Cette logique invite les organisations à dépasser la question réflexe “peut-on mettre de l’IA ici ?” pour poser une question plus exigeante : “à quelles conditions l’IA crée-t-elle réellement de la valeur ?” 

Comme en matière de déchets, la meilleure IA est parfois celle que l’on ne produit pas — ou que l’on choisit de ne pas déployer. Non par défiance envers la technologie, mais parce qu’un usage responsable commence par un arbitrage : où l’IA augmente-t-elle la performance, et où ajoute-t-elle surtout du coût, du risque, de l’opacité ou de la dépendance ? 

La sobriété IA n’est donc pas seulement une conviction responsable. C’est une discipline de portefeuille : savoir quels usages industrialiser, lesquels encadrer, lesquels limiter, et lesquels refuser. 

Cette discipline est d’abord économique. À mesure que les usages IA se multiplient, les coûts, les contrôles nécessaires et les risques d’erreur se diffusent dans toute l’organisation. L’enjeu n’est pas de multiplier les cas d’usage pour afficher une ambition IA, mais de distinguer les usages réellement utiles des usages anecdotiques, les gains mesurables des effets de mode, et les automatisations indispensables des automatisations prématurées. 

Elle est aussi environnementale. L’UNESCO indique que de petits ajustements dans la conception et l’usage des grands modèles de langage peuvent réduire fortement la consommation d’énergie sans compromettre la performance, notamment grâce à des modèles plus petits, des prompts et réponses plus concis, ou des techniques de compression.  L’IA Act ne crée pas une obligation générale de sobriété environnementale pour tous les usages IA, mais sa logique de proportionnalité et de maîtrise des risques peut aider les entreprises à éviter le surdimensionnement technologique. Ce qui in fine répond également à la logique économique. 

La sobriété IA est enfin cognitive. Le risque le plus sous-estimé n’est pas technique : c’est l’érosion du jugement humain. Plus l’IA devient un réflexe, plus les équipes peuvent perdre l’habitude de vérifier, de relire, de contester et de raisonner sans elle. Pour les systèmes à haut risque, l’IA Act prévoit justement que la supervision humaine permette de comprendre les capacités et limites du système, de surveiller son fonctionnement, d’interpréter ses résultats, de rester conscient du risque d’automatisation des biais, et de décider de ne pas utiliser, corriger ou interrompre le système si nécessaire.  

Cette exigence prend tout son sens dans les usages métiers. Dans la relation commerciale, l’IA peut préparer un rendez-vous, structurer un argumentaire ou anticiper les objections. Mais elle ne remplace pas la capacité du commercial à lire une hésitation, percevoir un rapport de force ou adapter son récit à l’interlocuteur. L’IA augmente la préparation commerciale ; elle ne remplace pas la lecture humaine du client. 

Même logique en finance. L’IA peut accélérer l’analyse d’un reporting ou produire une première lecture des écarts. Mais dès qu’un résultat est utilisé pour arbitrer un budget, piloter une marge ou engager une décision d’investissement, l’entreprise doit pouvoir vérifier les données, les calculs, les hypothèses et les simplifications. Le bon réflexe n’est pas seulement de demander “quel est le résultat ?”, mais “comment l’IA y est-elle parvenue ?” 

La formation est donc centrale. L’IA Act impose aux fournisseurs et déployeurs de systèmes IA de prendre des mesures pour assurer, dans la mesure du possible, un niveau suffisant de maîtrise de l’IA par leurs équipes et les personnes qui utilisent ces systèmes pour leur compte.  Former les collaborateurs à l’IA, ce n’est pas seulement leur apprendre à rédiger de meilleurs prompts. C’est leur apprendre à savoir quand utiliser l’IA, quand challenger ses réponses, quand reprendre la main, et quand ne pas l’utiliser. 

Le knowledge management l’illustre bien. L’IA peut rendre une base documentaire plus accessible, synthétiser des retours d’expérience ou contextualiser une procédure. Mais apprendre ne consiste pas seulement à recevoir une réponse. Une base de connaissance augmentée par l’IA peut accélérer l’accès à l’information. Elle ne remplace pas la transmission de l’expérience. 

Enfin, la question des biais ne doit pas être réduite aux données. Pour les systèmes à haut risque, l’IA Act prévoit des exigences de gouvernance des données, incluant l’examen et l’atténuation des biais susceptibles d’affecter les droits fondamentaux ou de conduire à des discriminations interdites par le droit de l’Union. Mais un système peut aussi devenir problématique lorsqu’il est utilisé dans un mauvais périmètre même sur un cas à faible risque. Un dirigeant peut utiliser l’IA pour explorer des scénarios ou challenger un business plan. Il ne peut pas lui déléguer une recommandation stratégique qui exige responsabilité, intuition du contexte et compréhension humaine de l’entreprise. 

Le biais n’est pas toujours discriminatoire : il peut être stratégique. Une IA peut renforcer le consensus, privilégier les signaux visibles, sous-estimer les ruptures faibles en apparence ou recommander ce qui a fonctionné hier plutôt que ce qui fera la différence demain.

Avant de déployer un usage IA, quatre questions devraient donc être posées :  

Demain, les organisations les plus avancées ne seront pas celles qui auront mis de l’IA partout. Ce seront celles qui auront appris à choisir : choisir le bon niveau d’automatisation, le bon niveau de supervision, le bon niveau de sobriété — et parfois, choisir de ne pas utiliser l’IA. 

Car gouverner l’IA, c’est aussi savoir lui dire non. 

Et si votre prochain chantier IA commençait par savoir où ne pas l’utiliser ? Contactez les experts Axys pour évaluer votre maturité IA et définir une feuille de route utile, responsable et maîtrisée.