IA et stratégie d’entreprise : le piège de l’uniformité

Les stratégies d’intelligence artificielle commencent à se multiplier dans les entreprises et les organisations publiques. Pourtant, lorsqu’on les compare, une impression de familiarité apparaît rapidement : copilotes, chatbots internes, automatisation de processus, catalogues de cas d’usage, centres d’excellence, programmes de formation, gouvernance des données.

• Dans cet article
• I. Pourquoi les stratégies finissent-elles par se ressembler ?
• II. Et si l’IA elle-même renforçait cette convergence ?
• III. Quand l’automatisation consolide l’existant
• IV. Le gain de temps est une mesure utile, mais insuffisante
• V. Partir non plus de ce qui existe, mais de ce qui devient possible
• VI. Cinq questions pour sortir d’une stratégie IA de conformité
• VII. Sortir du mimétisme ne signifie pas rechercher l’originalité à tout prix
• VIII. De l’adoption d’une technologie à la construction d’une capacité
• IX. Références
• X. Ressources

Cette convergence peut surprendre. Si l’IA représente réellement une rupture stratégique, pourquoi conduit-elle si souvent à des feuilles de route qui se ressemblent ? Une partie de la réponse ne se trouve probablement pas dans la technologie elle-même, mais dans la manière dont les organisations réagissent à l’incertitude.

Pourquoi les stratégies finissent-elles par se ressembler ?

En 1983, les sociologues Paul DiMaggio et Walter Powell publient dans l’American Sociological Review un article devenu classique, The Iron Cage Revisited: Institutional Isomorphism and Collective Rationality in Organizational Fields. Ils y décrivent un mécanisme qu’ils appellent isomorphisme institutionnel : au sein d’un même champ, des organisations distinctes ont tendance à devenir progressivement similaires.

Le point intéressant est qu’il ne s’agit pas nécessairement d’un comportement irrationnel. Au contraire, DiMaggio et Powell montrent comment des acteurs qui prennent individuellement des décisions raisonnables peuvent collectivement produire des organisations de plus en plus semblables. Ils distinguent trois grandes formes d’isomorphisme : coercitif, mimétique et normatif.

Le contexte actuel de l’IA s’y prête particulièrement bien.

• L’isomorphisme mimétique apparaît lorsque l’incertitude est forte. Lorsque personne ne sait exactement quelle architecture organisationnelle adopter, quels projets privilégier ou quelle valeur attendre à trois ans, observer les entreprises considérées comme les plus avancées constitue une réponse assez logique. Les mêmes exemples circulent alors dans les conférences, les rapports, les benchmarks et les réseaux professionnels. Copilotes, assistants internes, cas d’usage, agents, KPI et modèles de gouvernance passent progressivement d’une organisation à une autre.
• L’isomorphisme normatif passe davantage par la professionnalisation. Consultants, fonctions data et IT, cabinets d’analystes, formations, éditeurs et communautés professionnelles contribuent à diffuser un vocabulaire, des architectures et des modèles d’organisation communs. Le « centre d’excellence IA », par exemple, peut devenir progressivement un modèle organisationnel considéré comme normal, indépendamment de la singularité de l’entreprise qui l’adopte.
• L’isomorphisme coercitif, enfin, correspond aux contraintes qui s’imposent aux organisations : réglementation, exigences des donneurs d’ordre, audit, sécurité, conformité, politiques d’achat ou encore règles internes de maîtrise des risques. L’AI Act européen en constitue évidemment un exemple contemporain. Ces contraintes ne déterminent pas toute la stratégie, mais elles favorisent mécaniquement certaines manières de traiter le sujet.

Il faut toutefois éviter un raccourci : toute convergence n’est pas du mimétisme. Des organisations confrontées aux mêmes technologies, aux mêmes réglementations et aux mêmes risques peuvent parfaitement aboutir, indépendamment les unes des autres, à des solutions proches. La convergence peut être rationnelle.

C’est plutôt l’accumulation de ces différents mécanismes qui devient intéressante. Lorsque l’incertitude technique, la pression réglementaire, les modèles des pairs et les référentiels professionnels convergent, l’espace des réponses considérées comme légitimes tend naturellement à se réduire.

Et si l’IA elle-même renforçait cette convergence ?

Depuis peu, une autre question se pose. L’IA n’est plus seulement l’objet de la stratégie : elle commence aussi à participer à sa formulation. Des dirigeants et leurs équipes utilisent désormais les grands modèles de langage pour rechercher des options, synthétiser des benchmarks, préparer des scénarios ou challenger des décisions. Cela pourrait, en théorie, élargir considérablement l’espace des solutions envisagées.

Mais ce n’est pas forcément ce qui se produit.

Une étude publiée en 2026 dans le Journal of Business Research par Timo Stoeber et ses coauteurs, AI strategy under institutional pressure: strategic conformity and decision-making in large language models, a comparé 2 400 recommandations stratégiques produites par quatre grands modèles de langage à celles de 218 managers, dans dix situations d’entreprise différentes. Les chercheurs observent que les LLM ont davantage tendance que les managers à accepter les pressions institutionnelles et les solutions considérées comme consensuelles. Ils les décrivent comme des « amplificateurs institutionnels », susceptibles de réduire la diversité des réponses stratégiques.

Il faut évidemment rester prudent. Une expérimentation ne permet pas de conclure que toute stratégie construite avec l’aide d’un LLM deviendra uniforme. Mais le résultat soulève un paradoxe intéressant : les organisations utilisent l’IA pour explorer des possibilités nouvelles avec des systèmes entraînés sur une quantité considérable de connaissances, de pratiques, de discours et de solutions déjà existants. Ces systèmes sont donc remarquablement efficaces pour produire une réponse plausible. Or une réponse plausible n’est pas nécessairement une réponse différenciante.

L’IA peut aider à explorer. Elle peut aussi reproduire, avec une efficacité spectaculaire, ce que l’environnement considère déjà comme une bonne réponse.

Quand l’automatisation consolide l’existant

Cette logique permet aussi de comprendre pourquoi l’automatisation constitue souvent l’une des premières portes d’entrée de l’IA dans l’entreprise. Commencer par se demander « quels processus pouvons-nous automatiser ? » conduit généralement à prendre l’organisation existante comme point de départ. Cette démarche privilégie, par construction, l’amélioration de processus déjà définis plutôt que leur remise en cause.

La cartographie des processus devient alors le cadre implicite de la réflexion : quelles tâches prennent du temps ? Lesquelles sont répétitives ? Où peut-on réduire le nombre d’interventions humaines ? Où un assistant peut-il accélérer la production d’un document, d’une réponse ou d’une analyse ? Ce raisonnement n’a rien d’absurde. Les gains peuvent être très réels.

Une expérimentation menée auprès de 7 137 salariés de 66 entreprises a, par exemple, attribué aléatoirement à une partie d’entre eux l’accès à un outil d’IA générative intégré à leurs applications de travail. Parmi les salariés qui l’ont effectivement utilisé, les chercheurs observent notamment environ deux heures de moins consacrées aux e-mails chaque semaine. Mais ils ne détectent parallèlement pas de modification significative de la quantité ou de la composition générale des tâches accomplies.

Ce résultat illustre assez bien la distinction entre faire plus efficacement ce que l’organisation faisait déjà et modifier sa capacité d’action.

Le gain de temps est une mesure utile, mais insuffisante

Il n’est donc pas étonnant que les gains de temps occupent une place importante dans l’évaluation des projets d’IA. Ils ont beaucoup d’avantages : ils sont compréhensibles, comparables et relativement faciles à transformer en business case.

Une enquête Deloitte conduite en 2026 auprès de 25 000 actifs britanniques illustre cependant la prudence nécessaire. Parmi les personnes ayant utilisé l’IA générative au travail, 31 % déclarent ne gagner aucun temps grâce à elle ; environ 30 % déclarent au contraire économiser au moins un peu de temps chaque semaine et 7 % cinq heures ou davantage. Les effets sont donc loin d’être uniformes.

Mais surtout, même lorsqu’un gain de temps existe, il ne dit pas à lui seul ce que l’organisation en fait.

Une heure économisée peut être absorbée par davantage d’e-mails, davantage de présentations et davantage de réunions. Elle peut aussi être utilisée pour augmenter la qualité d’une décision, prendre en charge davantage de clients, expérimenter plus rapidement ou déplacer une compétence vers une activité jusque-là trop coûteuse.

Mesurer l’économie de temps reste donc utile. En faire la mesure principale de la transformation revient en revanche à confondre efficacité opérationnelle et capacité stratégique.

Les premiers projets d’automatisation ont d’ailleurs d’autres vertus. Ils permettent aux équipes de se familiariser avec la technologie, révèlent des problèmes de qualité des données, font émerger des questions de gouvernance et construisent progressivement des compétences internes.

Le problème n’est donc pas de commencer par automatiser. Il apparaît lorsqu’on finit par considérer cette première étape comme la stratégie elle-même.

Partir non plus de ce qui existe, mais de ce qui devient possible

Une autre question peut alors compléter progressivement le traditionnel « qu’est-ce que nous pouvons automatiser ? » : Qu’est-ce qui devient possible aujourd’hui qui ne l’était pas, ou qui était économiquement irréaliste, auparavant ? Cette manière de poser le problème déplace le point de départ. On ne part plus nécessairement du processus existant, mais de capacités dont le coût, la vitesse ou l’accessibilité viennent d’être profondément modifiés.

Plusieurs évolutions sont particulièrement importantes.

• La réduction du coût de synthèse. Produire une première analyse à partir de dizaines de documents, préparer une synthèse multisource ou rapprocher plusieurs corpus nécessitait auparavant un temps humain important. Une partie de ce coût peut désormais être fortement réduite. Cela ne supprime ni la vérification ni l’expertise, mais modifie l’économie de nombreuses tâches intellectuelles.
• La personnalisation à grande échelle. Adapter une réponse, un parcours, une documentation ou une interaction à chaque situation individuelle était souvent trop coûteux. L’IA permet d’envisager certaines formes de personnalisation sur des volumes jusque-là incompatibles avec un traitement humain.
• L’accès élargi à certaines capacités d’analyse. Des masses de données non structurées, comptes rendus, tickets, courriels, verbatims clients ou documents techniques pouvaient rester largement inexploitées parce que leur traitement manuel était trop coûteux. Leur exploration devient plus accessible, même si la qualité des résultats doit continuer à être contrôlée.
• L’augmentation de la vitesse d’expérimentation. Produire une première maquette, tester plusieurs formulations, explorer des hypothèses ou développer un prototype nécessite dans de nombreux domaines moins de ressources qu’auparavant. Cela permet de déplacer l’expérimentation plus tôt dans le processus de décision.
• La réduction du coût de capitalisation et d’accès aux connaissances. Documenter, structurer et retrouver une partie de la connaissance organisationnelle peut devenir beaucoup plus facile. Mais cette capacité n’est pas automatique : sans corpus maîtrisé, droits d’accès, mise à jour et validation, l’IA risque tout autant d’accélérer la production d’informations que leur véritable capitalisation.

Ces évolutions ont un point commun : elles ne définissent pas une stratégie IA. Elles modifient les contraintes à partir desquelles une organisation peut construire sa stratégie. La question redevient alors profondément organisationnelle : que décide-t-elle réellement de faire de ces nouvelles capacités ?

Cinq questions pour sortir d’une stratégie IA de conformité

Une stratégie différenciante ne suppose pas de rechercher systématiquement quelque chose que personne n’a jamais fait. Développer une voiture à cinq roues uniquement pour se distinguer de ses concurrents aurait peu d’intérêt. L’enjeu consiste plutôt à faire apparaître ce qui est spécifique à l’organisation et que le benchmark ne peut, par définition, pas révéler complètement.

Cinq questions peuvent aider à déplacer la réflexion :

1. Quelle contrainte ancienne limitait réellement notre performance, et cette contrainte est-elle toujours infranchissable ?
2. Quelle donnée, quelle expertise ou quelle boucle d’apprentissage possédons-nous que les autres n’ont pas ?
3. Quelle capacité collective voulons-nous augmenter, plutôt que quelle tâche voulons-nous supprimer ?
4. Quelle décision pourrait devenir plus rapide, plus fiable ou mieux contextualisée ?
5. Quel avantage spécifique voulons-nous construire, plutôt que simplement adopter le même outil que les autres ?

Ces questions peuvent être utilisées très concrètement.

Une organisation ayant déjà recensé vingt cas d’usage peut, par exemple, reprendre les cinq ou six considérés comme prioritaires et vérifier ce qui les justifie réellement. Le projet répond-il simplement à une tâche coûteuse ? Supprime-t-il une contrainte auparavant difficile à contourner ? Exploite-t-il un actif propre à l’entreprise ? Modifie-t-il une capacité collective ? Affecte-t-il réellement la manière dont une décision est prise ?

Un même projet peut très bien commencer comme une automatisation et évoluer ensuite vers quelque chose de plus structurant. La distinction n’est donc pas entre de « bons » projets stratégiques et de « mauvais » projets opérationnels. Elle permet plutôt d’identifier jusqu’où chaque projet transforme réellement l’organisation.

Sortir du mimétisme ne signifie pas rechercher l’originalité à tout prix

Il serait tout aussi dangereux d’en déduire qu’une stratégie IA pertinente doit nécessairement être originale.

Dans un environnement caractérisé par une forte incertitude et une évolution technologique rapide, imiter peut être une réponse parfaitement rationnelle. Reprendre une solution qui fonctionne ailleurs réduit les risques. Adopter un outil largement diffusé facilite le recrutement, la formation et l’intégration avec d’autres systèmes. Appliquer des pratiques déjà éprouvées permet également d’apprendre.

Les premiers projets IA, même génériques, peuvent ainsi construire de la maturité, améliorer la qualité des données, révéler des problèmes de gouvernance et permettre aux équipes de développer de nouvelles compétences. L’imitation peut donc constituer une étape d’apprentissage. La difficulté apparaît lorsqu’elle devient la seule source de la stratégie.

Inversement, poser uniquement la question « qu’est-ce qui devient possible ? » peut conduire à l’excès inverse. Sans objectif économique, sans connaissance du métier, sans gouvernance et sans prise en compte des capacités réelles de l’organisation, l’exploration technologique peut produire davantage d’expérimentations séduisantes que de transformation durable.

Un échec mal cadré peut même renforcer le conservatisme. Après un projet très ambitieux n’ayant pas produit les résultats attendus, une organisation peut revenir vers les solutions qu’elle connaît déjà, renforcer ses procédures de contrôle et privilégier des projets dont les bénéfices sont immédiatement mesurables.

La différenciation n’est donc pas une vertu en elle-même. Elle doit être justifiée par les actifs, les contraintes, les compétences et les objectifs propres à l’organisation.

De l’adoption d’une technologie à la construction d’une capacité

Les stratégies IA ne se ressemblent pas nécessairement parce que les dirigeants manquent d’imagination. Une partie de cette convergence résulte de mécanismes organisationnels puissants : incertitude, professionnalisation, réglementation, circulation des bonnes pratiques et recherche de légitimité.

L’IA ajoute désormais une dimension supplémentaire à ce phénomène. Lorsqu’elle intervient dans la préparation des décisions stratégiques, elle peut élargir considérablement l’accès à l’information et aux capacités d’analyse. Mais elle peut également renforcer les réponses déjà considérées comme plausibles et conformes.

Les benchmarks conservent donc toute leur utilité. Ils permettent de comprendre ce que fait un secteur, quelles solutions sont disponibles et comment d’autres organisations ont traité les mêmes difficultés. Ils deviennent insuffisants lorsqu’ils servent de point d’arrivée plutôt que de point de comparaison.

Une stratégie commence réellement à prendre une forme propre lorsque l’organisation confronte ces pratiques externes à ce qu’elle possède de spécifique : ses données, ses savoir-faire, son modèle économique, ses contraintes, ses relations avec ses clients, son organisation du travail et les décisions qu’elle cherche à améliorer.

La question « qu’est-ce qui devient possible ? » ne constitue pas une invitation à ignorer l’existant. Elle permet de vérifier si l’IA est seulement utilisée pour exécuter plus efficacement l’organisation actuelle, ou si elle modifie suffisamment certaines contraintes pour permettre de concevoir autrement une partie de son fonctionnement.

C’est à cet endroit que l’IA cesse progressivement d’être un catalogue de cas d’usage pour devenir un véritable sujet de stratégie.

Références

Ressources

• les aides à la mise en place d’outils d’intelligence artificielle

• Cette étude du NBER analyse pendant six mois l’usage de Microsoft 365 Copilot par 7 137 salariés de 66 grandes entreprises. Elle montre que les utilisateurs réguliers économisent environ 3,6 heures par semaine dans Outlook et gagnent près de 4 heures de travail concentré, tout en répondant à autant de courriels. Les effets restent en revanche limités sur les réunions, l’organisation collective et le nombre de documents produits : à ce stade, l’IA modifie surtout les tâches qu’une personne peut réorganiser seule. Pour aller à l’essentiel, consultez le résumé page 2, les données d’adoption page 7, les principaux résultats pages 10 à 12 — notamment le tableau 2 page 11 —, puis la conclusion page 14.

• la stratégie du suiveur peut parfois être la bonne

Les premiers de la classe sont-ils les cancres de l’innovation ?