L’adoption de l’IA est facile à observer. Son impact sur l’activité ne l’est pas.
Une organisation peut acheter des licences, lancer des projets pilotes, former ses collaborateurs, déployer des assistants conversationnels et faire état d’un usage généralisé sans modifier sa structure de coûts, son expérience client, ses délais, sa qualité ou son chiffre d’affaires. Cela signifie rarement que l’IA a échoué. Le plus souvent, l’organisation a adopté un outil sans encore réorganiser le système autour de lui.
Le piège de l’adoption
Compter les utilisateurs est tentant, parce que c’est simple :
- Combien de collaborateurs y ont accès ?
- Combien de prompts ont été envoyés ?
- Combien de copilotes ont été activés ?
- Combien de projets pilotes sont en cours ?
Ces chiffres peuvent compter. Ils mesurent l’exposition et l’apprentissage. Mais ce ne sont pas des mesures de résultat.
Une meilleure question serait :
Quel goulet d’étranglement opérationnel a changé parce que l’IA fait désormais partie de ce workflow ?
Si la réponse n’est pas claire, l’organisation en est encore au stade de l’adoption plutôt qu’à celui de l’impact.
La technologie avance plus vite que la réorganisation
L’IA peut être déployée dans un navigateur en quelques minutes. Les compléments nécessaires pour en capter la valeur progressent plus lentement :
- L’accès aux données et leur qualité
- La refonte des workflows
- L’intégration aux systèmes de référence
- Une répartition claire des rôles et des responsabilités
- La conception des politiques et des contrôles
- Les compétences, les incitations et les indicateurs de performance
- Les achats, la sécurité et les autorisations réglementaires
C’est pourquoi les capacités visibles peuvent apparaître bien avant les gains de productivité visibles. La technologie est là, mais l’organisation qui l’entoure reflète encore le workflow de l’ère précédente.
La courbe en J de la productivité
De nombreuses technologies à usage général provoquent d’abord une baisse de productivité. Les équipes passent du temps à apprendre, à retravailler les processus, à migrer les données, à résoudre les exceptions et à maintenir en parallèle l’ancienne et la nouvelle façon de travailler. Les bénéfices n’apparaissent qu’une fois les investissements complémentaires en place.
L’IA suivra probablement le même schéma.
Ce qui compte, c’est que le workflow ait été repensé pour que le résultat du modèle atteigne un point de décision, réduise les reprises et change l’économie du processus.
Du projet pilote à la production
Un workflow de production utile présente cinq propriétés :
- Une décision ou une action précise. Le workflow ne s’arrête pas à une synthèse ; il change ce que quelqu’un fait ensuite.
- Des données d’entrée fiables. Les données et documents pertinents sont accessibles, gouvernés et reliés entre eux.
- La gestion des exceptions. Le système sait quels cas il ne doit pas traiter automatiquement.
- Un responsable identifié. Quelqu’un répond du résultat, et pas seulement de l’outil.
- Un indicateur mesurable. Le délai de traitement, le taux d’erreur, le taux de recouvrement, la conversion, l’exposition au risque ou un autre résultat métier s’améliore de façon mesurable.
Un exemple
Comparons deux initiatives d’IA.
Initiative A : les collaborateurs reçoivent un assistant conversationnel généraliste. L’usage augmente. Les gens disent gagner du temps. Il n’existe aucune mesure directe de la qualité, de l’évolution des processus ou de l’impact financier.
Initiative B : l’IA extrait les obligations contractuelles, les compare aux données d’achat, repère les préavis qui approchent, relie chaque recommandation aux clauses sources et transmet les exceptions aux responsables des contrats. L’organisation mesure le risque de renouvellements manqués, le temps de revue et les résultats des renégociations.
Les deux peuvent être utiles. Seule la seconde est structurée pour démontrer un impact opérationnel et le faire croître.
Le point de vue d’aixtract
aixtract se concentre sur l’écart entre les données et l’action. L’objectif est un workflow dans lequel des informations fragmentées deviennent une décision traçable, une décision devient une action dont quelqu’un est responsable, et le résultat améliore la décision suivante. Le critère n’est pas d’avoir plus d’activité liée à l’IA.
L’adoption est la première étape ; la valeur vient de la réorganisation qui l’accompagne.
Adapté du livre La pensée au rabais : Ce que l’IA rend abondant, ce qu’elle rend rare, et à qui profite la différence de Daoyuan Li, PhD.