur les données, les modèles et les processus. Le DSI garde la main sur les systèmes, la qualité des données d’entraînement et la sécurité, tandis que le DG arbitre les priorités entre productivité, croissance et impacts sociaux. Ensemble, ils définissent une politique d’intelligence artificielle qui tient compte des attentes des pouvoirs publics, des contraintes sectorielles et des opportunités pour les entreprises françaises.
Dans ce cadre, les entreprises innovantes adoptent une approche pragmatique : elles traitent l’IA comme un employé numérique, avec une fiche de poste, des objectifs et des revues régulières de performance. Cette analogie aide la direction des entreprises à comprendre que les modèles de langage, les agents et les modèles génératifs nécessitent un management continu, pas un simple déploiement initial. Le marché du travail interne se réorganise alors autour de binômes humain–IA, plutôt que dans une logique de substitution brutale.
Adapter la gouvernance aux TPE-PME et aux grands groupes
Les TPE-PME n’ont pas les mêmes moyens que les grands groupes pour structurer une gouvernance IA. Pourtant, elles sont tout autant exposées aux risques sur les données, la relation client et les processus critiques. Pour elles, la stratégie d’investissement en intelligence artificielle doit rester concentrée sur quelques cas d’usage à fort impact, avec des modèles simples et des systèmes maîtrisés, déployés progressivement.
Les grands groupes, eux, doivent orchestrer une pluralité de modèles, d’agents et de systèmes répartis sur plusieurs pays et plusieurs États. La coordination entre filiales, la protection des données transfrontalières et l’alignement avec la stratégie nationale deviennent des sujets centraux pour la direction générale. Le DSI joue alors un rôle de chef d’orchestre, en veillant à ce que chaque entité respecte les mêmes principes de gouvernance et de sécurité, tout en tenant compte des spécificités locales.
Dans les deux cas, la clé reste la clarté des processus et des responsabilités. Un rapport régulier au comité de direction sur l’état des projets IA, les gains de productivité constatés, les taux d’erreur et les incidents de sécurité permet de maintenir un dialogue informé. Ce reporting donne au DG les éléments nécessaires pour ajuster les investissements, réorienter les priorités et arbitrer entre court terme et moyen terme, en lien avec la DSI.
Inscrire l’IA dans la durée: du secrétariat d’investissement à la stratégie nationale
Pour de nombreuses directions générales, l’IA est encore gérée comme une ligne dans un budget d’innovation ou un dossier présenté au secrétariat d’investissement. Cette approche ponctuelle ne suffit plus face à l’ampleur des transformations en cours sur le marché du travail, la productivité et la compétitivité internationale. Il devient nécessaire d’inscrire les programmes IA dans une vision pluriannuelle, avec des jalons clairs et des revues régulières.
Cette vision doit articuler les priorités internes de l’entreprise avec les orientations de la stratégie nationale en matière de numérique et d’intelligence artificielle. Les pouvoirs publics français encouragent le développement de modèles souverains, la protection renforcée des données et le soutien aux entreprises innovantes, notamment dans les secteurs stratégiques. Une direction générale qui ignore ce contexte risque de sous-exploiter les opportunités de financement, de partenariat et d’influence réglementaire.
Pour un DSI, c’est l’occasion de repositionner le SI comme un actif stratégique au service de cette ambition. En construisant une feuille de route IA qui relie les modèles, les données, les systèmes et les processus métiers, il devient possible de transformer les expérimentations dispersées en avantage compétitif durable. L’IA cesse alors d’être un projet IT pour devenir un pilier de la stratégie d’entreprise, assumé conjointement par la direction générale et la DSI.
Chiffres clés sur l’IA, l’adoption en entreprise et la formation
- Selon l’étude mondiale « State of Generative AI in the Enterprise – 1st Edition » publiée par Deloitte en 2023, environ huit entreprises sur dix utilisent ou expérimentent déjà des solutions d’intelligence artificielle, ce qui montre que l’IA est passée du stade de la veille technologique à celui de l’investissement stratégique. Ces chiffres reposent sur une enquête internationale menée auprès de plusieurs milliers de décideurs, avec un échantillon représentatif par secteur et par zone géographique.
- En France, le taux d’adoption de l’IA générative atteint près de 44 %, devant les États-Unis (environ 28,3 %) et la Chine (près de 16,3 %), ce qui place les entreprises françaises parmi les plus avancées en matière d’usage mais pas nécessairement en matière de gouvernance et de formation.
- D’après les mêmes travaux de Deloitte, près de 60 % des organisations ne disposent pas encore de programme de formation structuré à l’IA, créant un décalage majeur entre les ambitions de la direction générale et la capacité réelle des équipes à transformer les processus de travail.
- Les principaux cas d’usage déployés en France concernent la génération de contenu (environ 59 % des entreprises utilisatrices), l’assistance aux développeurs (près de 54 %), les assistants de type RAG pour la recherche d’information (environ 47 %), la génération de code (près de 43 %) et l’automatisation par agents (autour de 29 %), illustrant la diversité des modèles et des systèmes déjà en production.