L'IA appliquée ne fonctionne pas

Le monde a dépensé une fortune dans l'IA. Pour la plupart des entreprises, rien n'a changé. J'ai parlé à plus de 300 PDG, DSI et DAF des plus grandes entreprises de la planète. J'ai appris que la plupart des entreprises appliquent l'IA à leurs processus défectueux, et le résultat final est simplement de produire des déchets plus rapidement. Qu'il s'agisse d'acheter des milliers de licences Claude Code, de s'engager à dépenser 50 millions de dollars par an en tokens, ou d'organiser des sessions de formation à l'IA via Zoom, j'ai vu de mes propres yeux à quel point l'adoption de l'IA a été inefficace. Cela ne doit pas forcément être ainsi.

Nous avons déjà emprunté cette voie, à plusieurs reprises en fait, et nous devrions tirer les leçons de l'histoire en matière d'adoption de l'IA. J'espère qu'à la fin de cet article, les leaders de l'IA dans le monde entier cesseront leur méthodologie archaïque et naïve d'application de l'IA, et suivront plutôt le processus éprouvé illustré ci-dessous.

Partie 1 : L'Histoire et ses Parallèles

En 1990, un ancien professeur d'informatique du MIT nommé Michael Hammer a écrit un article pour la Harvard Business Review. Il avait déjà passé des années au sein d'entreprises qui dépensaient des sommes énormes en informatique tout en obtenant un très faible retour sur investissement, et il a été parmi les premiers à en découvrir la raison.

« De lourds investissements dans les technologies de l'information ont donné des résultats décevants, en grande partie parce que les entreprises ont tendance à utiliser la technologie pour mécaniser les anciennes méthodes de travail. Elles laissent les processus existants intacts et utilisent les ordinateurs simplement pour les accélérer. »

C'est une vraie citation. Sans blague ? Si vous remplaciez « technologies de l'information » par « IA », vous pourriez la publier demain et faire la une de Business Insider. Dans le même article, il écrivait qu'il était temps d'arrêter de paver les sentiers de vaches. Cela fait 36 ans, et devinez ce que nous faisons encore ?

Note : Paver les sentiers de vaches signifie automatiser, formaliser ou verrouiller un processus inefficace existant au lieu de le repenser pour qu'il fonctionne comme il se doit. Je vous ai évité un voyage sur Claude, de rien.

Pendant ce temps, plus de 1 000 milliards de dollars ont été dépensés en investissements (capex) pour développer l'IA (Microsoft, Alphabet, Amazon et Meta à eux seuls ont dépensé 410 milliards de dollars en 2025 ; c'est à couper le souffle, je sais), mais seulement 37 milliards de dollars ont été dépensés par les entreprises pour l'utiliser réellement. Ce que cela signifie concrètement : Le Département des Affaires et du Commerce du Royaume-Uni a mené un essai de Microsoft 365 Copilot et a publié les résultats. 1 000 licences ont été déployées sur 3 mois, et il n'y a eu qu'une moyenne de 1,14 action Copilot par utilisateur et par jour. Les diapositives PowerPoint sortaient 7 minutes plus vite (18 minutes contre 11), mais avec une note de qualité deux fois inférieure. L'analyse Excel était en fait réalisée plus lentement (et également de moins bonne qualité). Les gains de temps sur les e-mails étaient, je cite, « extrêmement faibles ». Leur propre conclusion, textuellement : « Nous n'avons pas trouvé de preuves solides suggérant que les gains de temps se traduisent par une amélioration de la productivité. » Et pourtant, 72 % des utilisateurs ont déclaré être satisfaits ou très satisfaits.

Bref : les gens ont aimé, mais ils produisaient exactement ce qu'ils produisaient avant. Ethan Mollick (Professeur associé à Wharton et chercheur en IA) l'a très bien dit : « L'utilisation de l'IA qui améliore les performances individuelles ne se traduit pas naturellement par une amélioration des performances organisationnelles. » Cet article expliquera pourquoi, et proposera des solutions que nous avons vues fonctionner dans la pratique.

Pour le contexte, je suis Vas, le PDG de @varickagents. Nous travaillons avec des entreprises extrêmement grandes (entre 500 millions et 100 milliards de dollars de chiffre d'affaires, de 1 000 à 100 000 employés), en les aidant à adopter l'IA, de la stratégie générale à la réingénierie des processus, en passant par la construction, le déploiement et la gestion de leurs agents. Cet article est basé sur les enseignements que nous en avons tirés : ce qui distingue les projets pilotes d'IA qui échouent (aucun retour sur investissement mesurable) de ceux qui réussissent (80 %+ du travail est entièrement géré par un agent, économisant du temps et de l'argent).

La raison pour laquelle cela continue de se produire n'est pas la stupidité pure. Une partie l'est, bien sûr, mais la majeure partie est due à l'inertie et à la conception. Celui qui signe un contrat d'IA aujourd'hui peut posséder les outils et la sélection des fournisseurs, mais il ne possède certainement pas le processus. Personne dans cette chaîne n'est habilité à entrer dans le service financier, par exemple, et à dire que leur processus en 14 étapes devrait en réalité comporter seulement 5 étapes. Donc personne ne le fait. Au lieu de cela, vous « appliquez l'IA » sur ce que vous avez actuellement, et vous vous retrouvez avec de la m*rde plus rapide.

L'IA n'est pas censée être « appliquée ». Cela ne fonctionne pas. On « applique » une couche de peinture. Trop de gens considèrent l'IA comme une nouvelle couche de peinture, et la peinture ne répare pas ce qui se trouve en dessous. Personne n'a jamais dit « cloud appliqué » ou « numérique appliqué ». Non, ils ont plutôt dit Transformation Numérique, Modernisation du Cloud, parce que tout le monde comprenait qu'il s'agissait de transformations, et que la technologie n'en était qu'une partie. L'IA prend la même forme.

Revenons à Hammer : son meilleur chiffre provient d'une compagnie d'assurance qu'il a étudiée. Une demande mettait 22 jours à traverser l'entreprise. Sur ces 22 jours, le temps total que quelqu'un passait à travailler dessus était de 17 minutes. Supposons qu'aujourd'hui, votre expert IA déploie le meilleur modèle du monde sur ce processus et rende chaque étape individuelle deux fois plus rapide. Il a maintenant économisé 8 minutes et demie. Il considère cela comme une économie de temps de 50 %, obtient sa promotion et son bonus, et s'en va vers le coucher du soleil. C'est 8 minutes.

Les économies ne résidaient pas dans le travail sur la demande. Elles résidaient dans les files d'attente et les transferts, dans les périodes d'attente pour les autres équipes, et dans les deuxièmes cycles de révision. Dépenser votre énergie à accélérer les 17 minutes est pire que de ne rien faire ; vous venez de dépenser votre budget et avez prouvé à votre conseil d'administration que « l'IA ne fonctionne pas ». Vous pourriez penser que c'est une relique des années 90, mais ce n'est pas le cas. Nous avons travaillé avec une entreprise qui a rencontré exactement ce problème, à partir de ses propres journaux système. L'ouverture d'un nouveau dossier client prenait 25 minutes de travail réel. Le temps écoulé, de la saisie du dossier à son activation, variait de 2 jours à 2 semaines. Le travail peut prendre quelques minutes alors que le processus peut encore prendre des semaines.

Quand je dis que la plupart des programmes d'IA rendent la mrde plus rapide, je le dis littéralement. Le processus est de la mrde. L'IA le rend plus rapide. À cela, j'ai entendu : « Eh bien, nous sommes une entreprise massive, donc nous faisons forcément quelque chose de bien, et nous n'avons pas besoin de changer. » « S'adapter ou mourir » est bien vivant aujourd'hui, plus que jamais, et c'est le seul domaine où l'IA diffère du numérique et du cloud. Utilisée correctement, l'IA donne à un concurrent un levier sur vous que ceux-ci n'ont jamais eu. Que ce soit pour vous sous-coter sur les coûts, passer à l'échelle infiniment sans effectif de traitement, ou contacter le monde entier avant que vous puissiez constituer une liste de prospects, ils vous écraseront. Dans le meilleur des cas, vous continuez à croître, et maintenant vos effectifs augmentent de façon exponentielle. 3 analystes deviennent 6, mais les 6 ont maintenant besoin d'un manager, et comme ce sont 2 équipes, ils ont besoin d'un transfert qui n'existait pas avant, et ce transfert nécessite maintenant une réunion de statut et un chef de projet, etc., etc. C'est pourquoi les graphiques des effectifs montent, tandis que le revenu par employé stagne. S'adapter ou mourir, mais ne faites pas comme si l'IA n'arrivait pas. Vos concurrents ne reculent devant rien pour comprendre cela.

Partie 2 : Que faire aujourd'hui

Vos données sont en désordre et vos systèmes ne communiquent pas entre eux, alors votre premier réflexe est peut-être de réparer cela avant de toucher à quoi que ce soit d'autre. Vous avez juste besoin d'un seul ERP, d'un seul CRM, d'une seule plateforme de données, puis de l'IA par-dessus. Cela semble bien en théorie, mais les spécialistes informatiques comprennent que ce n'est jamais aussi simple. Regardez ce que cela coûte réellement, en argent et en temps.

TSB a dépensé 318 millions de livres sterling pour une migration bancaire centrale, a englouti environ 200 millions de livres sterling supplémentaires en coûts d'incidents, a été condamnée à une amende de 48,65 millions de livres sterling par la FCA et la PRA en décembre 2022, et a perturbé les services bancaires pour 5,2 millions de clients. Zimmer Biomet, un fabricant de 8 milliards de dollars, a déposé une réclamation de 172 millions de dollars contre Deloitte en septembre 2025, après qu'une « migration et consolidation » ratée les a laissés incapables d'effectuer des fonctions de base, comme expédier leur produit, facturer leurs clients ou produire des rapports de vente fonctionnels. Et ce ne sont que les deux exemples qui ont fait les gros titres ; des incidents comme ceux-ci sont bien plus courants que vous ne le pensez.

Ce sur quoi vous devriez vous concentrer pour régler, c'est le processus, à la place. Disons que vous avez acheté 9 entreprises au cours des 20 dernières années, ce qui signifie que vous avez maintenant le même processus qui fonctionne de 9 manières différentes dans vos 9 filiales. Si vous voulez « appliquer » l'IA dans toute votre entreprise, vous devrez construire le même agent de 9 manières différentes, puis être obligé de maintenir les 9 ensembles d'agents, perpétuellement. Pour éviter ce purgatoire, vous devez d'abord définir le processus unique qui fonctionne à l'échelle mondiale, que vous déployez dans l'ensemble de votre entité, avant même de penser à appliquer l'IA par-dessus.

Inversement, vous n'AVEZ PAS besoin d'un seul ERP. Les intégrations déterministes avaient l'habitude de casser dès que 2 systèmes n'étaient pas d'accord sur ce qu'était un enregistrement de fournisseur. Cependant, les agents tolèrent cette incohérence, donc une couche d'orchestration qui se trouve au-dessus des systèmes que vous avez déjà EST la solution aux systèmes disparates. Vos systèmes n'ont pas seulement besoin de se parler, ils doivent être mariés heureux, tolérant les défauts de l'autre.

Commencez à cartographier

Pour repenser votre entreprise, vous devez d'abord la comprendre. Vous n'atteignez pas ce niveau de compréhension en choisissant un seul flux de travail, où vous passez 8 semaines à perfectionner quelque chose qui s'avère être bloqué par un processus sœur en amont, et vous vous retrouvez avec un retour sur investissement net de 0.

En même temps, cependant, vous ne pouvez pas simplement ingérer l'ensemble de l'entreprise d'un coup, vous devez simplement commencer quelque part. Commencez au niveau du département. Ce ne sera pas parfait - la finance touche aux ventes chaque fois que la reconnaissance des revenus dépend de la manière dont quelque chose a été vendu. Les RH touchent à l'informatique et aux opérations pour chaque nouvelle embauche. Mais au moins de cette façon, vous identifiez des « lots » de flux de travail qui alimentent le même département (par exemple, la Finance contient la Comptabilité Fournisseurs, la Comptabilité Clients, la Planification Financière, la Facturation, les Opérations Bancaires, les Rapprochements, etc.), et vous pouvez commencer à cartographier les 7 détails suivants :

1. Le « scénario idéal » : de quoi ce flux de travail est-il responsable et que se passe-t-il dans le scénario le plus idéal. Pour la plupart des entreprises, c'est à peu près la seule chose qui est vraiment documentée dans les moindres détails.
2. Les exceptions. C'est là que vous passez la plupart de votre temps. Ne vous contentez pas de décrire ce qui se passe, allez-y et calculez quelle part du volume quitte le scénario idéal, où elle va, qui est impliqué, quel est le temps de cycle pour traiter ces exceptions, et quel est le coût d'une erreur ici.
3. Qu'est-ce qui est en amont et en aval de ce flux de travail ? Comment ce processus interagit-il avec ceux-ci, quand les choses sont en retard ou tournent mal dans chacun ?
4. Quels sont tous les systèmes d'enregistrement impliqués, et lequel l'emporte quand 2 d'entre eux ne sont pas d'accord ?
5. En quoi cela diffère-t-il selon la région, l'entité, la filiale, l'acquisition par laquelle cela est passé ?
6. Quel est le temps de contact par rapport au temps écoulé, et comment l'écart varie-t-il à chaque étape ?
7. Quelle est la capacité d'IA de chaque personne dans la fonction, et quel degré de propriété devraient-ils avoir sur un système d'IA futur ? (Le calcul de cela est subjectif et varie considérablement).

Il y a deux procédures nécessaires pour extraire les informations ci-dessus :

• L'exploration de processus (process mining) contre les systèmes d'enregistrement pour récolter les actions, les horodatages, le débit, les modifications et la réalité qui ne correspond pas à la documentation.
• Les entretiens, parce que ce qui précède vous donnera des données, mais les conversations avec les opérateurs vous diront exactement où se trouve la douleur. La réalité de votre organisation vit dans la tête de 10 à 20 personnes qui font ce travail exact pour votre entreprise exacte depuis des années, et en fin de compte, votre IA doit être adoptée par ces personnes pour fonctionner efficacement.

Ne faire qu'une seule de ces étapes vous laisse avec une image incomplète, et c'est la plus grande raison pour laquelle la découverte en IA échoue. J'ai vu des sociétés d'IA Appliquée essayer de prendre des raccourcis avec des « Entretiens IA », ou en envoyant des ingénieurs pour mener les entretiens. Cela ne fonctionne pas. La moitié du travail consiste à développer une relation solide avec les opérateurs et à savoir quelles questions leur poser, afin de repartir avec une bonne compréhension de ce qu'il faut construire et comment le déployer.

Les agents qui fonctionnent ne sont pas de simples appels LLM

La refonte des processus est un exercice de tri qui nécessite de l'expérience en logiciel et en IA. Chaque étape tombe dans l'un des 3 seaux :

Déterministe. Si X alors Y, sans aucun jugement impliqué. Par exemple, si la facture est inférieure à un certain seuil de montant en dollars et qu'elle correspond au bon de commande et au bon de réception, alors vous la payez. Si la divulgation nomme un concurrent, alors acheminez-la vers l'équipe des conflits. Ces actions sont mieux réalisées par du bon vieux logiciel standard. Vous n'avez pas besoin d'un appel LLM sophistiqué si vous pouvez le faire avec du code classique, qui est bon marché, vérifiable, déterministe (ne hallucine jamais) et rapide.

Agentique. Si vous avez des milliers d'exemples passés d'humains prenant une décision avec le résultat enregistré, et que cette étape est suffisamment peu risquée (par exemple, les approbations du desk de deals, ou le codage GL), vous devriez absolument utiliser un LLM pour le jugement. Surtout si la sortie est un oui/non, un acheminez-vers-cette-équipe, un signalez/ne signalez pas, ou un correspond/ne correspond pas, expédiez cela avec un agent et mesurez chaque sortie. D'un autre côté, si la sortie requise est 5 pages d'un document qu'un humain doit de toute façon lire en entier pour vérifier, alors vous feriez mieux d'hybrider l'approche. Ici, vous devez juger la difficulté de l'action, pas la difficulté de la réflexion.

Humain dans la Boucle. Pour les étapes trop risquées, ou qui n'ont pas assez de contexte historique, vous feriez mieux de garder l'humain dans la boucle, car le coût d'une erreur d'un agent est bien trop élevé. Au lieu de cela, mettez chaque élément de preuve pertinent devant cet humain au moment où il décide. Par exemple, un agent détectera une discordance entre une facture et un bon de commande, puis présentera à l'humain 3 options : approuver quand même, rejeter purement et simplement, ou fournir des commentaires et acheminer à quelqu'un d'autre. L'agent vient d'économiser à votre humain 40 minutes de recherche dans les e-mails, les enregistrements de factures, etc., pour qu'il puisse, à la place, prendre une décision en 30 secondes. Mais l'action finale est toujours verrouillée par cet humain.

Une fois que vous avez trié chaque étape dans l'un des 3 seaux ci-dessus, vous pouvez transformer un processus en 25 étapes en un groupe de 3 agents, avec des étapes déterministes avant et après, et enfin 2 points d'action humaine dans la boucle pour débloquer. Ce travail de réingénierie des processus, conjointement avec les agents eux-mêmes, est là où réside tout le retour sur investissement.

Après cela, vous établissez des KPI de base avant de construire quoi que ce soit. Votre objectif est de calculer les chiffres derrière le processus que vous résolvez, y compris où et comment ces chiffres sont mesurés aujourd'hui. Si vous ne pouvez pas le faire, ce projet est voué à l'échec. Vous devez être capable de regarder en arrière dans 12 mois et de dire : nous étions à X, et maintenant nous sommes à 3X, ou 10X, ou 100X, grâce aux agents que nous avons construits. Ce n'est qu'alors que vous pourrez dire que ce projet a été un véritable succès.

Enfin, vous priorisez et séquencez votre construction. D'abord, attaquez-vous au flux de travail comportant le plus de transferts, car c'est probablement le fruit le plus bas, là où vous pouvez voir les résultats les plus clairs. La distinction clé est que ce n'est pas nécessairement le même flux de travail avec le plus grand volume.

À quoi cela ressemble-t-il en pratique ?

Nous avons réingénieré une entreprise mondiale qui rapprochait plus de 300 comptes bancaires chaque mois. Les 2/3 étaient gérés par une équipe offshore, et le reste réparti entre 2 autres régions dans 3 formats différents, mais entièrement dans Excel. Il y avait plus de 12 000 éléments de rapprochement ouverts, et 4 jours au début de chaque mois étaient consacrés à l'obtention des relevés. Leur processus de rapprochement prenait presque tout le mois, chaque mois.

Leur flux de travail avant notre réingénierie était le suivant (et avant que vous ne vous moquiez d'eux, reconnaissez que vous avez certainement des processus comme celui-ci, voire pires, dans votre propre entreprise) :

1. Courir après et collecter les relevés de chaque banque, dans le format qu'elles fournissent
2. Les normaliser dans le classeur régional
3. Extraire l'extrait du grand livre
4. Faire correspondre ligne par ligne
5. Marquer ce qui ne correspond pas
6. Envoyer un e-mail à un contrôleur local pour obtenir le contexte sur les éléments marqués
7. Attendre sa réponse
8. Relancer la réponse si elle reste sans réponse
9. Obtenir enfin la réponse, puis enregistrer l'ajustement
10. Intégrer la région dans le fichier consolidé
11. Répéter tout le processus des étapes 1 à 10 pour chacune des 2 autres régions, chacune dans son propre format.
12. Clôturer.

Si vous accélérez chacune de ces étapes, la mise en correspondance devient plus rapide. Le problème est que la mise en correspondance n'a jamais été le problème. Les 4 jours d'attente des relevés, et l'e-mail au contrôleur dans un autre fuseau horaire, et la réponse qui prend encore 3 jours, le sont. En accélérant la mise en correspondance, vous gagneriez des heures sur un processus qui se mesure en semaines.

Nous avons plutôt repensé leur processus pour qu'il comporte 3 étapes.

1. Les relevés arrivent via un flux, à la manière d'un tapis roulant, au lieu d'être poursuivis. Cela n'a absolument rien à voir avec l'IA.
2. Tout ce qui peut être mis en correspondance sur la base de règles le sera automatiquement, et si ce n'est pas le cas, un agent montera le dossier de bout en bout : avec l'élément lui-même, les catégorisations historiques, les preuves recueillies auprès de divers systèmes d'enregistrement, et une prochaine étape proposée.
3. Enfin, un humain travaille sur sa file d'attente d'exceptions, avec les preuves préparées pour son examen, au lieu d'avoir à trier manuellement des données dispersées dans les ERP et les feuilles de calcul.

Courir après, envoyer des e-mails, attendre, ressaisir et consolider les régions ont été entièrement éliminés. C'est la différence entre un système d'agents qui économise des minutes et des heures, et un système d'agents qui économise des semaines.

Partie 3 : Pourquoi cela n'est-il pas plus courant ?

On vous a menti

Le discours sur l'IA que vous avez reçu était trompeur dès le départ. L'IA adoptée comme une solution ponctuelle n'est pas quelque chose dont vous tirez de la valeur. Vous ne pouvez pas le faire uniquement depuis l'informatique, et vous ne pouvez pas le faire depuis une « fonction d'innovation » avec un budget de 1 million de dollars et 0 autorité. Repenser un processus qui s'étend sur 4 départements nécessite quelqu'un qui peut dire aux 4 départements que le processus change. Il n'y a qu'une poignée de personnes dans une entreprise qui peuvent vraiment faire cela ; cela doit venir du sommet.

Mais un autre degré de complexité : les personnes qui font réellement le travail aujourd'hui, par exemple le responsable de la comptabilité fournisseurs, et les opérateurs et analystes de la finance, doivent également être inclus. Ils doivent vouloir le nouveau système d'IA, parce qu'ils doivent l'adopter et le promouvoir demain. Ils doivent vouloir divulguer des informations qu'ils pensent pouvoir potentiellement les remplacer, même si ce n'est pas le cas la plupart du temps.

Et surtout, adopter l'IA est considéré comme risqué. Le statu quo est « sûr » pour la plupart des gens, qui n'obtiennent aucune promotion si l'IA fonctionne, mais se font virer si elle ne fonctionne pas, même si s'en tenir au statu quo signifie laisser l'entreprise mourir lentement avec le temps.

La réingénierie est assez difficile

La propre estimation de Hammer et Champy en 1993 était que jusqu'à 50 % à 70 % des organisations qui tentaient une réingénierie des processus n'atteignaient pas les résultats escomptés. (De toute évidence, peu de choses ont changé depuis les années 90). Hammer lui-même a dit plus tard qu'il avait été « insuffisamment attentif à la dimension humaine ». Ce qu'il voulait dire, c'est que « supprimer un transfert », à cette époque, signifiait licencier la personne responsable de ce transfert (c'était tout son travail), puis demander à tout le monde de changer son travail, tandis que le « logiciel » de l'époque ne supportait pas un tel changement. Ce qui signifie qu'après l'arrivée et le départ des consultants, la structure organisationnelle et le processus revenaient rapidement à leur état d'origine : un état criblé d'inefficacités et d'erreurs.

Aujourd'hui, cependant, deux choses sont fondamentalement différentes. Premièrement, les outils natifs de l'IA offrent un état logiciel d'une fluidité sans précédent : un état qui peut s'adapter aux changements qui l'entourent. Un agent résidant dans votre système d'enregistrement peut gérer des transferts qui reposaient auparavant sur des personnes, tout en gérant simultanément les écarts autour de lui à partir de logiciels déterministes, et est également immunisé contre la variance commune chez les humains. Deuxièmement, le travail que vous éliminez en premier est presque entièrement de la coordination, c'est-à-dire : courir après, attendre, escalader, trier, etc. Après ces améliorations de processus et une véritable transformation de l'IA, il ne reste que le travail à haut jugement et à fort effet de levier, que vos meilleurs éléments devraient de toute façon passer tout leur temps à faire.

Un monde nouveau et courageux

Les cabinets de conseil traditionnels sont corrects pour le travail de processus, je leur accorde cela. En effet, si vous voulez une illustration élaborée d'un processus en 15 étapes couvrant 10 pays et 3 entités, votre cabinet de conseil ordinaire produira la plus belle diapositive que vous ayez jamais vue, pour 300 000 dollars. Ce que ce cabinet de conseil ne peut pas faire, c'est la seconde moitié, la plus importante, qui consiste à savoir ce à quoi on peut et ne peut pas faire confiance à un modèle, ce que coûte un agent qui s'exécute 40 000 fois par mois, quel modèle (Fable 5.1, vs Gemini 3.8 Flash) utiliser pour quel type de tâche (Codage GL vs Routage Desk de Deals), comment concevoir une suite d'évaluation de manière optimale pour un processus particulier, et dans lequel des 3 seaux ci-dessus (Déterministe, Agentique, HITL) une étape donnée d'un processus appartient vraiment. Et ainsi, si vous empruntez cette voie, votre refonte est créée par des consultants qui devinent, par opposition à des stratèges natifs de l'IA expérimentés et des FDE, et 6 mois plus tard, vous vous demandez pourquoi votre projet pilote s'est écrasé.

Les laboratoires et entreprises d'IA, à l'inverse, ont le problème opposé. Ils peuvent construire un agent (la plupart du temps, du moins), mais ils ne se sont jamais assis avec la finance et les opérations pour décomposer un flux de travail où les deux départements ne sont pas d'accord sur la propriété et sur qui est en amont de qui, donc ils colleront plutôt l'IA sur un processus défaillant et l'appelleront automatisé, au lieu de démanteler et de repenser ce processus comme il aurait dû l'être il y a des mois. De plus, les plus grands laboratoires d'« IA appliquée » comme OpenAI (DeployCo) et Anthropic (Ode) vous forceront à épouser leurs modèles à vie. Miser toute la pile d'intelligence de votre entreprise sur un seul fournisseur est un suicide. Demain, alors qu'ils limitent le débit, quantifient, augmentent les prix et retirent le modèle sur lequel vous fonctionnez, vous vous retrouvez avec le désordre et la facture. Vous pourriez penser que c'est aussi simple que d'échanger un point de terminaison de Claude à GLM ou Gemini ou DeepSeek, mais ce ne l'est pas. Relancer les évaluations et redéterminer quel niveau de réflexion utiliser par appel de modèle est un processus fastidieux, et les laboratoires ne vous aideront pas à le faire.

Ce dont vous avez besoin à la place, c'est le meilleur des deux mondes combiné : des personnes qui ont réellement dirigé une fonction finance, opérations, ventes ou RH, combinées au talent d'ingénierie pour livrer des logiciels de qualité production dans des ERP comme Microsoft Dynamics ou des CRM comme Salesforce, combinées à des ingénieurs IA capables de construire des harnais d'entreprise agnostiques aux modèles avec une gouvernance et des suites d'évaluation intégrées au niveau entreprise. Certains appellent ces personnes des « Ingénieurs Déployés en Avant » (Forward Deployed Engineers), mais la vérité est que la plupart des FDE aujourd'hui sont des ingénieurs médiocres, et des consultants médiocres, sans aucune capacité en IA, et vous vous retrouvez avec pratiquement rien de bien fait.

À quoi cela ressemble-t-il quand on fait les choses correctement ?

Il y a 4 leviers qui comptent lorsque vous transformez une entreprise avec l'IA : le coût (idéalement réduit), le revenu (idéalement augmenté), le temps (idéalement plus rapide) et le risque (idéalement plus faible). À travers nos déploiements, dont environ la moitié dans des entreprises publiques, voici des exemples de ce qui a réellement bougé, levier par levier :

• Temps. Nous avons réduit le processus de clôture de fin de mois de 18-22 jours à 7-9 jours. Les perturbations de la chaîne d'approvisionnement sont désormais triées en moins de 6 heures, contre plusieurs jours auparavant.
• Revenus. Les transactions restaient auparavant inactives pendant 23 jours en moyenne ; aujourd'hui, la moyenne est de 6 jours, et le temps administratif des commerciaux est passé de 38 % de la semaine à 14 %. Ce temps a été directement réinvesti dans la vente.
• Coûts. Le traitement des exceptions de comptes fournisseurs est passé de 600 à 800 factures par mois à moins de 50. Dans une organisation marketing, 8 à 12 % du budget média a été récupéré grâce à des erreurs de rythme qui n'apparaissaient auparavant qu'en fin de mois, économisant des millions par trimestre.
• Risques. Les corrections de paie ont chuté de 90 %, car le rapprochement entre les systèmes s'effectue désormais avant la paie et non après. 80 % des demandes d'assistance des employés ont été traitées à partir des propres documents de politique de l'entreprise, tandis que les cas particuliers étaient toujours transmis à un responsable RH.

Au total, la valeur générée par cet ensemble de déploiements a dépassé les 100 millions de dollars. Le meilleur dans tout ça, c'est que ce chiffre a été co-créé avec nos clients ; ce n'est pas seulement nous qui le disons, il a été mesuré.

À quoi ressemble une véritable entreprise de transformation par l'IA ?

Tout ce qui est décrit ci-dessus est la façon dont nous procédons chez Varick, et c'est la seule approche qui a fonctionné pour les entreprises pour lesquelles nous avons déployé l'IA. Ce sont des entreprises extrêmement grandes, avec des milliers de personnes, des dizaines de systèmes d'enregistrement et des complexités infinies, pourtant le manuel est le même, et il fonctionne à chaque fois.

Notre équipe de stratèges et d'ingénieurs intervient au niveau du département pour d'abord cartographier la façon dont le travail se fait réellement, et non pas simplement accepter la façon dont il est documenté, grâce à une combinaison d'exploration des processus et d'entretiens, de calcul du temps écoulé par rapport au temps de contact, de cartographie des exceptions, des effets en amont et en aval, et de compréhension de qui possède quoi. Au lieu de mois, nous réalisons ce processus en quelques semaines seulement, après quoi vous recevez votre processus repensé, la valeur à capturer, des KPI de référence personnalisés et l'ordre de priorité dans lequel les agents seront construits. Ensuite, nous commençons à construire les agents, qui sont dotés d'une gouvernance, d'une auditabilité, de suites d'évaluation et d'une surveillance de niveau entreprise prêtes à l'emploi.

Nous travaillons avec des entreprises réalisant plus de 500 millions de dollars de chiffre d'affaires, en nous attaquant à leurs flux de travail les plus difficiles, dans les domaines du produit, des finances, des ventes, des achats, des opérations, des RH, et plus encore. Si vous voulez voir à quoi cela ressemble pour l'un de vos propres processus, réservez un appel sur notre site web, et venez prêt à parler de vos flux de travail les moins appréciés et de ce qui les rend si complexes. Et si vous avez trouvé ce contenu utile, abonnez-vous à notre newsletter, où nous publions chaque semaine des articles sur les dernières avancées en matière d'IA « appliquée » et tout ce que nous avons appris en le faisant.

TLDR

• La majeure partie des dépenses en IA dans les entreprises aujourd'hui est appliquée sur les mêmes processus qui existaient déjà, ce qui signifie que tout ce que vous faites vraiment, c'est faire fonctionner un mauvais processus plus rapidement. Michael Hammer l'a dit à propos de l'informatique en 1990, et le gouvernement britannique l'a essentiellement prouvé à nouveau en 2025 avec 1 000 licences Copilot : 1,14 action par utilisateur et par jour, aucun gain de productivité qu'ils aient pu trouver, et 72 % des utilisateurs étaient satisfaits quand même.
• Le temps n'a jamais été dans le travail lui-même, mais dans les files d'attente et les transferts. La demande d'assurance de Hammer est restée 22 jours dans le processus, avec 17 minutes de travail réel. Même si vous rendez le travail deux fois plus rapide, vous avez économisé 8 minutes.
• Consolider d'abord vos systèmes (un seul ERP, un seul CRM, une seule plateforme de données) est un moyen bien documenté de perdre 2 ans et 9 chiffres avant de voir un seul dollar de valeur. Ce dont vous avez réellement besoin, c'est d'une seule définition du processus et d'un seul propriétaire, car les agents peuvent tolérer des systèmes qui ne sont pas d'accord entre eux, ce que les intégrations déterministes n'ont jamais pu faire.
• Commencez au niveau du département, explorez les systèmes d'enregistrement et interrogez les opérateurs, puis classez chaque étape dans l'un des 3 seaux : un logiciel déterministe, un agent, ou un humain dans la boucle avec les preuves préparées pour lui. Correctement fait, un processus de 25 étapes devient 3 agents avec 2 points de contrôle humains.
• Lorsque nous avons procédé de cette façon, la clôture de fin de mois est passée de 18-22 jours à 7-9, les exceptions de comptes fournisseurs sont passées de 600-800 par mois à moins de 50, les corrections de paie ont chuté de 90 %, et le total de nos déploiements s'est élevé à plus de 100 millions de dollars, mesuré conjointement avec les clients.
• Rien de tout cela ne fonctionne à moins que cela ne vienne d'en haut, que les opérateurs le veuillent réellement, et que la personne que vous embauchez ait des spécialistes des processus, des ingénieurs logiciels et des ingénieurs en IA tous dans la même pièce, et presque personne n'a les trois.