L’essor de l’IA accentue la pénurie de compétences

L’adoption de l’IA en entreprise est freinée par les pénuries de compétences

Les entreprises investissent massivement dans l’infrastructure nécessaire à l’IA. Les hyperscalers ont investi des milliards de dollars dans les centres de données, la capacité de calcul et les infrastructures associées. Gartner prévoit que les dépenses informatiques mondiales dépasseront 6,3 billions de dollars cette année, les investissements dans les centres de données et l’infrastructure contribuant à cette croissance.

Mais la puissance de calcul, à elle seule, ne crée pas de valeur métier. Les entreprises ont toujours besoin de personnes qui comprennent où l’IA peut produire des résultats mesurables, comment l’intégrer aux workflows existants et comment l’exploiter en toute sécurité à grande échelle. Pour de nombreuses organisations, cette capacité se développe plus lentement que la technologie sous-jacente.

Cela change l’équation d’investissement dans l’IA pour les dirigeants. Acheter davantage d’outils d’IA ou de capacité de calcul peut être relativement rapide. Construire la capacité organisationnelle à les utiliser efficacement prend plus de temps. Les entreprises ont besoin d’employés capables de repenser les workflows, d’évaluer les résultats de l’IA, de gérer les exigences en matière de données et de sécurité, et de relier les projets d’IA à de véritables objectifs métier.

La question clé n’est donc pas simplement de savoir si une organisation a accès à l’IA. Cet accès devient de plus en plus large. La question la plus difficile est de savoir si l’organisation dispose d’un nombre suffisant de personnes compétentes pour transformer cet accès en gains de productivité, en croissance du chiffre d’affaires, en meilleures expériences client ou en baisse des coûts.

Pour les dirigeants de la direction générale, les capacités de la main-d’œuvre doivent être considérées comme faisant partie de l’infrastructure IA elle-même. Les plans d’investissement qui financent fortement la technologie tout en sous-finançant la formation, la refonte des processus et l’adoption risquent de produire des retours décevants. Les entreprises qui comblent ces deux écarts en même temps seront mieux placées pour passer de l’expérimentation au déploiement à grande échelle.

Le développement interne des compétences peut être plus efficace que de s’appuyer sur le recrutement externe

Recruter davantage de spécialistes de l’IA semble simple, mais le marché du travail crée une contrainte fondamentale : la demande d’expertise en IA dépasse l’offre disponible. Élargir la recherche de candidats ne résout pas le problème lorsque de nombreuses entreprises se disputent le même groupe limité de professionnels expérimentés.

Kyle M.K., Senior Talent Strategy Adviser chez Indeed, décrit clairement l’alternative : « La démarche la plus utile pour les dirigeants technologiques consiste à développer ces compétences au sein de l’organisation dont ils disposent déjà, plutôt que de traiter cela uniquement comme un problème de recrutement. »

Cela ne signifie pas que les entreprises doivent cesser de recruter des spécialistes. Les ingénieurs IA expérimentés, les data scientists, les responsables produit et les experts en gouvernance peuvent rester essentiels. L’approche la plus scalable consiste toutefois à combiner un recrutement externe sélectif avec un développement systématique des employés existants.

Les employés déjà en poste apportent aussi quelque chose que les nouvelles recrues mettent souvent du temps à acquérir : la connaissance de l’entreprise. Ils comprennent les clients, les processus, les systèmes internes, les exigences réglementaires et les contraintes opérationnelles. Donner à ces employés des compétences pratiques en IA peut aider les organisations à appliquer la technologie à des problèmes pertinents plutôt qu’à poursuivre des projets d’IA déconnectés des besoins métier.

Les dirigeants doivent également distinguer les employés qui ont besoin d’une expertise technique approfondie de ceux qui ont besoin d’une maîtrise pratique de l’IA. La plupart des salariés n’ont pas besoin de devenir des ingénieurs en machine learning. Ils doivent comprendre quels outils sont approuvés, où l’IA peut améliorer leur travail, comment vérifier les résultats, quelles informations ne doivent pas être saisies dans un modèle et quand le jugement humain reste essentiel.

L’opportunité est importante. Au lieu de rivaliser indéfiniment pour des talents rares, les entreprises peuvent accroître de l’intérieur l’offre effective de compétences en IA. Des experts externes peuvent occuper des rôles spécialisés, tandis qu’une formation interne plus large crée la capacité nécessaire pour rendre l’IA utile dans toute l’entreprise.

L’apprentissage autonome stimule les compétences en IA, mais les entreprises ont besoin de plus de structure

Les employés n’attendent pas des programmes formels sur l’IA. Beaucoup expérimentent déjà l’IA générative, découvrent de nouveaux outils et trouvent des moyens d’améliorer leur travail. Cette initiative est précieuse. Elle met aussi en évidence une faiblesse : les entreprises comptent fortement sur les employés pour développer eux-mêmes des compétences importantes.

Les données d’Indeed montrent que seuls 32 % des travailleurs déclarent avoir reçu une formation adéquate pour le poste qu’ils occupent actuellement. Kyle M.K., Senior Talent Strategy Adviser chez Indeed, explique directement la situation : « Ils sont motivés, mais la structure n’existe pas partout. » Il ajoute que, comme la formation formelle reste limitée, « la majeure partie des progrès réalisés aujourd’hui repose sur l’initiative individuelle. »

Pour les dirigeants, l’auto-apprentissage non encadré crée plusieurs défis. Les employés développeront des niveaux d’expertise différents, utiliseront des outils différents et suivront des standards différents. Certains peuvent devenir très compétents, tandis que d’autres peinent à comprendre où l’IA est utile. Les employés peuvent aussi utiliser des services d’IA publics sans bien comprendre les politiques de l’entreprise concernant les informations confidentielles, les données clients, la propriété intellectuelle ou la conformité réglementaire.

La formation formelle peut réduire cette incohérence, mais des cours génériques sur l’IA ne suffisent pas. La formation doit refléter les rôles réels et les processus métier. Les équipes finance n’ont pas besoin des mêmes capacités que les développeurs logiciels, les marketeurs, les équipes juridiques ou les employés du service client. Les entreprises doivent définir ce que signifie un usage efficace de l’IA pour chaque fonction, puis former les employés en fonction de ces exigences.

Il existe aussi une opportunité d’utiliser plus efficacement l’enthousiasme déjà présent chez les employés. Les organisations peuvent identifier les salariés qui développent déjà de solides compétences en IA, leur apporter un soutien structuré et utiliser leur expérience pour accélérer l’adoption dans les équipes. L’objectif n’est pas d’éliminer l’expérimentation individuelle. Il s’agit de relier cette expérimentation aux priorités de l’entreprise, à la gouvernance et à des résultats mesurables.

Pour la direction générale, la formation doit donc être considérée comme faisant partie de la stratégie de déploiement de l’IA plutôt que comme une initiative RH secondaire. La technologie évolue rapidement, le développement des capacités devra donc être continu. Les entreprises qui créent cette structure peuvent transformer l’intérêt des employés en performance métier reproductible tout en réduisant les risques opérationnels et de gouvernance inutiles.

L’usage de l’IA reste concentré sur les tâches personnelles plutôt que sur les applications métier

L’adoption de l’IA progresse rapidement, mais l’usage ne se traduit pas automatiquement par de la valeur pour l’entreprise. Les données de CompTIA indiquent que les tâches métier ne représentent qu’un quart de l’usage total de l’IA par les professionnels. Les trois quarts restants correspondent à des tâches personnelles, à mesure que des outils comme ChatGPT deviennent plus largement accessibles.

Cette distinction est importante. Les employés peuvent se familiariser avec l’IA par un usage personnel sans développer les compétences nécessaires pour l’appliquer efficacement au sein d’une entreprise. Les applications métier impliquent souvent des exigences supplémentaires, notamment en matière de sécurité, de confidentialité des données, de précision, d’intégration aux systèmes existants, de validation managériale et de standards de performance mesurables.

La part relativement faible de l’usage métier suggère également une marge importante pour élargir l’adoption en entreprise. Les entreprises peuvent aller au-delà de l’expérimentation de base en identifiant des workflows précis où l’IA peut générer des gains mesurables. Les domaines potentiels incluent la rédaction et la synthèse de documents, le développement logiciel, le support client, la recherche, l’analyse de données, la recherche de connaissances internes et les tâches administratives courantes.

Les dirigeants doivent éviter de mesurer les progrès simplement en comptant les utilisateurs de l’IA ou les licences achetées. Un indicateur plus solide consiste à déterminer si l’IA modifie les résultats métier. Cela peut signifier réduire le temps nécessaire pour accomplir un processus, améliorer la qualité du service, accroître la production des employés, réduire les coûts d’exploitation ou générer des revenus supplémentaires. Un usage sans impact mesurable ne doit pas être confondu avec une adoption réussie.

Cela renforce également l’importance d’une formation structurée. Les employés montrent déjà un appétit pour l’IA en dehors des applications métier formelles. Les entreprises ont l’opportunité de transformer cette familiarité en usage productif au travail en fournissant des outils approuvés, des politiques claires, une formation pertinente et des cas d’usage bien définis.

La prochaine étape de l’adoption consiste donc moins à convaincre les gens que l’IA existe qu’à la rendre utile dans de vrais processus métier. Les organisations capables d’opérer cette transition de manière systématique seront mieux placées pour convertir la familiarité croissante avec l’IA en retours mesurables.

Les préoccupations liées à la confiance et à la transparence ralentissent l’adoption de l’IA

La pénurie de compétences en IA n’est qu’une partie du problème d’adoption. Les employés doivent aussi avoir confiance dans le fait que la technologie qu’on leur demande d’utiliser est précise, sécurisée et gouvernée de manière responsable. Sans cette confiance, donner accès à davantage d’outils d’IA ou proposer une formation supplémentaire peut ne pas se traduire par un usage durable au travail.

Une enquête d’Indeed a révélé que 25 % des travailleurs identifient les préoccupations liées à la précision, à l’éthique et à la confidentialité de l’IA comme les principaux obstacles qui les empêchent de mieux se familiariser avec l’IA. Ces préoccupations ont des implications métier concrètes. L’IA générative peut produire des informations incorrectes, les employés peuvent saisir des données sensibles dans des systèmes sans protections appropriées, et les organisations peuvent être confrontées à des questions sur la manière dont les décisions ou contenus générés par l’IA sont examinés et utilisés.

Kyle M.K., Senior Talent Strategy Adviser chez Indeed, estime que l’hésitation des employés ne doit pas simplement être interprétée comme une résistance à la nouvelle technologie. « Les gens n’évitent pas ces outils par entêtement », a-t-il déclaré. « Ils les évitent parce qu’ils n’ont pas de visibilité sur la manière dont l’outil est utilisé ni sur ce qu’il advient de ce qu’il produit. »

Cette visibilité relève de la responsabilité du management. Les dirigeants doivent indiquer aux employés quels systèmes d’IA sont approuvés, quelles données peuvent être saisies, comment les contenus générés doivent être vérifiés et quand une revue humaine est obligatoire. Les employés doivent également comprendre comment leur propre usage de l’IA est surveillé et comment l’entreprise traite les informations soumises à des plateformes tierces.

Pour la direction générale, cela exige une coordination entre la technologie, la sécurité, le juridique, la conformité, les RH et les différentes business units. La gouvernance doit être suffisamment solide pour maîtriser les risques matériels sans rendre l’usage légitime de l’IA inutilement difficile. Les contrôles appropriés varieront selon la tâche : utiliser l’IA pour rédiger un document interne ne présente pas le même profil de risque que l’utiliser pour appuyer une décision réglementée impliquant des clients.

Une gouvernance claire peut aussi favoriser une adoption plus rapide. Lorsque les employés savent ce qu’ils peuvent faire, quels systèmes ils peuvent considérer comme fiables et où se situent les limites, ils peuvent utiliser l’IA avec davantage de confiance. Les entreprises peuvent alors concentrer la formation sur des applications approuvées à forte valeur ajoutée plutôt que de laisser les employés déterminer seuls les pratiques appropriées.

La priorité des dirigeants est donc de traiter ensemble les compétences et la confiance. Les entreprises ont besoin d’employés qui savent utiliser l’IA, mais elles ont aussi besoin de règles et de systèmes qui rendent un usage responsable praticable. Les organisations qui mettent en place les deux pourront déployer l’IA avec plus d’assurance tout en gérant les risques liés à la confidentialité, à la précision, à l’éthique et à la conformité.

Principaux enseignements pour les dirigeants

• Les compétences sont la véritable contrainte de l’IA : Les investissements dans l’infrastructure s’accélèrent, mais les capacités de la main-d’œuvre ne suivent pas le rythme. Les dirigeants doivent financer le développement des compétences en parallèle des outils d’IA et de la puissance de calcul afin de transformer les dépenses en résultats métier mesurables.
• Développez les talents IA en interne : Le recrutement externe seul ne peut pas répondre à la demande d’expertise IA rare. Combinez un recrutement sélectif avec une formation ciblée pour les employés qui comprennent déjà les clients, les systèmes et les processus de l’entreprise.
• Transformez l’auto-apprentissage en capacité structurée : Les employés apprennent déjà l’IA de manière autonome, alors que seuls 32 % déclarent avoir reçu une formation adéquate pour leurs fonctions actuelles. Mettez en place une formation IA spécifique à chaque rôle, qui aligne l’expérimentation sur les priorités métier, les exigences de sécurité et la gouvernance.
• Transformez l’usage de l’IA en valeur métier : Les données de CompTIA indiquent que les tâches métier ne représentent que 25 % de l’usage de l’IA par les professionnels. Mesurez l’adoption à travers la productivité, les coûts, les revenus et les résultats de service plutôt qu’à travers les licences ou le nombre d’utilisateurs.
• Intégrez la confiance au déploiement de l’IA : Un quart des travailleurs citent la précision, l’éthique et la confidentialité comme principaux obstacles à une plus grande familiarité avec l’IA, selon Indeed. Établissez des politiques claires pour les outils approuvés, le traitement des données, la vérification des résultats et la supervision humaine afin de favoriser une adoption en confiance.