L'IA N'Était Pas Faite Pour Moi — Alors J'Ai Construit Quand Même
Eliott Ardisson
Founder & CEO - Basalt Studio
Comment les écarts de genre dans l'adoption et le développement de l'IA affectent concrètement les PME — et ce que les dirigeants peuvent faire pour y remédier.
Points clés
- Les femmes utilisent les outils d’IA générative au travail significativement moins que les hommes — un écart documenté par des enquêtes mondiales auprès de centaines de milliers de professionnels.
- Cet écart n’est pas une question de capacité : il s’explique par des facteurs d’accès, de pertinence perçue et de manque de modèles identifiables.
- Dans une PME, une adoption inégale de l’IA crée une organisation à deux vitesses — avec des tensions de performance qui n’ont rien à voir avec la compétence réelle.
- La diversité des perspectives dans la conception et le déploiement de systèmes IA produit des outils plus robustes, mieux adaptés aux réalités de terrain.
- Des actions concrètes existent : commencer par les cas d’usage métier plutôt que par la technologie, former toute l’équipe, et mesurer l’adoption par rôle et profil.
L’IA ne semblait pas faite pour moi — jusqu’à ce que j’arrête d’attendre
L’intelligence artificielle, pendant longtemps, ressemblait à quelque chose que d’autres faisaient. Des développeurs, des data scientists, des gens qui parlaient couramment les APIs et les frameworks. Pas moi.
Ce sentiment n’est pas rare. Et il est loin d’être anodin : il structure qui s’approprie ces outils, qui les construit, et en définitive, pour qui ils sont conçus.
Ce post explore les écarts de genre dans l’adoption et le développement de l’IA — leur réalité, leurs causes, et surtout ce qu’ils signifient concrètement pour une PME qui engage une transformation IA. Ce n’est pas un sujet périphérique. C’est un facteur opérationnel direct.
Ce que les données disent réellement
Plusieurs enquêtes menées ces deux dernières années dessinent un tableau cohérent. Les femmes utilisent les outils d’IA générative dans un contexte professionnel à un taux nettement inférieur à celui des hommes. Une enquête mondiale de Randstad conduite en 2024 auprès de plus de 140 000 professionnels a mis en évidence un écart de l’ordre de 15 à 20 points de pourcentage entre hommes et femmes dans l’usage actif d’outils comme les assistants génératifs au travail.
Du côté de la construction — les ingénieurs, data scientists, chefs de produit qui conçoivent les systèmes — l’écart est encore plus marqué. Le Forum Économique Mondial estime que les femmes représentent moins de 30 % des professionnels qualifiés en IA à l’échelle mondiale, et une proportion encore plus faible dans les rôles de recherche fondamentale et de direction technique.
Ces chiffres méritent d’être lus avec précaution. Les écarts varient selon les régions, les secteurs et les niveaux d’expérience. Et ils évoluent : parmi les professionnels de l’IA en début de carrière, la part des femmes est sensiblement plus élevée que parmi les seniors, ce qui suggère une tendance à la rééquilibrage sur le long terme. Des analyses de Deloitte et du WEF indiquent une progression notable de l’expérimentation féminine avec l’IA générative depuis 2022.
Mais l’écart existe. Et il a des conséquences.
Pourquoi cet écart existe — sans romantisme ni simplification
Trois facteurs structurels reviennent systématiquement dans la littérature et dans l’observation terrain.
Le premier est un problème d’invitation. Les premiers écosystèmes autour de l’IA générative se sont développés dans des cercles très homogènes : communautés de développeurs, forums techniques, réseaux professionnels à forte dominante masculine. L’information, les cas d’usage concrets, les encouragements à tester — tout cela circulait dans des réseaux dont beaucoup de femmes étaient structurellement absentes. Ce n’est pas de la malveillance. C’est de la physique sociale.
Le deuxième est un problème de cadrage. Les outils IA ont longtemps été présentés comme des prouesses techniques — avec un lexique d’ingénieur, des landing pages remplies de terminologie API, des tutoriels qui supposent un certain bagage. Ce cadrage éloigne tous ceux dont l’entrée dans l’IA est métier plutôt que technique. Et statistiquement, ce profil est plus souvent féminin — pas parce que les femmes sont moins techniques, mais parce que leur trajectoire professionnelle les a souvent placées du côté client, opérations, service, coordination plutôt que développement pur.
Le troisième est un problème de représentation. Les modèles d’identification manquent. Quand la quasi-totalité des voix qui parlent d’implémentation IA en public sont masculines, cela envoie un signal implicite sur « qui fait ce travail ». Ce signal n’est pas invisible — il opère, souvent en dessous du seuil de conscience.
Ces trois facteurs ne s’annulent pas avec de la bonne volonté. Ils nécessitent des actions ciblées.
Ce que cela change concrètement pour une PME
Si vous dirigez une équipe de 20 à 150 personnes et que vous déployez ou envisagez de déployer des outils IA, voici les trois effets directs de cet écart sur votre organisation.
Une adoption asymétrique qui crée des frictions invisibles
Quand une partie de l’équipe adopte l’IA et l’autre non, on ne crée pas une simple différence de productivité individuelle. On crée une fracture organisationnelle. Les personnes qui utilisent les outils traitent les tâches plus vite, communiquent différemment, ont des attentes différentes. Celles qui ne les utilisent pas — souvent parce qu’elles n’ont pas reçu la même exposition, la même formation ou le même encouragement — se retrouvent dans une position de désavantage qui n’a rien à voir avec leur compétence réelle.
Dans des équipes mixtes de cabinets juridiques, d’agences RH ou de services comptables, on observe fréquemment ce pattern : les associates masculins plus juniors adoptent les outils en premier, créent un écart de vélocité avec des collaboratrices plus expérimentées, et produisent une tension de performance qui déstabilise l’organisation plutôt que de la renforcer.
Des outils conçus pour un seul mode de travail
Les systèmes IA déployés sans diversité de perspective dans leur conception ont tendance à refléter les habitudes de travail de ceux qui les ont construits ou paramétrés. Un workflow d’automatisation qui semble évident pour un profil développeur peut être contre-intuitif pour quelqu’un dont le travail quotidien est de gérer des relations clients, de coordonner des équipes ou de traiter des dossiers complexes.
Ce n’est pas théorique. Dans notre travail chez Basalt Studio avec des équipes de PME, nous avons constaté à plusieurs reprises que les agents IA les mieux adoptés sont ceux qui ont été conçus en tenant compte de plusieurs façons d’aborder la même tâche — pas d’un seul template mental.
Des angles morts dans la détection des problèmes
Les équipes homogènes ratent des cas limites. Elles anticipent moins bien les points de friction qui n’appartiennent pas à leur propre expérience du travail. Une équipe diverse qui teste un agent de traitement de demandes clients va identifier des scénarios que l’équipe technique seule n’aurait jamais envisagés — parce que certaines des personnes qui testent connaissent ces scénarios de l’intérieur.
Cette diversité d’expérience est un actif technique, pas seulement une question de valeurs.
Ce que les organisations qui s’en sortent bien font différemment
Quelques pratiques se distinguent dans les déploiements IA qui atteignent une adoption large et équilibrée.
Elles commencent par les cas d’usage, pas par les outils. Avant de présenter un outil à l’équipe, elles cartographient les problèmes concrets que chaque rôle rencontre. Cette approche crée une entrée métier dans l’IA — plus inclusive que l’entrée technique.
Elles forment tout le monde, explicitement. Pas seulement les profils technophiles ou les early adopters volontaires. Elles définissent qui doit être formé, planifient cette formation comme un investissement, et créent des conditions où poser des questions de base est normal et attendu.
Elles identifient des relais dans chaque zone de l’organisation. Les champions de l’adoption IA ne viennent pas uniquement des équipes techniques ou de direction. Les organisations qui réussissent trouvent des personnes légitimes dans chaque département — comptabilité, service client, coordination de projet — et les outillent pour porter l’adoption dans leur périmètre.
Elles mesurent qui adopte, pas seulement combien. Il ne suffit pas de suivre un taux d’adoption agrégé. La question utile est : est-ce que l’adoption est distribuée de manière équilibrée entre les rôles, les niveaux hiérarchiques, les profils ? Si non, pourquoi ?
Elles itèrent sur le retour des utilisateurs réels. Les systèmes IA qui restent utiles sur la durée sont ceux qui évoluent en fonction de ce que les utilisateurs réels remontent — pas seulement les power users, mais aussi ceux qui utilisent les outils de manière plus basique ou plus hésitante.
Trois questions à poser avant votre prochain déploiement IA
Avant d’engager un déploiement ou même un audit IA, trois questions valent la peine d’être posées explicitement à votre équipe :
Qui, dans notre organisation, n’a pas encore été exposé à des outils IA dans un contexte professionnel — et pourquoi ? La réponse vous dira beaucoup sur les barrières d’accès implicites dans votre structure.
Notre processus de sélection et de paramétrage des outils inclut-il des personnes qui représentent différents modes de travail ? Un audit mené uniquement avec le directeur technique et le CEO va produire un système qui leur ressemble.
Comment allons-nous savoir si certains membres de l’équipe n’utilisent pas les outils six mois après le déploiement ? Sans mécanisme de suivi explicite, cette information n’emerge que tardivement, quand les frictions sont déjà installées.
Ces questions ne nécessitent pas de ressources supplémentaires. Elles nécessitent de l’intention.
Pièges courants dans les déploiements qui ignorent ces dynamiques
Quelques erreurs reviennent régulièrement dans les déploiements IA qui n’ont pas pensé à l’adoption équitable.
Former uniquement les managers. L’hypothèse implicite est que les managers vont relayer. En pratique, ils transmettent rarement la compétence opérationnelle — ils transmettent l’enthousiasme, ce qui n’est pas la même chose.
Présenter l’IA comme une solution technique. Les personnes dont l’entrée dans un outil passe par « voici comment ça marche en interne » sont une minorité. La majorité a besoin de « voici quel problème ça résout pour toi spécifiquement ».
Mesurer le succès uniquement par les métriques d’efficacité agrégées. Un gain de 30 % de productivité au niveau de l’organisation peut masquer le fait que 40 % de l’équipe n’utilise pas les outils du tout, pendant que l’autre 60 % compense.
Ne jamais revisiter les interfaces et workflows après le déploiement. Les outils IA évoluent vite. Un agent utile au moment de son déploiement peut devenir inadapté six mois plus tard si personne n’a recueilli et intégré les retours terrain.
Ce que cela implique pour les dirigeants de PME
L’adoption équitable de l’IA n’est pas un sujet RH ou un sujet de politique de diversité. C’est un sujet de performance opérationnelle.
Une organisation où la moitié de l’équipe exploite efficacement l’IA et l’autre moitié non tire un avantage partiel d’un investissement total. Elle crée aussi des tensions internes qui coûtent en rétention, en cohérence et en qualité d’exécution.
La bonne nouvelle : les leviers sont accessibles. Commencer par les problèmes métier. Former largement et explicitement. Mesurer l’adoption finement. Concevoir avec plusieurs perspectives en amont. Ces pratiques ne demandent pas de budget exceptionnel. Elles demandent de la méthode et de l’intention.
L’IA ne devrait pas être faite uniquement pour ceux qui l’ont construite. Elle devrait être faite pour ceux qui vont l’utiliser — et ceux-là sont divers par définition.
Si vous réfléchissez à un déploiement IA et que vous voulez comprendre comment structurer une adoption qui fonctionne pour toute votre équipe, Basalt Studio propose des appels stratégie IA sans engagement. C’est une heure pour examiner vos workflows réels et identifier où l’IA crée une valeur concrète — pas en théorie.