Dans beaucoup d’entreprises, la question « faut-il se lancer dans l’IA ? » est déjà dépassée, sans que la direction le sache. Un commercial reformule ses propositions avec un assistant conversationnel. Une comptable fait résumer des contrats fournisseurs. Un développeur colle des extraits de code dans un outil en ligne pour trouver un bug. Personne n’a rien demandé, personne n’a rien validé, et tout le monde y gagne du temps.

C’est ce qu’on appelle le shadow AI : l’usage d’outils d’IA en dehors de tout cadre défini par l’entreprise. Le phénomène n’est pas nouveau dans son principe, on parlait déjà de shadow IT pour les outils cloud adoptés sans l’accord de la DSI. Mais l’IA générative l’a rendu massif, en quelques mois, parce que ces outils sont gratuits, accessibles depuis n’importe quel navigateur, et immédiatement utiles.

Pourquoi le shadow AI existe

Le premier réflexe est souvent de voir le shadow AI comme un problème de discipline. C’est une erreur de diagnostic. Si les équipes utilisent ces outils sans attendre, c’est qu’ils répondent à un vrai besoin : rédiger plus vite, synthétiser des documents longs, traduire, débloquer une tâche technique. Le shadow AI est d’abord le signe que l’offre interne ne suit pas la demande.

Interdire purement et simplement ne règle rien. L’usage se déplace sur les téléphones personnels et les ordinateurs de la maison, il devient invisible, et l’entreprise perd toute possibilité de l’encadrer. Le risque ne disparaît pas : il change simplement de place.

Le shadow AI n’est pas un problème de discipline. C’est un besoin réel qui n’a pas encore trouvé de cadre.

Ce que le shadow AI expose réellement

  • La confidentialité des données : un contrat client, une grille de salaires ou un code source collé dans un outil grand public peut être conservé, et selon les réglages, servir à améliorer le modèle. L’entreprise n’a aucun contrat avec le fournisseur, donc aucune garantie.
  • La conformité : envoyer des données personnelles à un service non encadré, c’est un traitement sans base documentée, sans accord de sous-traitance, parfois avec un transfert hors de l’Union européenne. Autant de points difficiles à justifier en cas de contrôle.
  • La qualité : une réponse générée peut contenir des erreurs plausibles. Sans règle de relecture, une approximation peut se retrouver dans une offre commerciale, une note juridique ou un mail client.
  • La propriété intellectuelle : code, stratégie, savoir-faire, ce qui fait la valeur de l’entreprise peut sortir sans que personne ne s’en rende compte.
  • Les outils inconnus : au-delà des grands assistants, il y a les extensions de navigateur, les transcripteurs de réunion, les outils « propulsés par l’IA » intégrés à d’autres logiciels. Ce sont souvent les moins visibles et les moins sûrs.

Commencer par regarder, pas par interdire

Avant de rédiger la moindre règle, il faut savoir ce qui se passe réellement. Un état des lieux simple suffit souvent : un questionnaire anonyme aux équipes sur les outils qu’elles utilisent et pour quoi faire, complété si possible par une analyse des services d’IA consultés depuis le réseau de l’entreprise. Le ton compte : l’objectif est de comprendre les besoins, pas de trouver des coupables. Une équipe qui craint la sanction ne dira rien.

Cet inventaire révèle presque toujours deux choses : les usages sont plus nombreux que prévu, et la plupart sont légitimes. Il fait aussi apparaître les quelques cas réellement problématiques, ceux où des données sensibles circulent, sur lesquels concentrer l’effort.

Les quatre piliers d’un usage encadré

  • Une alternative officielle : mettre à disposition un ou plusieurs outils sous contrat professionnel, avec non-réutilisation des données et accord de traitement signé. C’est la mesure la plus efficace : quand l’outil validé est aussi pratique que l’outil gratuit, l’usage sauvage diminue de lui-même.
  • Une politique d’usage courte et claire : une page, pas un règlement de trente pages. Quels outils sont autorisés, quelles données ne doivent jamais y être saisies (données personnelles de clients, informations financières non publiques, secrets techniques), et quand une relecture humaine est obligatoire.
  • La formation : expliquer concrètement pourquoi ces règles existent, avec des exemples tirés du quotidien des équipes. Une règle comprise est une règle appliquée.
  • Un circuit de validation rapide : quand quelqu’un découvre un nouvel outil utile, il doit pouvoir le faire évaluer en quelques jours, pas en quelques mois. Sinon, il l’utilisera quand même.

Un exemple concret

Dans une PME de services d’une centaine de personnes, l’état des lieux fait apparaître une dizaine d’outils d’IA différents, utilisés par environ la moitié des équipes. La majorité sert à de la rédaction et de la synthèse. Deux usages posent problème : le service RH fait résumer des entretiens annuels nominatifs dans un outil gratuit, et le service commercial utilise une extension qui lit toute la messagerie.

La réponse n’est pas une interdiction générale. L’entreprise déploie un assistant sous contrat professionnel, hébergé en Europe, accessible à tous, publie une politique d’une page, organise une session de formation d’une heure par service, et traite spécifiquement les deux cas sensibles : l’extension est retirée, et les RH disposent d’un outil validé avec pseudonymisation. Quelques semaines plus tard, l’essentiel des usages est passé sur l’outil officiel, et l’entreprise sait enfin ce qui se fait avec ses données.

Notre recommandation

Si vous n’avez pas encore de politique d’usage de l’IA, partez du principe que vos équipes utilisent déjà ces outils. La question n’est donc pas d’autoriser ou d’interdire, mais de choisir entre un usage invisible et un usage encadré. Commencez par un état des lieux sans jugement, proposez une alternative aussi simple que les outils gratuits, et fixez quelques règles claires sur les données. C’est un projet de quelques semaines, et c’est souvent le meilleur point de départ d’une démarche IA sérieuse.