Les promesses de l’IA générative tardent à se concrétiser dans les entreprises, et le fossé entre le discours et la réalité opérationnelle n’a jamais été aussi visible. Je vous propose d’explorer pourquoi les gains de productivité restent aujourd’hui inégaux, fragmentés, voire contre-productifs, et ce qu’il faudrait vraiment changer pour en tirer un bénéfice collectif à travers les agents intelligents. Car la vraie transformation ne viendra pas des licences distribuées à chaque salarié, mais d’un changement de paradigme profond : le passage de la digital workplace à l’agentic workplace. Un basculement qui suppose de structurer les informations, données, processus et connaissances, bien avant de choisir le moindre outil.
En synthèse :
- Les gains de productivité de l’IA générative sont réels mais profondément inégalitaires. Seuls les profils déjà avertis en tirent un bénéfice concret, tandis que les autres déplacent le travail sans le réduire, voire travaillent davantage.
- La vraie rupture est le passage de l’IA individuelle à l’IA institutionnelle. Distribuer des licences ChatGPT à chaque collaborateur ne suffit pas, c’est au niveau des processus collectifs et des flux de travail partagés que les gains durables se construisent.
- Le modèle génératif n’est pas le sujet, c’est le « harnais » qui compte. Le harnais désigne un contexte métier (informations, données, processus et connaissances), une couche sémantique ce qui permet de transformer un modèle générique en un véritable assistant opérationnel.
- Trois étapes structurent la construction d’un harnais sémantique. Connecter les agents à l’ERP, modéliser les processus sous forme de flux de travail formalisés, puis extraire et mutualiser les connaissances tacites des collaborateurs.
- L’agentisation est une opportunité d’inclusion numérique autant qu’un risque mal géré. Elle peut réduire la dette numérique des collaborateurs éloignés des outils ou pratiques numériques, mais elle exige une conduite du changement rigoureuse et un déploiement progressif des responsabilités confiées aux agents.
On nous avait promis une révolution sans précédent, rien de moins que la plus grande découverte de l’humanité depuis celle du feu. Et pourtant, les bénéfices concrets de l’IA générative sont longs à venir : « Où sont les millions ? » : dans les grands groupes français, l’IA générative à l’épreuve du réel.
Ce décalage entre promesse et réalité n’est pas nouveau dans l’histoire du numérique. Nous avons connu la même désillusion avec le machine learning, avec les objets connectés, avec le métavers. À chaque fois, le cycle est identique : un battage médiatique démesuré, des investissements massifs, puis un atterrissage douloureux sur le sol de la réalité opérationnelle. Avec l’IA générative, la mécanique s’est emballée encore plus vite que d’habitude, portée par la l’irruption de ChatGPT fin 2022 et par des récits de transformation radicale qui n’ont, pour l’instant, pas encore été concrétisés dans la très large majorité des entreprises.
Une assertion confirmée par la dernière étude d’Ipsos publiée par Google : IA en entreprise, état des lieux et leviers d’accélération. Les résultats en demi-teinte de cette étude sont la parfaite illustration de cette situation ambigüe : les progrès technologiques continus alimentent l’optimisme des patrons, qui continuent de croire en des gains de productivité immédiats, tandis que les salariés sont nettement plus circonspects, car c’est à eux qu’on demande d’être plus productifs, voire qu’on exige de l’être, et vite ! Au final, ce ne sont pas des gains de productivité que l’on constate, mais que l’on ressent, que l’on anticipe… surtout pour les autres ! 😬
Voici deux statistiques révélatrices :
- 72 % des dirigeants estiment que l’IA générative est ou sera un avantage compétitif indispensable pour leur activité… d’ici à 3 ans (quid de 2026 ?) ;
- 35% des salariés utilisent l’IA au moins une fois par semaine dans le cadre professionnel, mais seuls 9% s’en servent tous les jours (donc les 2/3 des salariés ne s’en servent pas).
Cela ne signifie pas que la technologie est sans valeur, elle est réellement très puissante. Mais la puissance brute d’un outil ne dit rien de sa capacité à transformer une organisation. Entre les deux, il y a tout un travail d’adaptation, d’intégration et de conduite du changement qui a été largement sous-estimé.
Productivité individuelle : un gain réel, mais inégalitaire
La réalité est que les chatbots ne donnent un avantage qu’à ceux qui savent s’en servir. On observe donc des gains de productivité individuels et fortement inégalitaires, ce qui peut provoquer de graves déséquilibres et de fortes tensions au sein des entreprises.
Ceci étant dit, il serait injuste de nier que certains profils tirent un bénéfice réel de l’IA générative au quotidien : les développeurs qui utilisent Cursor ou Claude Code pour accélérer leur production de code, les rédacteurs qui s’en servent comme d’un outil de reformulation, les analystes qui l’exploitent pour synthétiser des rapports volumineux… Ces usages existent et les gains de temps sont parfois spectaculaires. Mais ils restent l’apanage d’une minorité de profils avertis, ceux qui ont su surmonter la courbe d’apprentissage, qui maîtrisent l’art du prompt et qui ont développé une véritable discipline d’usage.
Pour tous les autres, l’histoire est moins flatteuse. AI Brain Fry, Workslop and the Ironies of Automation met ainsi le doigt sur un paradoxe que beaucoup vivent sans oser l’admettre : l’IA générative, dans son état actuel d’adoption diffuse et non structurée, pousse souvent à travailler plus plutôt qu’à travailler mieux. Le temps gagné sur une tâche est immédiatement réinvesti dans la vérification des sorties, la reformulation des prompts, la correction des hallucinations… On déplace le travail sans nécessairement le réduire.
Cette mécanique est d’autant plus problématique dans un contexte d’entreprise. Car une entreprise, ce n’est pas qu’une somme d’individus : c’est un collectif avec des processus, des interdépendances, des flux de travail partagés, une culture commune… Impossible de gagner en productivité de façon durable si l’on n’agit qu’au niveau individuel, en se contentant de distribuer des licences ChatGPT ou Claude à chaque collaborateur comme on distribuait jadis des licences Microsoft Office. C’est une approche qui confond l’équipement et la transformation réelle.
D’où la nécessité de réfléchir à une adoption institutionnelle plutôt qu’individuelle, une approche parfaitement décrite dans cet article de a16z : Institutional AI vs Individual AI.
Pour résumer un long article : l’IA institutionnelle, c’est celle qui est intégrée dans les processus de l’organisation, qui agit sur les flux de travail collectifs, et qui produit des effets mesurables au niveau de l’entreprise et non des individus.
Des bienfaits de l’agentic workplace
Pour qu’une entreprise améliore sa productivité globale, elle doit envisager l’adoption de l’IA au niveau collectif, c’est-à-dire au niveau des équipes et des processus, et non au niveau individuel de chaque salarié. Ceci nécessite de repenser l’environnement de travail avec une approche intégrée où les agents ont accès à toutes les ressources : informations, données, connaissances, outils…
C’est précisément ce que j’appelle le passage des digital workplaces aux agentic workplaces. La digital workplace, telle qu’elle s’est constituée au fil des vingt dernières années, était déjà une réponse à la dispersion des outils et des informations : une tentative d’unifier dans un même environnement numérique l’ensemble des ressources nécessaires au travail quotidien. Mais cette unification est restée superficielle dans la plupart des cas. Elle a produit des portails, des intranets, des suites collaboratives… mais elle n’a pas fondamentalement reconfiguré la façon dont le travail se fait. Les informations sont toujours dispersées dans des emails, les données enfermées dans des grilles Excel ou des applications en ligne, les connaissances piégées dans des fichiers ou des référentiels propriétaires.
L’agentic workplace, elle, part d’une ambition différente : non plus simplement mettre à disposition des outils, mais créer un environnement dans lequel des agents intelligents peuvent agir de façon autonome ou semi-autonome pour assister les collaborateurs dans la réalisation de leurs tâches. Cette évolution n’est pas anodine, car nous ne parlons plus d’un outil que l’utilisateur active à la demande, mais d’un système qui observe, anticipe, propose et exécute, à condition qu’on lui en ait donné les moyens !
Cet article illustre bien l’ampleur des ambitions qui animent les grands acteurs de la tech sur ce terrain : The Trillion Dollar Race to Automate Our Entire Lives.
« ChatGPT started as something that could answer questions, but the long-term vision has always been a super-assistant that can actually help you get things done. […] For OpenAI and Anthropic, winning the market for non-coders is the next frontier. »
Ces observations pointent clairement la direction dans laquelle vont les investissements : vers des agents capables de faire, et non plus simplement de répondre comme les chatbots. La course est lancée, et les entreprises qui ne commencent pas dès aujourd’hui à préparer leur environnement de travail à intégrer ces agents risquent de se retrouver dans quelques années dans la même position que celles qui ont retardé leur virage numérique au début des années 2000.
Avec l’IA agentique, deux axes d’amélioration s’ouvrent concrètement :
- l’automatisation, qui permet de travailler plus vite et donc d’améliorer la productivité ;
- l’assistance, qui permet de travailler mieux et donc de gagner en qualité.
À mon sens, le plus gros potentiel de l’IA réside précisément dans ce second axe, et plus particulièrement dans les modèles de raisonnement qui peuvent être exploités pour faire de l’assistance méthodologique, c’est-à-dire aider les collaborateurs à travailler de façon plus rigoureuse, pas seulement à rédiger plus vite.
Le modèle n’est pas le sujet : c’est le harnais qui compte
Il est tentant, lorsqu’on réfléchit au déploiement de l’IA en entreprise, de commencer par le choix du modèle : GPT 5.4 ou Sonnet 4.6 ? Gemini 3.1 Flash Lite ou Mistral Small 4 ? C’est une question légitime, mais elle est secondaire. Car dans un environnement agentique, l’important n’est pas le modèle en lui-même (les modèles sont interchangeables), mais le contexte sectoriel et métier dans lequel ils opèrent, ce que les spécialistes appellent le « harnais » (The importance of Agent Harness).
Ce harnais est spécifique à chaque entreprise. Il est la clé des gains de productivité et de qualité, car il est ce qui permet à un modèle générique de devenir pertinent dans un contexte particulier. Un même modèle, sans harnais, produit des réponses génériques. Avec un harnais bien conçu, il devient un assistant métier capable de comprendre les enjeux spécifiques d’une organisation, de respecter ses nomenclatures, ses processus, ses règles…
Pour rendre cette notion plus concrète, deux analogies me semblent utiles. La première vient du secteur de la construction : dans ce domaine, un harnais appartient à la catégorie des EPI (les « Équipement de Protection Individuelle »). Il permet aux ouvriers de travailler en toute confiance, d’accéder facilement aux outils dont ils ont besoin, et donc de se concentrer sur ce qu’ils ont à faire.
La seconde analogie, que je trouve encore plus parlante, est celle de l’automobile :
- le modèle génératif est le moteur, celui qui conditionne la puissance et la consommation ;
- le harnais est le châssis, celui qui conditionne l’agrément de conduite et la tenue de route ;
- l’interface est la carrosserie, celle qui conditionne l’aérodynamique et surtout le look & feel.
Les trois sont importants, mais le moteur est interchangeable, de même pour la carrosserie. Ce qui donne son caractère unique à un véhicule, ce qui détermine son comportement sur la route, c’est le châssis.
Je ne suis pas un spécialiste de l’automobile, mais je sais que les grands constructeurs conçoivent des châssis modulaires qui servent de base pour de nombreux modèles et marques (Peugeot et Citroën partagent ainsi des plateformes communes). C’est exactement ainsi qu’il faut se représenter le harnais dans la logique agentique : comme une plateforme de travail qui permet de mettre à disposition des agents IA tout ce dont ils ont besoin pour faire ce pour quoi ils ont été conçus, à savoir assister les collaborateurs dans la réalisation de leurs tâches, et ce au niveau de l’entreprise.
Trois étapes pour construire un harnais agentique
Le problème est que cette plateforme n’existe pas encore dans la plupart des entreprises. Et pour cause : les informations sont éparpillées dans des emails, les données piégées dans des outils métiers, les connaissances enfouies dans les têtes des collaborateurs ou dans des documents auxquels personne ne sait plus accéder. Il existe donc un gros travail préalable d’identification, d’extraction et de structuration de toutes ces ressources pour pouvoir les rendre accessibles. Le but de la manoeuvre étant de créer une couche sémantique exploitable par les IA (chatbots, agents…).
Ce facteur limitant n’est d’ailleurs pas nouveau, car c’était déjà le cas à l’époque du machine learning, comme je l’écrivais en 2017 : les projets d’IA échouent moins sur la technologie que sur la qualité et l’accessibilité des données qu’on leur fournit (De l’importance des données (et des humains) pour le machine learning). Presque 10 ans plus tard, le constat reste le même. Mais la bonne nouvelle, c’est que ce travail peut être structuré en trois étapes distinctes, chacune apportant une valeur immédiate tout en préparant la suivante.
Première étape : connecter les agents à l’ERP. Tout le monde se plaint de la rigidité des ERP. Soit, mais rappelons que leur point faible est également leur plus gros point fort : une fiabilité à toute épreuve reposant sur le « System of Records », le référentiel de données de l’entreprise. Ainsi, quelles que soient les modes et les disruptions technologiques, l’ERP reste le cœur du SI des entreprises, celui où vivent les données critiques concernant l’activité (cf. Why the World Still Runs on SAP).
Les ERP et logiciels métiers, les « progiciels », sont donc là pour durer. Ne croyez pas tout ce que l’on peut raconter sur la « SaaSpocalypse » qui verrait les grands éditeurs disparaître au profit d’une constellation d’applications générées par l’IA. La réalité est bien différente : ces systèmes sont profondément encastrés dans les processus opérationnels. Leur remplacement est un chantier long, coûteux et risqué que peu d’entreprises sont prêtes à engager. La question n’est donc pas de les remplacer, mais de les connecter aux agents pour que ceux-ci aient accès aux données qui leur sont utiles.
Deuxième étape : modéliser les activités en flux d’informations et de travail. Pour pouvoir déléguer des tâches à des agents, encore faut-il que ces tâches soient formalisées. Or, dans la majorité des entreprises, les processus existent davantage dans les habitudes des collaborateurs que dans des documentations à jour. C’est un héritage de la promesse non tenue du Robotic Process Automation : l’automatisation avait besoin d’une formalisation rigoureuse des processus que les organisations n’avaient pas été capables de produire à l’époque, et le problème reste entier aujourd’hui.
Cette modélisation n’est pas un exercice purement technique : elle implique de questionner les pratiques, de distinguer les étapes à valeur ajoutée de celles qui sont purement procédurales, et de décider lesquelles ont vocation à être déléguées à un agent. C’est un travail de fond, qui demande du temps et une collaboration étroite entre les équipes métier et la DSI. Mais c’est un investissement rentable : non seulement il prépare le terrain pour les agents intelligents, mais il produit en lui-même une meilleure compréhension des activités de l’organisation.
Troisième étape : extraire les connaissances et les mutualiser. C’est probablement l’étape la plus délicate, car elle touche à quelque chose d’aussi intangible qu’essentiel : le savoir-faire des collaborateurs. Les connaissances qui font la valeur d’une organisation ne sont pas seulement celles qui sont consignées dans des manuels de procédures ou des bases documentaires, elles résident aussi dans l’expérience accumulée des individus, dans leur capacité à naviguer dans des situations ambiguës, à trouver la bonne ressource au bon moment, à comprendre les non-dits d’une situation problématique.
Pour que les agents IA puissent en prendre connaissance, les cataloguer et les exploiter dans les situations pertinentes, il faut d’abord les extraire. C’est ce que j’abordais dans Quels outils et pratiques pour gérer les activités et connaissances à l’ère numérique ? : la question de la gestion des connaissances n’est pas nouvelle, mais l’IA agentique lui donne une urgence nouvelle en en faisant la condition sine qua non d’une adoption réussie.
L’IA pour restructurer les informations et données explore précisément comment les outils d’IA peuvent aider à accomplir ce travail d’extraction et de structuration qui fait perdre tant de temps aux employés de bureau (une bonne partie de leur travail consiste à déplacer des informations et données d’un système à l’autre). C’est d’ailleurs l’un des cas d’usage les plus convaincants de l’IA générative en entreprise : non pas la génération de contenu, mais la structuration et l’enrichissement des ressources existantes.
Une fois ces trois étapes réalisées (connexion à l’ERP, modélisation des processus et extraction des connaissances) votre entreprise pourra exploiter l’IA à son plein potentiel, et ce pour l’ensemble des collaborateurs, y compris ceux qui ne sont pas particulièrement à l’aise avec la technologie.
Un enjeu de maturité numérique collective
Ne vous y trompez pas : cette démarche est bien plus qu’un projet informatique. C’est une nouvelle étape dans le long processus de transformation numérique des entreprises. L’enjeu n’est pas d’ajouter une couche technologique supplémentaire à l’existant, nous sommes en train de reconfigurer en profondeur la façon dont le travail est organisé, distribué et exécuté : L’agentisation amorce une nouvelle étape de maturité numérique menant au Web4 et à l’Entreprise4.
C’est là que réside la vraie clé de l’Entreprise4 et son orientation agentique : créer des raccourcis pour celles et ceux qui ont accumulé une trop grosse dette numérique. La notion de dette numérique, que j’utilise depuis plusieurs années, désigne ce retard structurel que certains profils, voire certaines organisations entières, ont pris dans leur rapport aux outils numériques. Ce retard s’est constitué progressivement, au fil des vagues technologiques successives que l’on n’a pas su ou voulu suivre. L’objectif des agents IA est précisément de permettre aux éloignés du numérique de rattraper leur retard en leur proposant une prise en main plus naturelle de l’IA, mieux cadrée, et moins exigeante en termes de compétences techniques préalables.
C’est en ce sens que l’agentisation représente une véritable opportunité d’inclusion numérique en entreprise. Le collaborateur qui n’a jamais maîtrisé les subtilités d’un ERP, qui se perd dans les arborescences d’un SharePoint ou qui n’a jamais réussi à tirer parti d’un tableau croisé dynamique peut, avec un bon agent métier, accéder à l’information dont il a besoin en formulant simplement sa question dans un langage naturel. La technologie s’adapte enfin à l’humain, plutôt que l’inverse.
Cette promesse n’est cependant pas exempte de tensions. Car l’agentisation soulève des inquiétudes légitimes chez de nombreux collaborateurs, qui y voient une menace pour leur emploi ou une surveillance accrue de leurs activités (cf. Le web agentique engendre toujours plus de peurs et d’incompréhensions). Inutile de se raconter des histoires : ces peurs ne se dissiperont pas d’elles-mêmes. Elles appellent un effort substantiel de pédagogie, de transparence et de conduite du changement que les entreprises auraient tort de négliger.
La conduite du changement, condition non négociable
C’est précisément sur ce terrain que de nombreux projets IA risquent de trébucher. L’enthousiasme des équipes projet et des DSI ne doit pas faire oublier que le saut est difficile à effectuer pour des collaborateurs qui n’ont rien demandé. Nous avons déjà vécu cette situation lors du déploiement des premières suites collaboratives, des intranets sociaux, des outils de gestion de projet en ligne… À chaque fois, la technologie était là, fonctionnelle, prometteuse, et pourtant l’adoption est restée en deçà des attentes parce que l’accompagnement humain avait été sous-dimensionné.
La conduite du changement ne se résume pas à des sessions de formation ou à des webinaires de sensibilisation. Elle implique de comprendre les freins spécifiques de chaque population de collaborateurs, d’identifier les cas d’usage qui leur apportent une valeur immédiate et perceptible, et de construire une expérience d’adoption progressive qui ne les place jamais en situation d’échec. C’est un travail de longue haleine, qui doit être mené avec autant de rigueur que les volets techniques du projet.
Il faut également mettre en garde les utilisateurs les plus enthousiastes, car nous parlons d’une technologie encore immature, sur laquelle nous n’avons que très peu de recul. Comme le souligne cet article récent du New York Times, l’engouement peut conduire à confier aux agents des responsabilités pour lesquelles ils ne sont pas encore suffisamment fiables (AI Agents: They’re Fun. They’re Useful. But Don’t Give Them the Credit Card).
Ainsi, les erreurs d’un agent qui a accès aux systèmes critiques de l’entreprise peuvent avoir des conséquences bien plus graves que celles d’un chatbot qui hallucine une réponse à une question anodine. La progressivité dans le déploiement des responsabilités agentiques n’est pas une prudence excessive : c’est une nécessité opérationnelle.
Un processus long, mais qui peut commencer dès demain
Ce long processus de transformation peut sembler décourageant pour ceux qui espéraient un retour sur investissement rapide. Mais il est important de comprendre que chaque étape de ce processus de préparation au déploiement généralisé des agents produit de la valeur en elle-même, indépendamment de la suivante :
- Connecter vos outils métier à des agents améliore déjà l’accessibilité des données ;
- Formaliser vos processus améliore déjà votre efficacité opérationnelle ;
- Capitaliser vos connaissances réduit déjà le temps de résolution d’un problème complexe.
Et surtout, ce processus ne commence pas par le choix du bon modèle génératif. Il commence par une question organisationnelle fondamentale : comment rassembler les informations, les données et les connaissances dispersées dans votre organisation pour les rendre accessibles, structurées et exploitables ? C’est une question que les entreprises auraient dû se poser bien avant l’avènement de l’IA agentique, et c’est peut-être l’un des mérites inattendus de cette technologie que de les y obliger enfin (Agentic AI, explained).
La trajectoire vers l’entreprise agentique est longue et exigeante, mais elle est tracée, et ceux qui s’y engagent aujourd’hui avec lucidité et méthode auront pris une longueur d’avance décisive. Non pas parce qu’ils auront choisi le meilleur modèle, ni même parce qu’ils auront déployé les meilleurs agents, mais parce qu’ils auront construit le meilleur harnais, un environnement numérique de travail propice aux salariés comme aux agents intelligents.
Questions / Réponses
Pourquoi l’IA générative n’a-t-elle pas encore tenu ses promesses en entreprise ?
La puissance brute d’un outil ne suffit pas à transformer une organisation. Il y a en effêt un travail d’adaptation, d’intégration et de conduite du changement qui a été largement sous-estimé. Par ailleurs, les gains observés restent inégalitaires : ils profitent principalement aux profils déjà à l’aise avec la technologie, ce qui crée des déséquilibres au sein des équipes plutôt qu’une amélioration collective.
Qu’est-ce qu’un « harnais » et pourquoi est-il plus important que le choix du modèle IA ?
Le harnais désigne le contexte sectoriel et métier dans lequel opère un modèle d’IA : il regroupe les informations, les données, les processus et les connaissances propres à une entreprise. Sans lui, un modèle produit des réponses génériques. Avec un harnais sémantique bien conçu, l’IA devient un véritable assistant métier. Le modèle en lui-même est interchangeable (comme un moteur de voiture), là où le harnais (le châssis) détermine le comportement réel du système dans son environnement.
Quelle est la différence entre une digital workplace et une agentic workplace ?
La digital workplace, telle qu’elle s’est constituée ces vingt dernières années, vise à unifier les outils et les ressources dans un même environnement numérique. L’agentic workplace va plus loin : elle ne se contente pas de mettre des outils à disposition, elle crée un environnement dans lequel des agents intelligents peuvent agir de façon autonome ou semi-autonome pour assister les collaborateurs. On passe d’un outil que l’utilisateur active à la demande à un système qui observe, anticipe, propose et exécute.
Par quoi une entreprise doit-elle commencer pour déployer des agents IA ?
Trois étapes structurent ce travail préparatoire. La première consiste à connecter les agents aux ERP et logiciels métiers afin qu’ils aient accès aux données critiques de l’entreprise. La deuxième vise à modéliser les activités sous forme de flux d’informations et de travail, car on ne peut déléguer à un agent que des tâches correctement formalisées. La troisième, la plus délicate, consiste à extraire et mutualiser les connaissances tacites des collaborateurs pour les rendre exploitables par les agents.
Les agents IA représentent-ils une menace pour l’emploi des collaborateurs ?
Cette crainte est légitime et ne se dissipera pas d’elle-même : elle appelle un effort substantiel de pédagogie, de transparence et de conduite du changement. Cela dit, les agents IA peuvent aussi représenter une opportunité d’inclusion numérique, notamment pour les collaborateurs qui ont accumulé une dette numérique. Un agent bien conçu leur permet ainsi d’accéder à l’information dont ils ont besoin en langage naturel, sans maîtrise technique préalable. La technologie s’adapte ainsi à l’humain, plutôt que l’inverse.