Le dilemme du dirigeant diligent

Le paradoxe de l'adoption

Introduction : le malentendu

À rédiger, environ 400 mots.

9 sur 10 organisations déclarent utiliser l'IA régulièrement, selon l'enquête mondiale de McKinsey. Un chiffre déclaratif, à lire comme tel.

• Et pourtant presque aucune n'en voit l'effet dans son compte de résultat.
• Le paysage industriel suit partout le même schéma : large d'un kilomètre, profond d'un centimètre. Partout un peu, nulle part vraiment.
• La question n'est donc plus faut-il adopter l'IA, mais à quel endroit de la chaîne de valeur l'appliquer. C'est un problème de point d'application, pas de budget ni de conviction.
• Il y a en réalité deux courses. Les États-Unis et la Chine se disputent les modèles de pointe ; l'Europe est distancée et ne comblera pas cet écart de sitôt. La seconde course est celle de l'adoption : la façon dont l'IA s'applique à de vrais problèmes d'entreprise et transforme leur organisation. Celle-là, l'Europe peut la gagner, et elle se joue dans ses PME et ETI.
• Le dilemme du dirigeant diligent : face à l'IA, les réflexes de la bonne gestion (attendre un ROI prouvé, limiter le risque, garder le contrôle, choisir des solutions éprouvées) sont précisément ceux qui font échouer. Le dirigeant n'échoue pas malgré sa diligence, mais à cause d'elle.
• Filiation : Clayton Christensen, The Innovator's Dilemma (1997). Des entreprises bien gérées échouent non par négligence, mais parce qu'elles font ce que la bonne gestion recommande.

À valider : jusqu'où se référer à Christensen.

• Thèse : la valeur ne se trouve ni dans le modèle, ni dans la solution standard du marché, mais dans le dernier kilomètre, la partie propre à chaque entreprise, longtemps réservée à celles qui pouvaient se payer du logiciel sur mesure. Ceux qui connaissent le mieux ce dernier kilomètre sont ceux qui le parcourent chaque jour.
• Deuxième thèse, annoncée d'emblée : centraliser le socle, décentraliser la construction. La bonne adoption suppose un socle commun (la donnée et le harnais) sur lequel les collaborateurs construisent eux-mêmes leurs outils. La réorganisation n'est pas un préalable : elle naît des contraintes que créent les nouveaux usages, à condition que l'organisation s'y prête.
• Troisième thèse, sociétale : cette transformation ne se joue pas seulement dans les comptes des entreprises. Elle change la forme des organisations, ferme la porte d'entrée du marché du travail et pose deux questions auxquelles personne ne répond encore : qui formera ceux que les entreprises ne formeront plus, et qui formera les profils hybrides dont elles ont désormais besoin ?
• Cadre assumé : cette note ne promet ni intelligence artificielle générale (AGI) ni revenu universel. Elle décrit un scénario plus banal et plus proche : des entreprises plus légères qui traitent beaucoup plus de problèmes à coût constant, et voient monter leur chiffre d'affaires par salarié et leur EBITDA.

Un kilomètre de large, un centimètre de profond

À rédiger, environ 850 mots.

• Le chiffre d'adoption massive contre la réalité du terrain : usage réel n'est pas transformation.
• Ce que font ceux qui réussissent : ils investissent nettement plus dans l'infrastructure de données (souvent plus de 20 % de leur budget numérique) ; ils ont dépassé le stade des cas d'usage isolés pour repenser les processus opérationnels eux-mêmes (voir les deux temps de la transformation : la refonte des processus naît des usages, elle n'est pas décrétée d'emblée) ; ils privilégient des capacités « agentiques », des systèmes qui décident et agissent, pas seulement qui répondent.
• Ce que font les retardataires : un cycle d'optimisation locale. L'IA est déployée sur des tâches à faible valeur, sans jamais toucher aux contraintes systémiques sous-jacentes.
• Ce ne sont pas des dirigeants négligents : ils ont distribué des licences, lancé des preuves de concept, nommé un responsable IA. Ils ont été diligents. C'est la première trace du dilemme.
• Inventaire de ce qui se fait réellement aujourd'hui : licences distribuées à tous, copilotes, chatbot interne, rédaction, comptes rendus de réunion, preuves de concept isolées. Des gains individuels réels mais non mesurables, aucun effet agrégé sur le compte de résultat.
• Distribuer des licences n'est pas l'erreur : c'est une première étape nécessaire pour habituer les équipes aux outils. L'erreur est de s'arrêter là. Sans donnée partagée ni capitalisation des outils construits, les usages individuels ne s'additionnent pas.
• Puis, en miroir, ce qui se fait de mieux aujourd'hui, délibérément placé haut pour rendre l'écart visible.
• Le point qui fait mal : ces deux populations ne sont pas sur des marchés séparés, elles se concurrencent directement.

L'IA comme récit boursier

• Depuis 2023, l'IA est devenue le premier motif déclaré de suppressions de postes aux États-Unis. Or les vérifications ne suivent pas.

14 000 suppressions de postes annoncées par Amazon fin octobre 2025, dans un cadrage technologique.

« Pas vraiment financières, ni même vraiment liées à l'IA : c'est une question de culture. »

Citation : traduction, date et source exactes à vérifier dans l'annexe.

• Les effectifs des grands groupes se sont depuis reconstitués : Alphabet comptait fin 2025 plus de salariés qu'avant les licenciements de 2023 ; Meta a crû de 6 % sur l'année. Ni le Budget Lab de Yale ni Brookings ne détectent, au niveau agrégé, de déformation de l'emploi imputable à l'IA.
• Ce que cela dit au dirigeant : une partie de ce qui se présente comme une transformation par l'IA est un récit adressé aux marchés.
• Ironie de l'affaire, ce récit ne fonctionne même pas : les travaux disponibles sur les annonces conjointes « investissement IA + réduction d'effectifs » ne trouvent pas de prime boursière, et une enquête auprès de dirigeants de grandes entreprises montre que celles qui ont le plus coupé n'affichent pas de meilleurs résultats que les autres. Le vrai sujet est ailleurs. (Sources précises dans l'annexe.)
• Pourquoi l'effet réel de l'IA sur l'emploi reste invisible dans ces agrégats : il est concentré sur une seule cohorte, celle des entrants, et il passe par le gel des embauches et non par les licenciements. C'est le fil que reprend la section De la pyramide au cylindre.

• Pourquoi l'optimisation locale ne s'additionne pas : elle ne touche pas le goulot d'étranglement, elle le contourne.
• Transition : si le problème n'est pas l'accès au modèle, c'est que le modèle seul ne suffit pas.

Le malentendu technique

Le LLM n'est qu'un moteur : la question du harnais

À rédiger, environ 950 mots. Terminologie à trancher : « harnais » parlera-t-il à un dirigeant français ? Options : filer l'analogie et dire « châssis », ou passer à « couche d'orchestration ».

• Un LLM est une machine généraliste : il produit une grande quantité de contenu général, plausible, de faible valeur sur un cas précis. Ni à l'échelle d'un secteur ni à celle d'une entreprise, un LLM seul ne résout un problème pour lequel un client accepterait de payer.

• Ce qu'est le harnais : la couche qui donne au modèle des outils, l'accès aux systèmes de l'entreprise, et une méthode : formuler une hypothèse, la confronter aux données, agir, recommencer jusqu'à atteindre l'objectif.
• Pourquoi c'est la pièce maîtresse : c'est là que se logent le contrôle, les droits d'accès, la traçabilité, les garde-fous, la reproductibilité. Sans harnais, on ne peut pas se fier au résultat produit ; avec lui, on peut le vérifier. Diriger le modèle, c'est diriger le harnais.
• Ce que le harnais et le data lake garantissent ensemble :
  • gouvernance des données : une seule source de vérité, des définitions partagées ;
  • traçabilité : qui a construit quoi, sur quelle donnée, avec quel résultat ;
  • droits d'accès et sécurité : chacun voit ce qu'il a le droit de voir ;
  • conformité : RGPD, AI Act, exigences sectorielles ;
  • reproductibilité : exigence forte pour les processus critiques, accès pragmatique pour le reste ;
  • capitalisation : les outils vivent sur le socle, pas sur le poste d'une personne ;
  • indépendance vis-à-vis du modèle : on change de LLM sans rien reconstruire.
• Le harnais n'est pas une condition préalable à tout usage de l'IA. C'est lui qui permet à des dizaines de collaborateurs de construire sur la donnée de l'entreprise sans la mettre en danger.
• Corollaire stratégique : le modèle est un composant qui se banalise, progresse et se remplace tous les six mois. Le harnais, la donnée et les processus sont ce que l'entreprise possède réellement : c'est là qu'il faut investir, pas dans le choix du modèle.
• Conséquence pour l'Europe : si le modèle se banalise, l'absence de modèles de pointe européens pèse moins lourd. Ce qui fait la différence (harnais, donnée, processus) se construit dans chaque entreprise, et l'indépendance vis-à-vis du modèle limite la dépendance aux fournisseurs américains et chinois.
• C'est ce qui permet à chacun de tailler l'IA sur mesure pour les problèmes propres à son équipe, réels et non génériques.

La chute du coût du logiciel sur mesure

À rédiger, environ 750 mots.

• L'élément déclencheur : le coût de production et de maintenance du code tend vers zéro. Changement de régime, pas amélioration marginale.
• Avant : le logiciel sur mesure existait, mais réservé aux grandes entreprises prêtes à investir pour tracer et automatiser de grands processus.

À expliciter avec un exemple concret : ce que « tracer et automatiser un grand processus » veut dire (un flux de commande de bout en bout, un référentiel produit unique, un suivi de production).

• Deux voies seulement permettaient de systématiser puis d'internationaliser ses opérations : payer un grand cabinet, ou entretenir en interne des équipes entières dédiées à la stratégie et à l'automatisation. Les deux supposaient une taille que les PME et ETI n'ont pas.
• Pourquoi les plus petites en étaient exclues, en trois raisons : cela détournait leur attention de leur métier ; l'outil produit n'était applicable qu'à leur propre cas, donc non amortissable ailleurs ; surtout, le coût de maintenance était tel qu'aucun DSI sensé ne s'engageait dans du développement maison sur mesure.
• La solution de repli, celle de tout le monde : des progiciels dotés d'un « moteur » puissant et d'une couche de personnalisation par-dessus, SAP, Salesforce et leur écosystème de paramétrage. Personne ne construit son propre ERP ni son propre CRM ; en revanche chacun personnalise ses processus dans ces enveloppes pour coller à son métier.
• Ce qui change : construire un logiciel très spécifique devient rapide, et le maintenir devient économiquement tenable. Le calcul qui excluait les PME et ETI s'inverse.
• Ce que cela déplace pour le dirigeant : le sur-mesure n'est plus un pari technologique, c'est une décision d'allocation de ressources.
• Ce que cela déplace dans l'organisation : si construire ne coûte presque plus rien, construire n'est plus réservé à la DSI. Une part du sur-mesure passe dans les mains des métiers.
• Nuance à conserver : il ne s'agit pas de remplacer l'ERP, mais de traiter ce que l'ERP ne traitera jamais.

Le dernier kilomètre : là où la valeur se trouve

À rédiger, environ 900 mots.

• Définition : le dernier kilomètre, ce sont les besoins propres à l'entreprise, ses modes opératoires, ses exceptions, sa manière de travailler. Le socle est standard ; la valeur est dans ce qui ne l'est pas.
• Ce qui se passe quand on ne le traite pas : l'entreprise contourne, de deux façons. Soit elle déforme son fonctionnement pour entrer dans l'outil, soit elle pose une rustine : Excel parallèle, copier-coller, ressaisie, fichier partagé, décisions par messagerie. Le coût est invisible mais permanent : temps perdu, erreurs, dépendance à quelques personnes, absence de traçabilité, impossibilité de mesurer.

• Corollaire : il y a autant de cas d'usage que de problèmes dans l'organisation, et il en apparaît de nouveaux à mesure qu'elle grandit. Ce n'est pas un projet avec une date de fin, c'est une capacité permanente.
• Les deux gestes du dernier kilomètre : obtenir des réponses à partir de la donnée ; construire les outils internes par-dessus. Deux gestes désormais à la portée de collaborateurs qui ne sont pas développeurs.
• C'est aussi là que se trouvent les gains les plus accessibles à ce stade de l'adoption : dans l'exploitation de la donnée déjà présente.

Ce qu'il faut poser

Centraliser la donnée pour décentraliser son usage

À rédiger, environ 900 mots.

• Deux situations, une seule conséquence : la donnée n'est pas centralisée (ERP, logiciel qualité, CRM, logiciel d'entrepôt, fichiers métier), ou elle est centralisée mais illisible.
• Le coût caché : quand un dirigeant pose une question, la réponse est dans la donnée, mais l'obtenir coûte cher. Les grands groupes financent pour cela des directions entières de BI et d'analyse.
• Ce que l'IA change vraiment ici : elle met cette visibilité à la portée de chaque collaborateur, dans des entreprises qui ne peuvent pas s'offrir une équipe d'analystes. Plus largement, les LLM donnent à chacun un premier niveau d'expertise qu'il fallait jusqu'ici aller chercher ailleurs : data scientist, juriste, acheteur, ingénieur supply chain.
• Conséquence : dès que la donnée est réunie, n'importe quel collaborateur, même peu technique, peut lancer un chantier qui traverse plusieurs systèmes.
• La condition : centraliser. La normalisation, elle, se fait au fil des cas d'usage plutôt qu'en amont, puisque extraire et nettoyer du texte ou des documents ne coûte presque plus rien.
• Là où c'est plus dur, l'industrie : contrairement à la donnée nativement numérique qui a entraîné les LLM (texte, code, images), la donnée industrielle se présente massivement sous forme de séries temporelles, non structurée, dépourvue de contexte sémantique, et enfermée dans des silos propriétaires.

Exemple de désalignement à insérer, à choisir ensemble : horodatages et fuseaux, unités, référentiels articles et clients différents entre ERP et logiciel d'entrepôt, codes qualité maison, exports capteurs en PDF.

• Ce travail de normalisation demandait beaucoup de temps et d'experts. Il peut désormais être fortement accéléré, y compris par les métiers eux-mêmes : c'est ce qui rend la donnée enfin exploitable.
• Le socle : un data lake alimenté et normalisé joue le rôle qu'Excel a joué pendant trente ans, la base sur laquelle chacun construit l'analyse et les outils du dernier kilomètre, la gouvernance en plus (voir la question du harnais).

Les deux temps de la transformation

À rédiger, environ 500 mots.

• Lever la contradiction apparente : on lit partout qu'il ne faut « rien changer » et, en même temps, que ceux qui réussissent sont ceux qui refondent leur infrastructure. Les deux sont vrais, mais pas au même moment.
• Premier temps : poser le socle et acculturer, en parallèle. On centralise la donnée et on installe le harnais ; dans le même temps, on montre aux collaborateurs ce que l'IA leur permet. Environ un tiers adopte vite et bien : ce sont eux qui construisent les premiers outils et décrochent les premiers gains mesurables. Aucune réorganisation n'est décrétée.
• Deuxième temps : la propagation. Les résultats convainquent ; les outils et les méthodes se diffusent d'équipe en équipe grâce au socle partagé. La refonte des processus et la redéfinition des rôles deviennent alors la réponse aux contraintes que ces usages font apparaître. C'est là que la valeur est la plus grande, et c'est ce que les études attribuent aux leaders.

• La condition : encore faut-il que l'organisation soit capable de changer. C'est ce que Robin Rivaton appelle la plasticité organisationnelle : des rôles qui peuvent évoluer, des salariés plus autonomes. Elle ne se décrète pas, elle se prépare.
• C'est aussi le point faible de la France, comme le souligne Robin Rivaton : l'autonomie au travail y est en retard. Gagner la course à l'adoption suppose de combler ce retard.

Citer le papier SSRN de Robin Rivaton (référence complète dans l'annexe).

• Pourquoi cet ordre et pas l'inverse : commencer par la réorganisation, c'est demander à des équipes de changer de métier avant d'avoir vu une seule preuve que ça marche. C'est le mode d'échec le plus fréquent, et le plus coûteux politiquement.
• Ce que le dirigeant doit retenir : promettre « aucun changement » est faux ; exiger une réorganisation d'emblée est suicidaire. C'est ici que se joue le dilemme : son rôle n'est pas de piloter la transformation d'en haut, mais de poser le socle, de soutenir ceux qui adoptent et de préparer l'organisation à changer là où les usages le demanderont.
• Conséquence sur la lecture du reste de la note : les exemples du dernier kilomètre et de la centralisation de la donnée relèvent du premier temps. Ce que cela change en décrit les conséquences une fois le second temps engagé.

Qui exécute : des FDE issus de l'entreprise

À rédiger, environ 800 mots. Terminologie à trancher : « ingénieur déployé chez le client » ne convient plus pour un profil interne. Garder FDE seul, défini à la première occurrence ?

• Le besoin, formulé simplement : repérer les points de friction dans le fonctionnement réel de l'entreprise, trouver les cas d'usage, construire un logiciel très personnalisé et maintenable, produire des résultats mesurables. Soit quatre gestes vérifiables : diagnostic des frictions, sélection des cas d'usage, construction maintenable, mesure de la valeur.
• Ce dont l'entreprise a besoin : à court terme, des leviers pour réduire le gaspillage et augmenter l'EBITDA en exploitant la donnée existante ; à moyen terme, une stratégie de croissance construite autour de la transformation IA. Ce sont les deux temps.
• D'où vient ce profil. Le rôle est né chez Palantir d'une impasse commerciale : des clients qui ne pouvaient ni rédiger de cahier des charges ni partager leurs données ont obligé l'éditeur à envoyer ses ingénieurs construire sur place. Il est aujourd'hui reconnu par tout le secteur.
• Le pivot : chez Palantir, le FDE vient de l'extérieur par nécessité. Dans une PME ou une ETI, le meilleur FDE vient de l'intérieur, parce que la ressource rare n'est pas la technique, c'est la connaissance du métier.
• Qui ils sont : le tiers de collaborateurs qui adopte vite et bien. Ils sont déjà dans l'entreprise.
• Ce dont ils ont besoin : du temps, un accès au socle, le soutien de la direction.
• Leur exigence : chaque projet se justifie par un KPI défini avant l'outil. L'initiative vient du terrain, l'exigence de résultat reste celle de l'entreprise.
• Comment leur travail se propage : leurs outils et leurs méthodes, capitalisés sur le socle, sont repris par les autres équipes.
• Ce qu'est un FDE : ni développeur, ni consultant, ni responsable produit. À la croisée des trois : le code, le produit, la stratégie.
• Ce qu'il ne produit pas : des présentations coûteuses et creuses. Ce qu'il produit : la chaîne complète. Comprendre le besoin métier, proposer une solution technique qui s'intègre à la stratégie d'ensemble (et non la solution techniquement idéale mais hors-sol), construire, déployer, itérer, former les équipes, garantir l'adoption. L'objectif, c'est l'indicateur qui bouge, pas le livrable remis.
• Le mécanisme du gain de vitesse, souvent mal compris : ce n'est pas que ce profil travaille plus vite, c'est que le socle technique existe déjà et qu'il ne prend en charge que le dernier kilomètre, qu'il connaît de l'intérieur. La coordination entre cinq rôles disparaît. Une personne avance là où il fallait une équipe de dix.
• Ce que ce modèle démocratise, et c'est l'idée centrale de cette note : le niveau de lisibilité de la donnée et d'outillage interne réservé jusqu'ici aux Fortune 500 devient accessible à des entreprises de 50 M€ de chiffre d'affaires. Elles n'ont pas besoin de recruter ces profils : elles peuvent les faire émerger. C'est précisément la population que la baisse du coût du logiciel sur mesure fait entrer dans le jeu.
• Point d'insistance : la technologie n'est pas le sujet. Le sujet est de comprendre le métier, puis de le systématiser. Un excellent ingénieur qui ne comprend pas le métier produira un outil inutile, plus vite.
• La limite : ces profils sont rares. Une partie d'entre eux est déjà dans l'entreprise, mais il faut les faire émerger, puis les former. C'est la question de la section Qui formera les profils hybrides ?

Le dilemme du dirigeant diligent

À rédiger, environ 500 mots. Registre : avertissement froid et documenté ; la section « Ce qu'il ne faut pas croire » viendra désamorcer la peur irrationnelle.

• Le mécanisme : dans un secteur donné, l'entreprise qui adopte la première un outil lui permettant de faire plusieurs fois moins cher et plusieurs fois plus vite finit par dominer sur la durée.
• Deux façons de perdre : être absorbée par un acteur plus gros qui a consolidé sa position, ou être dépassée par un concurrent de taille comparable devenu dominant sur le même marché.
• Première branche du dilemme, la prudence : attendre un ROI démontré, laisser le marché mûrir, acheter la solution standard quand elle existera. C'est raisonnable, et c'est fatal : l'érosion est lente et invisible, et quand la preuve arrive, le concurrent a plusieurs années d'avance.
• Deuxième branche, le contrôle : agir, mais comme on pilote tout grand projet (programme central, licences pour tous, preuves de concept validées d'en haut, réorganisation décidée par la direction). C'est raisonnable aussi, et cela produit le kilomètre de large et le centimètre de profond.
• Ce qui en fait un dilemme : les deux branches sont les réponses d'un bon gestionnaire. Aucune n'est une faute ; les deux mènent à l'échec.
• L'argument central : une entreprise saine et rentable, dirigée avec rigueur et qui a engagé une démarche IA, peut être disqualifiée malgré tout, parce que sa démarche était mal ciblée et celle de son concurrent bien ciblée. L'action ne protège pas ; seule la bonne action protège : le bon ciblage, porté par les bonnes personnes.
• Nature de la menace : une érosion lente de l'avantage concurrentiel, pas un effondrement visible. C'est ce qui la rend difficile à voir venir et facile à sous-estimer.

• La sortie du dilemme : redéfinir la diligence. Elle ne consiste plus à contrôler chaque initiative, mais à poser le socle, à exiger un KPI et à laisser construire ceux qui connaissent le métier (voir les deux temps et qui exécute).

Ce que cela change

Les 10 % qui deviennent 90 %

À rédiger, environ 600 mots.

• L'ancienne répartition d'une journée : environ 90 % de tâches simples, de coordination et de mise en forme ; environ 10 % de réflexion profonde, de créativité et de mise en cohérence à long terme.
• Le basculement : l'IA absorbe le premier bloc, le second devient l'essentiel du travail. Le travail qui reste est plus dense, plus difficile, et il exige davantage de jugement.
• Le premier niveau d'expertise que donnent les LLM ne remplace pas le jugement de l'expert. C'est précisément ce qui fait les 10 %.
• Le cadrage retenu : il ne s'agit pas de « faire la même chose avec moins », mais de traiter beaucoup plus de problèmes à coût constant. Conséquence mesurable : le chiffre d'affaires par salarié monte.

19 234 miles entre deux interventions humaines pour le meilleur système au monde, en Californie, sur l'exercice 2025.

84 millions de miles parcourus en moyenne par un conducteur humain entre deux accidents mortels (NHTSA, données 2024).

275 millions de miles sans le moindre incident : ce qu'il faudrait, selon la RAND Corporation, pour seulement démontrer statistiquement l'équivalence avec un humain. Waymo en a parcouru 220,6 millions sans conducteur. Il en faudrait 8,8 milliards pour prouver un gain de 20 %.

• Tant que cette preuve n'est pas faite, la responsabilité du cas rare reste humaine, au volant comme en entreprise. C'est la définition même des 10 %.
• Bouclage : automatiser progressivement les 90 % de tâches répétitives, laisser les équipes sur les goulots d'étranglement, répéter le cycle. À coût constant, l'entreprise traite plus de problèmes : son chiffre d'affaires monte sans que ses effectifs montent.

De la pyramide au cylindre : l'effet sur le marché du travail

À rédiger, environ 900 mots. La cause principale (l'entreprise se trompe moins) est le point le plus original de la note : à développer sérieusement.

• Le modèle historique : beaucoup d'entrants sur des tâches subalternes ; on repère ceux qui ont du potentiel, on les promeut ; répété au fil des années, ce processus donne à l'organisation une forme de pyramide.
• Deux causes au changement de forme, dont une plus importante que l'autre.
  1. Cause visible : les tâches juniors et de bas niveau deviennent plus simples, voire automatisées. La base se rétrécit mécaniquement.
  2. Cause principale, et moins évidente : l'accès efficace à la donnée permet de prendre les bonnes décisions stratégiques à grande échelle. Ce n'est plus une poignée de dirigeants qui arbitrent bien sur quelques sujets par an, ce sont des centaines de décisions correctement informées, partout dans l'entreprise. L'organisation devient plus efficace non parce qu'elle a moins de monde, mais parce qu'elle se trompe moins souvent, et une entreprise qui se trompe moins a besoin de beaucoup moins de personnes pour rattraper ses erreurs. C'est aussi le point de convergence avec la plasticité organisationnelle : des décisions bien informées partout dans l'entreprise supposent un accès décentralisé à l'information.
• La chaîne causale, à dérouler d'un seul tenant : les meilleurs profils vont, comme toujours, aux meilleures organisations ; les meilleures organisations seront celles qui exploitent le mieux l'IA ; et parce qu'elles l'exploitent bien, elles ont besoin de beaucoup moins de monde à la base, pour deux raisons cumulées : les tâches simples sont automatisées, et surtout l'entreprise se trompe moins, donc elle n'a plus à financer les strates qui existaient pour rattraper ses erreurs. La base se rétrécit, l'effet se répercute étage par étage jusqu'au sommet. La forme obtenue ressemble davantage à un cylindre.

• Contrepartie : la vitesse de passage d'un niveau au suivant augmente très fortement, parce que le travail d'automatisation et de systématisation ne s'arrête jamais. Tout devra aller plus vite.
• Conséquence sur le recrutement : le filtre d'entrée devient très dur ; c'est le prix à payer pour tenir le coût constant tout en traitant beaucoup plus.

13 % de retard d'emploi pour les 22-25 ans dans les métiers exposés à l'IA, selon les données de paie américaines analysées par le Digital Economy Lab de Stanford. L'ajustement passe par le gel des embauches, non par les licenciements.

• Ce n'est pas une projection. Ce chiffre confirme à la fois le constat de départ (les plans sociaux ne sont pas le bon indicateur) et cette section-ci (c'est la base de la pyramide qui se ferme).
• Le problème collectif : autrefois, celui qui n'était pas promu avait tout de même été formé et pouvait apporter de la valeur ailleurs. Dans le nouveau régime, les entrants ne sont jamais formés.

• Ce que cela dit au dirigeant : la formation cesse d'être un sujet RH pour devenir un sujet stratégique et, au-delà de l'entreprise, un sujet de société.

Qui formera les profils hybrides ? Un débat à ouvrir

À rédiger, environ 500 mots.

• Le constat : ces profils sont rares, et l'avancée de l'IA les rend indispensables. Une partie existe déjà dans les entreprises ; encore faut-il les faire émerger et les former.
• Aujourd'hui, ils se forment essentiellement chez quelques éditeurs. Une source étroite, qui ne s'inscrit dans aucun projet collectif.

• Le rôle des leaders d'opinion : ouvrir maintenant le débat sur la façon de former ces profils, avant que le marché du travail ne tranche seul et brutalement.
• Questions laissées au lecteur : quel rôle pour les écoles, la formation continue, le financement public ? Et comment ce chantier rejoint-il celui des entrants (voir De la pyramide au cylindre) ?

Nos conclusions

Ce qu'il ne faut pas croire

À rédiger, environ 300 mots. Ton à calibrer sur l'AGI : jusqu'où assumer la charge ?

• Il n'y aura pas d'AGI à court terme. Le discours inverse relève largement d'un argumentaire de levée de fonds des laboratoires d'IA.
• Il n'y aura pas non plus de revenu universel prochainement au motif que le travail humain serait devenu inutile.
• Il ne faut pas croire non plus que la partie est perdue faute de modèle européen de pointe. Pour les entreprises, la course décisive est celle de l'adoption.
• Le scénario le plus probable est moins spectaculaire : des entreprises plus légères et plus efficaces, qui résolvent davantage de problèmes à moindre coût.
• Pourquoi cette position compte pour un dirigeant : elle fait sortir la décision du registre de la peur pour la ramener dans celui de l'allocation de capital.

En pratique

À rédiger, environ 400 mots.

• Retour au dilemme : la diligence ne disparaît pas, elle change d'objet. Le dirigeant diligent de l'IA ne contrôle plus chaque initiative : il pose le socle, exige un KPI et laisse construire.
• La chaîne complète :
  1. rassembler la donnée existante ;
  2. poser un harnais robuste ;
  3. acculturer les équipes ;
  4. laisser les porteurs construire leurs outils, KPI à l'appui ;
  5. décrocher les premiers gains ;
  6. propager outils et méthodes ;
  7. réorganiser là où les contraintes l'exigent, si l'organisation s'y prête ;
  8. répéter.
• Le résultat visé : une entreprise qui passe à l'échelle sans frottement parce que ses outils sont utilisables par tous, et qui dépend beaucoup moins de quelques experts irremplaçables.

Grille : les critères viennent du plan ; la formulation des deux colonnes est une proposition, à valider.

• L'enjeu dépasse chaque entreprise : c'est dans ses PME et ETI que l'Europe gagnera ou perdra la course à l'adoption.

• C'est le prix sociétal de cette transformation, et il se décide maintenant.