L‘intelligence artificielle s’installe rapidement dans les entreprises françaises. Elle facilite la rédaction, accélère la recherche d’informations, contribue à l’analyse des données et permet d’automatiser certaines tâches. Pourtant, derrière cette adoption accélérée, une interrogation demeure : les entreprises savent-elles réellement ce que ces technologies leur apportent ? Entre gains de temps annoncés, amélioration de la productivité et coûts parfois sous-estimés, mesurer la valeur économique et organisationnelle de l’intelligence artificielle devient un véritable enjeu de management.

L’intelligence artificielle progresse plus vite que la mesure de ses résultats

L’intelligence artificielle n’est plus seulement un sujet d’expérimentation réservé aux grandes entreprises ou aux organisations disposant de ressources technologiques considérables. Elle prend progressivement place dans le quotidien des petites et moyennes entreprises, souvent à travers des solutions accessibles, relativement simples à utiliser et dont le coût initial peut paraître modeste. Le Baromètre France Num 2026, publié par la Direction générale des Entreprises et réalisé par le Crédoc auprès de 9 655 entreprises, confirme cette évolution. Selon cette étude, 40 % des TPE-PME françaises déclarent utiliser au moins une solution d’intelligence artificielle, contre 26 % en 2025 et 13 % en 2024. La proportion atteint même 53 % lorsque l’on considère uniquement les PME. En deux ans, l’IA est ainsi passée du statut de technologie émergente à celui d’outil relativement courant dans de nombreuses organisations, même si les pratiques et les niveaux de maîtrise restent très différents d’une entreprise à l’autre.

Cette progression mérite toutefois d’être examinée au-delà des seuls taux d’adoption. Les usages recensés par France Num restent majoritairement concentrés sur des activités faciles à expérimenter : 34 % des entreprises interrogées utilisent l’IA pour générer des textes, des images ou des contenus vocaux, tandis que 24 % ont recours à des assistants conversationnels ou à des outils de recherche d’informations. Les applications davantage intégrées aux processus métiers sont moins répandues, avec 11 % des entreprises déclarant utiliser l’IA pour automatiser des tâches et 9 % pour analyser des données, établir des prévisions ou optimiser leurs ressources. Ces différences révèlent que l’utilisation de l’intelligence artificielle ne correspond pas nécessairement à une transformation profonde du fonctionnement de l’entreprise. Une organisation peut avoir généralisé l’emploi de ChatGPT pour préparer des courriers, résumer des documents ou produire des présentations sans avoir modifié ses méthodes de travail, ses circuits de validation ou ses modalités de prise de décision.

Le véritable changement réside donc moins dans la présence des outils que dans leur capacité à améliorer durablement l’activité. Cette distinction est particulièrement intéressante pour les dirigeants de PME, qui doivent généralement arbitrer leurs investissements avec des ressources humaines et financières limitées. L’acquisition d’une solution d’intelligence artificielle peut donner rapidement le sentiment d’une modernisation réussie, notamment lorsque les collaborateurs l’adoptent spontanément et apprécient sa facilité d’utilisation. Mais une technologie largement utilisée n’est pas nécessairement une technologie rentable. Elle peut faciliter certaines opérations sans réduire les dépenses, accélérer la production sans améliorer la qualité ou encore multiplier les contenus sans générer davantage de résultats commerciaux. Après avoir appris à utiliser l’IA, les entreprises doivent désormais apprendre à mesurer ce qu’elle change réellement dans leur fonctionnement et leurs performances.

Des entreprises satisfaites, mais des bénéfices encore difficiles à quantifier

Le Baromètre France Num 2026 apporte un autre éclairage sur cette question. Parmi les entreprises qui utilisent des solutions d’intelligence artificielle, 68 % considèrent que celles-ci exercent un effet positif sur leur activité. Cette appréciation atteint 84 % chez les entreprises ayant recours à des solutions payantes. Ces résultats témoignent d’une perception favorable de la technologie et suggèrent que ses utilisateurs identifient des bénéfices dans leurs pratiques quotidiennes. Ils doivent néanmoins être interprétés avec prudence, car une déclaration de satisfaction ne constitue pas une évaluation objective de la performance. Une entreprise peut considérer qu’un outil lui rend service parce qu’il simplifie une opération, améliore le confort de travail ou permet de produire un document plus rapidement, sans avoir déterminé précisément la valeur économique ou organisationnelle de cette amélioration.

La différence apparaît clairement lorsqu’on examine les usages professionnels. Un commercial peut avoir le sentiment de gagner du temps en utilisant un assistant conversationnel pour préparer ses courriels de prospection. Un responsable marketing peut apprécier la rapidité avec laquelle l’IA propose plusieurs variantes d’un argumentaire ou réalise une première synthèse concurrentielle. Un dirigeant peut trouver particulièrement utile de disposer en quelques secondes d’une analyse structurée sur un sujet qu’il maîtrise imparfaitement. Toutes ces expériences peuvent être positives, mais elles ne démontrent pas automatiquement une progression de la performance. Pour le commercial, le bénéfice doit notamment être rapproché du taux de réponse et de la qualité des échanges engagés. Pour le responsable marketing, la rapidité de production doit être confrontée à la pertinence des contenus et à leur contribution aux objectifs de communication. Quant au dirigeant, il doit être en mesure d’apprécier la fiabilité des informations obtenues avant de les intégrer à ses décisions.

Cette distinction conduit à différencier trois notions souvent confondues dans les discours sur l’intelligence artificielle : la rapidité d’exécution, la productivité et la création de valeur. La rapidité correspond au temps nécessaire pour réaliser une opération. La productivité apprécie le rapport entre les ressources mobilisées et les résultats obtenus, en tenant compte de leur qualité. La création de valeur concerne les bénéfices économiques, commerciaux, organisationnels ou humains produits par cette amélioration. Ces dimensions peuvent se renforcer mutuellement, mais elles ne progressent pas toujours au même rythme. Une entreprise peut produire davantage de documents sans conquérir de nouveaux clients, réduire le temps nécessaire à une opération sans diminuer ses charges ou améliorer le confort de ses collaborateurs sans pouvoir traduire immédiatement cet avantage en résultat financier. La question pertinente n’est donc pas seulement de savoir si l’IA facilite le travail, mais de comprendre comment cette facilitation se transforme, ou non, en bénéfice pour l’organisation.

Pourquoi les gains de temps ne se transforment pas automatiquement en économies

Le gain de temps constitue l’un des arguments les plus fréquemment avancés pour justifier l’adoption de l’intelligence artificielle. Il présente l’avantage d’être immédiatement compréhensible et relativement facile à observer. Lorsqu’une tâche qui nécessitait auparavant quarante minutes peut être réalisée en quinze minutes, la différence semble suffisamment évidente pour démontrer l’intérêt de la technologie. Pourtant, l’analyse devient plus complexe dès lors que l’on cherche à déterminer la valeur réelle de ces vingt-cinq minutes. Il faut d’abord vérifier que la comparaison porte sur un travail équivalent, que les opérations de contrôle et de correction ont été intégrées et que le résultat final répond aux mêmes exigences de qualité. Il faut ensuite s’interroger sur la manière dont le temps libéré est utilisé. Si celui-ci permet de traiter davantage de commandes, d’accélérer les réponses aux clients ou de développer l’activité commerciale, un bénéfice peut effectivement apparaître. En revanche, si le fonctionnement général de l’entreprise reste inchangé, il serait excessif de considérer automatiquement ce gain de temps comme une réduction de ses dépenses.

Cette question a fait l’objet d’une étude de terrain particulièrement intéressante, publiée par le National Bureau of Economic Research en 2025, puis révisée en novembre de la même année. Les chercheurs ont examiné l’utilisation d’un outil d’intelligence artificielle générative intégré aux applications professionnelles auprès de 7 137 salariés répartis dans 66 entreprises. Pendant la seconde moitié de l’expérimentation, les salariés utilisant effectivement l’outil, qui représentaient 80 % du groupe disposant de l’accès, ont consacré environ deux heures de moins par semaine à leur messagerie électronique. Ce résultat confirme l’existence d’un gain de temps mesurable pour une activité professionnelle précise. Pourtant, les chercheurs n’ont pas observé de modification significative de la quantité ou de la répartition des autres tâches du fait de cet accès individuel à l’IA. Le temps économisé sur une activité ne s’était donc pas automatiquement traduit par une transformation observable de l’ensemble du travail.

Cette observation illustre une difficulté fréquemment rencontrée dans les démarches de transformation numérique. Une amélioration locale, même parfaitement réelle, ne produit pas nécessairement un gain global. Imaginons qu’une équipe commerciale réduise de moitié le temps nécessaire à la préparation de ses propositions, mais que chaque dossier reste ensuite bloqué plusieurs jours dans un circuit de validation interne. L’intelligence artificielle aura accéléré la rédaction sans améliorer sensiblement le délai de réponse au client. De la même manière, un service marketing peut disposer d’analyses plus rapidement sans que les décisions correspondantes soient prises ou mises en œuvre plus efficacement. La performance d’une organisation dépend de l’enchaînement de ses activités, de la circulation de l’information et de la capacité des équipes à exploiter les ressources disponibles. La valeur du temps gagné dépend donc largement de ce que l’entreprise parvient à en faire, et pas seulement de la vitesse à laquelle l’IA exécute une tâche.

Des gains de productivité réels, mais très variables selon les métiers

Il serait néanmoins incorrect de considérer que les bénéfices de l’intelligence artificielle restent essentiellement subjectifs. Plusieurs travaux scientifiques montrent que certaines applications peuvent améliorer sensiblement la productivité des collaborateurs, à condition d’être adaptées aux activités concernées. Une étude menée par Erik Brynjolfsson, Danielle Li et Lindsey Raymond, publiée en février 2025 dans The Quarterly Journal of Economics, a notamment analysé le déploiement d’un assistant conversationnel auprès de 5 172 agents d’un service client. Les chercheurs ont observé une progression moyenne de 15 % du nombre de problèmes résolus par heure grâce à l’utilisation de l’IA. L’intérêt de cette recherche ne réside cependant pas uniquement dans le résultat global, mais également dans les différences constatées entre les salariés. Les collaborateurs les moins expérimentés ont bénéficié d’améliorations nettement supérieures à celles des agents possédant déjà une expertise approfondie, pour lesquels les effets étaient plus modestes et parfois moins favorables sur certains indicateurs de qualité.

Ces résultats montrent que la valeur de l’intelligence artificielle dépend fortement des caractéristiques du travail et du niveau de compétence des utilisateurs. Dans certaines situations, l’outil facilite l’accès à des connaissances dispersées, aide à appliquer les bonnes procédures et permet aux collaborateurs les moins expérimentés de bénéficier indirectement des pratiques développées par leurs collègues plus aguerris. Dans d’autres cas, lorsque la performance repose essentiellement sur une expertise particulière, une compréhension fine du contexte ou des arbitrages complexes, les gains peuvent être beaucoup plus limités. Il serait donc imprudent de généraliser à toutes les entreprises les résultats obtenus dans un service client ou dans une activité administrative. En revanche, ces études fournissent une méthode de réflexion : plutôt que de rechercher une progression uniforme de la productivité, les dirigeants devraient identifier les situations dans lesquelles l’IA complète réellement les compétences disponibles et améliore les résultats obtenus.

Cette perspective invite également à dépasser une conception purement quantitative de la performance. Une intelligence artificielle capable d’aider un collaborateur peu expérimenté à traiter correctement une situation inhabituelle peut représenter un progrès significatif, même si le gain de temps reste modeste. Elle peut réduire les erreurs, favoriser l’homogénéité des pratiques et améliorer la qualité du service rendu. À l’inverse, un outil qui permet à un professionnel expérimenté de produire davantage de documents, mais dont les résultats nécessitent une vérification approfondie, peut présenter un intérêt beaucoup plus limité. La mesure doit donc tenir compte de la nature des tâches, des compétences des utilisateurs et des conséquences du travail produit. Ce n’est pas la quantité d’intelligence artificielle utilisée qui détermine la performance, mais la pertinence de son intervention dans une activité donnée.

Comment mesurer concrètement la valeur de l’IA dans une PME ?

Pour les petites et moyennes entreprises, la mesure de la valeur de l’intelligence artificielle ne nécessite pas obligatoirement un système complexe de contrôle de gestion ou l’acquisition d’un logiciel spécialisé. Elle suppose avant tout de partir d’un besoin professionnel clairement identifié et de définir les résultats que l’on souhaite améliorer. Cette approche est différente de celle qui consiste à découvrir un nouvel outil puis à rechercher des utilisations possibles. Une PME pourrait, par exemple, constater que ses commerciaux consacrent trop de temps à la préparation des propositions, que les demandes clients restent trop longtemps sans réponse ou que certaines opérations administratives mobilisent des ressources disproportionnées. Dans chacune de ces situations, l’entreprise dispose d’un problème concret auquel elle peut essayer d’apporter une réponse. L’intelligence artificielle devient alors un moyen parmi d’autres d’améliorer le fonctionnement de l’organisation, et non un objectif technologique en soi.

La première étape consiste à établir une situation de référence suffisamment fiable. Avant de déployer l’outil, l’entreprise observe le temps nécessaire à la réalisation des tâches, le volume de dossiers traités, les erreurs rencontrées, les corrections effectuées et, lorsque cela est pertinent, les résultats commerciaux associés. Ces observations doivent porter sur une période représentative et tenir compte de la complexité des opérations. Comparer le traitement d’une demande simple à celui d’un dossier exceptionnellement difficile conduirait à des conclusions trompeuses. Une fois cette référence établie, l’entreprise peut introduire l’intelligence artificielle auprès d’un groupe limité de collaborateurs, dans un cadre suffisamment homogène pour permettre les comparaisons. L’expérimentation doit également prévoir la vérification des résultats, car un document généré rapidement, mais nécessitant plusieurs corrections, ne correspond pas à une tâche réellement achevée.

La mesure doit ensuite rapprocher plusieurs dimensions : le temps total consacré au travail, la qualité des résultats, les ressources engagées et les effets sur l’activité. Il peut être utile de compléter ces données par les observations des collaborateurs, notamment lorsque l’IA contribue à réduire certaines tâches répétitives ou à faciliter la recherche d’informations. Ces appréciations doivent cependant rester distinctes des résultats économiques mesurés. Lorsque l’entreprise dispose d’un volume suffisant de dossiers, elle peut comparer les performances d’un groupe utilisant l’IA à celles d’un groupe travaillant selon les méthodes habituelles, en veillant à ce que les situations soient comparables. À défaut, une comparaison avant et après déploiement reste possible, même si elle demande davantage de prudence dans l’interprétation des résultats. L’objectif n’est pas de produire une démonstration scientifique parfaite, mais de disposer d’éléments suffisamment solides pour décider si l’outil mérite d’être conservé, adapté ou déployé plus largement.

Un exemple de calcul : la rentabilité de l’IA dans un service commercial

Prenons le cas fictif d’une PME dont les commerciaux réalisent soixante propositions chaque mois. Avant l’introduction de l’intelligence artificielle, la préparation d’une proposition demande en moyenne quarante-cinq minutes. Après la mise en place d’un outil d’assistance, la production d’une première version nécessite vingt-sept minutes, auxquelles s’ajoutent huit minutes de vérification et de correction. Le temps total passe donc de quarante-cinq à trente-cinq minutes, ce qui représente un gain de dix minutes par proposition. Sur soixante dossiers mensuels, l’équipe libère ainsi dix heures de travail. En retenant un coût horaire chargé de 40 euros, cette capacité supplémentaire peut être valorisée théoriquement à 400 euros par mois. Supposons maintenant que l’entreprise supporte 120 euros d’abonnements mensuels et qu’elle ait engagé 600 euros de formation initiale, répartis sur douze mois pour les besoins du calcul. Le coût mensuel retenu atteint alors 170 euros, tandis que la différence entre la valeur théorique du temps libéré et ces dépenses s’établit à 230 euros.

À première vue, le résultat semble favorable. Mais peut-on réellement affirmer que cette entreprise gagne 230 euros chaque mois grâce à l’IA ? Pas nécessairement, car le raisonnement repose sur une valorisation du temps économisé et non sur une économie financière effectivement constatée. Si les commerciaux utilisent les dix heures libérées pour rencontrer davantage de prospects et que ces rendez-vous génèrent des ventes supplémentaires, la marge dégagée pourra être rapprochée du coût de l’investissement. Si ce temps permet de répondre plus rapidement aux clients, l’entreprise pourra rechercher un effet sur le taux de transformation ou la satisfaction. En revanche, si les dix heures ne modifient ni les dépenses, ni le chiffre d’affaires, ni les autres objectifs de fonctionnement, elles ne constituent pas directement un gain financier. Il faudra également vérifier que la qualité des propositions n’a pas diminué et que les coûts d’intégration, de supervision et de maintenance éventuellement nécessaires ont bien été pris en compte.

Cet exemple montre pourquoi le calcul du retour sur investissement, ou ROI (Return on Investment), doit être réalisé avec rigueur. La formule habituelle consiste à rapporter la différence entre les bénéfices financiers et les coûts totaux à ces mêmes coûts, puis à multiplier le résultat par cent. Mais sa simplicité apparente ne doit pas masquer la difficulté principale : identifier des bénéfices réellement mesurables et raisonnablement attribuables à l’utilisation de l’IA. Dans notre exemple, la valeur théorique du temps libéré constitue un premier élément d’analyse, pas une preuve de rentabilité. Un calcul plus complet devrait également tenir compte des effets sur les ventes, la qualité, les délais et les dépenses réellement évitées. Une économie de temps correctement mesurée représente un résultat opérationnel ; elle ne devient un bénéfice financier que lorsque ses conséquences économiques peuvent être établies.

Les résultats commerciaux et financiers

La réduction de certaines dépenses, l’amélioration des marges, la progression du taux de conversion ou l’augmentation de la capacité de production permettent de rapprocher les usages de l’IA des objectifs économiques.

Le retour sur investissement, ou ROI, peut alors être calculé selon la formule suivante :

 

Plus simplement, lorsque les gains financiers ont été établis :

Encore faut-il que les bénéfices soient raisonnablement attribuables au projet et que les coûts retenus soient complets.

Les coûts invisibles et les changements d’organisation

L’une des difficultés de l’évaluation tient au fait que les entreprises identifient souvent plus facilement le prix des abonnements que le coût réel de l’utilisation des outils. Pourtant, la licence d’un assistant conversationnel ne représente qu’une partie des ressources mobilisées. Il faut également considérer le temps consacré à la formation, à la conception des consignes, aux expérimentations, à l’adaptation des procédures et à la vérification des réponses. Ces dépenses sont parfois peu visibles parce qu’elles mobilisent des collaborateurs déjà présents dans l’entreprise et ne génèrent pas nécessairement de factures supplémentaires. Un responsable commercial qui consacre plusieurs journées à construire des modèles de propositions avec l’IA engage pourtant une ressource productive. De même, un collaborateur qui doit systématiquement reprendre des contenus imparfaits peut réduire fortement le bénéfice initial attendu. À ces éléments s’ajoutent les exigences de confidentialité, de protection des données, de fiabilité des informations et de maîtrise de la dépendance aux fournisseurs, qui peuvent nécessiter des procédures de contrôle spécifiques.

La question organisationnelle est tout aussi déterminante. En avril 2026, l’OCDE a publié une enquête consacrée à l’adoption de l’intelligence artificielle dans les PME, réalisée auprès de plus de 2 000 entreprises réparties dans douze pays. Parmi les entreprises utilisant l’IA dans cet échantillon, 76 % relevaient de la catégorie des utilisateurs débutants selon la classification retenue, avec des pratiques principalement centrées sur des outils standards et des tâches isolées. Seules 21 % des entreprises interrogées déclaraient des bénéfices significatifs ou transformateurs. L’OCDE précise que son échantillon n’est pas représentatif de l’ensemble des PME des pays concernés, ce qui interdit de généraliser directement ces proportions. Ces observations révèlent néanmoins une difficulté intéressante : une entreprise peut disposer d’outils performants sans parvenir à les intégrer suffisamment à ses processus pour obtenir des améliorations collectives.

Cette situation montre que l’intelligence artificielle peut parfois révéler des dysfonctionnements plutôt que les résoudre. Si une équipe produit davantage d’analyses mais que celles-ci ne sont pas exploitées dans les décisions, le problème concerne peut-être moins la production d’informations que leur utilisation. Si un service commercial prépare ses propositions plus rapidement mais que les validations internes restent longues, le principal obstacle se situe probablement dans l’organisation du processus. Si les collaborateurs multiplient les outils sans partager leurs pratiques ni disposer de règles communes, les gains risquent de rester individuels et difficiles à reproduire. L’IA oblige ainsi les entreprises à réexaminer leurs méthodes de travail, la répartition des responsabilités et la circulation de l’information. La transformation ne résulte pas uniquement de l’introduction d’une technologie, mais de la capacité de l’organisation à modifier ses pratiques pour exploiter les possibilités qu’elle offre.

Vers une nouvelle culture de la performance

L’intelligence artificielle possède une particularité qui peut compliquer son évaluation : elle produit très rapidement des résultats qui semblent immédiatement exploitables. Un texte correctement rédigé, une présentation bien structurée ou une analyse formulée avec assurance peuvent donner le sentiment qu’un travail conséquent a été réalisé. Mais l’apparence de qualité ne garantit ni la justesse des informations, ni la pertinence du raisonnement, ni l’adéquation au besoin professionnel. À mesure que les usages se développent, la capacité à évaluer les productions de l’IA devient donc une compétence de management à part entière. Elle suppose de définir des critères de qualité, d’organiser les contrôles nécessaires et de responsabiliser les collaborateurs sur les résultats obtenus. La technologie peut assister le travail, mais elle ne dispense pas l’entreprise de déterminer ce qu’elle attend réellement de ce travail.

Cette évolution pourrait également conduire les dirigeants à revoir leur manière d’aborder les investissements numériques. Pendant longtemps, la réussite d’un projet de transformation a parfois été appréciée à travers le nombre de solutions déployées, le taux d’équipement ou la proportion de collaborateurs formés. Ces indicateurs restent utiles, mais ils renseignent davantage sur l’avancement d’un projet que sur ses résultats. Dans le cas de l’intelligence artificielle, la facilité d’accès aux outils rend cette distinction encore plus nécessaire. Une entreprise peut afficher un taux d’utilisation élevé sans constater de progression significative de sa productivité. Une autre peut obtenir des bénéfices substantiels en concentrant ses efforts sur un petit nombre de processus particulièrement adaptés. La performance ne dépend donc pas nécessairement de la généralisation des usages, mais de leur pertinence et de leur intégration aux objectifs de l’entreprise.

Il devient alors souhaitable d’installer une véritable culture de l’expérimentation et de la preuve. Celle-ci ne consiste pas à soumettre chaque initiative à une analyse financière disproportionnée, mais à identifier les résultats attendus avant le déploiement, à observer les effets produits et à accepter de remettre en question les choix initiaux. Une expérimentation dont les résultats sont insuffisants n’est pas nécessairement un échec : elle peut éviter un investissement plus conséquent et permettre de mieux comprendre les conditions dans lesquelles l’IA devient pertinente. À l’inverse, une amélioration correctement documentée peut justifier une extension progressive à d’autres équipes ou activités. Dans cette perspective, l’intelligence artificielle cesse d’être un sujet de fascination technologique pour devenir un objet de décision stratégique, au même titre que les autres investissements de l’entreprise.

Ce qu’il faut en retenir

L’intelligence artificielle poursuit sa diffusion dans les petites et moyennes entreprises, comme le confirme le Baromètre France Num 2026. Mais la progression du nombre d’utilisateurs ne permet pas, à elle seule, de mesurer la valeur créée. Un outil peut accélérer une tâche sans améliorer la rentabilité, réduire certaines opérations répétitives sans modifier significativement l’organisation ou apporter des bénéfices réels qui ne se traduisent pas immédiatement par une diminution des dépenses. Les études disponibles montrent que l’IA peut améliorer sensiblement certaines performances, mais que les résultats dépendent des activités, du niveau d’expérience des collaborateurs et des conditions de déploiement. Pour les dirigeants, la démarche la plus pertinente consiste donc à distinguer les gains de temps, la productivité effective, la qualité du travail et les conséquences économiques ou organisationnelles, puis à rapprocher ces observations des objectifs poursuivis.

Cette approche suppose de partir de besoins concrets, d’établir une situation de référence, d’expérimenter dans des conditions suffisamment comparables et de mesurer les résultats avant de généraliser les usages. Elle conduit également à reconnaître que tous les bénéfices ne se traduisent pas directement par une économie financière et que certaines améliorations, notamment celles qui concernent les conditions de travail ou la qualité du service, méritent une évaluation adaptée. Le véritable défi des prochaines années ne sera probablement plus de savoir combien d’entreprises utilisent l’intelligence artificielle, mais combien parviennent à transformer cette utilisation en une amélioration durable de leur activité. Car une entreprise ne devient pas plus performante simplement parce qu’elle utilise davantage d’outils. Elle le devient lorsqu’elle sait démontrer que ses choix technologiques contribuent effectivement à ses résultats.

Sources et références

  1. Direction générale des Entreprises, France Num et Crédoc, Baromètre France Num 2026 : le numérique et l’intelligence artificielle dans les TPE et PME, septembre 2026, actualisé en novembre 2026. Consulter le baromètre.
  2. OCDE, Empowering SMEs in the age of AI: The 2026 OECD D4SME Survey, 13 avril 2026. Enquête exploratoire auprès de plus de 2 000 PME dans douze pays. Consulter la publication.
  3. Erik Brynjolfsson, Danielle Li et Lindsey Raymond, Generative AI at Work, The Quarterly Journal of Economics, volume 140, numéro 2, mai 2025. Consulter l’étude.
  4. Eleanor W. Dillon, Sonia Jaffe, Nicole Immorlica et Christopher T. Stanton, Shifting Work Patterns with Generative AI, National Bureau of Economic Research, Working Paper n° 33795, mai 2025, révisé en novembre 2025. Consulter l’étude.
  5. France Num, Comment déployer l’IA générative efficacement dans sa TPE PME ?, avril 2025, actualisé en octobre 2025. Consulter le guide.

#IntelligenceArtificielle
#PME
#Productivité
#TransformationNumérique