On demande aujourd’hui aux gestionnaires une drôle de chose : avancer dans un avenir qu’ils ne peuvent plus vraiment prévoir. Personne ne sait exactement ce que l’IA fera à son métier dans trois ans, quels outils domineront le marché, quelles tâches seront automatisées ou quelles nouvelles habitudes vont s’installer dans les équipes. Curieusement, beaucoup de dirigeants vivent plutôt bien avec ça : ils savent qu’une partie de leur rôle consiste justement à décider avec des informations incomplètes. Le problème commence lorsqu’ils rentrent dans leur organisation. Autour d’eux, tout continue de fonctionner comme si l’avenir devait être prévisible.
Imaginez la scène. Une direction veut expérimenter l'IA pour accélérer le traitement de certains dossiers. Les finances demandent le rendement sur investissement à trois ans. Les TI exigent l’architecture finale. Les achats réclament un cahier des charges précis avant de choisir un fournisseur. Le juridique veut connaître le taux d’erreur exact. Les RH demandent quelles tâches vont disparaître. Et le comité de direction souhaite évidemment connaître la date de déploiement.
Toutes ces questions sont parfaitement légitimes. Sauf qu’à ce stade du projet, personne ne possède encore les réponses. Et c’est précisément pour les trouver qu’on voulait faire l’expérience.
Deux machines qui ne tournent pas à la même vitesse
En 1991, le chercheur James March a posé des mots simples sur ce blocage. Selon lui, les organisations doivent constamment arbitrer entre deux activités : l’exploitation, qui consiste à perfectionner ce qu’elles savent déjà faire, et l’exploration, qui consiste à chercher quelque chose dont elles ne connaissent pas encore le résultat. L’exploitation adore les objectifs, les procédures, les prévisions et les indicateurs. L’exploration, elle, avance par essais, erreurs et découvertes. March montre surtout que les organisations ont une tendance naturelle à favoriser la première : ses bénéfices sont plus rapides à mesurer et beaucoup plus faciles à défendre dans un tableau Excel.
C’est là que l’IA bouleverse le jeu. Elle débarque dans des structures qui ont passé des décennies à réduire l’incertitude. Un budget sert à prévoir les dépenses. Un processus d’approvisionnement sert à comparer des solutions définies à l’avance. Une politique sert à uniformiser les comportements. Un plan stratégique sert à fixer une destination. Un indicateur de performance sert à vérifier qu’on s’y rend.
Tout ce système est extrêmement efficace lorsque le problème est connu. Mais lorsqu’on ignore encore ce qu’on cherche, ces mêmes outils ralentissent l’apprentissage au lieu de le sécuriser.
Les chercheurs Rita McGrath et Ian MacMillan ont observé le même phénomène dans les projets d’innovation. Leur concept de Discovery-Driven Planning part d’un constat évident : on ne devrait pas gérer une activité nouvelle avec les outils d’une activité qu’on maîtrise depuis vingt ans. Plutôt que de fabriquer une prévision détaillée avec des données qu’on ne possède pas, ils proposent d’identifier explicitement les hypothèses, puis de construire le projet pour les vérifier progressivement. Le plan ne sert plus à annoncer ce qui va arriver : il sert à découvrir ce qu’on ignore encore.
L’IA arrive exactement au mauvais endroit
Les données récentes illustrent bien ce décalage :
- L'écart d'échelle : Dans son enquête mondiale publiée en 2025, McKinsey indique que 88 % des répondants utilisent déjà l’IA dans au moins une fonction. Pourtant, près des deux tiers n’ont toujours pas commencé à la déployer réellement à l’échelle de leur entreprise.
- Le mur de la production : Gartner arrive au même constat : selon ses données de 2025, seulement 41 % des prototypes d’IA générative étudiés sont passés en production. Début 2026, le cabinet estimait qu’au moins la moitié des projets avaient été abandonnés après leur preuve de concept (problèmes de données, de coûts, de gestion du risque ou valeur difficile à démontrer).
On pourrait conclure que l’IA ne fonctionne pas si bien que ça. Ce serait aller trop vite. Une grande partie du problème vient de la façon dont on lui demande de faire ses preuves. Une technologie encore mouvante arrive devant un système de décision conçu pour acheter une photocopieuse : combien ça coûte, combien ça rapporte, combien de temps ça dure, qui garantit le résultat et quand pourra-t-on fermer le dossier ?
Quand aucune réponse n’est solide, on lance un petit pilote. Le pilote fonctionne plutôt bien, mais pas assez pour répondre aux grandes questions initiales. Alors on en lance un deuxième, puis un troisième. Bienvenue dans le pilot purgatory.
Arrêter de demander au flou de devenir clair
Le problème n’est pas de choisir entre le chaos et le contrôle. Une organisation ne peut pas laisser chacun brancher n’importe quelle IA sur ses données clients. En revanche, elle peut décider où elle exige de la certitude.
1. Aux finances : budgéter le coût de l'information
Demander le ROI précis d’un assistant IA avant même que les employés aient appris à s’en servir n’a pas de sens. On peut en revanche être d'une rigueur absolue sur le coût de l’expérimentation : huit semaines, vingt employés, un budget maximal de 25 000 dollars, trois tâches testées et quatre mesures précises (temps gagné, qualité, erreurs, satisfaction). Au bout de huit semaines, on décide si on arrête, si on pivote ou si on investit. On ne connaît toujours pas le ROI à trois ans, mais on sait exactement combien coûte la prochaine information dont on a besoin.
2. Au juridique : calibrer le niveau de risque
Demander qu’une IA ne commette jamais d’erreur revient à lui imposer un standard qu’on n’applique pas aux humains. Il est plus utile de classifier les conséquences d’une erreur : résumer un document interne ne comporte pas le même risque que refuser une réclamation d’assurance ou répondre à un citoyen. Plus la décision est difficile à renverser, plus le niveau de contrôle doit monter. McKinsey observe d'ailleurs que certaines organisations font vérifier tous les contenus produits par l’IA par un humain, quand d’autres n’en vérifient qu’une fraction. Il n’y a pas une réponse unique, mais des niveaux de risque qui appellent des réponses adaptées.
3. À la direction : distinguer les types de portes
Amazon utilise une grille d'analyse parlante : les portes à sens unique et les portes à double sens.
- Porte à sens unique : Une décision difficile ou impossible à renverser mérite du temps, des analyses et beaucoup de prudence.
- Porte à double sens : Une décision facilement réversible devrait pouvoir être prise rapidement, souvent directement par l’équipe concernée.
Le problème apparaît lorsque l’entreprise traite toutes ses décisions comme si elles étaient irréversibles. Appliqué à l’IA, le principe est limpide : tester pendant un mois un outil de transcription avec dix employés est une porte à double sens. Autoriser une IA à prendre seule des décisions d'octroi de crédit est une porte à sens unique. Ces deux projets ne doivent pas emprunter le même circuit d’approbation.
Rendre l’expérience prévisible
Voilà la réconciliation : nous n’avons pas besoin de rendre l’avenir prévisible, nous devons rendre notre façon de l’explorer prévisible.
Une organisation peut parfaitement déclarer : « Nous ne savons pas si cet outil fonctionnera, mais nous savons exactement pourquoi nous le testons. Nous savons qui participe, quelles données sont autorisées, combien l'essai va coûter, ce que nous allons mesurer, dans quelles conditions nous arrêterons et à quelle date nous prendrons la suite des décisions. »
Le flou devient immédiatement moins menaçant. On ne promet plus un résultat incertain : on promet une méthode rigoureuse pour apprendre. Cela permet aux fonctions de contrôle de jouer leur rôle sans obliger les équipes d’innovation à inventer de fausses certitudes.
Cette logique peut s'intégrer directement dans vos processus opérationnels :
- Finances : Remplacez une partie du business case par une liste d’hypothèses à vérifier.
- Achats : Autorisez des contrats courts avec clause de sortie plutôt que de chercher le fournisseur des cinq prochaines années.
- TI : Définissez un environnement sécurisé (sandbox) où des essais sont menés sans reconcevoir toute l'architecture de l'entreprise.
- RH : Établissez trois zones d’usage clair (permis, permis avec précautions, interdit) plutôt d'attendre la politique globale parfaite.
- Comité de direction : Demandez systématiquement : « Cette décision est-elle réellement une porte à sens unique ? »
Le courage de dire « on ne sait pas encore »
Il reste un enjeu culturel. Dans beaucoup d’organisations, un gestionnaire qui dit « je ne sais pas » donne l’impression de ne pas avoir travaillé. On fabrique donc une prévision, trois scénarios, une courbe ascendante et une estimation de rendement à cinq ans. Tout le monde sait que ces chiffres reposent sur du sable, mais ils permettent au dossier de rentrer dans les cases.
Avec l’IA, ce compromis ne tient plus. Les modèles évoluent, les coûts changent, les usages se découvrent sur le terrain et les équipes inventent des applications imprévues. L’incertitude n’est pas un défaut temporaire du projet : elle en est la nature même.
Les entrepreneurs, les scientifiques, les designers et les équipes de R&D savent déjà travailler ainsi. Ils ne confondent pas absence de certitude et absence de méthode. Ils avancent avec une hypothèse, un test, une mesure, puis une décision.
La maturité ne consiste pas à avoir réponse à tout avant de démarrer. Elle consiste à savoir exactement comment avancer quand personne n’a encore la réponse. On ne combat pas l’incertitude : on déplace la certitude du résultat vers la rigueur de la méthode.
.avif)