Les ressources humaines connaissent actuellement une transformation profonde, passant d'un centre de coûts réactif à un moteur proactif de valeur ajoutée. Pourtant, de nombreuses organisations restent ancrées dans une approche minimaliste de l'analyse des données RH. Alors que les technologies génératives AI et les agents autonomes gagnent du terrain dans l'ensemble de l'entreprise, l'utilisation de la technologie data par les RH se limite encore souvent à la simple prévision du taux de rotation du personnel.

Red Hat a bâti une entreprise d'une valeur de 1 443,4 milliards de dollars grâce à Linux. IBM l'a rachetée. Cette transaction a confirmé une hypothèse qui tenait depuis quatre décennies : les entreprises tirant une valeur considérable du code partagé continueraient, dans leur propre intérêt, à financer les projets dont elles dépendaient. Cette hypothèse est aujourd’hui remise en question. Non pas parce que quelqu’un a décidé d’arrêter de financer l’open source. Mais parce que le secteur qui le finançait le plus — le SaaS — est en train d’être démantelé par celui qui en dépend le plus — AI.

Dans un article précédent, j'ai exploré comment huit équipes de recherche indépendantes sont parvenues à la même conclusion : au lieu de construire des systèmes de mémoire autour du modèle, il faut entraîner le modèle lui-même à gérer la mémoire comme une compétence acquise. L'entraînement post-mémoire — utilisant l'apprentissage par renforcement dans la phase post-entraînement — produit des agents qui décident quoi stocker, supprimer, consolider et récupérer, le tout optimisé en fonction de l'achèvement de la tâche.

L'entraînement post-mémoire a été un hyperfocus pour moi au cours des derniers mois. Si vous avez suivi mes écrits récents sur la gestion du contexte, les architectures de mémoire et la question récurrente de savoir pourquoi les agents se dégradent après le 50e tour, cet article est là où ces fils se rejoignent. Le schéma initial était suffisamment clair. Huit équipes de recherche indépendantes sont parvenues à la même conclusion : arrêtez de construire des systèmes de mémoire autour du modèle et entraînez le modèle lui-même à gérer la mémoire comme une compétence acquise. Cette convergence était significative.

En jetant un regard rétrospectif sur l’année 2025, une chose apparaît clairement : les technologies artificial intelligence et data ne sont plus des outils expérimentaux cantonnés aux marges des organisations. Elles se sont imposées de manière décisive au cœur même du fonctionnement des entreprises, de leur compétitivité et de leur capacité à créer de la valeur. Le rythme de leur adoption en témoigne. À la fin de l’année 2025, environ une personne sur six dans le monde avait utilisé des outils AI génératifs, selon le rapport de Microsoft sur la diffusion de l’IA. Dans les entreprises, la dynamique était encore plus forte, avec près de 70% des organisations mondiales déployant l’IA générative dans au moins une fonction métier dès le milieu de l’année. Ce qui a commencé par des projets pilotes isolés s’est rapidement transformé en capacités intégrées influençant la prise de décision, l’engagement client et l’efficacité opérationnelle.

Dans le domaine du sport, les concepts data et AI sont principalement associés aux performances sur le terrain : analyse des joueurs, modélisation tactique et prévention des blessures. La technologie a repoussé les limites de la performance sportive, permettant aux athlètes de dépasser leurs limites antérieures. Alors pourquoi les organisations sportives ne sont-elles pas plus nombreuses à appliquer cette même approche au secteur du sport ? Le sport est une industrie du divertissement extrêmement compétitive où des gains marginaux dans des domaines tels que l'engagement des supporters, le contenu, les opérations et la prise de décision commerciale peuvent être tout aussi importants que les résultats.