Le Thermomètre de la Confiance

On mesure d’habitude la confiance dans l’IA comme on mesure la température. Une échelle. Un chiffre. Un gradient qui monte ou descend par petits incréments prévisibles. Edelman publie l’étude. Le tableau de bord passe au vert ou au rouge. L’équipe en charge des politiques rédige une note. Le chiffre est traité comme la lecture d’un thermostat — quelque chose à pousser vers le haut grâce à des campagnes, des formations et des paroles rassurantes.

L’Edelman Trust Barometer 2026 a brisé ce cadre. La confiance dans l’IA n’est pas un thermomètre. C’est une falaise.

Auprès de près de 34 000 personnes interrogées dans 28 pays, entre le 23 octobre et le 18 novembre 2025, Edelman a trouvé un résultat que le modèle du gradient ne sait pas expliquer. Le plus grand prédicteur isolé de la confiance d’une personne envers l’IA n’est ni son âge, ni son revenu, ni son niveau d’études, ni son orientation politique. C’est le fait d’avoir, ou non, vécu personnellement une expérience utile avec l’outil. Et l’écart entre celles qui en ont vécu une et celles qui n’en ont pas vécu va de 26 à 46 points de pourcentage selon les marchés étudiés.

Vingt-six à quarante-six points, ce n’est pas un gradient. C’est une discontinuité. Les données ne montrent pas des personnes qui se réchauffent lentement à l’IA au fur et à mesure qu’elles en apprennent davantage. Elles montrent des personnes d’un côté ou de l’autre d’un mur. Le mur est une utilisation significative. Une fois cette utilisation vécue, la confiance grimpe nettement. Tant qu’elle ne l’est pas, la confiance ne bouge pas — quel que soit le nombre de présentations que l’équipe de conduite du changement produit.

La Falaise dans les Chiffres

Les chiffres par pays rendent la falaise visible à grande échelle. En Chine, 87 pour cent des personnes interrogées disent faire confiance à l’IA. Au Brésil, 67 pour cent. En Allemagne, 39 pour cent. Au Royaume-Uni, 36 pour cent. Aux États-Unis, 32 pour cent. L’écart entre la Chine et les États-Unis est de cinquante-cinq points de pourcentage — un écart si large que les deux populations vivent de fait dans deux rapports différents à la même technologie.

La tentation est de lire les différences entre pays comme culturelles. Les marchés orientaux feraient davantage confiance à la technologie que les marchés occidentaux. Les populations jeunes plus que les populations âgées. Les explications habituelles se mettent en file.

L’Edelman Trust Institute a regardé le mécanisme sous-jacent et a trouvé autre chose. Le Edelman Trust Barometer Flash Poll de l’automne 2025 — une enquête distincte, auprès de 5 000 personnes au Brésil, en Chine, en Allemagne, au Royaume-Uni et aux États-Unis, menée entre le 17 et le 27 octobre 2025 — a isolé la variable de l’expérience. La question était simple : avez-vous personnellement bénéficié de l’IA au travail ? Dans quatre des cinq marchés, les personnes ayant répondu oui avaient entre 26 et 46 points de pourcentage de plus de probabilité de faire confiance à l’IA que celles ayant répondu non.

Les différences entre pays dans les chiffres globaux de confiance ne disparaissent pas une fois la variable de l’expérience contrôlée. Mais elles se réduisent. Fortement. Si la Chine est en tête des classements de confiance, ce n’est pas principalement parce que la culture chinoise fait davantage confiance à la technologie. C’est parce que davantage de travailleurs chinois ont vécu une expérience utile avec l’IA. La confiance suit l’expérience. L’expérience ne suit pas la confiance.

C’est ce qui rend la métaphore de la falaise plus juste que celle du thermomètre. Un thermomètre suppose la continuité — de petits mouvements à l’entrée produisent de petits mouvements à la sortie. Une falaise suppose une discontinuité — la personne d’un côté a une orientation catégoriquement différente de celle de l’autre côté, et la seule chose qui la fait traverser, c’est la traversée elle-même.

Ce que Décide la Première Interaction

Amy Edmondson a publié ses travaux fondateurs sur la sécurité psychologique en 1996 et 1999, en étudiant des équipes de soins infirmiers à l’hôpital. Elle s’attendait à trouver que les équipes les plus performantes commettaient moins d’erreurs médicamenteuses. Elle a trouvé l’inverse : les meilleures équipes déclaraient plus d’erreurs, pas moins. Les équipes qui réussissaient n’étaient pas sans erreur. Elles étaient honnêtes face à l’erreur. La sécurité psychologique — qu’Edmondson a définie comme la conviction que l’équipe est un endroit sûr pour prendre des risques interpersonnels, la conviction que l’on ne sera pas puni pour poser une question ou admettre que l’on ne sait pas quelque chose — était la variable qui distinguait les équipes capables de faire remonter les erreurs de celles qui les enfouissaient.

Appliquez le cadre à l’adoption de l’IA et la falaise devient nette.

La première interaction avec un outil d’IA est un moment de prise de risque interpersonnel. La personne devant l’écran ne sait pas si sa question est trop basique, trop vague ou trop révélatrice de ce qu’elle ignore. Elle ne sait pas si le système va produire quelque chose d’utile ou quelque chose d’embarrassant. Elle ne sait pas si son historique de requêtes sera consulté par une personne ayant autorité sur son évaluation. Elle expose un fragment d’incertitude cognitive à un système dont la signification sociale n’est pas encore établie.

Si cette première interaction produit un résultat petit et utile — une réponse qui éclaire quelque chose, un brouillon qui fait gagner vingt minutes, une synthèse qui révèle une régularité passée inaperçue — l’incertitude se résorbe. L’outil passe de « menace potentielle pour ma réputation professionnelle » à « ressource que je peux réutiliser ». La confiance n’arrive pas par la persuasion. Elle arrive par l’expérience d’un retour non punitif sur un petit acte de vulnérabilité. C’est le cadre d’Edmondson appliqué à des outils plutôt qu’à des équipes : la sécurité de prendre le risque produit l’expérience qui justifie la confiance.

Si cette première interaction ne produit rien — ou pire, produit quelque chose que la personne doit nettoyer, défendre ou cacher — l’incertitude ne se résorbe pas. Elle se durcit. Le risque a été pris. Le retour a été négatif. Le système est désormais classé comme non sûr. Aucune formation ultérieure ne réinitialisera vite ce classement, parce que le système nerveux humain ne pondère pas les preuves de manière symétrique. Une première expérience négative produit une posture défensive que les expériences positives suivantes devront surmonter, et non simplement compléter.

L’écart de 26 à 46 points est l’ombre visible de cette asymétrie. Les personnes du côté confiance de la falaise ne sont pas plus éclairées. Elles ont eu une première interaction utile. Les personnes du côté résistance ne sont pas plus craintives. Elles n’en ont pas eu.

La Position Européenne

Pour les PME européennes — les entreprises de 50 à 500 personnes qui constituent le public de presque tout ce que Bluewaves écrit — la falaise a une géométrie particulière que les moyennes mondiales masquent.

Eurostat a publié son enquête TIC 2025 le 11 décembre 2025. Le chiffre clé : 20 pour cent des entreprises de l’UE de dix salariés ou plus ont utilisé des technologies d’IA en 2025. Vingt pour cent. Ce qui signifie que quatre-vingts pour cent ne les ont pas utilisées. La progression par rapport à 2024 est de 6,5 points de pourcentage — une accélération solide — mais le point de départ était 13,5 pour cent, et la destination reste une minorité des entreprises européennes.

La répartition par taille d’entreprise est encore plus parlante. Les grandes entreprises (plus de 250 salariés) atteignent 55 pour cent d’adoption. Les moyennes entreprises (50 à 249 salariés) atteignent 30 pour cent. Les petites entreprises (10 à 49 salariés) atteignent 17 pour cent. L’éventail entre pays est plus large encore : Danemark 42 pour cent, Finlande 37,8 pour cent, Suède 35 pour cent en tête ; Roumanie 5,2 pour cent, Pologne 8,4 pour cent, Bulgarie 8,5 pour cent en bas.

Le tissu des PME européennes est, autrement dit, encore très majoritairement en deçà de la falaise. La plupart des entreprises n’ont pas encore présenté d’outils d’IA à la plupart de leurs salariés. La plupart des salariés n’ont pas encore vécu de première interaction. Ce qui veut dire que la plus grande partie de la formation de confiance qui décidera si l’IA prend racine dans les PME européennes n’a pas encore eu lieu.

C’est inhabituel. Nous avons l’habitude de penser à l’adoption comme à quelque chose qui se constate après coup — mesuré rétrospectivement, optimisé par itérations. Le contexte des PME européennes inverse la chronologie. Les premières interactions sont encore à venir. La falaise n’a pas encore été traversée par la majorité de la population. Les conditions de la traversée sont encore à concevoir.

C’est une position rare. C’est aussi une position fragile. Parce que les choix de conception qui déterminent si la première interaction réussit sont en train d’être faits maintenant, dans des décisions d’achat, des modèles de déploiement et des e-mails d’accueil — et la plupart de ces choix sont faits par des personnes qui ne réalisent pas qu’elles sont en train de concevoir une falaise.

Ce que la Plupart des Déploiements Ratent

J’ai vu des dizaines de déploiements d’IA dans des entreprises européennes ces deux dernières années. Les déploiements qui échouent ont tendance à échouer de manières semblables. Ceux qui réussissent ont tendance à réussir pour des raisons semblables. Le motif n’a rien de subtil, dès qu’on sait où regarder.

Les déploiements qui échouent traitent la première interaction comme un problème de formation. Le raisonnement est le suivant : si l’on forme suffisamment bien les personnes à l’outil, elles l’utiliseront bien. Le responsable du déploiement programme donc une session de formation d’une heure. Un représentant du fournisseur passe en revue les fonctionnalités. Les gens prennent des notes. Quelques questions sont posées. La session se termine. Les gens retournent à leur poste, où l’outil est désormais installé à côté de dix-sept autres applications, et on attend d’eux qu’ils l’intègrent à leur travail.

La première interaction, dans cette configuration, c’est typiquement une personne seule à son poste, qui ouvre l’outil pour la première fois après la formation, en essayant de se rappeler ce qu’elle est censée faire. Elle saisit quelque chose d’hésitant. L’outil produit quelque chose de générique. La personne ne sait pas si le résultat est bon ou mauvais — elle ne peut pas l’évaluer, parce qu’elle n’a pas assez utilisé l’outil pour avoir un étalonnage. Elle ferme la fenêtre. Elle revient au flux de travail qu’elle connaît déjà. La première interaction n’est pas un échec. C’est un non-événement. Et un non-événement, dans le cadre d’Edmondson, est une confirmation que le risque ne valait pas la peine. La confiance ne se forme pas, parce que rien ne s’est passé pour la former.

Les déploiements qui réussissent traitent la première interaction comme un moment relationnel. Ils le conçoivent. Pas l’outil — le moment. Ils identifient une tâche précise, petite et réelle que la personne fait déjà. Ils s’assoient avec elle — ou la mettent en binôme avec un collègue qui a déjà utilisé l’outil — pour cette première interaction. Ils regardent ensemble le résultat. Ils nomment ce qui est utile et ce qui ne l’est pas. Ils s’assurent que la personne quitte la première interaction avec un cas concret de « cet outil m’a aidé sur quelque chose que j’avais à faire de toute façon ». Ce cas devient l’ancre de confiance. Les interactions suivantes ne sont plus des premières interactions — ce sont les suites d’une expérience que la personne classe déjà comme positive.

Les déploiements qui réussissent comprennent quelque chose que les autres ne comprennent pas : la première interaction n’est pas une étape d’un programme de formation. C’est le moment où la falaise est franchie ou non. Tout le reste vient après ce moment.

L’Écart entre Encadrement et Équipes

Les données Edelman ont fait remonter un autre point que les PME européennes devraient lire attentivement. Sur les marchés étudiés, près de deux tiers des managers déclarent utiliser des outils d’IA régulièrement. Chez les non-managers, le chiffre est d’environ un sur quatre.

Ce n’est pas un écart de compétence. C’est un écart de première interaction. Les managers ont eu davantage d’occasions de toucher à des outils d’IA — ils sont présents lors des démonstrations fournisseurs, intégrés aux conversations d’achat, dotés d’un accès anticipé pendant les pilotes, et parfois d’une licence personnelle avant le déploiement global. Ils ont vécu plusieurs premières interactions, dont certaines ont produit des résultats utiles. Ils sont du côté confiance de la falaise.

Les non-managers, dans la plupart des déploiements que j’ai observés, ont une première interaction différente. Ils reçoivent un e-mail qui annonce l’outil. Ils reçoivent un lien vers une formation enregistrée. Ils reçoivent une date à laquelle ils sont censés l’utiliser. Ils n’ont pas un collègue à côté d’eux pour la première requête. Ils n’ont pas de tâche explicite, petite et réelle sur laquelle appliquer l’outil. Ils reçoivent la configuration qui produit des non-événements.

L’écart de confiance entre managers et non-managers dans les données Edelman n’est pas, principalement, un écart de capacité, d’intelligence ou d’ouverture à la technologie. C’est un écart dans la qualité des premières interactions. Les managers ont eu les moments relationnels. Les non-managers ont eu l’e-mail.

Pour une PME qui déploie l’IA, cela signifie que la question « est-ce que notre équipe adopte l’outil ? » est la mauvaise question. La bonne question est : « quelle a été la première interaction de chaque personne avec cet outil, et a-t-elle été suffisamment bonne pour la placer du côté confiance de la falaise ? » Si vous ne pouvez pas répondre à cette question pour chaque personne, vous n’avez pas de stratégie d’adoption. Vous avez un espoir d’adoption.

L’Asymétrie des Mauvaises Premières Impressions

Il y a un élément de physiologie du stress qu’il vaut la peine de nommer ici. Robert Sapolsky, dans Why Zebras Don’t Get Ulcers, documente l’asymétrie de la détection des menaces dans les systèmes nerveux des mammifères. Un prédateur manqué, c’est un repas perdu. Un prédateur non détecté, c’est la mort. Le système nerveux est calibré pour peser plus lourdement les signaux négatifs que les positifs, parce que le coût d’un faux négatif — passer à côté d’une vraie menace — est plus élevé que le coût d’un faux positif — traiter comme menace ce qui est sans danger.

Cette asymétrie se transporte dans le lieu de travail. Une personne ayant vécu une expérience négative avec un outil aura besoin de plusieurs expériences positives avant que la classification négative soit réécrite. Le ratio exact varie — les recherches sur le biais de négativité produisent des estimations allant de trois pour un à cinq pour un — mais la direction est constante. Les premières impressions négatives collent. Les premières impressions positives se renforcent. Le substrat n’est pas symétrique.

C’est pourquoi l’écart d’Edelman ne se referme pas vite par des expositions ultérieures. Une personne ayant vécu une première interaction négative avec un outil d’IA n’est pas simplement quelqu’un qui n’a pas encore vécu de positive. C’est quelqu’un dont le système nerveux a déjà encodé l’outil comme source de risque. La prochaine exposition devra travailler plus fort que la première ne l’aurait fait, parce qu’elle se bat contre une classification existante, et non en construit une à partir de rien.

Pour les équipes de déploiement, l’implication opérationnelle est sévère. On ne peut pas faire une mauvaise première interaction et la corriger par une meilleure deuxième. La première interaction n’est pas un brouillon. C’est la fondation. Les déploiements que j’ai vus réussir la traitent avec le sérieux que cette donnée mérite.

Ce que les Données Disent de Faire

Je me méfie des listes prescriptives, parce qu’elles ont tendance à convertir des résultats nuancés en checklists qui produisent la même non-adoption pilotée par la conformité que les résultats cherchaient à éviter. Mais les données Edelman, combinées au cadre d’Edmondson et à l’asymétrie de négativité de Sapolsky, indiquent un petit ensemble de choix structurels que les PME européennes devraient faire avant leur prochain déploiement d’IA.

Concevoir explicitement la première interaction. Ne supposez pas qu’elle aura lieu. Ne supposez pas que la formation la produira. Pour chaque personne de l’équipe, identifiez une tâche réelle et petite sur laquelle l’outil peut effectivement aider, et concevez le moment où la personne utilise l’outil sur cette tâche. La conception n’est pas une checklist. C’est un moment relationnel — un collègue présent, une question attendue, un résultat nommé.

Ordonner par disponibilité, pas par organigramme. Les premières personnes à interagir avec l’outil devraient être celles qui ont le plus de chances de vivre une première interaction utile. Cela revient souvent à commencer par les utilisateurs curieux, et non par les dirigeants. Les utilisateurs curieux produisent des signaux de confiance que le reste de l’organisation peut observer — ce qui réduit le risque perçu de la première interaction pour tous ceux qui suivront.

Séparer le déploiement de l’évaluation. Pendant la fenêtre des premières interactions, aucun tableau de bord d’usage ne devrait être visible par les managers. Aucune métrique ne devrait remonter la hiérarchie. La première interaction est un moment d’apprentissage. La traiter comme un moment d’évaluation ferme la sécurité que l’apprentissage exige. Une fois la confiance formée — une fois l’équipe du bon côté de la falaise — les données d’usage peuvent devenir opérationnellement utiles. Avant cela, elles sont une menace qui empêche le comportement même qu’elles cherchent à mesurer.

Prévoir la première interaction ratée. Certaines premières interactions tourneront mal. L’outil produira quelque chose d’inutile ou de trompeur. La conception du déploiement doit inclure un chemin explicite et peu coûteux pour que la personne signale l’échec et réessaie avec de l’aide. L’échec n’est pas le problème. L’échec non remonté est le problème — parce qu’un échec non remonté se durcit dans la classification négative que décrit la recherche de Sapolsky, et les expériences positives ultérieures auront à le combattre pendant des mois.

Mesurer l’expérience, pas l’activité. La question pertinente n’est pas combien de requêtes l’équipe a faites cette semaine. C’est combien de personnes, interrogées directement, diraient que l’outil les a aidées à faire quelque chose qu’elles avaient de toute façon à faire. Cette mesure est plus difficile. C’est pour cela que la plupart des organisations la sautent. Sauter cette mesure est pour cela que la plupart des déploiements produisent de l’activité sans adoption.

L’Intégration

Voici la tension que je veux tenir, parce que la résoudre trahirait les données.

Les outils d’IA sont utiles. Les personnes interrogées par Edelman qui ont déclaré un usage régulier de l’IA ont aussi déclaré des gains nets de confiance, de productivité et d’adhésion. Quand l’outil aide les personnes à comprendre des idées complexes, la confiance monte d’environ quarante points selon les marchés, et de près de cinquante points au Royaume-Uni. Les bénéfices sont réels. Les données ne sont pas ambiguës sur ce point.

Les déploiements d’IA, en majorité, échouent à produire ces bénéfices. Quatre-vingts pour cent des entreprises européennes de dix salariés ou plus n’utilisent pas l’IA. Parmi celles qui l’utilisent, l’écart entre managers et non-managers est structurel, pas accidentel. Les bénéfices sont inégalement répartis parce que les premières interactions sont inégalement conçues. L’outil fonctionne. Le déploiement, le plus souvent, non.

Les deux choses sont vraies. La technologie a franchi un seuil de capacité. Les organisations qui l’utilisent n’ont pas franchi de seuil de conception. La capacité est uniforme. La confiance est bimodale.

Le contexte des PME européennes — où la plupart des entreprises sont encore en phase pré-adoption, où la plupart des salariés n’ont pas encore vécu leur première interaction — est ce moment rare où le seuil de conception est encore devant l’organisation, pas derrière elle. Les décisions prises en ce moment, dans les achats, l’onboarding et les premiers e-mails sur le nouvel outil, sont des décisions sur le côté de la falaise où chaque personne va atterrir. Ces décisions sont réversibles seulement à coût élevé. Elles sont concevables à coût faible — si la conception a lieu avant le déploiement, et non après.

Edelman nous a donné les données. Edmondson nous a donné le cadre. Sapolsky nous a donné le mécanisme. L’intégration des trois est l’image opérationnelle : la confiance se construit ou se brise lors de la première interaction, la première interaction est un moment de prise de risque psychologique, et le système nerveux qui traite ce moment pondère les résultats de façon asymétrique. Rien de tout cela n’est un thermomètre. Tout cela est une falaise.

La plupart des organisations conçoivent pour la centième interaction efficace. Le problème de l’adoption se joue sur la première interaction sûre.

La lecture du thermomètre ne bouge pas, parce que le thermomètre est le mauvais instrument. Ce que les données mesurent n’est pas une température. C’est une position. Et la position, contrairement à la température, ne s’ajuste pas en chauffant la pièce. Elle est déterminée par l’endroit où la personne se tenait au moment qui comptait.

La première interaction est la seule qui compte. La plupart des organisations ne la conçoivent pas. C’est le problème d’adoption que personne ne résout — et l’occasion rare, pour les PME encore en deçà de la falaise, de le concevoir avant que la falaise ne se fige.