Les chantiers préalables à votre transformation agentique

Différentes études nous prouvent que les outils exploitant l’IA générative sont déployés dans les entreprises à un rythme soutenu, mais que les gains collectifs restent encore largement en retrait par rapport aux bénéfices constatés au niveau individuel. Le problème n’est pas seulement technique, car la clé réside dans la capacité des entreprises et organisations à faire évoluer les compétences et méthodes de travail des collaborateurs, ainsi que leur fonctionnement. Je vous propose dans cet article de dépasser la course aux outils pour examiner ce qui doit réellement être préparé avant un déploiement à grande échelle de l’IA générative. Acculturation, documentation des processus, structuration des connaissances et formalisation du travail réel : c’est probablement là que commence la transformation agentique.

Thèmes : Transformation numérique, IA générative.

Les semaines passent et se ressemblent, même pendant la sacrosainte trêve estivale. Invariablement depuis plus de 3 ans, nous avons droit toutes les semaines à des statistiques toujours plus enthousiastes et optimistes sur l’adoption de l’IA par les entreprises.

Récemment, c’est le cabinet-conseil Gallup qui essayait de nous démontrer la croissance de l’adoption de l’IA avec cette statistique : aux États-Unis, 47% des salariés disent que leur employeur utilise l’IA, avec une croissance de 6 points par rapport au trimestre dernier (Organizational AI Adoption Jumps Six Points). Génial, et alors ?

Je ne sais pas ce que vous en pensez, mais j’ai beaucoup de mal à comprendre ce que cette statistique nous enseigne au juste. Trouveriez-vous pertinent de dire « x % des salariés en France disent que leur employeur utilise l’informatique » ? Le problème est que l’on n’utilise pas les bons indicateurs, et surtout qu’il y a un énorme amalgame : rien que le terme « intelligence artificielle » ne veut pas dire grand-chose, car c’est avant tout un concept et non un outil ou une technologie. Et quand bien même on nous disait que % des entreprises ont un abonnement à tel ou tel service, cela ne nous apprendrait rien sur l’adoption et les usages réels de l’IA générative. De plus, laissez-moi vous rappeler qu’il y a différents types de modèles génératifs, ainsi que différentes catégories d’outils (cf. mon Panorama des services d’IA générative que je dois mettre à jour).

Mais le pire, c’est que la mise à disposition d’outils (leur déploiement effectif) ne signifie par pour autant leur adoption, car il y a de nombreuses conditions à remplir avant de pouvoir exploiter les modèles génératifs ou les agents intelligents à leur plein potentiel : La transformation agentique ne sera pas (que) technique, mais sémantique.

Voilà pourquoi j’ai la conviction que le déploiement à marche forcée de l’IA en entreprise est contre-productif, et que les chantiers préparatoires sont bien plus critiques que le déploiement en lui-même.

Le récit d’adoption ne résiste pas au détail

Dans une étude récente, le cabinet McKinsey a interrogé plus de 1.700 dirigeants dans 97 pays sur l’usage de l’IA dans leur organisation : The state of AI in 2026: On the road to ROI. Le titre de l’étude laisse à penser que le retour sur investissement des entreprises qui ont adopté l’IA est en cours, mais là encore, ils nous présentent une vision déformée de la réalité.

Officiellement, l’adoption de l’IA accélère, car près de 9 entreprises sur 10 utilisent l’IA (j’ai expliqué plus haut que cet indicateur est absurde).

Mais quand on regarde dans le détail, on se rend vitre compte qu’il y a de grosses différences entre les grandes entreprises et les ETI / PME, ainsi que dans le type d’outils utilisés. Ainsi, vous pouvez voir le verre à moitié plein (2/3 des grandes entreprises utilisent des chatbots), ou le verre à moitié vide (80% des ETI et PME n’ont toujours pas déployé à grande échelle des outils d’IA autre que des chatbots).

De même, vous pouvez considérer qu’1/3 des fonctions marketing ont déjà constaté une hausse des revenus grâce à l’IA, ou qu’en moyenne 70% des départements n’ont toujours pas constaté de gains.

L’enseignement le plus intéressant de cette étude est certainement le suivant : les gains apportés par l’IA se font essentiellement ressentir au niveau individuel (pas au niveau de l’entreprise), et varient en fonction du rôle et de la séniorité.

Je ne prétends aucunement savoir ou pouvoir réaliser des études plus précises ou pertinentes que McKinsey, mais encore une fois, je constate qu’il suffit de lire entre les lignes pour comprendre que le récit de l’adoption de l’IA est encore largement enjolivé, alors que les statistiques mises à notre disposition nous permettent facilement de comprendre qu’il y a différents niveaux d’adoption pour différents types d’outils et pratiques.

Autre source intéressante qui étaye mes propos, cette étude d’Epoch sur le type d’abonnement aux outils d’IA : Most AI use at work happens on free plans, except in science and tech. Sans surprise, l’étude nous apprend qu’en moyenne, presque la moitié des salariés utilise une version gratuite des chatbots, et qu’1/4 utilisent le chatbot fournit pas l’employeur (généralement Copilot qui est maintenant inclut dans l’offre de Microsoft).

Certes, les équipes informatiques ou de R&D sont équipées avec des outils payants (car elles ont des besoins bien plus intensifs), mais pour les 2/3 des salariés lambda, un chatbot gratuit suffit amplement.

Ce que l’on peut conclure de ces études est que non, l’adoption de l’IA n’est pas aussi rapide qu’on essaye de nous le faire croire. L’adoption de l’IA générative est pour le moment rapide en surface, mais superficielle en profondeur, et surtout inégale selon la taille de l’entreprise ou selon le métier et le niveau de responsabilité.

Croyez-le ou non, mais c’est exactement le même schéma d’adoption que pour les outils numériques il y a une vingtaine années.

L’écart n’est pas technique, mais organisationnel

Je pense ne rien vous apprendre en écrivant que l’adoption des outils numériques a été longue, chaotique et surtout très disparate en fonction des profils d’utilisateur. Pour résumer une longue explication : celles et ceux qui étaient à l’aise avec les outils informatiques ont été beaucoup plus rapides à adopter les outils numériques, tandis que ceux qui ont accepté de changer leurs habitudes de travail ont bénéficié plus rapidement des apports des outils numériques.

Il n’y a aucune raison pour que l’adoption de l’AI générative et agentique suive une trajectoire différente.

Si l’on revient à l’étude de McKinsey, l’écart statistique le plus révélateur est le suivant : en moyenne, 80 % des personnes qui utilisent l’IA dans leur travail déclarent que leur productivité personnelle s’est améliorée, alors que seuls 6 % des entreprises constatent un effet significatif sur leur résultat. Traduction : les gains existent au niveau individuel, mais pas collectif.

L’explication de ce constat est simple : les gains de performance enregistrés au niveau des individus ne sont pas réaffectés à d’autres tâches ou missions. En clair, les heures gagnées chaque semaine sont dissoutes dans le quotidien de chaque salarié.

Les rares entreprises qui déclarent constater des gains collectifs (de meilleurs résultats) ont un point commun : près des trois quarts des organisations performantes déclarent avoir repensé en profondeur leurs processus de travail. Ainsi, ce n’est pas le choix du modèle ou de l’outil qui distinguent les entreprises qui performent des autres, c’est leur volonté de se réorganiser.

La conclusion que l’on peut tirer de cette étude est tout aussi simple : tant que les entreprises évalueront l’adoption de l’IA générative selon le taux d’équipement (le nombre de licences distribuées), elles continueront à financer les 80% de salariés dont le quotidien est soulagé, sans pour autant rejoindre le club des 6% d’entreprises qui ont constaté une hausse globalle de leurs résultats.

La question n’est pas de savoir combien de salariés ont accès à une IA (chatbot ou autre), mais quels sont les usages, et plus précisément, à quelle vitesse les salariés transforment leur façon de travailler à mesure qu’ils exploitent toujours plus de possibilités offertes par les modèles génératifs. Sachant que de toute façon, les usages ne sont pas uniformes, ce qui a une incidence sur les besoins en compétences :

• les individus fonctionnent principalement par tâches successives. Pour eux, les chatbots peuvent produisent des gains de productivité et de qualité, à condition que les utilisateurs sachent correctement formuler leurs demandes, donc qu’ils maitrisent les prompts.
• Les équipes s’organisent autour de procédures. Dans ce cas de figure, les agents peuvent produire des gains partagés, à condition d’être en mesure de correctement décrire la méthode à suivre, donc de maitriser les skills.
• Les départements sont structurés autour de processus plus complets. À leur niveau, les orchestrateurs peuvent contribuer à une amélioration des performances, à condition qu’ils aient accès aux bonnes connaissances et aux bons outils pour pouvoir piloter efficacement des agents. Il y a donc une nécessité de maitriser les plugins associés à chaque métier.
• Les branches d’une entreprise prennent en charge des activités transverses qui englobent plusieurs processus. Ces dernières sont régies par des cycles qui peuvent être modélisés afin d’automatiser une partie des traitements nécessaires, mais pour cela, encore faut-il maitriser le principe de loop.

Comme vous pouvez le constater, il n’y a pas qu’un seul type d’outils reposant sur l’IA générative, ni une seule façon de les exploiter. La grande difficulté est que la performance de chaque niveau conditionne celle du niveau supérieur. Ainsi, une entreprise qui déploie une solution d’orchestration d’agents s’en s’être assuré que les individus et équipes ont bien intégré dans leurs routines de travail les prompts et les skills ne fait qu’acheter une couche d’automatisation qui repose sur du vide.

J’aimerais vous dire qu’il existe une solution magique pour pouvoir facilement générer des gains de productivité mesurables à l’échelle de l’entreprise, mais c’est une utopie, car la montée en puissance de l’IA doit se faire de façon progressive et homogène. D’où l’intérêt des environnements numériques de travail intégrés, qui offrent un cadre commun à ces quatre niveaux plutôt qu’un empilement d’outils exploités de façon individuelle : Des Digital Workplaces aux Agentic Workplaces.

Tout comme monter un centre d’excellence numérique ou un data lab n’a en rien contribué à la transformation numérique de votre entreprise, monter une équipe d’experts en IA ne facilitera pas l’adoption de l’IA ou le changement des façons de travailler. Au contraire, cela risque de déresponsabiliser les salariés qui pourraient penser que ce sont aux experts d’assurer la transformation agentique, de leur dire quoi faire.

Il n’y a à priori pas de méthode miracle pour pouvoir garantir ou accélérer l’adoption de l’IA générative, il faut que chaque salarié y trouve un intérêt et développe la volonté de monter en compétences et de changer ses habitudes de travail.

Rassurer et acculturer avant d’outiller

Comme nous venons de le voir, les gains de performance liés à l’adoption de l’IA générative ne pourront être matérialisés à l’échelle de l’entreprise, donc avoir un impact réel sur les résultats, que si l’ensemble des salariés s’inscrivent dans une démarche d’adoption de nouveaux outils et façons de travailler.

Ceci découle nécessairement d’un long parcours de montée en compétences qui exigent du temps et de l’énergie. Temps et énergie qui ne seront mobilisés par les salariés que s’ils sont bien disposés, c’est-à-dire s’ils sont volontaires. Or, c’est loin d’être le cas, car l’IA fait peur, du moins les conséquences de son déploiement à grande échelle sur l’emploi, notamment chez les jeunes, ceux qui sont censés être moteurs dans l’adoption de l’IA : Young adults in the U.S. are increasingly wary of AI, concerned it will take jobs.

L’ordre des priorités est le suivant : rassurer, puis acculturer. La formation vient après, et pas pour les raisons habituellement invoquées. Ainsi, une étude portant sur l’analyse de plus de 700.000 prompts rédigés par près de 4.000 salariés de fonctions support, répartis sur 15 domaines fonctionnels, pendant huit mois fait ressortir trois observations notables :

• les salariés les plus expérimentés développent les usages les plus sophistiqués ;
• la sophistication varie fortement selon les fonctions ;
• il n’y a pas eu de progression dans le temps, ni d’amélioration durable après une formation.

Le principal enseignement que vous pouvons tirer de cette étude (Sophistication in GenAI Use: Field Evidence from a Large Firm) est qu’une formation au prompt ne produit pas de maîtrise durable des outils d’IA. Ce qui influe véritablement sur la sophistication des usages est la profondeur de la connaissance du métier auquel on applique l’outil. Formulé autrement : on ne forme pas les salariés à l’IA, on outille ceux qui savent déjà ce qu’ils font, ou sont censés le savoir.

Voilà pourquoi il doit y avoir une distinction entre la formation de surface (fournir aux salariés des exemples de prompts qu’ils vont plus ou moins utiliser sans trop savoir comment et pourquoi ça fonctionne, ni ce qu’ils peuvent faire de plus) et l’acculturation.

Acculturer à l’IA consiste à faire comprendre aux salariés ce qu’est un modèle génératif, ce qu’il n’est pas, comment il fonctionne, ce qui le distingue des outils informatiques traditionnels, leurs forces et faiblesses… L’objectif n’est pas de transformer les salariés en singes savants, de leur faire reproduire des gestes qu’ils ne maîtrisent pas réellement ou dont ils ne comprennent pas le sens, mais de leur fournir les clés de compréhension pour qu’ils puissent se forger une opinion et développer la volonté en montée en compétences, puis de faire évoluer leurs habitudes de travail.

À mon sens, les deux plus gros dangers sont de laisser s’installer, voir de provoquer une adoption à plusieurs vitesses (L’IA agentique va faire émerger une nouvelle élite numérique) et de faire croire aux salariés que l’IA est un outil magique qui à lui seul peut les rendre plus performants (De l’illusion de la connaissance ou des compétences apportées par l’IA).

L’acculturation est donc indispensable, mais elle doit être précédée d’une phase de réassurance, car un salarié qui pense que l’IA va le remplacer ne documentera pas son propre travail, ce qui est précisément ce que vous allez lui demander de faire pour faciliter l’identification de cas d’usage (cf. Seule une meilleure pédagogie peut faciliter l’adoption de l’IA).

Le fait de rassurer les salariés va non seulement permettre de soulager une tension sociale qui est toujours plus forte à mesure que les modèles génératifs progressent et que les grands médias propagent des récits tronqués sur l’IA (ex : la couverture catastrophique des « incidents de sécurité » de l’été). Il est ainsi primordial que chaque salarié ai les idées claires sur le rôle de chacun (Une frontière toujours plus perméable entre l’homme et l’IA) et sur les apports de l’homme et de l’IA (Five principles for designing brain-powered organizations).

Prévoyez donc un gros travail de réassurance et d’acculturation. Mais ceci ne signifie par pour autant que la transformation agentique est à l’arrêt. Bien au contraire, car vous pouvez mettre cette période à profit pour mener à bien des travaux préparatoires indispensables.

Les chantiers préalables et nécessaires

Comme nous l’avons vu plus haut, il existe différents types d’outils exploitant les modèles génératifs : chatbots, agents, orchestrateurs, assistants. Ces types d’outils sont ordonnés selon une hiérarchie d’usages : des plus simples (questions/réponses pour les chatbots) aux plus sophistiqués (automatisation et anticipation de tâches récurrentes).

Au risque de me répéter : l’élément central qui va conditionner la performance des outils, donc les gains qu’ils vont apporter, n’est pas le modèle, mais le contexte de travail : plus les informations, données, connaissances, procédures, processus et outils nécessaires à la réalisation des différentes tâches sont correctement décrits et fournis, plus les IA réaliser des tâches de façon autonome. Ce fameux contexte de travail est ce que les spécialistes appellent le harnais sémantique, celui qui permet aux salariés de travailler de façon efficace, donc aux IA de les assister de façon efficace.

Formaliser le contexte de travail de chaque salarié, équipe, département et branche est un travail à la fois gigantesque et critique. À tel point qu’il est inenvisageable d’en confier la formalisation à des prestataires ou consultants externes. Il revient donc à chaque salarié de formaliser son propre contexte de travail. Une tâche pas forcément simple, surtout pour des salariés qui sont en « pilote automatique » depuis des années, otages d’une organisation quotidienne à laquelle ils n’ont pas contribué (les choix des outils de travail et canaux d’information ont été faits avant leur arrivée) et qui les dépasse (ils n’ont pas forcément la volonté de faire changer les choses, au risque de perturber un statu quo dont ils s’accommodent en l’échange d’un salaire).

La pire erreur que vous pourriez faire est de sous-estimer cette phase préalable, mais indispensable à la transformation agentique. Celle-ci peut être schématiquement décomposée en trois chantiers préparatoires plus ou moins complexes :

1. Évaluer le patrimoine interne d’informations, données et connaissances. Ce chantier a, en théorie, déjà été initié ou complété dans le cadre d’une gouvernance des données. Il ne reste en théorie plus qu’à le compléter en prenant en compte les informations et connaissances. Plus facile à dire qu’à faire, car il ne vous suffira pas de tout mettre dans un data lake, qui ne fait que « déplacer le bordel ». Il y a ainsi tout un travail de qualification, nettoyage, et structuration, ainsi que d’intégration pour en faciliter l’accès par les modèles génératifs (Agentic AI Runs On Integration, Not Data Lakes).
2. Formaliser les procédures et processus. C’est le chantier le plus long, car il touche directement à la façon dont travaille chaque salarié, équipe, département et branche. Sans ce travail de modélisation, un agent n’a aucune chance de pouvoir assister les salariés à grande échelle, de les aider à se décharger des tâches à faible valeur ajoutée (Your AI Agents Are Failing Because They Don’t Know Your Business).
3. Faire émerger les rituels informels et autres « moulinettes invisibles ». C’est de loin le chantier le plus sensible, car il expose les travers et solutions de contournement mises en place au fil des ans. Ces rites informels sont pernicieux, car ils pénalisent les procédures et processus officiels, ou peut-être bien qu’au contraire, ce sont eux qui permettent de compenser les lacunes ou d’assouplir les procédures et processus. Ce phénomène est bien décrit dans cet article de la Harvard Business Review qui aborde le sujet délicat des écarts de reporting entre l’organisation documentée, celle des tableaux de bord et des présentations, et l’organisation réelle, celle du travail quotidien et des circuits informels (The Two-Organizations Problem).

Mener à bien ces trois chantiers préparatoires permettra de décrire de façon précise le contexte de travail non pas d’une équipe pilote, mais de l’ensemble des salariés de l’organisation. C’est ce que certains appellent « formaliser l’intelligence organisationnelle de l’entreprise » : Building Organizational Intelligence.

Oui, nous sommes certainement tous d’accord pour dire que ce sont des chantiers d’envergure. Mais la bonne nouvelle est que vous avez le temps de les mener à bien.

Prendre de l’avance pendant que les autres dépensent

Au vu des prouesses dont sont capables les modèles génératifs aujourd’hui, et de celles résultantes des progrès à venir, la tentation est grande de vous lancer dans la course à l’innovation pour avoir un avant-goût des bénéfices qu’il est possible de tirer des IA génératives. Après tout, j’ai moi-même contribué à l’emballement médiatique (Web agentique : la révolution qui ne vous attendra pas).

Mais comme expliqué plus haut, il y a une grande différence entre simuler des gains de productivité à travers un projet pilote, et pouvoir les reproduire à grande échelle. D’autant plus que les fondamentaux technologiques de l’IA générative ne sont pas stables, car le rythme d’innovation est très soutenu. Peut-être trop soutenu, car il alimente une tendance au solutionnisme technologique qui crée plus de problèmes qu’il n’en résout (Quand la course à l’innovation devient contre-productive).

Ce qui est certain, c’est que nous avons au fil des années accumulé un faisceau de preuves qui nous force à prendre du recul et à aborder la « transformation agentique »révolution de l’IA » avec une attitude plus prudente : L’IA générative victime d’un emballement technologique et d’une adoption tardive. Le fait est que la fracture numérique est un problème que personne ne peut ignorer, d’autant plus quand il est question d’adopter des outils en rupture avec les solutions informatiques traditionnelles et de modifier les façons de travailler.

Voilà pourquoi il est plus que temps de ne pas se précipiter et d’aborder le chantier de transformation agentique avec un minimum de recul pour pouvoir procéder dans l’ordre afin de garantir une adhésion et une montée en compétences homogène de l’IA générative. Malheureusement, faire les choses d’en l’ordre implique de lancer des chantiers préalables complexes qui vont alourdir la charge de travail des salariés et managers, tout l’inverse de ce qu’on leur avait promis avec l’IA !

Voilà pourquoi le travail d’acculturation est essentiel, car il permettra de justifier les efforts qui seront demandés aux collaborateurs. Mais une fois que l’entreprise aura cartographié ses informations et connaissances, rendu ses données accessibles et documenté son fonctionnement réel, elle pourra mettre en oeuvre en quelques mois ce que ses concurrents tenteront encore d’installer par-dessus le désordre existant.

---

Sans doute serez-vous rassurer de lire que tout l’intérêt de ces chantiers préparatoires est qu’ils ne dépendent d’aucun choix technique, car ils gardent leur valeur quelle que soit le ou les modèles génératifs qui seront exploités, et car ils produisent un actif qui est spécifique et dont les concurrents ne peuvent pas bénéficier (l’intelligence organisationnelle).

Non, je ne suis pas en train de vous dire qu’il faut reculer pour mieux sauter, mais qu’il est tout à fait opportun de mettre à profit une période d’instabilité technologique pour préparer le déploiement d’une nouvelle génération d’outils qui vont nécessiter une refonte en profondeur du fonctionnement de l’entreprise.

Ça sera le prix à payer pour exploiter à leur plein potentiel les modèles génératifs et agents intelligents. Peut-être est-ce même là le coeur de la transformation agentique…

(!) L’illustration, ainsi que la synthèse et les Q / R de cet article ont été générées à l’aide de l’IA.