Après les trois articles que je viens de consacrer aux bouleversements qui se préparent autour d’OpenAI, de l’administration américaine et des investissements colossaux actuellement injectés dans l’intelligence artificielle, je me rends compte qu’un autre aspect du problème mérite vraiment qu’on s’y attarde.
Parce qu’à force de parler de ChatGPT, des agents IA ou des milliards investis par les géants de la tech, on pourrait presque oublier que, dans pas mal d’entreprises, on continue encore à regarder l’IA comme une sorte de nouvel outil Office un peu plus malin, pratique pour rédiger un mail, résumer une brouette de documents du fisc ou demander à ChatGPT pourquoi Excel vient une fois de plus de décider tout seul que la cellule B17 devait absolument devenir rouge.
Pendant ce temps, derrière nos écrans, une gigantesque bataille industrielle et technologique est en train de se jouer à une échelle qui dépasse très largement le simple robot conversationnel que nous utilisons quotidiennement pour trouver une recette de cookie.
Les investissements consacrés à l’intelligence artificielle se comptent désormais en centaines de milliards de dollars, les géants technologiques construisent des data centers gigantesques (sans oublier Musk qui avance dans l’espace où personne ne paie de précompte immobilier), achètent des quantités impressionnantes de processeurs spécialisés et consacrent une partie considérable de leurs dépenses à développer les infrastructures nécessaires aux prochaines générations de modèles d’IA.
Et si tout cela peut sembler assez éloigné du quotidien d’une PME belge ou française il serait pourtant dangereux de croire que cette gigantesque course technologique ne concerne que les ingénieurs de la Silicon Valley. Parce que ce qui se prépare derrière ces investissements risque progressivement de modifier la manière dont des millions d’entreprises vont travailler.
Lorsque l’on parle d’intelligence artificielle dans une entreprise, on pense encore très souvent à un salarié qui ouvre Copilot (parce qu’on lui a interdit les autres) pour lui demander de reformuler un courrier, de traduire un texte ou de lui préparer une présentation Powerpoint à peu près potable. Ce qui est certes pratique, mais qui ne constitue probablement que la partie émergée d’un phénomène beaucoup plus important.
Les nouveaux systèmes d’IA commencent en effet à pouvoir enchaîner plusieurs opérations, utiliser différents outils, rechercher des informations, analyser des documents, produire des réponses et parfois exécuter certaines actions sans qu’un être humain soit obligé de leur expliquer chaque étape du processus.
On parle alors notamment d’agents IA, et même si le terme peut donner l’impression que l’on vient de ressortir Will Smith de “Men in black“, l’idée est finalement assez simple : au lieu de demander à une IA de vous aider à effectuer une tâche, on commence progressivement à lui demander de réaliser une partie du processus à votre place.
La différence peut sembler subtile, mais elle est considérable pour une entreprise. Si une IA vous aide à rédiger un rapport, vous avez simplement amélioré un outil de travail. Si elle peut récupérer les informations nécessaires, analyser les données, produire le rapport, l’enregistrer au bon endroit, prévenir les personnes concernées et recommencer automatiquement chaque semaine, vous n’avez plus simplement ajouté un nouvel outil à votre entreprise, vous avez commencé à modifier la manière dont celle-ci fonctionne. Et c’est probablement cette évolution que beaucoup d’entreprises sous-estiment encore.
Les chiffres donnent d’ailleurs une idée assez spectaculaire de ce qui est en train de se passer.
Les investissements privés mondiaux dans l’intelligence artificielle ont atteint environ 345 milliards de dollars en 2025, selon les données du Stanford AI Index, tandis que les investissements consacrés spécifiquement à l’IA générative ont atteint environ 171 milliards de dollars, avec une progression extrêmement rapide par rapport à l’année précédente.
Et ces chiffres ne représentent même pas l’ensemble de la facture, puisque les grands fournisseurs de cloud et les entreprises technologiques investissent parallèlement des sommes considérables dans les data centers, les réseaux, les systèmes de refroidissement, les infrastructures électriques et surtout les capacités de calcul nécessaires pour faire fonctionner les futurs modèles.
Autrement dit, les entreprises qui investissent massivement dans l’IA ne semblent pas considérer celle-ci comme une petite mode technologique destinée à disparaître après quelques années, mais comme une infrastructure appelée à prendre une place importante dans l’économie.
On peut évidemment discuter de la rentabilité de certains investissements, de la valorisation de certaines entreprises ou du risque de bulle autour de l’IA, et il serait même particulièrement imprudent de prétendre que chaque dollar actuellement investi produira mécaniquement un retour sur investissement.
Mais une chose est beaucoup plus difficile à ignorer : l’industrie technologique est en train de construire les capacités nécessaires pour que l’intelligence artificielle soit intégrée à une quantité considérable de processus économiques.
Et lorsque l’infrastructure sera là, les entreprises pourront commencer à l’utiliser à une échelle qui n’a probablement plus grand-chose à voir avec le simple fait de demander à ChatGPT de corriger une faute d’orthographe.
C’est ici que le sujet devient beaucoup plus concret pour une PME. Imaginez une entreprise qui fonctionne parfaitement bien depuis quinze ou vingt ans, avec ses habitudes, ses logiciels, ses procédures internes et ses collaborateurs qui connaissent leur métier sur le bout des doigts, mais dont une grande partie du travail quotidien consiste encore à recopier des informations, vérifier des documents, répondre aux mêmes questions, préparer des rapports, chercher des informations dans différents systèmes ou déplacer des données d’un logiciel vers un autre.
Rien de tout cela n’est nécessairement inefficace, et il serait ridicule de prétendre qu’une entreprise traditionnelle est automatiquement mal gérée parce qu’elle n’a pas encore installé de l’IA partout. Le problème apparaît lorsque son concurrent commence à automatiser progressivement une partie de ces tâches.
Ce concurrent peut alors traiter plus rapidement les demandes entrantes, préparer automatiquement certains documents, analyser de grandes quantités d’informations, assister ses commerciaux dans leur préparation, automatiser une partie du support client ou accélérer certaines tâches administratives qui mobilisaient auparavant plusieurs personnes pendant plusieurs heures.
Il ne faut même pas imaginer une entreprise entièrement pilotée par des robots pour comprendre le phénomène. Il suffit qu’une entreprise réduise de quelques minutes le temps nécessaire à des centaines de tâches répétitives pour que l’effet cumulé devienne intéressant.
Et lorsque plusieurs départements commencent à faire la même chose, le gain potentiel ne se situe plus uniquement au niveau du salarié qui utilise l’outil, mais au niveau de l’organisation entière.
C’est probablement là que se trouve l’un des principaux enjeux économiques de l’IA : elle pourrait modifier non seulement la productivité des individus, mais progressivement la structure même des entreprises.
On pourrait évidemment répondre que tout cela reste encore très hypothétique, et ce serait une objection parfaitement légitime si nous n’avions pas déjà des études montrant des gains mesurables dans certaines activités.
Une étude menée auprès de plus de 5 000 agents travaillant dans le support client a par exemple observé une augmentation moyenne d’environ 14 % du nombre de problèmes résolus par heure lorsque les travailleurs disposaient d’un assistant basé sur l’intelligence artificielle, avec des gains particulièrement importants chez les employés les moins expérimentés.
Une autre étude portant sur plusieurs milliers de développeurs travaillant notamment chez Microsoft et Accenture a également observé une augmentation du nombre de tâches réalisées lorsque les développeurs utilisaient un assistant de programmation basé sur l’IA.
Ces résultats ne signifient évidemment pas qu’il suffit d’installer une IA pour transformer automatiquement chaque salarié en machine à produire 25 % de travail supplémentaire, puisque les résultats varient selon les métiers, les tâches, les outils utilisés et l’organisation dans laquelle ils sont intégrés.
Ils montrent cependant quelque chose d’important : dans certaines conditions, l’IA produit déjà des gains de productivité mesurables. Et lorsque cette technologie devient progressivement meilleure, moins chère et directement intégrée dans les logiciels professionnels, il devient assez difficile de considérer ces expérimentations comme un simple gadget.
Ce qui m’inquiète davantage, ce n’est donc pas forcément l’idée qu’une IA va demain remplacer brutalement un métier entier, parce que la réalité économique est beaucoup plus complexe que cela. Le phénomène pourrait être beaucoup plus progressif et, justement pour cette raison, beaucoup plus difficile à percevoir.
Une entreprise va automatiser son service client, une autre sa préparation documentaire, une troisième une partie de sa comptabilité, une quatrième son analyse commerciale, tandis qu’une entreprise industrielle va utiliser l’IA pour améliorer sa maintenance, sa prévision de production ou son contrôle qualité.
Au début, les différences seront probablement modestes et personne ne verra vraiment de révolution. Puis les petits gains vont s’accumuler. Une entreprise répondra plus rapidement à ses clients, préparera ses offres plus vite, passera moins de temps à chercher des informations, détectera plus tôt certaines erreurs et pourra consacrer davantage de temps aux tâches qui nécessitent réellement l’intervention humaine.
Pendant ce temps, une autre entreprise continuera à faire exactement ce qu’elle faisait dix ans auparavant parce que, soyons honnêtes, cela fonctionne encore très bien et que personne n’a envie de toucher à un processus qui fonctionne sans provoquer immédiatement une réunion de trois heures avec un Powerpoint saturé d’info à l’appui.
Le problème est qu’un jour, les deux entreprises pourraient ne plus avoir la même structure de coûts ni la même capacité à traiter le même volume de travail. Et à ce moment-là, il sera peut-être trop tard pour simplement “commencer à regarder l’IA”.
On pourrait encore penser que ce phénomène concerne surtout les multinationales disposant de départements informatiques gigantesques, mais les chiffres européens racontent une histoire légèrement différente.
En 2025, environ une entreprise européenne sur cinq de dix salariés ou plus déclarait déjà utiliser au moins une technologie d’intelligence artificielle, avec des taux beaucoup plus élevés dans plusieurs pays nordiques, notamment au Danemark, en Finlande et en Suède.
La France connaît également une progression rapide, même si l’adoption reste très différente selon la taille des entreprises, avec une utilisation nettement plus importante dans les grandes organisations que dans les petites structures. Cette différence est particulièrement intéressante parce qu’elle montre que la question n’est déjà plus de savoir si l’IA va arriver dans les entreprises. Elle est déjà là.
La véritable question devient plutôt : à quelle vitesse chaque entreprise va-t-elle apprendre à l’intégrer intelligemment dans ses propres processus ?
Et cette nuance est importante, parce qu’il ne s’agit évidemment pas de demander à toutes les PME d’acheter des dizaines de milliers d’euros de matériel ou de recruter une armée d’ingénieurs spécialisés.
Une entreprise peut commencer beaucoup plus simplement, en identifiant les tâches répétitives, les processus qui consomment beaucoup de temps, les problèmes récurrents et les activités dans lesquelles ses collaborateurs passent davantage de temps à chercher ou recopier des informations qu’à réellement créer de la valeur.
C’est probablement ce qui me paraît le plus intéressant dans cette histoire. Une entreprise ne deviendra pas soudainement ” obsolète” un lundi matin parce qu’un nouveau modèle d’IA sera sorti pendant le week-end. Le risque est beaucoup plus progressif.
Pendant plusieurs années, certaines entreprises pourraient continuer à fonctionner avec leurs anciennes méthodes sans rencontrer de problème particulier, tandis que leurs concurrents expérimenteront, automatiseront et réorganiseront progressivement leurs processus.
Puis les différences commenceront à s’accumuler. Le concurrent répondra plus vite, produira certains documents plus rapidement, analysera davantage de données, traitera davantage de demandes avec les mêmes effectifs et pourra peut-être consacrer une plus grande partie de son temps à ses clients plutôt qu’à déplacer des informations entre quinze fichiers Excel.
Et le jour où quelqu’un demandera pourquoi l’entreprise ne peut pas faire la même chose, la réponse pourrait être particulièrement révélatrice :
Cette phrase n’est pas forcément stupide, puisque certaines méthodes anciennes fonctionnent encore parfaitement bien. Mais dans un environnement où la technologie évolue beaucoup plus rapidement que les habitudes des organisations, elle peut devenir dangereuse si elle sert à justifier l’immobilisme plutôt qu’à préserver ce qui fonctionne réellement.
Le véritable enjeu de l’intelligence artificielle pour les entreprises ne sera donc peut-être pas de savoir qui possède le meilleur modèle ou qui utilise le plus de robots.
Il pourrait simplement être de savoir qui aura compris suffisamment tôt quelles parties de son entreprise doivent changer, lesquelles doivent rester humaines et lesquelles peuvent être automatisées sans transformer le bureau en épisode raté de Black Mirror.
Parce que pendant que certaines entreprises se demanderont encore si leurs employés ont le droit d’utiliser ChatGPT pour rédiger un mail, d’autres auront peut-être déjà commencé à reconstruire leurs processus autour de l’IA.
Et dans quelques années, la différence entre les deux pourrait être assez visible. À ce moment-là, expliquer que l’on n’a pas changé parce que “Cela fonctionnait très bien avant” risque d’être une réponse assez peu convaincante.
Surtout si, juste en face, le concurrent vient de découvrir qu’il existe une autre façon de travailler.
La question est évidemment beaucoup plus intéressante que de savoir si l’intelligence artificielle va transformer l’économie, parce qu’un patron de PME qui vient de lire tout ce qui précède risque assez rapidement de se dire : “D’accord, très bien, mais concrètement, je fais quoi lundi matin ? J’achète dix abonnements ChatGPT, je vire mon informaticien et je recrute un ingénieur spécialisé en agents IA ?” Rassurez-vous, non, et heureusement, parce que le résultat risquerait surtout d’être coûteux, assez confus et probablement légèrement traumatisant pour tout le monde.
Les recommandations qui ressortent des travaux consacrés spécifiquement aux PME sont en réalité beaucoup plus pragmatiques : il faut commencer petit, mais commencer sérieusement.
Commencer par regarder où l’entreprise perd son temps
La première étape consiste à réunir quelques personnes qui connaissent réellement l’entreprise, ses clients, ses processus et ses problèmes quotidiens, puis à passer en revue les tâches qui prennent énormément de temps sans réellement créer beaucoup de valeur. Les mails répétitifs, la préparation de documents, l’encodage d’informations, les recherches internes, les comptes rendus, le support client, l’analyse de données ou encore certaines opérations administratives sont précisément le genre de tâches qu’il faut examiner avant de commencer à acheter des solutions.
L’idée n’est donc pas de demander “Où peut-on mettre de l’IA ?”, mais plutôt “Où perd-on actuellement le plus de temps et où une technologie pourrait-elle nous aider à travailler autrement ?”. Cette différence peut sembler sémantique, mais elle évite déjà une bonne partie des projets IA qui commencent par l’achat d’un outil avant même d’avoir identifié le problème qu’il est censé résoudre.
Ne pas commencer par acheter l’outil à la mode
Une fois les problèmes identifiés, une PME peut sélectionner deux ou trois cas d’usage relativement simples, définir ce qu’elle espère réellement obtenir et lancer des projets pilotes pendant quelques semaines ou quelques mois, avec des indicateurs très concrets : temps économisé, coût réduit, nombre d’erreurs, délai de réponse au client, volume traité ou satisfaction des collaborateurs.
Si le projet permet de gagner trois heures par semaine mais qu’il faut en consacrer cinq à le maintenir, il n’y a probablement pas besoin d’un doctorat en intelligence artificielle pour comprendre que le bilan est légèrement bancal.
L’objectif n’est donc pas de pouvoir annoncer fièrement que l’entreprise utilise désormais quinze outils d’IA différents, mais de démontrer que deux ou trois d’entre eux apportent réellement quelque chose à l’organisation.
Il faut un pilote, pas quinze cow-boys
Il faut également désigner quelqu’un pour coordonner cette démarche, même si cette personne ne devient pas pour autant “Monsieur IA” avec une cape et un badge spécial. Dans une petite entreprise, cela peut être un responsable informatique, un responsable opérationnel, un directeur administratif ou simplement un collaborateur qui connaît suffisamment bien les différents métiers pour faire le lien entre les besoins de l’entreprise et les possibilités technologiques.
L’essentiel est surtout d’éviter que chacun utilise quinze outils différents dans son coin sans que personne ne sache quelles données partent où, combien cela coûte et ce que ces outils produisent réellement.
Ce rôle de coordination permet également de centraliser les expérimentations, de partager les bonnes pratiques et surtout d’éviter qu’un collaborateur découvre une solution intéressante un mardi matin, l’utilise pendant trois semaines, puis que tout le monde oublie son existence lorsque ce même collaborateur part en vacances.
Une petite roadmap vaut mieux qu’un grand PowerPoint
C’est à ce moment qu’une petite feuille de route devient utile, avec quelques priorités pour les six à douze prochains mois, les projets à tester, les personnes impliquées, le budget disponible, les formations nécessaires et surtout les critères permettant de décider si un projet doit être abandonné, amélioré ou généralisé.
Le gouvernement canadien et l’OCDE recommandent précisément ce type d’approche progressive, qui permet à une PME de passer de l’expérimentation ponctuelle à une véritable stratégie d’adoption sans devoir transformer toute son organisation en laboratoire de recherche.
L’idée est finalement assez simple : tester, mesurer, corriger, puis déployer ce qui fonctionne réellement, plutôt que de décider dès le départ que l’entreprise va “full IA” parce que cela faisait particulièrement bien dans la présentation PowerPoint du consultant.
Faut-il recruter un spécialiste de l’IA ?
Et faut-il recruter des spécialistes de l’IA ? Pas nécessairement, du moins pas immédiatement. Les compétences sont effectivement l’un des principaux obstacles rencontrés par les PME, mais les recommandations internationales insistent également sur la formation des équipes existantes, le mentoring, les partenariats avec des établissements d’enseignement et le recours ponctuel à des experts externes.
Une PME peut donc très bien commencer par former quelques collaborateurs particulièrement intéressés, identifier ses besoins réels, puis faire appel à une consultance spécialisée lorsqu’un projet devient suffisamment important pour le justifier.
L’avantage est également de conserver une partie de la connaissance en interne, car un consultant peut parfaitement savoir comment fonctionne une technologie d’IA sans nécessairement connaître les petits bricolages, les contraintes et les réalités parfois légèrement folkloriques qui font fonctionner une entreprise depuis quinze ans.
La consultance, oui, mais pas les yeux fermés
Faire appel à un spécialiste externe peut donc avoir beaucoup de sens lorsqu’une entreprise ne possède pas les compétences nécessaires pour évaluer une technologie, sécuriser ses données, automatiser un processus complexe ou intégrer correctement une solution à son infrastructure existante.
En revanche, il faut éviter de déléguer entièrement la réflexion stratégique à quelqu’un qui arrive avec une solution avant même d’avoir compris le problème. Une PME doit rester capable de définir elle-même ses priorités, ses contraintes et les résultats qu’elle attend, quitte ensuite à demander à un spécialiste de l’aider à construire la solution.
Sinon, le risque est assez simple à comprendre : l’entreprise finit avec une magnifique plateforme d’intelligence artificielle, trois tableaux de bord, quatre abonnements mensuels et une facture confortable, mais personne ne sait exactement pourquoi tout cela a été acheté.
Ne mettez pas de l’IA sur une usine à gaz
Il y a toutefois une règle qui me paraît particulièrement importante : ne pas demander à l’IA de réparer un processus qui est déjà complètement bancal. Avant d’automatiser une procédure, il faut d’abord comprendre pourquoi elle existe, supprimer les étapes inutiles, nettoyer les données et simplifier le processus lorsque cela est possible.
Automatiser une usine à gaz revient généralement à obtenir une usine à gaz qui fonctionne beaucoup plus vite, ce qui n’est pas nécessairement le progrès espéré.
C’est d’ailleurs probablement l’une des erreurs les plus faciles à commettre dans une stratégie IA : prendre un processus ancien, compliqué et rempli d’étapes inutiles, puis y ajouter une couche d’intelligence artificielle en espérant que tout deviendra miraculeusement plus efficace. L’IA n’a malheureusement pas encore reçu le module “magie”.
Former quelques personnes plutôt que tout le monde d’un coup
Une PME n’a pas non plus forcément besoin d’envoyer l’ensemble de ses collaborateurs suivre une formation de trois jours sur les architectures de modèles multimodaux et les techniques avancées de prompting. Il est probablement beaucoup plus utile de commencer avec quelques personnes motivées, issues de métiers différents, qui pourront expérimenter les outils, documenter ce qui fonctionne et transmettre progressivement leurs connaissances au reste de l’entreprise.
Ces personnes peuvent devenir les relais internes de la transformation, tout en permettant à la direction de comprendre beaucoup plus rapidement où se trouvent les vrais bénéfices et les vraies limites de l’IA.
Cette approche présente également un avantage assez sympathique : elle permet de découvrir assez vite qui, dans l’entreprise, considère l’IA comme une nouvelle opportunité et qui préfère attendre que quelqu’un d’autre ait testé avant de toucher au bouton.
En résumé, une PME n’a probablement pas besoin de devenir une entreprise spécialisée dans l’intelligence artificielle. Elle doit surtout devenir une entreprise qui sait identifier où l’IA peut réellement lui faire gagner du temps, de l’argent ou de la qualité, qui sait mesurer les résultats obtenus et qui possède suffisamment de compétences en interne pour ne pas dépendre entièrement d’un prestataire extérieur.
Et si elle commence aujourd’hui avec deux ou trois projets bien choisis, quelques collaborateurs formés et une petite roadmap réaliste, elle aura déjà fait quelque chose de beaucoup plus utile que d’organiser une grande réunion Powerpoint intitulée “Notre stratégie IA 2030”, avec 74 slides, un diagramme de Gauss particulièrement impressionnant et absolument aucun use case concret.
| Thématique | Source et lien | Pays | Résumé |
|---|---|---|---|
| Investissements dans l’IA | Stanford HAI – L’économie de l’IA | États-Unis | Investissements privés mondiaux dans l’IA et évolution économique du secteur. |
| Stanford HAI – Rapport 2026 sur l’économie de l’IA | États-Unis | 344,7 milliards de dollars d’investissements privés dans l’IA en 2025, dont 170,9 milliards dans l’IA générative. | |
| Énergie et infrastructures | Agence internationale de l’énergie – Énergie et intelligence artificielle | International | Explosion des besoins énergétiques liés aux centres de données et au développement de l’IA. |
| Productivité | NBER – L’IA générative au travail | États-Unis | Étude menée auprès de 5 179 agents du support client et gains de productivité observés avec l’IA générative. |
| Microsoft Research – Les effets de l’IA générative sur le travail hautement qualifié | États-Unis | Trois expériences auprès de 4 867 développeurs chez Microsoft, Accenture et une entreprise du Fortune 100. | |
| Adoption en Europe | Eurostat – 20 % des entreprises européennes utilisent l’IA | Union européenne | Taux d’adoption de l’IA dans les entreprises européennes en 2025, avec notamment 42 % au Danemark, 37,8 % en Finlande et 35 % en Suède. |
| Adoption en Suède | Statistics Sweden – L’intelligence artificielle dans les entreprises en 2025 | Suède | 35 % des entreprises suédoises de 10 salariés ou plus utilisaient l’IA en 2025. Le taux était de 30,8 % pour les petites entreprises, 49,6 % pour les entreprises moyennes et 71,9 % pour les grandes. |
| Statistics Sweden – Forte progression de l’utilisation de l’IA dans les entreprises en 2025 | Suède | Évolution de l’utilisation de l’IA, principaux usages et obstacles à l’adoption. Le manque de compétences internes était cité par 74,7 % des entreprises qui envisageaient l’IA sans encore l’utiliser. | |
| Statistics Sweden – L’utilisation de l’IA progresse dans les entreprises | Suède | Comparaison nordique et européenne de l’utilisation de l’IA dans les entreprises en 2025, avec notamment le Danemark, la Finlande, la Suède et la Norvège. | |
| Comparaison scandinave | Statistics Sweden – Comparaison internationale de l’adoption de l’IA | Suède | En 2025, l’utilisation de l’IA dans les entreprises atteignait 42 % au Danemark, 38 % en Finlande, 35 % en Suède et 28,9 % en Norvège. |
| Adoption en Finlande | Statistics Finland – 38 % des entreprises utilisent des technologies d’IA en 2025 | Finlande | 38 % des entreprises finlandaises utilisaient une technologie d’IA au printemps 2025, soit 14 points de plus qu’en 2024. Le taux atteignait 68 % dans les entreprises d’au moins 100 salariés. |
| Statistics Finland – Utilisation des technologies de l’information dans les entreprises | Finlande | Données détaillées par taille d’entreprise : 30 % des entreprises de 10 à 19 salariés utilisaient l’IA en 2025, contre 68 % pour celles comptant au moins 100 salariés. | |
| Adoption en France | Insee – Les technologies de l’information et de la communication dans les entreprises en 2025 | France | Adoption de l’IA par les entreprises françaises et différences selon leur taille. |
| PME et adoption de l’IA | OCDE – L’adoption de l’IA par les PME | International | Freins rencontrés par les PME : compétences, infrastructures, données et financement. |
| Stratégie pour les PME | Gouvernement du Canada – Guide d’adoption de l’IA pour les PME | Canada | Identification des cas d’usage, projets pilotes, mesure des résultats, feuille de route et formation. |
| Cas d’usage | MIT Sloan – Identifier les bons cas d’usage de l’IA générative | États-Unis | Analyse des processus, identification des tâches automatisables et expérimentation avant déploiement. |
| Énergie et IA | Agence internationale de l’énergie – Les grandes questions autour de l’énergie et de l’IA | International | Projection de la consommation électrique des centres de données, qui pourrait atteindre environ 950 TWh en 2030. |
| Vue d’ensemble | Stanford HAI – Rapport 2026 sur l’intelligence artificielle | États-Unis | Données générales sur l’évolution technique, économique et sociale de l’IA. |
Et si, pour changer, un réseau social essayait de nous faire passer moins de temps…
Ce soir, OpenAI remet le couvert. Et lorsqu’une entreprise qui passe son temps à expliquer…
La situation actuelle d’Apple prête tout de même à sourire. L’entreprise qui nous a habitués…
Il y a des jours où l’intelligence artificielle semble particulièrement intelligente. Et puis il y…
Il y a quelque chose d’assez interpelant dans le nouveau projet d’Anthropic. L’entreprise prépare son…
Ces derniers jours, je vous ai parlé à deux reprises d’OpenAI, et ces deux histoires…
