Ne cherchez pas à tout révolutionner d’un coup : plaidoyer pour une IA raisonnée

Nous avons déjà vécu ça. Le déploiement d’ERP qui allait unifier toute l’organisation. De plus, la mise en place du CRM qui allait transformer le processus commercial. L’initiative de transformation digitale a absorbé trois ans, deux cabinets de conseil et un budget dont plus personne ne veut parler.

À chaque fois, l’histoire suit le même arc : une dépense conséquente, une annonce confiante, puis le silence radio. Ensuite, il y a le post-mortem où la direction fait porter la faute à la technologie. Spoiler : ce n’est pas la technologie. Aucune technologie ne peut être tenue responsable. Alors comment pourrait-elle raisonnablement être en cause ? C’est presque toujours l’échec à bien mettre en œuvre, à investir proportionnellement, et à accompagner les équipes dans le changement.

Aujourd’hui, tout le monde ne veut parler que de l’IA et du futur du travail, et la conversation a une urgence difficile à ignorer. L’IA est une technologie réellement puissante, mais elle est encore nouvelle et encore en évolution. À bien des égards nous en découvrons encore les capacités. Par exemple, pensez à Jack-Jack dans Les Indestructibles : clairement puissant, il a peut-être des proportions mythiques que LinkedIn ne cesse de proclamer. Mais il est encore en train de découvrir l’étendue réelle de ses pouvoirs. C’est une technologie absolument transformative ; cependant, nous ne savons simplement pas encore tout à fait comment. Et les organisations peinent à gérer cette ambiguïté. Nombre d’entre elles ont pratiquement été contraintes d’investir dans le futur du travail avant même d’avoir une vision claire de ce qu’elles cherchent à accomplir ou de la façon dont elles le mesureront.

Le défi lié à l’adoption d’une technologie transformative n’est pas nouveau pour autant. Ni pour les entreprises, ni pour les secteurs d’activité, ni pour la société. Nous avons déjà traversé des bouleversements technologiques majeurs. L’approche qui mène à l’échec est restée remarquablement constante à travers tous.

Un collègue a récemment partagé l’observation que l’histoire ne se répète peut-être pas, mais elle rime. Cette formule m’est restée, tant elle décrit avec précision ce que nous observons se dérouler dans les organisations : directions juridiques, équipes opérationnelles, conseils d’administration. La formule d’échec en quatre étapes tourne en temps réel sur une nouvelle technologie. Quand les choses tournent mal, ce ne sera pas parce que l’IA n’était pas suffisamment capable. Ce sera parce que l’organisation n’a jamais construit les processus autour d’elle, et n’a jamais investi de manière significative dans le changement incrémental. Elle n’a jamais communiqué clairement sur ce à quoi le succès était censé ressembler. Le problème n’a jamais été l’outil en lui-même ; c’est tout ce que l’organisation a choisi de ne pas construire autour de lui.

Le schéma mérite d’être nommé clairement, car le reconnaître est la première étape pour s’en affranchir.

1. Surinvestir dans l’outil. Le budget se concentre sur la licence, la relation avec l’éditeur et l’annonce, tandis que le plan de déploiement devient une réflexion secondaire et que le budget de conduite du changement se réduit à une variable négligeable. Les organisations s’engagent souvent sur des capitaux importants avant de comprendre pleinement le coût total de possession, une erreur budgétaire classique qui se cristallise rapidement en piège des coûts engagés. Le raisonnement devient alors circulaire et difficile à contourner : l’outil a coûté si cher que le remplacer paraît impensable, même lorsque les éléments pour le faire sont évidents.
   
2. Sous-investir dans les personnes et les processus. Les entreprises se comportent comme si la technologie avait déjà remplacé l’effort humain avant qu’elle ne le fasse, et supposent, à tort, que les processus suivront naturellement l’outil une fois déployé. Ce ne sera pas le cas. Les outils sont des objets et la technologie est une chose ; ni l’une ni l’autre ne peut être tenue responsable des résultats. La responsabilité nécessite des personnes, et la responsabilisation nécessite une structure. Sans quelqu’un véritablement responsable du résultat, il n’existe aucun moyen fiable de savoir si quoi que ce soit de significatif se produit réellement.
   
3. Attendre la transformation. Les organisations obtiennent une transformation, certes, mais pas celle qu’elles avaient en tête. La vraie transformation prend du temps, de la discipline et une définition concrète de ce à quoi ressemble réellement le succès. Aucune de ces choses ne peut être achetée avec une licence logicielle. Lorsque la transformation est l’objectif affiché mais pas le plan opérationnel, ce qui tend à émerger à la place, c’est la disruption : des workflows interrompus, des équipes frustrées et des dirigeants cherchant un responsable.
   
4. Récolter la déception. L’adoption stagne, le ROI reste introuvable, et quelqu’un perd son poste, généralement la personne qui a défendu l’outil plutôt que celle qui a approuvé le budget.

Ce cycle s’est reproduit à travers chaque grande vague technologique depuis des décennies. Avec l’IA, les organisations le répètent avec des enjeux plus élevés, des budgets plus importants et des attentes tellement gonflées qu’elles mettraient mal à l’aise même le CTO le plus optimiste. Un marteau ne peut pas construire une maison sans plan, sans main habile et sans vision claire de ce qui est construit. L’IA n’est pas différente à cet égard. L’outil est plus complexe, les attentes plus gonflées, et les modes d’échec plus difficiles à détecter avant qu’ils ne soient déjà bien ancrés.

L’impulsion de bouger largement et avec ambition est compréhensible. L’IA ressemble à un changement de génération, et aucune organisation ne veut être celle qui a hésité pendant que les concurrents avançaient. L’instinct est donc de déployer sur un large périmètre, de communiquer avec éclat, et d’appeler ça une transformation.

Le problème avec le fait de définir le succès comme une transformation est que la transformation, sans définition opérationnelle, est impossible à mesurer. Et ce qui est impossible à mesurer ne peut être ni défendu ni itéré. Cela devient une déclaration plutôt qu’une stratégie.

J’ai vu cela se produire plus d’une fois : une entreprise déploie des outils d’IA dans plusieurs départements simultanément, avec des plateformes différentes, sans cadre de gouvernance des données commun, et sans référentiel partagé sur ce que « bien » est censé signifier. Dix-huit mois plus tard, quand la direction demande si ça fonctionne, personne dans la salle ne peut répondre à cette question avec confiance. Non pas parce que les outils ont été insuffisants, mais parce que l’organisation n’a jamais établi ce à quoi la performance était censée ressembler avant de commencer.

Les organisations les plus désireuses de se transformer sont souvent celles les moins équipées pour le faire, parce que la vraie transformation requiert de la discipline autant que de l’ambition, et la volonté de ralentir avant de passer à l’échelle. Cette qualité particulière de patience est réellement difficile à cultiver lorsque le conseil d’administration soulève l’IA à chaque revue trimestrielle et que les concurrents semblent sprinter en avant. Cependant, les organisations qui sautent cette étape n’évitent pas le travail difficile ; elles le reportent simplement à un moment bien plus coûteux et visible.

Alors, quelle est la bonne façon d’évaluer, de mettre en œuvre et de déployer une technologie dans une entreprise ? Cela commence par remplacer la formule d’échec en quatre étapes par quelque chose fondé sur la réalité du changement.

Chacune des étapes suivantes est une réponse directe à l’échec qu’elle remplace. Aucune n’est compliquée, mais toutes exigent de l’intention avant d’exiger un investissement.

1. Définir le problème avant de financer la solution. Avant toute conversation sur les plateformes, les éditeurs ou les budgets, l’organisation a besoin d’une réponse précise et spécifique à une seule question : qu’essayons-nous exactement d’améliorer ? « Améliorer l’efficacité » est une catégorie, pas une définition du problème. La réponse doit être suffisamment spécifique pour être mesurée, suffisamment délimitée dans le temps pour engager la responsabilité de quelqu’un, et suffisamment ciblée pour qu’une solution concentrée puisse réalistement y répondre. Si cette réponse n’est pas disponible en termes concrets, l’organisation n’est pas prête à acquérir un outil.
   
2. Investir dans les personnes et les processus avec le même sérieux que dans la plateforme. La structure d’un budget envoie un signal sur ce que l’organisation croit important, et les gens interprètent ce signal avec précision. Lorsque la formation, la conduite du changement et la refonte des processus ne reçoivent qu’une fraction de l’attention et des ressources consacrées à la technologie, les personnes responsables de l’adoption répondront en conséquence. Une mise en œuvre significative signifie s’engager à aider concrètement les gens à comprendre non seulement comment utiliser l’outil, mais pourquoi le workflow change et de quoi ils sont responsables au sein de celui-ci. Les personnes et les processus ne sont pas des éléments de soutien d’un déploiement technologique ; ils en sont la substance.
   
3. Fixer des jalons, pas des missions. Remplacer « transformer l’organisation » par une séquence de jalons spécifiques et mesurables crée quelque chose que la transformation en trompe-l’œil ne peut pas produire : un signal honnête sur si l’approche fonctionne, suffisamment tôt pour faire des ajustements avant que l’investissement ne devienne l’argument pour continuer quels que soient les résultats. À quoi ressemble le succès dans 90 jours ? Dans six mois ? Quel indicateur évolue, de combien et quand ?
   
4. Intégrer la responsabilité dans la structure dès le premier jour. Chaque mise en œuvre a besoin d’un propriétaire unique : quelqu’un responsable des résultats et pas seulement du déploiement, quelqu’un qui sera encore dans la salle au bilan à six mois avec des données et une lecture honnête de ce qui fonctionne et ce qui ne fonctionne pas. La responsabilité n’est pas punitive dans ce contexte ; c’est ce qui distingue une mise en œuvre qui apprend et s’adapte de celle qui se dégrade silencieusement pendant que tout le monde évite la conversation.

Ces quatre étapes ne sont pas révolutionnaires. Ce sont des pratiques opérationnelles appliquées à un nouveau contexte. C’est précisément le point. L’IA est peut-être une nouvelle technologie. Pourtant, le défi de gestion qu’elle présente est celui que les organisations ont déjà affronté.

Ces fondations étant posées, la stratégie de mise en œuvre devient plus claire. Elle commence plus petit que la plupart des organisations ne sont à l’aise d’admettre.

Commencer petit a un problème d’image. Cela passe pour de la timidité, un manque de vision, ou la position d’organisations pas encore prêtes à s’engager. En pratique, commencer petit est la façon dont on apprend ce qui fonctionne avant d’investir dans la mise à l’échelle de ce qui ne fonctionne pas. Et c’est la seule approche qui a un bilan cohérent de produire des résultats durables.

En pratique, cela ressemble à un cas d’usage défini, pas « l’IA pour les opérations juridiques » (une catégorie, pas un problème). Mais c’est quelque chose de spécifique : nous voulons réduire le délai de traitement des révisions contractuelles de 40 % pour un type de contrat répétable spécifique, au sein de cette équipe, d’ici telle date. Ce niveau de précision fait émerger toutes les questions importantes avant qu’un euro soit engagé.

Cela ressemble à une équipe, suffisamment proche du problème pour donner un retour opérationnel honnête, et suffisamment senior pour impulser une vraie adoption plutôt qu’une conformité polie. Cela ressemble à un indicateur de succès unique, mesurable et délimité dans le temps. Cet indicateur dit réellement quelque chose de vrai sur si l’approche fonctionne. Et cela ressemble à un propriétaire unique, pour les raisons déjà évoquées.

La discipline de cette précision force les questions qui comptent le plus avant la signature du contrat : quel problème résolvons-nous ? Qui utilisera cela, et comment leur workflow va-t-il changer ? À quoi ressemble le succès, et qu’est-ce que ça représente pour les gens qui font le travail ? Quelles données cela nécessite-t-il, et ces données sont-elles propres, gouvernées et accessibles ? D’ailleurs, si ces questions n’ont pas de réponses solides avant la signature du contrat, l’organisation n’acquiert pas une solution. En fait, elle finance un problème futur.

Délibéré ne signifie pas lent ; cela signifie intentionnel, une distinction qui mérite d’être retenue. Avancer rapidement et avancer avec clarté sont tout à fait compatibles. En revanche, avancer largement et de manière ambiguë tend à produire des résultats difficiles à interpréter. En plus, de tels résultats sont encore plus difficiles à défendre.

Une mise en œuvre délibérée signifie également investir proportionnellement, une conversation que la plupart des organisations évitent. Lorsque le budget penche fortement vers la technologie et légèrement vers la formation, la conduite du changement et l’alignement des processus, la mise en œuvre est déjà compromise. Cela ne vient pas du fait que la technologie est insuffisante. Mais la structure d’investissement signale ce que la direction croit important. De plus, lorsque la formation et les processus sont traités comme des lignes budgétaires plutôt que comme des engagements, les responsables de l’adoption les traitent en conséquence.

Avant tout déploiement d’IA, trois questions méritent de vraies réponses : pas des réponses aspirationnelles, ni des réponses dignes d’un PowerPoint, mais des réponses opérationnelles et honnêtes. Qu’essayons-nous précisément d’améliorer ? Qui est responsable si ça ne fonctionne pas ? Comment saurons-nous si ça fonctionne ? En effet, des réponses vagues à ces questions produisent des résultats vagues.

Lorsque les organisations résistent à la pression de tout faire en même temps et s’engagent à réussir vraiment une chose, quelque chose de prévisible se produit : le cas d’usage suivant est plus facile à exécuter. Ensuite, celui d’après est encore plus facile.

La raison n’est pas que la technologie s’est améliorée. Elle peut être identique. La raison est que l’organisation a construit quelque chose de plus durable qu’un outil. Il s’agit de la connaissance opérationnelle de comment bien mettre en œuvre. Il s’agit aussi d’un cadre de gouvernance que les gens utilisent réellement, d’une approche de conduite du changement qui n’existe pas seulement sous forme de document. De plus, il y a le type de confiance culturelle qui vient de démontrer, concrètement, que ça fonctionne lorsque les bonnes conditions sont créées.

C’est dans cet effet cumulatif que réside le vrai dividende de l’IA : pas dans l’annonce de lancement ni dans la liste de fonctionnalités, mais dans le travail patient et peu glamour de mettre les fondamentaux en place. À cela s’ajoute le travail de construire à partir de là. Ce dividende est accessible à toute organisation prête à résister à l’attrait de la transformation en trompe-l’œil suffisamment longtemps pour faire ce travail.

Chaque organisation fait un choix en ce moment, qu’elle le formule ainsi ou non. Certaines construisent les fondations d’une IA qui se renforce dans le temps, en livrant une valeur défendable et en rendant leurs collaborateurs véritablement plus efficaces. Cependant, d’autres traversent le même cycle en quatre étapes qui a produit le même post-mortem décevant à travers chaque grande vague technologique. Ensuite, ces organisations dirigent les reproches vers un outil qui n’était jamais la vraie source du problème.

La technologie n’a jamais été la partie difficile. La partie difficile, c’est la discipline de définir le problème avant de déployer la solution, d’investir dans les personnes et les processus avec le même sérieux que dans la plateforme, de mesurer ce qui compte honnêtement. Il s’agit aussi de commencer par une chose, de la faire bien, et de mériter le droit de passer à l’échelle.

Commencer petit et être délibéré dans la définition du problème avant de déployer la solution n’est pas une contrainte à l’ambition. En fait, c’est le chemin qui mène réellement à la transformation.