L’enquête de Deloitte UK sur les dépenses en IA révèle une fracture de 958 millions de livres sterling au travail

Deloitte affirme que les travailleurs britanniques dépensent désormais environ 958 millions de livres sterling par an pour des outils d’IA générative utilisés dans le cadre de leur travail. L’enquête de Deloitte UK sur les dépenses en IA montre que les employés adoptent cette technologie plus rapidement que de nombreux employeurs ne peuvent l’encadrer, la financer, voire même l’observer.

Le chiffre principal est frappant, mais le conflit sous-jacent compte davantage. Les travailleurs considèrent de plus en plus l’IA comme un logiciel personnel essentiel, tandis que les employeurs continuent de la traiter comme un système d’entreprise contrôlé. Les employés achètent des accès, choisissent des outils et construisent des flux de travail avant que les processus formels d’approvisionnement et de sécurité ne les rattrapent.

Cette fracture a créé une vaste économie de l’IA fantôme au sein des lieux de travail britanniques. L’IA fantôme désigne l’utilisation de services d’IA générative sans que l’employeur en ait connaissance ou l’ait approuvée. Elle s’inscrit dans la continuité des précédentes vagues de logiciels cloud non autorisés, mais les prompts peuvent exposer des données sensibles et les réponses générées peuvent introduire des erreurs cachées.

Les conclusions de Deloitte ne prouvent pas que toutes ces dépenses produisent une valeur équivalente. La moitié des utilisateurs interrogés n’ont signalé aucun gain de temps, et les usages les plus fréquents restent basiques. Le véritable sujet n’est donc pas un enthousiasme sans limites pour l’IA. Il s’agit d’un transfert des décisions technologiques, des coûts et des risques des employeurs vers les travailleurs individuels.

L’enquête de Deloitte UK sur les dépenses en IA révèle l’ampleur du phénomène

Les employés ont déjà fait de l’IA générative une composante du travail, que leurs organisations la soutiennent officiellement ou non.

Deloitte a publié les résultats de sa première GenAI Workforce Survey le 16 septembre 2026. Ipsos UK a mené l’enquête en ligne du 7 mai au 10 juin, recueillant les réponses de 25 000 travailleurs âgés de 18 à 70 ans.

L’échantillon comprenait des salariés et des indépendants issus de 22 secteurs et exerçant 24 fonctions. Deloitte a appliqué une pondération démographique et professionnelle afin de refléter l’ensemble de la population hors ligne. L’entreprise la présente comme la plus grande enquête menée à ce jour dans un seul pays sur l’utilisation de l’IA générative au travail.

Selon l’enquête auprès des travailleurs, 63 % des répondants ont déclaré avoir sciemment utilisé l’IA générative pour leur travail. Ce groupe représentait 16 749 personnes dans l’échantillon complet. Parmi les autres répondants, 34 % n’en faisaient pas usage pour leur travail, tandis que 3 % ne le savaient pas.

L’adoption ne se limitait pas à des expérimentations occasionnelles. Deloitte a indiqué que 24 % de l’ensemble des travailleurs britanniques utilisaient quotidiennement l’IA générative au travail. Cependant, une autre page de l’enquête avance un chiffre de 12 % pour l’usage quotidien, reflétant apparemment une catégorie de réponse plus restreinte. Cette différence montre pourquoi les estimations de fréquence doivent être lues avec prudence.

L’accès aux outils provenait également de plusieurs sources. Parmi les utilisateurs d’IA générative, 46 % employaient des services gratuits, 34 % des outils externes financés par leur employeur et 17 % des systèmes internes. Les répondants pouvaient relever de plusieurs catégories ; ces chiffres ne doivent donc pas être additionnés.

Plus important encore, 17 % payaient personnellement au moins un outil qu’ils utilisaient au travail. Deloitte a extrapolé ces dépenses à 958 millions de livres sterling par an pour l’ensemble de la main-d’œuvre britannique. Cette estimation couvre un marché que les budgets habituels de logiciels d’entreprise peuvent ne pas détecter.

L’enquête de Deloitte sur l’IA fantôme ajoute un autre détail important. Six pour cent des utilisateurs autofinançant leurs outils ont déclaré dépenser plus de 50 livres sterling par mois, généralement pour plusieurs outils. Cela suggère que certains employés assemblent leurs propres piles d’IA plutôt que de s’appuyer sur un seul assistant généraliste.

Ces piles peuvent inclure des services distincts pour la rédaction, la recherche, le code, les comptes rendus de réunions, la génération d’images ou l’analyse de documents. Un travailleur peut voir chaque abonnement comme un raccourci pratique. Un employeur y voit un ensemble fragmenté de comptes, aux conditions de sécurité et aux contrôles des données différents.

L’enquête de Deloitte UK sur les dépenses en IA mesure donc plus que la demande pour les chatbots. Elle révèle à quelle vitesse les employés peuvent créer une couche logicielle non officielle autour de leur travail. Cette couche est financée par des comptes personnels et échappe souvent à la visibilité de l’entreprise.

Les travailleurs financent les outils que les employeurs n’ont pas fournis

L’écart de dépenses exerce une pression sur les employeurs, car les travailleurs considèrent l’accès à l’IA comme une nécessité plutôt que comme un avantage professionnel.

Certains employés semblent payer parce que les services qu’ils préfèrent fonctionnent mieux que les alternatives approuvées. Parmi les répondants qui utilisaient des outils non approuvés ou payaient personnellement, 21 % ont affirmé que ces produits surpassaient les outils de l’entreprise. Quatorze pour cent supplémentaires ont décrit ces services comme essentiels à leur travail, mais non financés par leur employeur.

Les incitations liées à la carrière influencent également cette décision. Deloitte a constaté que 16 % de ce groupe pensaient que les outils d’IA choisis personnellement amélioraient leurs perspectives de promotion. Acheter des logiciels devient un investissement informel dans la performance individuelle, même lorsque le travail produit profite à l’organisation.

Cela crée un arrangement économique inhabituel. Les employeurs reçoivent des brouillons, résumés, recherches ou du code produits avec des services que les employés ont eux-mêmes choisis et financés. L’organisation bénéficie d’une partie de ces résultats tout en acceptant des risques qu’elle n’a peut-être pas évalués.

Les travailleurs peuvent néanmoins juger cet arrangement intéressant. Si un outil élimine des tâches répétitives ou aide quelqu’un à surmonter une tâche difficile, attendre des mois l’approbation des achats semble coûteux. Les services d’IA grand public peuvent être ouverts en quelques minutes, alors que les évaluations d’entreprise exigent des examens par les équipes de sécurité, juridiques, financières et informatiques.

Le schéma des dépenses en IA dans les lieux de travail britanniques reflète également les différences entre l’accès approuvé et l’accès préféré. Fournir un assistant interne ne garantit pas que les employés cesseront d’utiliser des services externes. Les travailleurs comparent la qualité des résultats, la rapidité, la disponibilité des modèles, les intégrations et leur familiarité avec les outils.

Les services financiers illustrent le problème. Deloitte a constaté que 28 % des utilisateurs d’IA générative dans la finance, la banque et l’assurance utilisaient des outils internes, contre 17 % pour l’ensemble des secteurs. Les outils externes financés par l’entreprise atteignaient également 41 %, au-dessus du chiffre de 34 % tous secteurs confondus.

Pourtant, 19 % des utilisateurs d’IA générative dans ce secteur payaient encore leurs propres outils. Ce chiffre dépassait le taux intersectoriel malgré une plus grande disponibilité d’options approuvées. Davantage de logiciels d’entreprise n’ont pas automatiquement supprimé les abonnements personnels.

Cette conclusion remet en question une hypothèse courante derrière les déploiements en entreprise. Les employeurs s’attendent souvent à ce qu’un assistant approuvé centralise les usages. Les employés semblent plutôt disposés à conserver des services distincts lorsque ceux-ci correspondent mieux à des flux de travail précis.

Cela ne signifie pas que chaque outil préféré est objectivement supérieur. Les utilisateurs peuvent privilégier des interfaces qu’ils connaissent déjà ou des services qui imposent moins de restrictions. Un système approuvé peut sembler moins performant précisément parce qu’il bloque des actions sensibles qu’un compte grand public autorise.

Les employeurs sont désormais confrontés à un choix contraint. Ils peuvent rembourser certains services, améliorer les alternatives internes ou restreindre plus agressivement les usages externes. Chaque réponse a un coût, et une simple interdiction peut pousser l’usage encore davantage dans la clandestinité.

L’enquête de Deloitte UK sur les dépenses en IA exprime ce choix en termes financiers. Près d’un milliard de livres sterling de dépenses personnelles signalent une forte demande des employés, mais ne permettent pas d’identifier les outils qui méritent une adoption par l’entreprise. Les entreprises ont toujours besoin d’éléments sur les usages, les risques et les retours mesurables.

Le principal conflit oppose la demande des employés au contrôle des employeurs

Les travailleurs veulent un accès immédiat à des modèles utiles, tandis que les employeurs ont besoin de règles cohérentes pour les données, l’exactitude, la responsabilité et les dépenses logicielles.

Deloitte a constaté que 31 % des utilisateurs d’IA générative opéraient sans que leur employeur le sache. Son analyse de l’IA fantôme décrit un écart entre les politiques formelles et le comportement réel des employés.

Il ne s’agit pas simplement d’un échec de conformité de la part de travailleurs imprudents. L’enquête pointe également vers des lacunes dans le leadership et la formation. Les employés prennent des décisions dans un environnement où les directives officielles peuvent être floues, indisponibles ou déconnectées de leur travail.

Seuls 28 % des utilisateurs ont déclaré que leur organisation disposait d’une politique relative à l’IA générative claire, à jour, comprise et facile à trouver. Trente-quatre pour cent supplémentaires ont affirmé que leur employeur n’avait aucune politique, tandis que 23 % ignoraient si une telle politique existait.

Une politique que les employés ne peuvent pas trouver a peu de valeur pratique. Elle ne répondra pas à la question de savoir si une personne peut téléverser des notes de réunion, de la correspondance client, du code source ou une proposition confidentielle. Face à une échéance, les travailleurs exerceront leur propre jugement.

La moitié des utilisateurs d’IA générative n’avaient reçu aucune formation formelle. Seuls 20 % ont déclaré avoir reçu une instruction obligatoire. Ces chiffres signifient que des millions de travailleurs apprennent par l’expérimentation, les conseils en ligne et les interfaces fournies par les entreprises d’IA.

Ce déficit de formation est important, car les interfaces conversationnelles peuvent masquer une complexité technique. Un chatbot ressemble à un logiciel de recherche ou de messagerie, mais les données saisies peuvent être stockées, examinées ou traitées selon des conditions qui varient d’un service à l’autre et selon le type de compte.

Les contenus générés exigent également une évaluation. Une réponse fluide peut contenir des affirmations fausses, un raisonnement incomplet, des citations inventées ou une formulation inappropriée. Les travailleurs ont besoin de connaissances métier et d’habitudes de vérification, pas seulement de techniques de prompting.

Les risques augmentent lorsqu’un compte personnel devient partie intégrante d’un flux de travail professionnel. Une organisation peut ne pas savoir quel modèle a produit un document, quelles informations ont été saisies dans le système ou si une autre personne a vérifié le résultat. Cela affaiblit l’auditabilité.

Un problème d’approvisionnement existe également. Des comptes personnels séparés empêchent les employeurs de voir la demande totale et de négocier les accès en fonction des usages réels. Pendant ce temps, les licences d’entreprise peuvent rester sous-utilisées parce que l’organisation a choisi un produit sans comprendre les préférences des employés.

Deloitte indique que 22 % des utilisateurs opérant hors de la supervision de leur employeur pensaient que leur organisation approuverait leur usage si elle en avait connaissance. Ce groupe peut ne pas considérer qu’il enfreint une règle significative. Il interprète le silence comme une autorisation implicite.

L’employeur peut interpréter le même comportement différemment, en particulier dans les travaux réglementés ou confidentiels. Même des expérimentations inoffensives peuvent créer de l’incertitude lorsque personne n’enregistre le service utilisé, les informations fournies ou la vérification appliquée ensuite.

L’enquête de Deloitte sur l’IA fantôme révèle donc un problème de gouvernance créé par des incitations divergentes. Les travailleurs bénéficient immédiatement lorsqu’un outil réduit leurs efforts. Les employeurs supportent des risques juridiques, de sécurité, de réputation et de qualité à plus long terme.

Des contrôles stricts ne résoudront pas à eux seuls ce décalage. Bloquer des sites web sur des appareils gérés ne couvre ni les téléphones personnels, ni les ordinateurs domestiques, ni les textes copiés. La surveillance peut aussi réduire la confiance sans révéler pourquoi les employés ont rejeté les outils officiels.

Les organisations ont besoin d’une voie praticable pour l’expérimentation approuvée. Cela inclut des limites claires, des alternatives accessibles et des moyens de demander des services supplémentaires. Les dirigeants doivent également expliquer quelles données ne doivent jamais être saisies dans un modèle externe.

Les travailleurs du savoir peuvent réduire les copies inutiles en conservant leurs contenus professionnels de confiance dans une base de connaissances personnelle contrôlée. Toutefois, le système a toujours besoin de politiques adaptées à la sensibilité de son contenu.

La concurrence centrale ne se joue donc pas entre un fournisseur d’IA et un autre. Elle oppose l’adoption menée par les employés au contrôle piloté par les employeurs. Son issue déterminera qui choisit l’IA au travail et qui reste responsable lorsqu’elle échoue.

Des dépenses élevées ne signifient pas encore une forte productivité

L’estimation de 958 millions de livres sterling montre une disposition à payer, mais les données de Deloitte décrivent une utilisation large et superficielle plutôt qu’un changement de productivité durable.

Les travailleurs ont déclaré économiser en moyenne 70 minutes par semaine grâce à l’IA générative. Selon l’annonce de Deloitte présentant les résultats de l’enquête, la majeure partie de ce temps gagné a été consacrée à davantage de travail pour le même employeur.

Une moyenne peut masquer des expériences très différentes. Les résultats détaillés sur la productivité de Deloitte ont montré que la moitié des utilisateurs ne gagnait aucun temps. Environ une personne sur huit déclarait économiser plus de trois heures par semaine.

Dans l’ensemble de la population active, 7 % ont déclaré que l’IA leur faisait gagner au moins cinq heures par semaine. Cette proportion atteignait 21 % dans l’information et les communications, mais tombait à 5 % dans la santé et le travail social. Le contexte sectoriel influence clairement la valeur que les travailleurs déclarent retirer de ces outils.

L’enquête reposait sur les souvenirs des travailleurs plutôt que sur une mesure directe de la productivité. Deloitte note lui-même que la plupart des personnes ne peuvent pas se rappeler précisément le temps économisé. Ces estimations reflètent des bénéfices perçus, et non des preuves contrôlées d’une production accrue ou d’un travail de meilleure qualité.

Les cas d’usage courants étaient également modestes. La recherche d’informations et la rédaction d’e-mails étaient chacune citées par 43 % des utilisateurs. La création de résumés arrivait en troisième position, avec 31 %.

Ces tâches peuvent compter, surtout lorsqu’elles sont répétées à grande échelle au sein d’une main-d’œuvre. Pourtant, générer des e-mails plus vite peut simplement accroître le volume de texte que les collègues doivent lire. Une minute gagnée par l’expéditeur peut créer du travail supplémentaire pour les destinataires.

Deloitte a constaté que 31 % de l’ensemble des répondants avaient utilisé l’IA générative au travail sans gagner de temps. Son analyse de productivité indique également que 52 % des utilisateurs pensaient que perdre l’accès à ces outils ne rendrait pas leur travail plus difficile. Onze pour cent supplémentaires estimaient même que le travail pourrait devenir plus facile.

Seuls 8 % ont décrit l’IA générative comme suffisamment importante pour que sa disparition rende leur travail beaucoup plus difficile. Il s’agit d’un groupe significatif, mais bien plus restreint que les 63 % ayant essayé cette technologie.

Ces résultats compliquent l’enquête de Deloitte UK sur les dépenses liées à l’IA. Les employés paient pour des outils avant que la population active n’ait démontré des gains de productivité constants. Les dépenses révèlent autant une valeur d’option perçue qu’une valeur commerciale démontrée.

Un abonnement permet à un travailleur de conserver l’accès aux nouveaux modèles et aux nouvelles fonctionnalités. Il peut servir d’assurance pour des missions difficiles, même lorsque les bénéfices quotidiens restent limités. Une personne peut conserver un service parce qu’il a bien traité une tâche urgente.

La valeur peut aussi être psychologique. L’IA générative offre un point de départ lorsqu’un document vierge ou une question inconnue ralentit l’avancement. Le travailleur peut se sentir plus capable sans produire un résultat que les mesures de performance traditionnelles peuvent facilement isoler.

Lorsque du temps est gagné, les employeurs n’en captent pas l’intégralité. Deloitte a constaté que 27 % des personnes gagnant du temps en consacraient au moins une partie à des tâches personnelles. Environ la moitié utilisaient le temps économisé pour accomplir davantage du même travail.

Ce résultat n’est pas nécessairement du gaspillage. De courtes pauses peuvent réduire la fatigue, tandis qu’une réalisation plus rapide des tâches peut améliorer la satisfaction professionnelle. Toutefois, cela rend le calcul du rendement financier plus difficile à partir des seules heures de travail.

Les employeurs devraient donc éviter de traiter les chiffres d’adoption comme des indicateurs de productivité. Le nombre de comptes, de prompts ou d’utilisateurs actifs dit peu de choses sur l’amélioration effective du travail. Une évaluation fiable devrait examiner la qualité des résultats, le temps de cycle, les taux d’erreur et l’expérience des employés.

Les résultats de Deloitte fournissent une base utile, et non un verdict final. Son cycle d’enquête prévu tous les six mois devrait montrer si l’expérimentation se transforme en dépendance. Il pourrait aussi révéler si la formation aide les utilisateurs à dépasser les e-mails, la recherche et les résumés.

D’ici là, l’estimation de 958 millions de livres sterling ne devrait pas être présentée comme la preuve d’un gain économique tout aussi important. Elle mesure des dépenses déduites de comportements autodéclarés. Elle ne calcule ni le bénéfice, ni la production, ni le retour sur investissement.

Le secret s’accentue lorsque les travailleurs redoutent la réaction des managers

L’IA fantôme est en partie une question de sécurité, mais les données de Deloitte en font aussi une question de confiance au travail.

Près d’un quart des travailleurs, soit 23 %, pensaient qu’un stigmate était associé à l’utilisation de l’IA générative au travail. Parmi les utilisateurs hebdomadaires, 64 % craignaient que les managers concluent que l’IA pouvait accomplir leur travail.

Cette inquiétude donne aux employés une raison de cacher les flux de travail efficaces. Un travailleur qui économise plusieurs heures peut s’attendre à recevoir davantage de missions, à voir son rôle révisé ou à être confronté à des questions sur les effectifs. Partager ce gain peut sembler personnellement risqué.

Le secret empêche alors l’organisation d’apprendre quels flux de travail créent de la valeur. Les managers ne voient ni l’expérimentation réussie ni ses limites. Les équipes de sécurité perdent également la possibilité d’évaluer le traitement des données avant que la pratique ne se propage.

Hayley McKelvey, directrice IA de Deloitte UK, a déclaré que les travailleurs qui se sentent stigmatisés sont plus susceptibles de dissimuler leur utilisation. Son argument relie les signaux culturels à la gestion des risques. On ne peut pas attendre des employés qu’ils divulguent leurs expérimentations lorsque cette divulgation paraît menaçante.

La communication de la direction reste faible. Selon les recherches de Deloitte sur la formation, 65 % des utilisateurs n’avaient pas entendu leurs dirigeants parler de l’IA générative avec une compréhension claire.

Ce groupe incluait des personnes recevant des messages incohérents et d’autres n’entendant rien du tout. Dans les deux cas, les employés reçoivent peu d’aide pour distinguer les usages encouragés de ceux qui sont inacceptables.

Il en résulte un environnement de travail contradictoire. Les dirigeants peuvent publiquement exiger l’adoption de l’IA tandis que les managers se méfient en privé du travail assisté par l’IA. Les employés entendent que la technologie est stratégique, mais ne reçoivent aucune règle stable pour l’appliquer.

Les préoccupations liées à la qualité peuvent renforcer cette méfiance. Les managers peuvent rencontrer un travail faible généré par l’IA et réagir en décourageant toute utilisation. Les utilisateurs compétents deviennent alors moins disposés à expliquer comment ils combinent modèles, sources et révision humaine.

Une meilleure réponse commence par la séparation entre assistance et responsabilité. Les travailleurs peuvent utiliser l’IA pour générer des options, réorganiser des notes, résumer du contenu ou rédiger des formulations. Ils restent responsables de vérifier le résultat et de protéger les informations restreintes.

La divulgation doit également obéir à des règles proportionnées. Exiger un rapport formel pour chaque suggestion orthographique créerait une friction inutile. Les décisions à fort impact, les données confidentielles ou les affirmations publiées à l’extérieur méritent une documentation plus rigoureuse.

La formation devrait s’appuyer sur des scénarios de travail réels. Des démonstrations génériques n’expliquent pas à un recruteur, un ingénieur logiciel, un responsable marketing ou un administrateur de santé en quoi leurs risques diffèrent. Les politiques deviennent crédibles lorsque les travailleurs peuvent les appliquer à leurs tâches réelles.

Deloitte a constaté que 51 % de la population active élargie déclaraient qu’une formation encouragerait une utilisation plus fréquente de l’IA. Seuls 20 % des utilisateurs actuels se considéraient comme très compétents. Cela laisse une marge importante pour un accompagnement structuré sans imposer l’adoption.

Les employeurs peuvent également faciliter l’utilisation de systèmes approuvés avec les informations internes. Un flux de travail fragmenté pousse souvent les employés à copier du contenu entre des applications et des chatbots externes. Un meilleur knowledge blending peut réduire cette friction tout en préservant le contexte nécessaire à des réponses utiles.

Cependant, un système approuvé ne devrait pas devenir un prétexte pour surveiller chaque question. Un suivi excessif peut reproduire la même crainte qui a motivé l’utilisation de l’IA fantôme. La gouvernance doit être transparente sur ce qui est enregistré, qui peut l’examiner et pourquoi.

C’est ici que le chiffre des dépenses personnelles devient particulièrement révélateur. Les travailleurs n’apportent pas seulement leurs propres logiciels. Ils utilisent leur argent personnel pour préserver leur choix et leur vie privée quant à la manière dont ils accomplissent le travail qui leur est confié.

Les employeurs qui répondent uniquement par des restrictions risquent d’approfondir la fracture. Ceux qui ignorent ce comportement acceptent une exposition non gérée. Le juste milieu praticable combine des outils utiles, des limites claires, une formation concrète et une protection crédible contre les représailles.

Ce que l’enquête de Deloitte sur l’IA fantôme ne peut pas prouver

L’enquête établit un vaste schéma de comportements déclarés, mais ses chiffres les plus marquants restent des estimations plutôt que des transactions directement observées ou des relevés de productivité.

Le chiffre de 958 millions de livres sterling a été extrapolé à partir d’une enquête en ligne. Deloitte n’a pas examiné les relevés bancaires, les notes de frais ou les revenus des fournisseurs. L’estimation dépend de la capacité des répondants à déclarer avec précision leurs dépenses et leur utilisation au travail.

Certaines personnes peuvent s’abonner principalement pour des raisons personnelles et utiliser occasionnellement le même service au travail. D’autres peuvent partager des comptes ou passer d’un accès gratuit à un accès payant. Ces situations rendent difficile l’attribution de chaque paiement entièrement à l’emploi.

L’enquête combine également salariés et travailleurs indépendants dans sa définition plus large de la population active. Un professionnel indépendant qui achète un logiciel effectue un achat professionnel via un compte personnel, ce qui diffère d’un salarié qui subventionne un grand employeur.

Deloitte fournit des échantillons distincts pour certaines questions, mais les synthèses publiques ne permettent pas de répondre à chaque question méthodologique. La répartition des dépenses mensuelles aiderait à déterminer si le total reflète des paiements modestes mais largement répandus, ou un groupe plus restreint de gros utilisateurs.

La recherche mesurait une adoption autodéclarée. Les répondants peuvent interpréter l’IA générative différemment, surtout lorsque des fonctionnalités sont intégrées aux moteurs de recherche, aux suites bureautiques, aux téléphones ou à des logiciels spécialisés. Deloitte a inclus une brève définition, mais les frontières de la catégorie restent mouvantes.

De même, utiliser un outil sans que l’employeur le sache n’est pas toujours identique à l’utiliser contre la politique de l’entreprise. Certaines organisations peuvent ne disposer d’aucune politique, et certains managers peuvent tolérer un usage informel. L’IA fantôme recouvre plusieurs situations de gouvernance différentes.

Un article d’actualité distinct a rapporté les mêmes conclusions principales tout en soulignant que les gains de temps n’étaient pas mesurés directement. Cette réserve est importante lorsqu’on relie les dépenses des employés à la productivité.

L’enquête est également arrivée seulement deux jours avant la date de publication de cet article. Les chercheurs indépendants, les groupes de travailleurs, les spécialistes de la sécurité et les employeurs ont eu peu de temps pour examiner ses hypothèses et y répondre.

Deloitte est à la fois un éditeur de recherches et un fournisseur de services de conseil en IA. Cela n’invalide pas les résultats, et Ipsos a mené le travail de terrain. Cela signifie toutefois que les lecteurs devraient distinguer les résultats sous-jacents de l’enquête des recommandations qui s’alignent sur les activités de conseil.

Les affirmations les plus solides restent bien étayées au sein de l’échantillon : l’utilisation est répandue, les paiements personnels existent, la formation est inégale et la visibilité des employeurs est incomplète. Le total national précis des dépenses comporte davantage d’incertitude que ces conclusions directionnelles.

Les enquêtes de suivi prévues rendront la recherche plus utile. Une méthodologie cohérente peut révéler si les dépenses personnelles déclarées augmentent, diminuent ou basculent vers un accès financé par l’employeur. Une seule enquête offre un instantané, tandis que des vagues répétées peuvent établir une tendance.

Des données de transaction indépendantes ajouteraient une autre couche d’analyse. Les fournisseurs, processeurs de paiement et plateformes de gestion des dépenses peuvent observer les comportements d’abonnement, bien qu’ils sachent rarement si un compte personnel soutient un travail rémunéré.

Les employeurs peuvent produire de meilleures preuves internes en combinant des recherches anonymes auprès des travailleurs avec l’utilisation d’outils approuvés et les résultats des flux de travail. Ils devraient éviter de considérer les journaux de surveillance comme une image complète, car les usages cachés resteront difficiles à détecter.

L’enquête de Deloitte sur l’IA fantôme est surtout précieuse comme avertissement sur les angles morts organisationnels. Elle ne devrait pas devenir un prétexte pour affirmer que chaque abonnement est productif ou que chaque prompt non approuvé entraîne une violation.

Trois signaux montreront si les employeurs rattrapent leur retard

La prochaine phase se mesurera au financement, à la formation et à la valeur démontrée, et non à une nouvelle hausse de l’expérimentation informelle.

Le premier signal réside dans l’équilibre entre l’accès financé à titre personnel et celui financé par l’employeur. La prochaine vague d’enquête de Deloitte devrait révéler si le taux d’autofinancement de 17 % diminue. Une baisse accompagnée d’un usage stable indiquerait que les organisations prennent en charge des outils que les travailleurs jugent déjà utiles.

Une baisse provoquée par des blocages restrictifs aurait une tout autre signification. Les employeurs doivent comparer l’utilisation déclarée avec la satisfaction des employés et l’adoption d’outils approuvés. Faute de quoi, une diminution des dépenses visibles pourrait simplement refléter une dissimulation accrue.

Le deuxième signal est de savoir si la formation atteint les travailleurs avant que les politiques ne deviennent des mécanismes de contrôle. La moitié des utilisateurs actuels ont indiqué n’avoir reçu aucune formation officielle, et seuls 28 % ont décrit la politique de leur employeur comme claire, actuelle, connue et accessible.

Si ces indicateurs s’améliorent, les entreprises pourraient réduire les expositions accidentelles de données tout en tirant davantage parti de l’expérimentation. Si la connaissance des politiques progresse sans formation ni accès de confiance, la gouvernance restera un exercice administratif.

Le troisième signal consiste à dépasser la rédaction, la recherche et la synthèse élémentaires. Les données actuelles de Deloitte décrivent une adoption généralisée mais superficielle. La validation la plus convaincante serait une amélioration mesurable des flux de travail complets, et non simplement une production accrue de texte généré.

Les entreprises devraient suivre si l’IA réduit le temps nécessaire à l’achèvement des tâches sans augmenter les corrections, les charges de relecture ou la confusion en aval. Elles devraient également examiner si les bénéfices se manifestent dans tous les rôles ou se concentrent chez des travailleurs techniques déjà qualifiés.

Pour les employés, la question pratique est de savoir si un flux de travail assisté par IA peut être divulgué en toute sécurité. Les travailleurs doivent comprendre quelles informations sont autorisées, comment les résultats doivent être vérifiés et si les alternatives approuvées correspondent aux outils qu’ils utilisent déjà.

Pour les employeurs, la question n’est plus de savoir si l’IA générative a fait son entrée dans le monde du travail. L’enquête de Deloitte UK sur les dépenses liées à l’IA montre que les travailleurs ont déjà tranché cette question à travers des milliers d’achats et d’expérimentations individuels.

Le choix restant porte sur ceux qui façonneront la prochaine étape. Les organisations financeront-elles des outils efficaces et créeront-elles des règles que les travailleurs peuvent suivre, ou laisseront-elles les employés assembler seuls des systèmes non officiels ?

La réponse déterminera si près d’un milliard de livres sterling de dépenses personnelles deviendra un pont vers un meilleur travail ou la preuve d’une fracture durable. Les employeurs devraient commencer par demander aux travailleurs quels outils ils paient, quels problèmes ces outils résolvent et ce qui empêche ce même travail d’être effectué en toute sécurité au sein de systèmes approuvés.