
Adoption de l’IA : pourquoi l’utilité ne suffit pas
L’intention d’utiliser une technologie dépend aussi des normes sociales, des moyens disponibles et du contexte de travail.
1714 articles tirés de nos interventions à Genève, Lausanne, Zurich, Berne, Bâle, Lugano, Fribourg et Neuchâtel. Études de cas, guides pratiques, tendances 2026.

L’intention d’utiliser une technologie dépend aussi des normes sociales, des moyens disponibles et du contexte de travail.

Une étude devenue classique montre que la même technologie réussit ou échoue selon la manière dont l'équipe apprend ensemble.

Une étude de terrain sur plus de 5 000 agents de support suggère que les gains ne se répartissent pas uniformément dans l'équipe.

Une nouvelle pratique se diffuse rarement par décision ; elle passe par des collègues crédibles. La recherche sur la diffusion l'a documenté.

Le modèle prédit l'intention mieux que l'usage réel.

Encourager l’usage de l’IA ne dit pas comment contrôler ses résultats. La recherche invite à organiser une confiance proportionnée aux capacités du système et aux conséquences d’une erreur.

Faire utiliser l’IA ne garantit pas que ses réponses seront correctement contrôlées. La recherche sur l’automatisation invite à organiser le recours à l’outil autant que sa vérification.

L’adoption de l’IA peut rendre certaines tâches plus faciles tout en fragilisant la capacité à les reprendre sans assistance. La recherche sur l’automatisation invite à organiser cette reprise plutôt qu’à la supposer acquise.

Produire plus vite ne signifie pas nécessairement livrer davantage. La recherche sur les technologies de l’information invite à examiner l’organisation qui transforme un gain local en résultat collectif.

Introduire l’IA dans une tâche ne règle pas son articulation avec le reste du travail. La recherche invite à examiner les passages de relais, plutôt que le seul usage de l’outil.

Introduire l’IA redistribue parfois les tâches avant de transformer les métiers. La justice de cette redistribution ne se résume pas au résultat obtenu.

En partie une disposition individuelle.

L'environnement de travail décide.

Un plan « si-alors » aide.

Utiliser l'IA peut coûter en image.

Par crainte d'être jugées.

L'adoption suit une courbe progressive.

L'influence sociale pèse, surtout au début.

L'utilité perçue compte plus que la facilité.




Technologies antérieures à l'IA générative.

Mesures déclaratives.

Données d'entreprises, intentions déclarées.

Modèle descriptif, découpage arbitraire.

Intentions déclarées plus que comportements réels.

Cadre classique, antérieur à l'IA générative.


Contextes industriels et aéronautiques.

Transposition d'une autre technologie.

Une entreprise de conseil, tâches simulées.

Une entreprise, un métier.

Tâches de prévision en laboratoire.

Modèle validé sur outils d'avant l'IA générative.

Les données d'usage sont rarement accessibles finement.

Keith & Frese portent sur des logiciels classiques, pas sur l'IA générative.

L'application à l'IA générative reste peu étudiée empiriquement.

Le modèle est descriptif et ancien.

Recherche issue surtout de l'aviation et du contrôle industriel.

Document de travail, non encore publié en revue.

Un seul contexte, un seul outil.

Les modèles expliquent l'intention plus que l'usage réel.