En Australie, le fossé entre ce que les PME annoncent et ce qu’elles font mesure quelque chose de plus important que leur retard technologique. L’Australian Bureau of Statistics rapporte que 12 % des entreprises employeuses ont déclaré utiliser l’IA en 2024-25; l’enquête ne mesure ni l’intensité ni l’intégration opérationnelle de cet usage ; les enquêtes déclaratives en comptent 44 %. L’enquête D4SME 2026 porte sur un échantillon non représentatif de plus de 2 000 PME dans 12 pays de l’OCDE, et ils signalent un mécanisme précis : l’adoption déclarée reste souvent superficielle, sans intégration organisationnelle systématique.

L’essentiel

  • Les chiffres de 12 % et 44 % proviennent de dispositifs et de définitions différents; ils ne constituent pas un indicateur ABS direct de l’écart entre adoption déclarée et usage opérationnel.
  • L’enquête D4SME 2026 couvre 12 pays de l’OCDE et identifie des freins récurrents : les coûts de maintenance (39 %) et le manque de temps pour la formation (38 %).
  • La pression concurrentielle perçue est associée à une probabilité plus élevée d’usage de l’IA dans l’échantillon japonais, sans preuve causale sur l’influence des pairs ou les transformations internes.
  • Sur les quatre prochaines années, trois trajectoires sont possibles : statu quo avec concentration des gains dans les grandes entreprises, intervention publique sur la capacité organisationnelle, ou baisse brutale du coût des outils, chacune redistribuant différemment les avantages.
  • L’indicateur à surveiller n’est pas le taux d’équipement, mais la part des PME mesurant un gain de productivité effectif après adoption.

Les PME annoncent, les statistiques mesurent autre chose

L’Australian Bureau of Statistics demande si l’IA figure parmi les technologies utilisées par l’entreprise; il n’examine pas spécifiquement son intégration dans les processus de production, de gestion ou de relation client. Les deux enquêtes utilisent des définitions et des échelles différentes.

Les enquêtes déclaratives posent des questions ouvertes sur l’adoption. Une PME qui utilise un logiciel comptable avec une fonction de détection d’anomalies, ou un outil de traduction automatique pour ses courriels, peut légitimement cocher la case « IA ». Une PME qui a souscrit à une licence ChatGPT pour un seul employé peut faire de même. L’Australian Bureau of Statistics mesure une utilisation déclarée d’IA parmi les technologies ICT, non l’intégration opérationnelle.

Les dirigeants qui déclarent l’adoption sans la pratiquer répondent à une pression réelle : leurs fournisseurs mentionnent l’IA, leurs concurrents l’annoncent, les associations sectorielles la recommandent. La déclaration d’adoption peut refléter une souscription à des outils sans transformation interne. Ce comportement organisationnel est distinct d’une simple querelle de définition.

Le National AI Centre australien, qui suit ce phénomène depuis 2023, observe que les PME les plus promptes à déclarer l’adoption sont aussi celles qui ont le moins formalisé leurs processus, précisément parce qu’elles n’ont pas de référentiel pour distinguer ce qui change de ce qui ne change pas.

39 % bloqués sur la maintenance, 38 % sur les compétences

L’enquête D4SME 2026 documente les freins à l’adoption numérique et les différents niveaux d’intégration de l’IA. Deux blocages dominent. Dans 12 pays, 39 % des répondants citent les coûts de maintenance des logiciels ou services techniques parmi les obstacles à l’utilisation d’outils numériques. 38 % des répondants identifient le manque de temps pour la formation comme obstacle important à l’adoption numérique.

Ces deux chiffres méritent d’être lus ensemble. Une PME qui achète une solution IA clé en main peut l’installer sans compétence particulière. Elle ne peut pas, en revanche, la faire évoluer quand ses processus changent, la corriger quand elle produit des erreurs, ou l’étendre à un nouveau département. C’est à ce stade que la plupart s’arrêtent. L’outil reste dans son périmètre initial, souvent marginal, et n’atteint jamais les fonctions qui créeraient de la valeur mesurable.

Ce phénomène n’est pas propre aux PME techniquement peu sophistiquées. Les données de Weel, qui agrège des transactions commerciales australiennes, montrent qu’en juin 2026, les dépenses IA des PME se concentrent sur trois catégories d’outils : génération de texte, traitement d’image et automatisation des emails. Ces trois usages ont en commun d’être périphériques aux processus métier : ils améliorent la forme, rarement le fond.

Une PME qui automatise la rédaction de ses propositions commerciales gagne du temps. Elle ne gagne pas de clients supplémentaires si sa capacité d’analyse des besoins clients reste inchangée. L’outil IA, dans ce cas, optimise un goulot d’étranglement mineur sans toucher aux goulots majeurs.

Ce que cela produit, à l’échelle d’une économie, est une diffusion en surface. L’IA double son adoption en Europe, mais elle y reste concentrée dans les grandes entreprises : les données disponibles ne permettent pas de déterminer si la dynamique australienne suit le même schéma d’intégration. L’OCDE observe des associations entre taille, maturité et usage de l’IA, sans établir la chaîne causale vers des gains mesurables. Les PME, en majorité, restent à la marge de leurs propres investissements.

Le mimétisme sectoriel comme moteur d’adoption factice

Une PME déclare utiliser l’IA sans l’utiliser vraiment en raison de la structure des incitations dans les secteurs en transformation rapide.

Dans les secteurs où la signalisation technologique compte, services financiers, conseil, logistique, immobilier commercial, afficher une capacité IA est devenu un critère de sélection. Les appels d’offres le mentionnent. Les investisseurs le demandent. Les partenaires l’attendent. Un dirigeant de PME qui répond honnêtement « nous n’utilisons pas encore l’IA » se disqualifie avant même d’entrer en discussion.

Ce mécanisme est rationnel au niveau de la firme individuelle. Il est coûteux au niveau du secteur. Un écart entre déclaration et usage affecte la fiabilité des agrégats statistiques pour les décisions stratégiques.

C’est pourquoi l’écart déclaration-usage est un indicateur plus précieux que le taux d’équipement brut. Un secteur où 44 % déclarent et 12 % utilisent a un problème différent d’un secteur où 20 % déclarent et 18 % utilisent. Dans le premier cas, la pression de conformité est forte et la capacité réelle faible. Dans le second, la diffusion est lente mais solide.

Le National AI Centre australien a commencé à construire un suivi de cet écart, secteur par secteur. C’est une méthode qui mériterait d’être adoptée par les instituts statistiques nationaux dans toute l’OCDE, et l’enquête D4SME 2026 suggère que plusieurs pays commencent à y réfléchir.

Trois trajectoires pour les quatre prochaines années

L’écart actuel entre adoption déclarée et usage réel peut évoluer dans des directions très différentes selon les choix publics et les dynamiques de marché des prochaines années.

Le premier scénario est la continuité. L’écart reste stable, les outils continuent de se diffuser en surface, et les gains de productivité se concentrent dans les entreprises qui avaient déjà les capacités organisationnelles pour les capter. Ce sont les grandes firmes et les PME les plus structurées. Les autres acquièrent des licences, les renouvellent par habitude, et n’en tirent pas grand-chose. Sur quatre ans, cela produit une stratification : les entreprises capables s’améliorent plus vite que les autres, et l’écart de compétitivité entre grandes et petites firmes s’élargit par le haut plutôt que par le bas.

L’expérience allemande avec la robotique industrielle montre que cette concentration n’est pas une fatalité, mais elle a nécessité un accompagnement structuré sur plus d’une décennie.

Le deuxième scénario est l’intervention publique ciblée sur la capacité organisationnelle. L’Australie dispose déjà d’un opérateur dédié avec le National AI Centre, mais son financement reste limité. Si les programmes se concentrent sur la formation des équipes dirigeantes et la formalisation des processus, et non sur les subventions à l’achat d’outils, l’écart peut se réduire dans les secteurs ciblés. Le modèle allemand de centres de compétences sectoriels, évalués sur l’usage réel et non sur le nombre d’entreprises touchées, offre un référentiel praticable. Ce scénario exige des indicateurs de succès différents : pas le taux d’équipement, mais la part des PME mesurant un gain de productivité effectif à douze mois.

Le troisième scénario est la baisse rapide du coût des outils. Si les outils IA généralistes deviennent suffisamment simples et bon marché pour être utilisés sans compétences techniques particulières, ce que certains fournisseurs visent explicitement pour 2027-2028, l’adoption réelle pourrait augmenter sans intervention publique. Le risque associé est la standardisation : des milliers de PME utilisant les mêmes outils de la même façon ne créent pas d’avantage concurrentiel différencié. Elles réduisent leurs coûts marginaux mais convergent vers des offres similaires, ce qui déplace la concurrence vers d’autres dimensions, prix, relation client, localisation, sans nécessairement améliorer la productivité globale du tissu économique.

Ces trois scénarios ne sont pas mutuellement exclusifs. La baisse des coûts peut se combiner avec une intervention ciblée, produisant une adoption plus large et mieux accompagnée. Mais les conditions initiales comptent : un tissu de PME qui a pris l’habitude de déclarer sans utiliser est plus difficile à accompagner qu’un tissu qui n’a pas encore adopté le vocabulaire.

Limites actuelles des statistiques officielles

L’écart entre déclaration et usage révèle une lacune dans les instruments de mesure disponibles. La plupart des instituts statistiques nationaux mesurent l’équipement technologique depuis des décennies, avec des méthodes conçues pour des technologies dont l’usage était binaire : posséder ou non un ordinateur, être ou non connecté. L’IA pose un problème différent : l’outil peut être présent sans être intégré, souscrit sans être utilisé, utilisé sans être transformateur.

La distinction de niveaux d’intégration est documentée par la taxonomie OCDE-G7. L’enquête ABS publiée ne distingue ni souscription, ni usage occasionnel, ni intégration opérationnelle. Les 12 % correspondent à une utilisation d’IA déclarée, sans classement par degré d’intégration.

L’OCDE présente la taxonomie comme un cadre pour distinguer les niveaux d’intégration et adapter les politiques, sans recommandation explicite de standard national. Si cette recommandation est suivie, les données disponibles dans deux ou trois ans permettront de comparer les trajectoires entre pays avec une précision inédite : quelle politique a réduit l’écart, dans quel secteur, à quel coût.

Le signal le plus utile à surveiller d’ici 2027 sera la publication par l’Australian Bureau of Statistics de sa prochaine enquête avec la même méthode de mesure de l’usage effectif, et non l’annonce de nouveaux programmes de soutien à l’adoption IA. Si l’écart se réduit, cela indiquera que les dispositifs en place produisent des effets concrets. S’il reste stable, la pression de conformité sectorielle continuera de dominer les effets des politiques publiques, et ces politiques devront changer de nature.

Les PME australiennes annoncent déjà l’adoption de l’IA. La question porte sur celles qui transformeront cette annonce en capacité réelle, et sur la capacité des politiques publiques à accompagner cette transformation plutôt qu’à financer l’annonce. Ce glissement entre financement de l’outil et financement de la capacité constitue l’arbitrage central des quatre prochaines années pour les économies qui veulent que la diffusion de l’IA produise autre chose qu’un effet de signal sectoriel.

Sources

  1. ScaleSuite – AI Adoption in Australian SMEs (Australian Bureau of Statistics + National AI Centre data)
  2. OCDE – D4SME Survey 2026 (Digital for SMEs), données sur les blocages à l’adoption effective
  3. National AI Centre Australie – AI Adoption Tracker 2023-2026
  4. Weel – Données de transactions commerciales australiennes, juin 2026