Résumé et synthèse :

En Première partie, nous avons examiné pourquoi les déploiements d’IA en entreprise s’enlisent à un taux d’adoption de 14% lorsqu’ils sont traités comme des achats de logiciels classiques. La valeur de l’IA de pointe réside dans l’écart entre le modèle et l’entreprise data. Dans la deuxième partie, nous présentons les quatre composantes structurelles de la Couche de déploiement: Déploiement (gouvernance), Mise en place (MCP et règles métier), Adoption (formation sur le système data en production) et Développement (agents de production). Nous illustrons cela à travers le cas de Bora Brasil Pourquoi l'ancrage doit toujours précéder l'entraînement.

Entre le modèle et l'entreprise se trouve une couche de travail qui n'est ni purement informatique, ni purement liée à la gestion du changement. Je la divise en quatre parties, et j'ai une opinion bien arrêtée sur chacune d'entre elles.

1. Déployer

La plateforme elle-même — Claude Enterprise, Claude Code et Cowork, ou ChatGPT Enterprise et Codex — a été déployée comme prévu. Concrètement, cela se traduit par un modèle de licence qui attribue les licences en fonction du rôle, du domaine d’activité et de l’ancienneté, plutôt que selon le principe du « premier arrivé, premier servi » ; une authentification via le SSO d’entreprise avec un accès par groupe ; une politique d’utilisation qui précise en langage clair ce qu’il est permis ou non de copier-coller, ainsi qu’un guide des bonnes pratiques décrivant ce que l’on considère comme une utilisation optimale ; et une gouvernance des coûts qui indique, par service, qui utilise quoi, dès la première semaine. C’est la partie que la plupart des organisations gèrent assez bien, et c’est celle qui, prise isolément, présente le moins de valeur. Un tenant parfaitement configuré mais auquel rien n’est connecté n’est qu’une fenêtre de discussion très coûteuse.

2. Sol

La couche contextuelle qui permet au modèle de fournir des réponses conformes à la réalité propre à l’entreprise. Concrètement : un serveur MCP unique, fonctionnant dans le tenant cloud du client, qui expose les tables de vente structurées data (les tables de ventes dans Fabric ou Snowflake, les budgets, les marts de KPI) ainsi que les référentiels non structurés (contrats, politiques, présentations destinées au conseil d’administration et procédures dans SharePoint ou Drive) via un point d’accès unique et régulé.

À cela s’ajoute une couche de connaissances métier : le glossaire officiel, les définitions des indicateurs clés de performance (KPI) telles qu’elles sont rédigées par le service financier, les règles métier (“ un trimestre se termine le 25 ”, “ exclure les transactions intra-groupe du chiffre d’affaires net ”), ainsi qu’une description sémantique de chaque document afin que le modèle puisse trouver le bon fichier et le lire dans son intégralité plutôt que de se baser sur un extrait. L'accès reflète les autorisations existantes de chaque collaborateur ; ainsi, le modèle ne vous montre que ce que vous pouvez déjà ouvrir vous-même. Et chaque réponse est accompagnée d'une référence : le tableau, le filtre de ligne, le document, la page.

Je pense que c’est là que se joue le succès ou l’échec de l’IA d’entreprise, et c’est la partie que presque tout le monde néglige parce qu’elle ressemble à de la « plomberie ». Sans cela, le modèle reste un brillant inconnu. Avec cela, c’est un collègue qui a tout lu et qui peut le prouver.

3. Adopter

Une formation, service par service, sur le système data réel de l'entreprise. Je suis devenu allergique à ces “ masterclasses de rédaction ” génériques, avec leurs exemples d'e-mails et leur entreprise fictive : elles suscitent une semaine de curiosité, puis le silence. Les sessions qui fonctionnent sont d'un tout autre genre.

  • Le service commercial consacre deux heures et demie à une seule question concrète concernant le dernier trimestre.
  • Le service financier procède au rapprochement d'un fichier de fin de mois réel.
  • Le service des ressources humaines établit un rapport précis sur l'absentéisme.
  • Le service juridique examine un accord de confidentialité réel à la lumière du guide interne de l'entreprise.

Chaque participant repart avec un « Claude Project » contenant les règles de son service et un artefact fonctionnel qu’il rouvrira lundi. La différence ne réside pas dans la pédagogie. Elle tient au fait de savoir si le modèle a été validé avant que quiconque ne soit formé à son utilisation.

4. Créer

Des outils de production, développés au cours de sprints courts par des ingénieurs travaillant aux côtés de l’équipe du client, sur un framework géré par ce dernier. C’est dans ce travail peu prestigieux — l’importation des factures des fournisseurs dans un schéma et le signalement des lignes non appariées, la rédaction des comptes-rendus de réunion et des actions à mener à partir d’une transcription de Teams, la vérification d’un accord de confidentialité au regard des directives internes et la synthèse des clauses de responsabilité et de résiliation, extraire les chiffres d’une pile de PDF pour les intégrer dans le modèle de souscription — c’est là que l’on passe le plus de temps, et c’est là que la plupart des programmes d’agents n’arrivent jamais, car ils partent de quelque chose d’impressionnant plutôt que de quelque chose d’utile.

Ces quatre éléments constituent un système, et non un menu, et j’irais même plus loin : mettre en œuvre l’un d’entre eux sans les autres est souvent pire que de ne rien faire du tout. Une formation sans ancrage enseigne aux utilisateurs que l’outil a des « hallucinations », et ils ont raison. La mise à la terre sans formation revient à construire une cathédrale dans laquelle personne n’entre. Les agents dépourvus de plateforme génèrent une douzaine d’automatisations déconnectées les unes des autres, sans gouvernance commune, et l’équipe de sécurité finit par les désactiver, à juste titre.

Exemple : Qui répond aux questions relatives aux ventes chez Bora Brasil ?

Prenons une question simple qu'un réalisateur de publicités pourrait poser un lundi matin : “ Quels ont été les résultats de Skala au dernier trimestre par rapport à la même période de l'année précédente, et où avons-nous perdu des parts de marché ? ”

Au Bora Brasil, au sein du groupe de soins capillaires issu de la fusion entre Skala Brasil et Lola From Rio, cette question avait l’habitude de faire le tour. Du directeur à un analyste, de l’analyste à un extrait de BI, de l’extrait à une feuille de calcul, de la feuille de calcul à une présentation, puis de retour au directeur trois jours plus tard, moment où la question de suivi avait déjà changé. Pendant ce temps, quinze pionniers utilisaient déjà Claude de manière informelle, en le connectant à leur messagerie, leur agenda, Teams et leurs fichiers, obtenant ainsi des réponses plausibles dont personne ne pouvait retracer la source et qui utilisaient parfois une définition du terme “ partager ” que personne au service financier ne reconnaissait. Les trois exigences de la direction correspondaient exactement aux trois questions ci-dessus : des réponses fondées sur le propre data du groupe, un accès respectant les autorisations existantes, et un environnement réglementé afin que les informations commerciales sensibles cessent de se retrouver dans des outils non autorisés. C’est ce qu’on appelle le moment « 14% », vu de l’intérieur.

Ce qui a changé au cours de ces neuf semaines, ce n'est pas le modèle. Trois axes ont été menés en parallèle : un axe d'adoption « de bas en haut », un axe de feuille de route « de haut en bas » et un axe de gouvernance. Le travail d’ingénierie a abouti à la création d’une plateforme contextuelle sur Azure, approuvée par la direction technique du groupe, qui met à disposition Microsoft Fabric (ventes, indicateurs clés de performance, budgets) et SharePoint (contrats, politiques, présentations) via un seul serveur MCP. Une couche de connaissances métier contient le glossaire, les définitions des indicateurs clés de performance et les règles métier, avec une description sémantique de chaque document afin que Claude puisse localiser et lire le fichier dans son intégralité. L’accès reflète les autorisations existantes de chaque collaborateur, et chaque chiffre cite sa table ou son document source. Parallèlement, des entretiens avec les directeurs des départements Commercial, Marketing, Innovation et R&D, Opérations, Finance et RH ont permis d’identifier 83 opportunités, notées en fonction de leur valeur métier et de leur complexité technique ; ce nombre a été réduit à 24, puis, lors d’un atelier de direction, à cinq pour la feuille de route de la première année.

C’est alors — et alors seulement — qu’a eu lieu la formation, consacrée précisément à cette question relative aux ventes. Au cours d’une session de 150 minutes, chaque participant a configuré un projet Claude avec les règles métier, extrait les définitions des indicateurs clés de performance (KPI) depuis SharePoint, planifié la requête avant de l’exécuter sur Fabric, créé un tableau de bord commercial interactif pouvant être partagé et vérifié la source de chaque chiffre. Les plus rapides ont intégré ce tableau de bord à leur routine hebdomadaire dans Cowork avant même la fin de la session. Le guide de l’animateur, lui-même créé avec Claude, a suivi pas à pas les progrès de chaque participant.

Soixante-deux collaborateurs utilisent actuellement le système, un nombre qui devrait passer à 150, avec des licences attribuées en fonction du poste et du domaine d’activité, un « AI Office » au cœur du dispositif et un « Champion » dans chaque secteur d’activité. Les trente premiers titulaires de licence font état d’un gain de temps d’au moins quatre heures par semaine en moyenne ; sept sur dix économisent trois heures ou plus. Une conversion de la paie RH (data) n’a pris que 90 minutes, au lieu des 40 heures de travail de consultant estimées en externe. Un rapport de pointage qui nécessitait auparavant huit heures de vérification manuelle s’exécute désormais de manière automatisée selon un calendrier défini.

Je raconte cette histoire non pas parce que les chiffres sont élevés — ils sont préliminaires et proviennent de déclarations des participants eux-mêmes —, mais parce que c’est la séquence qui est la leçon à retenir. Commencez par ancrer les bases. Entraînez-vous sur ces bases solides. Transmettez cette habitude à quelqu’un qui restera. Inversez l’ordre et vous obtenez un webinaire.

⏭️ À suivre dans la 3e partie : le modèle opérationnel de déploiement avancé

La mise en place et l'ancrage de ce système ne peuvent être confiés à des comités de pilotage traditionnels ou à des présentations externes. Dans Troisième partie, nous décrivons en détail le modèle opérationnel de déploiement avancé : comment le fait de réunir des stratèges et des ingénieurs au sein même de l'entreprise permet de créer des capacités durables, les risques liés au fait de ne pas adopter cette approche, et comment Chancerygate a développé de manière autonome plus de 20 agents de production.