Récemment, un décideur de l’assurance me confiait avoir recruté une pointure issue d’un très grand groupe. Une arrivée dont il était particulièrement fier, tant le profil semblait correspondre aux ambitions de son entreprise.

L’expérience a pourtant tourné court.

Il est parti au bout d’une semaine, car il considérait l’organisation trop contraignante. Je pensais avoir été très clair sur le poste. J’ai pris une grosse claque.

Cette histoire pourrait être réduite à une erreur de casting ou à un malentendu sur les responsabilités associées au poste. Elle fait pourtant écho à plusieurs situations entendues récemment dans l’écosystème.

Des recrutements tombent à l’eau. Des profils très recherchés rejoignent une entreprise avant de découvrir qu’ils ne disposent ni de l’autonomie, ni des outils, ni de la capacité d’expérimentation attendus. Des talents travaillant sous la bannière de la marque depuis des années claquent la porte sans prévenir.

Comment l’expliquer ? On tombe rapidement sur l’intelligence artificielle, qui influe de plus en plus lourdement sur ces arbitrages.

En donnant à chacun la possibilité de créer un agent ou de prototyper une application, la technologie modifie les attentes des collaborateurs autant que les capacités des organisations. Tout simplement, elle déplace progressivement l’innovation vers les métiers.

Ce mouvement percute l’organisation traditionnelle des entreprises. En effet, beaucoup d’entre elles fonctionnent toujours avec des chaînes hiérarchiques verticales et une DSI qui contrôle l’ensemble des choix technologiques.

Mais la tension devient de plus en plus visible. Car un constat s’impose en 2026 : les organisations ont déployé l’IA plus vite qu’elles n’ont adapté leur gouvernance.

Un casse-tête pour des directions qui doivent désormais encadrer des usages déjà installés, redéfinir les responsabilités et retenir des talents souhaitant laisser libre cours à leur créativité, en utilisant les outils qu’ils ont choisis.

En 2026, la transformation par l’IA devient ainsi un défi organisationnel et managérial bien plus qu’une simple affaire de technologie.

L’usage a pris de vitesse l’organisation

Historiquement, l’introduction d’une nouvelle technologie suivait une séquence relativement prévisible.

Une direction métier exprimait un besoin. La DSI évaluait les solutions disponibles, sécurisait les accès et pilotait l’intégration. L’outil était ensuite déployé auprès des collaborateurs, souvent accompagné d’un programme de formation et de conduite du changement.

Cette organisation reposait sur une réalité économique et technique. Déployer un logiciel nécessitait des compétences spécialisées et des budgets importants. Dans ce contexte, l’accès à la capacité de création demeurait concentré entre les mains de quelques fonctions.

L’IA générative modifie cette mécanique.

Car son adoption accélère sans surprise dans les entreprises, et les chiffres le confirment. Présenté à VivaTech, le dernier baromètre Hiscox x OpinionWay indique que 77 % des entreprises de la tech utilisent désormais l’IA générative, contre moins de la moitié en 2024. Près de sept dirigeants sur dix déclarent par ailleurs recourir à ChatGPT dans le cadre professionnel.

Cette progression rapide fait toutefois apparaître un décalage.

Comme le résume Victorine Bailleul, responsable de l’offre cyber chez Hiscox, les organisations ont adopté l’IA plus vite qu’elles n’ont écrit leurs règles d’usage.

Une faille se crée précisément dans cet intervalle. En effet, de nombreux collaborateurs n’ont pas attendu leur entreprise pour expérimenter. Ils utilisent déjà l’IA dans leur quotidien, et donc leur travail, parfois à travers des outils qui ne figurent pas dans l’environnement technologique approuvé.

Les pratiques s’installent alors avant leur encadrement, et les fonctions chargées de les superviser les découvrent parfois une fois qu’elles sont déjà entrées dans la routine des équipes.

Une récente contribution publiée dans le Financial Times donne une définition particulièrement juste de ce phénomène : le Shadow AI apparaît lorsque l’adoption de l’IA dépasse la capacité de l’organisation à la gouverner.

Ces usages ne procèdent généralement pas d’une volonté de contourner les règles. Un collaborateur cherche d’abord à gagner du temps, à améliorer une analyse ou à répondre plus rapidement à un besoin métier. L’outil public est accessible immédiatement, tandis que la solution interne ou le cadre d’utilisation tardent parfois à arriver.

L’étude menée par FTI Consulting pour Smarsh mesure directement cette zone aveugle.

Seulement 30 % des entreprises interrogées déclarent disposer de capacités complètes pour détecter et encadrer le Shadow AI.

Près de la moitié reconnaissent n’avoir qu’une visibilité partielle. La majorité sait donc que ces pratiques se développent, sans encore pouvoir les superviser pleinement.

Cette difficulté contraste avec une perception encore modérée du danger. Dans le baromètre Hiscox, l’IA n’arrive qu’en douzième position parmi les quatorze risques évalués, et seulement 24 % des dirigeants la considèrent comme un risque très important.

Une partie de l’innovation progresse ainsi dans un espace que l’entreprise maîtrise encore mal : assez utile pour s’imposer dans les pratiques, mais trop diffus pour entrer pleinement dans ses dispositifs de gouvernance.

Les métiers deviennent des lieux de création

Le mouvement dépasse aujourd’hui largement l’utilisation clandestine de ChatGPT. L’IA générative modifie aussi la manière dont les idées émergent et prennent forme dans l’entreprise.

Jusqu’à présent, un gestionnaire, un souscripteur ou un conseiller identifiait un problème, puis le transmettait à une équipe chargée de le traduire en solution. Cette séquence imposait souvent un cahier des charges, des arbitrages budgétaires et plusieurs étapes de validation avant même d’obtenir un premier prototype.

L’IA compresse littéralement ces cycles. Un collaborateur peut désormais tester une intuition ou automatiser une partie de son activité sans attendre le lancement d’un projet structuré.

L’idée peut ainsi commencer à prendre forme directement sur le terrain.

La démarche engagée par la MAIF illustre cette nouvelle logique. Guillaume Rincé, CTO du groupe, a récemment expliqué que les équipes étaient encouragées à expérimenter et à paramétrer leurs propres outils.

Ces agents IA « artisanaux » répondent à des problèmes opérationnels précis. Les plus pertinents peuvent ensuite être labellisés et diffusés plus largement dans l’organisation.

Cette approche, dans laquelle les collaborateurs se muent en concepteurs, mobilise une ressource souvent sous-exploitée dans les programmes de transformation : la curiosité individuelle.

L’essor des Citizen Developers illustre parfaitement cette évolution. Grâce aux outils d’IA et au vibe coding, une personne sans formation initiale en développement peut aujourd’hui construire rapidement une première version d’application.

Héloïse Bridault, fondatrice d’OKOA, nous partageait son expérience dans un récent Baromètre de l’innovation.

La frontière entre l’expression du besoin et la création de la réponse devient ainsi plus poreuse. Le métier ne se contente plus de décrire son problème à une équipe technique. Il peut proposer une solution fonctionnelle, la tester et démontrer directement la valeur qu’elle apporte.

Cette proximité avec les opérations englobe plusieurs avantages. Les équipes connaissent mieux que quiconque les irritants qui ralentissent leur quotidien, mais aussi les règles informelles qui échappent souvent aux projets conçus à distance. Elles peuvent ainsi faire émerger des usages qu’une approche exclusivement centralisée aurait eu du mal à identifier.

L’appropriation devient également plus naturelle. Un outil imaginé par ceux qui vont l’utiliser s’intègre forcément plus facilement dans les pratiques qu’une solution descendante, même techniquement plus aboutie.

Toutefois, cette liberté ne garantit ni la robustesse ni le passage à l’échelle.

Une application convaincante lors d’une démonstration peut se révéler difficile à maintenir ou à intégrer dans le système d’information. Un agent conçu localement peut dépendre entièrement de son créateur, manipuler des données sensibles ou produire des résultats difficiles à reproduire.

À mesure que les initiatives se multiplient, l’entreprise s’expose aussi à voir plusieurs équipes résoudre séparément le même problème, avec des outils et des standards différents. L’agilité gagnée localement peut alors produire une nouvelle forme de complexité à l’échelle collective.

Le déplacement de l’innovation vers les métiers ne réduit donc pas le besoin de gouvernance, loin de là ! Il oblige plutôt à l’exercer autrement.

Car si le centre de gravité de l’innovation se rapproche du terrain, celui de la responsabilité reste collectif.

La technologie redistribue les rôles

La DSI se retrouve en première ligne de cette transformation, mais plus tout à fait dans la position qu’elle occupait auparavant.

On a compris que l’IA rebat les cartes de l’accès aux capacités technologiques. Dès lors, une partie du contrôle échappe désormais potentiellement à la DSI. Son rôle n’en demeure pas moins important, et essentiel.

L’étude récemment publiée par Alliancy et Inetum offre à cet égard une photographie intéressante des réflexions qui traversent actuellement les grandes DSI. Elle ne fait pas apparaître une méthode unique, mais plutôt une phase d’exploration généralisée.

Certaines organisations privilégient des plateformes communes pour garder la main sur les usages. D’autres laissent davantage d’autonomie aux équipes métiers, avant de reprendre les projets les plus prometteurs.

Les choix restent également ouverts entre développement interne et solutions du marché, modèles spécialisés et outils généralistes, ou encore infrastructures propres et environnements cloud. Autrement dit, la question du make or buy – ou make and buy – est plus que jamais d’actualité.

Cette diversité dans les approches traduit un gros défi du moment. Les DSI doivent en effet construire des cadres suffisamment robustes pour sécuriser les usages, tout en évitant de figer trop tôt leurs choix autour d’une technologie qui continue d’évoluer rapidement.

Leur rôle se rapproche ainsi de celui d’un orchestrateur. Qui implique de ne plus contrôler nécessairement l’origine de chaque initiative, mais d’assurer la cohérence de l’ensemble et de transformer les expérimentations utiles en capacités durables.

Cette évolution finit aussi par toucher les équipes techniques. Chez Allianz France, les réflexions portent par exemple sur des développeurs qui pourraient progressivement superviser des agents chargés de produire une partie du code. Mais ce cas illustre surtout un mouvement plus général : à mesure que l’IA gagne en autonomie, la valeur humaine se déplace vers la conception, le contrôle et l’arbitrage.

La conformité doit elle aussi trouver sa place dans cette nouvelle organisation. Lorsque les usages émergent directement dans les équipes, intervenir au terme du projet ne suffit plus. Elle doit donc contribuer plus tôt à définir ce qui peut être expérimenté et dans quelles conditions.

Selon l’étude Smarsh, 47 % des entreprises interrogées associent déjà la conformité aux premières étapes de leurs décisions technologiques.

De manière générale, la définition d’un cadre clair et solide pour baliser les projets en amont et piloter efficacement en temps réel s’impose peu à peu comme un nouvel impératif.

Cette redistribution atteint enfin les ressources humaines.

Un rapport de Sixfold mené auprès des professionnels de la souscription montre que 77 % des dirigeants craignent de voir leurs collaborateurs partir chez des concurrents mieux équipés en matière d’IA. Une inquiétude cohérente avec les réponses des sondés :

72 % déclarent que la stratégie IA d’un employeur influencera une prochaine décision de carrière.

Un changement est en train de se matérialiser : la capacité à offrir un environnement technologique ouvert devient progressivement un critère de choix pour les talents. Les organisations devront donc repenser leur proposition de valeur si elles veulent continuer à attirer les meilleurs profils, mais aussi les convaincre de rester.

Organiser l’autonomie sans perdre la maîtrise

Quelle est alors la bonne formule ? Il semble que le modèle le plus pertinent ne repose ni sur l’interdiction ni sur le laisser-faire.

La contribution publiée dans le Financial Times cite l’exemple d’un gestionnaire d’actifs ayant adopté une politique en trois niveaux, dans laquelle les informations publiques peuvent être utilisées avec des outils ouverts. Les données sensibles restent réservées aux environnements approuvés. Quant aux plus confidentielles, elles demeurent exclues des systèmes d’IA.

Cette approche a le mérite de rendre les règles immédiatement compréhensibles. Elle réduit les zones grises et évite que chaque usage devienne un cas particulier à arbitrer.

Mais un cadre clair ne suffira probablement pas si les outils officiels restent moins performants ou intuitifs que les alternatives grand public. Dans ce cas, les pratiques risquent simplement de se déplacer hors du champ de vision de l’entreprise.

Une autre question se pose ensuite : que faire des expérimentations qui fonctionnent ?

Toutes n’ont évidemment pas vocation à être industrialisées. Mais celles qui démontrent une réelle utilité doivent pouvoir sortir du cadre local, être consolidées puis diffusées plus largement.

La démarche de labellisation évoquée par la MAIF apporte ici une piste intéressante. Elle permet de conserver la vitesse du terrain tout en créant un passage vers une adoption plus structurée.

L’approche de co-construction prônée par un acteur comme code.store, détaillée dans la vidéo ci-dessous, ouvre une nouvelle voie également très intéressante. Où l’initiative individuelle ne disparaît pas mais peut progressivement devenir une capacité collective.

Le management devra sans doute, lui aussi, trouver une nouvelle position, moins centrée sur la validation préalable de chaque initiative et davantage tournée vers l’arbitrage : identifier ce qui mérite d’être encouragé, ce qui doit être encadré et ce qui ne justifie pas d’aller plus loin.

Tout cela confirme que la capacité à sortir du lot sur l’IA ne repose plus uniquement sur la puissance des modèles. Il n’existe pas de formule magique.

Tester, expérimenter et ajuster rapidement, dans un fonctionnement réellement itératif, semble néanmoins constituer une piste sérieuse.

Une telle approche suppose d’accepter de ne pas tout maîtriser immédiatement, tout en avançant suffisamment vite pour rester au contact d’usages qui n’ont pas fini de secouer les organisations.