Gouvernance IA : pourquoi la vraie question n’est jamais technologique

1. Ce qui a changé dans la question posée aux directions

Il y a encore un an, les échanges avec les directions sur l’IA tournaient largement autour du recrutement. Fallait-il un expert en interne, une équipe data science, un responsable dédié ? La question portait sur les compétences à acquérir.

Ce n’est plus la question qui structure les échanges aujourd’hui. Dans les missions de cadrage IA que j’accompagne, ce qui revient systématiquement, c’est une question d’autorité : qui décide entre les cas d’usage identifiés, qui arbitre le budget entre les projets qu’on poursuit et ceux qu’on arrête, qui répond des résultats devant un comité de direction qui a fini par se lasser des démonstrations sans lendemain.

Ce glissement n’est pas anecdotique. Il signale que l’enjeu central n’a jamais été la disponibilité d’une expertise technique. C’est la capacité à structurer une décision dans un domaine nouveau, incertain, et traversé de promesses disproportionnées.

2. Ce que documentent les déploiements qui réussissent

Cette intuition de terrain rejoint ce que documente une étude récente du Stanford Digital Economy Lab, qui a analysé 51 déploiements d’IA réussis à grande échelle, dans 41 organisations et 7 pays, représentant plus d’un million de salariés. Son résultat central est sans ambiguïté : ce sont les facteurs organisationnels, pas la technologie, qui déterminent le succès d’un déploiement IA. Pour une même technologie, les délais observés varient de quelques semaines à plusieurs années selon les organisations.

Le détail le plus parlant de cette étude porte sur la nature des obstacles rencontrés. 77 % des difficultés identifiées par les organisations étudiées sont qualifiées d’intangibles : conduite du changement, qualité et gouvernance des données, refonte des processus métier. La technologie elle-même est systématiquement décrite comme l’élément le plus simple à traiter.

L’étude établit aussi une distinction utile entre les modes de déploiement. Les systèmes autonomes, où l’IA traite la majorité des cas et où les humains n’interviennent que sur les exceptions, génèrent un gain médian de productivité de 71 %, contre 30 % pour les systèmes qui exigent une validation humaine systématique. Cet écart n’est pas un argument pour l’automatisation à tout prix. Il montre que le niveau de délégation de la décision à l’IA est lui-même un choix de gouvernance, pas un paramètre technique qu’on règle après coup.

Un dernier résultat mérite d’être cité parce qu’il contredit une intuition répandue : 61 % des projets IA réussis dans cette étude ont été précédés d’au moins une tentative échouée. Les auteurs qualifient ces échecs de coûts irrécupérables devenus essentiels à l’apprentissage organisationnel. L’échec initial d’un projet IA n’est donc pas nécessairement le signe d’un mauvais cadrage. C’est parfois la condition d’un cadrage correct au deuxième essai, à condition que quelqu’un dans l’organisation ait l’autorité de tirer les enseignements et de relancer.

3. La gouvernance devient une obligation, pas seulement une bonne pratique

Ce constat de terrain rencontre désormais une contrainte réglementaire. Le règlement européen sur l’intelligence artificielle, le règlement UE 2024/1689, entre en application progressive depuis 2025. Les systèmes à haut risque, catégorie qui inclut le recrutement et la gestion des ressources humaines, y sont soumis à partir d’août 2026, soit dans les prochaines semaines au moment où j’écris ces lignes. Ils devront disposer d’un marquage CE, d’une documentation technique, et d’une supervision humaine formalisée. Les organisations qui utilisent l’IA dans ces processus devront être en mesure d’expliquer les critères utilisés et d’en informer les personnes concernées.

Ce calendrier change la nature du sujet. La gouvernance de l’IA n’est plus seulement un gage de sérieux méthodologique. C’est une obligation documentée, assortie de sanctions qui peuvent atteindre 35 millions d’euros ou 7 % du chiffre d’affaires mondial. Une organisation qui n’a pas clarifié qui décide, qui documente et qui supervise n’est pas seulement mal organisée. Elle est exposée.

4. Ce que l’IA change dans la valeur du jugement humain

Un deuxième malentendu mérite d’être corrigé : celui qui consiste à croire que l’IA réduit mécaniquement le besoin de jugement humain à mesure qu’elle progresse. Les travaux de Daron Acemoglu, chercheur au MIT, apportent une nuance utile sur ce point. Son modèle macroéconomique estime que seules 20 % des tâches professionnelles aux États-Unis sont exposées à l’IA générative, et que parmi celles-ci, seulement 23 % sont automatisables de façon rentable. Les gains mesurés dans les études expérimentales concernent essentiellement des tâches faciles à apprendre. Les tâches qui demandent un jugement contextuel élevé résistent à l’automatisation, non par limite technique passagère, mais parce que leur valeur économique dépend précisément de ce jugement.

David Autor, également au MIT, pose une question plus stratégique encore dans ses travaux sur l’expertise et le travail : l’IA peut soit dévaluer l’expertise humaine en la rendant interchangeable, soit l’augmenter en élevant le niveau auquel les professionnels interviennent. La différence entre ces deux trajectoires ne tient pas à la technologie elle-même. Elle tient à la manière dont une organisation choisit de l’intégrer, et donc, de nouveau, à un choix de gouvernance.

Ce que cela signifie concrètement pour les directions : plus l’IA prend en charge l’exécution de tâches routinières, plus ce qui reste à la main des équipes devient stratégique par élimination. Le discernement pour distinguer un cas d’usage qui crée réellement de la valeur d’un cas d’usage séduisant en démonstration. La capacité à embarquer des équipes qui n’ont rien demandé et qui, à raison, s’interrogent sur ce que ce changement signifie pour leur métier. Une forme de créativité dans le pilotage de projet, moins sollicitée jusqu’ici, pour construire des dispositifs qui n’existent pas encore dans les référentiels habituels.

le sujet, c’est le dispositif de décision

Le sujet, ce n’est donc pas l’IA. Personne ne défend plus sérieusement l’idée que la technologie, seule, produit de la valeur. Le sujet, c’est le dispositif de décision qu’une organisation construit autour : qui identifie les cas d’usage prioritaires, qui les arbitre, qui documente les choix pour se conformer à une réglementation qui entre en vigueur cet été, qui accepte qu’un premier projet puisse échouer sans que cela remette en cause la démarche, et qui prépare les équipes à un changement dont l’ampleur dépasse largement l’outil.

C’est un travail de cadrage, au sens plein du terme : clarifier en amont ce qui sera décidé, par qui, sur quels critères, avant d’engager les moyens. Ce travail ne remplace pas une direction IA à temps plein quand l’ampleur du sujet le justifie. Mais dans la grande majorité des organisations qui abordent l’IA aujourd’hui, ce qui manque n’est pas un poste. C’est un cadrage rigoureux et une gouvernance qui tienne dans la durée, bien avant qu’un titre ne soit nécessaire.

C’est ce cadrage que nous posons chez Rakkan avant tout projet IA. Parce que la question de la gouvernance conditionne toutes les suivantes.

Sources

Elisa Pereira, Alvin Wang Graylin, Erik Brynjolfsson, « The Enterprise AI Playbook: Lessons from 51 Successful Deployments », Stanford Digital Economy Lab, avril 2026.

Règlement (UE) 2024/1689 relatif à l’intelligence artificielle (AI Act), Commission européenne, Parlement européen, Conseil de l’UE, août 2024.

Daron Acemoglu, « The Simple Macroeconomics of AI », MIT / NBER Working Paper, 2024.

David Autor, « Expertise, Artificial Intelligence, and the Work of the Future », MIT, 2024.