Les entreprises adoptent l'IA plus rapidement qu'elles ne peuvent la contrôler : comment éviter les erreurs, les fuites et les sanctions ?

L’intégration de l’intelligence artificielle dans les tâches quotidiennes d’une entreprise peut accélérer les analyses, automatiser les processus et faciliter l’accès à l’information.

Le problème survient lorsque ses résultats sont acceptés comme vrais sans vérifier les sources, les données utilisées ni les limites de l’outil. Une réponse convaincante peut contenir des informations fausses, des biais ou des recommandations qui ne correspondent pas au contexte d’une entreprise. Comment éviter que la vitesse d’adoption ne se transforme en un risque financier, juridique ou réputationnel ?

La gouvernance arrive souvent après les outils

L’expansion de l’intelligence artificielle dans les entreprises progresse à un rythme plus rapide que la création de normes internes pour son utilisation. De nombreuses organisations activent des plateformes pour leurs équipes avant de définir quelles données peuvent être partagées, quelles décisions nécessitent une révision humaine et qui doit répondre en cas d’erreur.

Le rapport Responsible AI Pulse, publié par EY en juin 2025, a indiqué que 72 % des hauts dirigeants interrogés avaient déjà intégré et développé l’IA dans la plupart ou la totalité de leurs initiatives. Pourtant, seulement environ un tiers disposait de contrôles pour tous les composants d’un modèle d’utilisation responsable.

L’écart entre adoption et contrôle est également apparu dans une étude de Deloitte de janvier 2025. 69 % des entreprises interrogées ont estimé qu’une stratégie de gouvernance complète nécessiterait plus d’un an. Ce délai laisse une période pendant laquelle la technologie peut gagner du terrain dans des domaines sensibles sans règles homogènes.

Les erreurs peuvent affecter les investissements, les contrats et les décisions concernant les personnes

Les réponses imprécises d’un système d’IA ne se limitent pas à une consultation isolée. Si elles sont utilisées pour définir des investissements, projeter des ventes, évaluer des fournisseurs ou interpréter des obligations réglementaires, elles peuvent entraîner des pertes et des conflits avec les clients ou les autorités.

Le rapport The State of AI in 2025, de McKinsey, a révélé que 30 % des organisations utilisant l’IA avaient signalé au moins une conséquence négative liée à des inexactitudes. Les effets peuvent inclure des erreurs de décision commerciale, des coûts supplémentaires, des non-conformités réglementaires et une détérioration de la confiance.

Dans ce contexte, la révision humaine est nécessaire dans les processus à fort impact. L’IA peut aider à organiser l’information, détecter des modèles et générer des alternatives, mais elle ne devrait pas remplacer le jugement de ceux qui connaissent les variables financières, juridiques et opérationnelles de chaque entreprise.

L’IA agentic élargit la portée des contrôles nécessaires

Le défi s’intensifie avec l’utilisation de systèmes capables d’exécuter des tâches. Contrairement à un outil qui se contente de rédiger ou de répondre à des requêtes, l’**IA agentique** peut accéder aux applications, traiter des données, déclencher des flux de travail ou effectuer des actions au sein d’une organisation.

Alba San Martín, Directrice Senior, Organisation des Partenaires Latam de Cisco, a averti que le risque ne réside plus uniquement dans une réponse incorrecte, mais aussi dans les actions qu’un agent peut entreprendre à partir de ces informations. C’est pourquoi elle a souligné que chaque entreprise doit établir des autorisations, des limites d’autonomie et des mécanismes de supervision en fonction de l’impact de chaque processus.

EY a indiqué que 76 % des entreprises interrogées utilisaient déjà l’IA agentique ou prévoyaient de l’adopter dans les 12 mois à venir. Cependant, seules 56 % affirmaient connaître ses risques. Les domaines des finances, des ressources humaines, des ventes et du service client figurent parmi ceux les plus exposés, car ils manipulent des données sensibles ou prennent des décisions affectant les personnes et les ressources.

L’utilisation non autorisée de l’IA peut exposer des informations confidentielles

Un autre point de préoccupation est ce que l’on appelle la « shadow AI », qui désigne l’utilisation d’applications d’IA non approuvées par l’entreprise. Un collaborateur peut recourir à une plateforme externe pour résumer des documents, préparer une proposition ou analyser une base de données sans connaître les conditions de confidentialité ni la destination des informations saisies.

Le rapport « Cost of a Data Breach Report 2025 » d’**IBM** a révélé que 63 % des organisations ayant subi des violations de données ne disposaient pas de politiques de gouvernance de l’IA ou étaient encore en cours de développement. Dans l’échantillon, les entreprises présentant un niveau élevé de « shadow AI » ont enregistré des coûts moyens de violation supérieurs de 670 000 USD à ceux des entreprises ayant peu ou pas d’utilisation non contrôlée.

La réponse passe par la classification des données, la gestion des identités et des accès, l’évaluation des fournisseurs et la fourniture d’outils d’entreprise sécurisés. Elle exige également une formation : les équipes doivent savoir quelles informations ne peuvent pas être saisies dans des applications externes et quand il convient de valider une réponse avant de l’utiliser.

Un plan de 90 jours peut rationaliser l’utilisation de la technologie

San Martín a proposé de commencer par un diagnostic au cours des 30 premiers jours pour identifier les outils, les données partagées et les processus les plus risqués. L’étape suivante consiste à approuver des règles d’utilisation de base, à définir les responsables et à activer des options sécurisées pour les équipes.

Au cours des 30 derniers jours, les entreprises peuvent former leurs départements et choisir deux ou trois cas d’usage pour mesurer la productivité, la qualité, la réduction des erreurs et le retour sur investissement. L’objectif est de lier l’adoption technologique à des problèmes concrets et à des résultats vérifiables.