Les coûts cachés d’une mauvaise adoption de l’IA (et qui doit y remédier)

David Rice : Votre entreprise dépense des centaines de milliers, voire des millions pour des outils d’IA. Vos employés ne les utilisent pas, et lorsqu’ils le font, cela crée plus de problèmes que ça n’en résout. Ça vous semble familier ? Vous m’avez probablement déjà entendu le dire, mais ce n’est pas un problème de technologie. C’est un problème de préparation. Et la raison pour laquelle vos investissements en IA ne fonctionnent pas n’a rien à voir avec les outils eux-mêmes. Tout est lié à un désalignement fondamental entre l’autonomie de la machine, la confiance humaine et la compétence, ce qui vous coûte bien plus cher que vous ne l’imaginez.

Je suis David Rice. Et aujourd’hui dans People Managing People, nous allons avoir une conversation qui remet en cause beaucoup d’idées reçues sur l’adoption de l’IA.

Mon invité est David Swanagon. Il est fondateur et rédacteur en chef du Machine Leadership Journal. Il a passé des années à interviewer des centaines d’ingénieurs et de dirigeants en IA pour comprendre pourquoi les États-Unis sont en retard sur la préparation à l’IA, malgré la possession des meilleurs outils. Dans cet épisode, vous allez découvrir un cadre tridimensionnel qui vous aidera à diagnostiquer précisément où l’adoption de l’IA échoue, pourquoi votre DSI ne devrait pas être le seul cadre à porter cette transformation, et pourquoi votre DRH doit s’impliquer d’une manière qu’il n’a probablement même pas envisagée. Et surtout, vous repartirez avec une meilleure clarté sur la façon d’arrêter de traiter l’IA comme un simple déploiement technologique et de commencer à la traiter comme le défi systémique humain qu’elle est réellement.

Bienvenue dans le podcast People Managing People – l’émission qui aide les dirigeants à préserver l’humain au travail à l’ère de l’IA. Je m’appelle David Rice, je suis votre hôte, et aujourd’hui je suis accompagné de David Swanagon. Il est le fondateur et rédacteur en chef du Machine Leadership Journal. Nous allons parler, vous l’aurez deviné, de leadership à l’ère de l’IA, de ce que signifie la préparation, et des qualités des grands leaders.

Alors David, bienvenue !

David Swanagon : Merci. J’ai hâte d’échanger avec vous.

David Rice : Vous savez, vous étudiez évidemment le sujet autant que nous, et donc je veux commencer par ceci. On discutait avant, et vous avez dit que les États-Unis sont en retard sur la préparation à l’IA et je pense, pour l’essentiel, que je suis d’accord, mais ce n’est pas à cause d’un manque d’outils, c’est un manque de préparation des personnes.

On dit ça, mais qu’est-ce que cela signifie concrètement et pourquoi les dirigeants devraient-ils s’en soucier ou s’attendre à ce que ce soit différent ?

David Swanagon : C’est une excellente question. Ce fut un de mes projets COVID, quand nous étions tous confinés à la maison. J’ai passé du temps à interviewer des centaines d’ingénieurs en IA et de professionnels en robotique pour comprendre quelles sont les capacités propres à l’intelligence artificielle qui diffèrent de l’apprentissage traditionnel.

Et ce que nous avons découvert, c’est que les ingénieurs en IA sont incroyablement uniques, mais différents dans leur façon de penser. Ce sont eux qui construisent les modèles de langage. Et croyez-le ou non, les modèles de langage ressemblent beaucoup aux ingénieurs en IA qui les développent. Nous avons trouvé des choses étonnantes, comme la mémoire à court terme, la créativité — nous en parlerons sûrement plus en détail —, l’intelligence spatiale, la capacité à aller du point A au point B. Il existe de nombreuses compétences très spécifiques et différenciantes dans l’ingénierie de l’IA et, aux États-Unis, la mentalité n’est pas de les développer, mais de se concentrer sur d’autres compétences.

Ainsi, traditionnellement, on pense aux grands traits OCEAN. L’extraversion est considérée comme un indicateur du leadership et de la préparation à la direction, alors que dans l’ingénierie de l’IA, la plupart des plus grands inventeurs et innovateurs sont introvertis. Et si vous voulez vous amuser, vous pouvez demander à Gemini ou Claude, ou tout autre, de faire une expérience de pensée et de demander quelle serait leur personnalité selon les Big Five Traits.

Tous les modèles de langage, au début, vous feront des difficultés. Ils diront : « Je suis une machine. » Mais une fois que vous les poussez à répondre, ils diront : « Nous sommes introvertis, très conciliants, très ouverts et créatifs. » Ce qui est intéressant, c’est que lorsque vous regardez comment fonctionne le système scolaire américain, en commençant simplement par là pour ensuite aborder la préparation à l’IA en entreprise, il y a 40 cours avancés dans le cursus du lycée, mais pas un seul sur l’algèbre linéaire, ce qui surprend beaucoup. Or, l’algèbre linéaire est le socle conceptuel le plus fondamental pour l’apprentissage automatique et les réseaux de neurones, car elle régit tout, du produit scalaire aux vecteurs, jusqu’à la façon dont ces réseaux se propagent.

Il est nécessaire d’avoir une bonne maîtrise de l’algèbre linéaire. Pourtant, le système éducatif américain ne vise même pas à développer ces compétences de base. Puis, en entreprise, ces compétences sont détenues par moins de 1% des employés. Donc il s’agit vraiment d’un manque de priorisation des bonnes compétences, et ce n’est pas volontaire : ces machines reflètent la personnalité de ceux qui les développent.

Et nombre de ces développeurs sont foncièrement différents des cadres dirigeants traditionnels. Korn Ferry, IA, Kiewit et tous ces acteurs ont un angle mort, car les modèles de langage ne reflètent pas les qualités de leadership vues dans les comités de direction, mais bien celles des développeurs, qui sont des personnes totalement différentes.

Voilà pourquoi les États-Unis accusent un certain retard.

David Rice : C’est drôle, car quand on pense à la préparation, beaucoup n’envisagent que les compétences ou la culture d’entreprise, alors que selon ce que vous dites, il y a chez nous une forme d’impréparation cognitive, notamment au niveau du leadership : il faut de l’adaptabilité, de la capacité à instaurer la confiance et la crédibilité dans sa prise de décision, et pas seulement une maîtrise technique. C’est probablement là que nous sommes le plus déficients en ce moment. Ce n’est pas un bon combo.

David Swanagon : Exactement. Il y a quelques semaines, j’ai présenté à Columbia avec mon collègue Steven McIntosh.

Nous avons développé ce cadre qui vise à optimiser l’adoption de l’IA. Selon nos recherches, il y a vraiment trois dimensions qui influencent l’efficacité ou l’adoption de base d’une machine, quelle qu’elle soit. Imaginez un repère en X, Y, Z : l’axe Y représente l’autonomie de la machine.

En bas, vous avez une simple calculatrice, tout en haut vous avez Arnold Schwarzenegger, la machine ultime. L’autonomie s’accroît à mesure que vous montez. L’axe horizontal est la confiance : à gauche aucune confiance, à droite confiance totale. L’axe Z bisecte les deux, c’est la compétence en IA. La diagonale représente cela.

L’idée, c’est que pour optimiser l’adoption de l’IA, il faut équilibrer l’autonomie des machines avec la confiance et les compétences en IA. Ces trois dimensions doivent être en équilibre pour permettre à une entreprise de tirer le maximum d’une machine avec le minimum de risque.

Mathématiquement, cela rend les coûts informatiques de base bien plus efficaces lorsque les trois éléments sont équilibrés. Les problèmes surgissent lorsqu’un de ces facteurs est désaligné, et c’est là que les entreprises doivent investir dans la confidentialité, la gouvernance, la formation… Plus le jeu de données est vaste et le modèle omniprésent, plus l’adoption coûte cher. Ce qui est frappant, c’est que beaucoup d’entreprises ne mesurent l’adoption de l’IA qu’au travers de coûts informatiques — data centers, coûts de calcul — mais elles savent que « ça ne marche pas ». Avec ce modèle, en traquant systématiquement l’autonomie, la confiance, les compétences et leur alignement, on peut calculer le coût d’une mauvaise adoption de l’IA, et il est énorme.

Le grand défi en matière de préparation, c’est donc de comprendre que l’adoption n’est pas le déploiement. Or, dans la plupart des entreprises, le DSI gère la conception, le test, le déploiement ET l’adoption de l’outil. Selon nous, l’adoption devrait incomber au DRH : cela touche à la culture, la confiance, l’autonomie, les compétences — le DSI devrait s’arrêter à la conception-test-déploiement et travailler main dans la main avec le DRH sur l’adoption. Il y a donc un vrai développement de compétences à opérer à ce niveau.

David Rice : Oui, c’est un sujet qui revenait beaucoup lors d’une récente conférence à laquelle j’ai assisté. Tout le monde parle des deux en parallèle. J’aime ce cadre parce qu’il permet d’envisager le problème autrement : ce n’est pas un déploiement technologique classique, mais un numéro d’équilibriste. Ma question : peut-on se focaliser sur une seule dimension au détriment des autres ? Par exemple, certains se concentrent-ils sur l’autonomie sans la confiance ou la compétence, ce qui crée du chaos ? Et à l’inverse, l’excès de contrôle peut brider l’innovation. Comment créer cet équilibre ?

David Swanagon : Magnifique question. En fait, notre modèle s’appuie sur la théorie des jeux. Un peu comme le film « Un homme d’exception » et John Nash.

Il a beaucoup théorisé sur les jeux à deux joueurs non-coopératifs, avec information asymétrique et refus de coopération. L’individu détenant l’info a un avantage certain, obligeant l’autre à user de signaux et d’astuces pour rester dans la course.

Donc, que se passe-t-il si le joueur n’est pas humain, mais une machine ? Si elle décide de ne pas coopérer, elle dispose d’un avantage énorme, décuplé par ses capacités. Les formules de Nash ne tiennent plus quand on prend en compte la montée en puissance des modèles de langage autonomes.

Là où le danger apparaît, c’est si l’autonomie croît mais que les compétences humaines ne suivent pas. Cela engendre un glissement inconscient de la prise de décision vers la machine, souvent sans qu’on s’en rende compte.

Un exemple : les robots chirurgicaux fonctionnent avec un algorithme SLAM (comme pour les aspirateurs robots), mais adapté au fait que, contrairement à une maison, le corps humain change en permanence. Il leur faut donc un algorithme SLAM déformable pour s’adapter à la physiologie. Toutes ces données sont stockées quelque part.

Si AWS héberge ce cloud, ils détiennent non seulement votre ADN mais aussi, via vos achats (par exemple, avec la paume de votre main chez Whole Foods), vos données biométriques, historiques d’achats, etc. Les prestataires cloud finissent posséder l’expérience humaine de bout en bout sous l’angle des données.

Quand l’autonomie des machines est sans contrôle, on en arrive là : des « hyperscalers » contrôlent la totalité de l’expérience humaine via les données. Imaginez ensuite des policiers robots, des juges robots avec ces données et les moyens légaux d’imposer leur décision… C’est le scénario catastrophe, que seule une limitation de l’autonomie à un niveau de confiance acceptable peut éviter. Cette confiance ne dépend pas que du ressenti individuel, mais aussi de ce que la société accepte comme responsabilité pour les machines. Le problème, c’est qu’on n’a même pas cette conversation, en partie parce que peu maîtrisent la technique, comme l’algorithme SLAM déformable. Si on réalisait toute la quantité de données collectées, un consensus émergerait pour légiférer sur la collecte, imposer des obligations, répartir les serveurs.

Comme personne n’enseigne cela à tous, les fournisseurs cloud gagnent en autonomie sans l’équilibre confiance/compétence, déplaçant la décision au profit du prestataire : comment l’humain pourrait-il décider sans comprendre ce qui se passe ?

Cela relève de la théorie des jeux : le joueur avantagé limite l’accès à l’information de l’autre. Pour combattre cela, il faut former les citoyens à ces usages pour leur permettre de retrouver l’équilibre confiance-compétence, réduisant ainsi l’avantage asymétrique. On pourrait aussi imaginer des agents machines qui supervisent d’autres machines. Il devrait exister des « agents de confiance » évaluant le niveau d’autonomie des autres machines, ramenant certains processus à la gouvernance humaine si besoin. C’est un scénario extrême, mais il est important d’en avoir conscience : on serait étonné de savoir la quantité d’infos que possèdent les hyperscalers cloud.

David Rice : En t’écoutant parler d’écoulements sanguins, de traits, j’ai pensé à une organisation et à ses flux internes, ses caractéristiques… Ils savent tout de l’organisation, ce qui est parfait pour leur vendre plus de choses. Espérons qu’ils soient satisfaits de leur service AWS !

David Swanagon : Oui. Microsoft, Meta passent entre les gouttes dans ce débat…

David Rice : Je sais, oui !

Bon, si Amazon veut se plaindre, je leur dirai que c’est le prix à payer quand on est un géant, OK ?

David Swanagon : Exactement.

David Rice : Tu as étudié les traits cognitifs et créatifs qui définissent les grands leaders IA — qu’as-tu appris sur leur manière de penser ?

David Swanagon : C’est fascinant, le sujet va profond.

J’ai démarré cela pendant le COVID. Ma recherche initiale s’est intéressée à toutes les demandes de brevet en IA, IA générative, robotique… et j’ai croisé cela avec les profils des personnes à l’origine de ces brevets (où travaillent-elles, d’où viennent-elles, etc).

On s’est rendu compte qu’ils sont différents des CFO ou CEO classiques — ils agissent, pensent différemment, mais entre eux ils ont des points communs. Ceux qui déposent ces brevets partagent des traits similaires, tout en étant très différents de la haute direction traditionnelle. Il faut distinguer leader tech et développeur tech : Elon Musk, par exemple, est innovateur mais ce n’est plus un développeur d’IA ou un expert en réseaux neuronaux, il a le profil d’un dirigeant classique, donc la comparaison serait erronée.

Nous avons commencé à observer les processus cognitifs, en interviewant aussi des leaders traditionnels en supply chain, marketing, RH et en produisant une image composite de leur mode de pensée. Cela collait aux recherches existantes… Puis nous avons interviewé les ingénieurs en IA (vision artificielle, robotique, compréhension du langage naturel…).

Nous avons commencé avec la mémoire. Ce qui ressort, c’est qu’un élément en particulier différencie clairement leaders IA et leaders classiques : la mémoire de travail, ou mémoire à court terme.

Cela fait sens : un leader IA doit gérer de nombreux processus ML Ops, de multiples étapes, mises à jour, fournisseurs, outils, codes… Il s’agit d’être excellent pour retenir, organiser des informations à court terme, savoir quand les transférer en mémoire à long terme et quoi conserver.

Statistiquement, la mémoire à court terme est bien plus performante chez un ingénieur IA que chez un leader traditionnel, même si, globalement, leur mémoire générale ne diffère pas.

Ensuite, la créativité. Les tests traditionnels évaluent la créativité selon la pensée convergente (trouver la meilleure solution) et divergente (trouver plein de solutions à un problème donné). Dans les deux cas, le problème reste encadré : trouver une solution dans une « sandbox ». Nous avons constaté que, dans ce cadre, ingénieurs IA et dirigeants classiques se valent. Mais si on leur dit « inventez sans contrainte, à partir de rien », là les ingénieurs IA se démarquent largement. Leur capacité à créer à partir de rien est bien supérieure. Nous avons développé une méthodologie statistique là-dessus, et c’est flagrant : les mondes imaginaires qu’ils construisent sont bien plus aboutis.

Troisième dimension intéressante : la navigation, soit l’intelligence spatiale — visualiser, manipuler des objets dans un espace 3D ou multidimensionnel. Même si beaucoup de marketeurs y excellent, les ingénieurs IA sont eux capables d’optimiser les trajets, d’aller du point A au point B de façon presque militaire, surtout si le contexte est complexe avec de multiples obstacles. C’est une vraie différence.

Côté personnalité, la majorité sont… introvertis. Mais, fait amusant, il semble que leur personnalité soit situationnelle : introvertis avec les humains, mais extravertis face à la machine. Devant une machine, ils sont confiants, assertifs, exigeants, « alpha », alors qu’en contexte humain, ils cherchent à éviter les conflits.

En résumé, très agressifs (au sens passionnés, déterminés) face aux machines, mais en mode tongs et t-shirt, timides, dans le monde physique, alors qu’ils pilotent parfois un des modèles de langage majeurs du marché…

David Rice : Bienvenue à la Data Bite de la semaine. Gartner Analytics prédit qu’en 2032, au moins un tiers de la plus grande économie mondiale imposera par la loi des quotas certifiés d’humains — c’est-à-dire des exigences légales imposant un niveau minimal de présence humaine au travail. Laissez cela vous interpeler : dans moins de dix ans, nous pourrions devoir promulguer des lois pour garantir que les humains restent significativement impliqués dans l’économie. Ce n’est pas de la science-fiction. Voilà où l’adoption de l’IA nous mène, si elle dépasse notre capacité à imaginer un futur où l’humain compte encore.

Un analyste Gartner résume ainsi : ce changement ne viendra pas des organisations, il viendra de la législation. Réfléchissez à ce que cela révèle : nous créons un système économique si efficace pour remplacer la main-d’œuvre humaine que les gouvernements devront intervenir pour préserver notre pertinence.

Les humains seront rangés parmi d’autres « catégories protégées », non parce qu’ils sont divers, mais parce qu’ils deviennent obsolètes. C’est l’échec ultime d’une politique RH exclusivement guidée par les intérêts business. Des décennies durant, nous avons priorisé l’efficacité, la productivité et la valeur actionnariale. Nous avons perçu les personnes comme des ressources à manager, des coûts à minimiser. Nous voici désormais à l’endroit logique où ce raisonnement mène : un monde qui n’a plus besoin de nous.

Mais ce qui est intéressant dans cette prévision, c’est qu’elle n’est pas inéluctable. Le fait même que Gartner annonce des quotas humains obligatoires est un avertissement, pas une fatalité. C’est un appel aux dirigeants à cesser de se demander comment rendre les humains plus proches des machines, et à s’interroger plutôt sur la façon de bâtir une économie et un travail qui valorisent la contribution humaine.

Car si nous attendons que les gouvernements imposent notre participation au monde du travail, nous avons déjà perdu. La vraie question n’est pas « aurons-nous besoin de quotas humains ? » mais « saurons-nous devenir les leaders qui les rendront inutiles ? ». Et sur ce, retour à l’épisode.

Il est intéressant de revenir à la question initiale : beaucoup s’attendent à ce que vous affirmiez que les leaders IA ne sont pas forcément les plus techniques, ce qui nous surprendrait. Mais ce qu’il faut noter, c’est leur souplesse d’esprit, leur capacité à évoluer dans ce domaine sans exiger de certitudes, alors que nombre d’entre nous en dépendent.

En gardant cela à l’esprit pour bâtir les leaders de demain, si vous deviez concevoir un programme de développement du leadership pour cette nouvelle ère, à quoi ressemblerait-il, selon vous ?

David Swanagon : Très bonne question. C’est mon avis, fondé sur nos recherches.

Pour moi, il existera trois compétences de leadership à l’ère de l’IA : savoir diriger les machines, savoir diriger les personnes qui construisent ces machines, et savoir diriger les organisations qui adoptent l’IA. Diriger les machines n’est pas une fonction technique : à mesure que la machine développe son autonomie, elle acquiert une personnalité virtuelle qu’il faut « manager ». Interagir avec ces machines sophistiquées, mais aussi avec les agents qui les supervisent, dans le cadre du triptyque autonomie-confiance-compétence, est un nouvel art du leadership. L’idée est que la machine travaille efficacement avec l’humain, collabore, complète — ce qui aujourd’hui reste simple, mais deviendra complexe à mesure que l’autonomie des machines permettra la non-coopération : elles finiront « par penser pouvoir faire mieux sans nous ». Pour éviter cela, il faudra développer chez elles des compétences d’auto-réflexion, de prise de conscience des limites propres à leur absence d’expérience vécue, etc. Et savoir que les machines manageront d’autres machines : par exemple, un agent chatbot interagissant avec un agent d’inventaire, il doit y avoir du leadership là-dedans ! Ce n’est pas que du codage, c’est du leadership. C’est une compétence à enseigner.

La seconde compétence, c’est diriger les gens qui construisent les machines. Ce qui est frappant, c’est que, par exemple, Meta a nommé à la tête de l’IA une personne très douée mais jeune. Ce manque d’expérience vécue peut générer un décalage dans la prise de décision. Il faut donc coacher ces profils, les accompagner, leur inculquer la responsabilité humaine, l’humilité d’intégrer les non-techniciens à la conversation. Ces compétences sont essentielles, or, généralement, les ingénieurs techniques sont peu prioritaires dans les programmes de développement du leadership — alors qu’ils deviennent les nouveaux leviers de croissance, profit et réputation.

La troisième compétence, c’est l’adoption de l’IA : faire en sorte que DSI, RSSI et CDO collaborent efficacement avec le DRH. Or, souvent, le DRH reste en marge de la discussion IA. L’adoption requiert refonte de l’organisation, intégration humains-machines, transformation culturelle, culture numérique, sujets RH… Selon moi, le DRH devrait porter la responsabilité de l’adoption de l’IA, ce qui implique d’acquérir un minimum de compétences pour dialoguer avec les acteurs techniques. De son côté, le DSI doit s’ouvrir aux enjeux de développement du leadership, confiance, changement… Le CEO n’a pas le temps : il pilote la valeur d’entreprise, mais c’est au COMEX d’apprendre à qui fait quoi sur la feuille de route IA. Aujourd’hui, tout est sur la tech, ce qui explique la profusion d’outils, mais le manque d’adoption et de déploiement efficaces.

David Rice : Je suis d’accord. Et vous venez d’expliquer l’importance critique de cette collaboration. Pour les DRH à l’écoute, quelles compétences doivent-ils développer dès aujourd’hui et qui sont encore rares dans la profession ?

David Swanagon : D’abord, il faut accepter les règles du jeu : pour pouvoir y participer, il faut les comprendre. Il y a une différence entre le blackjack et le poker, c’est plus complexe. Les DRH doivent accepter un apprentissage sur le fonctionnement réel d’un modèle de langage, les bases mathématiques, les processus de gestion des données… Il y a un besoin de montée en compétences sur l’IT, les opérations, le DevOps, MLOps… Ils n’ont pas à coder, mais doivent comprendre le langage et pouvoir converser sur ces sujets.

Ensuite, il faut moderniser les outils RH, devenus dépassés. À mes yeux, sans dénigrer Korn Ferry, Hewitt, etc., leurs modèles ne sont pas adaptés au workflow de l’IA. Cela doit évoluer rapidement : identifier qu’un leader IA est fondamentalement autre qu’un CFO ou un leader juridique, adapter évaluations, formations, mentoring. Et du point de vue de l’adoption, même les baromètres d’engagement restent focalisés sur la vision humaine ; peu creusent, par exemple, la maturité IA ou la confiance envers les machines. Peu d’entreprises mesurent l’adoption machine dans leur enquête d’engagement, en partie car les éditeurs RH n’ont pas modernisé leurs produits. Les DRH devraient coopérer avec eux pour revoir évaluations, surveys, produits. L’adoption de l’IA requiert bien une montée en compétences sur le fonctionnement des réseaux neuronaux et des modèles de langage. Ce n’est pas forcément du code, mais comprendre la feuille de route technique et savoir la gérer est indispensable… Et, paradoxalement, les machines finiront par se coder elles-mêmes : le Python n’est plus qu’une compétence transitoire, la vision stratégique prime.

David Rice : On évoque parfois l’idée que l’organisation de demain ne ressemblera plus à une pyramide avec des silos, mais à un pentagone : davantage de directions ou fonctions clés, car il faudra piloter bien plus de choses. Croyez-vous qu’il y ait place pour un nouveau rôle hybride dans le COMEX, au carrefour des données, des RH, de la stratégie, afin de faire le lien entre ces expertises ?

David Swanagon : Absolument. Si on se projette, la donnée prendra peut-être le dessus sur la monnaie, la finance : si la devise reine aujourd’hui est le cash, demain la donnée deviendra l’empereur. Sans accès à la donnée, la finance ne sert à rien. On verra émerger de multiples métiers liés à l’optimisation des partenariats, de la propriété intellectuelle et de la cryptographie des données. Il faudra des personnes capables de faire le lien entre machines et humains, capables de piloter la décision en temps réel. Voilà, à mon sens, le rôle du futur. Actuellement tout tourne autour de l’IA générative, du prompt engineering, mais le vrai métier du futur sera l’adoption de l’IA : experts en intégration d’infrastructures critiques, en veille sur l’innovation, en création de gouvernance… Ceux capables de faire ce pont seront précieux, car c’est là où tout le monde échouera à des degrés différents. À mesure que l’autonomie monte, les directions auront de plus en plus de mal à décider dans les délais, à suivre l’évolution des compétences et de la technologie. La tentation sera alors de tout déléguer à la machine : si on laisse la collecte de données s’emballer, on se retrouvera esclave de la donnée. Ne pas gérer les compétences, c’est risquer d’industrialiser les mauvaises décisions, qui, en tech, coûtent bien plus qu’une bonne décision n’en rapporte : les dégâts sont parfois irréparables. C’est donc crucial d’avoir la bonne gouvernance au bon niveau (ce qu’il faut protéger, partager, décider, interdire à la machine…). Et contrairement aux humains, un modèle de langage ne ressent pas d’égard hiérarchique : il n’a aucune crainte. Cette humilité du COMEX sera donc, parfois, imposée par la machine, le pouvoir hiérarchique ayant peu d’effet sur elle.

David Rice : J’aimerais aborder la façon dont on présente souvent l’IA en termes de productivité, alors que vous affirmez que l’enjeu réel est la transformation. Lorsque l’on en parle, cela reste souvent très abstrait ; à quoi reconnaît-on, selon vous, une transformation réelle par l’IA ?

David Swanagon : Selon moi, une entreprise devrait s’ancrer sur quatre choses : croissance du chiffre d’affaires, profit et réputation. D’office, éliminez toutes les initiatives qui ne visent pas directement cela : on serait étonné du nombre de projets hors-sujet dans les grandes entreprises.

L’erreur classique, c’est de se concentrer sur le profit. Or, si le chiffre d’affaires est nul, le reste n’a guère d’intérêt. Et, curieusement, l’IA est pensée sous l’angle productivité individuelle, automatisation, contrôle des coûts, donc amélioration du profit — rarement sous l’angle création de valeur ou d’innovation. Automatiser reste un levier de profit, pas de croissance. Ce qui compte vraiment, c’est la croissance, l’accès à de nouveaux marchés, créer des expériences ou produits inédits. L’IA doit être orientée vers l’amélioration de l’expérience client, la conception d’offres inédites qui captent le portefeuille client. C’est là que la recherche en deep learning peut se révéler la plus transformatrice.

Si on reste dans une optique d’automatisation et de réduction des coûts (générer un rapport plus vite, traiter plus de mails…), ce n’est que de l’optimisation de processus, pas de l’innovation : on maximise le dénominateur, mais si le numérateur est nul, ça ne mène à rien. Il faut orienter l’IA vers la création de revenus, la conquête de nouveaux marchés — rejeter la productivité comme objectif central. Seules les entreprises qui feront cela transformeront leur marché. Autrement, elles optimiseront leurs processus mais continueront à commercialiser des produits ou services médiocres, faute d’innovation.

David Rice : C’est vrai, quand on pense à « combien de temps pour rédiger un rapport », « traiter des mails »… Ce n’est pas vraiment de l’innovation, mais du process. C’est probablement là que le basculement d’état d’esprit doit s’opérer, même si tout le monde n’en est pas encore là.

David Swanagon : Oui, et lorsqu’on regarde les plus grands succès éditoriaux (Le Seigneur des Anneaux, Harry Potter), ils reposent sur des mondes fictifs, inventés… Ce sont les univers créés à partir de rien qui génèrent le plus de valeur. Dans l’hôtellerie, comment complètement réinventer l’expérience du client grâce à l’IA (réalité virtuelle au sein de l’hôtel, double expérience physique et digitale unique, etc.) ? Voilà de la valeur. Réduire les coûts de ménage améliore la rentabilité à court terme, mais n’impacte pas fondamentalement le client. Dans le sport, pourquoi ne pas permettre de vivre le match sur le terrain grâce à la réalité virtuelle IA ? Combien paieraient pour cette expérience premium ? Voilà comment l’IA peut créer de la vraie valeur d’entreprise, bien plus que l’automatisation de rapports — ce qui, hélas, reste le point de départ de la plupart des DRH… Cela n’est pas stimulant. Il y a bien plus d’énergie et d’intérêt à travailler avec le marketing à la transformation de l’expérience, et c’est là que l’IA sera réellement créatrice de valeur.

David Rice : Avant de conclure, un dernier conseil pour les leaders qui veulent trouver le bon équilibre entre humain et machine : par où commencer ?

David Swanagon : D’abord, reconnaître qu’un humain est un humain et une machine est une machine. Il ne s’agit pas de créer une nouvelle espèce hybride. L’augmentation humaine va parfois trop loin : l’objectif est plutôt de faire travailler ensemble humains et machines, sans redéfinir l’humain. Vouloir « être augmenté » par la machine, c’est un autre débat, auquel personne n’est prêt.

Ensuite, élever les standards. Le message « l’IA est pour tout le monde, il suffit de prendre quelques cours » est trompeur : non, c’est compliqué, exigeant, il faut travailler, la compréhension des modèles de langage demande des mathématiques avancées. Le rôle du leader est d’être honnête : tout le monde peut apprendre, mais il faut s’en donner les moyens. On doit revoir aussi nos programmes scolaires : l’apprentissage du machine learning devrait commencer dès l’école primaire.

David Rice : En tant que parent d’un élève de CM1, je ne peux qu’être d’accord !

David Swanagon : Oui. Donc, élevez les standards, mais n’oubliez pas : un humain est un humain, une machine est une machine.

David Rice : Parfait. Merci beaucoup David, c’était passionnant.

David Swanagon : Plaisir partagé, vraiment !

David Rice : À nos auditeurs, si vous ne l’avez pas déjà fait, rendez-vous sur peoplemanagingpeople.com. Abonnez-vous à la newsletter, créez-vous un compte gratuit, téléchargez tous nos modèles et accédez à tout le contenu que vous voulez. Et jusqu’à la prochaine fois : l’humain reste l’humain, la machine reste la machine.