Workplace AI adoption and impacts report for 2025

Introduction

En 2025, l’IA au travail est devenue massive : environ une personne sur six utilise des outils d’IA générative dans le monde [5].
Cette diffusion reste toutefois marquée par de fortes disparités entre pays, secteurs et tailles d’entreprise, ainsi que par des inquiétudes persistantes des travailleurs [4][6].

Ce rapport éclaire trois enjeux clés :

• l’impact sur l’emploi et les compétences ;
• la transformation du management et de la productivité ;
• les conditions d’une adoption responsable et soutenable.

💡 À retenir
La question n’est plus de savoir si l’IA sera adoptée, mais comment la déployer sans creuser les fractures sociales, économiques et numériques [5][8].

Main Content

Key point 1 – Emploi, transformation des tâches et compétences

Les recherches montrent que l’IA transforme davantage d’emplois qu’elle n’en détruit, même si certains postes restent fortement exposés [3][7].
Selon l’OIT, environ un emploi sur quatre est exposé à l’IA générative ; la plupart seront reconfigurés plutôt que supprimés [7].

Dans les pays du G7 [8] :

• 6,5 % des emplois (environ 25 millions) sont fortement exposés, avec un fort potentiel d’automatisation partielle ;
• 28 % supplémentaires sont susceptibles d’une transformation progressive (plus de 100 millions de postes).

📊 Donnée clé

• Les compétences évoluent 66 % plus vite dans les emplois exposés à l’IA, un rythme plus que doublé en un an [3].
• Les compétences IA sont associées à une prime salariale moyenne de 56 %, contre 25 % l’année précédente [3].

Exemple de terrain : un responsable de PME industrielle (30 personnes) a d’abord interdit les copilotes d’IA par crainte de fuites de données, avant de découvrir que ses ingénieurs les utilisaient déjà pour la documentation et les rapports techniques.
Cette adoption informelle montre :

• un fort appétit pour ces outils ;
• l’absence de cadre clair de formation, de sécurité et de gouvernance [4][6].

⚡ Point clé
Sans stratégie de montée en compétences, de certification interne et de partage des savoirs, les organisations risquent :

• un fossé entre une minorité d’« experts IA » et le reste des équipes ;
• des tensions sociales et une productivité très inégale [1][3][4].

Key point 2 – Productivité, management et perception des managers

Les managers adoptent l’IA d’abord pour la productivité, pas pour des suppressions massives de postes :

• 77 % déclarent déployer des outils d’IA pour améliorer l’efficacité, +11 points en un an [2] ;
• 54 % affirment ne pas vouloir remplacer des employés par l’IA, +15 points en un an [2].

Pourtant, les craintes des collaborateurs restent fortes [2] :

• 64 % des managers estiment que leurs équipes craignent de devenir moins utiles ;
• 58 % pensent que leurs employés ont peur de perdre leur emploi ;
• 65 % citent la résistance et la « peur de l’inconnu » comme frein principal.

💼 Exemple concret
Dans un service client d’assurance, copilotes d’IA et agents conversationnels :

• réduisent le temps de traitement ;
• améliorent l’expérience assurés ;
• mais renforcent chez certains conseillers le sentiment de surveillance algorithmique et de perte d’expertise [10].

Les entreprises qui réussissent l’adoption de l’IA clarifient [8][9] :

• les gains attendus (temps, qualité, satisfaction) ;
• la répartition des tâches entre humain et IA ;
• la participation des équipes au choix des outils et aux règles d’usage.

💡 À retenir
L’IA est désormais perçue par une majorité de managers comme l’équivalent d’un « manager novice » en qualité de sortie, plutôt qu’un simple gadget [2].
Elle s’impose comme un copilote crédible, sans constituer encore un substitut complet de l’encadrement.

Key point 3 – Gouvernance, fractures d’adoption et responsabilité

L’adoption progresse vite mais reste inégale [5] :

• 24,7 % de la population active du Nord global utilisent déjà l’IA générative ;
• 14,1 % seulement dans le Sud global.
  Les pays ayant investi tôt dans l’infrastructure numérique, la formation et les usages publics sont les plus avancés.

Au niveau microéconomique [6][8] :

• les grandes entreprises devancent nettement les PME ;
• les principaux freins sont :
  • connectivité et infrastructures limitées ;
  • manque de compétences ;
  • difficulté d’accès au financement ;
  • complexité réglementaire et de gouvernance.

📊 Données clés [4]

• 78 % des travailleurs utilisent déjà une forme d’IA, mais de façon très inégale selon les métiers et générations ;
• 97 % jugent la formation IA essentielle, seuls 63 % en ont bénéficié.

Les bonnes pratiques convergent vers une IA centrée sur l’humain [7][8] :

• développement continu des compétences ;
• protection des données et prévention des biais ;
• transparence sur les décisions assistées par IA ;
• dialogue social structuré sur les projets d’automatisation.

⚠️ Point de vigilance

• 72 % des employeurs anticipent une réduction d’effectifs liée à l’IA [1] ;
• seulement 3 % estiment que l’enseignement supérieur prépare correctement les diplômés.
  Ce décalage nourrit un risque de crise de compétences et de tensions sociales si les politiques de formation ne s’intensifient pas.

Conclusion

Summary

En 2025, l’IA au travail se caractérise par [3][5][9] :

• une adoption rapide mais inégale ;
• des gains de productivité et de valeur par collaborateur, surtout dans les secteurs les plus exposés ;
• une transformation profonde des tâches plutôt qu’une destruction massive d’emplois [7][8].

Les signaux montrent que :

• les organisations qui structurent formation, gouvernance et mesure d’impact capturent davantage de croissance et offrent une prime salariale accrue aux talents IA [3][9] ;
• celles qui se limitent à des pilotes isolés exposent leurs équipes à plus de stress, de résistance et d’inégalités d’accès aux opportunités [2][4][6].

Next steps

Les directions doivent dès maintenant [3][4][7][8][9] :

• cartographier les tâches et emplois exposés à l’IA, puis co-construire des trajectoires de transformation avec les partenaires sociaux ;
• lancer des programmes de formation IA massifs, adaptés par métier, intégrant aussi les soft skills nécessaires à la collaboration humain–IA ;
• instaurer une gouvernance claire (données, risques, transparence, responsabilité), avec des indicateurs suivis au niveau du comité de direction.