Six mois dans la machine : ce que l’immersion IA m’a appris

Tu ne parleras point d’intelligence artificielle sans l’avoir mise à l’épreuve.

La genèse de mon aventure

Ce premier commandement, je me l’adresse d’abord à moi-même.

Pendant les six premiers mois de 2026, après mon mandat chez mon dernier client, je me suis payé le luxe de me consacrer à temps plein à l’intelligence artificielle.

Pas pour devenir un prophète de la technologie. Pas pour annoncer la disparition prochaine de la moitié des professions. Et surtout pas pour collectionner les présentations spectaculaires, dont une bonne part relevait davantage du spectacle d’influenceurs en quête de clics que de la démonstration utile.

Bon, j’avoue : certaines présentations m’ont donné des palpitations. Je suis humain, donc influençable. Mais la réalité rattrapait rapidement la fiction.

Je voulais surtout comprendre ce qui arrive lorsqu’on quitte les présentations, les promesses et les vidéos soigneusement préparées pour essayer de construire quelque chose d’utilisable.

Du vrai. Pas simplement un de ces « J’ai bâti une entreprise et ses 200 employés en 24 heures » qui, au bout du compte, reste une coquille vide.

Depuis plus de 25 ans, je travaille sur des transformations dans des environnements où une décision technologique finit toujours par rencontrer la réalité : les opérations, les employés, les clients, les budgets, la gouvernance, la cybersécurité et les engagements des fournisseurs.

Je viens d’un monde où les systèmes ne peuvent tout simplement pas se permettre de tomber en panne.

Cette expérience m’avait appris à me méfier autant de l’enthousiasme sans limites que du scepticisme automatique. Mais l’arrivée des agents IA soulevait une question différente.

Étions-nous simplement devant une nouvelle génération d’outils ou devant un changement plus profond dans notre façon d’organiser le travail, de prendre des décisions et de créer de la valeur?

Je ne pouvais pas répondre sérieusement à cette question en demeurant observateur. Je devais cesser de regarder le train passer et entrer dans la machine.

Pourquoi une immersion à temps plein?

Le discours sur l’IA est extrêmement bruyant. Sur le Web, il est alimenté par une multitude d’influenceurs et oscille entre deux extrêmes.

D’un côté, l’IA réglerait presque tout : la productivité, la pénurie de main-d’œuvre, la qualité du service, la rapidité d’exécution et même les limites de nos systèmes actuels. On va guérir toutes les maladies et vivre éternellement. Bon, j’en ajoute une couche, mais vous comprenez l’idée.

De l’autre côté, elle ne serait qu’un outil de rédaction amélioré : parfois impressionnant, souvent sujet à l’erreur et beaucoup trop risqué pour être utilisé sérieusement dans une grande organisation.

Ces deux visions contiennent une part de vérité. Aucune ne suffit pour prendre de bonnes décisions.

Je voulais donc mesurer la distance entre une réponse convaincante à l’écran et une capacité réelle sur laquelle une organisation peut compter.

J’ai travaillé avec des modèles génératifs, locaux et hébergés, ainsi qu’avec différents types d’agents : séquentiels, réactifs et planificateurs. J’ai exploré les questions de mémoire, de contexte, de droits d’accès, de validation, de cybersécurité et d’approbation humaine.

J’ai observé des résultats remarquables, des erreurs subtiles et quelques détours complètement absurdes, exécutés avec une assurance déconcertante et parfois à grands frais.

Je ne cherchais plus seulement à savoir si une IA pouvait accomplir une tâche. Je voulais comprendre dans quelles conditions une organisation devrait lui permettre de l’accomplir.

Cette différence est fondamentale.

Essayer un outil n’est pas bâtir une capacité

Essayer un outil d’IA demande quelques minutes.

On ouvre une fenêtre. On rédige une demande. On obtient un résultat en quelques secondes. Le résultat est parfois si convaincant qu’il donne l’impression qu’un problème complexe vient d’être résolu.

Bâtir une capacité utilisable exige tout autre chose.

Il faut déterminer d’où vient l’information, qui peut y accéder et comment vérifier le résultat. Il faut prévoir les exceptions, les erreurs, les interruptions et les changements apportés par le fournisseur. Il faut savoir comment arrêter le système, revenir en arrière et transférer le dossier à un humain.

Il faut surtout nommer la personne qui demeure responsable. Pas un comité : un leader imputable.

À partir de ce moment, nous ne parlons plus seulement de technologie. Nous parlons de processus, de compétences, de contrôle, de responsabilités et de changement organisationnel.

Une démonstration répond à la question : « Est-ce possible? »

Une capacité organisationnelle doit répondre à des questions beaucoup plus exigeantes :

• Est-ce suffisamment fiable pour notre besoin?
• Pouvons-nous mesurer la qualité du résultat?
• Que se passe-t-il lorsque l’IA se trompe?
• Qui surveille son fonctionnement?
• Qui répond des conséquences?
• Pourrons-nous encore l’exploiter si le fournisseur change ses règles?
• Comment intégrer et exploiter l’IA comme nos autres solutions?
• Quel rendement attendons-nous, et quelles exigences de continuité ou de conformité doit-elle respecter?

C’est dans l’écart entre ces deux réalités que se trouvent la plupart des coûts, des risques et des déceptions.

Ce que 25 ans de transformation avaient déjà confirmé

Certaines de mes convictions ont très bien résisté à l’immersion.

La première : une technologie ne crée pas de valeur simplement parce qu’elle est impressionnante et « à la mode ».

La valeur apparaît lorsqu’elle améliore une mission, une décision, un processus ou une expérience qui compte réellement pour l’organisation.

Une IA peut produire un résultat remarquable tout en demeurant parfaitement inutile si ce résultat ne répond à aucun besoin prioritaire.

La deuxième : les opérations finissent toujours par rattraper la démonstration.

Dans un environnement contrôlé, tout semble simple. Dans une grande entreprise, il faut composer avec des données incomplètes, des règles contradictoires, des systèmes vieillissants, une dette technologique accumulée, des responsabilités partagées et une multitude d’exceptions qui n’apparaissent dans aucune procédure.

L’IA ne fait pas disparaître cette complexité. Elle peut même l’amplifier.

La troisième : on ne peut pas ajouter la gouvernance, la cybersécurité et la gestion du changement à la fin d’un projet.

Lorsqu’un système peut consulter de l’information, recommander une décision ou agir au nom de l’organisation, il ne suffit plus de demander : « Est-ce que cela fonctionne? »

Il faut également demander : « Qui l’autorise, qui le surveille et qui répond du résultat? »

Sur ces trois points, l’IA n’a pas changé les règles fondamentales de la transformation. Elle les a rendues encore plus importantes.

Bonne nouvelle : on a encore du travail!

Ce que j’avais sous-estimé

D’autres convictions ont été bousculées.

J’avais d’abord sous-estimé la vitesse à laquelle l’IA permet d’obtenir un premier résultat crédible. Des idées qui auraient autrefois exigé une équipe, plusieurs semaines de travail et un budget appréciable peuvent maintenant être explorées beaucoup plus rapidement.

Cette vitesse ouvre des possibilités extraordinaires. Une preuve de concept qui prenait deux mois peut parfois être réalisée en deux jours (attention toutefois à la consommation de jetons, ou tokens, et à la facture qui vas suivre!).

Cette rapidité de mise en œuvre crée également une illusion dangereuse : celle de confondre la qualité de la présentation avec la solidité de la solution.

Elle peut aussi donner aux dirigeants l’impression trompeuse que la solution finale sera tout aussi rapide à implanter. Cette attente risque ensuite de générer de la frustration et de l’insatisfaction à tous les échelons de l’organisation.

J’ai appris à distinguer trois choses :

• un résultat impressionnant;
• un résultat utile;
• un résultat fiable.

Ce ne sont pas des synonymes. Les confondre alimente le fantasme du « plug-and-play ».

J’avais aussi accordé trop d’importance au choix du modèle. Quel fournisseur possède une avance? Quelle plateforme est la meilleure? Quel modèle obtient les meilleurs résultats?

Ces questions ont leur place, mais elles sont rarement les premières auxquelles une organisation devrait répondre.

Les véritables difficultés se trouvent souvent ailleurs : rendre le contexte explicite, donner accès à la bonne information, définir les limites, traiter les exceptions, mesurer la qualité et déterminer ce qui doit demeurer sous contrôle humain.

Le modèle est important. Tout ce qui l’entoure l’est souvent davantage.

Finalement, je croyais qu’une directive plus précise permettrait de corriger une grande partie des problèmes. Cela aide, évidemment et une directive floue produit l’effet inverse.

Mais une bonne consigne ne remplace ni une mémoire fiable, ni des données de qualité, ni des règles d’accès, ni des mécanismes de validation.

Un meilleur prompt ne transforme pas une expérimentation fragile en capacité organisationnelle.

En résumé, j’avais sous-estimé la facilité de produire quelque chose de convaincant et surestimé la facilité d’en faire quelque chose de durable.

Cinq questions avant d’autoriser une initiative IA

Après cette immersion, je crois qu’un dirigeant devrait obtenir une réponse claire à cinq questions avant d’investir davantage :

1. Quel résultat important cherchons-nous réellement à améliorer?
2. Quelles erreurs l’IA pourrait-elle commettre, et quelles en seraient les conséquences?
3. Qui, dans notre matrice RASCI, demeure imputable de la décision ou de l’action de l’IA?
4. Quelles données, pratiques et responsabilités devront changer pour que la solution soit réellement utilisée?
5. Quand réévaluerons-nous l’initiative, et comment pourrons-nous changer de direction?

L’absence de réponses ne signifie pas nécessairement que l’idée est mauvaise. Elle indique simplement que nous sommes encore devant une expérimentation, une preuve de concept.

Une preuve de concept doit être financée, encadrée et évaluée comme telle.

Le contrat de cette série

Cette publication ouvre une série d'articles regroupés sous le thème Intelligence artificielle : les 10 commandements.

L’idée est simple : je vous présente des constats tirés de mon expérience. À vous d’en faire une stratégie adaptée à vos besoins, vos 10 commandements, votre framework.

Malgré le titre, ces commandements ne seront pas des vérités gravées dans la pierre, ni pour moi ni pour vous. L’IA évolue trop rapidement pour tomber dans le piège du « c’est comme ça que ça va être ».

Ces commandements seront plutôt des points de repère pour les directeurs et les VP qui doivent prendre des décisions alors que la technologie, les promesses et les pressions évoluent rapidement.

Je ne vous expliquerai pas comment rédiger le prompt parfait. Je veux plutôt aborder les questions qui commencent lorsque la démonstration se termine :

• Combien l’IA coûte-t-elle réellement?
• À quel rythme faut-il investir?
• Qui doit porter les initiatives?
• Quel rôle les TI devraient-elles jouer?
• Jusqu’où peut-on déléguer à un agent?
• Quels gestionnaires réussiront à travailler avec l’IA?
• Comment résister aux promesses des fournisseurs?
• Et surtout, où l’IA améliore-t-elle réellement la mission de l’entreprise?

Fort de plus de 25 ans d’expérience, je distinguerai autant que possible ce que j’ai observé, ce que j’en conclus et ce qui demeure encore une hypothèse.

Je parlerai des possibilités, mais aussi des coûts cachés, des dépendances, des limites et des échecs. Je ne chercherai ni à célébrer l’IA ni à la discréditer.

Six mois d’immersion ne permettent pas de prédire l’avenir. Ils m’ont toutefois appris qu’entre l’inaction prudente et la course aveugle se trouve un espace beaucoup plus exigeant : celui de l’expérimentation disciplinée.

Dans votre organisation, l’IA est-elle encore quelque chose que vous essayez, ou est-elle déjà devenue une capacité dont un dirigeant accepte d’assumer la responsabilité?