This graduation season, students across the US have been booing AI off the stage. Eric Schmidt got booed at the University of Arizona, a real estate executive got booed at UCF, and a music exec got booed at Middle Tennessee State. According to recent polling, 42% of Gen Z say AI will harm their job opportunities—more than any other generation. But when Jensen Huang talked about AI at Carnegie Mellon, acknowledging the disruption while focusing on what it makes possible, nobody booed. Same topic, completely different reaction, which tells you that the messenger and the framing matter at least as much as the message itself.
Adeline: This isn’t people rejecting technology, it’s people rejecting the way technology is being sold to them, as an inevitability they should be grateful for, by people who won’t bear the costs of getting it wrong. I understand the frustration, and I agree that some people will lose their jobs. But this kind of disruption has happened before, and it’s also a huge opportunity to get ahead by mastering skills that not many people have yet, precisely because the tool is so new. For me, the deeper discontent is that the benefits of AI will be concentrated in the hands of a few—but that’s a different conversation, and one worth having separately.
Here’s the adoption paradox in one stat: 82% of enterprise leaders say they offer AI training, and yet 59% still report an AI skills gap. Only 32% of individual contributors say they even have access to AI tools, compared to 80% of the C-suite. Leadership thinks training is happening while the people doing the work say it’s irrelevant to what they actually do all day.
Suzanne: The reason is pretty simple—nobody asked the frontline staff what problem needed solving before buying the solution. Organizations are throwing tools at people and expecting them to figure it out, and even when the tool would genuinely help, people are nervous about AI, they don’t know how to use it properly, and they want to keep the human in the loop. That’s a phrase we hear constantly in our work with government agencies.
Adeline: The attitude I’ve encountered at the European Parliament and at the ESM is similar but has a specific flavor. Some officials genuinely don’t believe AI can do as good a job as they can, and beyond that, they’re afraid of losing the ability to think. They don’t want to outsource drafting emails to AI because they don’t want to lose their writing skills. Richard Susskind makes the point in How to Think About AI that we’ve long accepted machines outperforming us physically—it’s the intellectual competition we resist. EU public sector AI adoption lags behind global peers, and French public servants largely don’t expect AI to improve their efficiency. Different system, same disconnect.
And the resistance isn’t just a matter of sentiment anymore—it’s showing up as concrete action on both continents. In the US, 360,000 Americans have joined Facebook groups opposing data centers, voters in Festus, Missouri ousted four city council members after they approved a $6 billion data center project, and nearly half of all planned data centers in 2026 have been delayed or cancelled. In Europe, more than 25 data center projects were blocked or delayed in January alone, with rural communities packing town halls over electricity prices, water use, and tax breaks handed to Big Tech. People aren’t rejecting AI as a concept—they’re rejecting being told it’s inevitable while they bear the costs and see none of the benefit. That’s not a technology problem, it’s an adoption failure.
Suzanne: Here’s the part that doesn’t get enough attention: in government, the AI-and-jobs conversation is already moot. No matter what you agree with politically, agencies have lost significant headcount and the work hasn’t gone away. This isn’t about fear of losing jobs—the people are already gone. Meanwhile, federal agencies are rushing to deploy AI while sitting on years of governance debt, from naming conventions that have never been standardized to retention policies that aren’t enforced to roles and responsibilities that exist on paper but not in practice. The remaining workforce needs help handling the load, and AI isn’t a threat to their jobs—it’s potentially the only way they survive the workload. But only if it’s deployed in a way that actually helps them do their work, not in a way that adds one more tool to learn on top of everything else.
Neither side of the Atlantic has figured this out. The US approach is to deploy first and fix later, prioritizing speed over readiness, and the backlash is catching up fast. The EU approach is to regulate first and deploy cautiously, but even that isn’t working—the AI Act just got a 16-month enforcement delay after companies like ASML, Airbus, and SAP warned that Europe was regulating itself out of the race.
Adeline: And within EU institutions themselves, the pattern is even more cautious: many won’t deploy tools until they have the full governance plan in place, which means they’re still planning while the work piles up.
The US moves too fast for its people, and the EU moves too slow for its ambitions.
Suzanne: So, what actually works? In our experience, it’s not a framework and it’s not a mandate from the top—it’s a mindset shift. Instead of rolling out AI as a capital-T Transformation, you start with a specific pain point, something concrete that real people are struggling with today, and you solve that first.
We think of it as crawl, walk, run. Crawl means finding the pain point and starting with a small group of super users—people who are excited, who’ve already brought use cases to the table—and delivering a win within days rather than weeks. Something simple, like a summary that used to take hours or a status indicator that required digging through five different systems. The goal is to make it undeniable that this actually helps the people using it.
Walk means expanding outward once those early users are bought in. You add structure, automate the workflows around the quick wins, and start connecting data sources. The super users become your evangelists, not because anyone asked them to sell AI, but because they’re showing their colleagues that it made their work easier in ways they can point to.
Run means you’ve earned the right to talk about the bigger stuff—predictive analytics, risk identification, executive dashboards—not because you started there, but because you built a foundation of trust and utility that makes mission-level intelligence possible.
You can’t boil the ocean your way to adoption, and you can’t mandate it from the top and expect people to thank you. You have to start where people are, solve what they actually need, and earn your way to the bigger vision. The question isn’t whether AI will be adopted—it’s whether anyone will bother to do it in a way that people actually want to use.
Cette année, lors des remises de diplômes, des étudiants américains ont hué l'intelligence artificielle. Eric Schmidt a été hué à l'Université d'Arizona, un promoteur immobilier à l'UCF et un cadre de l'industrie musicale à Middle Tennessee State. Selon un récent sondage, 42 % de la génération Z estiment que l'IA nuira à leurs perspectives d'emploi, un pourcentage plus élevé que pour toute autre génération. Pourtant, lorsque Jensen Huang a abordé le sujet de l'IA à Carnegie Mellon, reconnaissant les bouleversements qu'elle engendre tout en insistant sur ses applications, personne ne l'a hué. Même sujet, réaction radicalement différente : la preuve que le messager et la manière de présenter les choses comptent au moins autant que le message lui-même.
Adeline : Il ne s’agit pas d’un rejet de la technologie en soi, mais d’un rejet de la manière dont elle est présentée, comme une fatalité dont on devrait se réjouir, par des personnes qui refusent d’assumer les conséquences d’une erreur. Je comprends la frustration, et je reconnais que certaines personnes perdront leur emploi. Mais ce genre de bouleversement s’est déjà produit, et c’est aussi une formidable opportunité de se démarquer en maîtrisant des compétences encore peu répandues, précisément parce que l’outil est nouveau. Pour moi, le mécontentement plus profond réside dans le fait que les bénéfices de l’IA seront concentrés entre les mains de quelques-uns – mais c’est un autre sujet, qui mérite d’être abordé séparément.
Voici le paradoxe de l'adoption de l'IA résumé en une statistique : 82 % des dirigeants d'entreprise affirment proposer des formations en IA, et pourtant, 59 % d'entre eux constatent encore un déficit de compétences dans ce domaine. Seuls 32 % des utilisateurs déclarent avoir accès à des outils d'IA, contre 80 % des cadres supérieurs. La direction a l'impression que la formation est dispensée, tandis que les employés sur le terrain la jugent inutile au regard de leurs activités quotidiennes.
Suzanne : La raison est simple : personne n’a consulté le personnel de terrain avant d’acheter la solution pour identifier le problème à résoudre. Les entreprises imposent des outils aux employés en espérant qu’ils se débrouillent, et même lorsque l’outil serait réellement utile, les gens sont réticents face à l’IA, ils ne savent pas l’utiliser correctement et ils veulent garder l’humain au centre du processus. C’est une remarque que nous entendons constamment dans notre travail avec les agences gouvernementales.
Adeline : L'attitude que j'ai constatée au Parlement européen et au MES est similaire, mais avec une nuance particulière. Certains fonctionnaires ne croient sincèrement pas que l'IA puisse être aussi performante qu'eux et, de plus, ils craignent de perdre leur capacité de réflexion. Ils refusent de déléguer la rédaction de leurs courriels à l'IA car ils ne veulent pas perdre leurs compétences rédactionnelles. Richard Susskind souligne dans son ouvrage « How to Think About AI » que nous acceptons depuis longtemps que les machines nous surpassent physiquement ; c'est la compétition intellectuelle à laquelle nous résistons. L'adoption de l'IA dans le secteur public européen est en retard par rapport à ses homologues internationaux, et les fonctionnaires français, dans leur grande majorité, ne s'attendent pas à ce que l'IA améliore leur efficacité. Systèmes différents, même décalage.
Et la résistance n'est plus seulement une question de sentiments : elle se traduit par des actions concrètes sur les deux continents. Aux États-Unis, 360 000 Américains ont rejoint des groupes Facebook opposés aux centres de données ; à Festus, dans le Missouri, les électeurs ont destitué quatre conseillers municipaux après l'approbation d'un projet de centre de données de 6 milliards de dollars ; et près de la moitié des centres de données prévus pour 2026 ont été retardés ou annulés. En Europe, plus de 25 projets de centres de données ont été bloqués ou retardés rien qu'en janvier, et les communautés rurales ont envahi les mairies pour protester contre les prix de l'électricité, la consommation d'eau et les avantages fiscaux accordés aux géants de la tech. Les gens ne rejettent pas l'IA en tant que concept ; ils refusent qu'on leur dise qu'elle est inévitable alors qu'ils en supportent les coûts sans en retirer aucun bénéfice. Ce n'est pas un problème technologique, c'est un échec d'adoption.
Suzanne : Voici un point souvent négligé : au sein du gouvernement, le débat sur l’IA et l’emploi est déjà clos. Quelles que soient vos opinions politiques, les agences ont subi d’importantes réductions d’effectifs, et le travail, lui, est toujours là. Il ne s’agit pas de craindre de perdre son emploi : les personnes concernées sont déjà parties. Parallèlement, les agences fédérales se précipitent pour déployer l’IA, alors qu’elles croulent sous des années de problèmes de gouvernance : conventions de dénomination jamais standardisées, politiques de fidélisation non appliquées, rôles et responsabilités définis sur le papier mais jamais en pratique. Le personnel restant a besoin d’aide pour gérer la charge de travail, et l’IA ne menace pas leurs emplois ; elle est potentiellement leur seule solution pour y faire face. Mais seulement si elle est déployée de manière à réellement les aider dans leur travail, et non comme un outil supplémentaire à maîtriser.
Aucun des deux côtés de l'Atlantique n'a trouvé la solution. Aux États-Unis, on privilégie le déploiement à la correction, en misant sur la rapidité plutôt que sur la préparation, et les critiques se font rapidement sentir. L'UE, quant à elle, privilégie la réglementation à la prudence, mais même cette approche ne fonctionne pas : la loi sur l'IA a vu son entrée en vigueur reportée de 16 mois après que des entreprises comme ASML, Airbus et SAP ont averti que l'Europe, en se surréglementant, s'éliminait d'elle-même de la course.
Adeline : Et au sein même des institutions de l’UE, la tendance est encore plus prudente : beaucoup n’adopteront aucun outil tant que leur plan de gouvernance complet ne sera pas en place, ce qui signifie qu’elles sont encore en phase de planification tandis que le travail s’accumule.
Les États-Unis vont trop vite pour leur population, et l'UE va trop lentement pour ses ambitions.
Suzanne : Alors, concrètement, qu’est-ce qui fonctionne ? D’après notre expérience, ce n’est ni un cadre prédéfini ni une directive imposée par la direction, mais un changement de mentalité. Au lieu de déployer l’IA comme une transformation radicale, il faut commencer par un problème précis, un souci concret auquel les gens sont confrontés aujourd’hui, et le résoudre en premier.
Nous l'envisageons comme une progression en trois étapes : ramper, marcher, courir. La première étape consiste à identifier le problème et à commencer avec un petit groupe d'utilisateurs experts – des personnes enthousiastes qui ont déjà proposé des cas d'utilisation concrets – afin d'obtenir un résultat concret en quelques jours plutôt qu'en quelques semaines. Il peut s'agir d'une solution simple, comme un résumé qui prenait auparavant des heures ou un indicateur de statut qui nécessitait de fouiller dans cinq systèmes différents. L'objectif est de démontrer clairement que cette solution est réellement utile aux utilisateurs.
Une fois les premiers utilisateurs convaincus, l'étape suivante consiste à étendre le réseau. On structure les processus, on automatise les flux de travail pour obtenir des résultats rapides et on commence à connecter les sources de données. Les utilisateurs les plus expérimentés deviennent alors vos ambassadeurs, non pas parce qu'on leur a demandé de promouvoir l'IA, mais parce qu'ils démontrent à leurs collègues, par des exemples concrets, à quel point elle a simplifié leur travail.
« Run » signifie que vous avez gagné le droit de parler de sujets plus importants — analyses prédictives, identification des risques, tableaux de bord de direction — non pas parce que vous avez commencé par là, mais parce que vous avez bâti une base de confiance et d’utilité qui rend possible l’analyse au niveau de la mission.
On ne peut pas imposer l'adoption de l'IA par la seule force de la pensée, ni la décréter d'en haut en espérant des remerciements. Il faut partir de là où en sont les gens, répondre à leurs besoins réels et progresser vers une vision plus globale. La question n'est pas de savoir si l'IA sera adoptée, mais si quelqu'un se donnera la peine de la développer d'une manière qui réponde réellement aux attentes des utilisateurs.