Où l’IA peut-elle apporter des gains de productivité à l’industrie ?
L’intelligence artificielle peine à convaincre les industriels français, qui en perçoivent encore mal l’utilité. Pourtant, ses gains les plus prometteurs pourraient se situer là où on les cherche rarement : dans la coordination entre les services ou les fonctions. C’est ce que révèle notre analyse des flux réels de plusieurs entreprises.
En 2025, 16,9 % des entreprises manufacturières françaises de 10 salariés ou plus utilisaient l’intelligence artificielle (IA), contre 17,3 % en moyenne européenne et 24,4 % en Allemagne1. Tous secteurs confondus, l’usage passe en France de 15 % dans les entreprises de 10 à 49 salariés à 58 % dans celles de 250 salariés ou plus2. Les non-utilisatrices invoquent d’abord l’absence d’utilité perçue (71 %), bien avant le manque d’expertise (54 %)3. Dans une étude publiée en avril 2026, La Fabrique de l’industrie observe que les dirigeants français jugent souvent les technologies avancées superflues pour leur activité4. Cette utilité est-elle absente, ou simplement invisible depuis l’endroit d’où on la cherche ?
L’histoire invite à poser la question. L’électrification n’a accru la productivité des usines qu’une fois les ateliers reconçus autour du moteur5. Une technologie à usage général ne produit ses effets qu’après des investissements complémentaires dans l’organisation6. Encore faut-il savoir où se situent les gains. Rummler et Brache7 ont montré que les pertes de performance se logent dans les « espaces blancs » de l’organigramme, aux interfaces entre services. Porter8 souligne que la valeur se joue dans les liaisons entre activités autant que dans chacune d’elles.
L’organisation par fonctions n’est pas en cause : chaque service maîtrise son activité, mais les délais, les ressaisies et les pertes d’information entre services restent souvent sans responsable clairement identifié. Or, une entreprise se mesure le plus souvent fonction par fonction. Ce qui se perd entre deux services n’apparaît dans les indicateurs d’aucun des deux.
C’est précisément là que l’IA dispose d’un avantage. Aux interfaces, il faut rapprocher des documents hétérogènes et en restituer le contexte. Il faut aussi transmettre au service suivant une information exploitable. Lire, comparer, rédiger : des règles fixes accomplissent mal ce travail. L’automatisation classique excelle le plus souvent à l’intérieur d’une fonction, là où les données sont structurées et les règles stables. L’IA trouve son terrain dans ce qui circule entre les fonctions. Si cette hypothèse est juste, une technologie dont la valeur se loge aux interfaces sera mécaniquement jugée peu utile par chacune des fonctions qui l’évaluent.
Pour l’éprouver, nous avons reconstitué, notamment par le process mining9, les flux de plusieurs entreprises industrielles tels qu’ils sont réellement pratiqués (voir encadré). Les activités qui pourraient être confiées à l’IA ou à des automatisations classiques y représentent environ 30 % des équivalents temps plein, rapportés en coût. Dit autrement : confier certaines activités bien identifiées à l’IA permettrait de réduire les coûts de 30 %. Plusieurs des usages les plus prometteurs se situent aux interfaces. La non-conformité en offre une illustration. Détectée sur la ligne, elle traverse la production, la qualité et souvent le fournisseur ou le client.
Chacun accomplit correctement sa part ; le délai naît des passages, de la recherche de précédents dispersés dans des rapports rédigés sur plusieurs sites, de l’information qu’il faut reconstituer à chaque transmission. Règles, IA et jugement humain s’y combinent à l’échelle d’une même tâche : la qualification de l’écart obéit à des règles, le rapprochement des précédents relève de l’IA, l’action corrective reste une décision de la qualité. La baisse possible du délai de clôture est estimée à environ 40 %.
D’autres flux présentent la même structure. La prévision de la demande, construite entre le commerce, la supply chain et la production, gagnerait environ 15 % en précision et les coûts logistiques baisseraient d’autant. Un problème technique résolu dans une usine l’est souvent à nouveau dans une autre ; une mémoire partagée réduirait d’environ 30 % le temps de résolution. Pour le reporting entre filiales et siège, la durée des tâches concernées baisse, selon nos mesures, de 25 %. Dans chacun de ces cas, le gain ne relève de la productivité d’aucun service en particulier : il porte sur un coût de coordination que les indicateurs par fonction ne saisissent pas.
Cette lecture éclaire autrement les écarts d’adoption. La distance entre petites et grandes entreprises, ou entre la France et l’Allemagne, tient-elle seulement à l’accès à la technologie, ou aussi à la capacité d’observer et de piloter les flux qui traversent l’organisation ?
Des limites à dépasser
Plusieurs limites existent néanmoins. L’IA commet des erreurs, ce qui exige un contrôle humain proportionné au risque. Son coût et la protection des données, freins déclarés par les entreprises3, pèsent sur les décisions, de même que la souveraineté des outils. Dans l’une des entreprises étudiées, une première démarche d’IA n’avait pas trouvé sa place dans le quotidien des équipes, ce qui rappelle qu’un outil doit être conçu au plus près du travail réel. Les effets sur l’emploi restent enfin incertains : alors que 37 % des industriels déclarent des difficultés de recrutement10, le temps libéré pourrait se reporter sur les métiers en tension, sans que rien ne le garantisse.
Ces observations n’autorisent pas à conclure que l’IA échoue dans l’industrie. Elles suggèrent que sa valeur dépend de la maille à laquelle on l’examine : évaluée fonction par fonction, elle paraît modeste ; observée le long des flux, là où l’information se perd entre services, elle devient tangible. Comme l’électricité en son temps, elle suppose de repenser l’organisation des usines et de concevoir des outils adaptés au quotidien opérationnel des industriels. Si l’Europe veut se réindustrialiser avec les nouvelles technologies, il ne s’agira donc pas d’ajouter un outil à l’usine d’hier : un nouveau modèle industriel doit naître, pensé dès l’origine par les flux, où l’information circule aussi bien que la matière.
Encadré méthodologique
Les données de terrain proviennent de travaux menés par les auteurs avec plusieurs entreprises de secteurs industriels. Les processus y sont reconstitués, flux par flux, tels qu’ils sont effectivement pratiqués, en croisant les journaux des systèmes d’information (process mining), l’observation des postes de travail, des entretiens et des immersions sur site. Chaque activité est ensuite qualifiée selon qu’elle relève d’une intervention humaine, de l’IA ou d’une automatisation classique. La part d’activités automatisables est exprimée en équivalents temps plein, rapportés en coût. Cette cartographie sert ensuite à construire avec les équipes des outils sur mesure, reliés aux systèmes existants, puis à mesurer leur effet sur le flux concerné.
[1]Eurostat. (2025). Artificial intelligence by NACE Rev. 2 activity (isoc_eb_ain2) [Jeu de données, entreprises de 10 salariés ou plus].
[2] Eurostat. (2025). Artificial intelligence by size class of enterprise (isoc_eb_ai) [Jeu de données, France].
[3] Lefebvre, C. (2026). Les technologies de l’information et de la communication dans les entreprises en 2025 (Insee Première n° 2120). Insee. https://www.insee.fr/fr/statistiques/9025878
[4] Charlet, V., et Dussud, M. (2026). Les PMI-ETI en quête de productivité : la diffusion des technologies avancées dans l’industrie, Les Notes de La Fabrique, Presses des Mines.
[5] David, P. A. (1990). The dynamo and the computer: An historical perspective on the modern productivity paradox. American Economic Review, 80(2), 355-361.
[6] Brynjolfsson, E., Rock, D., et Syverson, C. (2021). The productivity J-curve: How intangibles complement general purpose technologies. American Economic Journal: Macroeconomics, 13(1), 333-372. https://doi.org/10.1257/mac.20180386
[7] Rummler, G. A., et Brache, A. P. (1990). Improving performance: How to manage the white space on the organization chart. Jossey-Bass.
[8] Porter, M. E. (1985). Competitive advantage: Creating and sustaining superior performance. Free Press.
[9] Van der Aalst, W. M. P. (2016). Process mining: Data science in action (2e éd.). Springer.
[10] Insee. (2026). En juillet 2026, la demande prévue par les industriels, surtout en provenance de l’étranger, rebondit (Informations rapides n° 179). https://www.insee.fr/fr/statistiques/9030956