Introduction

Victor Coimbra est directeur technique et Managing Partner chez Artefact, où il dirige les activités liées à l'IA, la science des données et l’ingénierie sur l’ensemble du continent américain. Sa carrière allie une expérience en stratégie d’entreprise acquise chez Bain et Accenture à une expertise pratique en matière de direction, acquise lors de la mise en œuvre de systèmes d’IA et d’apprentissage automatique dans des environnements d’entreprise complexes. Il s’attache à aider les organisations à relier leurs capacités techniques à des résultats commerciaux mesurables, notamment en mettant en place l’architecture, la gouvernance et les modèles opérationnels nécessaires au déploiement à grande échelle de l’IA.

Artefact est une société internationale de conseil en data et en intelligence artificielle qui aide les entreprises à élaborer des stratégies, à mettre en place des data platforms, à déployer des solutions d'intelligence artificielle et à gérer le changement organisationnel. Son activité couvre divers secteurs, notamment les services financiers, la santé, l'industrie manufacturière et le commerce de détail. En amont de son Adopt AI Sommet, qui se tiendra les 3 et 4 décembre 2026 au Grand Palais à Paris, M. Coimbra expliquera comment les entreprises peuvent aller au-delà des projets pilotes, constituer des équipes associant des collaborateurs et des agents d’IA, et mesurer la valeur de l’IA en production.

Votre parcours professionnel vous a conduit de la stratégie d'entreprise chez Accenture à la direction d'équipes spécialisées dans l'IA, data et l'ingénierie chez Artefact à travers les Amériques.
En quoi cette combinaison entre conseil stratégique et leadership technique concret a-t-elle façonné votre approche visant à aider les entreprises à transformer leurs investissements dans l'IA en résultats commerciaux mesurables ?

Cela m'a appris à toujours relier la stratégie en matière d'IA à sa mise en œuvre. Mon expérience chez Bain et Accenture m'a montré que les dirigeants adhèrent à un changement lorsqu'il se traduit par un impact sur le compte de résultat. Mon expérience en ingénierie m'a appris qu'une grande partie de cette valeur peut se perdre entre la présentation et la mise en production.

Aujourd'hui, l'IA ne relève plus tant de la technologie que de la mise en place d'un « fossé » autour de vos activités principales. La question essentielle est de savoir comment transformer la productivité individuelle en valeur collective pour l'entreprise, grâce à une véritable capacité cognitive partagée à l'échelle de l'entreprise.

Cela nécessite à la fois une approche stratégique et une mise en œuvre concrète, et j'ai beaucoup appris en m'occupant des deux.

Malgré des investissements considérables dans artificial intelligence, de nombreuses organisations peinent encore à aller au-delà de projets pilotes couronnés de succès.
D'après votre expérience, quels sont les obstacles les plus courants qui empêchent les initiatives d'IA en entreprise d'atteindre la phase de production, et qu'est-ce qui distingue les entreprises qui parviennent à déployer leurs solutions à grande échelle ?

D'après mon expérience, de nombreux projets échouent parce que l'IA est intégrée à une organisation initialement conçue pour les humains uniquement. La technologie fonctionne généralement bien. Ce qui reste souvent à définir, c'est la répartition des tâches : quelles tâches incombent aux agents, lesquelles restent du ressort des humains, qui procède à la vérification et à qui revient la responsabilité du résultat.

De plus, trois facteurs ont tendance à freiner la montée en puissance : les coûts liés aux jetons, qui explosent avec la tarification à l'utilisation ; la sécurité et la gouvernance ; et une adoption qui ne transforme jamais l'accès en utilisation réelle.

Les entreprises qui, d’après ce que je constate, parviennent à se développer efficacement considèrent l’IA comme une refonte organisationnelle. Elles divisent le processus de livraison en deux boucles. Dans la boucle interne, les agents exécutent l’ensemble du processus de bout en bout : codage, compilation, test, déploiement, révision. Dans la boucle externe, les humains définissent l’objectif, vérifient le résultat et surveillent les coûts et la qualité. Elles mettent ensuite en place une plateforme unique sous-jacente et la réutilisent pour chaque cas d’utilisation.

Vous avez évoqué l’importance de mettre en place une organisation « native IA » plutôt que de se contenter d’ajouter des chatbots et des copilotes aux systèmes existants. Quels changements fondamentaux faut-il apporter à l’architecture technologique des entreprises pour accompagner cette transition, et dans quels domaines les entreprises investissent-elles actuellement trop peu ?

Une entreprise « native IA » s’appuie sur une plateforme, et cette plateforme se compose de quatre couches : Harness, Context, Model et Infra. Le « Harness » est le lieu où les humains et les agents se rencontrent et travaillent ; il s’agit de l’application complète qui s’articule autour du modèle. Context définit ce que les agents savent et de quelles prérogatives ils disposent. Model désigne la manière dont les modèles sont accessibles, acheminés et gérés à un coût raisonnable. Infra correspond à l’environnement dans lequel ils s’exécutent effectivement, et à l’identité de ceux qui en détiennent les clés.

Naturellement, l'attention se concentre principalement sur les 20 % visibles : les copilotes et les outils de messagerie instantanée. C'est dans les 80 % cachés que réside l'essentiel du travail d'ingénierie, et que se jouent les questions de coût, de sécurité et de contrôle.

Ma suggestion est simple. Achetez des solutions polyvalentes et développez celles spécifiques à votre secteur d’activité. Louez et testez les modèles et les infrastructures, car ils évoluent chaque trimestre. Et maîtrisez parfaitement votre contexte. C’est la couche qui vous appartient véritablement, et c’est là que je vois la plus grande opportunité d’investir davantage.

Alors que l'IA évolue, passant du simple soutien aux employés à l'exécution autonome de flux de travail complexes, comment les organisations devraient-elles déterminer quels processus se prêtent à l'automatisation autonome ? Quelles mesures de protection techniques et opérationnelles doivent être mises en place avant d'accorder aux agents IA une plus grande autonomie décisionnelle ?

À mon sens, les agents excellent dans les tâches tournées vers le passé, tandis que les humains excellent dans celles tournées vers l'avenir. Les agents excellent dans tout ce qui repose sur des informations existantes, comme l'analyse, le codage, les tests, la documentation et le rapprochement. Les humains sont les maîtres de tout ce qui nécessite de la créativité, et la créativité, par définition, est tournée vers l’avenir : le goût, la vision, la planification, la prise de décision et l’évaluation de la qualité réelle d’un résultat.

Concrètement, cela correspond aux deux boucles. Les agents gèrent la boucle interne et se chargent de l'exécution. Les humains gèrent la boucle externe : définition de l'objectif, vérification et suivi.

Les mesures de sécurité sont conçues de manière proactive, et non réactive. Nous utilisons six niveaux de protection : la saisie des tâches, la mémoire, un environnement de travail sécurisé doté d’un runtime en sandbox et de droits d’accès, une boucle comprenant des points de contrôle et des clarifications, le routage des modèles, ainsi que des garde-fous qui définissent ce qu’un agent ne peut pas faire seul, comme les validations humaines, les vérifications de conformité et les contrôles relatifs aux données à caractère personnel. L’autonomie s’accroît ensuite au fur et à mesure de l’expérience acquise, tout comme c’est le cas pour un nouvel employé.

Vous avez décrit les agents d'IA comme des coéquipiers plutôt que comme des outils logiciels classiques. En quoi cette perspective modifie-t-elle la manière dont les organisations devraient structurer leurs équipes, répartir les responsabilités et former leurs collaborateurs à collaborer avec des systèmes d'IA de plus en plus autonomes ?

Nous sommes déjà dans l'ère de l'organisation hybride. La question qui me semble aujourd'hui la plus importante est de savoir comment répartir les effectifs entre les humains et les agents. Je pense que c'est la clé de la croissance.

Dans une équipe hybride, l’organigramme répartit les capacités cognitives, et non les effectifs. La répartition type que j’observe au sein d’une équipe technique expérimentée est la suivante : 15 % de tâches effectuées uniquement par des humains, 25 % de tâches augmentées et 60 % de tâches réalisées par des agents. Le responsable informatique définit les objectifs, alloue les capacités et assume la responsabilité des résultats et des coûts. Un développeur senior vérifie les livraisons des agents et décide de l’architecture. Un agent orchestrateur achemine les tâches et reports des coûts, tandis qu’un agent de révision vérifie chaque livraison.

Les gains s'accumulent en trois étapes. Les collaborateurs « augmentés » génèrent environ 5 fois plus de valeur. Les agents, en tant que collaborateurs synthétiques effectuant des tâches de bout en bout, génèrent environ 10 fois plus de valeur. C'est en coordonnant ces deux types de collaborateurs au sein d'une même main-d'œuvre que réside, selon moi, le potentiel de multiplication par 1 000.

La formation suit la même logique. Les participants apprennent à donner des consignes à un collaborateur, par exemple un ingénieur débutant, en lui fournissant un contexte structuré et des objectifs clairs, et à consacrer leur temps à la réflexion, à la planification et à la prise de décisions.

Les systèmes d’IA d’entreprise reposent largement sur une infrastructure de data fiable, mais de nombreuses organisations continuent de se heurter à des data fragmentées, à une gouvernance incohérente et à des technologies obsolètes. Quelles capacités fondamentales les entreprises doivent-elles privilégier lorsqu’elles préparent leurs data platforms pour l’IA agentique, et comment peuvent-elles se moderniser sans perturber leurs opérations existantes ?

Concevez votre data platform pour un nouveau type d'utilisateur : les agents. Un tableau de bord affichant un chiffre erroné est vérifié par un humain. Un agent constatant un chiffre erroné prend les mesures qui s'imposent, à grande échelle.

Donnez la priorité à quatre capacités. Des définitions métier partagées, afin que chaque agent et chaque équipe entendent la même chose par “ client actif ”. Une passerelle d’intégration dotée d’une authentification et de protocoles standard tels que MCP, afin que les agents accèdent aux data avec les autorisations correspondant au rôle qu’ils occupent. Une qualité et une traçabilité observables. Et des data non structurées considérées comme un atout de premier ordre, car les contrats, les tickets et les comptes-rendus de réunion renferment l’essentiel des connaissances réelles.

Pour moderniser sans perturbation, commencez par encapsuler les systèmes existants, puis procédez à la migration cas par cas. Les agents modifient également la donne économique dans ce domaine. Les pipelines de migration multi-agents permettent désormais de moderniser des centaines de milliers de lignes de code existant en quelques mois, l'architecture étant définie par des humains.

Au-delà de l'accès à des data structurées, les agents d'IA ont de plus en plus besoin de comprendre le savoir institutionnel, les processus métier et le contexte organisationnel. Comment les entreprises peuvent-elles capturer et intégrer efficacement ce savoir dans leurs systèmes d'IA, et quels risques apparaissent lorsque les agents fonctionnent sans disposer d'un contexte métier suffisant ?

C'est le contexte qui transforme un modèle en collègue. Les outils comprennent les tâches, tandis que les agents comprennent le contexte. Vous ne demandez pas à un ingénieur débutant de travailler sans lui expliquer l'objectif, les contraintes et ce que l'on attend de lui ; il en va de même pour un agent.

Extraire les connaissances directement du travail lui-même, plutôt que de grands projets de documentation difficiles à maintenir à jour. Chaque réunion, chaque ticket, chaque décision et chaque correction alimentent une couche contextuelle qui combine des fichiers, des tableaux, des vecteurs et un graphe de relations. Chaque tâche achevée est répercutée dans la mémoire, ce qui permet à l’organisation d’apprendre à chaque livraison. Et le contexte nécessite sa propre gouvernance : évaluations, autorisations et maîtrise des coûts.

Sans contexte, les agents ont tendance à rencontrer des difficultés qui se manifestent de plusieurs façons prévisibles. Ils suivent la règle écrite et négligent celle, tacite, que tout le monde connaît. Ils récupèrent les mauvaises informations et répondent avec une assurance totale. Ils se basent sur les données du dernier trimestre. Et une couche contextuelle dépourvue de droits d’accès stricts peut exposer des data sensibles à des risques.

De nombreuses entreprises mesurent le succès de l'IA à l'aune des gains de productivité, des taux d'adoption ou du nombre de projets pilotes lancés. Quels indicateurs les DSI et les dirigeants d'entreprise devraient-ils utiliser pour évaluer le véritable retour sur investissement de l'IA, notamment en tenant compte des coûts d'infrastructure, de la maintenance continue et de la complexité opérationnelle des agents autonomes ?

Évaluez l’effectif hybride, et non l’outil. L’adoption n’est que le premier des quatre niveaux, toujours par rapport à une référence établie avant le déploiement. L’adoption consiste à déterminer si les collaborateurs utilisent l’outil. La productivité consiste à déterminer si nous livrons plus rapidement : délais d’exécution, débit, temps de résolution. La qualité permet de déterminer si le résultat est meilleur : défauts non détectés, taux d’échec des modifications, retouches. La valeur et le coût permettent de déterminer si cela en vaut la peine : efforts économisés, délai de mise sur le marché, coût total par tâche.

Un indicateur que l'on a tendance à négliger est la manière dont les capacités cognitives sont réparties entre les humains et les agents, équipe par équipe. Les capacités humaines ainsi libérées doivent être redéployées de manière ciblée vers des tâches tournées vers l'avenir. Sinon, une partie des gains obtenus est perdue.

En matière de coûts, la tarification évolue d’un modèle de forfait vers un modèle basé sur l’utilisation, ce qui peut rendre les factures plus difficiles à prévoir ; c’est pourquoi le routage par modèle et les FinOps doivent être intégrés à la plateforme dès le premier jour. Traitez les dépenses liées à l’IA comme les dépenses cloud : transparentes, attribuées à une équipe et liées à la valeur.

Artefact collabore avec des entreprises issues des secteurs des services financiers, de la santé, de l'industrie manufacturière, du commerce de détail et d'autres secteurs où l'adoption de l'IA pose des défis spécifiques. Quels enseignements peut-on tirer des déploiements concrets dans ces secteurs, et comment les organisations devraient-elles trouver un équilibre entre innovation, conformité réglementaire, fiabilité et contrôle humain ?

Chaque secteur est confronté à la même question : comment répartir le travail entre les humains et les agents ? Ce qui varie, c’est la part de la boucle externe qui doit rester entre les mains des humains. Dans le commerce de détail et les biens de consommation, les erreurs ont un coût limité ; les agents prennent donc en charge une plus grande partie du travail plus rapidement. Dans l’industrie manufacturière, ce sont la fiabilité et l’intégration aux systèmes opérationnels qui dictent le rythme. Dans les services financiers et le secteur de la santé, chaque décision doit pouvoir être justifiée ; les humains conservent donc plus longtemps une part plus importante des tâches de vérification et de prise de décision.

La leçon que je tire de toutes ces expériences, c’est que la conformité fonctionne mieux lorsqu’elle est intégrée dès le départ à la plateforme. Lorsque les mesures de sécurité, les journaux d’audit et les validations humaines font partie intégrante de l’infrastructure, chaque nouveau cas d’utilisation en hérite automatiquement. En revanche, lorsque la conformité n’est prise en compte qu’en fin de processus, chaque nouveau projet doit relancer ce débat.

La supervision doit être organisée par niveaux. Les agents agissent de manière autonome pour les tâches à faible risque, font l'objet d'un contrôle ponctuel pour celles à risque moyen, et ne préparent la décision que pour les tâches à haut risque. Ces niveaux évoluent à mesure que la confiance s'installe.

À l’occasion du sommet Adopt AI d’Artefact, qui se tiendra à Paris en décembre prochain, les débats autour de la souveraineté en matière d’IA, de la gouvernance et de la compétitivité industrielle prennent de plus en plus d’importance. Selon vous, en quoi l’approche européenne en matière d’adoption de l’IA influence-t-elle les stratégies des entreprises à l’échelle mondiale, et quelles évolutions, selon vous, définiront la prochaine phase de l’IA en entreprise au cours des prochaines années ?

L’Europe a été l’une des premières à soulever la question de la souveraineté, et je pense que celle-ci est en train de devenir un principe de conception à l’échelle mondiale. Les multinationales ne souhaitent pas disposer d’une architecture distincte pour chaque réglementation ; elles conçoivent donc leurs systèmes en fonction de la plus stricte d’entre elles : maîtriser son contexte, louer ses modèles, et garder le contrôle sur leur lieu d’exécution et sur l’identité de ceux qui détiennent les clés d’accès. La prochaine opportunité pour l’Europe consiste à mettre la même énergie au service de l’adoption de ces solutions, car la compétitivité découlera d’une utilisation à grande échelle.

La prochaine étape est celle de l’organisation hybride, et je pense qu’elle représente l’avenir du travail. Les entreprises passeront du simple décompte des effectifs à la gestion d’une capacité cognitive partagée entre les humains et les agents. Ces derniers prendront en charge la majeure partie des tâches tournées vers le passé : analyse, programmation, établissement de rapports. Les humains se consacreront quant à eux aux tâches tournées vers l’avenir : le goût, la vision, la planification et les décisions.

Je pense que les entreprises qui parviendront les premières à résoudre la question de la répartition du travail seront celles qui montreront la voie. C'est le débat que je souhaite mener à Paris afin de définir les orientations des prochaines années.

Merci de votre attention. Antoine Tardif, PDG et fondateur d'Unite.AI Pour découvrir l'intégralité de cet entretien approfondi, vous pouvez en savoir plus sur Unite.AI ici : https://www.unite.ai/victor-coimbra-cto-and-managing-partner-at-artefact-interview-series/