Passer l'IA à l'échelle : le frein n'est plus la technologie

77 % des organisations ont déployé l’IA générative à l’échelle sur plusieurs fonctions. Seules 23 % jugent pourtant leurs équipes pleinement prêtes, un chiffre en recul de six points en un an (Kyndryl, 1 100 décideurs interrogés dans huit pays dont la France, juillet 2026).

Le décalage se retrouve dans les projets : 95 % des organisations ont retardé ou annulé au moins une initiative IA sur l’année écoulée, pour des raisons de gouvernance des données, de conformité ou de réglementation (Cloudera, août 2026).

La technologie est disponible et les cas d’usage sont identifiés. Ce qui fait le plus souvent défaut, ce sont les compétences nécessaires pour faire passer les projets du test à la production, et la capacité à les mobiliser au bon moment.

Le passage à l’échelle change la nature des compétences requises

Anthony Bergès, directeur général d’Inop’s et DGA de Freelance.com, situe précisément le point de rupture : « Les entreprises sont très vite passées de l’intention à l’expérimentation. Mais 1 projet sur 2 ne passe pas la phase de test. L’enjeu se situe aujourd’hui sur l’étape du passage à l’échelle avec l’objectif de structurer, prioriser et ancrer l’IA dans le quotidien. »

Ce point de rupture tient en grande partie aux compétences. Une expérimentation se mène avec une équipe réduite, quelques profils data et un périmètre maîtrisé. Une mise en production mobilise un éventail bien plus large : intégration au système d’information, DevOps et MLOps, sécurité, gouvernance des données, accompagnement du changement.

Ces expertises interviennent à des étapes différentes et se trouvent rarement réunies dans une même équipe. L’équipe qui a conçu le prototype n’est d’ailleurs pas toujours celle qui saura l’industrialiser.

Des systèmes plus complexes, des compétences plus nombreuses

L’IA ne repose plus sur des modèles isolés. Elle assemble des agents, des modèles, des flux de données, des interfaces et des dispositifs de supervision. Chaque brique appelle ses propres compétences, et l’ensemble dépend d’une donnée structurée, accessible et gouvernée.

Sur ce dernier point, l’écart reste important. 96 % des organisations déclarent avoir intégré l’IA dans leurs processus cœur, mais près de quatre sur cinq voient leurs initiatives freinées par un accès limité aux données, et seules 18 % estiment leurs données pleinement gouvernées (Cloudera, Data Readiness Index, avril 2026). Derrière ces chiffres se pose aussi une question de profils : ceux qui savent structurer la donnée, la gouverner et la rendre exploitable par les usages.

La diffusion des usages complique encore l’équation. Avec l’IA agentique, les métiers lancent leurs propres initiatives, souvent hors des cadres de la DSI. Jonathan Bodin, directeur stratégie et développement de Seenovate, invite à relativiser les chiffres d’adoption : selon lui, seules 20 % des entreprises françaises intègrent réellement l’IA, le reste relevant davantage du shadow IA.

Des compétences qui vieillissent plus vite que les projets

Modèles, frameworks et outils se renouvellent en continu, souvent avant même d’avoir été stabilisés. Les compétences associées suivent le même rythme. Dans le baromètre de l’obsolescence des compétences IT publié par Inop’s en 2025, 74 % des 55 DSI de grands groupes français interrogés considèrent la rapidité des innovations comme un facteur majeur d’obsolescence.

Le World Economic Forum estime pour sa part que 39 % des compétences actuelles seront modifiées ou rendues obsolètes d’ici 2030. Pour un projet IA qui s’étend sur plusieurs mois, les compétences mobilisées au lancement ne sont donc pas forcément celles dont il aura besoin au moment du déploiement.

Former ou recruter : deux réponses qui atteignent leurs limites

La plupart des dirigeants misent sur la formation : 94 % estiment que l’IA rend la montée en compétences des collaborateurs existants préférable au recrutement externe. Mais 52 % constatent qu’il est devenu plus difficile, en un an, de trouver des profils dotés des bonnes compétences IA (Kyndryl, juillet 2026).

Le marché confirme cette tension. En France, 53 % des entreprises qui utilisent l’IA se disent freinées par un manque d’expertise (Insee, juillet 2026), et les compétences en IA arrivent pour la première fois en tête des profils les plus difficiles à trouver.

Former reste indispensable, mais prend du temps. Recruter reste nécessaire, mais devient plus long et plus incertain. Les projets, eux, sont attendus sur des résultats rapides. Jonathan Bodin le résume : « La réflexion IA doit être élevée à un niveau stratégique, mais très vite, il faut un livrable et un ROI. »

Les rôles se recomposent dans le même temps : chefs de projet IA, AI Product Managers, experts en gouvernance, développeurs qui intègrent une dimension produit ou métier. 61 % des organisations ont déjà redessiné des postes pour s’adapter à l’IA (Kyndryl, juillet 2026), et les fiches de poste peinent à suivre.

D’une logique projet à un pilotage des compétences

Les organisations qui progressent ont changé d’approche. Elles ne constituent plus les équipes au cas par cas, au gré des besoins immédiats. Elles raisonnent à l’échelle d’un programme IA, ce qui suppose de :

1. prioriser les cas d’usage selon leur valeur métier et leur faisabilité ;
2. identifier les compétences nécessaires à chaque étape : cadrage, développement, déploiement, gouvernance ;
3. coordonner les initiatives pour éviter la dispersion des efforts et des expertises.

Ce changement en entraîne un autre : accéder aux compétences compte désormais davantage que les posséder. Elles ne se constituent plus poste par poste, mais se mobilisent, se combinent et se renouvellent au rythme des projets. Les compétences clés restent consolidées en interne. Les expertises plus ponctuelles ou très spécialisées peuvent être mobilisées à l’extérieur, au moment précis où le projet en a besoin.

Le passage à l’échelle se joue sur la mobilisation des compétences

Les expertises nécessaires existent, en interne comme sur le marché. La difficulté tient à leur visibilité et à la capacité à les réunir rapidement. Quelles compétences sont disponibles ? Lesquelles manquent, à quelle étape, et pour combien de temps ? C’est sur ces questions que se joue désormais le passage à l’échelle de l’IA.

Pour les DSI, l’enjeu dépasse donc le choix des technologies. Il s’agit de construire une organisation capable de faire évoluer ses compétences aussi vite que ses projets.