Vingt pour cent

Le communiqué de presse d’Eurostat est tombé en décembre 2025. Le titre : 20 % des entreprises de l’UE ont adopté l’IA. LinkedIn a célébré. Les commentateurs ont déclaré le progrès. Le chiffre est entré dans la rotation — cité dans les pitch decks, les discours de la Commission européenne et les rapports de cabinets de conseil comme preuve que l’adoption de l’IA en Europe s’accélère.

Le chiffre est réel. Il est aussi trompeur de la manière exacte qui compte.

Ce que le titre cache

Le chiffre de 20 % provient de l’enquête communautaire d’Eurostat sur l’utilisation des TIC dans les entreprises, menée annuellement dans les 27 États membres de l’UE. L’enquête couvre les entreprises de 10 employés ou plus. Dix ou plus. Ce seuil exclut 99 % de toutes les entreprises de l’UE.

L’UE compte environ 33 millions d’entreprises. Parmi celles-ci, environ 32,7 millions — 99,1 % — sont des micro-entreprises : moins de 10 employés, moins de 2 millions d’euros de chiffre d’affaires annuel. Ce sont les boulangeries, les cabinets comptables, les opérateurs logistiques, les petits fabricants, les cabinets de conseil, les détaillants spécialisés. Elles constituent la grande majorité de l’économie européenne. Et elles sont invisibles dans le titre d’Eurostat.

L’enquête inclut des ventilations par taille d’entreprise, et c’est là que l’histoire change. Parmi les grandes entreprises (250+ employés), l’adoption de l’IA atteint 55 %. Parmi les entreprises moyennes (50-249 employés), elle tombe à environ 30 %. Parmi les petites entreprises (10-49 employés), le chiffre est de 17 %.

Parmi les micro-entreprises ? Eurostat ne les enquête pas systématiquement. Les données n’existent pas à grande échelle. Le titre de 20 % décrit une population qui exclut la grande majorité des entreprises européennes.

Ce n’est pas une critique d’Eurostat. La méthodologie d’enquête est solide, la conception de l’échantillon est rigoureuse, et l’exclusion par taille est documentée dans les notes techniques que personne ne lit. C’est une critique de la façon dont le chiffre est utilisé — comme mesure de la préparation européenne à l’IA alors qu’il est en réalité une mesure de la dépense IA des grandes entreprises.

L’écart de taille est architectural

La différence entre 55 % d’adoption dans les grandes entreprises et 17 % dans les petites entreprises n’est pas un écart technologique. Ce n’est pas un écart de sensibilisation. Ce n’est pas un écart de compétences, même si les compétences comptent. C’est un écart d’architecture.

Les grandes entreprises adoptent l’IA parce qu’elles ont trois choses que les petites entreprises n’ont pas :

Une infrastructure informatique dédiée. Un fabricant de 500 personnes a un service informatique. Le service évalue les outils, gère les intégrations, effectue les évaluations de sécurité et négocie les contrats fournisseurs. Le coût d’évaluation d’un outil IA est absorbé dans le budget existant et le rythme opérationnel du service. Pour une entreprise logistique de 30 personnes, le « service informatique » est une personne qui gère aussi le système téléphonique, le CRM et les imprimantes. Évaluer un outil IA n’est pas son travail. C’est une interruption de son travail.

Un budget pour l’expérimentation. Les grandes entreprises peuvent allouer 50 000 € à un projet pilote sans risque matériel. Si le pilote échoue, la perte est une erreur d’arrondi. Pour une petite entreprise avec un chiffre d’affaires annuel de 3 millions d’euros, 50 000 € représentent 1,7 % du chiffre d’affaires — un engagement significatif qui exige justification, approbation et résultats. L’asymétrie n’est pas une question de richesse. C’est une question de ratio entre investissement expérimental et risque opérationnel.

Des champions internes. L’adoption de l’IA dans les grandes entreprises commence typiquement par un cadre intermédiaire ou un responsable technique qui identifie un cas d’usage, construit un dossier d’investissement et porte le projet en interne. Cette personne existe parce que les grandes organisations ont assez de diversité de rôles pour inclure quelqu’un dont le travail croise l’IA. Dans une entreprise de 30 personnes, le travail de chacun est opérationnel. Il n’y a pas de rôle avec la marge de manœuvre pour évaluer, porter et gérer un déploiement IA. L’écart de champion est le facteur le plus sous-estimé dans la disparité d’adoption.

Ces trois facteurs — infrastructure, ratio budgétaire et champions internes — sont structurels. Ils ne changent pas avec des campagnes de sensibilisation, des programmes de formation ou du marketing. Ils changent avec une intervention architecturale : réduire le coût d’évaluation, réduire la charge technique d’intégration et fournir un champion externe là où les champions internes n’existent pas.

Ce que « adoption » mesure réellement

L’enquête Eurostat mesure l’adoption avec une question spécifique : « Votre entreprise utilise-t-elle des technologies IA ? » La question liste des catégories : apprentissage automatique, traitement du langage naturel, reconnaissance d’image, automatisation robotique des processus, systèmes autonomes. Une entreprise qui utilise l’une de ces technologies est comptée comme ayant « adopté l’IA ».

La question ne mesure pas la profondeur de l’adoption. Elle ne distingue pas entre une entreprise qui utilise un chatbot gratuit pour des requêtes clients occasionnelles et une entreprise qui a intégré l’apprentissage automatique dans son flux de production principal. Elle ne mesure pas si l’outil IA est en usage quotidien, occasionnel, ou abandonné-après-l’essai-gratuit.

C’est le même problème méthodologique qui affecte toutes les enquêtes d’adoption technologique. L’adoption binaire (oui/non) masque le spectre de l’expérimental à l’intégré. Une entreprise qui a souscrit à une licence ChatGPT Enterprise en janvier et l’a oubliée en mars est comptée de la même façon qu’une entreprise qui utilise la prévision automatisée de la demande pour gérer toute sa chaîne d’approvisionnement.

Le rapport de l’OCDE de décembre 2025 sur l’adoption de l’IA par les PME a abordé ce point en catégorisant les entreprises en quatre niveaux de maturité : Novices IA, Explorateurs IA, Optimisateurs IA et Champions IA. La mesure binaire d’Eurostat regroupe les Novices et les Explorateurs avec le reste. L’impact opérationnel — la partie qui compte pour la productivité, la compétitivité et la croissance économique — se situe dans les catégories Optimisateur et Champion.

Le constat de l’OCDE est brutal : la plupart de l’adoption de l’IA par les PME reste à un stade naissant ou pilote. Les entreprises expérimentent avec les outils IA mais font face à des obstacles structurels pour les intégrer dans leurs opérations centrales. L’écart entre « nous utilisons l’IA » et « l’IA change notre manière de travailler » est l’endroit où la majorité des dépenses IA est gaspillée.

Vingt pour cent ont adopté l’IA. Une fraction l’a intégrée. L’écart entre ces chiffres est tout le problème.

La géographie à l’intérieur du chiffre

La moyenne de 20 % de l’UE masque une variation par pays qui va de 9 % à 39 %. Le Danemark, la Finlande et les Pays-Bas sont en tête. La Roumanie, la Bulgarie et la Grèce sont en queue. La variance n’est pas aléatoire. Elle corrèle avec trois indicateurs d’infrastructure plus fortement qu’avec le PIB par habitant :

Maturité des services publics numériques. Les pays avec des systèmes d’identité numérique avancés, des services publics interopérables et une infrastructure d’e-gouvernement ont une adoption de l’IA plus élevée. Le système NemID/MitID du Danemark, le Suomi.fi de la Finlande, le DigiD des Pays-Bas — ceux-ci créent un socle d’infrastructure numérique qui rend l’intégration des outils IA plus facile. L’entreprise n’a pas besoin de construire la confiance numérique en partant de zéro. L’infrastructure publique l’a déjà établie.

Qualité de la pénétration du haut débit. Pas seulement la connectivité — la qualité. La couverture fibre optique au Danemark dépasse 75 %. En Roumanie, elle tombe en dessous de 30 % dans les zones rurales où de nombreuses PME opèrent. Les outils IA qui nécessitent une connectivité constante à faible latence sont architecturalement incompatibles avec un haut débit intermittent. L’outil fonctionne à Copenhague. L’outil expire à Constanța.

Base de numérisation des PME. L’adoption de l’IA est un effet de second ordre. Le premier ordre est la numérisation de base : comptabilité cloud, CRM, gestion numérique des stocks. Les entreprises qui n’ont pas numérisé leurs opérations de base ne peuvent pas adopter les outils IA parce qu’il n’y a pas d’infrastructure de données à laquelle connecter l’IA. Une part significative des PME de l’UE s’appuie encore principalement sur des registres papier pour au moins une fonction métier centrale — le pourcentage exact varie par pays, mais le schéma est cohérent en Europe du Sud et de l’Est.

Ces trois facteurs expliquent davantage de la variance entre pays que n’importe quelle mesure de « culture de l’innovation » ou de « mentalité entrepreneuriale ». Le fabricant de 30 personnes à Braga, au Portugal, ne manque pas de culture d’innovation. Il manque de fibre optique et d’un système de facturation numérique.

La dimension du genre que les données montrent

Une dimension que les données d’Eurostat captent mais que peu de commentateurs discutent : parmi les entreprises dirigées par des femmes, l’adoption de l’IA est inférieure de 7 points de pourcentage à celle des entreprises dirigées par des hommes, après contrôle du secteur et de la taille. L’écart persiste dans toutes les classes de taille.

L’écart n’est pas lié à l’aptitude ou à l’intérêt technique. Le Women in Digital Scoreboard de la Commission européenne — publié annuellement depuis 2019 — suit les disparités structurelles en matière d’utilisation d’internet, de compétences numériques et d’emploi spécialisé. Les facteurs structurels derrière l’écart d’adoption incluent l’accès au financement pour l’investissement technologique (les entreprises dirigées par des femmes reçoivent systématiquement une fraction du financement total en capital-risque — moins de 3 % ces dernières années, selon les données PitchBook) et l’accès aux réseaux de pairs où circule le savoir sur l’adoption de l’IA. Ce sont des défaillances d’infrastructure, pas des défaillances individuelles.

Ce ne sont pas des échecs individuels. Ce sont des échecs d’infrastructure. Le même écart d’architecture qui sépare les grandes entreprises des petites sépare les fondateurs bien connectés des fondateurs sous-connectés. Le problème n’est pas qui vous êtes. Le problème est quelle infrastructure est disponible pour vous.

Ce dont les 80 % restants ont vraiment besoin

Les 80 % d’entreprises de l’UE qui n’ont pas adopté l’IA n’ont pas besoin de sensibilisation. Elles savent que l’IA existe. Elles n’ont pas besoin d’inspiration. Elles ont vu les démos. Elles n’ont pas besoin d’outils moins chers. De nombreux outils IA ont des niveaux gratuits.

Elles ont besoin de trois choses :

Réduction du coût d’évaluation. Le coût d’évaluation pour déterminer si un outil IA convient à un besoin métier spécifique est trop élevé pour une entreprise sans personnel informatique dédié. L’évaluation nécessite une évaluation technique, un examen de sécurité, des tests d’intégration et une analyse du flux de travail. Pour une grande entreprise, ce coût est marginal. Pour une entreprise de 30 personnes, il est prohibitif. L’intervention, ce sont des outils pré-qualifiés, pré-évalués avec des parcours d’intégration documentés pour les systèmes métier courants. Pas des outils « IA pour les entreprises » génériques. Des outils spécifiques pour des tâches spécifiques : traitement de factures pour les PME utilisant Sage, classification des demandes clients pour les entreprises utilisant Zendesk, prévision de la demande pour les boutiques WooCommerce.

Champion externe. Si personne dans l’entreprise n’a le rôle, le temps ou l’expertise pour porter un déploiement IA, quelqu’un en dehors de l’entreprise doit remplir ce rôle temporairement. Ce n’est pas du conseil. Le conseil produit des rapports. Le champion produit du déploiement. Le champion externe travaille avec l’équipe, déploie l’outil, observe comment les gens l’utilisent, ajuste la configuration, et part quand l’outil est en usage quotidien.

C’est ce que fait Bluewaves. Pas de la stratégie IA. Pas du conseil en transformation numérique. Du déploiement. Un outil fonctionnel dans les mains des personnes qui l’utiliseront, en trois semaines.

Validation par les pairs. Les grandes entreprises adoptent l’IA parce que d’autres grandes entreprises adoptent l’IA. Les études de cas existent. Les preuves circulent. Pour une entreprise logistique de 30 personnes à Tarragone, l’étude de cas pertinente n’est pas « comment Siemens a déployé l’IA dans sa chaîne d’approvisionnement ». L’étude de cas pertinente est « comment une entreprise logistique de 35 personnes à Porto a déployé l’IA dans la gestion de son entrepôt et réduit les erreurs de picking de 22 % ». Même secteur, même taille, mêmes contraintes. La preuve manque parce que personne ne documente les déploiements PME.

Les données d’Eurostat nous disent où se situe l’adoption. Elles ne nous disent pas pourquoi l’adoption s’arrête. Les raisons sont architecturales, pas attitudinales.

La dimension sectorielle

Le titre de 20 % masque une variance sectorielle aussi significative que la variance par taille.

Les entreprises de l’information et de la communication (section NACE J) rapportent une adoption de l’IA supérieure à 40 %. Les entreprises financières et d’assurance (section NACE K) rapportent plus de 35 %. Ce sont les secteurs où l’infrastructure numérique est préexistante, où les flux de données sont déjà structurés, où le coût d’intégration d’un outil IA est marginal parce que le flux de travail numérique existe déjà.

L’industrie manufacturière (section NACE C) — l’épine dorsale de la production économique de l’UE, représentant 15 % du PIB — rapporte une adoption de l’IA à environ 12 %. La construction (section NACE F) rapporte en dessous de 8 %. L’agriculture (section NACE A) est quasi inexistante.

La variance correspond directement à la maturité numérique, pas à la préparation à l’IA. Un fabricant dont la planification de production fonctionne encore sur un tableau blanc ne peut pas adopter un outil de prévision de la demande par IA — pas parce que l’IA n’est pas disponible, mais parce que les données dont l’IA a besoin n’existent pas sous forme numérique. L’outil IA nécessite des entrées structurées. Le tableau blanc ne produit pas d’entrées structurées.

C’est la cascade d’infrastructure : la numérisation de base permet la collecte de données, la collecte de données permet l’analytique, l’analytique permet l’IA. Sautez une étape et les étapes suivantes échouent. Le taux d’adoption de 12 % dans l’industrie manufacturière n’est pas un échec de sensibilisation à l’IA. C’est un échec de numérisation de base — et l’échec précède l’IA d’une décennie.

Le rapport AI Watch du JRC sur l’adoption de l’IA dans l’industrie manufacturière a identifié la cascade explicitement : parmi les fabricants qui avaient complété la numérisation de base (ERP cloud, inventaire numérique, reporting automatisé), l’adoption de l’IA était d’un ordre de grandeur supérieur à celle de ceux qui ne l’avaient pas fait. Le socle de numérisation est le vrai prédicteur, pas la disponibilité de l’outil IA.

Pour les 88 % de fabricants de l’UE qui n’ont pas adopté l’IA, l’intervention n’est pas la formation à l’IA. C’est l’infrastructure numérique — le travail ennuyeux, sans glamour, de passer du papier au cloud, du tableau blanc à la base de données, du classeur aux données structurées. L’IA vient après. Elle ne peut pas venir avant.

Ce que Bluewaves observe

Les entreprises qui contactent Bluewaves tombent dans deux catégories. La première catégorie a un cas d’usage IA spécifique, un socle d’infrastructure numérique et une équipe prête à utiliser un outil. Ces entreprises déploient en trois semaines. L’outil est en usage à la semaine quatre. Le processus n’est pas compliqué parce que les prérequis sont remplis.

La deuxième catégorie a de l’intérêt pour l’IA, de l’enthousiasme de la direction, et aucune infrastructure numérique. Pas de données structurées. Pas de flux de travail standardisés. Pas de processus documentés. Ces entreprises ne peuvent pas déployer un outil IA en trois semaines parce qu’il n’y a rien à quoi connecter l’outil. Le travail n’est pas du déploiement IA. Le travail est de la numérisation — le prérequis que le titre de 20 % suppose universel et qui ne l’est pas.

Nous ne prenons pas la deuxième catégorie. Pas parce que le travail n’est pas précieux — il l’est. Parce qu’appeler ça du « déploiement IA » quand le vrai besoin est de l’« infrastructure numérique » est malhonnête, et la malhonnêteté coûte cher à tout le monde.

Les 20 % qui ont adopté l’IA sont les entreprises qui ont franchi le seuil de numérisation avant l’arrivée de l’IA. Les 80 % qui ne l’ont pas fait sont, pour une grande part, des entreprises qui n’ont pas encore franchi ce seuil. L’IA est prête. L’infrastructure ne l’est pas.

Le chiffre qui compte

Vingt pour cent est un titre. Dix-sept pour cent parmi les petites entreprises est un point de donnée. La fraction qui a véritablement intégré l’IA dans ses opérations centrales — les « Champions IA » de l’OCDE — est le chiffre qui compte.

L’écart entre adoption et intégration — entre « nous utilisons l’IA » et « l’IA change notre manière de travailler » — est l’espace où la majorité des dépenses IA est gaspillée. C’est le cimetière des licences de chatbot, des tableaux de bord abandonnés et des projets pilotes jamais livrés.

Combler cet écart nécessite trois choses qui n’ont rien à voir avec la technologie IA : une infrastructure qui rend l’évaluation peu coûteuse, des champions externes qui rendent le déploiement réel, et des preuves par les pairs qui rendent l’adoption crédible.

Les données dont nous avons besoin

L’enquête Eurostat sera conduite à nouveau en 2026. Quand les résultats seront publiés, ils rapporteront un nouveau chiffre en titre. Vingt-deux pour cent, peut-être. Ou vingt-cinq. Le chiffre sera plus élevé. LinkedIn célébrera. Le progrès sera déclaré.

Le chiffre sera toujours trompeur — à moins que la méthodologie ne change. Trois ajouts rendraient l’enquête opérationnellement utile :

Premièrement : inclure les micro-entreprises. Les 99 % d’entreprises de l’UE exclues de l’enquête sont celles qui ont le plus besoin des données. Un module IA dédié aux micro-entreprises, même administré sur un échantillon plutôt que sur le recensement complet, fournirait le socle qui n’existe pas actuellement.

Deuxièmement : mesurer la profondeur, pas seulement l’étendue. Passer au-delà de l’adoption binaire (oui/non) vers une taxonomie de maturité comme le cadre à quatre niveaux de l’OCDE : Novices, Explorateurs, Optimisateurs, Champions. La distribution entre les niveaux compte davantage que le comptage binaire.

Troisièmement : mesurer l’effet champion. Demander non seulement « votre entreprise utilise-t-elle l’IA ? » mais « votre entreprise a-t-elle une personne dont le rôle inclut la gestion de l’adoption d’outils IA ? » La présence ou l’absence d’un champion interne est, d’après notre observation, le prédicteur le plus fort de l’adoption durable — plus prédictif que le budget, le secteur ou la taille de l’entreprise.

Ces trois ajouts transformeraient l’enquête d’un générateur de titres en un outil opérationnel. Les données existent pour être collectées. La méthodologie existe pour les collecter. Le titre de 20 % persistera tant que quelqu’un ne décidera pas que des données exactes comptent plus que des données optimistes.

Vingt pour cent n’est pas un récit de succès. C’est un point de départ. Le travail est dans les 80 % qui suivent — et les 2 % qui comptent.