Se rendre au contenu
Toutes les ressources
Déployer l'IA en entreprise : 7 bonnes pratiques issues du terrain

Déployer l'IA en entreprise : 7 bonnes pratiques issues du terrain

2026-10-29
Article Data / IA

Comment réussir sa transformation IA sans perdre ses équipes en route ? Trois responsables d'entreprises du territoire partagent leurs apprentissages concrets : ce qui a fonctionné, ce qui a échoué, et surtout, ce qu'ils referaient différemment.

Temps de lecture : 8 min

Le vrai défi : transformer les humains, pas seulement les outils

Déployer l'intelligence artificielle en entreprise n'est pas un projet IT comme les autres. C'est d'abord une transformation humaine, où la technologie n'est qu'un levier. Les trois organisations représentées lors de cette table ronde, Ageval (éditeur de logiciel de pilotage de la qualité), Manitou (groupe industriel international) et Baker Tilly (cabinet de conseil et d'audit), l'ont appris à leurs dépens.

Le constat unanime : l'enthousiasme initial coexiste avec des résistances profondes. Environ un tiers des collaborateurs refuse catégoriquement les nouveaux outils IA, non par technophobie, mais par peur de perdre leur utilité. Alors, quelles sont les bonnes pratiques à prendre en compte pour que votre projet d'IA en entreprise soit lancé sur de bons rails ?

1. Oser l'audace dès le départ

L'erreur à éviter : vouloir protéger ses utilisateurs en cachant l'IA derrière des fonctionnalités discrètes.

Ageval l'a appris en 2023 en lançant des outils « qui ne devaient pas trop ressembler à de l'IA » pour ne pas effrayer ses clients du secteur médico-social. Résultat ? Les utilisateurs ont comparé avec ChatGPT sur leur mobile et ont jugé l'offre… décevante. « Manque d'audace, manque de courage, manque de vision », reconnaît le DSI. Les utilisateurs se sont acculturés plus vite que prévu grâce aux outils grand public.

La bonne approche : assumer l'IA, la nommer, la montrer, et former massivement dès le début. Chez Manitou, plus de 800 personnes ont rejoint une communauté interne dédiée à l'IA générative en moins d'un an, avec des formations terrain qui évoluent : « Il y a un an, on formait au prompt. Aujourd'hui, on forme au développement d'agents IA. »

2. Former avant de contrôler

Les trois organisations ont adopté la même séquence :

  1. Phase 1 – Autoriser et observer : laisser les collaborateurs expérimenter des outils publics (ChatGPT, Claude, etc.) sur des données non confidentielles, tout en mesurant les usages.

  2. Phase 2 – Former massivement : webinaires, e-learning, hackathons, ateliers terrain. Chez Baker Tilly, 60 à 70 % des collaborateurs ont été formés en quelques mois.

  3. Phase 3 – Proposer des alternatives sécurisées : une fois les équipes acculturées, déployer des solutions internes (Google Vertex, Microsoft Copilot, instances souveraines).

  4. Phase 4 – Restreindre progressivement : fermer l'accès aux outils non maîtrisés une fois que des alternatives internes existent.

Chez Manitou, 10 % des collaborateurs utilisaient ChatGPT avant toute action. La direction a d'abord interdit ChatGPT, puis a fermé tous les outils IA externes… tout en ouvrant 13 solutions IA différentes en interne, pilotées et sécurisées.

Le principe clé : « On ne peut pas bloquer la création d'une culture, d'une appropriation. C'est un risque qui a été pris. » (Hervé Rochet, Manitou)

3. Commencer par des cas d'usage simples et rapides

Pas besoin de viser la lune tout de suite. Les premiers projets doivent être visibles, utiles, et rapides à déployer.

Exemples concrets :

  • Ageval : assistant IA pour aider les équipes commerciales à répondre aux appels d'offres techniques, en s'appuyant sur 25 000 documents internes. Gain de temps immédiat, adoption rapide.

  • Baker Tilly : assistant de prise de connaissance d'une entreprise avant un audit (recherche en sources ouvertes, analyse des risques inhérents). Tâche qui prenait 3 à 5 heures, désormais accélérée et harmonisée.

  • Manitou : base de connaissances produits pour les commerciaux (400 modèles, options multiples). Déployée en interne, puis demandée par les concessionnaires : « Certains sont venus voir les présentateurs en disant : je l'achète tout de suite. »

Le critère de sélection : privilégier les projets qui font gagner du temps sans déshumaniser le travail. L'humain reste toujours responsable de la validation finale.

4. Toujours garder l'humain dans la boucle

Règle d'or chez Baker Tilly : « Celui qui signe à la fin, ce n'est pas l'IA, ce n'est pas le copilote, c'est l'expert-comptable qui va prendre la responsabilité. »

Même dans des secteurs ultra-normés (médico-social, audit, industrie), l'IA ne remplace jamais le jugement humain. Elle assiste, accélère, harmonise… mais ne décide pas seule.

Techniques de contrôle mises en place :

  • Double validation : chez Ageval, un premier modèle IA génère une réponse, puis un second système (algorithmique, non génératif) vérifie la validité des documents sources cités.

  • UX pensée pour forcer la relecture : par exemple, afficher les réponses en mode "brouillon" ou imposer une étape de validation manuelle avant envoi.

  • Formation à l'esprit critique : sensibiliser aux hallucinations, aux biais, aux limites des modèles.

L'objectif : que les collaborateurs restent acteurs et maîtres de ce qu'ils produisent, pas spectateurs d'une boîte noire.

5. Sécuriser sans freiner

L'IA augmente mécaniquement la surface d'attaque cyber : prompt injection, phishing assisté par IA, deepfakes vidéo… Les menaces évoluent aussi vite que les modèles.

Les réflexes à adopter :

  • Internaliser ou choisir des partenaires souverains : Ageval a déployé ses propres instances de modèles open source pour des raisons de conformité (hébergement de données de santé, HDS).

  • Cloisonner les briques IA : traiter les services IA comme des logiciels tiers, avec des API dédiées et des contrôles stricts sur les flux de données.

  • Former les équipes au phishing nouvelle génération : les mails frauduleux n'ont plus de fautes d'orthographe. Il faut sensibiliser autrement.

  • Patcher en continu : la baisse du coût des attaques complexes impose des mises à jour rapides sur tout le SI.

Le dilemme souveraineté vs. performance : Manitou privilégie la maîtrise de la donnée à forte valeur ajoutée, quitte à développer en interne. « Tout ce qui a vraiment de la valeur, on veut plutôt le maîtriser. »

6. Impliquer les managers intermédiaires dès le début

L'échec : avoir convaincu la direction et les salariés… mais oublié les managers de proximité. Résultat ? Blocage pendant 15 à 20 mois. « Les managers se sont posés la question : à quoi je sers, finalement, si l'IA fait ces tâches ? »

La solution : intégrer les managers dans la gouvernance IA dès le départ. Chez Manitou, le comité de pilotage IA (lancé en mai 2024) associe IT, communication, juridique, métiers et managers opérationnels. Objectif : co-construire les usages, pas les imposer.

Effet observé : les projets portés collectivement par les équipes fonctionnent bien. Les projets "top-down" génèrent une adoption polarisée : deux tiers d'adhésion, un tiers de refus absolu.

7. Structurer une trajectoire en trois temps

Les trois organisations convergent vers un modèle de déploiement en trois phases :

Phase 1 – Acculturation massive (6 à 12 mois)

  • Webinaires, e-learning, hackathons, formations terrain

  • Objectif : que tout le monde comprenne ce qu'est l'IA, ce qu'elle fait, ce qu'elle ne fait pas

  • Outil : assistants IA généralistes (type Copilot, Gemini, Claude)

Phase 2 – Développement d'agents métiers (en cours)

  • Création d'assistants IA spécialisés par cas d'usage

  • Formation des collaborateurs à créer leurs propres agents (mouvement "citizen developer IA")

  • Objectif : personnaliser les outils par métier, par tâche, par contexte

Phase 3 – Automatisation de workflows complets (horizon 2026-2027)

  • Intégration de l'IA dans les chaînes de production

  • Agents autonomes capables d'interagir entre eux

  • Objectif : transformer en profondeur 2 à 3 processus critiques, avec moyens et sponsoring forts

Important : ne pas brûler les étapes. 

Points de vigilance : ce qui peut faire dérailler le projet

  • Ne pas mesurer le ROI : c'est le chantier en cours chez Baker Tilly. Automatiser, c'est bien. Mais pour faire quoi ? Économies ? Valeur client ? Croissance ?

  • Sous-estimer la qualité des données : des années de données mal structurées peuvent freiner l'exploitation IA. Un chantier data solide est un prérequis.

  • Oublier l'accompagnement au changement : « On n'est pas dans la technologie, on est dans la gestion du changement. » (Hervé Rochet, Manitou). Prévoir des équipes dédiées à l'accompagnement terrain.

  • Croire que l'IA remplace l'expertise métier : au contraire, elle force à être encore meilleur. L'expert doit désormais apporter ce que l'IA ne peut pas faire : la confiance, le conseil, le regard critique, l'empathie.

À retenir

  • L'audace dès le départ : assumer l'IA, ne pas la cacher.

  • Former massivement avant de contrôler : acculturer, puis sécuriser.

  • Toujours garder l'humain dans la boucle : l'IA assiste, ne remplace pas.

  • Impliquer les managers intermédiaires : ce sont eux qui font ou défont l'adoption.

  • Structurer une trajectoire en trois phases : acculturation, agents métiers, automatisation.

  • Sécuriser sans freiner : souveraineté et conformité sont des atouts, pas des freins.

  • Mesurer le ROI : automatiser, oui, mais pour créer quelle valeur ?

Ces propos ont été partagés par Yves-Gaël Chény (DSI & CTO chez Ageval), Hervé Rochet (Chief Transformation & Governance Officer chez Manitou) et Samuel Richer (Responsable IA chez Baker Tilly), lors de la table ronde « IA et souveraineté : REX et usages concrets » organisée par ADN Ouest en partenariat avec le Club ETI et la Région Pays de la Loire, le 15 octobre chez Tibco à Saint-Aignan-Grandlieu (44). Cette table ronde était animée par Axel Villechalane, Directeur général de MyAlfred.ai.

Synthèse partiellement générée par une IA  

Retrouvez également notre série d'articles dédiés à l'IA : 

Pour aller plus loin