La règle 70-20-10 pour la transformation par l’IA s’applique-t-elle à toutes les tailles d’entreprise ?
La société A a dépensé 8 millions de dollars pour la transformation par l’IA l’an dernier. La société B a dépensé la moitié de ce montant. Pourtant, sur tous les indicateurs importants — taux d’adoption, gains de productivité, satisfaction des employés et retour sur investissement — la société B surpasse largement sa concurrente mieux financée.
La différence ne réside pas dans la technologie. Les deux entreprises ont souscrit les mêmes grands modèles linguistiques d’entreprise. Les deux ont embauché des consultants. Toutes deux ont annoncé leurs initiatives d’IA avec tout le battage médiatique apprécié des dirigeants. La vraie différence repose sur une seule décision prise dès le début : la manière dont elles ont alloué leurs budgets.
La société A a emprunté la voie classique : 60 % pour la technologie, 15 % pour la formation, 25 % pour « tout le reste ». La société B a complètement renversé la pyramide : 70 % pour les personnes et les processus, 20 % pour l’infrastructure, 10 % pour les algorithmes.
Continuez à lire—et continuez à diriger plus intelligemment
Créez un compte gratuit pour terminer cet article et rejoindre une communauté de leaders tournés vers l'avenir exploitant outils, guides pratiques et perspectives pour prospérer à l'ère de l'IA.
Have an account? Log In
Le modèle suivi par la société B n’a pas été inventé ex nihilo. Il découle de recherches menées par le Boston Consulting Group et le MIT Sloan portant sur des centaines de transformations par l’IA. Leur constat est sans appel : les entreprises qui obtiennent de réels résultats grâce à l’IA ne sont pas celles qui achètent les outils les plus sophistiqués. Ce sont celles qui investissent le plus dans leurs collaborateurs.
Mais comme toujours, le contexte compte. Cette étude portait sur des entreprises disposant de budgets IA supérieurs à 10 millions de dollars, c’est-à-dire des sociétés avec des équipes de transformation dédiées, une infrastructure de données mature et des armées de spécialistes.
Pour les entreprises de taille moyenne comptant 5 000 employés ou moins, les contraintes sont fondamentalement différentes. Beaucoup ne disposent pas d’une infrastructure de données de base. Elles achètent l’IA via des abonnements SaaS qui intègrent le coût des algorithmes dans les frais mensuels. Les mêmes sommes ne signifient pas la même chose si l’on travaille avec 2 millions de dollars au lieu de 20 millions.
Alors, le modèle 70-20-10 est-il toujours applicable ? Ou les entreprises intermédiaires ont-elles besoin d’une toute autre stratégie ?
Décryptage du modèle
La règle des 70-20-10 décrit, dans son essence, comment les transformations IA réussies répartissent réellement leurs ressources et leurs efforts. Les chiffres illustrent la répartition selon trois grands axes :
- Les 70 % : les personnes et les processus. Cela comprend les programmes de conduite du changement, la formation par rôle, la refonte des flux de travail, les cadres de gouvernance, l’infrastructure de communication, le coaching des managers et l’assistance aux utilisateurs. C’est le travail discret permettant de clarifier les responsabilités, d’identifier l’évolution des prises de décision quand l’IA entre en jeu, et de repenser les incitations.
- Les 20 % : l’infrastructure technologique. Cela regroupe la préparation des données, les couches d’intégration, les cadres de sécurité, les systèmes de surveillance et l’architecture d’évolutivité. Il s’agit de tout ce qui doit fonctionner avant de pouvoir exploiter réellement les outils d’IA dans votre environnement.
- Les 10 % : algorithmes et modèles. Il s’agit ici des outils d’IA eux-mêmes — licences, coûts d’API, ajustement de modèles et choix des prestataires.
Ce modèle repose sur des données solides. L’étude de BCG montre que les entreprises appliquant cette répartition obtiennent des taux d’adoption bien plus élevés et des gains de productivité concrets. Le MIT Sloan a constaté que 70 % de la valeur de l’IA dépend d’investissements complémentaires dans les personnes et les processus, et non du niveau de sophistication technologique.
La raison est simple : les modèles d’IA deviennent rapidement des produits de base. N’importe quelle entreprise de taille moyenne peut accéder aux modèles de pointe d’OpenAI, Anthropic ou Google. Mais la capacité de transformation organisationnelle, elle, n’est pas en vente.
La vraie différence se joue dans la capacité à réinventer les processus, à former les managers à accompagner l’adoption de l’IA et à créer des cadres de gouvernance qui favorisent l’innovation plutôt que de la brider.
Pourtant, à la lecture de ce modèle, de nombreux dirigeants d’entreprises intermédiaires se demandent : peut-on vraiment se limiter à 20 % pour l’infrastructure sans base de données mature ? Et dans les organisations utilisant des solutions d’IA en abonnement SaaS, où le coût de l’algorithme est inclus, le calcul reste-t-il valable ?
Whitney Munro, fondatrice de FLEX Partners, qui accompagne des entreprises dans leur transformation par l’IA, observe constamment ce dilemme.
« Le cadre 70-20-10 est globalement pertinent », explique-t-elle, « mais les difficultés apparaissent lorsqu’on néglige la séquence et l’intention. Sauter l’étape, plus ingrate, de clarification des responsabilités, des objectifs, des incitations, des processus, etc., avant même de s’attaquer aux outils. »
Le modèle n’a pas vocation à être appliqué de manière rigide, mais comme un principe directeur. La transformation par l’IA est d’abord un défi humain et organisationnel, bien plus qu’un défi technologique. Pour les entreprises de taille moyenne, ce principe reste vrai, mais les pourcentages exacts peuvent nécessiter un ajustement en fonction de leur niveau de maturité initial.
Pourquoi les entreprises se trompent dans la répartition
La pression d’investir d’abord dans la technologie vient de toutes parts. Les fournisseurs d’IA, naturellement, vendent de la technologie. Les membres du conseil d’administration veulent voir des tableaux de bord et des outils, des preuves tangibles que l’entreprise « fait de l’IA ». Les investisseurs interrogent sur les initiatives IA lors des résultats. Les départements informatiques parlent le langage de l’infrastructure et des modèles.
Ce qui est plus difficile à voir, plus difficile à mesurer, et plus difficile à vendre, c’est le travail lent de développement des compétences. Les programmes de formation ne font pas de présentations dynamiques pour le conseil. La refonte des processus de travail ne se photographie pas bien pour le rapport annuel. Les cadres de gouvernance semblent bureaucratiques plutôt qu’innovants.
Pour les entreprises de taille moyenne en particulier, plusieurs pièges rendent l’approche « technologie d’abord » encore plus séduisante :
- La rareté des ressources crée une fausse solution de facilité. « Nous ne pouvons pas nous permettre une équipe dédiée à la transformation AI, alors achetons simplement l’outil et voyons au fur et à mesure. » Le raisonnement semble logique, jusqu’à ce que l’on réalise que l’outil reste inutilisé car personne n’a repensé les processus autour.
- La pression de la rapidité prend le pas sur la planification réfléchie. Les scale-ups ressentent particulièrement le besoin d’aller vite. Prendre trois mois pour former les managers et refondre les processus semble long comparé à l’activation d’un nouvel outil AI la semaine suivante.
- La dynamique fournisseur masque les coûts réels. Lorsqu’on achète un produit d’entreprise SaaS AI, le développement de l’algorithme et une grande partie de l’infrastructure sont inclus dans un abonnement mensuel. Cela donne l’impression qu’on dépense moins en technologie que ce n’est le cas, et il est alors plus facile de sous-investir dans le facteur humain.
- Surcharge des rôles : une équation impossible. Dans les entreprises de taille moyenne, les mêmes personnes doivent à la fois maintenir les opérations actuelles et les transformer. Sans ressources dédiées à la gestion du changement, la transformation devient un projet annexe qui n’attire jamais l’attention nécessaire.
Clint Riley, COO chez Globe Midwest, a piloté des opérations d’expérience client lors de nombreux déploiements technologiques. Il observe que le schéma se répète.
« Les dirigeants investissent souvent beaucoup dans l’infrastructure AI et constatent des résultats limités. Les outils restent inutilisés car les équipes ne sont pas préparées, n’ont pas confiance ou restent sur leurs habitudes. La vraie différence se joue dans l’investissement prioritaire dans les personnes et les processus », explique-t-il.
La fausse idée du coût est bien ancrée. La formation paraît chère sur l’instant — 300 000 $ pour une formation AI ciblée auprès de 500 employés semble beaucoup. Mais cet investissement peut réduire les erreurs courantes de 40 % la première année.
Un autre investissement de 200 000 $ dans la refonte des processus clés avec intégration AI apporte des gains d’efficacité mesurables chaque trimestre. À comparer à 800 000 $ dépensés dans des outils AI dont l’adoption plafonne à 15 %, faute d’investissement dans l’accompagnement au changement.
Le phénomène de l’AI fantôme qui a émergé est la preuve la plus évidente que l’approche « technologie d’abord » crée précisément les problèmes qu’elle est censée résoudre. Les études montrent que 90 % des salariés utilisent des outils AI, mais que seules 40 % des entreprises les ont officiellement mis à disposition.
Ce fossé existe parce que les entreprises ont déployé la technologie sans accompagnement, laissant les salariés se débrouiller seuls, et générant ainsi exactement les risques de sécurité et de gouvernance que les dirigeants redoutent.
À quoi ressemble vraiment « 70 % pour les personnes »
Le cadre 70-20-10 semble simple, jusqu’à ce qu’on essaie de l’appliquer. Que signifie concrètement consacrer 70 % de son budget AI aux « personnes et processus » ?
Pour une entreprise de taille moyenne disposant d’un budget de transformation AI de 2 M$ sur la première année, une répartition orientée « humain d’abord » peut ressembler à ceci :
1,2 M$ (60 %) pour les personnes & processus :
- 400 000 $ : Ressources dédiées à la transformation (2-3 ETP maîtrisant à la fois la gestion du changement et les capacités AI)
- 300 000 $ : Expertise externe en conduite du changement, conception de processus et cadres de gouvernance
- 200 000 $ : Développement et déploiement de programmes de formation (non pas des sessions ponctuelles, mais un accompagnement continu)
- 150 000 $ : Moyens d’accompagnement et de coaching pour les managers
- 150 000 $ : Systèmes de communication, dispositifs de retour, et cycles d’amélioration continue
600 000 $ (30 %) pour l’infrastructure :
- 300 000 $ : Préparation, intégration et amélioration de la qualité des données
- 150 000 $ : Sécurité, conformité et systèmes de surveillance
- 150 000 $ : Infrastructure analytique pour mesurer résultats techniques et humains
200 000 $ (10 %) pour les outils/algorithmes AI :
- Abonnements d’entreprise LLM
- Applications AI spécialisées
- Coûts d’API et frais d’utilisation
À noter, l’ajustement pour les entreprises de taille moyenne : Ici, on observe une répartition 60-30-10 plutôt que le schéma 70-20-10 pur. Pourquoi ? Les entreprises mid-market présentent souvent des carences plus importantes en infrastructure que les grands groupes. Les systèmes hérités, les silos de données et la dette technique font que l’infrastructure nécessite des investissements plus élevés, comparé aux entreprises dotées de fondations modernes en matière de données.
Le principe clé demeure : l’investissement dans l’humain doit être équivalent ou supérieur à l’investissement technologique. Si vous consacrez 60 % aux outils et à l’infrastructure combinés, contre seulement 40 % aux personnes et aux processus, les études montrent que vous laissez beaucoup de valeur potentielle de côté.
Ce que l’investissement dans les « personnes » permet réellement d’obtenir :
Quand les dirigeants voient « 400 000 $ pour les ressources de transformation », ils demandent souvent : que font concrètement ces personnes ?
Ressources de transformation dédiées :
- Mener une analyse des flux de travail avant le déploiement technologique
- Concevoir des formations adaptées aux rôles (un analyste financier n’a pas besoin des mêmes compétences en IA qu’un conseiller clientèle)
- Élaborer des cadres de gouvernance qui facilitent au lieu de bloquer
- Créer des boucles de rétroaction pour itérer en fonction de l’utilisation réelle
- Coordonner entre la DSI, les RH et les unités métier
Accompagnement des managers :
- Préparer les managers à coacher leurs équipes sur les outils d’IA (et pas seulement à les utiliser eux-mêmes)
- Aider les managers à comprendre comment l’évaluation des performances évolue quand l’IA intervient dans le travail
- Accompagner les managers dans leur propre évolution identitaire à mesure que le travail change
- Créer des communautés de managers pour partager défis et solutions
Infrastructure de communication et de retour d’information :
- Communications régulières à l’ensemble du personnel sur l’avancement de la transformation
- Canaux permettant aux employés de faire remonter problèmes et inquiétudes
- Systèmes pour recueillir ce qui fonctionne ou non
- Prise de décision transparente sur les outils d’IA déployés et les raisons associées
Une formation efficace :
- Pas seulement des ateliers ponctuels, mais des programmes d’apprentissage continus
- Environnements de mise en pratique où l’échec est sans risque
- Des apprentissages « juste à temps » liés aux besoins réels du travail
- Réseaux d’entraide entre pairs pour le dépannage
Négliger ces investissements conduit à un résultat assez prévisible : faible taux d’adoption, résistance des salariés, prolifération de l’IA dans l’ombre et, au final, du budget technologique gaspillé. Pour les membres de la direction ou du conseil d’administration qui considèrent cela comme du « superflu » ou trop « bienveillant envers les employés », il est essentiel de recadrer le sujet : il s’agit de capter toute la valeur rendue accessible par la technologie, qu’elle ne peut sinon délivrer seule.
« Les conseils d’administration adorent voir une nouvelle technologie se déployer », reconnaît Riley. « Il faut donc présenter cet axe humain comme une gestion intelligente du risque à rendement composé : productivité accrue, meilleure rétention et gains business qui se construisent dans la durée. La technologie seule atteint rapidement un pic puis stagne. »
La réalité du marché intermédiaire
Mais cette répartition suppose un point de départ déjà mature. Qu’en est-il des entreprises où les proportions doivent évoluer beaucoup plus radicalement ?
Alix Gallardo, Chief Product Officer chez Invent, accompagne les entreprises de taille moyenne à naviguer précisément de tels scénarios. Sa vision de l’IA SaaS change l’équation.
« Lorsque vous achetez de l’IA en SaaS, le fournisseur a déjà fait le plus gros du travail, celui qui est complexe et coûteux, ainsi qu’une grande partie de l’infrastructure. La vraie question à se poser devient alors : “Tout ceci étant prêt, où devons-nous concentrer notre temps interne et notre budget limités ?” »
Sa répartition, pour une configuration SaaS principalement « sur étagère », place encore l’humain au premier plan, mais s’ajuste en tenant compte de la réalité : les enjeux d’infrastructure sont souvent plus importants pour les entreprises de taille moyenne.
« Les environnements du marché intermédiaire sont souvent complexes, » observe Gallardo. « Beaucoup de produits SaaS déconnectés, des systèmes hérités, des intégrations natives, des flux de données incomplets, et de petites équipes informatiques. Il est donc normal que l’infrastructure représente 25 à 35 % du budget au début. »
Prenons trois scénarios où la répartition doit évoluer :
Scénario 1 : L’entreprise à l’infrastructure insuffisante
Une entreprise industrielle de 2 000 salariés existe depuis 30 ans. Les données y sont cloisonnées entre différents systèmes. Les informations clients dans une base, les données de production dans une autre, les indicateurs qualité dans des feuilles Excel. L’équipe informatique compte cinq personnes.
Pour cette entreprise, l’allocation pourrait devoir être de 50 % pour l’humain, 40 % pour l’infrastructure, 10 % pour les algorithmes—au moins au début. Sans une infrastructure de données de base, les outils d’IA ne peuvent pas fonctionner efficacement. Mais même ici, l’investissement humain ne peut être sacrifié : il doit rester stratégique, axé sur le développement de la capacité interne à prendre de meilleures décisions d’infrastructure et à préparer les salariés aux changements une fois celle-ci déployée.
Scénario 2 : L’entreprise scale-up agile
Une société éditrice de logiciels de 800 collaborateurs est cloud-native depuis sa création. Les systèmes communiquent entre eux. L’équipe est techniquement aguerrie. L’infrastructure ne constitue pas un point de blocage.
Ici, l’allocation pourrait être de 75 % pour les personnes, 15 % pour l’infrastructure, 10 % pour les algorithmes. La croissance rapide de l’entreprise signifie que la culture et les processus nécessitent des investissements supplémentaires pour évoluer. Avec une base technique solide, la contrainte est organisationnelle et non technologique.
Scénario 3 : L’entreprise de taille moyenne averses au risque
Une entreprise de services financiers de 4 500 employés opère dans un secteur fortement réglementé. La culture est résistante au changement, la gestion des risques est primordiale et les exigences de conformité sont étendues.
Cette entreprise pourrait allouer 65 % aux personnes, 20 % à l’infrastructure et 15 % aux algorithmes. Les dépenses plus élevées en algorithmes ne servent pas à courir après les modèles les plus récents — il s’agit d’investir dans des outils d’IA dotés de fonctionnalités de gouvernance intégrées, de pistes d’audit et de mécanismes de transparence qui réduisent le risque de non-conformité.
Le diagnostic n’est pas compliqué. Évaluez votre entreprise sur quatre dimensions de 1 à 10 :
- Qualité actuelle de l’infrastructure de données
- Capacité de l’organisation à changer
- Densité de talents techniques
- Complexité réglementaire et de conformité
Des scores faibles en infrastructure et en talents suggèrent que vous devrez investir davantage à ces niveaux. Une capacité élevée à gérer le changement permet de miser davantage sur les personnes et les processus. Une forte complexité réglementaire peut justifier plus d’investissement dans des outils sophistiqués avec gouvernance intégrée.
Mais dans tous les scénarios, un principe demeure : l'investissement dans les personnes doit être égal ou supérieur à l'investissement technologique.
Comme le dit Munro : « La plupart des organisations n’échouent pas à cause de l’IA elle-même, elles échouent parce qu’elles investissent dans les prompts et s’attendent à ce que l’IA soit une solution magique, alors qu’elles devraient plutôt s’assurer que leurs collaborateurs comprennent ce qu’est l’IA, ce qui est possible, comment l’utiliser, quels outils utiliser pour leurs rôles et comment faire preuve d’intégrité avec ces technologies. »
Le problème du coût caché
Une raison pour laquelle les entreprises se trompent dans l’allocation est que beaucoup ne savent pas réellement ce qu’elles dépensent dans chaque catégorie. Les coûts sont répartis entre les départements et cachés dans différentes lignes budgétaires.
Les coûts technologiques sont généralement visibles : licences logicielles, frais d’informatique en nuage, contrats fournisseurs. Ceux-ci apparaissent clairement dans les budgets informatiques.
Les coûts d’infrastructure sont parfois cachés. Le temps d’ingénierie des données est enfoui dans le budget opérationnel du département informatique. Le travail d’intégration est réalisé dans le cadre de la « maintenance des systèmes ». Les revues de sécurité sont assurées dans le cadre de projets annexes. La surveillance des systèmes est souvent négligée.
Mais les coûts humains et liés aux processus sont souvent totalement invisibles. Le temps que les employés consacrent à la formation représente un coût d’opportunité (travail non effectué pendant l’apprentissage). Le coaching des managers n’apparaît dans aucun budget. Les efforts de refonte des processus ont lieu pendant des réunions sans allocation claire. Les coûts de communication s'infiltrent partout sans jamais être identifiés. Les réunions de gouvernance prennent du temps mais sont rarement comptabilisées comme des coûts liés à la transformation IA.
Gallardo identifie trois signes d’alerte prouvant que votre allocation est faussée, peu importe ce qu’indique le budget officiel :
« Quelques utilisateurs expérimentés adorent l’outil IA, mais la majorité l’ignore. Aucune évolution claire dans les décisions ou les flux de travail due à l’IA : il y a bien des fonctionnalités innovantes, mais aucun véritable impact sur la manière de travailler. Les nouveaux essais IA sont éparpillés, sans normes partagées, manuels, indicateurs, études de cas ni gouvernance commune. »
Si vous constatez ces symptômes, « réorienter votre budget vers la gestion de produit, les opérations, le management du changement et la création de ‘champions de l’IA’ aura bien plus d’impact que d’investir toujours plus dans de nouveaux projets d’intégration », explique-t-elle.
Riley observe la même tendance : « Même lorsque les collaborateurs utilisent discrètement les outils d’IA de leur propre initiative, la solution n’est pas de renforcer les contrôles. Il s’agit plutôt d’orienter cette énergie à travers des formations pratiques et des directives claires. Surinvestir dans les personnes est chose rare, beaucoup d’entreprises en font bien trop peu dans ce domaine. »
Pour comprendre votre allocation réelle, il faut un audit honnête. Pour le dernier trimestre, comptabilisez :
- Toutes les licences logicielles liées à l’IA, les dépenses en cloud et les honoraires de prestataires
- Le temps passé par les équipes informatiques et données sur l’infrastructure IA, l’intégration et la sécurité
- Le temps passé par les employés à se former à l’IA (calculez le nombre d’heures multiplié par le coût horaire moyen)
- Le temps consacré par les managers au coaching sur l’adoption de l’IA
- Le temps passé en réunion pour la gouvernance, la refonte des processus et la planification des initiatives IA
- Les coûts des consultants et conseils externes
Classez chaque élément dans l’un des trois compartiments : algorithmes, infrastructure ou personnes et processus. La plupart des entreprises découvrent qu’elles dépensent beaucoup plus en technologie et bien moins dans les personnes qu’elles ne le pensaient.
Pourquoi bien répartir l’investissement est crucial
La différence de performance entre les entreprises qui ajustent bien leur allocation et les autres est frappante.
Les recherches montrent que les organisations adoptant une approche centrée sur l’humain comptent 2,3 fois plus de collaborateurs engagés et 1,5 fois plus de performance.
Les entreprises où les DRH (CHRO) et les DSI (CIO) agissent comme de véritables partenaires rapportent être 15 fois plus productives dans leurs initiatives en intelligence artificielle. Mais cela se produit moins souvent qu'on pourrait le croire. Le problème commence par une confusion fondamentale sur ce que les DSI devraient prendre en charge par rapport à ce que les DRH devraient gérer dans la transformation liée à l'IA.
« Ce qui est fascinant, c'est que l'on a confié au DSI non seulement la conception, le test et le déploiement des outils, mais aussi leur adoption », constate David Swanagon, fondateur du Machine Leadership Journal, sur la base de ses recherches sur la préparation organisationnelle à l'IA. « Et je pense qu'un des arguments que nous avançons à travers nos recherches est que l'adoption devrait être pilotée par le DRH, car elle relève de la culture, de la confiance, de l’autonomie, des compétences. Le DSI devrait s’occuper de la conception, du test et du déploiement, mais s’arrêter là, puis collaborer avec le DRH pour gérer l’adoption. »
ÉCOUTEZ L'INTÉGRALITÉ DE L'ÉPISODE AVEC DAVID SWANAGON
Cette distinction est structurelle. Lorsque les DSI détiennent à la fois le déploiement et l'adoption, cela aboutit à des solutions techniquement solides, mais prévisibles, que personne n’utilise, ou qui engendrent des frictions organisationnelles car elles n’ont pas été conçues en tenant compte de la culture et des compétences internes.
Le coût d’une mauvaise répartition des responsabilités s’accumule rapidement. Klarna a fait la une avec ses gains d’efficacité liés à l’IA, puis a discrètement fait marche arrière lorsque les coûts humains et culturels sont devenus évidents.
L’IA fantôme (Shadow AI) se répand lorsque les entreprises ne fournissent pas d’outils ou de formations adaptés, créant ainsi les risques de sécurité tant redoutés par les dirigeants. Selon les données sectorielles, 80 % des projets d’IA n’atteignent pas l’échelle requise, souvent parce qu’ils sont déployés sans le soutien organisationnel nécessaire à leur adoption — et l’IA finit parfois par être le bouc émissaire de dysfonctionnements plus larges.
L’épuisement et la résistance des employés deviennent des taxes cachées sur les approches centrées sur la technologie. Lorsque des outils sont déployés sans formation adéquate ni refonte des processus, les employés perçoivent l’IA comme quelque chose qu’on leur impose, non comme une aide. Les outils accroissent la charge de travail au lieu de la réduire. La résistance s’enracine.
« Il est extrêmement dysfonctionnel et préoccupant de voir la majorité des entreprises qui nous sollicitent penser qu'une fois qu’elles "allument" un outil, la magie va opérer spontanément », déclare Munro. Ce dysfonctionnement ne se limite pas au gaspillage, il nuit activement à la capacité de l’organisation à se transformer.
Pourtant, les entreprises de taille intermédiaire qui répartissent bien ces responsabilités disposent d’un avantage structurel par rapport aux grands groupes. Des lignes de communication plus courtes permettent des changements plus rapides. Des cycles de décision plus courts favorisent l’itération. Une meilleure proximité entre dirigeants et employés facilite une conduite du changement authentique. Une adaptation plus agile des processus permet aux workflows d’évoluer au rythme de l’organisation.
« En tant que COO ayant piloté des opérations CX lors de plusieurs déploiements technologiques, j’aborde l’IA de la même manière : d’abord les personnes, puis des processus solides pour les soutenir, et la technologie comme moyen d’y parvenir », explique Riley. « Lorsque l’humain est au cœur de la transformation, celle-ci s’ancre et délivre durablement les résultats qui comptent vraiment. »
Le retour sur investissement est transformateur. Ces 300 000 $ investis dans une formation ciblée à l’IA qui réduit les erreurs de 40 % ? Ce n’est pas un gain unique. C’est une compétence qui s’améliore chaque trimestre à mesure que les personnes progressent. Les 200 000 $ consacrés à la refonte des workflows ? Ces améliorations se cumulent, car vous avez développé une capacité d’innovation continue sur les processus.
Du Règlement au Principe
La règle du 70-20-10 n’est pas une formule rigide à appliquer aveuglément. C’est un principe tiré de l’observation des entreprises qui réussissent réellement avec l’IA et du constat que la transformation est avant tout un défi humain et organisationnel, bien plus qu’une question de technologie.
Pour les entreprises de taille intermédiaire, ce principe nécessite une adaptation, mais pas un abandon. Vos lacunes d’infrastructure pourraient exiger 25 à 35 % du budget au lieu de 20 %. Vos outils d’IA en SaaS peuvent intégrer les coûts des algorithmes dans des abonnements qui modifient la répartition des 10 %. Vos contraintes sectorielles spécifiques peuvent demander d’autres ajustements.
Mais la vérité reste la suivante : si vous dépensez plus en technologie qu’en développement humain, vous laissez presque à coup sûr une valeur significative de côté.
L’approche de Riley est pragmatique : « Pour un budget de départ de 2 M $, j’allouerais environ 65 % aux personnes via des formations ciblées et du soutien à la conduite du changement. Environ 25 % devraient aller à l’essentiel : accès aux données, configuration cloud de base, et seulement 10 % aux algorithmes, en privilégiant surtout des solutions SaaS éprouvées plutôt que des développements sur-mesure. »
La vision de Gallardo tient compte de la réalité SaaS à laquelle font face la plupart des entreprises de taille intermédiaire : « Oui, la répartition reste la même même si vous ne touchez jamais au modèle en lui-même. Pour une configuration quasi prête à l’emploi : ~10 % vont aux algorithmes, ~20 % à l’infrastructure, ~70 % aux personnes et processus. C’est là que vous devriez investir l’essentiel de votre budget. »
L’enseignement partagé par les deux experts, c’est que le succès se mesure au taux d’adoption, à la confiance des employés et aux résultats quotidiens, bien plus qu’au simple montant dépensé. La technologie que vous achetez importe moins que ce que vous mettez en œuvre pour en permettre l’utilisation effective.
L’action à mener est claire pour les dirigeants : réalisez votre audit de répartition ce mois-ci. Calculez ce que vous investissez réellement dans les algorithmes, l’infrastructure et l’humain en intégrant tous les coûts cachés. Si la technologie dépasse l’humain, vous avez identifié votre point d’achoppement.
Passez ensuite à l’action.
- Investissez dans le travail ingrat de la gestion du changement avant de déployer le prochain outil.
- Élaborez des programmes de formation adaptés à chaque fonction.
- Établissez des ambassadeurs de l’IA.
- Donnez à vos managers les moyens d’accompagner l’adoption.
- Redéfinissez les flux de travail avant d’implémenter la technologie.
- Créez des cadres de gouvernance qui favorisent plutôt que restreignent.
Souvenez-vous de l'avertissement de Munro : « Là où les dommages commencent à apparaître, c’est lorsqu’il n’y a pas de séquencement ni d’intention. Passer outre le travail 'ingrat' de clarification des responsabilités, des objectifs, des incitations, des processus, etc. avant même d’aborder les outils. »
La technologie sera là lorsque vous serez prêt à l’utiliser. Vos collaborateurs, eux, n’attendront pas indéfiniment.
