Avant d’investir, les dirigeants doivent comparer le coût de l’inaction, le projet pilote et le déploiement afin de transformer une capacité technique en valeur mesurable.
Une démonstration dure quelques minutes. Un outil analyse des documents, prépare un rapport et propose une réponse qui aurait demandé plusieurs heures. Autour de la table, la vitesse impressionne. La conversation glisse rapidement vers les économies, les postes transformés et l’urgence de ne pas prendre de retard. Il manque pourtant des réponses essentielles. Quel problème économique vient d’être résolu ? Combien coûte aujourd’hui le processus complet ? Que deviendront les heures libérées ? Qui vérifiera les résultats ? Quelle erreur serait inacceptable ? Qui assumera la décision finale ? Cette scène est une illustration, non le récit d’une entreprise précise. Elle représente néanmoins le défi auquel font face plusieurs directions québécoises. La technologie progresse plus rapidement que la capacité des organisations à mesurer ses effets.
L’écart apparaît dans les données. Selon l’Institut de la statistique du Québec, 12,7 % des entreprises québécoises avaient utilisé l’IA à des fins de production durant les douze mois précédant le deuxième trimestre de 2025. Cette proportion atteignait 13,3 % en Ontario.
L’adoption exigeait déjà des transformations concrètes. Parmi les entreprises québécoises utilisatrices, 37,2 % avaient créé de nouveaux flux de travail, 36,7 % avaient formé leur personnel et 31,2 % avaient acheté des services ou du stockage infonuagique. L’outil ne remplace donc pas le changement organisationnel ; il le déclenche.
L’exposition potentielle est beaucoup plus large. Une analyse publiée par l’ISQ indique qu’en 2024, environ 59 % de la main-d’œuvre québécoise occupait un emploi fortement exposé à l’IA, soit près de 2,7 millions de personnes. Cette exposition atteignait 71 % chez les femmes et 49 % chez les hommes, en raison notamment de la répartition professionnelle.
Exposition ne signifie cependant ni adoption, ni remplacement. Elle indique qu’une profession contient des tâches susceptibles d’être transformées ou soutenues par l’IA.
L’Organisation internationale du Travail estimait d’ailleurs en 2025 qu’un travailleur sur quatre dans le monde occupait une profession présentant une certaine exposition à l’IA générative. L’organisme jugeait la transformation plus probable que l’automatisation complète.
Pour un dirigeant, l’enjeu n’est donc plus de croire ou de ne pas croire à l’intelligence artificielle en entreprise. Il consiste à distinguer une capacité technique, une amélioration opérationnelle et une valeur financière. Cinq mythes empêchent encore cette distinction. Chacun peut mener à une mauvaise priorité, à une économie fictive ou à une décision dont les conséquences apparaîtront trop tard.
1. Une IA performante dans une tâche possède une intelligence générale
Un système peut produire un excellent résultat dans une tâche bien définie, puis échouer lorsque le contexte change. Sa fluidité ne prouve ni sa compréhension de l’entreprise, ni sa connaissance des exceptions, ni sa capacité d’assumer une conséquence.
Cette distinction paraît théorique jusqu’au moment où une organisation investit. Une démonstration est généralement réalisée avec une tâche préparée, des données accessibles et un résultat facile à montrer. Le travail réel comprend aussi des documents incomplets, des règles contradictoires, des demandes urgentes et des situations inédites.
Le premier coût caché provient donc de l’écart entre la démonstration et l’exploitation. L’entreprise doit préparer les données, intégrer l’outil, définir les règles, corriger les résultats et traiter les exceptions. Une performance élevée sur l’étape automatisée peut coexister avec une absence de progrès dans le processus complet.
Avant d’investir, la direction devrait établir une référence :
- Quel problème précis doit être réduit ?
- Combien de fois survient-il ?
- Quel est son coût annuel ?
- Quel niveau d’erreur demeure acceptable ?
- Quelle personne vérifiera le résultat ?
- Combien coûterait une mauvaise réponse ?
La décision n’est pas encore d’acheter ou de refuser. Elle consiste à vérifier si le problème est assez fréquent, mesurable et coûteux pour justifier une expérience. Une technologie impressionnante appliquée à une mauvaise priorité demeure un mauvais investissement.
2. Automatiser des tâches entraînera nécessairement la disparition des emplois
Les analyses sur l’IA mesurent généralement l’exposition de tâches ou de professions. Le débat public transforme ensuite cette exposition en emplois supprimés. Ce raccourci ignore qu’un poste rassemble plusieurs activités, dont certaines reposent sur la coordination, la confiance, le jugement et la gestion des exceptions.
Une automatisation peut produire au moins quatre conséquences humaines. Elle peut supprimer une tâche répétitive, modifier un rôle, créer une nouvelle responsabilité de validation ou réduire le besoin d’une embauche future. Ces résultats ne sont ni équivalents ni automatiques.
Leur coût diffère également. Une réduction de postes peut diminuer la masse salariale, mais faire perdre une expertise nécessaire pour détecter les erreurs. Une réaffectation peut préserver les connaissances, mais exiger de la formation. Le statu quo évite le coût immédiat du changement, tout en conservant les retards et les difficultés de recrutement.
La direction devrait cartographier le travail avant de modifier les effectifs :
- Tâches supprimées ou réduites ;
- Tâches maintenues ;
- Nouvelles vérifications ;
- Exceptions exigeant une expertise ;
- Compétences à développer ;
- Capacité qui sera réellement réaffectée.
Le coût complet inclut alors la formation, l’accompagnement, les erreurs d’apprentissage, le roulement possible et le temps des gestionnaires. L’entreprise peut choisir de réduire, de réorganiser ou de développer un rôle. La technologie ne prend pas cette décision ; elle modifie seulement les options disponibles.
3. Une heure économisée constitue automatiquement un gain financier
Une heure libérée possède une valeur potentielle, mais elle ne devient pas automatiquement une économie. Si quinze minutes sont réparties entre plusieurs personnes et demeurent dispersées dans leurs horaires, la paie, le volume et le délai peuvent rester identiques.
Cette distinction constitue le test du CFO. La valeur financière doit correspondre à une conséquence observable :
- Réduire un coût existant, comme des heures supplémentaires ;
- Éviter une dépense future, comme une embauche prévue ;
- Augmenter une capacité réellement utilisée ;
- Soutenir un revenu ou protéger une marge ;
- Diminuer une perte ou un risque mesurable.
Le calcul doit également inclure le coût total de possession. Celui-ci comprend l’acquisition, l’intégration, la préparation des données, la formation, l’exploitation, la supervision, la vérification et les corrections. Une licence abordable peut soutenir un projet coûteux si elle exige de nombreuses interventions humaines.
La formule générale demeure simple :
Valeur annuelle récupérée = coûts réduits + dépenses évitées + capacité monétisée + revenus soutenus − nouveaux coûts.
Cette formule ne produit aucun résultat universel. Chaque organisation doit fournir ses volumes, ses coûts et ses délais. Si elle ne peut pas nommer ce qui sera réduit, évité, traité ou créé, elle ne possède pas encore un scénario de rendement.
Le dossier consacré à l’intelligence artificielle en comptabilité approfondira cette question à travers cinq tests financiers. L’article pilier doit seulement établir la règle : les minutes appartiennent à l’outil ; la valeur appartient au processus transformé.
4. Les gains de productivité profiteront naturellement à toute l’organisation
Une amélioration technique ne détermine pas la destination du gain. L’entreprise peut réduire ses coûts, absorber une croissance, diminuer les délais, améliorer la qualité, former son personnel ou augmenter la charge de travail. Chaque choix produit des conséquences différentes.
Si les employés associent toute amélioration à une suppression immédiate de postes, ils auront peu d’intérêt à révéler les faiblesses du processus ou à transmettre leur expertise. L’entreprise peut alors obtenir une technologie performante, mais une adoption faible et des pratiques parallèles difficiles à contrôler.
À l’inverse, promettre que personne ne sera touché rend la transformation peu crédible. Certains rôles changeront. Des tâches disparaîtront, d’autres gagneront en importance. La direction doit expliquer ce qui est connu, ce qui demeure incertain et la manière dont les décisions seront prises.
L’analyse financière doit donc intégrer les conséquences humaines :
- Coût de la formation ;
- Temps d’adaptation ;
- Baisse temporaire de productivité ;
- Risque de départs ;
- Maintien des connaissances critiques ;
- Valeur de la capacité réaffectée.
La bonne question n’est pas seulement « combien gagnerons-nous ? », mais « comment ce gain sera-t-il obtenu et utilisé ? ». Une hausse de capacité qui n’a aucun propriétaire ni aucune priorité risque de disparaître dans les urgences quotidiennes.
La décision doit être prise avant le déploiement : quelle part du gain servira les coûts, la croissance, la qualité, le service ou les compétences ? Cette clarté transforme l’adhésion du personnel en condition économique du projet, plutôt qu’en simple exercice de communication.
5. Une IA plus rapide prendra nécessairement de meilleures décisions
Un système peut améliorer un indicateur et détériorer le résultat global. Réduire un délai ne garantit pas une décision plus juste. Augmenter le nombre d’alertes ne garantit pas une meilleure protection. Produire davantage de recommandations ne garantit pas qu’elles seront comprises ou appliquées.
La qualité dépend de l’objectif, des données, des seuils et des erreurs acceptables. Ces choix sont organisationnels. Ils ne peuvent être délégués au fournisseur ni au modèle.
Les Principes de l’OCDE sur l’intelligence artificielle recommandent notamment la traçabilité, la gestion systématique des risques et une responsabilité adaptée au rôle des acteurs. Au Canada, le guide d’Innovation, Sciences et Développement économique Canada propose aux gestionnaires des mesures de gouvernance responsable.
Au Québec, les obligations deviennent particulièrement concrètes lorsque des renseignements personnels sont utilisés. La Commission d’accès à l’information rappelle qu’une personne visée par une décision fondée exclusivement sur un traitement automatisé doit en être informée. Elle doit aussi pouvoir présenter ses observations à une personne capable de réviser la décision.
La gouvernance devrait être proportionnelle aux conséquences :
- Usage réversible et faible risque : validation légère et règles de confidentialité ;
- Recommandation opérationnelle : vérification, journal des erreurs et responsable identifié ;
- Décision touchant une personne, un droit ou une somme importante : examen documenté, possibilité de révision et seuil d’arrêt.
La meilleure décision n’est pas nécessairement celle que l’IA produit le plus rapidement. C’est celle dont l’organisation peut expliquer l’objectif, vérifier le résultat et assumer les conséquences.
Trois décisions possibles avant d’investir en IA
Devant un projet d’intelligence artificielle, la direction dispose généralement de trois options : maintenir le processus actuel, réaliser un projet pilote ciblé ou déployer la solution en réorganisant le travail. Chacune entraîne des coûts, des risques et des conséquences différentes.
| Décision | Conséquences opérationnelles et humaines | Conséquences financières | Preuve exigée |
| A — Maintenir le processus actuel | Aucun bouleversement immédiat ; inefficacités et irritants conservés | Coût actuel, pertes, retards et occasions abandonnées | Coût annuel documenté du statu quo |
| B — Réaliser un projet pilote ciblé | Apprentissage contrôlé ; supervision et formation nécessaires | Coût du test ; risque limité ; valeur de la preuve obtenue | Référence avant-après, durée, budget et critères d’arrêt |
| C — Déployer et réorganiser le processus | Modification des rôles, des contrôles et des responsabilités | Investissement complet ; gains possibles ; coût du risque accru | Gain net, capacité récupérée et délai de récupération |
Conclusion — Passer de la fascination à une décision défendable
L’intelligence artificielle en entreprise ne demande ni enthousiasme automatique ni prudence paralysante. Elle exige une méthode capable de transformer une possibilité technique en décision vérifiable.
La première étape consiste à nommer un problème fréquent et suffisamment coûteux. La deuxième établit une référence : volume, délai, erreurs, coûts, charge humaine et conséquences actuelles. Sans cette mesure, aucun gain futur ne pourra être démontré.
La direction doit ensuite comparer trois options. Maintenir le processus préserve la stabilité, mais conserve aussi le coût de l’inaction. Un projet pilote achète de l’apprentissage à risque limité. Un déploiement peut produire davantage de valeur, mais exige des données, une gouvernance, une réorganisation et une responsabilité plus fortes.
Le CFO doit refuser de convertir automatiquement les heures économisées en profits. Le DRH doit suivre les compétences, la confiance et les rôles transformés. Les opérations doivent vérifier le processus complet. La direction générale doit décider quelles conséquences sont acceptables et quel résultat justifiera la poursuite.
Cette discipline peut mener à quatre conclusions légitimes : déployer, tester, reporter ou ne pas automatiser. Une décision négative, appuyée sur des données, possède davantage de valeur qu’un projet lancé pour suivre une mode.
Le meilleur premier projet demeure limité, réversible et mesurable. Il doit être assez important pour produire une conséquence observable, mais assez circonscrit pour contenir les erreurs. Ses critères de réussite et d’arrêt doivent être fixés avant le démarrage.
L’avantage durable n’appartiendra pas forcément à l’organisation ayant acheté l’outil le plus puissant. Il reviendra à celle qui saura choisir les bons problèmes, apprendre rapidement et convertir une capacité en valeur sans perdre la maîtrise de ses décisions.
Poursuivre la série : l’intelligence artificielle dans chaque fonction
Les effets de l’intelligence artificielle varient considérablement selon les fonctions de l’entreprise. Pour approfondir cette analyse, découvrez nos dossiers spécialisés :
1. Intelligence artificielle en entreprise : cinq mythes qui faussent les décisions des dirigeants
Le présent dossier établit les critères généraux d’investissement, de gouvernance et de responsabilité.
2. Intelligence artificielle en comptabilité : cinq tests pour convertir le temps gagné en valeur
Une analyse du coût complet, du temps réaffecté et de la valeur financière réellement récupérée.
3. Intelligence artificielle en ressources humaines : mesurer les gains sans perdre le jugement humain
Un regard sur le recrutement, la gestion des talents, l’équité et la qualité des décisions.
4. Intelligence artificielle en administration : automatiser sans déplacer les coûts ni les problèmes
Une analyse des flux de travail, des exceptions et des responsabilités transférées.
5. Intelligence artificielle en production : relier la technologie au rendement réel des opérations
Un dossier consacré aux arrêts, à la qualité, à la planification et aux pertes évitées.
Références officielles
- Institut de la statistique du Québec — Adoption et utilisation de l’intelligence artificielle par les entreprises au Québec en 2024 et 2025
- Institut de la statistique du Québec — L’exposition des professions à l’intelligence artificielle
- Organisation internationale du Travail — Generative AI and Jobs: A Refined Global Index of Occupational Exposure
- Innovation, Sciences et Développement économique Canada — Guide de mise en œuvre pour les gestionnaires de systèmes d’intelligence artificielle
- OCDE — Principes sur l’intelligence artificielle
- Commission d’accès à l’information du Québec — Principaux changements apportés par la Loi 25
