Les trois changements pour passer de l’assistance IA à l’appropriation
Écart organisationnel: Le principal obstacle au déploiement de l’IA n’est pas technique mais réside dans l’absence d’une infrastructure organisationnelle adaptée.
Changement de jugement: Les organisations doivent passer d’un jugement individuel à un jugement collectif pour améliorer la prise de décision de systèmes d’IA.
Importance de la gouvernance: Mettre en place une responsabilité claire et des audits permet d’assurer la redevabilité des systèmes d’IA et de traiter les erreurs.
Redéfinition de la valeur: Transformer les critères de valeur du gain de vitesse vers la précision et la qualité de la prise de décision permet de mieux intégrer l’IA.
Facteurs de réussite des pilotes: Des résultats clairs, une responsabilité définie et une cohérence entre les objectifs informatiques et métiers sont essentiels au succès d’un pilote IA.
Selon l'étude « 2025 Emerging Technology Trends » de Deloitte, 30 % des organisations explorent l'IA agentique et 38 % expérimentent des solutions pilotes. Mais seulement 11 % utilisent ces systèmes en production.
L'écart n'est pas une question de préparation technique. Les modèles fonctionnent. Les données existent. Les outils sont accessibles. Ce qui manque, c'est l'infrastructure organisationnelle : la gouvernance, la définition des responsabilités et les systèmes d'incitation qui rendent sûr le fait de confier des décisions à l'IA.
Les équipes qui passent des essais pilotes à la production opèrent trois changements spécifiques. Aucun n'est principalement technique.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Changement n°1 : Redéfinir le jugement comme capacité organisationnelle
La plupart des organisations considèrent le jugement comme une compétence personnelle, détenue par les cadres expérimentés. Deux personnes pourraient traiter le même dossier de manière différente sans que personne ne sache expliquer pourquoi. Il n'existe aucun moyen d'améliorer systématiquement le processus, car la responsabilité des décisions prises par l’IA reste indéfinie.
Ahmed Zaidi, PDG d’Accelirate, a rencontré ce phénomène en travaillant avec un grand groupe hospitalier. L’équipe de 15 infirmières, chargée de rédiger les lettres d’appel contre les refus de remboursement aux compagnies d’assurance, semblait suivre un processus simple. Apparemment, le travail paraissait aisément codifiable.
Ce qui est vite devenu source de conflit, c’est qu’il n’y avait en réalité pas « un » seul processus, explique Zaidi. Chaque infirmière avait élaboré sa propre stratégie au fil des ans.
Lorsque l’équipe de Zaidi a tenté de rédiger « la façon dont nous procédons vraiment », les infirmières n’étaient pas d’accord sur des points fondamentaux :
- Qu’est-ce qui constitue une justification clinique solide ?
- Quelle documentation mettre en avant ?
- Quel ton ou langage privilégier pour chaque compagnie d’assurance ?
- Quand faut-il escalader le dossier ou reformuler la demande ?
Les dépendances cachées étaient encore plus profondes. Les décisions ne se fondaient pas uniquement sur le code de refus. Elles dépendaient aussi des notes des médecins enfouies dans un système, des données d’autorisation préalable dans un autre, et de formulations cliniques subtiles dans la documentation en texte libre. Certaines stratégies s’appuyaient sur des habitudes spécifiques de documentation médicale qui n’étaient pas standardisées.
« Ce qui paraissait simple — ‘automatiser les appels’ — s’est transformé en exercice organisationnel visant à rendre explicite un jugement jusque-là implicite », explique Zaidi.
Le déclic s’est produit lorsque l’équipe a cessé de vouloir choisir la « bonne » méthode d’une infirmière pour plutôt agréger les connaissances tacites des 15 infirmières. Des sessions structurées ont été organisées pour débattre des stratégies, exposer les cas particuliers et s’aligner sur ce qui avait historiquement mené à des remboursements réussis. L’équipe a ensuite recoupé ces consensus avec les données réelles de résultats : quels modèles de lettre remportaient le plus de recours, quelles combinaisons de documents amélioraient les taux d’inversion de décision.
Plutôt que de coder des opinions, ils ont encodé des schémas validés.
Cette externalisation engendre quelque chose que les organisations possèdent rarement : la capacité d’observer et d’améliorer le jugement à grande échelle. Chaque action est enregistrée. Chaque exception devient visible. Tout écart fait ressortir les cas où les règles ne correspondent pas à la réalité. Les équipes peuvent observer les tendances, affiner les seuils, améliorer la performance dans le temps.
Le résultat a été mesurable : meilleure précision dans les recours, réduction des délais de traitement, augmentation des taux de récupération, baisse du risque de non-conformité grâce à la standardisation, la documentation et la traçabilité des décisions.
La gouvernance n’a pas ralenti le système, elle a permis à l’organisation d’apprendre de ses propres décisions, de manière structurée.
Changement n°2 : Attribuer clairement la responsabilité du comportement des agents
Le principal obstacle au passage en production est la confiance organisationnelle que les actions de l’IA sont limitées, auditables, révocables et supervisées.
Les équipes qui avancent désignent un responsable opérationnel unique, explicitement chargé du comportement de l’agent, erreurs comprises. La première erreur significative permet de tester si cette infrastructure fonctionne réellement.
Dans le déploiement hospitalier, Zaidi a fait intervenir un agent pour assister à la rédaction et à la priorisation des recours, avec pour mission de trier les dossiers et de recommander une escalade lorsque certains seuils de risque étaient atteints.
La première défaillance significative est survenue lorsque l’agent a mal classé un refus important et urgent en catégorie routinière, sans l’escalader. La logique avait bien interprété le code de refus, mais n’avait pas tenu compte d’un facteur contextuel secondaire — l’échéance imminente liée au contrat spécifique de l’assureur.
L’erreur a été contenue mais avait un impact financier réel. Elle a été détectée grâce à un audit quotidien des exceptions, intégré au processus — une couche de contrôle humain par échantillonnage des dossiers à forte valeur ajoutée.
Ce que ce moment a révélé, ce n’est pas un agent imprudent, mais que nos critères d’escalade étaient incomplets, explique Zaidi. Nous avions codé la logique clinique et les codes de refus, mais nous n’avions pas pleinement intégré les métadonnées contractuelles dans le cadre de priorisation.
La structure de gouvernance a aidé de deux manières :
- La journalisation et la traçabilité ont montré exactement pourquoi l'agent avait pris la décision, et l'audit humain dans la boucle a détecté les cas à haut risque.
- Cela a révélé une lacune. La définition du « risque » était trop étroite.
L'équipe a réagi en élargissant les règles d'escalade pour inclure des variables de risque financier et de calendrier, en mettant en place des seuils dynamiques basés sur les contrats, en augmentant la surveillance autour des appels expirants et en ajoutant des voies de contournement plus claires.
Dans les systèmes agentiques, les erreurs ne proviennent que rarement d’une seule mauvaise décision, mais bien d’une modélisation contextuelle incomplète. Être responsable en tant que dirigeant en IA signifie concevoir des dispositifs permettant une détection précoce, et non présumer de la perfection.
La manière dont la direction gère cette première erreur détermine tout. Si elle l’aborde comme une opportunité d’apprentissage et ajuste le système, les équipes gagnent en confiance. Si elle fait machine arrière ou recherche un responsable individuel, le projet pilote échoue.
Les organisations qui réussissent n’évitent pas les erreurs. Elles bâtissent des systèmes permettant de détecter rapidement les erreurs, de les traiter comme des données, et de s'améliorer.
L’angle mort de la gouvernance
L'un des échecs de gouvernance les plus courants que Zaidi observe est ce qu’il appelle la gouvernance passive de l’IA, ou la croyance que la journalisation équivaut au contrôle.
« Les organisations affirment avec assurance : ‘Chaque décision prise par l’agent est journalisée. Nous avons une traçabilité totale’, » dit Zaidi. « Cela paraît rassurant, surtout dans un environnement réglementé. Mais la journalisation seule ne réduit pas le risque. Elle ne fait que l’enregistrer. »
Dans le secteur de la santé, les décisions des agents et l’utilisation de l’IA impliquent souvent la gestion des contrats, des subtilités linguistiques cliniques, l’interprétation des payeurs et des contraintes de temps. Même si chaque résultat est techniquement traçable, le risque s’accumule dans les cas limites — légèrement en dehors des seuils prédéfinis —, dans des évolutions de la documentation ou des réponses des payeurs, et dans les escalades qui auraient dû avoir lieu, mais qui, techniquement, n’ont pas violé une règle.
De nombreuses organisations partent du principe que rien ne s'est cassé, donc le système est conforme. Mais l’absence d’échec immédiat ne prouve pas la sécurité. Cela signifie peut-être seulement que personne ne regarde assez en profondeur.
Une véritable maturité de la gouvernance de l’IA inclut des fréquences de revue définies pour l’échantillonnage des décisions, des seuils de risque quantitatifs qui déclenchent automatiquement une revue humaine, une responsabilité claire pour la surveillance au niveau opérationnel et des boucles de rétroaction où des motifs d’exception récurrents mènent à l’adaptation des règles.
Je demande souvent aux dirigeants une question simple : « Qui se réveille le matin avec la responsabilité de ce que l’agent a décidé la veille ? » dit Zaidi. « Si la réponse n’est pas claire, le modèle de gouvernance n’est pas terminé.
Troisième changement : faire évoluer les critères de valeur
Dans la plupart des organisations, l’expertise a été étroitement liée au statut, à la sécurité de l’emploi et au pouvoir informel. Être « la personne qui sait » est le principal levier d’influence. Rendre le jugement explicite peut donner l’impression de perdre l’unique avantage que le système a appris à valoriser.
Dans le système hospitalier, l’équipe d’infirmières était historiquement évaluée sur le volume : combien de lettres d’appel elles pouvaient préparer par jour.
Avec l’introduction de la rédaction assistée par agent, cette mesure devenait contre-productive. Si l’IA générait les premiers jets, le volume seul ne reflétait plus la valeur.
La mesure de la performance a été réorientée vers la précision de la revue clinique, l’efficacité des modifications apportées aux lettres générées par l’IA, les montants recouvrés influencés et la contribution à l’amélioration des modèles et de la logique d’escalade.
Une infirmière en particulier s’est démarquée en tant que leader. Elle avait une capacité exceptionnelle à expliquer pourquoi certains termes fonctionnaient mieux avec certains assureurs. Au lieu d’être évaluée sur la rapidité, elle est devenue essentielle dans la formalisation de son jugement en règles et modèles réutilisables pour le système.
Son influence a grandi car elle pouvait traduire son intuition en logique structurée, » précise Zaidi. « C’est une compétence très différente, mais extrêmement précieuse dans un environnement agentique.
Le changement était culturel : on passait de « À quelle vitesse peux-tu produire ? » à « Avec quelle qualité peux-tu façonner les systèmes de décision ? »
Quand les organisations récompensent l’héroïsme, la rapidité ou l’intuition — mais pas la documentation, la supervision ou l’amélioration du système —, l’expertise reste enfermée dans les individus. Les équipes qui font la transition mettent en avant celles et ceux capables de transmettre leur jugement au système, de l’améliorer dans la durée et de rendre l’équipe meilleure grâce à cela.
Une fois que l’expertise est considérée comme un levier qui augmente la capacité organisationnelle plutôt qu’une question d’indispensabilité personnelle, la résistance à l’IA s’estompe. Le transfert vers des agents devient alors un signe de séniorité, au lieu de représenter une menace pour celle-ci.
Les premiers signes avant-coureurs d’échec
Au cours des 30 à 60 premiers jours d’un projet pilote, l’échec est presque toujours prévisible.
Le plus grand signal d’alerte est l’absence d’un résultat clairement défini. Si une équipe n’est pas capable de formuler, en termes opérationnels, ce à quoi ressemble le succès—réduction du temps de cycle, augmentation de la récupération, baisse du taux d’erreur—alors le pilote n’est probablement qu’un test sans réelle orientation.
D’autres signes avertisseurs incluent l’absence de responsable opérationnel clairement nommé, un désalignement entre les équipes métier et IT concernant l’engagement temporel et la complexité, l’incapacité à expliquer le processus décisionnel réellement automatisé, ainsi que le traitement de l’initiative comme une "exploration de l'IA" plutôt qu’une refonte opérationnelle.
Les pilotes stagnent lorsque les parties prenantes métier sous-estiment l’effort requis pour externaliser leur jugement dans une logique structurée, tandis que l’IT sous-estime la variabilité et les cas particuliers des processus métier.
Les pilotes réussis accomplissent trois choses durant les 30 premiers jours :
- Définir un périmètre restreint avec des résultats mesurables
- Assigner une responsabilité métier dédiée et impliquer des experts de contenu engagés
- Fournir un soutien exécutif pour expérimenter et lever les obstacles procéduraux.
« L’IA agentique n’est pas un problème de déploiement technologique, mais un problème d’architecture de décision », explique Zaidi. « Si cela n’est pas pris en compte tôt, cela devient une preuve de coût. »
À quoi ressemble la préparation
Lorsque qu’une organisation affirme qu’elle est prête à déployer une solution agentique à grande échelle, Zaidi recherche une maturité structurelle à travers les dimensions humaines, processus et technologiques. Cela signifie :
- Un responsable métier désigné, comptable des résultats
- Une arborescence claire des exceptions et des escalades
- Une capacité d’observation des décisions et des résultats
- Des unités économiques qui justifient le passage à l’échelle
- Un cadre de gouvernance de base déjà opérationnel.
La plupart des équipes sous-estiment deux aspects : le coût de l’analyse et le temps nécessaire pour externaliser correctement la logique décisionnelle.
Un signe de maturité auquel Zaidi a appris à se fier :
Si je demande : « Comment l’agent décide-t-il lorsqu’il est incertain ? » et qu’ils peuvent répondre clairement—inclus les seuils d’escalade et la responsabilité—ils sont probablement prêts. Si la réponse est vague ou reporte à "le modèle le découvrira", ils restent encore optimistes, mais pas préparés.
La capacité désormais essentielle se situe à la frontière entre jugement humain et systèmes. Il s’agit de personnes capables d’expliquer pourquoi une décision a été prise, pas seulement ce qui a été décidé. Qui peuvent décomposer leur intuition en signaux, seuils et exceptions. Qui s’interrogent sur les limites de leur propre jugement.
Au quotidien, elles passent moins de temps à exécuter le travail et davantage à superviser, corriger et affiner la façon dont le travail est réalisé, que ce soit par des humains ou des agents.
Les organisations qui maîtrisent ce changement acquièrent un avantage que celles qui restent coincées en mode pilote n’ont pas : la capacité à améliorer le jugement à grande échelle. Elles peuvent tester des hypothèses, mesurer les résultats et itérer sur la qualité des décisions d’une façon qui était impossible lorsque l’expertise ne résidait que dans la tête des gens.
L’avantage concurrentiel ne réside pas dans une IA plus performante. Il se trouve dans une infrastructure organisationnelle qui rend possible l’appropriation de l’IA. Cette infrastructure—une gouvernance qui permet la rapidité, une responsabilisation créant l’imputabilité et des incitations accordant de la valeur à l’expertise transférable—est ce qui distingue les 11 % en production des 38 % restés au stade des pilotes.
