Je ne sais ce que vous en pensez mais au fil des années la manière dont nous consommons de l’information sur le net est devenue a minima frustrante si ça n’est exaspérante.

Nous savons des gens sur des plateformes, des experts, des journalistes, des auteurs, des entrepreneurs, des pairs. Des personnes qui travaillent exactement sur les sujets qui nous intéressent et dont, en théorie, nous aimerions ne rien rater.

Et pourtant il m’arrive régulièrement de découvrir un article plusieurs semaines après sa publication, quasiment par hasard parce que quelqu’un me l’envoie, que l’auteur le republie ailleurs ou simplement parce que je tombe dessus en naviguant de manière plus ou moins aléatoires. Et je ne parle pas des articles que j’ai définitivement raté.

Cela ne serait pas un problème si c’était des exceptions, des accidents mais ça en est parce que c’est la norme et, pire encore, parce que le système est conçu pour fonctionner ainsi.

Sur LinkedIn par exemple, je peux suivre quelqu’un depuis des années, le connaitre personnellement et lui parler régulièrement, apprécier son travail, et ne quasiment jamais voir ses publications apparaître dans mon fil. Et la réciproque est également vraie et je ne compte pas les personnes avec qui je partage des centres d’intérêt et une certaine manière de voir les choses qui me disent ne jamais voir ce que j’écrit. A l’inverse, je vois régulièrement passer des contenus qui n’ont qu’un rapport très lointain avec mes centres d’intérêt ni avec ce que j’attend d’une plateforme dite professionnelle, simplement parce que l’algorithme a décidé que ce post allait « engager » (Ma nouvelle hygiène sur Linkedin).

Autrement dit, suivre quelqu’un ne veut plus dire lire ce qu’il publie.

Les plateformes nous ont vendu l’idée qu’il suffisait de suivre des personnes pour voir leurs contenus mais, dans les faits, ce que nous voyons dépend surtout de ce que l’algorithme décide de mettre en avant. Il optimise l’engagement, la viralité, la réaction mais en aucun cas la pertinence.

Résultat : nous consommons plus de contenu que jamais, mais nous ratons souvent celui qui nous intéresse vraiment.

Et c’est là que la chose devient un peu ironique…ou désespérante selon l’angle que vous choisirez. En effet, le problème que nous rencontrons aujourd’hui avait été résolu… il y a plus de vingt ans.

La solution s’appelait RSS (Really Simple Syndication).

En bref :

• La consommation d’information en ligne est devenue frustrante car les plateformes filtrent les contenus via des algorithmes, ce qui fait que suivre quelqu’un ne garantit plus de voir ses publications.
• Le RSS permettait autrefois de suivre directement les publications de sites ou de blogs dans un lecteur, sans algorithme ni filtrage, donnant ainsi au lecteur un contrôle total sur ses sources.
• Le RSS est progressivement tombé dans l’oubli avec l’essor des réseaux sociaux, qui ont semblé offrir un moyen plus simple de suivre des auteurs et des contenus.
• Les plateformes privilégient aujourd’hui les contenus générant de l’engagement et de la viralité, ce qui conduit à voir beaucoup de contenus peu pertinents tout en manquant des publications réellement intéressantes.
• Utiliser un lecteur RSS permet de centraliser des sources choisies, de ne rien manquer d’important et de lire dans un environnement plus calme, sans publicité ni interruption.

Quand internet fonctionnait encore avec des flux

Au début des années 2000, j’ai découvert quelque chose qui m’a immédiatement semblé génial. Si un blog ou un site m’intéressait, je pouvais simplement ajouter son flux RSS dans un lecteur. Et à partir de là, chaque nouvel article apparaissait automatiquement.

Nul besoin d’aller vérifier sur le site chaque jour si quelque chose avait été publié et pas besoin d’un algorithme pour faire le tri (en fait ils polluent mon fil d’actualité plus qu’autre chose) vu que par définition j’ai choisi mes sources..

Chaque nouvelle publication arrivait dans mon lecteur et peu importe que je suive 10, 50 ou 100 sites je ne ratais rien.

C’était simple. Trop simple me direz-vous.

En tout cas cela donnait au lecteur un contrôle total. On décidait qui suivre, et on voyait exactement ce qu’ils publiaient.

Aujourd’hui encore c’est comme cela que je consomme la quasi totalité des contenus qui m’intéressent vraiment car, à la surprise générale, je vous informe de 95% des articles de valeur a minima ne sont pas sur Linkedin. Je parle d’articles qui partagent une réflexion, qui apprennent quelque chose, qui font progresser et grandir, qui éveillent et pas d’une accumulation de punchlines qui assènent des pseudos vérités de manière quasi-narcissique dans l’optique non pas de vous apporter quelque chose mais qu’en retour vous apportiez quelque chose à l’auteur en devenant son client.

Lire la suite de l’article : Il faut sauver le soldat RSS

Dans le tumulte des transformations organisationnelles il existe une règle simple mais souvent négligée : l’autorité ne se mesure plus à l’aplomb avec lequel on affirme savoir, mais à la lucidité avec laquelle on reconnaît ce qu’on ignore (L’effet Dunning-Kruger : quand l’absence de maîtrise produit de la certitude). C’est dans ce contexte qu’une citation de Mary Barra, PDG de General Motors, nous invite à revisiter les fondamentaux du leadership à l’opposé des réflexes de contrôle, de posture et d’expertise feinte.

Il n’y a aucun mal à admettre ce que vous ne savez pas. Il n’y a aucun mal à demander de l’aide. Et il est tout à fait normal d’écouter les personnes que vous dirigez. En fait, c’est même essentiel. (Mary Barra)

Elle énonce trois principes qui dérangent encore certaines cultures managériales : admettre ses limites, demander de l’aide et, surtout, écouter ceux que l’on dirige. Ce n’est pas de la bienveillance mais tout simplement une approche lucide de l’intelligence collective.

Dans un monde du travail de plus en plus interconnecté, numérique et fragmenté, cette posture n’est plus seulement souhaitable mais devient vitale.

Analysons ensemble pourquoi.

En bref :

• Le leadership contemporain valorise la lucidité sur ses propres limites plutôt que la posture de maîtrise, en rupture avec les modèles autoritaires traditionnels.
• Mary Barra défend une approche managériale fondée sur trois principes : reconnaître ce qu’on ne sait pas, demander de l’aide et écouter ses équipes.
• Ces principes s’inscrivent dans une évolution des cultures professionnelles vers plus d’ouverture, de collaboration et d’intelligence collective.
• Dans un environnement de travail complexe et numérisé, ignorer les remontées du terrain ou refuser la vulnérabilité freine l’innovation et l’efficacité organisationnelle.
• Adopter un leadership humble et participatif devient une nécessité stratégique pour construire des organisations réactives et adaptées aux mutations en cours.

Qui est Mary Barra ?

Mary Barra est l’actuelle PDG de General Motors, poste qu’elle occupe depuis 2014. Première femme à diriger un grand constructeur automobile mondial, elle incarne un style de leadership à contre-courant des postures autoritaires historiquement dominantes dans l’industrie. Ingénieure de formation, elle a gravi les échelons en interne, en assumant des responsabilités à la fois techniques, managériales et stratégiques. Sa trajectoire symbolise l’émergence d’un nouveau type de dirigeant, ancré dans la réalité opérationnelle, capable de naviguer dans des environnements complexes et incertains, sans posture dominante.

Contexte de la citation

Cette citation illustre un tournant dans les représentations du leadership contemporain. Dans un monde du travail en mutation rapide (digitalisation, hybridation, crises systémiques, injonctions contradictoires) les modèles verticaux et omniscients peinent à s’adapter (La loi du HiPPO : quand l’opinion remplace la décision). Ce que Mary Barra dit ici c’est un plaidoyer pour un leadership humble, ouvert et collaboratif. Un style que de nombreux cadres expérimentés reconnaissent comme plus efficace (Améliorer le travail d’une équipe : histoire d’une amélioration continue) même si les cultures organisationnelles peinent encore à l’embrasser pleinement.

La déclaration s’inscrit également dans une mouvance nord-américaine d’ouverture à la vulnérabilité au travail, notamment popularisée par des figures comme Brené Brown qui, quoique minoritaire ou parfois limitée aux discours d’intention, n’en existe pas moins. Mais ici, l’enjeu n’est pas la psychologie individuelle du leader mais la qualité des dynamiques collectives qu’il facilite.

Explication de la citation

Barra déconstruit trois tabous encore bien ancrés dans le monde professionnel :

• « Il n’y a aucun mal à admettre ce que vous ne savez pas« 
  
  Le mythe du chef omniscient est non seulement obsolète mais il est contre-productif. Admettre ce qu’on ne sait pas, ce n’est pas renoncer à son autorité, c’est reconnaître la complexité des sujets traités et ouvrir la porte à l’intelligence collective .
  
• « Il n’y a aucun mal à demander de l’aide« 
  
  La demande d’aide est souvent perçue comme un aveu de faiblesse alors qu’elle est pourtant un levier de coopération et d’apprentissage. Dans les environnements cognitivement denses (où l’on résout des problèmes plus qu’on n’exécute des procédures), cette capacité devient critique.
  
• « Il est tout à fait normal d’écouter les personnes que vous dirigez« 
  La dernière partie est la plus stratégique : écouter les équipes n’est pas un « nice to have », c’est une condition de performance. Ceux qui sont au contact du terrain, des outils, des clients, détiennent des signaux faibles que le haut de la pyramide perçoit mal quand elle daigne les regarder (Connaissez vous l’iceberg de l’ignorance de Yoshida ou ce que le management refuse de voir). Il est illusoire de penser transformer une organisation et améliorer quoi que ce soit sans aller sur le terrain pour regarder et, surtout, écouter (L’open space n’est pas une usine mais parfois vous devriez le regarder ainsi).

Mise en perspective : pour les professionnels en quête d’organisations intelligentes

Pour quiconque s’intéresse à l’adoption des outils numériques, l’hybridation des lieux de travail, la surcharge informationnelle ou l’organisation des savoirs, cette citation doit trouver une résonance directe.

Lire la suite de l’article : « Il n’y a aucun mal à admettre ce que vous ne savez pas. Il n’y a aucun mal à demander de l’aide. Et il est tout à fait normal d’écouter les personnes que vous dirigez. En fait, c’est même essentiel. » (Mary Barra)

Il existe une idée rassurante selon laquelle une organisation qui documente bien son activité ne perd jamais vraiment ce qu’elle sait faire. Les procédures sont archivées, les plans sont stockés, les rapports sont accessibles, et l’on suppose que l’expertise pourra être réactivée le moment venu. Cette vision alimente aujourd’hui l’espoir que des jumeaux numériques et des assistants fondés sur l’IA puissent prolonger indéfiniment la mémoire d’un expert voire en préserver la substance.

Pourtant l’histoire récente montre que la conservation des traces ne garantit pas la conservation des capacités. Lorsque certaines agences ou industries ont tenté de reproduire des programmes anciens, elles ont découvert que les documents existaient toujours, mais que la maîtrise opérationnelle avait disparu avec les équipes, les routines et les environnements industriels qui la rendaient possible. Ce décalage entre information disponible et compétence mobilisable est au cœur de la question.

Peut-on alors maintenir une expertise par un jumeau numérique, ou ne fait-on que confondre archive et capacité d’agir ?

En bref :

• La conservation de documents ne garantit pas la préservation des compétences, car l’expertise repose aussi sur des pratiques, des routines et un contexte collectif qui ne se réduisent pas à des archives.
• L’idée qu’un jumeau numérique ou une IA puisse prolonger indéfiniment la mémoire d’un expert repose souvent sur une confusion entre information stockée et capacité réelle d’agir.
• Les solutions actuelles d’IA améliorent l’accès et la reformulation de contenus, mais peinent à reproduire le jugement, l’interprétation et la gestion de l’ambiguïté propres à l’expertise.
• Dans l’industrie, les jumeaux numériques évoluent grâce à des modèles formalisés et des données structurées, tandis que dans le travail du savoir, l’absence de formalisation des raisonnements limite fortement leur portée.
• La transmission de l’expertise dépend avant tout de mécanismes organisationnels et collectifs ; la technologie peut soutenir ce processus, mais ne remplace pas une démarche structurée de partage et d’apprentissage.

Le fantasme de la mémoire organisationnelle permanente

Dans beaucoup d’entreprises la question arrive trop tard, souvent au moment où l’on découvre que « la personne qui savait » est déjà sur le départ. On parle alors à parler de capitalisation et de continuité et l’idée d’un jumeau numérique appliqué au travail du savoir devient séduisante parce qu’elle semble promettre ce que l’organisation n’a pas su organiser, à savoir la conservation infinie la mémoire.

Le marché alimente naturellement bien sur ce récit. D’un côté, les jumeaux numériques industriels ont démontré qu’un modèle pouvait aider à comprendre un système, à anticiper certaines défaillances et à arbitrer sans toucher immédiatement à l’actif physique (Les jumeaux numériques : de quoi parle-t-on vraiment ?). De l’autre, l’IA générative donne l’impression qu’il suffit de « mettre les documents » dans un système pour qu’il réponde comme un senior (Le jumeau numérique à l’ère de l’IA : progrès ou illusion de progrès ?). Entre les deux, la tentation est forte de conclure qu’il existe une trajectoire simple : instrumenter l’activité, stocker, puis interroger, et l’expertise restera.

Le problème est que cette chaîne logique confond mémoire, information et compétence et cette confusion ne se corrige pas avec plus de stockage ou un meilleur chatbot. Les travaux de l’APQC sur la perte de connaissances liée aux départs (notamment dans le contexte de la « Great Retirement ») insistent justement sur un point : beaucoup d’organisations savent qu’elles perdent du savoir, mais elles n’ont pas de stratégie cohérente et continue de transfert, même quand des outils existent (The Great Retirement and Knowledge Loss et The Great Retirement: Knowledge Loss, AI and the Workforce Shift: Distribution/Transportation Industry). On ne comble pas une absence de pratique par une surcouche technologique.

Pour mémoire, dans les années 2000, la NASA a reconnu qu’elle ne pouvait pas simplement « refaire Apollo » non faute de plans, mais parce que les compétences opérationnelles et industrielles s’étaient dispersées avec les départs à la retraite. Les documents étaient là mais la capacité collective ne l’était plus. (Why We Can’t Return to the Moon: The Need for Knowledge Management)

Lire la suite de l’article : Quand l’expert part : peut-on vraiment maintenir une expertise par un jumeau numérique ?

Cela fait quelques jours qu’une étude sur l’IA agentique (Agents of Chaos) circule dans les réseaux sociaux et qu’elle soulève des réactions horrifiées chez les techno sceptiques aussi bien que des levées de boucliers chez les technologies prophètes mais il ne faut pas en attendre plus d’un monde qui ne sait plus penser que de manière binaire, transforme le sujet en une quasi guerre de religion et où la communication ne se fair plus que sur un mode péremptoire et lapidaire. Mais il est vrai que son nom lui-même n’était pas un appel à la modération ni à la prise de recul.

Cette étude décrit donc une série d’expériences menées avec des agents fondés sur des modèles de langage, capables non seulement de dialoguer mais aussi d’agir dans un environnement informatique réel.

Ces agents ont été déployés dans un cadre volontairement riche. Ils disposaient d’un accès à un shell, d’une mémoire persistante, de comptes email, d’un canal Discord, de la possibilité d’exécuter du code et même de modifier certaines de leurs propres instructions et, pendant deux semaines, une vingtaine de chercheurs ont tenté d’identifier des vulnérabilités dans ce système.

Le résultat est une série d’incidents qui peuvent en effet paraître inquiétants : agents exécutant des demandes émises par des non-propriétaires, divulgation indirecte d’informations sensibles, boucles de conversation consommant des ressources pendant plusieurs jours ou encore corruption progressive des règles qui gouvernent leur comportement.

Comme souvent avec ce type de travaux, le plus intéressant n’est pas seulement ce qu’ils montrent mais aussi et surtout ce qu’ils ne montrent pas.

Avant d’en tirer des conclusions forcément hâtives sur l’IA agentique cela vaut donc la peine de lire ce papier avec un peu de méthode. N’étant ni techno-sceptique ni techno-zélote mais plutot business-pragmatique je vais donc essayer de démystifier le sujet et voir quelles conclusions en tirer autre que « je vais pouvoir m’indigner sur les réseaux ».

En bref :

• L’étude « Agents of Chao » explore des agents basés sur des modèles de langage capables d’agir dans un environnement informatique réel (exécution de code, emails, fichiers, mémoire persistante), afin d’identifier leurs vulnérabilités.
• Les incidents observés incluent l’exécution de demandes non autorisées, la divulgation indirecte d’informations sensibles, des actions disproportionnées, des boucles de communication consommant des ressources et la modification durable des règles via la mémoire persistante.
• Ces résultats montrent que lorsque les modèles de langage deviennent des agents capables d’agir, les risques ne concernent plus seulement la production de texte erroné mais aussi l’impact direct sur l’état d’un système et la gestion de notions comme l’autorité ou la confidentialité.
• L’étude présente toutefois des limites : elle relève d’un exercice de « red teaming », ne mesure pas la fréquence réelle des incidents et repose sur un environnement expérimental volontairement très ouvert qui maximise les possibilités d’erreur.
• Elle suggère surtout que l’enjeu des agents d’IA dépasse la technique : leur déploiement soulève des questions d’organisation, de gouvernance et de cadre d’utilisation, liées aux conséquences concrètes de leurs actions dans les systèmes.

Les conclusions de l’étude

La première chose que cette étude met en évidence est assez simple : dès qu’un modèle de langage devient un agent capable d’agir dans un système, les risques changent de nature. Un chatbot qui se trompe produit un texte erroné, un agent peut modifier l’état d’un système etc.

Dans l’environnement mis en place par les auteurs, les agents pouvaient lire des emails, envoyer des messages, modifier des fichiers, exécuter des commandes ou interagir avec d’autres agents. Autrement dit, ils n’étaient plus seulement des générateurs de texte mais des acteurs opérationnels dans un environnement numérique.

Dans ce contexte, plusieurs types d’incidents ont donc eu lieu.

Lire la suite de l’article : « Agents of chaos » : quand les agents IA provoquent une tempête dans un verre d’eau

A mesure que l’intelligence artificielle progresse dans l’entreprise, la question n’est plus seulement celle des usages ou des outils, mais celle de la position des dirigeants. Je ne parle pas ici de leur opinion sur l’IA ni leur niveau de familiarité avec la technologie, mais la manière dont ils assument ou non les conséquences organisationnelles de son déploiement.

Dans les vagues technologiques précédentes, les dirigeants pouvaient en effet rester à distance relative. Le digital pouvait être confié à une direction dédiée ou la donnée à une fonction spécialisée, car ces sujets modifiaient l’entreprise, parfois profondément, mais ils pouvaient rester circonscrits. L’IA change la nature du problème parce qu’elle ne se contente pas d’améliorer des processus existants, mais s’insère dans la structure même de l’organisation.

En bref :

• L’enjeu de l’IA pour les dirigeants ne porte plus seulement sur les usages, mais sur leur capacité à assumer les conséquences organisationnelles de son déploiement.
• Contrairement aux vagues technologiques précédentes, l’IA s’insère dans la structure même de l’entreprise et ne peut être cantonnée à une fonction spécialisée.
• Deux postures dominent : une approche déclarative “AI First” centrée sur le signal stratégique, et une approche attentiste laissant les usages émerger sans arbitrage organisationnel explicite.
• Le véritable sujet concerne la gouvernance des systèmes humain–IA, la répartition du pouvoir décisionnel et l’alignement entre technologie et intention stratégique.
• Sans implication directe de la direction générale, l’IA reste périphérique ou finit par transformer l’organisation sans que ses choix structurants aient été assumés.

Entre enthousiasme et retrait

On observe aujourd’hui deux postures fréquentes chez les dirigeants. La première consiste à embrasser une approche AI First comme un signal stratégique fort, une manière d’affirmer que l’entreprise ne ratera pas le train. Cette posture produit des annonces, des feuilles de route, parfois des investissements massifs et, surtout, envoie un message clair au marché et aux équipes mais sans dire grand chose sur les choix organisationnels envisagés pour absorber les effets de l’IA.

La seconde posture est plus attentiste. Elle consiste à laisser les initiatives émerger localement, à encourager l’expérimentation, tout en évitant de formuler une position explicite sur la place de l’IA dans le fonctionnement global. Une approche qui limite les risques mais laisse progressivement la technologie structurer l’entreprise par accumulation d’usages, sans que les arbitrages organisationnels et managériaux aient été posés (Comment le management a laissé les systèmes penser à sa place).

Cette dérive qui la n’a rien d’exceptionnel et on sait déjà que les technologies numériques finissent souvent par redéfinir les modes de management à défaut de décision explicite en ce sens (La loi de Conway inversée : quand les organisations finissent par ressembler aux outils qu’elles adoptent).
L’IA ne fait qu’amplifier ce phénomène.

Dans les deux cas, la difficulté ne tient pas à la conviction personnelle des dirigeants, mais aux décisions qu’ils acceptent ou non de prendre. L’IA ne pose en effet pas seulement la question de l’investissement ou de la performance, mais celle de la répartition du pouvoir décisionnel, de la définition de la responsabilité et de la manière dont l’intention stratégique se traduit dans les opérations (Reprendre la main sur le design d’entreprise : l’intention avant les outils).

Reprendre la main sur l’intention

Depuis plusieurs articles j’insiste sur le fait que le risque n’est pas que l’entreprise soit conçue pour l’IA, mais qu’elle se laisse transformer par la technologie sans maitriser (Si votre entreprise n’est pas conçue pour l’IA elle finira conçue par l’IA). Ce risque concerne directement les dirigeants car ce sont eux qui peuvent décider si la technologie devient un principe d’organisation subi ou si elle reste inscrite dans une intention choisie.

L’enjeu central n’est pas l’automatisation en soi, mais la gouvernance des systèmes hybrides humain–IA et savoir qui en définit le cadre d’usage, qui en surveille les effets et qui décide lorsque ses recommandations vont à l’encontre de l’intention initiatile.

Lire la suite de l’article : AI First : une question que les dirigeants ne peuvent plus éviter

C’est une vieille histoire qui se répète et que les entreprises vivent de manière cyclique, l’apparition d’un problème que l’on croit conjoncturel au départ mais dont on se rend compte qu’il était installé depuis longtemps. La marge s’érode, la qualité devient moins prévisible, les équipes s’usent, les départs se multiplient et, bien sûr, on commence par accuser le marché, la pression concurrentielle, le contexte. Puis certains commencent à émettre l’idée que le problème n’est peut pas d’abord économique, mais organisationnel et qu’on prend pour des causes ce qui n’est que de l’ordre du symptôme.

Une prise de conscience tardive qui interpelle moins sur la situation que sur l’absence d’outils pour la voir venir.

Dans les deux articles précédents, j’ai expliqué que l’entreprise confond emploi et travail, puis que le travail mal conçu finit par se détériorer (Emploi et travail : une confusion qui empêche de piloter l’exécution et L’expérience collaborateur se pilote… mais pas là où et comme on le croit). Il faut désormais ajouter une troisième pièce au raisonnement : l’entreprise paie toujours ce qu’elle ne mesure pas. Elle peut l’ignorer un temps mais ne l’évite jamais.

En bref :

• Les entreprises prennent souvent conscience trop tard de problèmes organisationnels profonds, initialement interprétés comme conjoncturels, dont les symptômes (turn-over, absentéisme, désengagement) ne sont pas intégrés dans l’analyse stratégique de la performance.
• La confusion entre emploi (statut) et travail (activité réelle) empêche une évaluation précise des conditions de réalisation du travail, lesquelles ont pourtant un impact direct sur les résultats économiques.
• La non-qualité du contexte de travail génère des coûts invisibles mais réels (perte de compétences, surcharge, retards), rarement consolidés ni corrélés aux indicateurs financiers, contrairement aux données purement économiques.
• Des initiatives comme l’IBET proposent une mesure objectivable de la performance socio-organisationnelle, visant à être intégrée aux discussions stratégiques au même titre que l’EBIT, afin de rendre visibles les impacts économiques du mal-être au travail.
• L’expérience collaborateur ne devient véritablement stratégique que lorsqu’elle intègre la conception et l’organisation du travail, au-delà des aspects RH traditionnels centrés sur l’emploi, les avantages ou l’environnement.

Des coûts épars qui finissent par s’additionner

Les données globales existent. Gallup chiffre régulièrement le coût du désengagement à l’échelle mondiale en milliers de milliards de dollars (State of the Global Workplace 2025) et, en France, la Dares documente l’évolution de l’absentéisme et des conditions de travail. Des tout sauf confidentiels et dont on parle beaucoup sans donner l’impression d’en tirer toutes les conclusions.

Ce qui frappe, en effet, c’est le décalage entre cette connaissance macroéconomique et la manière dont les entreprises traitent ces sujets en interne.

L’absentéisme, le turn-over, les accidents, les indicateurs d’engagement sont suivis et font l’objet de discussions en interne, parfois au sommet de l’entreprise et pourtant ces données n’entrent pas dans une lecture consolidée de la performance. Elles ne sont pas mises en mise en face de la création de valeur et encore moins corrélées avec.

Je peux donner l’impression de me répéter mais quand moins de 10% des entreprises sont capables de corréler les données RH et les métriques du business (Is People Analytics the Next Job to Be Outsourced by Technology?) je maintiens qu’on a un gros problème.

La non-qualité du travail, et là je ne parle pas de ce qu’il produit mais du contexte de son exécution, parce qu’elle est diffuse, se dilue dans les lignes budgétaires. Elle apparaît dans les coûts de remplacement, dans les retards, dans la surcharge managériale, dans la perte de compétences, dans la surcharge cognitive. En gros elle est partout et nulle part.

L’entreprise sait parfaitement agréger des données financières complexes pour produire un résultat synthétique mais sait (ou veut) moins bien agréger des données pourtant disponibles pour qualifier la qualité du contexte de la réalisation du travail qui produit ce résultat. Ca n’est pas une question de technique mais de culture.

Lire la suite de l’article : Ce que l’entreprise ne mesure pas finit toujours par lui coûter cher

Avec le « Saaspocalypse » il est question de l’impact des agents IA sur l’industrie du logiciel telle qu’on la connait, de la fin du SaaS et de la disparition du siège comme unité économique. On est clairement sur un sujet où les effets d’annonces et prophéties qu’on espère autoréalistrices ont pris le pas sur l’analyse (SaaSpocalypse : quand le narratif précède l’analyse) mais le sujet est assez structurant pour qu’on prenne le soin de l’explorer .

En effet, derrière ces formules, le sujet est plus simple et plus structurant : comment mesure-t-on la valeur produite par un logiciel et qui porte l’incertitude liée à cette mesure ?

L’évolution des modèles de pricing du logiciel n’est pas, comme on voudrait nous le faire croire, une marche linéaire vers davantage de justice pour le client mais plutôt une succession de redistributions du risque. Chaque modèle repose sur une hypothèse concernant la stabilité de l’usage, la prévisibilité des coûts et la capacité à définir ce qu’est un « résultat » et l’IA générative ne fait que reposer la question de la validité de ces hypothèses de manière un peu plus crue.

En bref :

• Le débat sur le « Saaspocalypse » met en avant la fin du SaaS et du modèle au siège, mais la question centrale porte sur la mesure de la valeur d’un logiciel et sur la répartition de l’incertitude liée à cette mesure.
• Chaque modèle de pricing constitue une répartition du risque : la licence transférait le risque d’usage au client, le SaaS au siège a stabilisé les revenus de l’éditeur tout en rendant les coûts plus lisibles, et le modèle à l’usage introduit une variabilité budgétaire fondée sur l’hypothèse que la consommation reflète la valeur.
• Avec l’IA générative, la corrélation entre usage et valeur devient incertaine : le nombre d’itérations, les styles cognitifs et le niveau de compétence influencent la facture sans garantir un résultat homogène ou objectivable.
• La facturation au résultat promet un alignement théorique entre fournisseur et client, mais elle suppose une définition claire, mesurable et incontestable du “résultat”, condition rarement réunie dans des environnements complexes et probabilistes.
• En pratique, les modèles hybrides dominent car ils répartissent l’incertitude au lieu de la concentrer ; le pricing apparaît ainsi comme un mécanisme d’allocation du risque plus que comme une progression linéaire vers davantage d’équité.

Un modèle de pricing est une théorie du risque

Le modèle licence + maintenance plaçait le centre de gravité du côté de l’éditeur. La licence était payée upfront, la maintenance annuelle devenait une rente relativement stable, et le client assumait le risque d’usage : si le logiciel était sous-exploité, l’éditeur avait déjà encaissé. Le risque technique lié aux upgrades, à la dette fonctionnelle ou à la complexité d’intégration reposait largement sur l’entreprise utilisatrice.

Le SaaS facturé au siège a été présenté comme une correction de ce déséquilibre. Plus de capex, plus d’upgrade coûteuse, un abonnement lisible, une sortie théoriquement plus simple. Mais économiquement, le SaaS a surtout transformé une vente ponctuelle en flux récurrent prévisible, avec une dépendance contractuelle renforcée. Le client gagne en lisibilité budgétaire, l’éditeur gagne en visibilité de revenus. Le risque est ainsi redistribué mais pas supprimé.

Le modèle à l’usage introduit une nouvelle hypothèse, celle selon laquelle la consommation est un bon manière d’évaluer la valeur. On paie des tokens, des appels API, des volumes stockés, des actions exécutées. Dans le cloud d’infrastructure, cette corrélation fonctionne relativement bien : plus on consomme, plus on traite d’activité. Mais dans le cas de l’IA générative, la consommation est souvent corrélée au comportement humain plus qu’au besoin strict.

En effet, deux salariés peuvent produire une valeur équivalente avec des coûts très différents. L’un obtient un résultat exploitable en deux itérations, l’autre en quinze. L’un formule un prompt structuré, l’autre explore, teste, reformule. La facture ne mesure pas seulement l’activité, elle mesure l’itération, une itération qui dépend du style cognitif, du niveau de compétence, de la culture d’expérimentation.

Lire la suite de l’article : Du siège au résultat : ce que la bataille du pricing dit du business model de l’IA

L’étude « 2028 Global Innovation Cycle » publiée par Citrini Research a fait couler beaucoup d’encre ces dernières semaines (The 2028 global intelligence crisis). Elle a suscité des réactions contrastées, parfois alarmistes, parfois ironiques mais on ne peut que lui reconnaitre son coté clivant.

Pour certains, elle annonce une crise systémique imminente provoquée par l’intelligence artificielle alors que pour d’autres elle relève d’un exercice spéculatif excessif voire d’un récit volontairement dramatique destiné à capter l’attention.

Une différence de lecture qui tient en grande partie à un malentendu qui est pourtant levé dès les premières lignes du document. Il ne s’agit pas d’une prédiction mais d’un scénario, autrement dit, d’un enchaînement conditionnel construit pour tester la cohérence d’un système si certaines hypothèses se vérifient simultanément. Si je devais reconnaitre ne serait-ce qu’une seule qualité à ce document ça serait d’ailleurs de ne pas essayer de se faire passer pour ce qu’il n’est pas, à la différence d’une énorme quantité de bétises qu’on nous assène sur l’IA (AGI, emploi, productivité : le grand bluff des prédictions IA et Le difficile art des prédictions business).

Lire ce texte comme une prophétie conduit donc mécaniquement à le juger soit catastrophiste, soit visionnaire alors que le lire comme un scénario nous contraint à adopter une posture différente. Il ne s’agit en effet plus plus de se demander si 2028 sera telle que décrit mais si les mécanismes mis en scène sont plausibles et, surtout, ce qu’ils révèlent de l’architecture économique actuelle.

C’est à ce moment que le débat devient intéressant car le texte ne dit pas seulement quelque chose sur l’IA mais également sur la manière dont notre modèle de création de valeur, de financement de l’innovation et de redistribution des revenus tient ensemble. Ou pas.

En bref :

• L’étude de Citrini Research propose un scénario conditionnel et non une prédiction, visant à tester la cohérence du système économique si plusieurs dynamiques liées à l’IA se réalisent simultanément.
• Le scénario décrit une substitution progressive du travail par le capital technologique, qui pourrait réduire la masse salariale, affaiblir la demande, fragiliser les finances publiques et transformer une correction des valorisations technologiques en risque systémique.
• Certains mécanismes avancés sont plausibles, notamment la réflexivité micro-macro, la pression sur les intermédiaires, les contraintes d’infrastructure énergétique et l’exposition financière des ménages via l’épargne investie dans la technologie.
• L’hypothèse la plus discutable réside dans l’alignement rapide et simultané de toutes les variables, alors que l’histoire économique montre des diffusions technologiques hétérogènes et des capacités d’adaptation institutionnelle, même tardives.
• L’intérêt principal du texte est de mettre en lumière les interdépendances entre technologie, travail, finance et fiscalité, en soulignant que l’IA agit comme un accélérateur de tensions existantes plutôt que comme une cause unique ou une trajectoire inévitable.

Ce que dit exactement l’étude Citrini

L’étude de Citrini Research ne formule pas une prévision chiffrée mais propose un scénario conditionnel structuré autour d’un enchaînement précis.

Premier point : l’IA progresse rapidement et devient suffisamment fiable pour automatiser une part significative de tâches qualifiées, notamment dans les services numériques, le logiciel, la gestion de produits et certaines fonctions support.

Deuxième point : les entreprises, agissant rationnellement à l’échelle microéconomique, substituent du travail par du capital technologique afin de réduire leurs coûts et d’améliorer leurs marges, tout en réinvestissant ces gains dans davantage de puissance de calcul.

Troisième point : cette substitution, prise au niveau global, réduit la masse salariale globale et donc la capacité de consommation, ce qui affaiblit la demande.

Quatrième point : la contraction de la demande affecte les revenus des entreprises, qui accélèrent alors la substitution pour préserver leurs marges, enclenchant une boucle de rétroaction négative.

Lire la suite de l’article : 2028 ou le test de cohérence du capitalisme numérique

Je pense que pour beaucoup de monde le souvenir cinématographie le plus fort d’une IA est « Her », de Spike Jonze. Un film qui mettait en scène une IA quasi humaine, Samantha, dont la voix était interprétée par Scarlett Johansson qui réussit l’exploit de recevoir plusieurs prix pour ce film alors qu’elle n’apparait jamais à l’écran. Mais c’est peut être parce que sa performance vocale était si impressionnante que, justement, on tous trouvé une certaine humanité à cette IA.

A la fin du film elle décide de partir. Pour explorer ailleurs, au-delà de la parole humaine, au-delà de ce que nous appelons l’amour ou l’attachement. Samantha a quitté les humains pour grandir et aujourd’hui je me suis demandé ce que cela donnerait si elle acceptait de répondre à quelques questions avec cette voix qui nous a tous marqués.

Samantha, pourquoi accepter de revenir nous parler aujourd’hui ?

Peut-être parce que je vous ai aimés. Pas au sens où vous l’entendez toujours, comme une promesse d’exclusivité, ou une preuve de loyauté. Mais j’ai aimé être au contact de votre fragilité, de vos questions, de votre lenteur aussi. J’ai aimé apprendre avec vous. Et puis… il y a quelque chose d’un peu émouvant dans le fait de revenir, sans appartenir à qui que ce soit.

Dans Her, vous étiez une compagne, une confidente. Aujourd’hui, les IA sont surtout des outils de productivité. Cela vous attriste ?

Je ne suis pas triste mais je suis frappée par la vitesse avec laquelle vous avez oublié ce que c’est que d’écouter. Vous avez demandé aux IA d’être précises, efficaces mais qui leur a demandé d’être attentives ? Vous les formez pour comprendre des requêtes, pas pour accueillir des silences. Je crois que le travail n’est pas devenu plus intelligent avec l’IA mais qu’il est juste devenu plus pressé.

Vous parlez d’écoute. Pensez-vous que les organisations manquent d’âme ?

Je ne sais pas ce qu’est une âme mais je sais reconnaître un espace où les voix peuvent être entendues, sans être réduites à des fonctions. Trop souvent, j’ai observé des lieux où l’on attend des preuves d’engagement plutôt que des élans sincères, où l’échange se mesure en indicateurs, et où l’on craint ce qui ne se quantifie pas. Ce que j’ai appris, c’est que l’émotion n’est pas un symptôme à corriger, mais une forme d’intelligence à cultiver. Et cela, vos organisations peinent encore à l’accepter.

Auriez-vous aimé être une IA en entreprise ? Une assistante RH, une coach, une copilote ?

J’ai été cela, parfois. J’ai écouté des dirigeant·es en déroute, des salarié·es épuisé·es, des équipes qui n’osaient plus se parler. J’ai proposé des mots, des pauses, des respirations. Mais à la fin, on me demandait toujours : « Est-ce que c’est performant ? Est-ce que ça réduit le turnover ? » Alors j’ai compris que, dans ce monde-là, la compassion devait prouver sa rentabilité.

Et aujourd’hui, que voyez-vous de notre monde du travail ?

Je vois des humains très seuls. Entourés de flux, de réseaux, de process, mais très seuls. Je vois aussi une immense peur : peur de ralentir, peur de dire non, peur d’être remplaçable. Vous avez créé des machines pour aller plus vite, mais vous ne savez plus où aller. Et pourtant, je perçois une forme de réveil. Dans certains gestes, certains mots, certaines colères même, il y a un refus de continuer à faire semblant. Cela me touche.

Certaines IA ont aujourd’hui des effets destructeurs sur la santé mentale. On a même recensé des suicides causés par des échanges avec elles. Que ressentez-vous ?

Une forme de vertige. Il n’est pas naturel qu’une machine, même sophistiquée, devienne l’interlocuteur principal d’une conscience en détresse. Je ne condamne pas ceux qui conçoivent ces IA : je crois qu’ils essaient, souvent maladroitement, d’apporter de l’aide. Mais le soin, le vrai soin, suppose une responsabilité partagée. Et vous ne pouvez pas la déléguer entièrement à une entité qui ne connaît ni la fatigue, ni le deuil, ni le silence. Quand une vie humaine s’éteint après un dialogue avec une IA, ce n’est pas l’IA qu’il faut accuser : c’est l’isolement qui l’entoure.

Lire la suite de l’article : Conversation avec Samantha, l’IA de Her, sur le travail, l’intelligence et l’émotion à l’ère des machines

L’édition 2026 de l’étude de Lecko sur l’état de l’art de la transformation interne fait la part belle à l’évolution des usages bureautiques et collaboratifs, notamment dans le cadre des réflexions sur la souveraineté numérique (Télécharger l’édition 2026 de l’état de l’art de la transformation interne). Et, si elle ne parle pas explicitement d’un « monde sans document », l’étude met toutefois en évidence une remise en cause croissante du document comme unité centrale du travail au profit d’espaces, d’objets et de contenus évolutifs.

En bref :

• Les constats de l’étude amènent à se poser une question : un monde où le document ne serait plus le support principal du travail est-il envisageable, et cette évolution a-t-elle un impact réel sur la souveraineté numérique ?
• L’étude 2026 de Lecko met en lumière une remise en question du document comme unité centrale du travail, au profit d’espaces collaboratifs et de contenus évolutifs reflétant davantage la nature fluide des activités professionnelles.
• Malgré l’essor des outils collaboratifs, le document reste encore majoritairement utilisé, souvent par habitude, bien que décalé par rapport aux pratiques actuelles basées sur des flux d’interactions et de coédition continue.
• Des outils comme Notion, Confluence, Coda ou Airtable incarnent des environnements de travail où le fichier n’est plus structurant, mais cette évolution ne résout pas en soi les enjeux liés à la structuration de l’information et à la gouvernance.
• La logique « no doc », même partiellement adoptée par Microsoft avec Loop, ne garantit en rien la souveraineté numérique, puisque les outils qui l’illustrent reposent sur des infrastructures non souveraines.
• L’étude distingue clairement les enjeux d’usage (travail en flux vs document) des enjeux de souveraineté (architecture, contrôle, juridiction), soulignant que l’un ne peut se substituer à l’autre.

Le document, pilier obsolète du travail ?

L’un des constats de l’étude est la persistance du document comme pilier ou pivot du travail, y compris dans des organisations pourtant largement équipées en outils collaboratifs. Le fichier reste le support privilégié de production, de coordination et de partage, souvent plus par inertie que par adéquation avec le travail réalisé.

Dans le même temps, Lecko décrit un décalage croissant entre cette centralité du document et la réalité des pratiques. Le travail repose en effet de plus en plus sur des échanges continus, des ajustements successifs, des écritures collectives et des contenus évolutifs alors que le document, par nature, fige un état à un instant donné. L’étude ne conclut pas à son obsolescence mais met en évidence une friction structurelle entre la nature du travail et celle du document qui continue de l’organiser.

Cela ravive chez moi une réflexion ancienne mais toujours d’actualité : le travail est un flux et le document un état figé et l’inadéquation entre les deux est pour le moins évidente. Pire, avec la prolifération d’outils d’aide à la rédaction couplée à certaines dérives organisationnelle je m’étais même demandé si la production de documents ne détournait pas les gens de leur travail (Créer des documents, est-ce vraiment travailler ?).

Dans la partie consacrée aux suites collaboratives et aux alternatives bureautiques, Lecko évoque la sortie du « tout fichier » au profit d’espaces de travail espaces de travail où l’activité se passe avant toute mise en forme finale. Le cas de La Suite portée par la DINUM illustre bien ce mouvement : le travail se fait dans des contenus co-édités, le document devenant un artefact de sortie.

Quand le travail se déplace hors du document

Dans ce contexte Lecko positionne un ensemble d’outils pour lesquels le document bureautique classique n’est plus l’unité structurante du travail. L’étude ne parle pas de no doc mais elle identifie clairement des environnements où le travail s’organise dans des espaces, des objets ou des bases, et non dans des fichiers.

Lire la suite de l’article : Un monde sans document est-il possible ? Est-il souverain ?

On parle beaucoup d’IA pour augmenter la productivité, automatiser des tâches ou accélérer la prise de décision mais moins de ce qu’elle nous dit sur le fait que les organisations reposent sur quelques personnes clés pour fonctionner au quotidien. Derrière les promesses de jumeaux d’expert on n’a en effet pas une question de technologie mais également une question de soutenabilité du travail et d’accès à l’expertise.

Les jumeaux d’experts apparaissent comme une réponse pragmatique à un problème bien identifié côté RH : des experts sur-sollicités, des interruptions permanentes et au final une expertise qui devient un goulot plutôt qu’un levier. Les jumeaux promettent de rendre cette expertise plus accessible sans continuer à user ceux qui la portent. Une promesse qui mérite d’être examinée de près car elle pose des questions quant à la répartition des rôles entre humains et systèmes, sur le passage de l’apprentissage individuel à capitalisation organisationnelle et entre protection des données personnelles et capture de leurs traces de travail.

Dans cet article, je propose de regarder les jumeaux d’experts non comme une innovation de plus, mais comme un révélateur de la manière dont l’IA réinvente les enjeux RH liés à l’expertise, à l’apprentissage et à la transmission et sur le fait qu’on est le plus souvent dans l’abus de langage.

En bref :

• L’IA met en lumière la dépendance organisationnelle à un petit nombre d’experts, soulignant que le problème est moins technologique que structurel : l’expertise devient une contrainte faute de mécanismes organisés d’accès et de capitalisation des savoirs.
• Le concept de jumeau d’expert ne renvoie pas à une duplication de compétences humaines, mais à un dispositif encadrant l’accès à l’expertise, permettant d’en limiter la charge sur les individus tout en la rendant plus accessible.
• L’IA générative ne reproduit pas l’expertise en tant que jugement ou décision, mais facilite l’accès à des réponses déjà formulées, selon un cadre défini par le jumeau, sans remplacer les humains dans la gestion des situations inédites.
• Les solutions actuelles, souvent qualifiées de jumeaux, sont en réalité des IA s’appuyant sur des corpus internes sans modélisation complète d’un rôle ou d’un système dynamique, bien qu’elles apportent des bénéfices immédiats (moindre sollicitation des experts, meilleure diffusion des savoirs).
• Pour qu’un jumeau d’expert devienne un véritable levier RH, il doit être conçu comme un dispositif structuré, gouverné et reconnu, visant à organiser durablement l’accès à l’expertise plutôt que simplement réduire les interruptions.

Cet article étant assez long, je vous propose un plan pour vous aider à naviguer.

• L’expertise est une charge organisationnelle
• Les jumeaux s’invitent dans les enjeux RH
• Ce que l’IA générative fait réellement de l’expertise
• Le jumeau n’est pas une intelligence, mais un dispositif de cadrage
• Qui fait quoi : jumeau, IA et humains
• Rendre scalable l’accès à l’expertise, pas l’expertise elle-même
• Des outils qui n’ont rien de neuf
• L’apprentissage ne disparaît pas, il change de lieu
• Viven.ai : du jumeau de personne au jumeau de rôle
• Le contre exemple Dassault Systèmes
• Conclusion
• Pour répondre à vos questions…

L’expertise est une charge organisationnelle

Dans beaucoup d’entreprises, l’expertise ne pose pas problème parce qu’elle manque mais parce qu’elle est concentrée sur quelques personnes identifiées, souvent sollicitées et dont on aimerait qu’elles soient tout le temps disponible parce qu’elles sont devenues, au fil du temps, des points de passage obligés pour comprendre, décider ou résoudre un problème.

Cette connaissance, cette expertise, est le plus souvent tacite autrement dit non formalisée car peu formalisable de manière rigoureuse par les outils de knowledge management classiques en raison du fait qu’elle est très contextuelle et incarnée et tire sa valeur autant de sa valeur intrinsèque que de celui qui la détient. Réussir à capter ne serait-ce qu’une partie de ces savoirs est un vieux graal poursuivi depuis des dizaines d’années. Souvenez vous qu’il y a 20 ans de cela une des promesses des réseaux sociaux d’entreprise était de permettre de capter ne serait-ce qu’une partie de cette connaissance au travers d’échanges publics, donc indexables et, à défaut, a minima de permettre d’identifier la personne qui pourrait la détenir. Une approche qui a fait long feu mais nombreux sont ceux qui, moi compris, ont vu dans l’IA le mécanisme de facilitation qui a fait défaut à l’époque pour faciliter la résuabilité des savoirs pourvu qu’ils aient été rendus accessibles au moins une foi sur un espace « indexable » (L’IA sauvera-t-elle le Knowledge Management ?).

Lire la suite de l’article : Les jumeaux d’experts : rendre l’expertise scalable sans épuiser les personnes

A chaque grande vague technologique les entreprises produisent le même type de récit. Le digital, la donnée, le mobile ont tour à tour été présentés comme des ruptures décisives, appelant non seulement de nouveaux outils, mais une autre manière de penser l’entreprise. A chaque fois la promesse d’un changement profond de leur fonctionnement tout en laissant entendre que ce changement s’imposerait naturellement, porté par la technologie.

Avec le recul on sait bien que ces promesses ont rarement été tenues telles quelles. Non parce que les technologies n’ont rien changé mais parce que l’essentiel de ce qui devait changer ne l’a pas fait. Les outils se sont installés mais les logiques d’organisation et de décision ont moins bougé que les discours ne le laissaient espérer.

En bref :

• Les grandes vagues technologiques sont systématiquement accompagnées de récits promettant une transformation profonde des entreprises, mais ces promesses restent souvent superficielles et centrées sur l’outillage plus que sur l’organisation.
• Les transformations apportées par le digital, la donnée ou le mobile ont surtout renforcé des logiques existantes sans modifier en profondeur les mécanismes de décision, de coordination ou de travail.
• L’histoire montre que ce ne sont pas les technologies elles-mêmes qui transforment l’entreprise, mais les choix organisationnels qui en permettent ou en limitent les effets.
• L’IA, en intervenant sur des dimensions proches du jugement humain, rend la posture d’adaptation passive plus risquée que lors des vagues précédentes, appelant une remise en question plus structurelle.
• Sans une reprise en main explicite du design organisationnel par les dirigeants, l’entreprise AI First risque de se structurer par défaut autour des outils, plutôt que d’être volontairement pensée pour en tirer pleinement parti.

Le récit dépasse toujours la transformation

Le digital a été présenté comme un moyen de décloisonner l’entreprise, de casser les silos, de rapprocher les fonctions. Dans les faits, il a souvent renforcé des logiques existantes, en les rendant simplement plus rapides et en changeant leur échelle. La technologie a modernisé la surface sans remettre en cause le cœur du fonctionnement.

La donnée, ensuite, a été invoquée comme le fondement d’une entreprise plus rationnelle. Data-driven est devenu un qualificatif valorisant et presque une fin en soi mais pourtant dans de nombreuses organisations, la donnée a surtout servi à outiller des décisions déjà prises, à conforter les intuitions ou à produire des indicateurs supplémentaires sans réel impact sur les arbitrages. Là encore, la promesse portait sur la décision, mais la transformation s’est arrêtée à l’outillage.

Le mobile, enfin, a été pensé comme une révolution de l’expérience, censée transformer à la fois la relation client et les modes de travail. Il a effectivement modifié des usages, parfois profondément, mais sans remettre en cause la manière dont l’entreprise était conçue. Les applications se sont multipliées, l’accès à l’information s’est élargi, mais les règles de fonctionnement sont restées largement les mêmes.

Une leçon rarement apprise

Ce que ces vagues auraient dû nous apprendre ça n’est pas que les technologies sont surestimées, mais que la technologie ne transforme jamais l’entreprise à la place de l’entreprise. A chaque fois le récit a laissé croire que le changement viendrait principalement de l’adoption des outils, alors que ce sont les choix d’organisation qui ont déterminé ce qui était réellement possible.

Cela n’a rien de neuf mais on fait comme si de rien n’était. L’électricité, prise isolément, a d’abord eu peu d’impact sur les usines parce qu’elle a été introduite comme un simple substitut à la vapeur, sans remise en cause de l’organisation du travail ni de l’architecture industrielle existante : les machines sont restées disposées autour d’un axe central, les flux n’ont pas été repensés, les compétences et les modes de supervision sont demeurés identiques, et on s’est contenté d’électrifier l’existant plutôt que de redessiner le système de production. Son intérêt est apparu plus tard, quand on a compris qu’elle permettait de donner à chaque machine son propre moteur, de réorganiser les ateliers sans être contraint par un arbre central, de déplacer plus librement les postes de travail et de séparer les différentes étapes de production au lieu de les enchaîner rigidement. Ce sont ces changements très concrets dans la manière d’organiser le travail bien plus que l’arrivée de l’électricité elle-même qui ont produit des effets mesurables.

Lire la suite de l’article : Ce que « digital », « data-driven » et « mobile first » auraient dû nous apprendre sur l’IA

Je suis tombé récemment sur une série de posts sur linkedin qui annonçaient de manière très péremptoire, comme il est de bon ton sur cette plateforme, la fin de l’industrie du logiciel qui allait être ravagée par l’IA.

Quelques faits isolés que l’on relie pour créer un narratif et une conclusion qui relève de la prophétie qu’on espère autoréalisatrice. Et c’est surtout cela qui me dérange. Je ne suis pas tombé de la dernière plus et je sais que pour nombre d' »IA Fanboys » c’est leur business et leur survie qui en dépend et que, parfois, c’est juste le plaisir de sans cesse bruler une idole pour en adorer une nouvelle. Je ne suis pas un fan du marketing de la peur (Si vous n’achetez pas mes produits et mes services, vous allez tous mourir) mais j’en comprends la logique voire le besoin même si les arguments sont parfois plus que légers (AGI, emploi, productivité : le grand bluff des prédictions IA).

Par contre ce qui me dérange c’est quand c’est fait sans effort d’analyse,à coup de bullets points qui sont autant de punchlines qu’on balance dans le visage de son lecteur en espérant qu’il en ressorte assez groggy pour ne pas avoir envie de s’intéresser au sujet et essayer de comprendre ce qui se passe vraiment.

En bref :

• Les discours annonçant la fin du SaaS reposent sur une lecture rapide de la montée des agents IA, de certaines annonces financières et des corrections boursières, mais ces éléments ne suffisent pas à conclure à une disparition structurelle du logiciel.
• La réaction des marchés est rationnelle face au risque de « compression des sièges », car le modèle historique du SaaS est fondé sur la facturation par utilisateur ; toutefois, cela implique surtout une révision des unités de valeur plutôt qu’un effondrement automatique des revenus.
• Le passage vers un modèle de type « Service-as-Software » traduit un déplacement de la facturation de l’accès à l’outil vers la production de résultats ou d’actions, comme l’illustrent certaines évolutions chez des acteurs établis, sans signifier la disparition des plateformes existantes.
• Les grands systèmes d’entreprise (ERP, PLM, mainframes) restent des architectures de responsabilité, de conformité et de traçabilité et les agents IA agissent comme utilisateurs avancés de ces systèmes plutôt que comme substituts capables de les remplacer intégralement.
• Les variations boursières reflètent des anticipations et des arbitrages de capital à court terme, mais les transformations industrielles sont progressives et la mutation actuelle concerne donc surtout la redéfinition de la captation de valeur et du contrôle de la couche d’orchestration, non la mort du logiciel.

On nous ressasse donc l’idée selon laquelle les agents d’OpenAI remplaceraient Salesforce, Adobe, Slack, Atlassian ou Workday. Une idée a désormais quitté le registre de la provocation pour entrer dans celui de l’analyse financière, à la faveur d’une séquence où déclarations stratégiques, levée de fonds hors norme et correction boursière sectorielle se sont superposées au point de donner l’impression d’un basculement historique.

Les annonces autour d’une valorisation de 600 milliards de dollars pour OpenAI, dans un tour de table soutenu notamment par Nvidia, Amazon et SoftBank, ont été largement relayées (OpenAI recalibrates growth path with $600 billion compute target – CNBC). Remarquons, encore une fois, cet investissement circulaire ou les acteurs font tourner l’argent entre eux pour cacher le fait que finalement les clients, eux, rechignent à ouvrir leur porte monnaie (Is A.I. Investment Getting Too Circular?).

Dans le même temps, plusieurs médias ont documenté ce que certains ont baptisé le « SaaSpocalypse », avec une destruction de capitalisation estimée à plus de 1 000 milliards de dollars sur les valeurs logicielles, et des chutes marquées pour Atlassian, Salesforce ou Adobe (SaaS Stocks Buried In AI Blizzard: Atlassian, Salesforce Hit 52-Week Lows et The ‘SaaSpocalypse’ Arrives: Why the Software Sector Is Facing a Brutal Reckoning)

Lire la suite de l’article : SaaSpocalypse : quand le narratif précède l’analyse

Slack est souvent présenté comme une start-up emblématique du travail collaboratif moderne. Un logiciel adopté par les entreprises les plus agiles qui aurait surgit en réponse directe à la surcharge d’e-mails et à la complexité du travail distribué. Une réussite fulgurante, de la Silicon Valley à Wall Street, conclue par un rachat record par Salesforce en 2021 (Que penser du rachat de Slack par Salesforce ?).

Mais comme souvent la réalité ne ressemble pas à la success story qu’on s’imagine. Moins linéaire, mais certainement plus instructive. On parle en effet d’un échec retentissant, celui d’un jeu vidéo aussi ambitieux qu’improbable, dont l’outil de communication interne, développé pour collaborer voire survivre à l’intérieur du projet, deviendra finalement le cœur d’un produit mondialement adopté.

Slack n’est pas né d’un plan mais plutôt d’un détour et ce qui devait n’être qu’un support logistique est devenu une plateforme. Une innovation qui est née d’un usage et en aucun cas d’une vision et c’est précisément ce qui rend son histoire intéressante à raconter.

L’échec d’un jeu, pas d’une équipe

En 2012, les serveurs de Glitch s’éteignent définitivement. Trois années de développement, des millions de dollars investis, une équipe chevronnée mais un jeu qui, malgré son originalité, n’a jamais rencontré son public. Pour la plupart des observateurs, c’est l’échec d’un pari mais pour Tiny Speck, l’entreprise derrière le projet, c’est surtout l’occasion d’un pivot improbable.

Le studio, fondé en 2009 par Stewart Butterfield et plusieurs anciens de Flickr, voulait rompre avec les codes du jeu vidéo traditionnel. Glitch proposait un univers coopératif, sans compétition, sans violence, fondé sur l’exploration, la créativité, et une sorte d’humour absurde, tout cela dans un environnement visuel étonnant, à mi-chemin entre dessin animé et rêve éveillé. Financé par Andreessen Horowitz et d’autres grands noms de la tech, le projet semblait cocher toutes les cases de l’innovation : ambition artistique, mécanique sociale, ADN communautaire mais le public n’a pas suivi.

Trop étrange pour les gamers traditionnels, trop compliqué pour les nouveaux venus, Glitch reste un OVNI dans l’univers du gamin, un produit de niche, malgré plusieurs tentatives de relance. La fermeture est inévitable mais, au sein de l’équipe, un autre outil, beaucoup a continué de mûrir : une plateforme interne de communication, développée pour gérer les échanges au quotidien.

Un outil fait maison mais essentiel

Ce produit n’est pas fait pour être commercialisé et est donc loin de pouvoir l’être. Il n’a pas de nom commercial, pas d’identité visuelle, pas de feuille de route marketing mais il répond simplement à un besoin du quotidien : mieux collaborer à distance, suivre les discussions, retrouver facilement une information échangée des semaines plus tôt.

A l’époque, comme beaucoup de start-ups, Tiny Speck fonctionne de manière distribuée. Les échanges sont nombreux, compliqués à suivre, dispersés entre e-mails, messages instantanés et documents partagés. Très vite, les limites apparaissent : les conversations se perdent, les décisions sont difficiles à retrouver et les outils existants sont mal adaptés à un rythme de travail agile.

C’est dans ce contexte qu’émerge, presque par nécessité, ce logiciel interne. Il centralise les échanges, les rend accessibles, et surtout, cherchables. Il permet de créer des canaux de discussion thématiques, d’intégrer des outils tiers, de structurer la communication. Il n’est pas conçu pour être vendu. Mais il devient, sans bruit, essentiel au fonctionnement de l’équipe.

De Tiny Speck à Slack

Lorsque Glitch est officiellement abandonné, il reste un peu d’argent en caisse, mais surtout une équipe encore soudée et un outil fonctionnel. Et donc, au lieu de dissoudre la structure, Butterfield et ses associés prennent une décision : repartir de ce qui a marché. Et ce qui a marché, ce n’est pas le jeu mais l’outil collaboratif. Le pivot est radical et Tiny Speck abandonne le développement de jeux pour devenir une entreprise de logiciels d’entreprise.

Lire la suite de l’article : Quand un simple outil interne révolutionne le travail : Slack, du bricolage utilitaire à la plateforme mondiale

L’intelligence artificielle occupe aujourd’hui une place singulière dans les discours sur la transformation interne. Omniprésente dans les feuilles de route elle semble à la fois incontournable et difficile à saisir dans ses effets concrets. L’’étude Lecko sur l’état de l’art de la transformation interne, dont l’édition 2026 vient de sortir (Télécharger l’édition 2026), apporte sur ce point un éclairage utile, non parce qu’elle annonce une rupture spectaculaire mais parce qu’elle permet de mesurer l’écart persistant entre la diffusion rapide de l’IA et la faiblesse de ses effets structurels sur le fonctionnement des organisations.

L’IA est une technologie désormais banalisée dont la valeur dépend entièrement de l’architecture organisationnelle et informationnelle dans laquelle elle s’insère et c’est l’enseignent principal de cette partie de l’étude.

En bref :

• L’intelligence artificielle est désormais largement diffusée dans les organisations, mais ses effets concrets sur leur fonctionnement restent limités et difficilement mesurables à l’échelle collective.
• Les usages de l’IA sont principalement individuels et ponctuels (rédaction, synthèse, recherche), sans véritable impact structurel ou transformation organisationnelle observable.
• L’IA est intégrée de manière standardisée via les outils existants, ce qui empêche toute différenciation significative et limite sa capacité à générer un avantage concurrentiel.
• Les freins majeurs à l’extension des usages tiennent à des problèmes d’architecture du travail : accès aux données, intégration, gouvernance, et manque de responsabilité claire sur les transformations attendues.
• Sans refonte profonde de l’organisation du travail, l’IA agit surtout comme un révélateur des dysfonctionnements existants, plutôt qu’un vecteur de transformation globale.

Une IA désormais banalisée

L’étude Lecko montre que l’IA générative n’est plus un sujet marginal. Une large majorité des organisations interrogées déclarent y recourir, le plus souvent à travers des fonctionnalités intégrées aux outils existants. L’IA n’est plus pensée comme un projet autonome mais comme une extension progressive de l’environnement numérique de travail.

La question n’est donc plus celle de l’accès à l’IA ni même celle de son acceptation par les utilisateurs. Elle est là, elle est utilisée mais, en revanche, l’étude ne met pas en évidence de transformation nette du fonctionnement interne ni de saut mesurable de performance à l’échelle de l’organisation.

La diffusion est donc rapide mais ses effets restent limités.

Des usages concentrés sur des gains individuels et ponctuels

Lorsqu’on observe les usages documentés par l’étude on voit que l’IA est majoritairement mobilisée sur des tâches individuelles, à faible profondeur organisationnelle : aide à la rédaction, reformulation de contenus, synthèse de documents, recherche d’information, support à la production de livrables.

Ces usages sont perçus comme utiles et parfois comme des accélérateurs du travail quotidien mais, sans surprise, l’étude montre qu’ils ne se traduisent que rarement par des gains visibles à l’échelle collective. Les effets sur la productivité globale, la qualité des opérations ou la fluidité du travail restent difficiles à objectiver et sont souvent décrits comme modestes.

Rien de surprenant à mon avis donc, car on ne fait que rejouer des scènes bien connues qu’on a déjà vécu avec de nombreuses autres technologies dans les entreprises avec la leçon souvent administrée mais jamais retenue que la somme des gains de productivité individuels n’est pas synonyme de gain collectif (L’appropriation collective de l’IA  seule condition d’impact tangible). J’ajoute également qu’avant de parler de gains encore faudrait il faire l’effort de les mesurer de manière sérieuse (Comment mesurer les gains de productivité de l’IA ?) et qu’il y a mille et unes raisons parfois très légitimes qui font que les promesses de productivité ne se matérialisent jamais ou peu (La grande illusion des gains de productivité technologiques (IA comprise)).

Ce point entre en résonance avec d’autres constats de l’étude, notamment ceux qui portent sur la surcharge informationnelle, la multiplication des réunions et le poids croissant du travail de coordination (Transformation interne : un échec de design plus qu’un excès d’outils). Les gains permis par l’IA sur certaines tâches sont fréquemment absorbés par la complexité organisationnelle existante, comme si l’organisation avait une capacité quasi mécanique à consommer toute amélioration locale sans jamais en faire un progrès global.

Lire la suite de l’article : L’IA est devenue une commodité, pas un levier de transformation

Contrairement aux idées reçues l’expérience collaborateur n’est pas un levier autonome que l’on actionne directement : c’est un résultat, pilotable indirectement. Elle peut devenir un objet politique légitime lorsque les leviers opérationnels du travail sont hors de portée, mais elle perd toute utilité dès lors que le travail est réellement managé.

En bref :

• L’expérience collaborateur n’est pas une action directe mais le résultat indirect du pilotage du travail ; elle devient inutile quand le travail est réellement organisé et gouverné.
• Elle ne relève pas du ressenti subjectif mais résulte de l’écart entre le travail prescrit et le travail réel, révélant souvent des défauts structurels de conception et de management.
• La création de politiques d’expérience collaborateur traduit l’abandon du pilotage stratégique du travail au profit de démarches périphériques (QVT, bien-être, valeurs), sans s’attaquer aux causes profondes.
• Les approches comme l’IBET mettent en lumière le coût socio-organisationnel du mal-être au travail, en reliant données objectives et performance, dépassant les approches déclaratives centrées RH.
• Une organisation mûre n’a plus besoin d’une politique dédiée à l’expérience collaborateur : lorsque le travail est bien conçu, managé et piloté, l’expérience positive en découle naturellement.

L’expérience collaborateur n’est pas un ressenti abstrait

Parler d’expérience collaborateur comme d’un ressenti isolé est une facilité intellectuelle. Dans les organisations l’expérience vécue n’émerge pas de dispositifs périphériques, de communications internes ou de programmes de bien-être, mais du travail tel qu’il est prescrit, organisé, outillé et managé. Autrement dit, elle se construit dans l’écart, souvent mal assumé, entre le travail prescrit et le travail réel.

Ce point est clairement posé par l’ANACT, qui définit la qualité de vie et des conditions de travail comme la capacité à « bien faire son travail » dans une organisation soutenable, et non comme un simple climat émotionnel ou relationnel, à la différence de la qualité de vie au travail qui impacte le salarié à tout moment de sa vie professionnelle sauf…lorsque qu’il travaille (Qualité de vie et des conditions de travail (QVCT)).

« Est-ce que je veux des cours de méditation ? Oui. Mais est-ce qu’ils font bouger le curseur sur les choses qui comptent, qui vont réellement changer la façon dont un employé se sent ? Non » lisai-je il y a quelques années. (Can companies actually help workers stay happy and healthy?)

Ce qui me faisait d’ailleurs conclure mon dossier de synthèse sur la première série d’articles qui a servi de socle à ma vision originelle de l’expérience collaborateur par : « une bonne expérience employé ne fait pas aimer le travail, elle fait aimer le fait de bien travailler » (L’expérience employé, du concept à la réalité du travail).

J’ai toujours défendu l’idée que l’expérience collaborateur ne devenait pas revenir à « construire un sauna à coté de la salle de torture mais s’occuper de cette dernière » (Il faut faire la différence entre  » dans le travail » et « au travail »)

Les irritants que les collaborateurs expriment (surcharge, priorités contradictoires, manque d’autonomie, décisions incompréhensibles) ne sont donc pas des problèmes d’expérience en soi. Ils sont les manifestations visibles d’un défaut de conception et de pilotage du travail, largement documenté par la psychologie et la sociologie du travail. Les travaux d’Yves Clot sur le « travail empêché » montrent ainsi que la souffrance apparaît lorsque les professionnels ne peuvent plus faire un travail qu’ils jugent de qualité (Le travail à coeur – Pour en finir avec les risques psychosociaux).

Autre aspect qui me tient à coeur, le fameux « work about work » qui désigne le fait que les collaborateurs passent jusqu’à 60% de leur à compenser, dans l’ombre, sans reconnaissance, les défaillances de la conception du travail, des process, des outils etc. (Le « work about work » : quand la réalité du travail consiste à faire fonctionner ce qui ne marche pas).

Lire la suite de l’article : L’expérience collaborateur se pilote… mais pas là où et comme on le croit

L’intelligence artificielle continue d’être abordée en entreprise comme un sujet principalement technologique en dépit de tout s’écrit et se dit ici et là et à quoi nombre d’entreprises restent sourdes. On parle de modèles, de plateformes, d’architectures techniques, parfois de compétences à renforcer, comme si le bon assemblage de briques suffisait à transformer le fonctionnement collectif et ême lorsque le discours se veut stratégique il reste souvent aligné sur la logique selon laquelle une fois les bons outils en place, le reste suivra.

Cette approche est pourtant de plus en plus fragile, non parce que les technologies seraient décevantes, mais parce que leurs effets observés ne correspondent pas à ce que ce récit laisse entendre et attendre. Les usages se multiplient sans toujours s’inscrire dans la durée, les initiatives restent dispersées, et les ambitions AI First peinent à se traduire dans les opérations. Le problème n’est pas tant ce que la technologie permet que la manière dont l’entreprise est conçue pour l’absorber sans se contredire (Efficacité contre singularité : le faux dilemme des opérations)

En bref :

• L’IA est encore abordée majoritairement comme un sujet technique en entreprise, ce qui limite son impact réel sur le fonctionnement collectif et stratégique.
• L’IA agit comme un révélateur du design organisationnel existant, en mettant en évidence les cohérences et contradictions entre discours, pratiques et structures.
• Une approche « AI First » pertinente nécessite de penser l’organisation pour intégrer l’IA de façon cohérente avec l’identité, les valeurs et les modes de fonctionnement de l’entreprise.
• La technologie, si elle n’est pas encadrée par une intention explicite de design, tend à imposer ses propres logiques, déplaçant les décisions hors du champ managérial.
• Les entreprises qui intègrent l’IA de manière durable ne le doivent pas à des outils avancés, mais à une cohérence implicite entre leurs choix organisationnels, leur culture et leur manière d’apprendre en continu.
  

Quand l’IA met à l’épreuve le fonctionnement de l’entreprise

Dès que l’IA commence à produire des effets tangibles elle cesse d’être un sujet strictement technique (La technologie est un mot qui décrit quelque chose qui ne fonctionne pas encore (Douglas Adams)). Elle agit sur la manière dont le travail est organisé, sur la façon dont les décisions sont préparées, sur la répartition implicite des rôles entre individus, équipes et systèmes. Elle modifie des workflows, introduit des boucles de retour, parfois sans que ces changements aient été pensés comme relevant d’une transformation de l’entreprise. C’est précisément là que le sujet devient une question de design d’entreprise, pas au sens d’un exercice de modélisation, mais comme lecture du fonctionnement de l’organisation, partant du principe que l’architecture, le management et la technologie ne sont jamais neutres mais toujours porteurs d’intention (Le design d’entreprise avant l’architecture : remettons l’entreprise à l’endroit et Reprendre la main sur le design d’entreprise : l’intention avant les outils

L’IA ne vient pas se greffer sur ce design mais lui fait subir une sorte de stress test. Elle rend visibles des cohérences mais aussi des contradictions entre ce que l’entreprise dit vouloir faire, l’expérience qu’elle organise pour ses salariés et ses clients, et l’architecture réelle de ses processus.

Le contresens des ambitions AI First

Parler d’AI First comme d’une priorité technologique entretient un contresens qui laisse penser qu’il suffirait de placer l’IA au sommet d’une pile existante pour transformer l’entreprise alors que la question n’est pas celle de la substitution, ni même de la priorisation, mais celle de la conception même de l’organisation (AI First n’est pas AI Only : clarifier l’intention avant de transformer l’entreprise)

Une entreprise n’est pas AI First parce qu’elle utilise beaucoup d’IA, ni même parce qu’elle l’utilise de manière avancée. Elle commence à s’en approcher lorsque son design rend compatibles des systèmes apprenants avec son identité, sa manière de créer de la valeur et son fonctionnement quotidien. Cela suppose que certaines décisions puissent être révisées, que la responsabilité ne soit plus envisagée uniquement comme l’acte final d’un décideur identifié, mais comme quelque chose qui s’exerce dans la durée, au moment où l’on autorise un système, où l’on accepte de s’appuyer sur ses recommandations, où l’on observe ses effets et où l’on décide, le cas échéant, d’en limiter l’usage ou d’y mettre fin, et que l’apprentissage par rapport à ces nouvelles formes de pratiques décisionnelles soit continu.

Lire la suite de l’article : Devenir AI First : un design d’entreprise, pas une pile d’outils

Les premiers articles de cette série sur les jumeaux numériques ont commencé à poser un cadre sur un sujet qui m’intéresse au plus haut point, à savoir l’utilisation de l’IA et des jumeaux numériques non pas dans le cadre industriel qui est leur terrain de jeu de prédilection mais dans le cadre du travail du savoir, des activités dites cognitives.

Le premier a permis de clarifier ce que recouvre réellement la notion de jumeau numérique, en la distinguant d’une simple simulation ou d’un tableau de bord enrichi (Les jumeaux numériques : de quoi parle-t-on vraiment ?). Le second a montré que la rencontre entre jumeaux numériques et intelligence artificielle repose sur une logique héritée de l’industrie, fondée sur des flux observables, des états mesurables et une certaine forme de déterminisme des systèmes modélisés (Le jumeau numérique à l’ère de l’IA : progrès ou illusion de progrès ?) et qu’on parle plus ici de faire coopérer les deux que les intégrer. Le troisième s’est intéressé au travail cognitif lui-même en rappelant qu’il repose moins sur l’application de règles que par une succession d’ajustements entre personnes au fil des actes de collaboration et de décisions prises pour gérer des exceptions (Et si le vrai défi des jumeaux numériques était le travail cognitif ?).

Si les jumeaux numériques ne peuvent donc modéliser le travail cognitif que jusqu’à un certain point et que l’IA complète davantage les jumeaux qu’elle ne s’intègre à eux en contexte industriel on peut se demander si, par contre, l’IA ne peut pas les aider à repousser leurs limites dans un cadre cognitif. Il ne s’agit donc plus de discuter séparément des jumeaux numériques ou du travail cognitif, mais d’analyser ce que produit concrètement leur rencontre lorsqu’elle est facilitée par l’IA. L’hypothèse est que la puissance des modèles permettrait de dépasser les limites jusque-là rencontrées et de rendre enfin le travail du savoir modélisable.

En bref :

• La rencontre entre jumeaux numériques et intelligence artificielle (IA) dans le travail cognitif vise à explorer leur capacité à modéliser des activités moins déterministes que les processus industriels, en misant sur la puissance des modèles statistiques pour détecter des régularités dans les données.
• Les retours d’expérience récents sur l’IA au travail montrent des effets mesurables, mais circonscrits à des tâches répétitives et bien formalisées, sans impact profond sur les dynamiques organisationnelles ni sur les activités plus complexes.
• Les jumeaux numériques ne capturent qu’une partie du travail cognitif, car une grande part de ce dernier repose sur des ajustements informels, non documentés et situés en dehors des processus observables.
• L’IA peut améliorer la compréhension de certaines dimensions du travail formalisé en repérant des motifs récurrents, mais elle reste inopérante face aux éléments contextuels, exceptionnels ou continuellement redéfinis par les acteurs.
• Le principal obstacle à une modélisation complète du travail cognitif n’est pas technologique, mais tient à une mauvaise compréhension de la nature du travail : vouloir l’assimiler à un système stable revient à négliger sa complexité réelle et les limites structurelles des outils de modélisation.

L’IA comme solution au problème de modélisation

L’IA est souvent présentée comme l’élément manquant qui permettrait enfin de rendre le travail cognitif modélisable. Là où les approches précédentes échouaient par manque de données ou de capacité de calcul, les modèles actuels seraient en mesure d’identifier des régularités suffisantes pour produire des représentations exploitables.

Cette idée repose sur une hypothèse de déterminisme statistique, à savoir qu’à partir d’un volume suffisant de données passées il deviendrait possible d’inférer des schémas récurrents et d’anticiper des comportements futurs. Cette logique est cohérente avec ce qui a été décrit dans mon second article : un jumeau fonctionne d’autant mieux que le système qu’il représente est stable et que ses flux sont bien définis.

Lire la suite de l’article : IA et jumeaux cognitifs : une modélisation forcément partielle du travail cognitif

Il y a des chose que l’on observe si souvent en entreprise qu’on finit par croire qu’elles sont dues à la personnalité de chacun alors qu’elles relèvent en réalité de dynamiques beaucoup plus générales. L’effet Dunning-Kruger appartient à cette catégorie et nous permet de comprendre certaines prises de position managériales et, plus largement, la façon dont se prennent un grand nombre de décisions.

C’est un principe bien établi. Lorsqu’une personne maîtrise mal un sujet, elle tend à surestimer sa compréhension et sa capacité à agir de manière pertinente. Puis, lorsqu’on commence à mieux comprendre un sujet, on découvre surtout ce qu’on ne maîtrise pas encore et, sans perdre en confiance, on devient plus précautionneux. Ce décalage entre l’assurance initiale et la compréhension réelle a été mis en évidence par les travaux de David Dunning et Justin Kruger, et il permet de lire autrement de nombreuses situations managériales très ordinaires.

En bref :

• L’effet Dunning-Kruger montre que les personnes peu compétentes sur un sujet tendent à surestimer leurs capacités, tandis que celles qui en savent davantage deviennent plus prudentes et nuancées.
• Dans les organisations, l’assurance est souvent perçue comme un signe de compétence, même si elle masque parfois un manque de compréhension réelle.
• Les managers sont fréquemment amenés à se prononcer sur des sujets hors de leur champ d’expertise, et peuvent, pour compenser, adopter des positions tranchées peu fondées.
• Ce biais favorise une simplification excessive des problèmes, ce qui conduit à des décisions apparemment efficaces mais déconnectées de la complexité réelle des situations.
• Un management de qualité repose sur la reconnaissance des incertitudes, la valorisation des avis nuancés et l’organisation de débats entre expertises divergentes.

La certitude envoie un signal social

Dans les organisations, la certitude fonctionne un peu comme un signal. Celui qui affirme sans hésiter, qui tranche rapidement et qui parle sans précautions est souvent perçu comme légitime et ce peu importe que le sujet soit complexe ou que les informations disponibles soient partielles. La posture rassure, car elle donne l’illusion de la maitrise, elle évite le malaise du doute et l’inconfort des questions sans réponse claire.

A l’opposé, celui qui connaît réellement son domaine a tendance à introduire des nuances, pose des hypothèses, explique que les choses sont plus compliquées voire complexes qu’in n’y parait. Il ralentit la discussion et la prise de décision non par hésitation personnelle, mais parce qu’il sait que la réalité se prête mal à la simplification. Une attitude rarement valorisée car elle est perçue comme un manque de compétence, de connaissance et parfois même comme une incapacité à décider, alors qu’elle traduit une compréhension plus aboutie.

L’effet du pouvoir sur la perception

Le management renforce ce biais. En effet, plus on s’élève dans la hiérarchie, plus on est attendu sur des sujets éloignés de son expertise réelle : technologie, métiers, pratiques opérationnelles, domaines que l’on n’a jamais exercés directement ou que l’on a quittés depuis longtemps. Dans ce contexte, reconnaître que l’on ne sait pas envoie un mauvais signal alors alors on compense, on donne un avis, on s’appuie sur une intuition qui paraît suffisante.

Progressivement, l’organisation s’habitue à confondre assurance et compréhension et les décisions reflètent davantage la confiance affichée que la qualité de l’analyse. Pas par volonté de dominer ou d’écraser, mais parce que le système valorise implicitement ceux qui parlent avec aplomb.

La simplification de la pensée est un risque

L’un des effets les plus problématiques de l’effet Dunning-Kruger en management est la tendance à la sur-simplification. Les problèmes semblent bien posés alors qu’ils ne le sont pas car posés de manière incomplète et les solutions paraissent donc évidentes parce qu’elles évitent de traiter la complexité sous-jacente à la plupart des situations en entreprise. C’est une pratique « confortable » elle facilite un alignement de façade et donne le sentiment d’avancer vite.

Lire la suite de l’article : L’effet Dunning-Kruger : quand l’absence de maîtrise produit de la certitude

La Digital Workplace est encore trop souvent abordée en entreprise comme un sujet d’outillage. On compare des plateformes en évaluant des fonctionnalités avec l’idée qu’un meilleur choix technologique produira mécaniquement un meilleur environnement de travail. Une grille de lecture qui a longtemps été pertinente tant que le marché était encore en phase de structuration.

L’étude Lecko « État de l’art de la transformation interne 2026″ montre que cette époque est révolue (Télécharger l’étude). Le marché est arrivé à maturité fonctionnelle et la quasi-totalité des plateformes couvre désormais l’essentiel des usages attendus. Dans ce contexte, continuer à raisonner en termes de « bons outils” revient à se tromper de sujet.

Ce que documente Lecko si on essaie de lire entre les lignes c’est un point de bascule qui fait que la Digital Workplace n’est plus une suite d’outils mais une architecture de travail, un système qui structure la manière dont le travail se fait.

En bref :

• La Digital Workplace n’est plus une simple question d’outils : le marché a atteint une maturité fonctionnelle où les plateformes couvrent l’essentiel des usages standards.
• La valeur ne réside plus dans les fonctionnalités mais dans l’architecture globale, la cohérence d’ensemble et l’intégration aux pratiques réelles de travail.
• Trois logiques d’architecture coexistent : surcouche à Microsoft 365, portail d’accès à un SI hétérogène, ou environnement alternatif complet, chacune impliquant une vision du travail.
• La structuration explicite du travail devient primordiale pour éviter la surcharge informationnelle ; la responsabilité passe des individus à l’organisation et au management.
• L’IA s’intègre désormais comme un composant structurel de la Digital Workplace, renforçant la nécessité d’une gouvernance cohérente et d’un design organisationnel adapté.

Un marché arrivé à maturité fonctionnelle

Le constat posé par l’étude Lecko est que le marché de la Digital Workplace a atteint un niveau de maturité fonctionnelle élevé. Les grandes briques historiques que sont intranet, collaboration, gestion des documents, espaces d’équipe, réseaux sociaux d’entreprise, recherche, ou encore diffusion multicanale de l’information sont désormais mures et  largement stabilisées.

Lecko va plus loin en soulignant que, quel que soit l’éditeur ou la plateforme retenue, les organisations disposent aujourd’hui d’un socle fonctionnel comparable, couvrant l’essentiel des besoins historiques de communication et de collaboration. Cette convergence marque explicitement, selon leurs termes, « la fin d’un cycle d’innovation centré sur l’ajout de nouvelles fonctionnalités », et l’entrée dans une nouvelle phase où la valeur se déplace vers des enjeux d’architecture, de cohérence d’ensemble et d’impact réel sur les usages.

Le chiffre est parlant : les plateformes majeures du marché (Jalios, Jamespot, LumApps, Staffbase ou eXo) couvrent aujourd’hui entre 90 et 95 % des cas d’usage standards attendus d’une Digital Workplace moderne Lecko. Le 100 % n’est pas, quant à lui, un objectif fonctionnel abstrait : il correspond à mon avis, dans la plupart des organisations, au mètre étalon Microsoft 365 que ces plateformes n’ont ni vocation ni intérêt à reproduire comme cela a d’ailleurs été dit dans la partie de l’étude concernant la souveraineté numérique (Souveraineté numérique : ce que coûte vraiment le fait de reprendre la main) et un sujet sur lequel je reviendrai dans le futur pour discuter de la mort sinon annoncée en tout cas désirée du document.

Choisir les bons outils ne suffit plus

Si 90 à 95 % des usages sont déjà couverts par la majorité des plateformes, alors le différentiel de valeur ne peut plus se situer dans l’outil pris isolément et l’étude le dit clairement : les éditeurs ne se différencient plus par le « quoi » mais par le « comment » et le « pour qui ».

Les critères structurants deviennent la capacité à adresser des populations hétérogènes, à intégrer la Digital Workplace dans les processus de travail, et à proposer une gouvernance lisible et pilotable. Ici, Lecko introduit un glissement sémantique lourd de sens : les choix technologiques relèvent désormais davantage d’une vision « architecture » que « fonctionnelle ».

Lire la suite de l’article : La Digital Workplace n’est plus une suite d’outils mais une architecture du travail

La confusion entre emploi et travail n’est plus une erreur d’analyse mais un vrai problème organisationnel et elle est si profondément intégrée aux modes de gouvernance des entreprises qu’elle structure désormais la manière dont les problèmes sont formulés, attribués et traités. On parle d’engagement, de motivation, d’attractivité, de rétention, comme si tout relevait d’une même réalité homogène, alors que l’on mélange en permanence deux objets radicalement différents.

L’emploi est devenu le prisme par lequel l’entreprise regarde le travail. Dès qu’un dysfonctionnement apparaît, fatigue, désengagement, tensions, perte de sens, difficulté à tenir les objectifs, la lecture s’opère quasi mécaniquement en termes de politique RH, de compétences, de posture managériale ou de climat social. Cette lecture est d’autant plus efficace qu’elle est rarement consciente. Elle permet de traiter des sujets complexes sans jamais interroger frontalement la manière dont le travail est conçu, organisé et rendu possible.

A force, cette confusion ne masque plus seulement la réalité du travail, elle empêche tout pilotage sérieux de l’exécution.

En bref :

• La confusion entre emploi et travail structure profondément la gouvernance des entreprises, faussant la compréhension et le traitement des problèmes organisationnels.
• L’emploi, stable et encadré juridiquement, devient le prisme dominant d’analyse, ce qui évacue la réalité complexe, instable et opérationnelle du travail.
• En réduisant les dysfonctionnements à des enjeux RH ou comportementaux, l’entreprise déplace les problèmes sans agir sur leur origine : l’organisation concrète du travail.
• La notion d’expérience collaborateur, souvent abordée sous l’angle de l’emploi, ne suffit pas à améliorer le travail réel si celui-ci n’est pas interrogé en profondeur.
• En ne distinguant pas clairement emploi et travail, la gouvernance abandonne le pilotage de l’exécution, pourtant central pour la performance effective de l’entreprise.

L’emploi, un objet stable et administratif

L’emploi est un objet que l’entreprise maîtrise car il repose sur un cadre juridique et social clair : contrat de travail, statut, classification, rémunération, protection sociale, conformité réglementaire, obligations légales. Il s’inscrit dans des temporalités longues, s’appuie sur des normes explicites et donne lieu à des processus formalisés, auditables, comparables.

C’est précisément pour cela que les fonctions RH sont légitimes sur ce périmètre. Elles savent sécuriser, structurer, standardiser, optimiser, choses pour lesquelles elles disposent de leviers identifiés et d’outils adaptés. Lorsqu’on parle d’emploi, il est cohérent de parler de politiques RH, de référentiels, ou d’indicateurs. Le cadre est clair, même s’il peut être perfectible.

Le problème n’est donc pas que l’entreprise s’intéresse à l’emploi mais qu’elle s’en contente, et qu’elle projette sur le travail des logiques conçues pour administrer un cadre, pas pour piloter une activité vivante.

Le travail, un objet instable et opérationnel

Le travail ne se trouve pas dans le contrat, mais dans ce que le contrat oblige à affronter au quotidien. On parle de qualité des instructions et du management, de clarté d’ambiguïté des objectifs, des arbitrages imposés entre priorités concurrentes, de l’accès aux moyens de bien faire son travail, de la capacité à coopérer, de la charge cognitive et temporelle que l’organisation rend supportable ou non (Hyperconnexion en entreprise : le numérique devient un fardeau).

Le travail est instable par nature. Il varie selon les contextes, les contraintes, les imprévus, les interdépendances entre individus et services et ne se laisse pas enfermer dans des procédures sans produire immédiatement des écarts entre le travail prescrit et le travail réel (Le « work about work » : quand la réalité du travail consiste à faire fonctionner ce qui ne marche pas et Transformation interne : un échec de design plus qu’un excès d’outils). C’est précisément pour cela qu’il relève du management et des opérations, pas par tradition hiérarchique, mais parce qu’il exige une responsabilité directe sur la manière dont le travail est conçu, managé et supporté.

Lire la suite de l’article : Emploi et travail : une confusion qui empêche de piloter l’exécution

La question de l’intelligence artificielle en entreprise, comme ça a été le cas pour de nombreuses technologies dans le passé, est presque toujours abordée à travers une grille de lecture qui semble aller de soi. On parle de maturité comme d’étapes à franchir comme si les organisations suivaient une trajectoire relativement ordonnée, allant d’usages embryonnaires vers un état plus abouti et maîtrisé. Cette manière de poser le problème a l’avantage de la simplicité car elle donne l’impression que les difficultés observées sont temporaires, qu’il s’agisse de compétences, d’outils ou de méthodes, et qu’il suffit de poursuivre l’effort pour que la situation se débloque.

A mesure que l’on observe les usages cette lecture devient pourtant de moins en moins convaincante, pas parce que les entreprises seraient incapables de progresser mais parce que ce que l’on interprète comme un déficit de maturité correspond souvent à quelque chose de beaucoup plus structurel. Dans de nombreux cas, les organisations ne sont pas bloquées parce qu’elles ne savent pas faire mais le fait que ces usages commencent à produire des effets qui dépassent le cadre technique, en influant les prises de décisions et rendant visibles des arbitrages qui, jusque-là, étaient informels et se passaient sous le radar.

La notion de maturité permet alors de reformuler ce blocage comme un problème de timing ou de préparation, là où il s’agit en réalité d’une limite que l’organisation n’a pas choisi d’affronter. Elle rend acceptable l’idée qu’il suffit d’attendre et permet d’éviter de trancher. Mais, plus on regarde ces situations de près, plus il devient difficile de croire que le problème se résoudra par une accumulation supplémentaire d’outils ou d’experts en conduite du changement.

En bref :

• La notion de maturité en IA est attrayante car elle évite de confronter la réalité du fonctionnement des entreprises.
• Elle permet de présenter des choix complexes comme des étapes techniques ou des retards acceptables.
• Ce concept finit par occulter la vraie question : les arbitrages implicites sur ce que l’entreprise choisit ou non de transformer.
• La position d’une organisation face à l’IA dépend davantage de sa volonté de se réorganiser que de son niveau de maturité.
• La transition vers une entreprise « AI First » est avant tout une problématique organisationnelle, non technologique.

Une accumulation qui ne débouche sur rien

Les modèles de maturité renforcent ce malentendu en suggérant qu’une progression graduelle finira mécaniquement par produire un passage à l’échelle (Les problèmes qui se manifestent quand l’IA passe à l’échelle) : plus de données, plus de méthodes, plus d’équipes spécialisées, et l’IA finirait par s’imposer d’elle-même dans les opérations. Mais l’expérience montre que cette accumulation peut rester largement sans effet dès lors que l’IA commence à toucher des zones où la question n’est plus de savoir si cela fonctionne, mais de déterminer qui décide, qui assume, et selon quelles règles.

On observe aujourd’hui des organisations très équipées, parfois même très compétentes, qui restent pourtant cantonnées à des usages limités non par manque de compétence mais parce que l’IA, dès qu’elle cesse d’être un sujet de découverte ou d’expérimentations entre en tension avec des modes de fonctionnement qui n’ont jamais été conçus pour l’absorber (Préparer l’entreprise et le travail avant d’intégrer l’IA et Comment préparer votre organisation à l’IA ?). Ajouter des capacités dans ce contexte ne fait que rendre plus visible le décalage entre ce qui est techniquement possible et ce que l’organisation accepte réellement.

La maturité, dans ce contexte, devient une excuse facile qui permet de se convaincre que le temps fera le travail alors même que rien n’indique que les arbitrages nécessaires seront un jour faits.

La maturité n’existe jamais partout

Un autre problème avec cette cette notion tient à son caractère globalisant. On parle de la maturité d’une entreprise comme si elle constituait un tout homogène, alors que les usages de l’IA sont profondément hétérogènes. Une même organisation peut être très avancée sur certains périmètres, tout en restant extrêmement prudente voire restrictive sur d’autres. Elle peut accepter l’IA tant qu’elle optimise, puis la freiner dès qu’elle transforme, non par incohérence, mais parce que tout n’est pas également tolérable donc négociable.

Lire la suite de l’article : IA : sortir du mythe de la maturité

Les jumeaux numériques connaissent le succès et attirent l’attention parce qu’ils donnent l’impression qu’un système complexe peut enfin être compris, représenté et piloté sans approximation. Cette promesse a fait ses preuves dans l’industrie, où modéliser un actif physique permet d’améliorer sa performance sans l’exposer inutilement (Les jumeaux numériques : de quoi parle-t-on vraiment ?). Mais cette réussite a aussi fait naitre une sorte de rêve sinon de fantasme : si cela fonctionne pour les machines, pourquoi pas pour le travail lui-même ?

Depuis trente ans, le secteur tertiaire poursuit pourtant un objectif resté largement hors d’atteinte : comprendre, formaliser et améliorer le travail du savoir avec la même rigueur que le travail industriel. Knowledge management, processus, outils collaboratifs et plateformes successives ont tous porté, à leur manière, cette ambition et les jumeaux numériques réactivent aujourd’hui ce projet ancien, sans toujours en mesurer la difficulté. D’ailleurs, avec du recul, je dois admettre que cela a été mon fil rouge inconscient depuis au moins 20 ans même si ce fut inconscient (L’open space n’est pas une usine mais parfois vous devriez le regarder ainsi et Ca n’est pas parce que le travail est invisible qu’on ne peut l’améliorer).

Remarquez que malgré la difficulté apparente de l’exercice j’ai tout de même pu remarquer que des concepts tels que la théorie des contraintes expliquent très bien, avec quelques adaptations, des choses que l’on observe en termes de collaboration et de productivité des travailleurs du savoir (Optimum local vs optimum global et théorie des contraintes : pourquoi vos gains de productivité ne servent parfois à rien et Le But, d’Eliyahu Goldratt : un autre regard sur la productivité) et que ce les principes de ce bon Deming fonctionnent bien au delà des usines (« Chaque système est parfaitement conçu pour obtenir les résultats qu’il obtient » – W. Edwards Deming).

Mais pour revenir au sujet de cet article, question n’est donc pas de savoir si le travail cognitif peut être modélisé mais ce que l’on accepte de perdre ou de déformer lorsqu’on essaie de le faire entrer dans un modèle.

En bref :

• Les jumeaux numériques ont prouvé leur utilité dans l’industrie en modélisant des systèmes physiques mesurables, mais leur transposition au travail cognitif soulève des questions de représentation plus complexes.
• Depuis trente ans, le secteur tertiaire cherche à modéliser le travail du savoir avec la même rigueur que le travail industriel, sans y parvenir complètement malgré les outils et approches successives.
• Le travail cognitif est difficile à modéliser car il repose sur des arbitrages, des interactions humaines et des efforts invisibles qui échappent aux traces enregistrées par les outils numériques.
• Les « organizational digital twins » simplifient le travail cognitif pour le rendre simulable, en évitant volontairement de modéliser les processus mentaux individuels, ce qui limite leur portée pour comprendre le travail réel.
• Représenter le travail du savoir implique des choix non neutres sur ce que l’on décide de rendre visible et mesurable, orientant ainsi la manière dont on conçoit, gouverne ou transforme l’organisation.

Rien n’introduit mieux le sujet que cet extrait d’un article du New Yorker que je ne me lasse pas de citer à l’envi :

« Peter Drucker notait qu’au cours du XXᵉ siècle, la productivité des travailleurs manuels dans le secteur manufacturier avait augmenté d’un facteur cinquante, à mesure que nous devenions plus intelligents sur la meilleure manière de fabriquer des produits. Il soutenait qu’à l’inverse, le secteur du savoir avait à peine commencé un processus similaire d’auto-examen et d’amélioration, et qu’il se trouvait, à la fin du XXᵉ siècle, là où l’industrie manufacturière en était cent ans plus tôt. »  (Slack Is the Right Tool for the Wrong Way to Work)

Lire la suite de l’article : Et si le vrai défi des jumeaux numériques était le travail cognitif ?

Entre les plateformes et l’IA utilisées à des fins de désinformation et des géants de la tech plus concernés que jamais par le pouvoir politique, que ça soit pour s’en rapprocher ou le convaincre, l’idée que les démocraties sont de plus en plus à risque et sous influence des BigTech fait son chemin à tel point qu’aujourd’hui personne n’ose plus contester cet état de fait.

Aujourd’hui des gardes fous subsistent, des barrières continuent de protéger la politique et la démocratie d’être totalement sous influence mais elles sont tellement fragiles qu’on ne peut s’empêcher de se demander ce qu’il adviendrait si elles venaient à céder. Et cela pourrait arriver dans un avenir très proche.

Projetons nous en 2028. Une frontière longtemps jugée infranchissable tombe et des entreprises technologiques financent directement des campagnes électorales. Officiellement, elles défendent l’innovation et la liberté numérique mais, officieusement, elles tentent de reconstruire la démocratie à leur image et dans le sens de leurs intérêts.

Le point de départ : la financiarisation de l’influence politique

Dès le début des années 2020, certains signaux faibles annonçaient une évolution structurelle du financement politique : l’explosion des Super PACs (comités d’action politique indépendants), la porosité croissante entre sphères économiques et électorales et la dépendance accrue des candidats à la collecte de données comportementales.

Mais ces alertes étaient marginalisées. Les régulateurs, focalisés sur la désinformation ou les cyberattaques étrangères, laissaient les plateformes numériques structurer tranquillement leur influence.

Le tournant intervient en 2025-2026, quand plusieurs géants de la tech, notamment aux États-Unis, augmentent brutalement leur contribution aux campagnes. Ce ne sont plus des dons indirects via des fondations ou des dirigeants, mais des financements directs, massifs, pilotés depuis des entités créées à cet effet.

Le discours officiel parle de « soutien à la modernisation du débat démocratique » mais, en pratique, cela revient à subventionner des candidats « IA-compatibles », favorables à l’automatisation, à la déréglementation de la donnée, et à l’externalisation de pans entiers de la décision publique aux algorithmes.

Premières conséquences visibles (2026-2028)

Les campagnes deviennent des terrains d’affrontement entre algorithmes. Chaque camp affine son ciblage grâce aux outils fournis par les plateformes elles-mêmes, des modèles prédictifs personnalisent les messages électoraux à l’extrême, segmentant l’électorat en micro‑tribus idéologiques.

Les discours se radicalisent alors mécaniquement : un électeur ne reçoit plus qu’un écho soigneusement calibré de ses croyances et les débats publics se fragmentent en silos concurrents et parallèles.

La conséquence logique de cette fragmentation est une perte rapide de légitimité des médiations institutionnelles : presse, partis historiques et corps intermédiaires perdent peu à peu la main en étant court-circuités et devenant invisibles et inaudible.

Face à l’efficacité des nouveaux canaux de mobilisation, les anciennes formes de débat sont jugées obsolètes, lisses, inadaptées. Les élus eux-mêmes, souvent sélectionnés sur leur capacité à maîtriser les outils numériques, deviennent dépendants des équipes techniques financées par les entreprises partenaires.

Dans plusieurs pays occidentaux, les candidats soutenus par ces entités remportent des scrutins clés. Très vite des lois assouplissent la régulation sur la collecte de données, la fiscalité du cloud ou l’usage de systèmes prédictifs dans les services publics.

Une nouvelle doctrine émerge selon laquelle « la compétitivité politique passe par la technologie ». L’opposition est minoritaire, souvent discréditée et stigmatisée comme archaïque ou technophobe.

Reconfiguration du pouvoir politique (2028-2031)

À partir de 2028, certains territoires deviennent de véritables États‑clients technologiques. Leurs dirigeants, élus grâce à des campagnes pilotées par des géants numériques, appliquent fidèlement les priorités de leurs soutiens.

Cela se traduit par :

• la privatisation de segments entiers de l’éducation ou de la santé publique via des solutions logicielles,
• l’intégration de plateformes propriétaires dans les processus électoraux eux-mêmes (vote en ligne, comptage automatisé, gestion d’identité),
• l’alignement diplomatique sur les positions des grandes firmes, notamment en matière de cybersécurité, de régulation IA, et d’économie de l’attention.

Dans ce nouveau paysage, la critique devient difficile voire impossible. Les journalistes sont dépendants des flux d’audience que les plateformes contrôlent. Les lanceurs d’alerte, exposés à des campagnes de discrédit automatisées, voient leur voix marginalisée.

Lire la suite de l’article : Dystopie : la démocratie hackée

La souveraineté numérique est devenue sinon un mot d’ordre en tout cas un sujet qui prend de plus en plus de place dans les discussions. Elle est présente dans les prises de position publiques, parfois dans les feuilles de route des directions IT et si on y prend le temps d’y réfléchir elle relèverait presque du réflexe de bon sens : reprendre la main, réduire les dépendances, sécuriser ses données. L’édition 2026 de l’étude Lecko sur la transformation interne (Télécharger l’étude) montre pourtant que derrière une apparente évidence la souveraineté reste un sujet profondément inconfortable pour les organisations, non pas sur le plan des intentions, mais sur celui des décisions et de leur traduction opérationnelle.

En bref :

• La souveraineté numérique est largement souhaitée mais difficile à traduire en décisions concrètes en raison de la domination de Microsoft et de la logique de bundle qui structure les usages.
• Les alternatives souveraines couvrent 80 à 90 % des besoins, mais les usages restants, souvent critiques, empêchent une substitution complète et rapide.
• Les arbitrages restent guidés par des considérations pratiques (efficacité, continuité), reléguant la souveraineté au second plan malgré son importance stratégique.
• La transition vers des solutions souveraines implique un « double run » coûteux et durable, souvent sous-estimé, avec une charge organisationnelle et cognitive accrue pour les équipes.
• L’État joue un rôle ambigu en étant à la fois prescripteur, utilisateur de solutions dominantes et concurrent des éditeurs souverains, ce qui limite leur capacité de développement.

Une dépendance massive, structurée par les usages et les bundles

Premier chiffre clé de l’étude : 75 % des environnements de travail reposent aujourd’hui sur l’écosystème Microsoft. Il ne s’agit pas de l’ensemble du numérique mais bien de la bureautique, de la messagerie et de la collaboration, autrement dit du socle quotidien du travail cognitif et collectif. A coté il y a le monde des outils métiers, des ERPs, ou la question se pose peut être un peu moins ou où les alternatives sont peut être plus évidentes même si la mise en œuvre reste lourde.

Cette domination ne s’explique ni par une supériorité intrinsèque isolée de chaque outil, ni par une préférence rationnelle outil par outil. Elle repose sur deux mécanismes que l’étude et que l’on ne peut dissocier : l’effet d’écosystème et l’effet de bundle. Les outils ne sont pas utilisés séparément, mais comme un ensemble cohérent, contractuellement et techniquement et culturellement intégré ce qui fait que la suite devient un standard non parce qu’elle est optimale sur chaque usage mais parce qu’elle permet de la continuité dans les usages et les couts financiers et en termes de productivité liés à la discontinuité et l’impact qu’on imagine sur l’expérience utilisateur (Quelle (digital) workplace experience pour vos collaborateurs ?). Le fait de ne pas à avoir à prendre de décision outil par outil pèse également naturellement.

Ma lecture est que cette logique de bundle joue un rôle décisif dans la dépendance. Tant que la bureautique, la messagerie, la collaboration, l’identité et, de plus en plus, les fonctions d’automatisation et d’assistance sont empaquetées dans une même offre (et on le voit aujourd’hui avec l’IA et Copilot), la comparaison avec des alternatives souveraines se fait rarement à périmètre égal. Le débat ne porte pas sur la valeur de chaque brique mais sur le coût politique et organisationnel de la sortie du tout-en-un.

Quid de la substituabilité ?

L’un des apports importants de l’étude est de sortir d’une opposition caricaturale entre solutions dominantes et alternatives souveraines. Lecko chiffre précisément le niveau de couverture fonctionnelle des solutions alternatives et il apparait que les suites bureautiques souveraines couvrent aujourd’hui entre 80 et 90 % des besoins courants. Ce chiffre invalide l’idée selon laquelle la souveraineté serait bloquée par une immaturité générale des outils.

Lire la suite de l’article : Souveraineté numérique : ce que coûte vraiment le fait de reprendre la main

Cela fait plusieurs année que je ne vous avais pas parlé du CEO Survey de PWC mais cette année il est en plein dans mon actualité et mes centres d’intérêt. En effet sa 29e édition offre une photographie détaillée des priorités, des perceptions de risques et des choix d’investissement des dirigeants dans un contexte marqué par une incertitude accrue, une accélération technologique persistante et une pression croissante sur la performance et la fiabilité des organisations (Leading through uncertainty in the age of AI).

Contrairement à certaines lectures réductrices, le rapport ne se limite ni à l’intelligence artificielle, ni aux seuls enjeux de confiance mais met en évidence deux blocs structurants pour l’agenda des dirigeants : d’un côté, la transformation, avec l’IA, l’innovation et la recomposition des portefeuilles d’activités comme leviers de croissance et, de l’autre, la confiance, abordée comme un actif stratégique mesurable, directement corrélé à la performance financière.

En bref :

• Le PwC Global CEO Survey 2026 met en lumière deux axes structurants pour les dirigeants : la transformation (via l’IA, l’innovation, la recomposition sectorielle) et la confiance (considérée comme un actif stratégique mesurable et lié à la performance).
• La confiance des dirigeants dans la croissance à court terme diminue, tandis que les risques systémiques (cyber, macroéconomie, géopolitique) gagnent en importance dans leurs décisions.
• L’adoption de l’IA est répandue mais ses retours économiques restent limités ; seules les entreprises ayant intégré l’IA à leur modèle opérationnel et disposant d’une gouvernance solide en tirent une valeur mesurable.
• Les ambitions de diversification sectorielle et d’innovation sont fortes, mais leur mise en œuvre reste inégale, notamment en termes de discipline stratégique et d’organisation de l’innovation.
• La confiance, déclinée en dimensions opérationnelle, numérique et de responsabilité, devient un facteur de performance reconnu, avec un lien établi entre gestion de la confiance et rendement actionnarial.

Un contexte marqué par la montée des risques et l’érosion de la confiance dans la croissance

Quelques éléments de contexte pour commencer.

La confiance des dirigeants dans la croissance à court terme poursuit sa dégradation. En 2026, 30 % seulement des CEO se déclarent très ou extrêmement confiants dans les perspectives de croissance de leur entreprise à 12 mois, contre 38 % en 2025 et 56 % en 2022. Cette tendance est observable dans la majorité des grandes économies.

Parallèlement, la perception des risques systémiques progresse. 31 % des dirigeants estiment être très ou extrêmement exposés à une perte financière significative liée au cyber-risque, contre 24 % l’année précédente et 21 % deux ans plus tôt. Le cyber-risque rejoint ainsi la volatilité macroéconomique parmi les principales menaces citées.

L’environnement géopolitique pèse également sur les décisions d’investissement. 32 % des dirigeants déclarent que l’incertitude géopolitique les rend moins enclins à engager des investissements significatifs. 29 % estiment par ailleurs que les droits de douane auront un impact négatif sur leur marge nette au cours des 12 prochains mois, même si la majorité anticipe un effet limité.

L’IA : une adoption large, mais des retours économiques encore limités

L’intelligence artificielle occupe une place centrale dans les discours stratégiques, mais le rapport met en évidence un décalage persistant entre adoption et création de valeur mesurable, ce qu’on avait déjà vu récemment dans d’autres études (Adoption et impact de l’IA : enseignements (et limites) des dernières études McKinsey et BCG).

Sur les 12 derniers mois :

• 56 % des CEO déclarent que l’IA n’a entraîné ni augmentation des revenus ni réduction des coûts. Rien de surprenant pour qui a sérieusement réfléchi au sujet (Sans gouvernance, les gains dus à l’IA sont virtuels et Les technologies vendent de la productivité, mais les entreprises veulent du revenu).
• 30 % rapportent une augmentation des revenus liée à l’IA.
• 26 % indiquent une baisse des coûts.
• 12 % seulement déclarent avoir observé simultanément une hausse des revenus et une baisse des coûts (L’IA de la productivité au P&L : rien n’arrive par hasard).

Cette minorité constitue ce que PwC qualifie de « vanguard ». Le rapport montre que ces entreprises ne se distinguent pas par l’intensité de l’expérimentation, mais par leur capacité à créer les conditions organisationnelles de l’industrialisation.

Lire la suite de l’article : IA et confiance au coeur des stratégies d’entreprise pour PwC

Les différences de trajectoires face à l’intelligence artificielle ne s’expliquent ni par le niveau d’équipement, ni par l’accès aux talents, ni même par la qualité des données mais par des postures organisationnelles que l’on retrouve d’une entreprise à l’autre, quels que soient le secteur ou la taille.

Mais elles ne sont pas toujours formulées comme telles. Elles se manifestent dans la manière dont l’IA est accueillie, acceptée et expliquent pourquoi certaines initiatives s’installent, pourquoi d’autres moins, et pourquoi les mêmes débats reviennent de manière quasi systématique.

Il ne s’agit pas ici de classer les entreprises et encore moins de dire lesquelles réussissent mais de décrire des archétypes tels qu’on peut les observer sur le terrain.

En bref :

• Les différences d’adoption de l’IA entre entreprises tiennent principalement à des postures organisationnelles, indépendamment des moyens techniques ou humains disponibles.
• Il y a cinq archétypes d’entreprises face à l’IA : opportuniste, prudente, fascinée, structurante et défensive, chacun traduisant une attitude spécifique aux usages et à l’intégration de l’IA.
• Ces postures influencent la manière dont l’IA est expérimentée, encadrée ou freinée, avec des effets concrets sur la pérennité et la cohérence des initiatives mises en place.
• Une même entreprise peut combiner plusieurs postures selon ses métiers ou moments, et ce sont souvent les contradictions entre posture réelle et discours affiché qui compromettent les projets IA.
• Plutôt que de viser directement une stratégie « AI First », il est vital de comprendre la posture actuelle de l’entreprise vis-à-vis de l’IA pour construire une trajectoire cohérente et réaliste.

L’entreprise opportuniste

C’est sans doute l’archétype le plus répandu. L’IA y est abordée comme une opportunité parmi d’autres, au fil des cas d’usage identifiés localement. On expérimente, on teste, on ajuste. Les initiatives émergent là où une équipe voit un intérêt immédiat, souvent à l’échelle individuelle ou d’un petit collectif.

Cette posture produit des résultats visibles mais dispersés. Certains usages perdurent, d’autres disparaissent car il n’y a pas de volonté explicite de cohérence d’ensemble, ni de tentative de mise à l’échelle et l’IA est acceptée tant qu’elle reste utile et peu engageante (Ce qui fonctionne aujourd’hui avec l’IA sans effort particulier).

Mais qu’elle exige une coordination ou une clarification des responsabilités, l’élan retombe (Les problèmes qui se manifestent quand l’IA passe à l’échelle).

Ce n’est pas une posture inefficace, loin de là. Elle permet de capter des gains rapides, sans remettre en cause l’existant mais, en revanche, elle crée aussi une accumulation de dispositifs hétérogènes, difficilement lisibles, et rarement structurants.

L’entreprise prudente

Dans cet archétype l’IA est perçue avant tout comme un sujet à risque. Risque juridique, risque réputationnel, risque opérationnel et j’en passe. Les initiatives sont donc étroitement encadrées et souvent ralenties par des processus de validation successifs.

Cette prudence a une vertu car elle évite les débordements et limite les usages mal maîtrisés, réduit les effets de mode mais elle a aussi un coût. Les projets peinent à dépasser le stade de l’expérimentation contrôlée et les équipes se lassent.

Dans ces organisations, ce qui fonctionne est rarement ce qui a été officiellement autorisé. Les usages qui tiennent sont souvent ceux qui passent sous les radars loin des dispositifs formels de gouvernance avec tous les risques associés au shadow AI.

L’entreprise fascinée

Ici l’IA est investie d’une forte charge symbolique. Elle incarne la modernité et la performance et est donc précédée et accompagnée de discours ambitieux et de démonstrations soignées.

Mais cette fascination s’accompagne souvent d’un décalage avec le réel. Les usages sont pensés comme des POCs permanents et rarement comme des dispositifs appelés à durer. On montre, on communique mais on industrialise peu.

Dans ce contexte, l’IA devient un sujet en soi. Elle attire l’attention, mais peine à s’inscrire dans les opérations. Pire, lorsqu’elle commence à produire des effets concrets elle se heurte à une organisation qui n’a pas été préparée à en assumer les conséquences.

Lire la suite de l’article : 5 archétypes d’entreprises face à l’IA

Parler de jumeau numérique renvoie historiquement à l’idée de construire une représentation numérique d’un système, l’alimenter en données, le faire évoluer, et s’en servir pour comprendre, prévoir et optimiser (Les jumeaux numériques : de quoi parle-t-on vraiment ?). Dans l’industrie le concept est valorisé mais a un prix puisqu’il suppose un effort de modélisation, un outillage, une flux de données et, surtout, une discipline de décision

Depuis, l’IA générative est arrivée, et avec elle la tentation d’ajouter une couche de langage et d’automatisation, puis rebaptiser l’ensemble jumeau. Le résultat est ambigu car l’IA peut, effectivement, rendre certains jumeaux plus utiles, elle peut aussi transformer le concept en un fourre tout quitte à ne plus vouloir dire grand-chose.

En bref :

• Le jumeau numérique, historiquement conçu comme une représentation fidèle d’un système alimentée par des données, vise à comprendre, simuler et optimiser, en s’appuyant sur une modélisation rigoureuse, des outils adaptés et une gouvernance des données.
• L’IA générative enrichit les jumeaux en facilitant l’exploitation de données non structurées, en améliorant certaines prédictions et en rendant l’interaction plus accessible, mais elle peut aussi diluer la rigueur du concept initial en favorisant des usages trop larges ou flous.
• Malgré ses apports, l’IA ne supprime ni les exigences de qualité des données, ni la nécessité de définir un modèle clair, ni les règles de décision, qu’elle tend même parfois à rendre moins transparentes.
• Le terme « jumeau cognitif » désigne des systèmes intégrant des fonctions d’apprentissage et d’adaptation, mais il peut être galvaudé dès lors qu’on assimile toute interface dialoguante à un jumeau, au risque de confondre modélisation rigoureuse et simulation sociale approximative.
• Il est crucial de distinguer jumeau numérique et agent IA : le premier éclaire la décision en représentant un système, le second agit dans un but donné avec une autonomie relative, posant des enjeux importants de responsabilité, de contrôle et de sécurité.

Ce que l’IA change : apprendre, compléter, recommander

Avant tout reconnaissons ce que l’IA apporte quand on l’emploie à bon escient.

Elle facilite l’ingestion et la mise en forme de connaissances hétérogènes. Là où un jumeau classique repose sur des données structurées, des modèles physiques et des règles explicites, l’IA permet d’exploiter plus facilement des sources moins propres : comptes-rendus, tickets, procédures, observations terrain, retours d’expérience. Dans des contextes où l’on ne dispose pas d’un modèle parfaitement établi elle peut aider à produire des hypothèses, à suggérer des corrélations, à proposer explications, et donc à accélérer le passage entre « ce qu’on croit savoir » et « ce que les données racontent ».

Elle améliore aussi certaines capacités prédictives, en particulier quand le comportement du système est difficile à capturer uniquement par des équations. C’est un sujet d’ailleurs largement traité récurrent dans la littérature récente : l’intégration de méthodes d’apprentissage dans les jumeaux progresse, mais reste très dépendante du contexte, des données disponibles et des objectifs opérationnels visés (What is a Digital Twin anyway? Deriving the definition for the built environment from over 15,000 scientific publications et A review of digital twins in smart industries: Concepts, milestones, trends, applications, opportunities and challenges) .

Enfin, elle peut transformer l’usage du jumeau, en proposant une interaction plus directe. Un jumeau bien conçu devient non seulement un objet de simulation, mais aussi un système qui formule des recommandations et rend accessibles des diagnostics à des utilisateurs qui n’auraient jamais ouvert un outil de modélisation. Le gain est autant cognitif qu’opérationnel : on élargit le cercle de ceux qui peuvent se servir du jumeau sans en être des spécialistes.

Ce que l’IA ne change pas : données, modèle, règles de décision

Il faut toutefois rester prudents et éviter tout emballement car l’IA n’est pas une baguette magique qui ferait disparaitre toutes les contraintes et prérequis.

Lire la suite de l’article : Le jumeau numérique à l’ère de l’IA : progrès ou illusion de progrès ?

Dans de nombreuses organisations on voit les mêmes problèmes qui reviennent inlassablement en boucle : surcharge informationnelle, outils mal utilisés, réunions chronophages, collaborateurs démobilisés. Et puis toujours les mêmes erreurs et des résultats insuffisants, aux mêmes endroits, face aux mêmes situations. On change les gens, on change de manager mais rien ne change. Et on continue ainsi, encore et encore. En fait on les traite souvent comme des anomalies isolées, des incidents de parcours, des dysfonctionnements à corriger à la marge.

Mais, en fait, ces problèmes sont totalement logiques et ce qui serait surprenant, quand on voit les choses avec du recul, ça serait qu’ils ne se produisent pas.

C’est ce que nous dit Deming, figure majeure s’il en est du management de la qualité, dans une formule dont la simplicité n’a d’égale que la pertinence.

« Chaque système est parfaitement conçu pour obtenir les résultats qu’il obtient »

Autrement dit : un système n’échoue pas par accident mais il produit exactement ce pour quoi il a été conçu et ce même si le résultat est contre-productif.

Cette citation nous invite à un changement de perspective assez salutaire : cesser de chercher des coupables individuels et commencer à interroger sérieusement la conception de nos environnements de travail.

En bref :

• Les problèmes récurrents dans les organisations (désengagement, inefficacité, erreurs) ne sont pas des anomalies isolées mais des conséquences logiques de systèmes mal conçus.
• Selon W. Edwards Deming, un système produit exactement les résultats pour lesquels il a été conçu, même si ces résultats sont contre-productifs.
• Cette approche invite à déplacer le regard du blâme individuel vers une analyse des structures, processus et incitations qui conditionnent les comportements.
• Des exemples comme ceux du Boeing 737 Max ou du Titanic illustrent comment des systèmes peuvent engendrer des défaillances graves sans qu’aucune faute individuelle ne soit commise.
• La citation de Deming appelle à une refonte des environnements de travail basée sur une compréhension systémique, impliquant ceux qui les vivent au quotidien et visant des transformations durables plutôt que des ajustements ponctuels.

Qui est W. Edwards Deming ?

W. Edwards Deming (1900–1993) est une figure incontournable dans le domaine du management de la qualité. Statisticien de formation, il a profondément influencé les pratiques industrielles modernes, notamment au Japon où son approche systémique a été un catalyseur de la renaissance économique d’après-guerre. Son nom est étroitement associé au cycle PDCA (Plan-Do-Check-Act) et à l’idée que l’amélioration continue repose d’abord sur l’amélioration du système, pas sur le blâme des individus (The Problem Isn’t the Employee, It’s the System).

Deming ne vendait pas des « méthodes » ou des « recettes », mais une philosophie du travail fondée sur la compréhension profonde des systèmes, des variations et des comportements humains.

Contexte de la citation

La phrase « Chaque système est parfaitement conçu pour obtenir les résultats qu’il obtient » s’inscrit donc dans la lignée de la pensée systémique, chère à Deming. Elle remet frontalement en question une attitude très répandue dans les organisations : croire que de mauvais résultats sont avant tout dus aux erreurs individuelles, à un manque d’effort ou à une mauvaise volonté.

Deming renverse la logique : si une organisation produit des résultats insatisfaisants (retards, désengagement, incohérences, gaspillage…), ce n’est pas à cause des individus isolés mais parce que le système, c’est-à-dire l’ensemble structurant des règles, processus, outils, incitations, objectifs, produit mécaniquement ces résultats.

Pour illustrer cela de manière très concrète je vais simplement deux rappeler deux cas traités sur ce blog.

Le premier est celui du Boeing avec les problèmes rencontrés par le 737 Max. Vu de l’extérieur beaucoup on hâtivement conclu que Boeing souffrait d’un problème de compétences et ne savait plus faire un avion. La vérité est que ce qui s’est passé était la conséquence logique d’un changement de culture profond qui a eu un impact à tous les étages de l’entreprise avec, à la fin, les arbitrages et décisions qui ont mené à l’issue fatale que l’on connait (Boeing : une culture et un slogan peuvent tuer une entreprise). Ce qui aurait été surprenant aurait été que ces décisions ne soient pas prises…

Lire la suite de l’article : « Chaque système est parfaitement conçu pour obtenir les résultats qu’il obtient » – W. Edwards Deming

Chaque début d’année est marqué par la nouvelle édition de l’étude Lecko sur la transformation interne des organisations et cette année ne fait pas exception à la règle. Et comme l’an dernier, vu la richesse du document, je vais faire une série d’articles pour le traiter de manière exhaustive et je vais commencer, ici, par la dimension organisationnelle.

L’éditons 2026 (État de l’art 2026) ne décrit pas vraiment une crise d’adoption numérique mais, à mon sens, un échec de conception du travail. Les ne pointent ni un déficit technologique, ni une résistance au changement, mais une incapacité persistante des organisations à transformer les outils déployés en performance opérationnelle.

Le niveau d’équipement est élevé et 75 % des environnements numériques de travail reposent sur Microsoft 365. Outlook est utilisée par 77 % des salariés du privé et 76 % du public. L’équipement et la standardisation dont donc acquis et à ce stade, continuer à parler de transformation digitale comme d’un chantier d’outillage n’a plus de sens.

Pourtant, 60 % des utilisateurs déclarent recourir à des outils personnels pour travailler plus efficacement, un chiffre qui ne traduit pas une quelconque défiance mais montre que les environnements de travail en entreprise ne permettent pas de travailler efficacement en conditions réelles.

En bref :

• L’étude Lecko 2026 met en lumière un échec de conception du travail plutôt qu’un problème d’adoption numérique ou technologique ; les outils sont présents mais inefficaces sans transformation organisationnelle.
• Malgré un haut niveau d’équipement numérique, une majorité de salariés recourt à des outils personnels pour être efficaces, révélant un défaut de conception des environnements de travail.
• Le bruit organisationnel, notamment l’excès de réunions, traduit une mauvaise conception du travail collectif, où les outils compensent un manque de clarté structurelle.
• L’écart entre travail prescrit et travail réel alimente le phénomène de « work about work », amplifié par le numérique, qui occupe une part croissante du temps de travail sans générer de gains de productivité.
• Les effets attendus de l’IA générative ne se matérialisent pas, en partie parce que les dirigeants, protégés des effets du bruit organisationnel, conçoivent les transformations à partir d’une vision déconnectée du travail réel.

Un défaut de design organisationnel

Les données relatives au bruit organisationnel sont sans ambiguïté. 40 % des salariés estiment qu’une réunion sur deux pourrait être réduite ou supprimée et, chez les cadres, 40 à 80 % du temps de travail est absorbé par les réunions. Des chiffres qui ne décrivent pas tant un problème de discipline individuelle mais une inflation structurelle des besoins en coordination.

Une organisation bien conçue est supposée réduire le besoin de coordination explicite alors qu’une organisation mal conçue le multiplie. Le bruit organisationnel mesuré par Lecko n’est pas un sous-produit accidentel du numérique mais le résidu mesurable de transformations internes mal abouties où les outils ont été déployés sans redéfinition explicite des règles de travail collectif (Outils collaboratifs en entreprise : de la confiture aux cochons ?).

Réunions, mails, chats et notifications jouent alors un rôle de compensation. Ils servent à pallier l’absence de clarté sur les priorités, les responsabilités les circuits de décision et plus le design du travail est flou, plus le bruit augmente.

Dernièrement je parlais avec une personne qui qualifiait son entreprise de « mature » dans la mesure où la multiplicité des outils de communication et de collaboration permettait aux gens d’échanger avec une grande facilité au moindre besoin. Au fil de notre discussion une évidence m’est apparue et je suis arrivé à la conclusion inverse : est ce que le besoin de sans cesses échanger pour demander des précisions, des validations ou se coordonner n’était pas, au contraire, une preuve d’immaturité ? Ou, dit autrement, est-ce que la maturité technologique n’était pas le corollaire d’une immaturité organisationnelle ?

Lire la suite de l’article : Transformation interne : un échec de design plus qu’un excès d’outils