Le prochain bond de l’IA ne viendra pas d’un modèle plus grand. Il viendra des personnes qui l’utilisent. Et pour la première fois, vous pouvez voir exactement où elles en sont.
Les licences sont achetées. Les pilotes tournent. La politique est écrite, ou du moins inscrite à la feuille de route. Et pourtant, il bouge moins de choses que prévu.
C’est, si l’on y réfléchit un instant, une excellente nouvelle. Car cela signifie que le problème ne se situe pas dans la technologie. Les modèles fonctionnent. L’infrastructure est en place. Ce qui manque, c’est une vue sur la couche intermédiaire : les personnes qui doivent en faire quelque chose au quotidien. Cette couche n’est ni un facteur secondaire ni un reliquat. C’est l’endroit où l’investissement tout entier atterrit ou non, et c’est la seule couche que la plupart des organisations n’ont jamais mesurée.
Les organisations qui prendront les devants dans les années à venir ne le feront pas parce qu’elles ont choisi le meilleur modèle. Elles le feront parce qu’elles auront compris les premières où en étaient leurs collaborateurs, et qu’elles en auront tiré des conséquences.
Ce qui freine vraiment les gens
La résistance que vous rencontrez est rarement une peur de la technologie. La recherche décrit l’anxiété face à l’IA comme une réponse psychologique à un changement rapide et systémique, non comme un rejet de l’outil (HRD America, 2026). Cette distinction compte, car elle détermine ce qui fonctionne.
Les chiffres en donnent l’ampleur. 51 % des travailleurs ressentent plus de pression qu’il y a un an, et 48 % terminent la plupart de leurs journées mentalement épuisés (Workhuman, 2026). Parmi plus de 1 500 travailleurs à temps plein dans cinq pays, près d’un quart ont signalé une dégradation de leur santé mentale due à la surcharge d’informations, et une proportion comparable un sentiment réduit de contrôle sur leur propre avenir (Spring Health, 2026). L’IA n’en est pas la seule cause, mais elle est le changement qui vient s’ajouter par-dessus.
La question sous tous ces chiffres est rarement « vais-je perdre mon emploi ». C’est « est-ce que je compte encore ». C’est une question à laquelle vous pouvez répondre, mais seulement si vous savez chez qui elle se pose.
Qui ne regarde que sa stack ne mesure que la moitié de la raison pour laquelle l’IA fonctionne ou non.
La maturité IA a trois axes, pas un seul
Dans la pratique, la maturité est mesurée comme une propriété technique de l’organisation : qualité des données, infrastructure, gouvernance, cas d’usage. Un travail précieux, et précisément la partie du problème qui n’est pas le goulot d’étranglement. Seules 13 % des organisations sont pleinement prêtes pour l’IA selon cet étalon (Cisco, 2025), et sur une autre échelle, en 2025, moins de 1 % dépassaient un score de 50 sur 100, même si cette moyenne est remontée à 51 en 2026 (ServiceNow, 2025).
Une image complète a besoin de trois axes.
- Utilisation. Qui touche quels outils, à quelle intensité, à quel coût. Ces données se trouvent généralement déjà dans votre télémétrie et vos métadonnées, sans que vous ayez à interroger qui que ce soit.
- Engagement. La manière dont les gens se situent par rapport au travail et au changement : compréhension du pourquoi, confiance, autonomie perçue, disposition à s’investir. Mesurer l’engagement seul ne suffit plus dans un environnement piloté par l’IA (WTW, 2026), mais sans cet axe, toute explication de ce que montrent les données d’utilisation fait défaut.
- Performance. Ce que les gens produisent réellement. Cet axe est presque toujours omis des mesures de maturité, alors qu’il détermine si l’utilisation et l’enthousiasme aboutissent à un résultat quelconque.
Le postulat analytique est que ces trois axes ne vont pas de pair. Qui utilise le plus l’IA n’est pas automatiquement qui performe le mieux. Qui est le plus engagé non plus. Une mesure sur un seul axe produit donc des conclusions systématiquement fausses : la perception seule étiquette des personnes critiques mais productives comme désengagées, les données d’utilisation seules n’expliquent pas pourquoi quelqu’un stagne, et la performance seule ne dit rien sur la durabilité de ce résultat.
Une moyenne n’est pas un miroir
Supposons que votre organisation obtienne 68 sur 100. En phase d’adoption. Forte sur le talent, faible sur la gouvernance. C’est une information de pilotage utile au niveau du comité de direction, et en même temps sans valeur comme base d’intervention. Une moyenne décrit une réalité que personne dans l’entreprise ne vit ainsi.
Segmenter par équipe est le premier pas, et aussitôt le plus petit. IT à 95, Sales à 90, Operations à 65, Finance à 55 : cet écart détermine déjà où une intervention a un effet et où elle est du gaspillage. Mais les équipes sont rarement homogènes, si bien que cette couche continue elle aussi à produire des moyennes.
Le pas intéressant est le deuxième : croiser les axes entre eux. Placez l’engagement face à la performance et neuf segments apparaissent, chacun avec sa propre logique d’intervention. Le groupe le plus important se situe généralement au milieu, moyen sur les deux axes. Ce n’est pas une masse grise mais la couche porteuse de l’entreprise, et précisément le groupe que les programmes d’adoption sautent par routine au profit des extrêmes. En bas à droite se trouvent des personnes qui performent au plus haut niveau tandis que leur engagement s’effrite. En haut à gauche, l’inverse : pleinement engagées, pas encore performantes, et donc l’endroit où les gains se font le plus vite.
Le troisième axe : de ce que les gens pensent à ce que les gens font
Jusqu’ici, il s’agit d’une matrice plate. Deux axes, neuf cases, une image utilisable. Le bond survient lorsque vous ajoutez l’utilisation comme troisième axe.
Conceptuellement, voici ce qui se passe. La matrice reste la même, mais elle gagne en profondeur : les mêmes neuf cases existent désormais en trois couches, de l’utilisation faible à élevée. Un collaborateur n’est plus dans une case, mais sur une coordonnée.
C’est plus que de la résolution. Les trois axes mesurent la même histoire à des moments différents, et c’est la vraie raison d’ajouter le troisième. La performance vous dit ce qui s’est déjà produit, et évolue en trimestres. L’engagement vous dit ce que l’on ressent maintenant, et évolue en mois. L’utilisation est un comportement, elle est mesurable en continu, et elle s’infléchit en semaines. C’est le seul signal du modèle qui devance les deux autres.
L’utilisation ne vous dit pas qui est bon. Elle vous dit où vous êtes encore à temps.
Concrètement, cela fait apparaître des profils que vous ne pouviez pas distinguer auparavant. Un collaborateur désengagé qui évite l’IA appelle tout autre chose qu’un collaborateur désengagé qui l’emploie chaque jour sans rien y ressentir. Un top performer dont l’utilisation recule depuis des semaines alors que les chiffres restent bons est le signal de départ le plus précoce que vous puissiez avoir. Et quelqu’un qui utilise tout ce que vous proposez, est pleinement motivé, et n’avance pourtant pas, n’a pas un problème de formation mais un problème de rôle.
Vers le haut aussi, cela devient plus net. Les personnes qui obtiennent un score élevé sur les trois axes ne sont pas simplement vos meilleurs collaborateurs. Leur façon de travailler réside dans le système plutôt que dans leur tête, et elle est donc transférable. C’est votre plus petit groupe avec le plus grand levier, et généralement aussi votre plan de déploiement le plus réaliste.
Plus vous croisez d’axes, plus l’image est riche, et plus il y a de segments que vous ne pouvez servir. La question qui suit devient dès lors stratégique plutôt qu’analytique : investissez-vous dans les ambassadeurs, dans le grand groupe médian, ou dans ceux qui risquent de décrocher ? Les trois sont défendables. Aucun des trois n’est réalisable sans savoir qui se situe où.
Un segment est un symptôme, pas un diagnostic
Un segment vous dit où ça frotte, pas pourquoi. Deux personnes peuvent atterrir dans la même case pour des raisons opposées : la première n’utilise pas l’IA parce que la politique ne l’autorise pas, la deuxième parce que la compétence manque, la troisième parce que l’intérêt n’est pas clair. Ces trois interventions ne sont pas interchangeables.
L’approche d’elli fonctionne selon la même logique que les modèles classiques JD-R et SDT, mais appliquée au domaine de l’IA : les caractéristiques du travail sont corrélées au vécu au travail. Le modèle Job Demands-Resources montre quand l’IA agit comme une ressource et allège la charge de travail, et quand elle atterrit comme une charge supplémentaire par-dessus le travail existant. La théorie de l’autodétermination (SDT) explique pourquoi l’utilisation sans autonomie, sentiment de compétence ou lien social s’étiole vite. De cette corrélation découle la cause : un manque de pouvoir, de savoir ou de vouloir.
Une revue systématique confirme le mécanisme : lorsque les gens comprennent pourquoi le changement se produit et comment ils s’inscrivent dans l’avenir, le bien-être s’améliore et l’engagement augmente (Frontiers in Psychology, 2026). Une communication claire réduit l’espace dans lequel grandit l’incertitude. Une mesure n’est donc pas un point d’arrivée mais une question : les données livrent les segments, la conversation livre la cause.
L’adoption est un parcours de changement, pas un plan de déploiement
La plupart des cadres s’arrêtent à la technique, et c’est là que cela décroche. En 2025, 42 % des entreprises ont abandonné la majorité de leurs initiatives d’IA, contre 17 % un an plus tôt (S&P Global, 2025). Gartner s’attend à ce que plus de 40 % des projets d’IA agentique soient abandonnés d’ici fin 2027, en raison de coûts croissants, d’une valeur métier floue ou de contrôles de risque insuffisants (Gartner, 2025).
Les organisations qui échappent à ce sort traitent l’adoption comme un changement et non comme une installation. L’approche d’elli suit la méthodologie ADKAR (Awareness, Desire, Knowledge, Ability, Reinforcement) et donne ainsi un ordre à ce parcours : sans compréhension du pourquoi ni désir de suivre, aucune formation n’atterrit. Ce n’est qu’ensuite que viennent la connaissance, la capacité et le renforcement. Elles mesurent ce que les gens pensent et ce que les gens font : une enquête sur les trois dimensions, aux côtés des données d’utilisation que leurs systèmes tiennent déjà. Demander seul produit une opinion. Demander et mesurer produit une preuve.
L’axe le plus difficile est le plus important
Des trois axes, deux sont en réalité déjà renseignés. L’utilisation se trouve dans votre télémétrie : qui touche quel outil et à quelle intensité est objectif, disponible en continu et ne demande la coopération de personne. La performance se trouve dans votre cycle existant. Les deux axes peuvent être construits sans qu’une seule personne ait à remplir quoi que ce soit.
L’engagement est le seul axe que vous devez activement recueillir. Et c’est du même coup le seul qui explique ce que signifient les deux autres. Un chiffre d’utilisation en baisse est, sans le vécu, un nombre sans direction : vous voyez que quelqu’un décroche, mais pas si cela tient à un manque de temps, à la méfiance, à un mauvais cas d’usage ou à un travail qui a changé entre-temps. C’est exactement là que se situe l’intervention.
Où se trouve le vrai travail
Atteignez tout le monde, pas seulement ceux qui ont une boîte mail.
Une mesure qui atteint 30 % d’une organisation, surtout les fonctions de bureau, produit une image biaisée plus dangereuse que pas d’image du tout.
Mesurez court et souvent plutôt que long et une fois l’an.
Le vécu change plus vite qu’un cycle annuel ne peut le suivre, et la fenêtre entre le signal et le départ est étroite.
Sondez le vécu, pas la satisfaction.
La satisfaction mesure si quelqu’un ne se plaint pas. Le vécu mesure si quelqu’un croit encore qu’il compte, et c’est la variable qui bouge.
Lisez la direction, pas le niveau. Non pas « comment l’organisation se situe », mais « quelle équipe bouge dans le mauvais sens depuis le printemps, et qu’est-ce qui a changé là ».
La qualité de tout votre modèle est donc fixée par l’axe le plus difficile à saisir. Qui y consacre le temps obtient par-dessus deux axes gratuits qui, soudain, portent du sens.
Ce que vous gagnez
Le scénario optimiste n’est pas que l’IA fonctionnera d’elle-même. C’est que le goulot d’étranglement est visible et donc soluble. Comme le formule WTW : les organisations qui conçoivent délibérément leur expérience collaborateur pour adresser cette incertitude peuvent la remplacer par de la confiance, et montrer aux gens qu’ils comptent toujours (WTW, 2026).
Pour la plupart des organisations, l’IA n’est pas le plus grand risque. Ne pas y être préparé l’est. Et être préparé ne commence pas par la technologie, mais par une vue sur l’endroit où en sont vos collaborateurs.
Chez elli, nous réunissons ces trois axes en un seul parcours, de la mesure aux segments jusqu’à l’intervention.
Sources
- Cisco, AI Readiness Index 2025 : cisco.com
- Dataiku & The Harris Poll, Global AI Confessions Report: CEO Edition (2026) : businesswire.com
- Frontiers in Psychology, Dimensions of artificial intelligence anxiety among employees (2026) : frontiersin.org
- Gartner, Over 40% of Agentic AI Projects Will Be Canceled by End of 2027 (2025) : gartner.com
- HRD America, How can employers address AI anxiety in the workplace? (2026) : hcamag.com
- S&P Global Market Intelligence, Voice of the Enterprise (2025), via analyse secondaire : pertamapartners.com
- ServiceNow & Oxford Economics, Enterprise AI Maturity Index 2025 : servicenow.com
- Spring Health, The Hidden Cost of AI Anxiety (2026) : springhealth.com
- Workhuman, Humans at Work Barometer (2026) : workhuman.com
- WTW, Fear of Becoming Obsolete (2026) : wtwco.com