Transformer l’entreprise pour l’IA

L’intelligence artificielle est déjà présente dans votre entreprise. Vos collaborateurs l’utilisent pour rédiger, analyser, rechercher, résumer et résoudre des problèmes. Les équipes technologiques testent des modèles et des agents. Les fonctions assemblent des cas d’usage. Les fournisseurs présentent des plateformes, des feuilles de route et des promesses de productivité.

Or l’activité n’est pas la transformation.

La question stratégique n’est plus de savoir si votre organisation utilisera l’IA. Elle est de savoir si elle convertira une intelligence de plus en plus capable en meilleurs résultats pour les clients, en une équation économique plus solide et en un modèle opérationnel plus compétitif — avant que des initiatives fragmentées ne produisent des coûts, des dépendances et des risques non maîtrisés.

Il ne s’agit pas d’un projet technologique de plus. L’IA peut assister les personnes, mais elle peut aussi interpréter des objectifs, utiliser des outils, coordonner des activités et exécuter des parties d’un workflow. À mesure que ces capacités progressent, l’IA touchera bien plus que la productivité individuelle. Elle changera la manière dont le travail est réparti, dont les décisions sont prises, l’endroit où les contrôles sont intégrés et la façon dont les fonctions interagissent.

Les vagues de transformation précédentes ont sensiblement modifié les organisations. L’industrialisation a transféré aux machines le travail physique répétitif. Les systèmes ERP ont standardisé l’information et les processus. Les centres de services partagés ont regroupé le travail et l’ont déplacé vers des sites plus efficients. La numérisation a amélioré l’accès, la vitesse et la connectivité. Mais ces transformations ont généralement conservé un postulat fondamental : les personnes définissaient le travail et la technologie exécutait des instructions prédéfinies.

L’IA commence à remettre ce postulat en question.

Le prochain modèle opérationnel n’utilisera pas simplement l’IA. Il sera en partie opéré par l’IA. Cela ouvre la possibilité de reconcevoir l’entreprise autour de décisions plus rapides, de moins de transmissions et d’une plus grande capacité à gérer la complexité. Cela crée aussi une nouvelle obligation pour les dirigeants. L’entreprise doit déterminer ce que l’IA est autorisée à optimiser, quelles actions elle peut entreprendre, quand une personne doit intervenir et qui reste responsable du résultat.

Le CEO a donc besoin de plus qu’une stratégie IA. Il a besoin d’un chemin de transformation : un moyen de passer de l’adoption par les collaborateurs à des workflows agentiques, de la refonte des workflows à un nouveau modèle opérationnel, et des capacités d’aujourd’hui à une entreprise capable d’absorber une intelligence en croissance rapide.

Ce guide propose ce chemin. Il ne présume pas qu’une même pile technologique convienne à toutes les entreprises. Il intègre le business, la finance et la technologie, car aucune de ces perspectives ne peut conduire seule cette transformation. Son objectif est pratique : aider le CEO à mieux décider, à séquencer les investissements, à maîtriser l’autonomie et à convertir le potentiel de l’IA en performance mesurable pour l’entreprise.

Cinq conclusions pour le CEO

1. L’adoption de l’IA et la transformation de l’entreprise ne sont pas la même chose.
   L’accès à l’IA peut améliorer rapidement la productivité individuelle. La valeur pour l’entreprise exige davantage : les workflows prioritaires doivent être reconçus, les données et l’architecture doivent les soutenir, les rôles et les contrôles doivent changer, et la performance doit être mesurée au niveau du client et du P&L.
2. Le collaborateur est le point d’entrée ; le workflow est la première unité de transformation qui compte vraiment.
   L’adoption par les collaborateurs développe la maîtrise de l’outil, révèle les frictions et produit des preuves. L’assistance à la tâche crée des gains utiles, mais souvent fragmentés. La possibilité la plus large apparaît lorsque l’entreprise reconçoit un flux de travail de bout en bout, à travers les personnes, les agents, les systèmes et les fonctions. C’est là que l’on peut supprimer les temps d’attente, les contrôles redondants, les reprises et les passages de relais entre entités.
3. L’IA introduit un transfert progressif de la capacité d’agir.
   La distinction décisive n’est pas entre un modèle et un autre. Elle est entre une IA qui propose et une IA qui agit. À mesure que les systèmes passent de l’assistance à l’exécution puis à l’orchestration, l’entreprise doit renforcer les permissions, l’évaluation, la supervision et la responsabilité humaine des résultats.
4. La transformation exige l’intégration du Business, de la Finance et de la Technologie.
   Le business détermine où se trouvent la valeur et la pertinence pour le client. La finance convertit l’ambition en discipline économique et en performance mesurable. La technologie rend la solution sûre, évolutive et adaptable. N’en associer que deux crée un angle mort. Les trois doivent être intégrées sous un même mandat de transformation.
5. Le CEO a besoin d’une perspective d’entreprise intégrée.
   Chaque fonction interne et chaque prestataire externe apporte une expertise légitime, mais aussi des incitations, des contraintes et des biais. Un intégrateur de transformation peut questionner les hypothèses, trancher les arbitrages et maintenir la cohérence de la stratégie à l’exécution, grâce à des affiliations déclarées, des critères de décision explicites et une responsabilité des résultats directe devant le CEO.

Définir l’objectif, les contraintes et les arbitrages acceptables relève donc de la responsabilité des dirigeants, et non d’une tâche de configuration technique.

La transformation en une ligne

Augmenter les personnes. Déléguer le travail. Reconcevoir l’organisation. Réinventer l’entreprise.

Ce sont les Four Horizons of Enterprise Intelligence. Ils décrivent une progression, et non quatre programmes isolés. L’entreprise peut opérer sur plusieurs horizons à la fois, mais elle ne devrait pas confondre l’activité du premier horizon avec la préparation au troisième ou au quatrième.

Les priorités immédiates du CEO

• Établir un mandat porté par le CEO, avec des droits de décision explicites.
• Diagnostiquer ensemble la valeur, les workflows, les données, l’architecture, le risque et la préparation de l’organisation.
• Retenir un portefeuille restreint de résultats qui comptent pour les clients et pour l’équation économique de l’entreprise.
• Construire un Enterprise AI Harness avant d’accorder une autonomie significative.
• Reconcevoir les workflows prioritaires à travers les fonctions plutôt qu’automatiser des tâches isolées.
• Mesurer séparément l’adoption, la performance opérationnelle, la valeur financière et le risque.
• Créer un modèle opérationnel capable d’absorber une intelligence en croissance rapide, sans parier sur un calendrier précis de l’AGI.

L’adoption de l’IA progresse rapidement, mais la valeur pour l’entreprise reste inégale.

Des travaux récents illustrent cet écart. McKinsey rapporte que 88 % des répondants utilisaient l’IA régulièrement dans au moins une fonction de l’entreprise, tandis que près des deux tiers n’avaient pas commencé à la déployer à l’échelle de toute l’organisation. Seuls 39 % attribuaient à l’IA un effet sur l’EBIT au niveau de l’entreprise, et la plupart d’entre eux faisaient état d’un effet inférieur à 5 %.¹ Deloitte constate de même un accès qui s’élargit et des attentes qui s’élèvent, mais indique que seules 34 % des organisations repensaient véritablement leur activité.²

Les chiffres exacts varient selon l’enquête, la population interrogée et le fournisseur. La tendance compte davantage que n’importe quelle statistique isolée : l’adoption est large, le passage en production l’est moins, et la valeur significative pour l’entreprise reste concentrée. Les statistiques n’établissent pas, à elles seules, pourquoi.

Au moins quatre explications peuvent coexister :

Décalage des investissements

La valeur peut suivre l’adoption avec le décalage propre aux technologies à usage général et aux grands programmes d’organisation.

Attribution

La valeur peut être captée sans qu’il soit possible de l’isoler de façon crédible au niveau de l’EBIT.

Limites de capacité

Les modèles ne sont peut-être pas encore assez fiables, économiques ou contrôlables pour certains workflows à forte valeur.

Frictions du modèle opérationnel

Des outils peuvent être ajoutés sans que soient modifiés le travail de bout en bout, les responsabilités, les contrôles, les incitations ou les mécanismes de captation de la valeur.

Le CEO devrait diagnostiquer quelle contrainte domine plutôt que de supposer que tout résultat décevant a la même cause. Attendre peut être rationnel là où la capacité technique est réellement insuffisante. Une meilleure mesure peut résoudre un problème d’attribution. Lorsque la technologie fonctionne déjà mais que la valeur reste bloquée par des responsabilités fragmentées, des travaux en double ou des droits de décision inchangés, la refonte du modèle opérationnel devient l’intervention pertinente.

Les frictions du modèle opérationnel sont visibles lorsque les entreprises distribuent des outils sans redéfinir le travail, accumulent des cas d’usage sans choisir les sources de valeur de l’entreprise, automatisent une étape en laissant intacts les délais qui l’entourent, ou rendent compte du temps gagné sans établir si le chiffre d’affaires, la marge, le besoin en fonds de roulement, la satisfaction client ou le risque se sont améliorés.

Il peut en résulter un paradoxe de l’adoption : l’entreprise paraît active, moderne et innovante alors que son équation économique et sa proposition client restent pour l’essentiel inchangées.

La solution n’est pas d’arrêter d’expérimenter. L’expérimentation produit de l’apprentissage, de l’acculturation et des preuves. La solution consiste à relier l’expérimentation à une architecture de transformation explicite :

• un agenda de valeur porté par le Business ;
• un portefeuille de workflows prioritaires ;
• une architecture et un socle de données proportionnés à ce portefeuille ;
• un Enterprise AI Harness qui encadre l’autonomie ;
• une refonte du modèle opérationnel ;
• et un tableau de bord reliant l’adoption à la performance de l’entreprise.

Le CEO devrait donc poser une question plus exigeante que : « Combien d’initiatives IA avons-nous ? »

Chaque grande vague technologique a transformé l’entreprise. La différence apportée par l’IA ne doit pas être exagérée, mais elle ne doit pas non plus être sous-estimée.

L’industrialisation a modifié l’équation économique de la production en transférant l’exécution physique aux machines. Les systèmes ERP ont créé des structures de données communes, accru la standardisation et rendu possible une planification intégrée. Les services partagés ont regroupé les tâches répétitives et déplacé les frontières de l’organisation. Le cloud et les plateformes numériques ont accru la connectivité, la capacité à monter en charge et la vitesse. Ces transformations ont modifié les structures, les rôles et la performance.

L’IA apporte une capacité supplémentaire : de plus en plus, la technologie peut interpréter un objectif au lieu de se contenter de suivre une instruction figée.

Un système d’IA peut rechercher, analyser, produire des options, choisir des outils, planifier des étapes, exécuter des actions autorisées, superviser les résultats et adapter son action suivante. Un agent peut coordonner d’autres agents spécialisés. Un workflow peut donc devenir dynamique plutôt qu’entièrement prédéterminé.

Cela ne signifie pas que l’IA actuelle est infaillible, autonome de façon générale ou équivalente au jugement humain. Elle reste probabiliste, dépendante du contexte et capable de produire des erreurs énoncées avec assurance. Cela signifie en revanche que la frontière entre un outil et un acteur devient importante sur le plan opérationnel.

Dans un système traditionnel, l’entreprise définit le processus et le logiciel applique les règles. Dans un système agentique, l’entreprise peut définir un objectif, des contraintes et des permissions tandis que le système détermine une partie du chemin.

Cela modifie cinq dimensions du management :

Répartition du travail

Certaines activités passent des personnes à l’IA ; d’autres deviennent une collaboration entre les deux. D’autres encore passent du logiciel à l’IA.

Conception des décisions

L’organisation doit déterminer quelles décisions l’IA peut recommander, exécuter ou soumettre à escalade.

Conception des contrôles

Les contrôles doivent fonctionner en continu à l’intérieur du workflow, et non uniquement par des revues périodiques.

Frontières de l’organisation

Les agents peuvent relier informations et actions entre les départements, ce qui réduit le besoin de transmissions séquentielles.

Responsabilité des résultats

Une machine peut agir, mais l’entreprise reste responsable de ce qu’elle fait.

C’est pourquoi l’agenda de l’IA ne peut pas relever exclusivement de l’informatique, de l’innovation ou de telle ou telle fonction métier. Il touche à la conception de l’entreprise.

La plupart des entreprises ont été conçues pour rendre la complexité gérable par des personnes.

Elles découpent le travail en fonctions, convertissent l’incertitude en procédures et font circuler l’information à travers une suite de validations. Le commercial identifie une affaire. Les opérations en évaluent la faisabilité. La finance en examine l’équation économique. Le risque vérifie l’exposition. Le juridique revoit les termes. La direction tranche les arbitrages restants.

Cette structure se comprend. L’attention humaine est limitée, l’information est répartie et la responsabilité des résultats doit être claire. Mais la séquence a un coût : attentes, traductions, analyses en double, optimisations locales et perte de contexte d’une fonction à l’autre.

L’IA peut évaluer davantage de variables et d’interactions en même temps. Elle peut relier l’historique client, les stocks, la capacité, les prix, les termes contractuels, les niveaux de service, l’exposition au crédit et les priorités stratégiques dans un même environnement de décision. Elle peut produire et comparer des scénarios en continu. Elle peut repérer des régularités et des liens qu’une personne ou un département aurait du mal à voir rapidement.

Les échecs et le go ont montré que les machines savent parcourir des espaces de décision immenses lorsque les règles sont définies. Les progrès de la prédiction de la structure des protéines ont montré la valeur de l’IA face à des problèmes scientifiques très complexes. Une entreprise est différente : les objectifs sont discutés, les données incomplètes, les incitations contradictoires et les conséquences touchent des personnes. Il reste que la capacité à traiter une complexité multidimensionnelle a des implications organisationnelles directes.

Ce basculement peut réduire les passages de relais entre fonctions, mais il ne supprime pas la gouvernance. L’IA optimise ce qui a été spécifié et représenté dans son contexte. Elle ne comprend pas automatiquement l’intention réelle de l’entreprise, ses obligations éthiques ni les arbitrages restés implicites.

Si l’objectif est incomplet, l’optimisation peut être efficace et fausse.

C’est là le problème de management central de l’IA en entreprise. Le Business comprend le résultat client et concurrentiel. La Finance explicite le mécanisme économique et les arbitrages. La Technologie traduit l’objectif en données, en architecture, en permissions et en comportements observables du système. Les responsables du risque, du juridique, des ressources humaines et des opérations définissent des contraintes et des conséquences supplémentaires. Aucune fonction ne voit seule l’objectif complet.

La tâche de la direction se déplace donc vers l’amont. L’entreprise doit définir :

• le résultat à optimiser ;
• les contraintes qui ne peuvent être enfreintes ;
• les arbitrages qui exigent un jugement humain ;
• les informations que le système peut utiliser ;
• les actions qu’il peut entreprendre ;
• et les preuves attendues pour accroître l’autonomie.

Le modèle opérationnel de demain n’est pas simplement plus rapide. Il est plus connecté, plus adaptatif et potentiellement moins séquentiel.

Le parcours IA est souvent présenté comme un ensemble de cas d’usage ou comme une courbe de maturité technologique. Le CEO a besoin d’une autre lecture : celle de l’élargissement de l’unité de transformation et de l’évolution des responsabilités qui l’accompagne.

The Four Horizons of Enterprise Intelligence décrivent cette progression.

Horizon 1 — Augmenter les personnes

L’unité de transformation est la personne. L’IA aide les collaborateurs à rechercher, rédiger, analyser, créer, coder et communiquer. L’objectif est d’améliorer la qualité, la vitesse et le périmètre du travail individuel tout en développant l’acculturation et la confiance.

Horizon 2 — Déléguer le travail

L’unité de transformation est le workflow. Des agents réalisent des séquences de travail définies, utilisent des outils et coordonnent des activités sous des permissions et des règles d’escalade explicites. L’objectif n’est pas seulement de gagner du temps, mais de supprimer les attentes, les reprises et la fragmentation sur un résultat de bout en bout.

Horizon 3 — Reconcevoir l’entreprise

L’unité de transformation est le modèle opérationnel. Les rôles, les frontières de l’organisation, les droits de décision, les contrôles, les mesures de performance et l’architecture technologique sont reconçus autour des personnes, de l’IA et de l’automatisation. L’objectif est un avantage de performance structurel.

Horizon 4 — Réinventer l’entreprise

L’unité de transformation est l’entreprise elle-même. La direction se demande ce que l’organisation devrait devenir si l’intelligence est abondante, capable de monter en charge et de plus en plus autonome. L’objectif est un renouvellement stratégique : de nouvelles propositions de valeur, une équation économique différente et un modèle opérationnel capable d’absorber des capacités qui n’existent pas encore.

Les horizons sont cumulatifs. Une entreprise ne termine pas l’adoption par les collaborateurs pour passer définitivement à autre chose. Les personnes continuent d’utiliser l’IA pendant que des agents prennent en charge des workflows et que le modèle opérationnel évolue. Les différentes parties de l’organisation mûriront à des rythmes différents.

Mais la distinction évite une illusion dangereuse. Une entreprise peut distribuer des milliers de licences et rester entièrement dans l’Horizon 1. Elle peut déployer plusieurs agents et conserver un modèle opérationnel inchangé. La transformation commence lorsque la direction relie les horizons et fait des choix délibérés sur les points où avancer.

Le CEO devrait piloter deux mouvements en même temps :

• l’extension horizontale, qui diffuse les capacités éprouvées dans toute l’organisation ; et
• la progression verticale, qui accroît le périmètre de travail et le niveau d’autonomie confiés à l’IA.

Plus l’entreprise progresse verticalement, plus son Enterprise AI Harness doit être solide.

Le collaborateur est le point d’entrée de l’adoption. Le workflow est la première unité significative de la transformation de l’entreprise.

Cette entrée par le collaborateur crée un accès immédiat à l’intelligence, abaisse le coût de l’expérimentation et aide l’organisation à découvrir des possibilités qu’un programme centralisé n’identifierait jamais seul. Elle révèle aussi des obstacles concrets : connaissances inaccessibles, données de mauvaise qualité, règles floues, applications fragmentées et soutien inégal du management.

Les recommandations d’OpenAI pour l’entreprise mettent l’accent sur la culture, l’appropriation, la qualité et la gouvernance comme conditions du passage à l’échelle, tandis que Google et Microsoft placent la mise en capacité des collaborateurs au début de leurs modèles de transformation.^3,4,5 La leçon commune est que l’adoption exige davantage que des licences. Les personnes ont besoin d’une autorisation, d’exemples, de compétences, d’un accès sécurisé et d’une raison claire de changer leur façon de travailler.

Un programme Horizon 1 crédible comprend :

Accès sécurisé

Outils approuvés, règles claires sur les données et permissions adaptées au rôle.

Exemplarité de la direction

Les dirigeants utilisent l’IA de manière visible et parlent aussi bien de sa valeur que de ses limites.

Apprentissage par le travail réel

La formation est reliée à des responsabilités réelles, pas à des démonstrations génériques.

Découverte des cas d’usage

Les collaborateurs repèrent les frictions récurrentes, les lacunes de connaissance et les goulets d’étranglement décisionnels.

Communautés de pratique

Les utilisateurs avancés aident leurs pairs, améliorent les prompts et partagent leurs méthodes.

Mesure

L’entreprise distingue l’activité de l’amélioration réelle.

Le CEO doit résister à deux extrêmes. Le premier est l’expérimentation incontrôlée, où des informations confidentielles migrent vers des systèmes non approuvés et où les équipes créent des dépendances invisibles. Le second est une gouvernance restrictive qui supprime toute possibilité d’apprendre.

Les indicateurs de cet horizon doivent inclure l’usage actif, l’usage répété, l’amélioration de la qualité, la réduction des temps de cycle, l’expérience des collaborateurs et le nombre de possibilités validées de refonte des workflows. Le temps gagné déclaré par les utilisateurs peut être instructif, mais il ne doit pas être automatiquement assimilé à de la valeur financière. Le temps ne devient valeur que si la capacité est redéployée, si le service s’améliore, si un coût est évité ou si la production augmente.

L’Horizon 1 ne doit pas devenir un long détour avant la refonte des workflows. L’adoption par les collaborateurs et la refonte des workflows prioritaires peuvent avancer en parallèle : la première installe la maîtrise des outils et met au jour les frictions, la seconde convertit cet apprentissage en valeur structurelle. Le passage à l’Horizon 2 commence lorsque l’entreprise cesse de se demander seulement comment l’IA peut aider une personne à accomplir une tâche et commence à se demander comment un résultat complet devrait être produit.

Un agent IA a de la valeur non parce qu’il sait tenir une conversation, mais parce qu’il peut poursuivre un objectif au travers d’une suite d’actions autorisées.

Un agent peut rechercher de l’information, raisonner sur un contexte, utiliser les outils de l’entreprise, mettre à jour des systèmes, demander une validation et se coordonner avec d’autres agents. Cela le rend adapté à des workflows comportant de la variabilité et du jugement, que l’automatisation classique traite difficilement.

La possibilité est importante, mais la maturité actuelle doit être décrite avec exactitude. McKinsey rapporte que 62 % des répondants expérimentaient au moins les agents, alors que 23 % seulement déployaient un système agentique à l’échelle quelque part dans l’entreprise ; aucune fonction prise isolément ne dépassait 10 % d’usage d’agents à l’échelle.¹ Deloitte constate que l’adoption envisagée progressait plus vite que la maturité de la supervision, une entreprise interrogée sur cinq seulement déclarant disposer d’un modèle de gouvernance mature pour les agents autonomes.²

La leçon n’est pas d’attendre. Elle est d’augmenter l’autonomie en fonction des preuves.

Les bons workflows candidats présentent plusieurs caractéristiques communes :

• le résultat peut être défini clairement ;
• le travail se répète assez souvent pour compter ;
• les données et les outils sont accessibles de façon fiable ;
• la réussite et l’échec peuvent être évalués ;
• les exceptions peuvent être reconnues et remontées en escalade ;
• les actions peuvent être contenues ou annulées ;
• et un responsable humain assume la responsabilité des résultats.

Un workflow de service client illustre cette progression. Au début, l’IA résume l’historique du client et rédige un projet de réponse. Ensuite, un agent classe la demande, vérifie la politique applicable, propose une solution et demande une validation. Plus tard, il peut appliquer des solutions à faible risque dans des limites commerciales définies, mettre à jour la fiche client et n’escalader que les exceptions. À terme, des agents spécialisés peuvent coordonner les actions de service, de facturation, de logistique, de risque et de rétention autour d’un même résultat client.

La transformation n’est pas le chatbot. C’est la refonte du système de service.

L’entreprise doit éviter de créer une population d’agents non gouvernée, détenue par des fonctions séparées. Chaque agent introduit des exigences d’identité, d’accès, de données, de modèle, d’évaluation, de supervision, de coût et de cycle de vie. Une architecture de portefeuille est nécessaire dès le départ.

La plus grande source de valeur ne viendra probablement pas du fait de rendre chaque tâche existante un peu plus rapide. Elle vient de la suppression de travaux, de transmissions et de structures qui n’ont plus besoin d’exister sous leur forme actuelle.

Un modèle opérationnel décrit la façon dont l’entreprise transforme sa stratégie en résultats : comment les capacités sont organisées, comment le travail circule, comment les décisions sont prises, comment la performance est mesurée et comment la technologie et les données soutiennent l’exécution. L’IA touche chacun de ces composants.

Les études associent de plus en plus la refonte des workflows à une valeur déclarée supérieure. McKinsey observe que les entreprises les plus performantes en IA avaient près de trois fois plus de chances que les autres de déclarer avoir fondamentalement repensé leurs workflows, et identifie la refonte comme l’un des facteurs les plus liés à un impact réel sur l’activité.¹ Cela n’établit pas de causalité : la refonte peut contribuer à la performance, découler de premiers succès ou refléter une capacité de management plus solide. Cela établit en revanche que la conception des workflows est une variable de management sérieuse et non un détail secondaire de mise en œuvre. Le World Economic Forum place de même la refonte de bout en bout du modèle opérationnel et la responsabilité humaine des résultats parmi les principes d’une transformation à l’échelle.⁶

La refonte doit partir du résultat attendu par le client ou pour l’entreprise, pas de l’organigramme actuel.

Pour chaque workflow prioritaire, l’équipe de direction doit examiner :

• quelles activités créent de la valeur et lesquelles existent en raison de contraintes héritées ;
• où l’information est retranscrite ou ressaisie ;
• quelles validations sont de véritables contrôles et lesquelles relèvent d’habitudes accumulées ;
• où les décisions attendent une personne qui ne dispose pas du contexte complet ;
• ce que l’IA peut recommander, exécuter ou orchestrer ;
• où le jugement humain est indispensable ;
• et comment le résultat économique sera mesuré.

Cette analyse peut conduire à moins de transmissions séquentielles, à des rôles plus larges, à des couches de coordination réduites, à de nouveaux centres d’expertise ou à des équipes plus mobiles organisées autour des résultats. Certains contrôles peuvent devenir continus et intégrés plutôt que périodiques et manuels. Le travail de management peut se déplacer de la diffusion d’information et du contrôle de l’activité vers la définition d’objectifs, le développement des personnes, la résolution des ambiguïtés et la gouvernance des exceptions.

La réponse ne sera pas la même pour toutes les entreprises. La réglementation, la confiance des clients, les opérations physiques, la qualité des données et la différenciation stratégique influencent toutes la conception appropriée.

Aucune stratégie responsable ne devrait dépendre d’une prédiction précise du moment où l’intelligence artificielle générale arrivera ni de la façon dont elle sera définie.

La question stratégique n’est pas de savoir quand placer un pari unique sur l’AGI. Elle est de savoir comment l’équation économique de l’entreprise change si l’intelligence utile devient progressivement plus abondante. L’entreprise doit renforcer les actifs et les capacités qui gardent leur valeur selon plusieurs trajectoires technologiques.

Cela change la planification stratégique. Plutôt que d’extrapoler les outils d’aujourd’hui, le CEO peut recourir à un scénario de capacités :

La question met au jour les hypothèses inscrites dans le modèle actuel :

• Quelles activités existent parce que l’expertise est rare ?
• Quelles couches existent parce que la coordination coûte cher ?
• Quels produits ont de la valeur parce que l’analyse est difficile ?
• Quelles frustrations des clients sont acceptées parce que la personnalisation ne monte pas en charge ?
• Quelles décisions sont lentes parce que l’information est fragmentée ?
• Quels avantages restent défendables lorsque le savoir devient plus facile d’accès ?

Si l’intelligence devient plus abondante, d’autres actifs peuvent devenir stratégiquement plus rares : la confiance, la marque, l’accès aux clients, les données propriétaires, les infrastructures physiques, les licences, le capital, la distribution, les relations, le jugement et la légitimité sociale. Ces actifs complémentaires méritent l’attention dès maintenant, car leur valeur ne dépend d’aucune date précise d’arrivée de l’AGI.

Une entreprise prête pour l’AGI n’automatise pas tout. Elle développe sa capacité d’adaptation. Ses données et son architecture sont modulaires. Ses workflows ont des objectifs et des contrôles explicites. Les identités et les permissions de ses agents peuvent être gérées. Ses collaborateurs savent superviser l’IA, la contester et travailler avec elle. Sa gouvernance peut répondre à des changements de capacités sans tout reconstruire de zéro. Sa stratégie commerciale sait quelles formes de valeur restent différenciantes.

Le conseil d’administration doit distinguer trois types de décision :

Décisions sans regret

Architecture modulaire, droits explicites sur les données, relations clients renforcées, capacité d’adaptation des collaborateurs et identités d’agents gouvernées.

Investissements créateurs d’options

Expérimentations encadrées et partenariats qui préservent l’accès aux capacités émergentes sans enfermer l’entreprise dans une prévision unique.

Paris conditionnels

Engagements plus importants, débloqués uniquement lorsque des seuils définis de capacité, d’équation économique et de risque sont atteints.

Il doit éprouver ces décisions face à au moins trois scénarios : la poursuite d’une amélioration progressive, une expansion rapide des capacités agentiques et une progression plus discontinue de l’intelligence générale.

Le but n’est pas de prédire. Il est d’être prêt.

Plus l’entreprise accorde d’autonomie à l’IA, plus son harnais doit être solide — et profondément intégré.

La gouvernance définit les règles. La sécurité protège les actifs. The Enterprise AI Harness rend opérationnels, à l’intérieur du workflow, les objectifs, les permissions, les contrôles, les preuves et la responsabilité des résultats.

Il comporte sept composants.

• 1Objectifs et contraintesLe système doit savoir quel résultat il poursuit et quelles limites il ne peut pas franchir. Chiffre d’affaires, service, marge, équité, conformité et réputation peuvent entrer en conflit. La fonction objectif est une décision de direction, pas un détail de configuration technique.
• 2Identité, accès et permissionsChaque agent a besoin d’une identité traçable. Les permissions doivent préciser à quelles données, quels systèmes, quels outils, quels types de transactions et quelles limites financières il peut accéder. L’accès ne doit pas être plus large que nécessaire.
• 3Contrôles des données et de l’architectureL’entreprise détermine quelles données peuvent être utilisées, où s’effectue le traitement, quels modèles sont approuvés et comment sont protégés les informations confidentielles, la propriété intellectuelle et les exigences de souveraineté.
• 4Contrôles des actions et de l’autonomieLe harnais distingue la recommandation, l’action soumise à validation, l’action autonome encadrée et l’orchestration complète du workflow. Les situations sensibles doivent déclencher une escalade.
• 5Évaluation et preuvesL’entreprise définit ce qu’est une bonne performance avant le déploiement. Elle évalue l’exactitude, la robustesse, les biais, les conséquences pour les clients et la performance économique dans la durée, et pas seulement lors d’un test ponctuel.
• 6Supervision et interventionLes actions doivent être observables. L’entreprise a besoin d’une détection des anomalies, d’une réponse aux incidents, de la capacité de suspendre un agent et d’un repli sûr en cas de défaillance des systèmes.
• 7Responsabilité humaine des résultatsTout workflow significatif a un responsable humain. L’IA peut exécuter une décision, mais l’entreprise reste responsable du résultat.

Figure 9.1 — The Enterprise AI Harness. Cadre propriétaire de Sergio Castagna Consulting. Les sept composants fonctionnent ensemble ; le harnais n’est jamais plus solide que sa couche la plus mince.

L’autonomie doit se mériter, elle ne se décrète pas.

The Controlled Autonomy Ladder donne au management un moyen concret d’accroître la marge d’action selon les preuves et le risque.

Niveau 0 — Observer

L’IA analyse l’activité sans influencer le workflow. L’organisation établit un niveau de référence et vérifie si le système comprend le contexte avec exactitude.

Observer est aussi le mécanisme de preuve entre les niveaux suivants. Avant d’accorder les permissions associées au niveau N+1, l’entreprise peut faire fonctionner le système en mode observation : produire les décisions ou les actions proposées sans leur permettre d’agir sur le workflow réel, puis les comparer aux décisions humaines, aux résultats effectifs et à des seuils définis à l’avance. La simulation, le rejeu de données historiques et des scénarios adverses doivent compléter les preuves issues du mode observation lorsque les événements sont rares ou que les conditions évoluent vite.

Niveau 1 — Assister

L’IA produit de l’information ou du contenu pour une personne. Le collaborateur reste responsable de l’interprétation et de l’action.

Niveau 2 — Recommander

L’IA propose une décision ou une étape suivante, expose les éléments pertinents et attend une validation humaine.

Niveau 3 — Agir avec validation

L’IA prépare ou amorce une action, mais l’exécution exige une décision humaine explicite.

Niveau 4 — Agir dans des limites définies

L’IA exécute des actions définies de façon autonome lorsque les conditions se situent à l’intérieur des limites approuvées. Elle escalade les exceptions ou les cas plus risqués.

Niveau 5 — Orchestrer

L’IA coordonne plusieurs systèmes, personnes ou agents sur un workflow de bout en bout, tout en restant soumise aux objectifs, aux permissions, à la supervision et à l’intervention.

La progression doit dépendre de quatre tests :

Performance

Le système atteint-il les seuils exigés de qualité et de fiabilité ?

Confinement

Les actions sont-elles limitées, observables et réversibles lorsque c’est nécessaire ?

Responsabilité des résultats

Existe-t-il un responsable désigné ayant autorité pour intervenir ?

Preuve de valeur

Les éléments issus du mode observation ou d’une exposition réelle limitée indiquent-ils qu’une autonomie plus élevée améliorera probablement le résultat client et économique ?

Le franchissement d’un point de passage devrait d’abord libérer une autorité délimitée, non une autonomie permanente. L’entreprise doit définir les limites de transaction, les populations concernées, la durée, la supervision, l’escalade et le retour arrière avant toute exposition réelle. Les éléments recueillis en exploitation contrôlée confirment ensuite la décision, l’ajustent ou l’annulent.

Le niveau approprié dépend du contexte. Un système peut orchestrer une planification interne de routine tout en restant au niveau de la recommandation pour une décision de crédit, d’emploi, médicale ou juridique. Une capacité supérieure ne justifie pas automatiquement une autonomie supérieure.

L’échelle améliore aussi la discipline d’investissement. Elle empêche l’entreprise de construire une exécution entièrement autonome avant d’avoir établi si l’assistance ou la recommandation capte déjà l’essentiel de la valeur. À l’inverse, elle empêche des contrôles excessifs de maintenir indéfiniment un système éprouvé dans un pilote à faible valeur.

La valeur de l’IA doit être définie avant le choix des technologies.

L’analyse de rentabilité peut puiser dans six sources de valeur pour l’entreprise :

Un portefeuille dominé par la réduction des coûts produira une transformation plus étroite qu’un portefeuille construit autour de l’agenda client et concurrentiel. Le CEO devrait vérifier explicitement si l’IA peut créer de nouveaux revenus, augmenter la valeur vie client, accélérer la mise sur le marché ou rendre viable une proposition non rentable — et pas seulement si elle peut retirer de la main-d’œuvre du travail existant.

L’erreur courante consiste à convertir directement en économies tous les gains de temps déclarés. Si un collaborateur économise deux heures mais que la charge de travail, la production et les coûts restent inchangés, l’entreprise a créé une capacité potentielle, pas capté de la valeur.

Chaque gain de productivité revendiqué devrait être classé :

Supprimé

Le travail ou la dépense a réellement disparu de la base de coûts.

Redéployé

La capacité libérée a été affectée à la croissance, au service, à la réduction du risque ou à un autre résultat mesurable.

Absorbé

Du temps a été économisé localement, mais aucun résultat économique ou client dont quelqu’un répond n’a encore été capté.

Seules la capacité supprimée et la capacité redéployée de façon démontrable devraient entrer dans le cas de valeur engagé. Les gains absorbés restent une hypothèse tant que la direction ne modifie pas la charge de travail, la production, les recrutements, le service ou la structure.

La captation de la valeur exige une décision de gestion. La capacité peut être redéployée vers la croissance, servir à améliorer le service, se traduire par des recrutements évités ou se refléter dans une structure redessinée. Le mécanisme financier doit être explicite.

Chaque initiative devrait donc relier quatre niveaux de mesure :

1. Performance de l’IA. Qualité, fiabilité, latence et coût.
2. Performance du workflow. Temps de cycle, débit, reprises et exceptions.
3. Résultat métier. Chiffre d’affaires, marge, satisfaction, risque ou besoin en fonds de roulement.
4. Valeur pour l’entreprise. Impact durable sur le P&L, la trésorerie ou la position stratégique, après coûts de mise en œuvre et d’exploitation.

La finance est indispensable non parce qu’elle devrait restreindre l’expérimentation, mais parce qu’elle traduit l’amélioration opérationnelle en une équation économique crédible.

L’entreprise n’a pas besoin de plus de cas d’usage. Elle a besoin de meilleurs choix.

Une longue liste d’idées donne l’apparence d’un élan tout en dispersant les ressources. Le CEO devrait constituer un portefeuille qui équilibre preuve à court terme, différenciation stratégique et apprentissage fondateur.

Chaque workflow candidat devrait être évalué selon six dimensions.

Valeur pour l’entreprise

Quelle est l’importance du résultat client, financier, stratégique ou de risque ?

Transformabilité

Le workflow de bout en bout peut-il être redessiné, ou les frontières organisationnelles limiteront-elles l’initiative à une seule tâche isolée ?

Faisabilité

Les données, systèmes, intégrations et compétences nécessaires sont-ils accessibles dans un délai raisonnable ?

Évaluabilité

L’entreprise peut-elle définir le succès, tester la qualité et détecter une défaillance inacceptable ?

Risque et réversibilité

Que peut-il arriver, à quelle vitesse un préjudice peut-il survenir et les actions peuvent-elles être contenues ou annulées ?

Préparation de l’organisation

Y a-t-il un responsable désigné, un engagement de la direction et une volonté de faire évoluer les rôles, les contrôles et les incitations ?

Le meilleur premier portefeuille comprend généralement trois types d’initiatives :

• des workflows vitrines à valeur client ou financière visible ;
• des workflows socles qui construisent des capacités réutilisables de données, d’intégration et d’encadrement ;
• des workflows d’apprentissage qui testent une capacité stratégiquement importante dans un environnement délimité.

La priorisation devrait pénaliser trois configurations : un cas d’usage retenu surtout parce qu’un fournisseur sait le démontrer ; un projet sans propriétaire de processus engagé ; et une initiative dont le bénéfice dépend d’un changement organisationnel qui n’a pas été autorisé.

La décision ne se limite pas à « développer ou acheter ». Elle inclut le choix de paramétrer, d’intégrer, de nouer un partenariat, de redessiner ou d’arrêter. L’entreprise devrait préserver sa marge de manœuvre là où les modèles et les plateformes évoluent vite, en particulier pour les capacités qui ne créent pas de différenciation propre.

Le portefeuille devrait être réexaminé fréquemment. Les capacités, les coûts et les risques de l’IA évoluent plus vite que les cycles de planification annuels traditionnels. Un workflow irréalisable il y a six mois peut devenir attractif ; un projet qui semblait différenciant peut devenir une commodité.

La décision d’architecture est une décision d’entreprise, parce qu’elle détermine la vitesse, le contrôle, l’équation économique et la liberté d’action future.

L’entreprise a besoin d’assez de standardisation pour monter en charge et d’assez de modularité pour s’adapter. Un engagement rigide envers un seul modèle ou un seul fournisseur peut créer une dépendance. Un environnement multi-modèles non maîtrisé peut créer duplication, risque et coût. La bonne conception est généralement un portefeuille gouverné assorti de critères de sélection clairs.

L’architecture devrait traiter :

• les modèles approuvés et les règles d’aiguillage entre modèles ;
• l’accès aux données de l’entreprise et leur récupération ;
• l’identité et les permissions des agents ;
• l’intégration avec les systèmes de référence ;
• l’évaluation et l’observabilité ;
• la journalisation et l’auditabilité ;
• les contrôles de sécurité et de confidentialité ;
• la supervision des coûts ;
• la substitution de modèle et de fournisseur ;
• la résilience, les solutions de repli et la réponse aux incidents.

La qualité des données reste importante, mais l’entreprise devrait éviter d’attendre un socle de données parfait à l’échelle de l’organisation avant d’agir. Les workflows prioritaires peuvent définir quelles données doivent être améliorées en premier. Cela produit une feuille de route des données guidée par la valeur, plutôt qu’un programme de nettoyage sans fin.

La souveraineté mérite l’attention explicite du CEO et du conseil d’administration. Deloitte définit l’IA souveraine largement, autour du déploiement de l’IA dans le respect des lois, des infrastructures et des exigences de données applicables, l’indépendance stratégique faisant partie du sujet.² Pour l’entreprise, cela signifie savoir où les données et les modèles opèrent, quelles juridictions s’appliquent, comment la propriété intellectuelle est protégée et si l’entreprise peut changer de fournisseur sans perdre une capacité critique.

La sécurité doit dépasser le modèle. Les agents interagissent avec des applications, des identifiants, des outils et des personnes. La surface d’attaque comprend les instructions manipulées, les permissions excessives, les données compromises, l’usage non sécurisé d’outils et la divulgation involontaire. Les contrôles doivent donc suivre le chemin de l’action, de l’entrée à la décision puis à l’exécution.

La transformation par l’IA n’est pas un programme de réduction des effectifs déguisé en innovation. Il n’est pas crédible non plus de promettre que chaque rôle restera inchangé.

Le travail sera redistribué. Certaines tâches disparaîtront, d’autres s’élargiront et de nouvelles responsabilités apparaîtront. Microsoft décrit la montée de l’« agent boss » : des collaborateurs qui construisent des agents, leur délèguent du travail et les supervisent.⁵ McKinsey présente l’avenir comme un partenariat entre les personnes, les agents et les robots, et soutient que la refonte des workflows est nécessaire pour en capter le potentiel.⁷

L’entreprise devrait redessiner les rôles autour du workflow futur, plutôt que d’ajouter indéfiniment des tâches d’IA aux descriptions de poste existantes.

La contribution humaine gagne en valeur dans des domaines tels que :

• fixer les objectifs et les contraintes ;
• comprendre le contexte client et organisationnel ;
• exercer son jugement dans les situations ambiguës ;
• contester les résultats produits et les hypothèses ;
• gérer les exceptions et leurs conséquences ;
• construire la confiance et les relations ;
• et assumer la responsabilité des résultats.

Les managers font face à une transition particulièrement importante. Si l’IA diffuse l’information, coordonne le travail de routine et supervise l’exécution, la valeur du management se déplace vers la direction, l’accompagnement, l’allocation des ressources, la résolution des conflits et la gouvernance. Certaines couches de coordination peuvent se réduire ; d’autres rôles peuvent s’élargir.

Le programme de changement devrait comprendre la cartographie des rôles, l’évaluation des compétences, l’apprentissage par le travail, la refonte des incitations et une planification transparente des effectifs. Les collaborateurs doivent savoir non seulement comment utiliser l’IA, mais aussi comment leur travail, leur autorité et leur développement peuvent évoluer.

La supervision humaine doit elle aussi être conçue de façon réaliste. Une personne qui approuve des centaines de recommandations d’IA sans temps, sans contexte ni autorité n’exerce pas une supervision réelle. Le workflow doit définir ce que cette personne doit examiner, quels éléments lui sont présentés et quelle action elle peut engager.

La transformation par l’IA exige une combinaison que la plupart des organisations répartissent entre des rôles de direction distincts : Business, Finance et Technologie.

Chaque binôme est utile mais incomplet.

Seule l’intégration des trois permet de répondre à l’ensemble des questions de la transformation :

• Où l’IA devrait-elle être appliquée ?
• Quel résultat client ou stratégique devrait-elle améliorer ?
• Comment la performance et la valeur seront-elles mesurées ?
• Quelle technologie et quelle architecture utiliser ?
• Comment les clients, les données et l’entreprise seront-ils protégés ?
• Comment la transformation sera-t-elle gouvernée et exécutée ?
• Quel nouveau modèle opérationnel faut-il pour tenir le résultat dans la durée ?

Cela n’exige pas qu’une seule personne remplace le COO, le CFO, le CIO ou les responsables des données, des ressources humaines ou des risques. Cela exige un intégrateur disposant d’une compréhension et d’une autorité suffisantes pour relier leurs perspectives, mettre au jour les contradictions et maintenir la cohérence de la stratégie jusqu’à la performance.

La gouvernance reste essentielle, mais les comités ne créent pas automatiquement une perspective d’entreprise. Les unités opérationnelles, la finance, la technologie, les données, les ressources humaines, les risques et les fournisseurs entrent tous à l’ordre du jour avec des responsabilités légitimes et des incitations différentes. Les décisions qui en résultent peuvent glisser vers l’optimisation fonctionnelle, la préférence de plateforme, l’économie de court terme, la prudence excessive ou la prolifération de pilotes.

Le CEO a donc besoin d’un mécanisme de leadership capable de contester :

• une analyse de rentabilité qui traite des heures théoriques comme des économies captées ;
• une architecture choisie avant que le workflow cible ne soit défini ;
• une proposition de fournisseur qui crée une dépendance sans bénéfice stratégique ;
• une position de risque qui empêche tout apprentissage délimité ;
• et un portefeuille sans chemin vers un changement de modèle opérationnel.

The Enterprise Transformation Integrator remplit trois fonctions : intégrer la stratégie d’entreprise, la valeur financière, l’architecture, le risque, les personnes et la conception du modèle opérationnel ; contester les hypothèses et les dépendances cachées ; et faire passer l’entreprise du diagnostic aux décisions, aux workflows redessinés et à une performance mesurable.

Cette capacité peut être interne ou externe, et un intégrateur externe n’est pas nécessaire dans toutes les entreprises. Un leadership interne peut suffire lorsqu’un dirigeant dispose du mandat, de l’ampleur de vue et de la crédibilité nécessaires pour relier Business, Finance et Technologie, et lorsque l’équipe de direction sait trancher rapidement les arbitrages transverses.

L’intégration externe devient pertinente lorsque aucun rôle interne ne porte la logique de transformation de bout en bout ; lorsque les décisions fonctionnelles utilisent des mesures de valeur et de risque incompatibles ; lorsque les choix d’architecture ou de fournisseur précèdent la définition du workflow cible ; lorsque des conflits importants restent non résolus ; ou lorsque le CEO a besoin d’une contestation limitée dans le temps pendant le diagnostic et la mobilisation.

La discipline appliquée aux autres participants doit s’appliquer à l’intégrateur externe. Le mandat devrait préciser le périmètre, les droits de décision, les exigences de preuve, les affiliations déclarées, les intérêts commerciaux, les points de revue, les critères d’arrêt et les conditions de transfert de la propriété à la direction. Recommander une pause, un resserrement ou un arrêt doit être une issue légitime du travail.

Ce rôle ne garantit pas le succès et ne remplace pas la responsabilité des résultats de la direction. Il améliore la qualité et la cohérence des décisions et réduit les échecs d’exécution évitables.

La transformation devrait être ambitieuse dans sa direction et disciplinée dans son enchaînement.

Les étapes sont liées, sans être parfaitement linéaires. La mobilisation des collaborateurs peut commencer pendant le diagnostic. Les fondations peuvent se construire par itérations autour des workflows prioritaires. Les scénarios d’AGI peuvent influencer l’architecture d’aujourd’hui. Ce qui compte, c’est que chaque activité relève d’une logique de transformation cohérente.

À chaque étape, le CEO devrait appliquer cinq points de passage :

Valeur

Quel résultat mesurable pour l’entreprise cela créera-t-il ?

Preuve

Sur quoi reposent les hypothèses ?

Responsabilité

Qui est responsable des résultats ?

Risque

Qu’est-ce qui pourrait nuire aux clients, à l’entreprise ou aux parties prenantes ?

Sortie

Pouvons-nous arrêter, revenir en arrière ou changer de fournisseur sans perturbation inacceptable ?

La gouvernance de l’IA devrait permettre une vitesse responsable, et non séparer le risque de la transformation.

Les recommandations d’OpenAI pour l’entreprise observent qu’une participation précoce de la sécurité, du juridique, de la conformité et de l’informatique peut accélérer le déploiement ultérieur en réduisant les revirements.³ Databricks fait état d’une association forte entre l’usage d’outils de gouvernance et d’évaluation et le rythme auquel les projets d’IA atteignent la production.⁸ Ces constats renforcent un principe pratique : des contrôles conçus tôt peuvent faciliter la mise en production.

Le modèle de gouvernance devrait comporter quatre niveaux.

Conseil d’administration et CEO

Fixer l’ambition, l’appétit pour le risque et la responsabilité des résultats. Examiner les expositions significatives, l’allocation du capital, les conséquences pour les effectifs et les scénarios stratégiques.

Enterprise Transformation Integrator

Maintenir la cohérence entre Business, Finance et Technologie. Préparer les décisions, mettre les preuves à l’épreuve et faire remonter les conflits.

Responsables de domaine et de workflow

Porter les résultats clients et opérationnels, la refonte des processus, l’adoption et la performance. Ils restent responsables des résultats lorsque l’IA intervient.

Fonctions d’appui et de contrôle

La technologie, les données, la sécurité, la finance, les ressources humaines, le juridique, le risque et la conformité fournissent des normes, une expertise et des contrôles intégrés.

Les droits de décision doivent être explicites. Qui approuve un modèle ? Qui accorde à un agent la permission de transiger ? Qui peut accroître son autonomie ? Qui peut le suspendre ? Qui accepte le risque résiduel ? Qui confirme que la valeur financière a bien été captée ?

La gouvernance devrait être graduée selon les conséquences. Une assistance interne à faible risque ne devrait pas suivre le même processus que des décisions autonomes touchant les clients, la finance ou des domaines régulés. La classification devrait tenir compte de la sensibilité des données, de la portée des actions, de la réversibilité, de l’impact sur les clients, de l’exposition réglementaire et de l’ampleur potentielle du préjudice.

Enfin, la gouvernance doit couvrir tout le cycle de vie. Les agents et les modèles changent, les données dérivent, les workflows évoluent et les fournisseurs mettent à jour leurs services. Une approbation au lancement ne suffit pas. L’évaluation, la supervision et la responsabilité des résultats se poursuivent jusqu’au retrait.

Ce que l’entreprise mesure détermine ce que le programme optimise.

Si la direction mesure les licences et les cas d’usage, elle produira de l’adoption et des projets. Si elle mesure des heures théoriquement économisées, elle produira des annonces de valeur gonflées. Le scorecard doit relier six couches : l’adoption et les capacités ; la performance de l’IA et des agents ; la performance des workflows ; les résultats pour les clients et les collaborateurs ; la valeur financière ; et le risque et la résilience.

Les bénéfices devraient faire l’objet d’un niveau de référence avant la refonte, d’un suivi après la mise en œuvre et d’un ajustement tenant compte des coûts de mise en œuvre, de l’effort de changement et de la consommation récurrente des modèles. Le responsable métier porte le résultat opérationnel, le CFO valide le mécanisme de valeur, la technologie porte la fiabilité et la transparence des coûts, et le risque supervise l’exposition. Lorsque l’attribution est incertaine, l’entreprise devrait le dire.

Le CEO n’a pas besoin d’un tableau de bord technique. Le CEO a besoin d’un tableau de bord de décision.

Un scorecard trimestriel utile répond à dix questions :

• Alignement stratégiqueLes initiatives prioritaires sont-elles reliées à l’agenda stratégique et client de l’entreprise ?
• Valeur en jeuQuelle valeur validée est visée, engagée et réalisée — et quelle capacité est supprimée, redéployée ou simplement absorbée ?
• Concentration du portefeuilleLes ressources sont-elles concentrées sur un nombre gérable de workflows significatifs ?
• Refonte des workflowsCombien de workflows prioritaires ont été véritablement repensés plutôt qu’automatisés tâche par tâche ?
• Exposition à l’autonomieQuels agents peuvent poser des actes lourds de conséquences, et à quel niveau de la Controlled Autonomy Ladder ?
• Couverture du harnessTous les agents significatifs disposent-ils d’objectifs, de permissions, d’évaluations, d’une supervision, d’une intervention humaine et de responsables désignés ?
• Résilience de l’architectureL’entreprise peut-elle remplacer des modèles ou des fournisseurs critiques tout en maintenant un fonctionnement sûr ?
• Préparation des personnesLes rôles, les compétences, les incitations et les pratiques de management évoluent-ils avec le travail ?
• Position de risqueQuels incidents significatifs, exceptions ou expositions émergentes exigent l’attention de la direction ?
• Décisions requisesQuels arbitrages non tranchés appellent dès maintenant une décision du CEO ou du conseil d’administration ?

Figure 18.1 — The CEO Transformation Scorecard. Un cadre propriétaire de Sergio Castagna Consulting.

Le scorecard devrait montrer une direction et des preuves, pas seulement des couleurs de statut. Un projet peut être vert sur la livraison et rouge sur la valeur. L’adoption peut être élevée alors que le changement des workflows reste faible. La performance technique peut s’améliorer alors que la confiance des clients décline.

Le CEO devrait passer en revue le scorecard avec les responsables du business, de la finance, de la technologie, des ressources humaines et du risque réunis. Des comptes rendus séparés reproduisent la fragmentation que la transformation vise à supprimer.

Avant d’augmenter l’investissement, le CEO devrait vérifier que l’organisation est prête à le convertir en performance.

Cette évaluation n’est pas un second scorecard. C’est un test « poursuivre ou repenser » construit autour de sept conditions :

Clarté stratégique

Pouvons-nous nommer les résultats d’entreprise que l’IA doit améliorer et la façon dont ils affectent la position concurrentielle ?

Direction intégrée

La transformation est-elle conduite par le CEO, avec une seule personne responsable de l’intégration entre Business, Finance et Technologie ?

Responsabilité des workflows

Chaque workflow prioritaire a-t-il un responsable métier prêt à repenser les rôles, les décisions et les contrôles ?

Faisabilité technique

Les données et les outils nécessaires sont-ils accessibles de manière sécurisée à travers une architecture adaptable ?

Autonomie contrôlée

Les agents significatifs disposent-ils d’objectifs, de permissions, d’une évaluation, d’une supervision, d’une intervention humaine et d’une responsabilité humaine des résultats ?

Préparation des personnes

Les collaborateurs et les managers disposent-ils de l’accès, des compétences et de la transparence nécessaires pour travailler avec l’IA ?

Discipline de valeur

Les niveaux de référence sont-ils définis, les mécanismes de valeur financière crédibles et les règles d’arrêt explicites ?

Les 100 premiers jours devraient créer de la clarté, des preuves et une dynamique — et non une structure de programme permanente.

• Jours 1–20
  Établir le mandat
  Confirmer le parrainage du CEO et la visibilité au conseil d’administration.Nommer l’Enterprise Transformation Integrator.Définir les droits de décision, les principes de risque et les comptes rendus.Inventorier les initiatives d’IA actives, les fournisseurs, les contrats et les usages non déclarés.S’accorder sur les premiers résultats d’entreprise visés.
• Jours 21–45
  Diagnostiquer la valeur et la préparation
  Cartographier les parcours clients prioritaires et les workflows de l’entreprise.Identifier les sources de valeur économique et le niveau de référence de la performance.Évaluer les données, l’architecture, la sécurité, les compétences et les contraintes organisationnelles.Examiner la concentration des fournisseurs et les engagements existants.Classer les agents actuels selon leur autonomie et leurs conséquences.
• Jours 46–65
  Choisir le portefeuille
  Prioriser les workflows vitrines, de fondation et d’apprentissage.Désigner des responsables métier comptables des résultats.Définir les hypothèses de valeur, les critères d’évaluation et les règles d’arrêt.Concevoir l’Enterprise AI Harness initial.Établir un plan de mobilisation des collaborateurs.
• Jours 66–85
  Concevoir et tester
  Repenser les workflows retenus en partant du résultat.Tester la performance de l’IA dans des environnements délimités.Définir les rôles humains, l’escalade et les solutions de repli.Confirmer les choix d’architecture et de partenaires.Valider les mécanismes financiers et les coûts de mise en œuvre.
• Jours 86–100
  Engager et mobiliser
  Approuver la feuille de route de transformation et la séquence d’investissement.Lancer le CEO Transformation Scorecard.Communiquer ce qui va changer, pourquoi et comment les décisions seront prises.Commencer la mise en œuvre contrôlée des premiers workflows.Fixer les prochains points de passage sur l’autonomie et la valeur.

Figure 20.1 — Les 100 premiers jours.

Au 100e jour, l’entreprise ne devrait pas se déclarer transformée. Elle devrait posséder quelque chose de plus précieux : un mandat cohérent, un diagnostic fondé sur les faits, un portefeuille resserré, un harness qui fonctionne et la preuve que les premiers workflows peuvent créer de la valeur en toute sécurité.

La plupart des entreprises optimisent des organisations conçues selon des hypothèses qui commencent à disparaître.

Elles supposent que l’expertise est rare, que la coordination exige des échelons, que le travail doit avancer de façon séquentielle et que la technologie suit des instructions explicites. L’IA ne supprime pas ces contraintes partout, mais elle les affaiblit suffisamment pour faire de la conception du modèle opérationnel une question stratégique.

Le plus grand risque lié à l’IA n’est pas de choisir le mauvais modèle. Les modèles peuvent être remplacés. Le risque le plus grand est de continuer à exploiter une entreprise conçue pour un monde où l’intelligence était rare et où le travail devait rester séquentiel.

La réponse n’est ni une course technologique ni un programme d’automatisation indifférencié. C’est une transformation disciplinée :

• augmenter les personnes pour que l’organisation apprenne ;
• déléguer des workflows délimités pour qu’elle réunisse des preuves ;
• repenser le modèle opérationnel pour que la valeur devienne structurelle ;
• et préparer l’entreprise à une intelligence toujours plus capable sans dépendre d’une prévision précise.

The Enterprise AI Harness rend l’autonomie contrôlée et responsable. L’intégration entre Business, Finance et Technologie maintient la valeur client, l’équation économique et l’architecture dans un seul système de décision. Une conduite transparente de la transformation aide le CEO à remettre en question les biais internes, les incitations commerciales externes et la tendance naturelle à préserver l’organisation existante.

La question n’est plus simplement : « Comment devrions-nous utiliser l’IA ? »

Les entreprises qui répondent tôt à cette question ne se contenteront pas d’utiliser de meilleurs outils. Elles prendront de meilleures décisions, relieront leurs fonctions autrement et créeront de la valeur grâce à un modèle opérationnel que leurs concurrents pourraient peiner à reproduire.

Sergio Castagna Consulting accompagne les CEO et les équipes de direction dans la transformation de l’entreprise, à la croisée du Business, de la Finance et de la Technologie.

La démarche part du problème métier, du résultat pour le client et du résultat économique. La technologie est choisie et gouvernée au service du modèle opérationnel cible — et non l’inverse.

Diagnostic indépendant de transformation de l’entreprise par l’IA

Une évaluation indépendante des domaines où l’IA peut créer de la valeur pour l’entreprise, de la manière dont le modèle opérationnel doit évoluer et des décisions que le CEO doit prendre en premier.

Le diagnostic examine :

• la valeur stratégique et les implications concurrentielles ;
• les parcours clients et les workflows prioritaires ;
• la valeur financière et les niveaux de référence de performance ;
• les données, l’architecture, la sécurité et la souveraineté ;
• l’autonomie des agents et la préparation à l’Enterprise AI Harness ;
• l’organisation, les rôles, les compétences et les droits de décision ;
• les risques de portefeuille, de fournisseurs et d’exécution ;
• et l’agenda de transformation des 100 premiers jours.

Leadership indépendant de la transformation

Dans le rôle de The Enterprise Transformation Integrator, Sergio Castagna Consulting relie les priorités métier, la discipline financière et l’exécution technologique, du mandat à la performance mesurable.

CEO Transformation Review

Une revue indépendante et périodique du portefeuille de transformation, de l’architecture, des fournisseurs, des risques, de l’autonomie et de la valeur réalisée, conçue pour éclairer les décisions du CEO et du conseil d’administration.

Ce guide distingue les données externes de l’analyse et des frameworks propriétaires de Sergio Castagna Consulting. Les résultats d’enquête doivent être interprétés à la lumière de leurs populations, de leurs définitions et des perspectives des fournisseurs. Les exemples d’entreprises figurant dans les rapports sous-jacents sont des illustrations plutôt que des preuves universelles. Les numéros en exposant dans le texte renvoient aux sources numérotées correspondantes ci-dessous.

• 1McKinsey & Company, The State of AI in 2025: Agents, Innovation, and Transformation, 5 novembre 2025. Le rapport traite de l’adoption, du passage à l’échelle, de l’impact sur l’EBIT de l’entreprise, de l’expérimentation d’agents, de la refonte des workflows et de la maîtrise des risques.
• 2Deloitte, The State of AI in the Enterprise 2026: The Untapped Edge, 2026. Enquête mondiale menée auprès de plus de 3 200 dirigeants métiers et technologiques dans 24 pays et six secteurs ; les constats portent sur la réinvention du modèle d’affaires, la préparation et la gouvernance des agents autonomes.
• 3OpenAI, How Enterprises Are Scaling AI: Practical Insights from European Enterprise Leaders, 11 mai 2026 ; et OpenAI, The State of Enterprise AI 2025, décembre 2025. Ces publications abordent la culture, la gouvernance, la responsabilité des workflows, l’évaluation, le travail hybride et l’adoption en entreprise.
• 4Google Cloud, Scale Your Team’s Impact with Gemini Enterprise: A Business Leader’s Guide to Agentic Work, 2026 ; et Gemini Enterprise Guidebook, mars 2026. Ces guides décrivent la productivité des collaborateurs, les workflows agentiques, la recherche en entreprise, les données connectées, la sécurité et la gouvernance.
• 5Microsoft, 2025: The Year the Frontier Firm Is Born, Work Trend Index Annual Report, 23 avril 2025 ; et Microsoft, Introduction to the Agentic AI Adoption Maturity Model, 2026. Ces publications traitent des équipes mixtes humains-agents, de la notion d’« agent boss » et des exigences que l’IA agentique impose au modèle opérationnel.
• 6World Economic Forum, Organizational Transformation in the Age of AI: How Organizations Maximize AI’s Potential, 16 mars 2026. Fondé sur les apports de plus de 450 dirigeants, le rapport met en avant la responsabilité humaine, la refonte du modèle opérationnel, les compétences, la confiance et l’expérimentation.
• 7McKinsey Global Institute, Agents, Robots, and Us: Skill Partnerships in the Age of AI, 25 novembre 2025. Le rapport examine la collaboration entre les personnes, les agents et les robots, ainsi que la nécessité de repenser les workflows.
• 8Databricks, The State of AI Agents 2026, 2026. Le rapport s’appuie sur des données de télémétrie agrégées et examine les cas d’usage d’agents en entreprise, l’infrastructure, la gouvernance, l’évaluation et le passage en production.

Les rapports suivants ont nourri la préparation de ce guide. Ils ne sont pas cités dans le texte et ne portent aucun numéro de référence.

• Boston Consulting Group, BCG AI Radar 2026: As AI Investments Surge, CEOs Take the Lead, 15 janvier 2026. Enquête auprès de 2 360 dirigeants, dont 640 CEO, portant sur le portage par le CEO, l’investissement et les attentes à l’égard des agents.
• NVIDIA, State of AI 2026 industry survey series, mars 2026. La série synthétise plus de 3 200 réponses dans les services financiers, le retail et les biens de consommation, la santé et les sciences de la vie, les télécommunications et l’industrie. Les répondants proviennent de publics ayant déjà investi dans l’IA ou exprimé un intérêt pour elle ; ce contexte compte pour interpréter les constats sur l’adoption et le retour sur investissement.

Les concepts et structures qui suivent sont présentés dans ce guide comme des frameworks propriétaires de Sergio Castagna Consulting.

• 1The Four Horizons of Enterprise Intelligence — Augmenter, Déléguer, Reconcevoir, Réinventer.
• 2The Enterprise AI Harness
• 3The Controlled Autonomy Ladder
• 4Business–Finance–Technology Integration
• 5The Enterprise Transformation Integrator
• 6The Nine-Stage Transformation Roadmap
• 7The CEO Transformation Scorecard