Résumé :

Lorsque les entreprises déploient des modèles d’IA de pointe tels que Claude ou ChatGPT, l’utilisation active hebdomadaire stagne systématiquement autour de 14%, se limitant à la simple réécriture d’e-mails tandis que les tâches manuelles fastidieuses restent inchangées. Considérer l’IA de pointe comme un achat SaaS traditionnel est une erreur, car la valeur ne réside pas dans le modèle lui-même, mais dans l’écart entre ce modèle et les data internes de l’entreprise, ses autorisations et ses flux de travail quotidiens. La valeur obéit à un calcul arithmétique simple : Valeur = Modèle × Déploiement × Couche. Si elle ne comble pas cet écart, une entreprise ne dispose pas de capacités en matière d'IA ; elle ne dispose que d'un abonnement.

Il y a quelques mois, un directeur informatique m’a montré son tableau de bord Claude Enterprise. Deux mille postes, déployés en six semaines, une authentification unique via le fournisseur d’identité de l’entreprise, une politique d’utilisation validée par le service juridique et acceptée par chaque collaborateur lors de sa première connexion. Il a ensuite fait défiler l’écran jusqu’au deuxième onglet. Utilisateurs actifs hebdomadaires : 14%. La demande la plus fréquente : “ Résumez cet e-mail. ” La deuxième plus fréquente : “ Réécrivez ceci dans un ton plus professionnel. ” Pas une seule connexion à l’ERP, à l’entrepôt data ou aux référentiels de documents. Pas un seul agent en production. Trois étages plus bas, l’équipe des comptes fournisseurs ouvrait les fichiers PDF des fournisseurs un par un, relevait le numéro de facture, le montant et le centre de coûts, puis les saisissait manuellement dans le système financier — environ une centaine de factures par mois, soit environ un jour et demi de travail pour une personne.

Cela ne me surprend plus. Je pense désormais que c'est le résultat inévitable de la manière dont les entreprises achètent des solutions d'IA, et je tiens à vous expliquer sans détours pourquoi.

Nous avons collectivement décidé de traiter les modèles “ frontier ” comme des logiciels : acquérir la licence, attribuer les postes d’utilisateur, organiser un webinaire, puis passer à autre chose. Cela a fonctionné pour la messagerie électronique et pour le CRM, car la valeur de ces outils résidait au sein même de l’outil — la boîte de réception était le produit, la vue du pipeline était le produit. La valeur d’un modèle de pointe ne réside pas dans le modèle lui-même. Elle réside dans l’écart entre le modèle et les data, les autorisations, les habitudes et les processus d’une entreprise spécifique : le modèle est-il capable d’afficher les ventes du dernier trimestre par référence, sait-il que le « chiffre d’affaires net » de cette entreprise exclut les dépenses commerciales, si une directrice des ventes l’a déjà utilisé ne serait-ce qu’une seule fois pour répondre à une question à laquelle elle devait réellement répondre cette semaine-là. Personne au sein de l’organisation n’est rémunéré pour combler cet écart. Le service informatique gère l’instance et mesure la disponibilité. L’entreprise gère les cas d’utilisation et ne mesure rien. Le fournisseur gère la feuille de route et mesure le nombre de licences. L’espace intermédiaire n’appartient à personne, et c’est dans cet espace que réside la valeur.

Ma conviction, après avoir passé une année à intervenir dans des entreprises au moment « 14% », est que ce domaine constitue une discipline à part entière. Il ne s’agit pas de gestion du changement avec de meilleures présentations, ni d’intégration de systèmes avec une nouvelle API. Il s’agit d’un travail d’ingénierie, de data, de sécurité et d’adoption mené conjointement, au sein même du client, par des personnes qui s’inscrivent également dans la feuille de route du laboratoire et qui sont responsables d’un résultat plutôt que d’un livrable. J’appelle cela la « couche de déploiement », et cet article expose les raisons pour lesquelles elle revêt une importance supérieure à celle de la prochaine version du modèle.

Pourquoi la mise en œuvre de l'IA en entreprise marque le pas une fois le contrat signé

Le schéma est le même dans le secteur bancaire, celui des biens de consommation, de l’immobilier et des télécommunications, et il se déroule selon une séquence reconnaissable. Un projet pilote aboutit : une petite équipe au sein du marketing ou du service client, un parrain bienveillant, un cas d’utilisation clair, une démonstration qui captive l’attention du comité de direction. Un deuxième projet pilote aboutit dans un autre service. La direction approuve un déploiement à l’échelle de l’entreprise, souvent avec un objectif du type “ L’IA pour tous d’ici le deuxième trimestre ”. Le déploiement a lieu. L’adoption augmente pendant trois semaines grâce à l’effet de nouveauté, puis se stabilise au niveau d’un moteur de recherche plus performant, et les agents qui étaient censés suivre le déploiement restent bloqués sur une diapositive intitulée “ Phase 2 ”.”

Les explications habituelles sont erronées. Ce n’est pas que les employés résistent au changement ; ceux que je rencontre souhaitent ardemment que l’outil leur soit utile dans leur travail quotidien et sont frustrés qu’il ne puisse pas “ voir ” la feuille de calcul sur laquelle ils travaillent. Ce n’est pas que les modèles soient immatures ; ils étaient déjà capables de la plupart de ces tâches il y a deux générations, et l’écart entre ce que Claude ou GPT peuvent faire et ce que l’entreprise attend d’eux n’a fait que se creuser depuis. Et ce n’est pas non plus un manque de cas d’utilisation. Chaque atelier que j’ai animé en produit quatre-vingts en une matinée, dont la moitié sont des variantes de « arrêtez de me faire ressaisir tout ça ».”

Le système se bloque car trois questions n'ont pas de responsable :

  • Que sait le modèle à notre sujet ? Quels systèmes peut-il consulter : l'entrepôt, les archives de documents, le système de billetterie, la plateforme RH ? Sous quelles autorisations les consulte-t-il : celles du compte de service ou celles de la personne qui en fait la demande ? Et lorsqu'il fournit un numéro, n'importe qui peut-il remonter jusqu'à la table ou au document d'où il provient ?
  • Qui est responsable de la mise en œuvre dans chaque service ? Il ne s'agit pas du nombre de licences, mais de l'habitude, dès le lundi matin, d'utiliser cet outil dans le cadre du travail quotidien des services commerciaux, financiers, juridiques et opérationnels, qui ont chacun leur propre data, leur propre vocabulaire et leur propre définition de ce qui est “ utile ”.”
  • Qui se charge de la mise en place des agents, et qui assure leur maintenance lorsque les consultants partent ? Un carnet de commandes informatiques qui s'étend déjà sur dix-huit mois, un prestataire externe sous contrat « temps et matériel », ou des collaborateurs issus de l'entreprise qui maîtrisent le processus qu'ils automatisent ?

Je n'ai encore jamais vu de programme aboutir lorsque ces questions ont été traitées par un comité de pilotage. Ce sont les personnes qui effectuent le travail sur le terrain, au sein même de l'entreprise, et qui disposent du pouvoir de décision, qui y répondent.

Le calcul de la valeur de l'IA

Le calcul auquel je reviens sans cesse est simple : Valeur = Modèle × Déploiement × Couche

Ce modèle représente un nombre extrêmement élevé. Si vous le multipliez par zéro, vous obtenez zéro. Chaque publication issue des laboratoires renforce le premier facteur et rend le second plus déterminant.

Et voici le point délicat pour tous ceux qui espèrent s’en sortir en mettant le prix : la couche de déploiement ne peut pas être achetée sous forme de logiciel. Les laboratoires vendent le modèle et la plateforme, et ils ont raison de s’en tenir là. Le contexte, les autorisations, les habitudes au niveau des services et les premiers agents sont propres au modèle data et à la culture d’entreprise de chaque société — quel système constitue la source de vérité pour un client, qui est autorisé à consulter la marge par produit, comment l’équipe financière clôture réellement un mois. Ces éléments doivent être mis en place en interne, par des personnes qui maîtrisent à la fois la feuille de route du modèle et les systèmes du client. Il n’y a pas de raccourci, et je me méfie de quiconque en propose un.

⏭️ À suivre dans la 2e partie – Le plan d'action : déployer, ancrer, adopter, construire

Si la couche de déploiement ne peut pas être achetée sous forme de logiciel prêt à l'emploi, de quoi se compose-t-elle ? Dans Partie 2, nous détaillons les quatre étapes concrètes qui permettent de transformer un modèle générique en un collègue au sein de l'entreprise — Déploiement, Ancrage, Adoption, Construction — et nous examinons comment le groupe de soins capillaires Bora Brasil a résolu le problème classique des demandes commerciales du lundi matin en affectant Claude à l'équipe data.