Le 8 octobre 2026, Samsung a publié ses estimations de résultats pour le troisième trimestre. Il s’agit d’indications préliminaires, distinctes des résultats détaillés à venir. [1] Cette actualité financière offre l’occasion de poser une question plus large sur la transformation technologique : comment passe-t-on de la création de valeur chez un fournisseur à une amélioration tangible pour les entreprises utilisatrices, leurs salariés et leurs clients ?
Cette tribune ne déduit pas des comptes d’un groupe un bilan de l’intelligence artificielle pour toute l’économie. Elle défend une exigence de méthode : parler des bénéfices de l’IA suppose de préciser qui en bénéficie, à quelle échéance et après quels coûts. Sans cette discipline, la promesse de progrès mélange des situations très différentes et expose les dirigeants à un écart croissant entre leurs annonces et les expériences vécues.
La valeur ne se crée pas au même endroit pour tous
Une entreprise qui vend une infrastructure, une organisation qui achète un service et un salarié qui transforme sa manière de travailler ne mesurent pas le même résultat. Un fournisseur peut enregistrer des revenus alors que son client explore encore les usages. Un utilisateur peut gagner du temps sur une tâche sans que l’entreprise ait trouvé comment réaffecter ce temps utilement.
Il faut donc distinguer les recettes des fournisseurs, la rentabilité des projets et les effets sur les personnes. Ces dimensions peuvent se renforcer, mais aucune ne démontre automatiquement les autres. Un discours de dirigeant devient plus solide lorsqu’il commence par cette distinction et précise le niveau auquel il situe sa promesse. La croissance d’un marché n’est pas le bilan social d’une transformation.
L’exposition d’un métier n’annonce pas sa disparition
L’indice publié par l’OIT et le NASK en mai 2025 évalue une exposition potentielle des emplois à l’IA générative. Il ne compte pas des suppressions effectivement réalisées et souligne la possibilité de transformations des tâches. [2] Cette différence mérite de rester visible chaque fois qu’un chiffre sur l’avenir du travail est repris.
Pour une entreprise, le bon point de départ consiste à observer des activités précises : préparer un document, vérifier des informations, traiter une demande ou élaborer une proposition. Certaines étapes peuvent être accélérées ; d’autres demandent davantage de contrôle. Une catégorie de métier trop large masque ces déplacements. Elle peut aussi conduire à annoncer une transformation avant d’avoir compris quelles compétences permettront de l’accompagner.
Un gain de temps brut n’est pas un bénéfice net
Prenons un exemple fictif. Une équipe prépare un dossier en une heure au lieu de deux, mais consacre ensuite quarante minutes supplémentaires à vérifier les sources, les droits et les erreurs. Le gain existe encore, mais il n’a pas la même ampleur que l’annonce initiale. Il faut également intégrer les dépenses de service, la formation et le temps de mise au point du processus.
Une mesure crédible distingue donc production, validation et reprise. Elle compare des tâches de difficulté similaire et examine la qualité du résultat final. Si les erreurs sont simplement déplacées vers une autre équipe, la productivité apparente d’un service peut masquer un coût collectif. La direction de la communication devrait demander ces précisions avant de convertir une expérimentation en chiffre public.
Le partage des gains est une décision de gouvernance
Une fois un gain établi, plusieurs usages sont possibles : réduire un délai, améliorer un service, absorber davantage d’activité, développer la formation ou modifier les effectifs. La technologie ne choisit pas seule entre ces options. Ce sont des arbitrages d’organisation, avec des conséquences différentes pour les publics concernés.
C’est pourquoi une annonce de productivité doit être accompagnée d’une explication sur l’affectation envisagée des gains. Les salariés cherchent à comprendre ce que cela change pour leurs objectifs et leurs perspectives. Les clients attendent un bénéfice sur la qualité ou le service. Les investisseurs examinent le rendement et la durée des investissements. Répondre à ces questions par une seule formule enthousiaste revient à éluder le choix central.
Les entreprises ne partent pas du même point
Une grande organisation peut financer des équipes de déploiement et répartir ses coûts sur de nombreux usages. Une structure plus petite doit souvent sélectionner quelques tâches et composer avec des ressources limitées. Ce contraste est une raison de décrire les conditions d’une réussite plutôt que de présenter chaque résultat comme immédiatement reproductible.
À l’international, les capacités techniques, les langues de travail et les circuits de décision ajoutent d’autres différences. Pour une entreprise coréenne disposant d’une filiale française, par exemple, une démonstration conçue au siège devra être évaluée sur des documents, des interlocuteurs et des contraintes réellement rencontrés en France. Ce scénario illustre une question de déploiement ; il ne constitue pas une observation sur une entreprise particulière.
La formation se juge aussi à la capacité de contester un résultat
Former à l’IA ne consiste pas seulement à apprendre à obtenir une réponse plus rapidement. Les utilisateurs doivent pouvoir reconnaître les situations dans lesquelles le résultat ne peut pas être repris, identifier les éléments à vérifier et demander une décision humaine. Une équipe qui ignore ces limites peut produire davantage tout en fragilisant la qualité de ses engagements.
Un programme utile peut partir des erreurs rencontrées dans les tâches réelles. Il précise qui valide, quand interrompre l’usage et comment signaler un incident sans pénaliser celui qui le détecte. La compétence devient alors collective : savoir utiliser, vérifier, corriger et parfois renoncer. Cette description est plus informative qu’un taux de collaborateurs ayant assisté à une séance de présentation.
L’objection : tout mesurer risque de retarder l’innovation
Une expérimentation ne peut pas attendre la connaissance parfaite de ses conséquences. Exiger un rendement certain avant tout essai pourrait bloquer des apprentissages utiles. Mais expérimenter dans l’incertitude n’oblige pas à présenter ses résultats comme définitifs. On peut assumer un périmètre limité, des hypothèses et une date de réévaluation.
La réponse pratique consiste à organiser plusieurs niveaux de preuve. Un premier essai établit la faisabilité ; un second observe le fonctionnement dans des conditions ordinaires ; un déploiement plus large permet de tester la robustesse. À chaque étape, la parole publique doit correspondre à ce qui a effectivement été constaté. L’ambition demeure, mais ses formulations évoluent avec les preuves disponibles.
Construire un récit qui puisse être vérifié
Une organisation peut publier une note de transformation qui indique les usages concernés, les critères de qualité, les coûts pris en compte et les choix sur l’affectation des gains. Elle peut également expliquer les usages abandonnés et les raisons de cet abandon. Cette information aide à comprendre sa méthode, y compris lorsque les résultats restent partiels.
Pour le comité de direction, nous proposons quatre questions de revue : le résultat final est-il meilleur ; le gain subsiste-t-il après vérification ; qui supporte les nouveaux coûts ; qui bénéficie concrètement de l’amélioration ? Il s’agit d’une grille de discussion, pas d’un indicateur universel. Les réponses doivent être établies pour chaque contexte et suivies dans le temps.
Le débat sur l’IA gagnera en qualité lorsque la réussite sera racontée à la bonne échelle. Les performances financières, les gains opérationnels et le progrès pour les personnes méritent chacun leurs preuves. La responsabilité d’un dirigeant consiste à expliquer comment il cherche à les relier, et à reconnaître les endroits où ce lien reste encore à construire.
Sources et repères
Lire dans une autre langue
Ces éditions abordent les mêmes sujets avec un contexte adapté à leurs lecteurs.