Trois ans et demi après la sortie de ChatGPT, les promesses de gains de productivité liés à l’IA restent encore largement théoriques. Si 15 % des tâches des employés de bureau pourraient être automatisées, elles ne le sont pas pour des raisons sémantiques. Je vous propose dans cet article de comprendre pourquoi ce décalage persiste et pourquoi il ne se résoudra pas grâce à un modèle plus puissant ou à un nouveau standard technique. La vraie condition, trop souvent éludée par les éditeurs, tient à la qualité de la couche sémantique : les informations, données et procédures auxquelles les agents ont accès. Sans ce travail préalable de collecte et structuration, la transformation agentique reste une accélération de façade.
En synthèse :
- L’adoption de l’IA n’est pas binaire. Poser une question à un chatbot ne signifie pas avoir accompli sa transformation agentique, tout comme faire une recherche Google ne vaut pas transformation numérique.
- La puissance du modèle importe peu. Ce qui conditionne réellement la pertinence d’une IA en contexte professionnel, c’est la richesse et la précision du contexte métier.
- Les skills ne sont pas des agents intelligents. Les « Agent skills » sont en fait de gros prompts standardisés, inopérants tant qu’ils n’ont pas accès aux bonnes ressources et aux bons outils.
- Précipiter l’adoption de l’IA aggrave la dette numérique. Déployer des outils IA sans base sémantique solide expose à la sous-utilisation, à la dégradation des réponses et à la baisse de l’engagement cognitif des salariés.
- Le vrai chantier est celui du harnais sémantique. L’étape la plus critique consiste à identifier, nettoyer et structurer à l’échelle de l’entreprise les informations, données, connaissances et procédures, y compris les plus informelles, pour permettre aux agents d’agir avec autonomie.
3 ans et demi après la sortie de ChatGPT, la bulle spéculative autour de l’IA générative n’en finit plus de grossir. Alors que les valorisation des startups atteignent des sommets, les salaires grimpent en flèche de même que le coût de la vie, notamment dans la Silicon Valley où les prix plancher pour louer un simple studio dépassent les 5.000$ / mois : In San Francisco, Even $180,000 Tech Salaries Are No Longer Enough.
Cette situation est-elle tenable ? Non, bien évidemment que non.
La bulle spéculative va-t-elle exploser ? Non, car le potentiel est bien réel, mais le délai de réalisation est bien plus long qu’on veut bien nous le faire croire. Il en résultera un long dégonflement de cette fameuse bulle jusqu’à trouver un équilibre entre l’offre et la demande, qui je vous le rappèle est très largement subventionnée puisque les abonnements sont vendus à perte. Et là, je ne vous parle même pas des 90% d’utilisateurs de l’IA générative qui exploitent des services gratuits que les éditeurs ont le plus grand mal à financer avec de la publicité.
Bref, tout ça pour dire que la réalité est bien différente de celle propagée dans les médias (spécialisés ou non), ainsi que par les éditeurs qui ont la très désagréable tendance à ne raconter qu’une partie de l’histoire.
Des statistiques et des appellations trompeuses
Cela fait plus de 3 ans que je parle d’IA générative sur ce blog. À chaque nouvel article, j’associe les dernières actualités ; et à chaque fois, ces études et statistiques sur l’IA envoient des signaux contradictoires.
Ainsi, la semaine dernière, Anthropic et OpenAI nous dévoilaient que près de 15% des tâches pouvaient déjà être automatisées : A Significant Increase in Digital Labor Automation et Mapping Europe’s AI Workforce Opportunity. Une aubaine pour les entreprises qui souhaitent « gagner en compétitivité » (= licencier des salariés).
Donc en moyenne, 15% des tâches réalisés par les employés de bureau en Europe pourraient être prises en charge par des IA, pourtant elles ne le sont pas. L’explication est toute simple : les salariés et organisations ne sont pas prêts. Voilà pourquoi les startups et les grandes sociétés technologiques ont toutes annoncé des projets très ambitieux de cabinets conseil dédiés à l’implémentation de l’IA dans les entreprises à l’aide de consultants forward-deployed engineers :
- Microsoft unveils $2.5B ‘Frontier Company’ to embed AI engineers inside customers
- Amazon launches new $1 billion FDE org, following OpenAI and Anthropic
Un sacré paradoxe : devoir recruter des prestataires pour pouvoir licencier des salariés. Je vous laisse apprécier l’ironie de ce que les Big Techs nous proposent…
Mais l’actualité récente ne nous apporte pas que des mauvaises nouvelles, puisqu’une autre étude nous explique qu’au contraire, une adoption de l’IA engendre une hausse de l’activité, donc des embauches. Les équipes de Ramp ont ainsi constaté une hausse de 10% des utilisateurs de leur plateforme dans les entreprises ayant adopté l’IA : A New Look at AI’s Impact on Jobs.
Qui a raison et qui a tort dans cette histoire ? Impossible à dire, car nous manquons cruellement de recul pour bien mesurer l’adoption réelle et l’impact de l’IA dans les entreprises.
À ce sujet, vous constaterez que l’on continue de reproduire les erreurs du passé : on se cache derrière les statistiques d’adoption par les plus jeunes en se disant que les nouveaux usages finiront bien par ruisseler chez les vieux (les plus de 25 ans) : Children are adopting AI technologies more than three times faster than adults.
Sauf que, comme j’ai déjà eu de nombreuses occasions de vous l’expliquer, l’adoption de l’IA n’est pas binaire, car c’est une technologie à usages généraux qui englobe de nombreuses façons de l’exploiter et surtout une très large gamme de services plus ou moins sophistiqués. Pour faire simple : Tout comme ce n’est pas parce que vous avez fait une recherche dans Google que vous avez accompli votre transformation numérique, ce n’est pas parce que vous avez posé une question à ChatGPT que vous avez adopté l’IA générative.
Dans « Transformation numérique » il y a le mot « Transformation », comme dans « Transformation des habitudes de travail ». Certes, une des conditions nécessaires à la transformation numérique est la mise à disposition de nouveaux outils numériques, mais cette condition n’est pas suffisante pour considérer qu’il y a effectivement eu une transformation.
De même, dans « Transformation agentique » il y a également le mot « Transformation », comme dans « Transformation des habitudes de travail ». Et là aussi, la condition nécessaire, mais pas suffisante, est la mise à disposition de nouveaux outils agentiques. Il en découle que la transformation agentique ne peut être considérée comme opérante que si ces agents IA ont accès aux bonnes informations, données, connaissances et outils : De la transformation numérique à la transformation agentique.
Tout ceci n’est pas nouveau, car je l’ai déjà expliqué dans de nombreux articles. Le problème est que l’ambiguïté persiste, car on continue de nous vendre la transformation agentique comme on nous vendait de la lessive il y a 40 ans : l’IA est le nouvel enzyme glouton, un raccourci sémantique permettant de faire des publicités plus percutantes.
Si vous lisez régulièrement ce blog, alors vous savez que je me lamente très régulièrement des raccourcis sémantiques dont usent et abusent les éditeurs et cabinets conseil pour nous vendre leur sauce. Ainsi, dans une publication très récente, McKinsey nous présente l’IA comme une « force de travail » capable d’égaler voir de surpasser les capacités des salariés en s’appuyant sur les mesures statistiques de l’étude annuelle de l’université de Stanford (The 2026 AI Index Report).
Ils anticipent ainsi l’émergence d’entreprises symbiotiques où se mélangent travailleurs humains et travailleurs synthétiques : The symbiotic enterprise. Je ne remets pas en cause la légitimité du laboratoire d’IA de l’université de Stanford, ni le sérieux de l’étude, mais je réfute le schéma mental utilisé par McKinsey, car jusqu’à preuve du contraire, l’IA est et reste une ressource informatique : AI agents are not your « coworkers ».
D’ailleurs, vous noterez que les spécialistes spécifiquement embauchés par les Big Techs pour clarifier ce point ont encore du mal à définir réellement ce qu’est une IA : ‘There’s this deep mystery of what, actually, is this thing?’: the philosopher inside Google DeepMind AI.
Donc je le dis et je le répète : les chatbots ou agents IA ne doivent pas être considérés comme des collègues ou stagiaires, mais comme des ressources, des prestataires synthétiques auxquels vous ne pouvez qu’envoyer des instructions par message, et qui découvrent à chaque nouvelle demande le contexte de votre entreprise et de votre métier (cf. L’IA ne doit plus être considérée comme un outil, mais comme un agent économique et social).
Un fonctionnement qui, vous en conviendrez, n’est pas idéal (imaginez que tous les matins c’est un nouvel intérimaire qui vient vous prêter main forte), mais que l’on cherche à compenser avec la puissance des derniers modèles génératifs.
Par comparaison, c’est comme de dire que vous pourrez surfer plus vite sur le web à l’aide d’un ordinateur équipé d’un processeur plus puissant, alors que vous n’avez toujours pas de connexion WiFi !
🤦🏻♂️
Des supercars que très peu savent conduire
Comme c’est le cas depuis plus de 3 ans, l’attention médiatique est monopolisée par les performances des modèles les plus puissants (Fable 5, GPT 5.6…), et dernièrement par les restrictions d’accès qui y sont associées :
- Anthropic Blocks Fable 5, Mythos 5 Access Following Government Order
- Trump drops restrictions on Anthropic’s Mythos and Fable models
- OpenAI’s GPT 5.6 rollout now requires US government approval on a « customer by customer basis »
Tout le monde veut absolument avoir accès au modèle le plus puissant (en ce moment, c’est Fable 5 chez Claude), même si le coût est exorbitant. Pourtant, il existe des modèles tout aussi récents qui proposent un bien meilleur ratio coût / performance : Anthropic launches Claude Sonnet 5 as a cheaper way to run agents.
Il y a comme une obsession du marché pour LE modèle de référence, un peu comme si un gestionnaire de flotte automobile fantasmait devant la dernière supercar (la Bugatti Tourbillon), alors que tout ce dont les commerciaux ou techniciens ont besoin est d’une Clio propre et fiable. La vérité est qu’à part pour certains développeurs expérimentés, l’utilisation de ces modèles ultra-puissants est un pur gâchis d’argent et d’énergie.
Croyez-le ou non, mais ce qui conditionne réellement la pertinence d’une IA dans un contexte professionnel est la qualité de la couche sémantique : les informations, données, connaissances et procédures auxquelles les chatbots et agents ont accès. Une couche sémantique que Microsoft convoite très avidement avec son offre « Work IQ » : Des Digital Workplaces aux Agentic Workplaces.
Pour résumer une longue explication : l’important n’est pas la puissance du modèle, mais la richesse et la précision du contexte métier. Ce n’est un secret pour personne, et pourtant, on continue de nous vendre des enzymes gloutons…
Les Skills sont les nouveaux freewares
Les chatbots fonctionnent grâce à des instructions, des « prompts ». Ça, vous le saviez déjà.
Pour obtenir de meilleures réponses, il faut soigner ses prompts. Ça aussi, vous le saviez déjà (lire à ce sujet : Le B-A-BA du prompt).
Le problème est que, si l’on doit ré-écrire les prompts à chaque nouvelle demande, on ne gagne pas de temps. Voilà pourquoi les éditeurs proposent le principe de chatbot personnalisé, un chatbot avec une configuration spécifique (instructions et documents de référence). Et pour faciliter le partage, il est maintenant possible d’exporter ces configurations à l’aide d’un format standardisé : Agent Skills.
La conception et le fonctionnement d’un skill sont à la fois simples et puissants, c’est ce qui fait la beauté de ce standard maintenant adopté par Anthropic, OpenAI, Microsoft, Google, xAI… Nous commençons même à voir émerger des places de marché de skills (ex : Skills.sh) et des offres reposant sur les skills (ex : Maestrix).
Dans la mesure où ces skills sont librement téléchargeables et modifiables (dans l’absolu, ce ne sont que des fichiers de texte brut), on finit par les installer sans trop y réfléchir, juste parce que c’est gratuit et léger, un peu comme un freeware. Sauf que ces skills n’ont d’intérêt que s’ils sont correctement configurés et intégrés à votre environnement de travail.
Utiliser le nom « Agent Skills » pour cette norme est encore une fois une appellation abusive, car ce ne sont pas réellement des agents intelligents, simplement des gros prompts formatés de façon standardisée. Pour en faire des agents intelligents et autonomes, il faut leur donner accès aux bonnes ressources et les connecter aux bons outils, sans quoi, ils sont inopérants.
C’est cette différence qui donne autant de valeur aux agents intégrés dans les solutions professionnelles, notamment chez Adobe, Salesforce, ServiceNow… Et c’est également ce qui permet aux assistants numériques des grands éditeurs d’être positionnés en amont de la chaine : car ils ont accès aux informations, données et connaissances des utilisateurs. Cette position privilégiée leur permet d’endosser le rôle d’orchestrateur, celui qui ordonne et pilote les agents.
Pourquoi est-ce que je vous (ré)explique tout ça ? Pour vous aider à relativiser les promesses des éditeurs et cabinets conseil : les gains de productivité que l’on nous fait miroiter ne seront réalisés que quand vous (ou votre entreprise) serez en mesure de fournir les bonnes informations / données / connaissances / procédures aux agents, orchestrateurs ou assistants.
Si cette condition n’est pas remplie, alors les meilleures solutions ne valent pas plus que les chatbots déjà disponibles sur le marché. Partant de ce constat, pourquoi se précipiter ?
Ne pas se dépêcher de mal faire les choses
Je pense ne rien vous apprendre en écrivant que nous traversons en ce moment une période d’hystérie collective où toutes les entreprises se sont lancées dans une course à l’IA sans trop savoir ni comment, ni pourquoi, ce qui ne fait qu’aggraver la dette numérique : Europe Accelerates in AI Race But a Growing Divide Threatens Progress.
Si nous sommes tous d’accord sur le fait que les modèles génératifs et l’IA agentique va révolutionner le monde du travail, du moins celui des travailleurs du savoir, très peu sont ceux qui reconnaissent que cette révolution est alimentée par un rythme d’innovation très élevé, donc la quasi-impossibilité de déployer ces nouveaux outils dans un environnement professionnel.
Autant un travailleur freelance ou un étudiant peut se permettre de tester les dernières innovations (ex : Hermes Agent, le nouveau OpenClaw), car ce qui se passe sur son ordinateur est de sa responsabilité ; autant un salarié doit se conformer aux règles établies par sa DSI pour éviter les failles de sécurité ou pannes d’exploitation. C’est une réalité à laquelle aucune entreprise ou organisation ne peut échapper.
En déployant dans la précipitation des licences pour des outils professionnels qui ne reposent pas sur des bases technologiques stables, les entreprises s’exposent à 3 risques :
- Une sous-utilisation d’outils trop sophistiqués pour des salariés qui n’ont pas été formés (donc une perte d’argent) ;
- Une mauvaise structuration des informations, données ou procédures que les chatbots ou agents internes pourraient mal interpréter (donc une dégradation de la pertinence des réponses ou des actions automatisées : Don’t Let AI Slop Muck Up Your Company’s Processes) ;
- Une baisse de l’engagement cognitif des salariés (de leur propension à réfléchir), car ils se reposent sur des outils dont ils ne comprennent pas bien le fonctionnement ou les limites (donc une baisse de l’efficience : AI is making us faster, more productive, and worse at thinking).
Dans les trois cas de figure, un déploiement précipité peut faire bien plus de dégâts qu’autre chose.
Je n’insisterai jamais assez sur la nécessité de soigner la qualité des informations et connaissances, notamment à l’aide d’une structure sémantique formelle pour laisser l’opportunité aux IA d’exploiter un corpus de qualité, car sinon, elles ne peuvent délivrer de la valeur ajoutée : New benchmark exposes how badly AI struggles with real knowledge work.
Et comme toujours, le fond du problème est le manque d’acculturation et de responsabilisation des salariés pour qu’ils mettent eux-mêmes de l’ordre dans leurs informations, données, connaissances et procédures.
La richesse se situe dans les informations et connaissances informelles
Déployer l’IA agentique dans une entreprise ou organisation est un chantier complexe sur les aspects techniques, fonctionnels et organisationnels.
Certes, il y a des aménagements techniques à prévoir pour pouvoir déployer des agents, ou laisser les agents des autres exploiter vos ressources, mais les considérations techniques sont plutôt très bien encadrées par un ensemble de bonnes pratiques et standards qui facilitent ce travail de « mise à niveau » (Êtes-vous prêt pour le web agentique ?).
Mais le plus gros du chantier est de s’attaquer à un ensemble de tâches et procédures à faible valeur ajoutée. Mais pas n’importe lesquelles : celles qui ne sont pas déjà sous-traitées à des robots (RPA) ou des prestataires (sous-traitance). Toute la difficulté du chantier de transformation agentique est que les tâches les moins complexes (répétitives, prévisibles…) ont déjà été automatisées. Ce nouveau chantier de transformation concerne ainsi les tâches à faible volume ou à plus grande complexité, celles que les systèmes traditionnels de RPA ne savent pas prendre en charge : L’IA pour restructurer les informations et données.
Pour pouvoir automatiser des tâches moins répétitives et des procédures plus complexes, les IA ont besoin d’avoir accès à un certain nombre d’informations, données, connaissances, procédures et outils qui leur garantit l’autonomie nécessaire pour s’adapter au plus grand nombre de situation et cas de figure. C’est ce que l’on désigne par le terme de harnais sémantique : un cadre opérationnel pour que les agents puissent agir de façon efficace et autonome.
Mais pour cela, il faut au préalable avoir mené un chantier d’identification, de mutualisation, de nettoyage, d’enrichissement et de structuration des informations, données, connaissances et procédures. Un chantier qui doit être mené à l’échelle de l’entreprise, et pas seulement pour des projets pilotes : La clé de la transformation agentique est la gouvernance.
Comme vous pouvez le constater, le harnais sémantique ne se limite pas au raccordement à telle ou telle base de données, car il nécessite une gouvernance beaucoup plus large que celle qui se limite aux données. Une gouvernance qui englobe également toutes les informations (ex : conversations), connaissances (ex : référentiels, historique de projets…) et procédures informelles qui n’existent que dans la tête des collaborateurs, ou qui sont éparpillées dans un ensemble inextricable d’emails, fichiers et dépôts.
Ne pensez pas que les gains de productivité qui nous ont été promis vont être simples à réaliser, car l’optimisation du fonctionnement des entreprises et organisations a en réalité commencé il y a des dizaines d’années. Pour utiliser une image simple à comprendre : les fruits sur les branches les plus basses ont déjà été cueillis, il faut maintenant sortir l’échelle pour aller chercher ceux sur les branches les plus hautes.
Et n’oubliez pas que l’automatisation des tâches à faible valeur ajoutée n’est pas un objectif, mais une étape. La finalité étant non pas de travailler plus vite, mais de travailler mieux. De pouvoir libérer du temps et de la charge cognitive pour que les salariés puissent se concentrer sur des activités à plus forte valeur ajoutée, comme ça a été le cas chez cette célèbre marque suédoise : Comment Ikea a transformé un simple chatbot en une activité rentable.
Voilà pourquoi nous parlons bien de transformation agentique (changer les habitudes de travail) et non d’accélération agentique (faire la même chose, mais plus vite).
Questions / Réponses
Pourquoi les entreprises n’utilisent-elles pas davantage l’IA alors que 15 % des tâches pourraient déjà être automatisées ?
Parce que les salariés et les organisations ne sont pas prêts : les outils existent, mais l’automatisation réelle suppose que les agents aient accès aux bonnes informations, données, procédures et outils. Cette condition n’est aujourd’hui que rarement remplie.
Quels sont les risques d’un déploiement précipité de l’IA en entreprise ?
Trois risques principaux sont identifiés : une sous-utilisation d’outils trop sophistiqués pour des salariés non formés, une mauvaise structuration des données pouvant dégrader la pertinence des réponses, et une baisse de l’engagement cognitif des salariés qui se reposent sur des outils mal compris.
Faut-il absolument utiliser le modèle d’IA le plus puissant du marché pour être productif ?
Non. Une comparaison intéressante pour cette obsession de la puissance est celle d’un gestionnaire de flotte fantasmant sur une supercar alors qu’une voiture fiable suffit aux salariés. Pour un usage professionnel courant, la richesse du contexte métier compte bien plus que la puissance brute du modèle.
Que sont les « Agent Skills » et rendent-ils un chatbot réellement autonome ?
Ce sont des configurations standardisées (instructions et documents de référence) exportables d’un chatbot à l’autre. Malgré leur nom, ce ne sont pas de véritables agents intelligents : sans accès aux bonnes ressources et aux bons outils, ils restent inopérants.
Qu’est-ce que le « harnais sémantique » et pourqoi est-il indispensable aux agents IA ?
Le harnais sémantique est le cadre opérationnel qui permet aux agents IA d’agir efficacement et de façon autonome, en s’appuyant sur des informations, données, connaissances et procédures identifiées, nettoyées et structurées. Il ne doit pas se limiter aux bases de données internes : il doit idéalement inclure le savoir informel des collaborateurs.