Cinq principes des entreprises qui se transforment grâce à l'IA

01 — La responsabilité humaine à grande échelle : du human-in-the-loop au human-in-the-lead

Le malentendu le plus courant en matière de gouvernance de l’IA consiste à assimiler la « supervision humaine » au « human-in-the-loop ». Le human-in-the-loop signifie qu’une personne examine les résultats de l’IA avant qu’une action ne soit prise. Dans les applications d’IA à haut volume et en temps réel, cela n’est pas scalable — et les organisations qui tentent cette approche se retrouvent soit avec une IA lente, soit avec un contrôle humain superficiel.

Le human-in-the-lead est différent. Il signifie que les humains définissent les limites dans lesquelles l’IA agit, assument la responsabilité des résultats produits par l’IA, et maintiennent une responsabilité claire — même lorsque l’IA agit de manière autonome dans le cadre de ces garde-fous. L’humain n’approuve pas chaque décision. L’humain est responsable du système qui prend les décisions.

Notre analyse de l’expérience client agentique montre à quoi cela ressemble concrètement : les agents IA de Visa finalisent des achats de manière autonome dans le cadre de règles préautorisées définies par le client. Le client est aux commandes — c’est lui qui a défini les garde-fous. Visa est aux commandes — c’est elle qui assume le résultat. Aucun humain n’a examiné chaque transaction. Chaque humain dans le système est responsable du cadre.

02 — La refonte du modèle opérationnel de bout en bout : de l’efficacité fonctionnelle à la responsabilité des résultats

Les déploiements d’IA isolés améliorent des fonctions individuelles. Ils ne transforment pas les organisations. La distinction relève du périmètre : l’IA fonctionnelle optimise une étape d’un processus ; la refonte de bout en bout réinvente le processus autour de ce que l’IA rend possible.

Notre analyse des opérations montre qu’Allied Systems a obtenu une amélioration de 10 % du TRS non pas en optimisant des machines individuelles, mais en repensant la coordination à l’échelle de l’ensemble du système de production. Notre analyse de la R&D montre qu’Insilico Medicine a comprimé le délai de découverte de médicaments non pas en accélérant des étapes individuelles en laboratoire, mais en repensant l’ensemble du processus, de l’hypothèse au préclinique, autour de flux de travail « AI-first ».

Dans les deux cas, le résultat à l’échelle de la transformation a été la conséquence d’une refonte de bout en bout. Les organisations qui redéploient l’IA cas d’usage par cas d’usage — sans repenser les flux de travail qui les relient — accumulent des gains incrémentaux mais ne comblent jamais l’écart avec les 15 %.

03 — Des systèmes de talents scalables : aligner incitations et rôles

L’IA à grande échelle exige une main-d’œuvre capable de travailler à ses côtés — et pas seulement de l’utiliser comme un outil. Les organisations à la pointe de la transformation par l’IA ont repensé leurs systèmes de talents autour de quatre compétences qui n’existaient pas en tant que rôles formels il y a cinq ans.

Les product owners IA définissent ce que les systèmes d’IA peuvent décider de manière autonome, fixent les garde-fous et assument les résultats. Ils sont responsables du comportement de l’IA, et pas seulement de son déploiement.

Les architectes de flux de travail repensent les processus autour des capacités de l’IA — en éliminant les étapes que l’IA rend redondantes et en restructurant le travail humain autour de ce que l’IA ne peut pas faire.

Les gardiens de modèles surveillent les systèmes d’IA en production, suivent leurs performances par rapport aux attentes, détectent les dérives et gèrent la boucle de rétroaction entre les résultats de l’IA et l’amélioration des modèles.

Les orchestrateurs humain-IA gèrent des équipes dans lesquelles humains et agents partagent une file de tâches — en répartissant le travail entre les deux, en gérant les circuits d’escalade et en veillant à ce que les humains restent responsables des résultats traités par l’IA.

Le déploiement à grande échelle par Repsol de 22 agents sur 38 cas d’usage, avec des projets d’extension à 90 agents et 3 000 employés IT, n’est opérationnellement cohérent que parce que l’entreprise a construit la couche de gouvernance humaine — les product owners IA, les architectes de flux de travail et les orchestrateurs — que ces rôles exigent. Notre analyse de la transformation des talents traite cette transition en détail.

04 — Une confiance fondée sur la transparence : la gouvernance comme catalyseur d’exécution

Les organisations qui déploient l’IA le plus efficacement traitent la confiance non pas comme un sentiment, mais comme une propriété conçue par ingénierie. Elles intègrent la transparence dans les systèmes d’IA dès le départ : des explications claires de ce que fait l’IA et pourquoi, des règles d’escalade visibles, et des mécanismes permettant aux humains responsables des résultats de comprendre le comportement de l’IA sans examiner chaque décision.

Le déploiement par Essity de l’IA agentique dans les achats et la finance illustre concrètement cette boucle de construction de confiance. Le système traite les décisions courantes de manière autonome. Lorsqu’il rencontre une exception — une transaction qui dépasse son pouvoir de décision —, cette exception est acheminée vers un examinateur humain. La décision de l’examinateur devient un signal d’apprentissage, améliorant la précision future du système. Au fil du temps, la charge d’examen humain diminue à mesure que le système apprend. La boucle est transparente : les humains peuvent voir ce que fait l’IA, pourquoi elle a escaladé, et comment leurs décisions sont intégrées.

C’est le modèle que notre analyse de la planification stratégique décrit comme un pilotage lié à l’exécution : l’IA surveille en continu l’écart entre les hypothèses stratégiques et la réalité opérationnelle, signalant les dérives aux décideurs humains en temps réel. L’humain ne supervise pas chaque point de données. L’humain fait confiance au système parce que la logique du système est visible et que ses critères d’escalade sont définis.

05 — Une expérimentation disciplinée : des échecs sûrs qui s’accumulent

Le cinquième principe est celui le plus directement lié à l’écart des 15 %. La plupart des organisations ont mené des expérimentations d’IA. La plupart de ces expérimentations ont produit des résultats positifs à l’échelle du pilote. La plupart n’ont pas été déployées à grande échelle. Le mode d’échec n’est pas l’expérimentation — c’est l’absence d’un mécanisme structuré pour transformer les apprentissages expérimentaux en connaissance organisationnelle.

L’approche de Claryo en matière d’apprentissage inter-sites illustre à quoi ressemble concrètement une expérimentation disciplinée. L’entreprise utilise l’IA pour extraire des enseignements de performance de sites de production individuels — en identifiant quelles adaptations locales produisent de meilleurs résultats — et propage ces enseignements à travers le réseau de l’entreprise. L’intuition d’un chef d’atelier sur le comportement d’une machine particulière n’est plus une connaissance locale. Elle devient un actif organisationnel.

La caractéristique distinctive des organisations au stade 4 n’est pas qu’elles mènent davantage d’expérimentations. C’est que leurs expérimentations sont conçues pour échouer en toute sécurité — de manière circonscrite, mesurable, instructive — et que les apprentissages de chaque expérimentation sont systématiquement captés et appliqués. Les seuils d’autonomie sont ajustés sur la base de données de performance réelles. L’enveloppe opérationnelle du système s’élargit à mesure que la confiance se gagne.

Ces cinq principes ne constituent pas une simple liste de contrôle. Ils forment un système intégré. La responsabilité humaine confère aux agents IA une enveloppe opérationnelle définie. La refonte de bout en bout garantit que cette enveloppe opérationnelle couvre l’ensemble de la chaîne de valeur. Les systèmes de talents scalables garantissent la présence d’humains capables d’opérer en son sein. La confiance fondée sur la transparence garantit que le comportement du système est auditable et améliorable. L’expérimentation disciplinée garantit que le système s’amplifie plutôt qu’il ne stagne.

Les organisations qui comprennent cela ne se demandent pas si l’IA fonctionne. Elles se demandent comment construire l’architecture organisationnelle qui fait que l’IA s’amplifie. Cette question — et la manière d’y répondre — est précisément ce que le modèle d’accompagnement Black Book d’ArkOne est conçu pour traiter.