Sommes-nous seulement entrés dans l'ère de la gouvernance de l'IA ?

Introduction

Depuis l'irruption de l'intelligence artificielle générative dans les entreprises, les discours sur la gouvernance de l'IA se sont multipliés. Les organisations créent des comités IA, élaborent des chartes d'usage, nomment des responsables de l'IA responsable et s'interrogent sur leur conformité au futur cadre réglementaire européen. Pourtant, une question mérite d'être posée avant même de réfléchir aux modèles de gouvernance : sommes-nous réellement entrés dans l'ère de la gouvernance de l'IA ?

À travers les échanges menés avec des architectes, consultants et responsables de transformation intervenant dans des secteurs variés, un constat revient régulièrement. Malgré une forte dynamique d'expérimentation, les entreprises semblent encore largement évoluer dans une logique de preuves de concept (Proof of Concept – POC). Les initiatives sont nombreuses, les métiers expérimentent de nouveaux usages, les directions informatiques mettent à disposition des plateformes, tandis que les fonctions juridiques et cybersécurité tentent d'encadrer les risques. Cependant, il est encore difficile d'identifier une gouvernance stabilisée et partagée. Cette observation conduit à défendre une thèse : nous ne sommes probablement pas encore dans l'ère de la gouvernance de l'IA, mais dans une période de transition où les organisations cherchent à passer d'une gouvernance de l'expérimentation à une gouvernance de l'industrialisation.

La gouvernance de l'IA : un problème d'organisation plus que de technologie

La littérature récente présente souvent la gouvernance de l'IA comme un ensemble de mécanismes destinés à encadrer les risques, assurer la conformité réglementaire et garantir une utilisation responsable des systèmes d'intelligence artificielle. Cette approche est indispensable, notamment dans le contexte de l'AI Act européen ou de la norme ISO/IEC 42001. Néanmoins, elle tend parfois à masquer une réalité plus profonde : la gouvernance de l'IA est avant tout un problème d'organisation.

L'adoption de l'IA ne consiste pas simplement à intégrer une nouvelle technologie. Elle modifie les processus décisionnels, redistribue les responsabilités entre les métiers et les fonctions support, questionne la gouvernance des données, les architectures techniques, la cybersécurité, la conformité et, plus largement, le mode de fonctionnement de l'entreprise. Comme le suggèrent plusieurs travaux récents sur les modèles opérationnels pilotés par l'IA, la véritable transformation ne réside pas dans les modèles d'IA eux-mêmes mais dans la capacité des organisations à faire évoluer leur operating model afin d'intégrer durablement ces nouvelles capacités. (Thoughtworks)

Cette lecture conduit à relativiser une question souvent posée : qui doit gouverner l'IA ? Les entreprises disposent déjà de multiples formes de gouvernance : gouvernance des données, gouvernance des systèmes d'information, gestion des risques, cybersécurité, conformité, architecture d'entreprise ou encore gouvernance produit. L'IA ne crée pas ex nihilo un nouvel objet de gouvernance ; elle agit plutôt comme un révélateur des limites des dispositifs existants en obligeant ces différentes gouvernances à coopérer.

Cette situation explique probablement pourquoi aucun modèle unique ne semble aujourd'hui émerger. Les entreprises les moins matures privilégient encore des expérimentations locales, favorisant l'innovation mais générant une forte hétérogénéité des pratiques. Les organisations plus avancées mettent progressivement en place des Centres d'Excellence IA, des AI Boards ou des équipes transverses chargées de définir des standards communs. Enfin, les entreprises les plus matures cherchent moins à créer une gouvernance spécifique de l'IA qu'à intégrer l'intelligence artificielle dans leur gouvernance globale de l'entreprise.

Cette progression invite à dépasser une opposition souvent caricaturale entre gouvernance et innovation. Une gouvernance trop précoce, excessivement normative ou centralisée risque effectivement de ralentir l'expérimentation. À l'inverse, une absence prolongée de gouvernance favorise la prolifération d'initiatives isolées, parfois qualifiées de Shadow AI, qui compliquent ensuite l'industrialisation des usages. La gouvernance ne devrait donc pas être conçue comme un mécanisme de contrôle venant limiter l'innovation, mais comme un dispositif permettant d'orchestrer la montée en maturité de l'organisation. Autrement dit, la question n'est peut-être pas de savoir comment gouverner l'IA, mais comment transformer progressivement la gouvernance de l'entreprise pour qu'elle soit capable d'intégrer l'IA comme une capacité stratégique. Cette idée rejoint les réflexions récentes selon lesquelles les initiatives IA peinent moins à cause des modèles que de l'absence d'un modèle opérationnel clair, d'une répartition explicite des responsabilités et d'une articulation cohérente entre métiers, IT, data et fonctions de contrôle. (Thoughtworks)

Conclusion

Finalement, la question initiale — qui gouverne l'IA ? — est peut-être mal posée. Les observations de terrain comme les travaux académiques convergent vers une autre interrogation : sommes-nous déjà entrés dans une véritable gouvernance de l'IA ou assistons-nous simplement à la fin de l'ère des expérimentations ?

Il semble aujourd'hui plus juste de considérer que les entreprises traversent une phase de transition. Elles ne cherchent pas encore tant à gouverner l'IA qu'à apprendre à vivre avec elle, à identifier les usages créateurs de valeur et à adapter progressivement leurs structures organisationnelles. La véritable gouvernance émergera probablement lorsque l'IA cessera d'être un ensemble de projets pour devenir une capacité intégrée au fonctionnement quotidien de l'entreprise. À ce moment-là, la question ne sera plus seulement de savoir qui gouverne l'IA, mais comment l'IA transforme la gouvernance elle-même. Les organisations les plus performantes ne seront sans doute pas celles qui auront créé le plus grand nombre de comités ou de politiques dédiées, mais celles qui auront réussi à faire évoluer leur modèle opérationnel afin de concilier expérimentation, responsabilité, performance et apprentissage collectif.

Références et sources d’inspirations

• Shape & Ship. Transformer son organisation technologique dans un monde piloté par l'IA. L'article défend l'idée que l'enjeu principal n'est plus l'adoption d'une technologie, mais la transformation du modèle opérationnel de l'entreprise.
• Thoughtworks. The Operating System for Enterprise AI. Une analyse des conditions organisationnelles nécessaires pour passer des expérimentations IA à un déploiement à l'échelle. (Thoughtworks)
• Giorgi, C. & Guillard, A. (2025). « La gouvernance Data & IA : catalyseur de transversalité organisationnelle dans les entreprises ». Question(s) de Management, n°56.
• Inria (2024). Livre blanc – IA de confiance : enjeux scientifiques, industriels et sociétaux.