Taille
Ratio
Poids
Format
Taille
Ratio
Poids
Format
Midjourney + Gaëtan Namouric
Consulter la charte et les crédits photo
Prenez une équipe qui veut tester l’IA pour traiter ses dossiers plus rapidement, plus efficacement… Très vite, les demandes s’accumulent : les finances veulent voir le retour sur investissement à trois ans, les TI réclament l’architecture finale, les achats attendent un cahier des charges précis, le juridique exige d'avoir les réponses sur la confidentialité des données et la responsabilité en cas d'erreur, les RH s'inquiètent des tâches qui vont disparaître, et la direction aimerait bien une date de lancement. Tant qu'à faire.
Le pire, c’est que toutes ces questions sont super légitimes! Les finances font leur travail — veiller au budget, les TI font aussi leur travail — garantir la sécurité, l’efficacité, la performance, le juridique fait encore aussi son travail — protéger tout le monde… Sauf qu’à ce stade, s’ils ont de bonnes questions, nous, nous n’avons pas les réponses. C’est même pour aller chercher ces réponses qu’on voulait faire un test. Vous repartez donc penaud, votre dossier IA sous le bras… Vous aurez bien essayé, mais… c’est le statu quo qui aura gagné.
Bien évidemment, cette histoire est fictive, mais on l’a tous vécue, cette scène : une organisation peut vouloir apprendre tout en exigeant, pour donner le feu vert, qu’on sache déjà tout. L’IA se retrouve alors devant un processus de décision conçu pour acheter une photocopieuse : combien ça coûte, combien ça rapporte, combien de temps ça dure, et qui viendra réparer le machin qui a brisé le toner le mardi matin?
Deux machines, deux vitesses.
En 1991, James March mettait déjà le doigt sur une tension qui éclaire parfaitement ce blocage : celle entre exploitation et exploration.
L’exploitation, c’est perfectionner ce qu’on maîtrise déjà : produire, exécuter, optimiser, gagner en efficacité. L’exploration, c’est tout l’inverse : chercher, tester, découvrir l’inconnu. Forcément, les deux se disputent le même temps et le même argent, mais avec une prime nette à l’exploitation. Ses retombées sont concrètes, rapides et faciles à mesurer. Quand on optimise un processus existant, le gain se voit tout de suite. Quand on explore une nouvelle façon de faire, on apprend parfois juste que la piste de départ était une impasse. Allez faire rentrer ça dans une case de tableau Excel, vous!
March prévient d'ailleurs du piège aux deux extrêmes. Trop explorer, c'est empiler des idées qu'on n'arrive jamais à concrétiser. Mais trop exploiter, c'est devenir imbattable sur une façon de faire dépassée, au risque de s'y enfermer. Bien avant l'arrivée des agents conversationnels, March parlait simplement de la façon dont les organisations apprennent. L’IA ne fait que remettre ce vieux tiraillement au goût du jour, avec un abonnement mensuel en prime.
Nos outils de gestion ne sont pas coupables pour autant. Un budget, ça évite les dérives, un appel d’offres, ça permet de comparer, un indicateur, ça aide à suivre un cap. Le vrai décalage arrive quand on demande à une expérience encore balbutiante le même niveau de certitude qu’à une routine déjà bien rodée.
La planification par la découverte
Dès 1995, Rita McGrath et Ian MacMillan ont proposé une issue à ce dilemme : le Discovery-Driven Planning, ou la planification par la découverte. L’idée est simple : au lieu de faire semblant de tout savoir d’avance, on part du résultat attendu pour que le projet vaille la peine, puis on remonte le fil des hypothèses qui doivent impérativement se vérifier pour y arriver. Ensuite, on avance par étapes, en validant chaque point avant d’engager un sou de plus.
Dans leur livre Discovery-Driven Growth, en 2009, ils racontent une anecdote très parlante sur IBM. À la fin des années 1990, un projet porteur d'avenir, pourtant validé quelques mois plus tôt, est brutalement coupé pour permettre à une division de boucler ses chiffres du trimestre. Furieux, Lou Gerstner creuse l'affaire. Le constat d'IBM est sans appel : les réflexes de gestion taillés pour le cœur de métier sont en train d'étouffer net les nouvelles pousses. L'avenir de l'entreprise restait à la merci des résultats des trois prochains mois.
Cette approche ne renonce pas à la rigueur économique, mais elle traite l'inconnu pour ce qu'il est : des hypothèses à tester sur le terrain. Face à un assistant IA, la bonne question n’est pas d’exiger un devis parfait, mais de définir les vrais critères : quel gain de temps justifierait l’abonnement? Quel seuil de qualité minimale doit-on conserver? Et combien de temps de repasse humaine tolère-t-on avant que le jeu n'en vaille plus la chandelle? On sait enfin quoi mesurer pendant le test. Parce qu'une démo flatteuse ne prouve rien : l'enjeu, c'est de voir ce qu'il reste vraiment du gain de temps une fois que le travail réel est bouclé.
Beaucoup d’IA, beaucoup de pilotes
L’enquête mondiale de McKinsey publiée fin 2025 illustre bien le grand écart : 88 % des répondants disent que leur organisation utilise régulièrement l’IA dans au moins une fonction, mais près des deux tiers indiquent qu’elle n’a toujours pas commencé à la déployer à l’échelle de l’entreprise. Les outils sont bien entrés par la porte ; leur intégration au quotidien, elle, avance à pas de tortue.
Même son de cloche chez Gartner : en moyenne, à peine 41 % des prototypes d’IA générative franchissent le cap de la production. Les indicateurs varient, mais le constat reste le même : il y a un gouffre entre tester un outil dans son coin et lui faire une vraie place dans l’organisation.
Les explications ne manquent pas. Elles sont parfois techniques, financières ou humaines — des données inexploitables restent inexploitables, peu importe la dose de bonne volonté qu'on y met. Mais le véritable piège est souvent ailleurs : que se passe-t-il quand un essai se termine sans que personne n'ait jamais précisé quelle décision il devait déclencher?
On lance un deuxième pilote. Puis un troisième. Les démos s'enchaînent, le projet fait la tournée des comités et les présentations PowerPoint prennent du volume. Bienvenue au purgatoire des pilotes. On y entre avec une idée neuve, on en ressort avec un comité de suivi. Et encore, les bons jours.
Un projet pilote et un mandat clair
Pour sortir du blocage, il ne faut pas moins de rigueur, mais une rigueur mieux placée. On ne peut pas prédire l'avenir, mais on peut très bien encadrer le test : une question simple, un budget limité et une vraie décision à la clé.
Magasiner une réponse
Oubliez le calcul de rentabilité sur trois ans. Donnez-vous plutôt un cadre net : deux mois, vingt personnes, trois tâches précises et un budget plafond qui inclut aussi le temps passé. Ensuite, chronométrez le travail réel, relecture comprise — une IA qui écrit en dix secondes mais demande quarante minutes de correction ne fait rien gagner. Dès le départ, fixez la règle du jeu : quel gain minimum justifie de continuer, et à quel moment on arrête tout? Au bout de deux mois, le responsable présente les résultats, et on tranche.
Mesurer le vrai risque.
Le juridique et l'informatique n'ont pas à tout bloquer : ils doivent regarder les conséquences réelles d'une erreur. Une coquille dans un brouillon interne n'a pas le même impact qu'une fausse information envoyée à un client. On teste sur des données sans risque, dans un coin isolé du réseau. Si on peut faire marche arrière, effacer les données et annuler l'abonnement en un clic sans faire de dégâts, il n'y a aucune raison d'attendre six mois pour autoriser le test.
Décider pour de vrai.
Les achats négocient un contrat court, les RH s'assurent que les équipes ont le temps d'apprendre, et la direction bloque tout de suite une date dans l'agenda pour faire le bilan. Surtout, abandonner doit rester une option normale. Un essai qui prouve rapidement qu'un outil ne sert à rien a parfaitement rempli sa mission.
Donc, au prochain comité de direction, si quelqu’un vous pose des questions sur la rentabilité de ce projet IA un peu flou… répondez : « On ne sait pas encore, et c’est pour ça qu’on teste. » C’est tout ce qu’il faut pour passer du réflexe d’achat d’une photocopieuse à une vraie façon d’apprendre.
Ce qu'il faut retenir
Exiger de connaître le résultat avant d’autoriser un essai d’IA, c’est une bonne façon de ne jamais le commencer. Une organisation a besoin d’optimiser ce qu’elle maîtrise, mais aussi d’explorer ce qu’elle ne connaît pas encore. Donnez donc à l’essai un mandat clair : une question à résoudre, un budget qui inclut le temps des équipes, des risques encadrés et une date pour trancher. Précisez les hypothèses à vérifier et le gain minimum qui justifierait de continuer. Une belle démo ne remplace pas l’épreuve du travail réel. Le gain se mesure sur le travail terminé, relecture comprise. À la fin, il faut décider : poursuivre, ajuster ou arrêter. Un essai qui élimine à temps une mauvaise piste a rempli sa mission.
Gaëtan est le fondateur de Perrier Jablonski. Créatif et stratège, il est aussi enseignant à HEC, à l’École des Dirigeants et à l'École des Dirigeants des Premières Nations. Il est membre du C.A. de l’École Nationale de l’Humour. Il est certifié par le MIT (Design Thinking, I.A.), il étudie l'histoire des sciences, la philosophie, et les processus créatifs. Il est l’auteur de deux essais et plus de 200 articles sur tous ces sujets.
Bibliographie et références de l'article
ARTICLE SCIENTIFIQUE · March, J. G. (1991). « Exploration and Exploitation in Organizational Learning ». Organization Science, 2(1), 71–87. Analyse la concurrence entre exploration et exploitation, leurs temporalités et les risques d’un déséquilibre durable.
ARTICLE DE GESTION · McGrath, R. G. et MacMillan, I. C. (1995). « Discovery-Driven Planning ». Harvard Business Review, juillet–août. Présente une planification qui explicite les hypothèses et organise leur vérification progressive.
LIVRE · McGrath, R. G. et MacMillan, I. C. (2009). Discovery-Driven Growth: A Breakthrough Process to Reduce Risk and Seize Opportunity. Harvard Business Press, 256 pages, ISBN 9781591396857. Développe la méthode et le rôle des étapes de décision. Le chapitre publié par les auteurs documente le cas IBM évoqué dans l’article.
LETTRE AUX ACTIONNAIRES · Bezos, J. (2016). Lettre aux actionnaires d’Amazon au titre de 2015. La page 5 du PDF distingue les décisions réversibles de celles qui le sont difficilement. Ce repère éclaire le circuit d’approbation de l’essai proposé dans l’article.
ENQUÊTE · McKinsey & Company, QuantumBlack (2025). The State of AI in 2025: Agents, Innovation, and Transformation. 5 novembre. Enquête menée auprès de 1 993 participants du 25 juin au 29 juillet 2025. Source des 88 % d’utilisation déclarée dans au moins une fonction et des près de deux tiers n’ayant pas commencé le déploiement à l’échelle de l’entreprise.
ANALYSE D’ENQUÊTE · Tamersoy, B. et Wang, D., Gartner (2025). AI Maturity Matters: Proportion of AI and GenAI Prototypes Making It Into Production. 12 juin. Le résumé public rapporte une moyenne de 41 % des prototypes d’IA générative passés en production, à partir de l’enquête 2024 Gartner AI Mandates for the Enterprise Survey. La recherche complète est réservée aux abonnés.
L'I.A. a pu contribuer à cet article. Voyez comment.
Nous utilisons souvent des outils d'intelligence artificielle, notamment des grands modèles de langage (LLM), pour soutenir nos recherches, structurer nos idées, améliorer nos textes et évaluer leur qualité.
Nous exploitons nos propres corpus documentaires et entraînons également des modèles sur nos contenus. Lorsque la confidentialité l'exige, nous privilégions des modèles exécutés localement.
Ces usages sont supervisés par l'auteur. Les sources, les analyses et les contenus publiés demeurent sous notre responsabilité éditoriale.
Tableau de bord
Cet article est final.
spellcheck
Cet article est en relecture.
rule
Cet article a été remis à Gaëtan
badge
Cet article est encore dans les mains de l'équipe.
psychology
Cet article est un projet.
psychology
Cet article n'a pas de statut!
I.A.
sell
Aucun sujet sélectionné!
subject
Il n'y a pas de teaser!
hdr_auto
Il n'ya a pas d'introduction!
copyright
Pas de légende d'illustration
Légende :
Midjourney + Gaëtan Namouric
Pour encadrer un essai d’IA, il faut définir une question, un budget incluant le temps des équipes, les risques acceptables et une date de décision. Dans « IA. Votre entreprise aurait-elle peur du flou?! », Gaëtan Namouric, de Perrier Jablonski, explique comment des exigences de certitude peuvent bloquer l’expérimentation. James March distingue exploitation et exploration ; la planification par la découverte de McGrath et MacMillan organise la vérification des hypothèses avant d’accroître l’investissement. Le cas IBM illustre la pression des résultats à court terme sur les nouvelles activités. Les enquêtes McKinsey et Gartner éclairent l’écart entre utilisation, essais et déploiement. Le bilan mesure le travail réellement économisé, relecture comprise, puis conduit à poursuivre, ajuster ou arrêter.
.avif)