Tout le monde parle d'IA, mais peu d'organisations savent vraiment par où commencer, ni pourquoi leurs premiers essais tombent à plat. Pour démêler tout ça, SBI a installé son micro dans un conteneur, au cœur d'ALL IN 2026, entouré d'environ 10 000 participant.e.s. Résultat : 44 minutes de discussion franche sur ce qui marche, ce qui échoue et ce qui empêche encore de dormir.
Ce qui frappe d'abord, c'est à quel point l'adoption s'est faite par la base. Pas de grand plan descendant : des gens curieux qui ont commencé à s'en servir pour débloquer une page blanche, rédiger plus vite ou se monter une petite équipe d'agents pour les tâches répétitives.
Mais l'IA a un effet miroir. Dans une organisation qui fonctionne en silos, elle accélère chaque silo sans jamais les rapprocher. Elle ne corrige pas les façons de travailler, elle les rend plus visibles.
Et quand elle est bien utilisée, le gain n'est pas forcément là où on l'attend. Chez SBI, l'IA sert moins à livrer plus vite qu'à livrer mieux : plus de tests, une meilleure documentation, une qualité plus constante. D'où cette idée de « super-consultants », des humains outillés plutôt que remplacés.
S'il y a une idée qui a traversé toute la discussion, c'est celle-là. L'IA arrive en dernier. Avant, il faut des données propres, structurées et accessibles.
L'Alliance l'assume pleinement : elle est encore en phase de diagnostic, et c'est voulu. Pendant longtemps, l'information vivait dans des chiffriers éparpillés, avec les erreurs et les versions contradictoires qui viennent avec. L'IA n'a pas créé ce problème, mais elle l'a rendu impossible à ignorer. Les chantiers de données, longtemps vus comme techniques, sont soudainement devenus stratégiques.
Il faut aussi démystifier ce qu'on appelle « IA ». Dans bien des projets, la grande majorité du travail relève en fait de l'automatisation, avec une petite couche d'intelligence par-dessus. Et quand les données de départ sont mal structurées, l'IA ne répare rien : elle multiplie les erreurs, plus vite et à plus grande échelle.
La bonne nouvelle ? Très peu d'entreprises ont réellement fait ce travail de fond. Si vos données sont encore dispersées, vous n'êtes pas en retard. Vous êtes dans la moyenne.
Les échecs racontés au micro avaient tous un point commun : la technologie n'était pas en cause.
Un profil synthétique de touriste construit à partir d'études trop disparates, qui finit par halluciner. Un projet d'apprentissage automatique lancé sans besoin clair ni données prêtes. Dans les deux cas, l'idée tenait la route. C'est le cadrage, la supervision et l'accompagnement qui manquaient.
C'est probablement la leçon la plus sous-estimée : un modèle performant qui n'est pas adopté ne vaut rien. Et l'adoption, ça se prépare dès le départ, pas une fois le projet livré. Au bout du compte, c'est toujours le jugement humain qui filtre. Comme l'a dit Andréanne : « L'IA, ça ne fait pas tout à notre place. Ça prend du jugement critique. »
À qui appartient l'IA dans une organisation ? Pas aux TI seulement, et pas à un seul département non plus.
Tout commence par des définitions communes. Si deux équipes ne calculent pas un indicateur de la même façon, aucun outil ne réglera le désaccord. Ensuite viennent les règles du jeu : un code d'utilisation, des guides, des façons de travailler partagées.
Le risque, sinon, c'est l'IA fantôme. Chacun adopte ses propres outils avec ses propres données, et plus personne n'arrive aux mêmes chiffres. Un scénario que les équipes TI ont déjà connu avec les logiciels non autorisés, et qui revient sous une nouvelle forme.
Pour les PME, la discussion a apporté une nuance bienvenue : pas besoin d'un cadre parfait dès le premier jour. On peut avancer par petits projets pilotes, avec une gouvernance qui s'adapte au rythme de chaque département et s'inscrit dans un plan à 1, 3 et 5 ans. Chez Mandy's, par exemple, les instructions de l'assistant IA sont centralisées pour que tout le monde parte de la même base de connaissances.
Les projets de rêve ont une chose en commun : ils reposent sur la prévision. Anticiper quel changement de menu plaira dans chaque marché d'ici 18 mois. Décider de lancer ou non une campagne touristique selon les taux de remplissage prévus, ou comprendre comment les visiteurs circulent à travers tout le Québec, bien au-delà de Montréal et de Québec.
Les craintes, elles, étaient plus personnelles. Des enfants qui arriveront sur un marché du travail bouleversé sans y être préparés. Une IA mise au service d'intérêts politiques, dans un contexte déjà tendu avec les États-Unis. Une génération qui perdrait l'habitude de réfléchir par elle-même.
Trois inquiétudes différentes, un même fil : l'outil ne doit jamais remplacer la réflexion.
Au final, l'adoption de l'IA en entreprise se joue bien plus sur les données, le cadrage et les humains que sur la technologie. Avant de choisir un outil, faites un état des lieux honnête de vos données. Avant de lancer un projet, définissez clairement le problème à régler. Et prévoyez l'accompagnement au changement dès le jour un.
Pour entendre la discussion au complet, avec les anecdotes et les échanges qu'un résumé ne rend pas, l'épisode est sur YouTube et Spotify.
Besoin de faire le point sur votre transformation IA ?
Ou prenez rendez-vous avec notre équipe d'experts pour une session approfondie 👉 Nous contacter.