IA, l'année du tournant pour les entreprises italiennes : adoption doublée et premiers impacts réels sur les activités

IA, l'année du tournant pour les entreprises italiennes : adoption doublée et premiers impacts réels sur les activités

En l'espace de douze mois, l'intelligence artificielle est passée du statut de mot à la mode à celui d'infrastructure stratégique pour une part croissante d'entreprises italiennes. Selon le dernier rapport Istat « Entreprises et TIC – Année 2025 », 16,4 % des entreprises comptant au moins 10 salariés utilisent au moins une technologie d'IA, soit près du double par rapport à 8,2 % en 2024 et plus de trois fois le niveau de 2023 (5,0 %).[2][1]

Pour un système de production traditionnellement prudent comme celui de l'Italie, nous sommes face à un changement de phase : l'IA n'est plus seulement l'expérimentation de quelques pionniers, mais devient un facteur compétitif transversal, avec des impacts concrets sur le marketing, les opérations, la logistique et la finance.[1][2]

Dans cet article, nous analysons ce que les chiffres disent vraiment, où vont les investissements, quels modèles d'adoption émergent et comment tout cela redessine les activités, entre opportunités et risques.

L'explosion de l'adoption : pas seulement plus d'entreprises, mais aussi une utilisation plus mature

Le chiffre principal est clair : l'utilisation de l'IA dans les entreprises italiennes a doublé en un an, passant de 8,2 % à 16,4 % entre 2024 et 2025.[2][1]

Mais le saut n'est pas seulement quantitatif.

Plus de technologies pour la même entreprise

Istat relève que non seulement le nombre d'entreprises qui déclarent utiliser l'IA augmente, mais aussi la complexité des projets :[2]

• la part des entreprises qui utilisent au moins deux technologies d'IA est passée de 5,2 % en 2024 à 10,6 % en 2025[2]
• des combinaisons d'automatisation intelligente, d'analyse prédictive et de systèmes de recommandation se répandent, souvent intégrées aux CRM, ERP et plateformes de données existants[1]

Cela indique que les entreprises les plus avancées ne se limitent pas à expérimenter un seul outil d'IA générative, mais commencent à construire des architectures hybrides, dans lesquelles des modèles de langage, des algorithmes de machine learning et des systèmes d'automatisation coexistent sur des processus réels.[1]

L'IA générative est visible, mais n'est pas (encore) la majorité

Dans le débat public, l'IA générative domine, mais le tableau d'ensemble est plus complexe. Une analyse menée par le Sounding Board Intelligence Artificielle de Confindustria, avec 241 cas d'utilisation recueillis dans 76 entreprises, met en évidence que l'IA générative représente 18,3 % des cas, tandis que la majorité des projets concernent :[1]

• l'automatisation des processus (back-office, documentation, workflow)
• l'analyse prédictive (demande, maintenance, risques)
• les systèmes d'aide à la décision et la tarification dynamique

Il en ressort un tableau dans lequel l'IA générative sert d'interface « visible » (copilote, chatbot, génération de contenu), mais l'essentiel de la valeur économique se joue aujourd'hui sur des moteurs moins visibles, intégrés dans l'exploitation, la supply chain et la finance.[1]

Où l'IA est en train de changer réellement le travail : carte sectorielle

L'enquête Confindustria offre une cartographie détaillée des secteurs dans lesquels l'IA produit des impacts structurels, allant au-delà des expérimentations de façade.[1]

Santé et sciences de la vie : automatisation du « travail invisible »

Dans le domaine de la santé, l'IA est utilisée pour réduire le poids de la bureaucratie clinique et améliorer la qualité des données :[1]

• automatisation de la documentation clinique via la reconnaissance vocale et les modèles de langage : les rapports sont transcrits en temps réel pendant les visites, réduisant les erreurs et les temps de compilation[1]
• analyse avancée des données sanitaires et des images pour soutenir les diagnostics, les parcours thérapeutiques personnalisés et les essais cliniques
• utilisation de jumeaux numériques et de systèmes de copilote pour optimiser la recherche et le développement pharmaceutique, les simulations moléculaires et l'étude de réseaux biologiques complexes[1]

Le résultat est un premier déplacement de l'IA, d'outil expérimental de recherche à levier infrastructurel pour l'efficacité des systèmes de santé.

Villes intelligentes et AP : capteurs, données et maintenance prédictive

Dans le périmètre des villes intelligentes, l'IA est de plus en plus intégrée aux infrastructures critiques :[1]

• gestion intelligente de l'éclairage public avec des capteurs et des modèles prédictifs pour la consommation et les pannes
• planification prédictive de la maintenance des espaces verts urbains et des infrastructures
• optimisation de la gestion des déchets et surveillance de vastes zones naturelles pour la prévention et la réponse rapide aux situations d'urgence[1]

Ici, l'IA devient un moteur d'efficacité opérationnelle, avec des avantages directs sur les coûts, la durabilité et la qualité du service.

Finance, achats et supply chain : l'algorithme entre dans les marges

En ce qui concerne les processus clés de l'entreprise, l'IA est utilisée pour :

• optimiser le risque de crédit et la solvabilité des clients grâce à des modèles avancés de scoring[1]
• prévoir la demande de matières premières et réagir en temps réel aux fluctuations de prix et aux offres du marché[1]
• automatiser la gestion des achats, réduisant les erreurs, les délais de cycle et les coûts opérationnels

Ce sont des cas d'utilisation moins visibles pour le grand public, mais avec un impact direct sur les flux de trésorerie, les marges et la résilience.

Logistique : 2025, « année zéro » de l'IA appliquée

Dans le monde de la logistique, les observateurs du secteur parlent de 2025 comme de l'**« année zéro de l'IA » **: l'adoption des technologies d'intelligence artificielle transforme la planification, le suivi et la gestion des flottes.[6]

Selon des données récentes, l'utilisation de l'IA par les entreprises italiennes a doublé, mais il subsiste un fort écart entre les grandes et les petites entreprises, ce qui risque de se traduire par un fossé structurel de compétitivité dans la supply chain.[6][2]

Face cachée de la médaille : adoption fragmentée et utilisation « non structurée »

Derrière les chiffres positifs, Istat photographie également des éléments de fragilité dans l'adoption :[2]

• la part des entreprises qui déclarent utiliser l'IA sans pouvoir indiquer un domaine d'activité spécifique augmente : de 15,5 % en 2024 à 33,4 % en 2025[2]
• le phénomène concerne surtout les entreprises de petite taille, où l'adoption est souvent expérimentale, confiée à des services ou des figures internes et non intégrée aux processus organisationnels[2]

En d'autres termes, une partie non négligeable du tissu productif se trouve dans une phase d'**« IA de surface » **: des outils utilisés de manière opportuniste (pour générer des textes, des diapositives, des images, de petites automatisations) mais sans une véritable stratégie de transformation des processus.

Les obstacles : compétences, normes, données et coûts

Parmi les entreprises qui n'utilisent pas encore l'IA, l'intérêt potentiel croît toutefois : 11,5 % ont envisagé l'adoption, soit plus du double par rapport à 2023.[2]

Les principaux obstacles identifiés sont les suivants :[2]

• manque de compétences internes pour sélectionner, intégrer et piloter des solutions d'IA
• incertitude normative, notamment en ce qui concerne l'AI Act européen et son interaction avec le RGPD, le Digital Services Act et d'autres réglementations[1][2]
• faible disponibilité de données adéquates (qualité, gouvernance, accès) pour alimenter des modèles efficaces
• préoccupations liées à la confidentialité, à la sécurité et aux coûts de mise en œuvre[2]

La photographie globale est celle d'un écosystème en transition inachevée : l'IA progresse rapidement, mais son impact reste hétérogène entre les secteurs, les territoires et les classes dimensionnelles d'entreprises.[2][7]

Nouveau cadre réglementaire : l'AI Act comme game changer pour les entreprises

L'accélération de l'adoption s'inscrit dans un contexte normatif européen en forte consolidation. L'AI Act devient l'axe porteur d'une gouvernance de l'innovation qui interagit avec le RGPD, le Digital Services Act et d'autres outils clés.[1]

Classification par risque et rôle du « déploiement »

Le règlement adopte une logique de classification des systèmes d'IA en fonction du risque, avec des obligations croissantes au fil de la criticité du domaine d'utilisation.[1]

Un point central pour les entreprises est la figure du déploiement :

• c'est l'entreprise qui utilise un système d'IA à haut risque dans son propre processus
• elle a des responsabilités spécifiques sur l'évaluation des risques, la formation du personnel, la transparence et la surveillance continue du système[1]

Pour les organisations qui intègrent l'IA dans des processus clés (par exemple, le scoring de crédit, la sélection du personnel, la santé, les infrastructures critiques), cela implique la nécessité de construire des frameworks internes de gouvernance, avec une attribution claire des rôles, des processus d'audit, une gestion du cycle de vie des modèles.

Impact sur le Business

De l'expérimentation au levier de compétitivité

La croissance de 5 % des entreprises en 2023 à 16,4 % en 2025 indique que l'IA est en train de passer d'un projet pilote à un actif stratégique dans de nombreuses réalités.[2]

Les impacts les plus évidents concernent :

• l'efficacité opérationnelle : automatisation des activités répétitives, réduction des erreurs, raccourcissement des délais de cycle (back-office, documentation, service client)[1][2]
• la qualité des décisions : grâce à l'analyse prédictive, aux modèles de tarification dynamique, à l'optimisation des risques et de la supply chain[1]
• la personnalisation de l'offre : recommandations, segmentation avancée, contenus dynamiques pour le marketing et les ventes

Les entreprises qui ont commencé à investir plus tôt dans les données, les infrastructures cloud et les compétences analytiques capitalisent désormais sur des avantages cumulatifs difficiles à rattraper pour les adopteurs tardifs.

Marketing et expérience client : l'algorithme comme nouveau « moteur créatif »

Bien que les données Istat n'entrent pas dans le détail des fonctions individuelles, l'observation des cas d'utilisation italiens et internationaux indique que le marketing numérique est l'un des premiers domaines à bénéficier de l'IA :[1][8]

• génération assistée de contenu (textes, annonces, variants de créativité)
• optimisation automatisée des campagnes ADV sur plusieurs canaux
• scoring prédictif des leads, du churn et de la propension à l'achat
• segmentation fine basée sur les comportements et les signaux faibles

Parallèlement, la prolifération de contenus générés par l'IA a créé une surcharge d'informations : selon une analyse récente, en 2025, les contenus médiocres produits par l'IA sont devenus massifs, ce qui a conduit les plateformes et les moteurs de recherche à développer des filtres et des systèmes de classement plus sophistiqués.[8]

Pour les marques et les agences, cela signifie que l'IA n'est pas seulement un outil de production, mais aussi la cible de nouvelles règles de qualité et de pertinence : ceux qui se limitent à « pomper du volume » risquent d'être pénalisés par les algorithmes de discovery.[8]

PME : risque de fossé structurel

La forte présence d'utilisations « non structurées » parmi les entreprises de petite taille met en évidence un risque de polarisation :[2]

• d'un côté, les grandes entreprises et les groupes de taille moyenne qui intègrent l'IA de manière profonde, avec des équipes dédiées, une gouvernance claire et une évolutivité
• de l'autre, un vaste public de PME qui expérimente des outils génériques sans les intégrer dans une stratégie de transformation

Si cet écart n'est pas comblé, l'IA risque de devenir un multiplicateur d'inégalités compétitives, plutôt qu'une opportunité diffuse.[2][6]

Talents, organisation et travail

La croissance de l'adoption entraîne un impact direct sur les rôles et les compétences :

• des figures émergent comme AI product owner, data steward, prompt specialist, AI compliance officer
• la demande de profils hybrides augmente, capables d'unir des compétences de domaine (par exemple, opérations, marketing, finance) avec l'alphabétisation des données et la familiarité avec les modèles
• le travail quotidien est redessiné par des copilotes et des assistants intelligents qui accompagnent les travailleurs du savoir et les opérateurs

Parallèlement, la perception sociale de l'IA reste ambivalente : des sondages internationaux indiquent que plus de la moitié des travailleurs craignent que leur travail ne soit remplacé par une machine dans les prochaines années, ce qui confirme un climat dans lequel adoption et anxiété de substitution coexistent.[3]

Stratégies pour une adoption « mature » de l'IA dans l'entreprise

Des données et des cas d'utilisation émergent quelques lignes directrices implicites pour passer d'expérimentations tactiques à des stratégies de long terme.

1. Mettre les données au centre

Sans données de qualité, pilotées et accessibles, l'IA reste un exercice de laboratoire. Les entreprises les plus avancées sont en train de :[1]

• consolider des plateformes de données unifiées
• définir des rôles clairs de data ownership
• investir dans la qualité, la lignée et la sécurité des données

2. Relier les cas d'utilisation aux KPI de business

Les projets gagnants partent d'objectifs économiques clairs (réduction des coûts, augmentation des revenus, amélioration du NPS, réduction des délais) et mesurent de manière structurée la contribution de l'IA, évitant le risque du « pilote permanent ».

3. Gérer la compliance comme un facilitateur, pas seulement une contrainte

Le nouveau cadre normatif européen pousse les entreprises à réfléchir à la AI governance dès la phase de conception :[1]

• audit sur les ensembles de données
• traçabilité des décisions automatisées
• registres des systèmes IA à haut risque
• processus d'évaluation de l'impact (en parallèle à ceux de la confidentialité)[1]

Les organisations qui intègrent ces éléments dans leurs processus d'approvisionnement et de développement seront avantagées lorsque les exigences de l'AI Act deviendront pleinement opérationnelles.

4. Investir dans des compétences diffuses, pas seulement dans des « centres d'excellence »

Le manque de compétences est aujourd'hui l'une des principales barrières.[2] Les cas les plus matures montrent que l'IA devient efficace lorsqu'elle n'est pas confinée à une équipe spécialisée, mais qu'elle est comprise et utilisée consciemment par les managers, les créatifs, les techniciens, les opérateurs.

Cela nécessite des programmes de formation continue, des politiques claires d'utilisation interne de l'IA générative et des outils de support qui rendent l'adoption sûre et traçable.

Un scénario en rapide consolidation

2025 marque pour l'Italie le passage d'une adoption de l'IA élitaire à une phase de diffusion accélérée mais encore inégale. L'augmentation de la pénétration, la croissance de la complexité des projets et le nouveau cadre réglementaire européen indiquent que l'IA n'est plus une option marginale, mais un thème de gouvernance stratégique pour les entreprises et les institutions.[1][2]

La trajectoire des prochaines années dépendra de la capacité du système Pays – entreprises, filières, institutions, formation – à transformer cette course à l'adoption en avantage compétitif structurel, et non en une énième vague technologique en peau de léopard.