Adoption de l'IA en entreprise : le rôle clé du manager

Le scénario est devenu familier dans un grand nombre d'entreprises. La direction générale proclame que l'intelligence artificielle est désormais une priorité stratégique. La DSI arbitre entre les solutions du marché, les juristes et les équipes sécurité posent un cadre d'usage, des licences Copilot, Gemini ou ChatGPT sont distribuées, et des sessions de formation apparaissent dans les calendriers. Quelques collaborateurs, plus curieux que les autres, s'emparent aussitôt de l'outil : ils synthétisent leurs réunions, automatisent certaines tâches, bricolent leurs premiers agents et racontent leurs trouvailles avec enthousiasme.

Quelques mois plus tard, le tableau est nettement plus nuancé. Certains ont réellement changé leur façon de travailler ; d'autres se contentent de faire reformuler quelques e-mails ; une partie de l'effectif, elle, n'a presque rien modifié à ses habitudes. Pourtant, l'entreprise a déployé la même technologie et porté le même discours auprès de tous.

Ce contraste révèle une vérité simple : généraliser l'accès à une technologie ne suffit pas à généraliser la transformation des pratiques.

C'est précisément à cet endroit que le management intermédiaire prend toute son importance. Entre la stratégie décidée en haut et le travail réellement accompli sur le terrain, il existe une strate de l'organisation trop souvent négligée : celle des chefs d'équipe, des managers opérationnels, des responsables de département. Ce sont eux qui traduisent une ambition stratégique en priorités concrètes, en règles, en habitudes, et finalement en comportements du quotidien.

Avec l'IA, ce rôle de traduction devient encore plus déterminant. Car contrairement à un changement d'outil classique, adopter l'intelligence artificielle ne se résume pas à apprendre une nouvelle interface : il s'agit de repenser, petit à petit, la façon dont le travail lui-même s'organise.

Une licence ne change pas une méthode de travail

Une erreur courante consiste à mesurer l'adoption de l'IA avec les mêmes indicateurs qu'un déploiement logiciel classique : combien de licences activées, combien de connexions, combien de formations suivies, combien de prompts générés ? Ces chiffres ont leur utilité, mais ils décrivent surtout le déploiement pas nécessairement la transformation.

Un commercial peut se connecter à Copilot chaque jour sans avoir modifié en profondeur sa manière de travailler. Il l'utilise pour reformuler un e-mail ou résumer une réunion, puis continue à préparer ses rendez-vous, renseigner son CRM et bâtir ses propositions commerciales exactement comme avant. Sur le papier, c'est un utilisateur actif. Dans les faits, presque rien n'a bougé.

À l'inverse, une autre équipe peut choisir un usage plus ciblé : analyser automatiquement l'historique d'un compte avant chaque rendez-vous, générer une première synthèse des enjeux du client, enrichir le CRM à partir des comptes rendus, repérer les opportunités qui nécessitent une relance. Là, l'IA ne s'ajoute plus simplement au travail existant : elle commence à en redessiner l'organisation.

Cette différence ne tient pas seulement à la performance du modèle utilisé. Elle tient surtout à la capacité de l'équipe à transformer un outil générique en pratiques métier concrètes un travail qui se joue rarement au niveau du comité exécutif.

Entre la stratégie et le terrain, un espace de traduction

Une direction peut décider que l'entreprise doit devenir « AI-first ». Elle peut investir des millions d'euros, sélectionner les meilleures technologies, afficher une ambition forte. Mais elle ne peut pas, depuis le siège, déterminer précisément comment un responsable logistique, un acheteur, un commercial ou un responsable RH doit intégrer l'IA dans son quotidien. Cette traduction se joue dans un espace intermédiaire quelqu'un doit convertir la stratégie en situations de travail concrètes.

Dans une équipe commerciale, il s'agira de repérer où l'IA améliore réellement la préparation des rendez-vous, la qualification des opportunités ou le suivi des prospects. Dans une équipe RH, il faudra identifier comment elle peut accélérer le tri des candidatures, faciliter la préparation des entretiens ou rendre la connaissance interne plus accessible. Dans un entrepôt, la question portera plutôt sur l'analyse des incidents, l'accès aux modes opératoires ou l'aide à la décision des superviseurs. Ces arbitrages demandent une connaissance fine du métier : les contraintes opérationnelles, les habitudes en place, les exceptions, les dépendances entre équipes, et parfois les petits ajustements informels qui font tourner le système malgré ses imperfections.

Cette connaissance-là, c'est justement celle du management intermédiaire. Le manager devient alors le point de jonction entre deux mondes : celui de la transformation imaginée par l'entreprise, et celui du travail tel qu'il est réellement effectué.

Le manager ne peut plus se contenter de relayer un message

Pendant longtemps, la conduite du changement a cantonné le manager à un rôle assez prévisible : expliquer le projet à son équipe, relayer les messages de la direction, rassurer, encourager l'adoption. Ce rôle reste nécessaire, mais il ne suffit plus avec l'intelligence artificielle car bien souvent, le manager lui-même n'a pas la réponse toute faite. Quand un nouveau logiciel est déployé, l'organisation sait généralement ce qu'elle attend de ses utilisateurs : les processus sont définis, les fonctionnalités documentées, les comportements attendus peuvent être expliqués point par point.

Avec l'IA, le terrain reste beaucoup plus ouvert. Il n'existe pas toujours une « bonne » façon d'utiliser Copilot, ChatGPT ou un agent pour un métier donné. Les meilleurs usages émergent souvent par tâtonnement : une équipe découvre qu'une tâche de deux heures se réduit à vingt minutes ; une autre constate qu'un assistant excelle pour préparer un dossier mais déçoit pour trancher une décision ; une troisième invente une pratique qui pourrait profiter au reste de l'organisation.

Le rôle du manager n'est donc plus seulement de faire appliquer une méthode définie ailleurs. Il doit désormais participer à sa conception.

Le manager comme designer du travail

C'est ici que les principes du Change Design prennent tout leur sens. Plutôt que de traiter l'adoption comme un problème de communication, on peut la traiter comme un problème de conception : observer le travail réel, repérer les frictions, formuler des hypothèses, expérimenter de nouvelles pratiques, mesurer ce qui fonctionne vraiment. À l'échelle d'une équipe, le manager est particulièrement bien placé pour jouer ce rôle.

Prenons une équipe qui consacre plusieurs heures chaque semaine à un reporting. Une première approche consiste à former les collaborateurs à un assistant IA et à espérer qu'ils trouvent seuls comment gagner du temps. Une approche bien plus féconde consiste à examiner l'ensemble du workflow : où les données sont-elles récupérées ? Quelles informations sont réellement exploitées ? Quelles étapes pourraient être automatisées ? Où la validation humaine reste-t-elle indispensable ? Quel pourrait devenir le rôle du collaborateur si l'IA produit d'emblée une première analyse ?

À ce stade, la question n'est plus « comment utiliser l'IA ? », mais « comment devrions-nous travailler désormais ? ». Cette bascule est essentielle. L'entreprise ne se contente plus d'ajouter une couche technologique par-dessus son organisation existante : elle commence à se servir de cette technologie pour repenser l'organisation elle-même.

L'IA oblige aussi les managers à redéfinir ce qu'ils valorisent

Cette transformation peut néanmoins mettre les managers dans une position inconfortable. Depuis des années, ils évaluent leurs équipes sur des repères connus : la qualité d'un livrable, le temps passé sur une tâche, la maîtrise d'une expertise, la capacité à produire de façon autonome. L'IA vient bousculer certains de ces repères.

Que signifie être performant lorsqu'une tâche qui prenait quatre heures peut désormais être bouclée en trente minutes ? Faut-il exiger plus de production, ou réinvestir le temps libéré dans la qualité ? Comment évaluer une contribution individuelle quand un assistant participe au raisonnement ? À partir de quel moment l'usage de l'IA devient-il un gain de productivité plutôt qu'un risque de déperdition de compétences ?

Aucune politique IA globale ne peut trancher seule ces questions : elles doivent se discuter au niveau des métiers. Et elles redéfinissent directement le rôle du manager, qui ne pilote plus uniquement des personnes et des objectifs, mais commence à orchestrer une combinaison de compétences humaines, de logiciels, d'automatisations et, bientôt, d'agents autonomes. Le management devient, en partie, un exercice de design organisationnel.

Faire de l'expérimentation une pratique collective

L'un des risques de l'IA en entreprise est de laisser l'expérimentation reposer sur quelques individus particulièrement motivés. On se retrouve alors, au sein d'une même équipe, avec un collaborateur qui a déjà automatisé une partie de son travail et un voisin qui n'a jamais ouvert l'assistant mis à sa disposition. Cet écart se creuse progressivement, non seulement en productivité, mais aussi en compréhension. Les usages restent individuels, les bonnes pratiques circulent mal, les mêmes erreurs se répètent, et l'entreprise peine à transformer des découvertes isolées en nouvelles méthodes de travail.

Le manager peut ici jouer un rôle bien plus riche que celui de simple prescripteur : créer un espace où l'expérimentation devient collective. Une équipe peut, par exemple, repérer régulièrement une tâche particulièrement chronophage, tester plusieurs façons de l'augmenter grâce à l'IA, comparer les résultats, puis décider ensemble si cette nouvelle pratique mérite d'intégrer le fonctionnement standard. Une fois stabilisée, elle cesse d'être une astuce personnelle pour devenir une nouvelle façon de travailler, partagée par tous.

C'est ainsi que l'adoption passe de l'échelle individuelle à l'échelle collective.

Une transformation qui ne peut pas être uniquement descendante

Les directions générales ont bien sûr un rôle essentiel : fixer une ambition, créer les conditions d'investissement, poser des règles de gouvernance, envoyer un signal assez fort pour légitimer l'expérimentation. Mais elles ne peuvent pas redessiner des milliers de workflows depuis le sommet de l'organisation. À l'inverse, une transformation purement ascendante atteint vite ses limites : laisser chacun expérimenter librement produit beaucoup d'idées, mais peu de standardisation. Les usages restent fragmentés, et les gains sont difficiles à généraliser.

La transformation doit donc circuler dans les deux sens. La direction fixe un cap et un cadre. Le terrain expérimente et invente de nouveaux usages. Entre les deux, le management intermédiaire convertit ces apprentissages en pratiques collectives, fait remonter les besoins et ajuste les priorités.

Ce mouvement permanent est sans doute bien plus adapté à l'IA qu'un programme de transformation linéaire, avec une date de lancement et une date de clôture car il n'y aura probablement jamais de véritable point final au déploiement de l'intelligence artificielle. Les modèles continueront d'évoluer, de nouveaux agents apparaîtront, des tâches aujourd'hui hors de portée deviendront automatisables d'ici six mois. Les workflows devront donc être réinterrogés en continu.

Former les managers à l'IA ne suffira pas

Cela a une conséquence directe pour les entreprises : si le management intermédiaire devient l'acteur central de la transformation, une formation de plus au prompt engineering ou à Copilot ne suffira pas. L'enjeu véritable est de lui donner les moyens de repenser le travail lui-même. Cela suppose de savoir observer un workflow, repérer une friction, distinguer une tâche d'un processus, expérimenter rapidement, mesurer un gain réel et accompagner une équipe dans l'évolution de ses pratiques des compétences bien plus proches du service design, du product design ou de l'amélioration continue que de la simple maîtrise d'un outil.

Le manager de demain n'aura pas nécessairement besoin de devenir un expert de l'intelligence artificielle. Il devra surtout en comprendre assez les possibilités pour poser la bonne question à son équipe : maintenant que cette capacité existe, que pouvons-nous faire différemment ?

Le vrai indicateur d'adoption, c'est la transformation du travail

Dans les années qui viennent, beaucoup d'entreprises afficheront des taux d'activation impressionnants pour leurs outils d'IA. Cela ne voudra pas nécessairement dire qu'elles ont réussi leur transformation.

Le véritable indicateur sera bien plus difficile à mesurer. Les workflows ont-ils changé ? Certaines tâches ont-elles disparu ? Les décisions se prennent-elles plus vite ? Les collaborateurs passent-ils davantage de temps sur les activités où leur jugement compte vraiment ? Les équipes ont-elles inventé de nouvelles façons de collaborer avec des systèmes intelligents ? C'est seulement quand ces transformations deviennent visibles que l'on peut réellement parler d'adoption et elles ne se décrètent pas depuis un comité exécutif. Elles se construisent dans les équipes, progressivement, à travers des dizaines de décisions très concrètes sur la manière dont le travail doit désormais s'organiser.

C'est pourquoi la réussite de l'IA en entreprise se jouera sans doute beaucoup moins dans le choix entre Copilot, Gemini ou ChatGPT qu'on ne le pense aujourd'hui. Elle se jouera au cœur de l'organisation, auprès de ceux qui ont assez de proximité avec le terrain pour comprendre le travail réel, et assez de responsabilité pour pouvoir le transformer.

À l'heure de l'IA, le manager intermédiaire ne doit plus être vu comme le dernier maillon d'un plan de conduite du changement. Il en devient l'un des principaux designers.

‍