La question avant la solution

Une adoption sans conséquence

Peu de technologies ont fait leur entrée dans l'entreprise aussi rapidement que l'intelligence artificielle générative, et peu ont laissé une empreinte aussi ténue sur ses résultats. Le rapport « 2026 Global Enterprise AI Report » de Publicis Sapient révèle que 73 % des entreprises utilisent désormais régulièrement l'IA, mais que seules 10 % la considèrent comme essentielle à leur fonctionnement. L'écart entre ces deux chiffres résume parfaitement la situation. L'initiative NANDA du MIT, qui suit le devenir des projets pilotes d'IA générative en entreprise dans son rapport The GenAI Divide, le formule de manière encore plus crue : environ 5 % d'entre eux produisent un effet mesurable sur le chiffre d'affaires. Les autres se résument à des démonstrations de faisabilité qui valident le concept sans rien changer d'autre.

On serait tenté d'y voir un problème de maturité : les débuts, des modèles encore en cours d'amélioration, des organisations qui en sont encore à leurs premiers pas. Ce qui manque se situe en amont de tout cela, à une étape que la plupart des programmes omettent sans s'en rendre compte.

La question posée à l'envers

La plupart des initiatives en matière d'IA partent de la réponse. Un conseil d'administration apprend que des concurrents se lancent dans cette voie, un comité est convoqué, et la question qui se pose alors est, d'une manière ou d'une autre, de savoir quel cas d'utilisation lancer. C'est une question qui contient déjà sa propre conclusion. Elle part du principe que la technologie est la solution et s'attache à trouver un problème à la hauteur de celle-ci — une recherche qui aboutit toujours, car une organisation suffisamment grande peut inventer une justification pour presque tout. Le projet pilote qui s'ensuit est donc bien mené, mais passe à côté de l'essentiel. Il optimise un processus dont personne n'avait établi qu'il était celui qui sapait la valeur.

C'est pourquoi les déceptions sont si rarement des échecs techniques. Le modèle fonctionne conformément au cahier des charges, l'intégration tient la route, le tableau de bord s'illumine, et pourtant rien ne bouge au niveau de la marge, de la trésorerie ou de la position concurrentielle — car l'exercice n'a jamais été ancré dans aucun de ces éléments.

Une solution à la recherche d'un problème en trouvera toujours un. Elle trouvera rarement celui qui comptait vraiment.

À quoi ressemble un problème bien posé

La meilleure question va dans le sens inverse. Elle ne part pas d'une capacité, mais d'un préjudice — une détérioration quantifiée de l'activité — et laisse ouverte la question de la solution. Surtout, elle ne contient pas le mot « IA ». Que la réponse se révèle être un modèle, un processus repensé, un système d'incitation corrigé ou une combinaison de ces éléments, c'est précisément ce que la question vise à découvrir, et non à présumer.

Prenons trois exemples. Une banque voit sa compétitivité s'éroder parce que sa fonction de conformité est restée manuelle alors que celle de ses concurrents a évolué, de sorte que l'intégration de chaque nouveau client coûte plus cher que ce qu'il rapporte la première année. Un éditeur de logiciels voit la rentabilité unitaire de ses produits s'inverser insidieusement sous le poids d'une charge d'assistance qui croît plus vite que son chiffre d'affaires, jusqu'à ce que le client marginal soit servi à perte. Un fabricant de montres voit ses liquidités immobilisées dans des stocks constitués sur la base de prévisions que la demande contredit trop tardivement, la correction intervenant toujours une saison après l'engagement du capital. Aucun de ces cas n'est un problème lié à l'IA. Chacun d'entre eux est un problème commercial formulé avec suffisamment de précision pour qu'une solution — impliquant peut-être l'IA, peut-être pas — puisse être conçue et évaluée. C'est cette précision qui constitue le travail. La technologie, si tant est qu'elle ait sa place, vient en second lieu.

Le point de vue qu'aucune fonction ne détient à elle seule

Si la bonne question s'avère bien plus productive que la mauvaise, sa rareté exige une explication, et cette explication est d'ordre structurel. Aucune fonction au sein de l'entreprise ne peut la formuler à elle seule. Les métiers identifient où se trouve la valeur, mais pas ce qui est techniquement possible ; ils connaissent le problème sans savoir quels outils pourraient y remédier. Le service technique voit ce qui est possible, mais reste éloigné du client et des enjeux économiques ; il peut créer, à la perfection, ce dont personne n'avait besoin. Et l'instinct du directeur général confronté à ce fossé — déléguer l'arbitrage au service financier — est la pire issue possible, car le service financier interprète le résultat avec une grande clarté tout en restant aveugle à l'origine de ce résultat. Il peut constater que la marge a baissé ; il ne peut pas dire quel processus manuel, quel service mal tarifé, quel stock invendable a provoqué cette baisse.

La bonne question nécessite donc un point de vue qui englobe les trois angles à la fois — commercial, technique, financier — fusionnés plutôt que consultés tour à tour. Quelqu'un doit être capable de voir d'un seul coup d'œil le préjudice, l'instrument et le chiffre, tout en conservant une vision globale. Ce point de vue est rare. Il n'appartient à aucun service en particulier, et il ne résulte pas non plus d'une réunion des services autour d'une table, où chacun défend sa propre vision partielle.

Il s'agit d'une compétence distincte, et le marché de la transformation par l'IA en manque précisément là où elle est le plus nécessaire.

Repenser le modèle opérationnel autour de la réponse

Bien définir la question, c'est déjà la moitié du chemin parcouru, et l'entreprise s'arrête souvent là. Même lorsque le bon problème est identifié et que la bonne réponse est trouvée, celle-ci est greffée sur un modèle opérationnel conçu pour le monde d'avant. Le rapport « State of AI in the Enterprise 2026 » de Deloitte résume cette conséquence en un seul chiffre : 84 % des entreprises n'ont repensé ni aucun rôle ni aucun processus autour de l'IA. Elles ont ajouté une capacité sans rien changer à la manière dont le travail circule au sein de l'entreprise, ce qui explique pourquoi cette capacité ne produit aucun résultat.

Une réponse qui ne remodèle pas le modèle opérationnel est une réponse sur laquelle l'organisation a refusé d'agir.

La démarche permettant de combler ce fossé est donc double. Premièrement, définir les questions qui comptent — ancrées dans un préjudice commercial quantifié, ouvertes quant à la solution, exemptes de tout attachement prématuré à la technologie. Ensuite, il faut reconstruire le modèle opérationnel autour des réponses apportées à ces questions, jusqu'à ce que les rôles, les processus et le flux décisionnel reflètent les enseignements tirés plutôt que l'état antérieur. Les entreprises qui considèrent l'IA comme un catalogue de cas d'utilisation continueront à multiplier les initiatives qui n'aboutissent à aucun résultat mesurable. Celles qui la considèrent au contraire comme une raison de poser de meilleures questions et comme un mandat de réorganisation autour des réponses obtenues sont celles pour lesquelles l'adoption de l'IA coïncidera enfin avec la création de valeur.