Lionel JAQUET

Blog

  • Notre moyen âge numérique, et la renaissance qui dépendra de nous

    J’ai longuement hésité avant d’écrire ce texte. Ma position est inconfortable. Je dirige depuis vingt ans une entreprise dont l’activité consiste à déployer chez nos clients les technologies que je m’apprête ici à mettre en cause. Mais le malaise vient peut-être de là, justement : si nous, qui vivons à l’intérieur du système, ne parlons pas honnêtement de ce qui se passe, qui le fera ?

    Le constat est dur, et je préfère le poser sans détour. Nous traversons une sorte de moyen âge numérique. La globalisation, les réseaux sociaux et l’intelligence artificielle générative ont produit en deux décennies une opacité et une dépendance dont nous percevons mal l’étendue. James Bridle, dans New Dark Age, parle d’une obscurité spécifique : la complexité technologique a dépassé la compréhension humaine. Yanis Varoufakis parle de techno-féodalisme : les plateformes seraient devenues des fiefs, leurs utilisateurs des serfs numériques. Quelle que soit la métaphore retenue, l’intuition qu’une dégradation s’est produite dans notre rapport au monde technique est aujourd’hui largement partagée, y compris parmi ceux qui, comme moi, travaillent à faire fonctionner les outils en question.

    L’analogie de la révolution industrielle

    L’analogie qui revient le plus souvent, dans les conférences comme dans les écoles, est celle de la révolution industrielle. Elle est juste et c’est précisément pour cela qu’elle devrait nous donner à réfléchir.

    La révolution industrielle a effectivement produit des gains de productivité considérables. Mais ces gains ont mis soixante ans à se traduire en hausse des salaires réels. Les historiens économiques appellent cette période la pause d’Engels. Entre 1780 et 1840, le PIB britannique a crû de 46% pendant que les salaires des ouvriers ne progressaient que de 12%. L’espérance de vie en Angleterre a stagné entre 1820 et 1870 (cinquante ans, au pic de la révolution) à cause de l’urbanisation rapide, des conditions de travail, des eaux contaminées. Les enfants travaillaient douze à seize heures par jour dans des manufactures. La richesse créée a été extraordinaire ; sa distribution, obscène.

    La douleur du changement n’est jamais répartie équitablement. Ce ne fut pas le cas pendant la révolution industrielle, et il n’y a aucune raison de penser que ce le sera durant notre révolution numérique. Les premiers chiffres confirment cette inquiétude et la Suisse n’y échappe pas. Il y a vingt ans, près de 60% des ménages suisses pouvaient acquérir un logement de prix médian ; aujourd’hui, cette proportion est tombée à 15%, soit 660 000 ménages (selon UBS). L’âge moyen des propriétaires immobiliers est passé de 54 ans en 2000 à 58 ans aujourd’hui ; seuls 20% des ménages de moins de 35 ans accèdent à la propriété, contre 55% des seniors de 70 ans. Dans l’arc lémanique, il faut désormais plus du double du revenu médian d’un jeune ménage, soit environ 18’500 CHF par mois, pour acquérir un logement. La concentration de la fortune, elle aussi, a fortement augmenté : le 1% le plus riche détient aujourd’hui 45% de la fortune nationale, contre environ un tiers en 1980. Et selon une étude récente de l’Université de Zurich, 19 des 26 cantons suisses affichent désormais des écarts de patrimoine plus marqués que les États-Unis. Pendant ce temps, la classe moyenne suisse s’érode et les CEO des grandes plateformes deviennent les humains les plus riches de l’histoire enregistrée. Le prix Nobel d’économie 2024, Daron Acemoglu, estime d’ailleurs que les gains de productivité réels de l’IA seront probablement plus modestes que ne le claironnent les cabinets de conseil. Mais que les gains soient massifs ou modestes, la question centrale reste la même : qui les capturera ?

    La renaissance est possible, elle n’est pas garantie

    Pourtant, je reste optimiste. Et je veux expliquer pourquoi, sans dissimuler les conditions de cet optimisme.

    Après le moyen âge est venue la Renaissance. Après la révolution industrielle sont venues, péniblement, les lois sur le travail, les syndicats, l’éducation publique, les premières protections sociales. À chaque fois, après la phase de douleur, des sociétés ont réussi à reconstruire des institutions qui ont redistribué une partie des gains et restauré un certain équilibre humain. Cela ne s’est pas fait par magie. Cela ne s’est pas fait sans conflit. Mais cela s’est fait.

    Aujourd’hui, je perçois plusieurs signaux qui suggèrent qu’une renaissance pourrait être en route. Le mouvement du digital minimalism, popularisé par le chercheur Cal Newport, gagne du terrain. Particulièrement, et c’est intéressant, chez les générations qui ont grandi avec les écrans : retour aux téléphones simples, livres physiques, expériences hors-ligne. Le marché de l’artisanat connaît une croissance robuste. Les grandes maisons de luxe, jusqu’à Hermès et Porsche, reviennent à des illustrations dessinées à la main pour leurs campagnes, parce que le contenu généré par IA déclenche une fatigue mesurable chez le consommateur. Un article récent du New York Times, signé par Isabel Cristo, documente l’émergence d’une nouvelle norme : buy better, buy less : acheter moins mais mieux, valoriser la provenance humaine. Les recherches en psychologie expérimentale convergent sur un fait curieux : une œuvre identique est jugée plus belle, plus significative et plus précieuse quand les lecteurs croient qu’un humain l’a faite… même quand l’IA a créé la version « humaine ».

    Ce sont des signaux. Ce n’est pas une certitude. La renaissance n’est pas un déterminisme historique ; c’est une possibilité qui dépend de choix : individuels, organisationnels, politiques.

    L’outil est le propre de l’homme

    Au cœur de cette renaissance possible, je crois qu’il y a une question philosophique simple, qu’il faut poser sans détour : que faisons-nous, nous humains, de cette nouvelle classe d’outils ?

    Henri Bergson écrivait que l’humain est homo faber, l’homme qui fabrique des outils. L’outil est le propre de l’homme. Le silex taillé, la roue, la presse à imprimer, le moteur à vapeur, l’ordinateur : chacun a augmenté nos capacités et transformé nos sociétés. L’intelligence artificielle générative entre dans cette lignée. Elle est un outil, un outil considérable. Mais un outil n’est pas un substitut. Une pioche démultiplie la force du bras, elle ne creuse pas à votre place. Une calculatrice exécute des opérations, elle ne décide pas ce qu’il faut calculer.

    Le risque spécifique de l’IA générative est qu’elle peut donner l’illusion de penser à notre place. Une étude récente du MIT Media Lab, conduite par Nataliya Kosmyna et son équipe, a mesuré par électro-encéphalographie la connectivité cérébrale d’étudiants rédigeant des essais avec ou sans assistance IA. Les utilisateurs réguliers de ChatGPT présentaient une connectivité significativement plus faible, une mémoire dégradée, et, détail troublant, étaient incapables de citer correctement leurs propres essais quelques minutes après les avoir écrits. Les auteurs parlent de dette cognitive. C’est une étude préliminaire, qui demande réplication. Mais elle pose une question qu’il serait imprudent d’éluder.

    L’enjeu, pour chacun de nous, est de garder l’outil à sa place : devant nous, comme un instrument que nous mobilisons consciemment, et non au-dessus de nous, comme une présence qui nous décharge progressivement de la nécessité de penser. L’humanité authentique, créative, attentive, capable de surprise et d’erreur signifiante, ne relève pas de la nostalgie. Elle est l’attribut qui résistera à la commoditisation des contenus standardisés.

    Ce qui ne dépend pas de nous

    Il y a beaucoup de choses, dans ce paysage, sur lesquelles nous n’avons aucune emprise. Je l’observe autour de moi, chez des collègues comme chez des amis : beaucoup s’épuisent à suivre en continu le flux de l’actualité, économique, politique, technologique, climatique, dans une veille devenue obsessionnelle. Cette posture a un coût. Elle produit de l’anxiété sans produire d’action. Sénèque, dans ses Lettres à Lucilius, le formulait déjà il y a deux mille ans : « on souffre plus souvent en imagination qu’en réalité ».

    L’évolution des modèles d’IA ne nous appartient pas. Les capacités progresseront indépendamment de notre opinion. La stratégie des géants technologiques ne nous appartient pas non plus. Les feuilles de route d’OpenAI, Anthropic, Meta et Google se déploieront avec ou sans nous. Le rythme du changement structurel, la pause d’Engels numérique, ou ce qui en tiendra lieu, ne nous appartient pas. La question de savoir si tel ou tel métier sera substituable à dix ans ne nous appartient pas pleinement non plus.

    S’épuiser sur ces sujets ne change rien à leur évolution. La sagesse pratique, ici, vient d’une intuition très ancienne. Épictète, au premier siècle de notre ère, écrivait dans son manuel : « Il y a des choses qui dépendent de nous, et d’autres qui n’en dépendent pas ». Pour les premières, agir avec énergie. Pour les secondes, accepter avec sérénité. Cette dichotomie a deux mille ans : elle reste pertinente.

    Ce qui dépend de nous

    Voici donc ce qui dépend de nous. Je parle ici aux employés des entreprises suisses romandes qui partagent une certaine philosophie de proximité, de relation humaine et de qualité longue. Quatre propositions concrètes.

    L’hygiène cognitive personnelle. Préserver vos compétences fondamentales ! Lire un texte long sans assistance, écrire un premier jet sans IA, faire un raisonnement à voix haute devant un collègue, calculer mentalement, ne relève pas de la nostalgie. Il s’agit de maintenance neuronale documentée par la littérature récente. Avant chaque sollicitation de l’IA, posez-vous la question : cette tâche est-elle de nature à faire travailler mon cerveau, ou seulement à le décharger d’une corvée sans valeur cognitive ? Si c’est la première, l’IA dégrade. Si c’est la seconde, l’IA libère. Cette règle simple change tout.

    L’usage intentionnel de l’IA dans votre métier. Cal Newport, dans Digital Minimalism, formule un principe : chaque usage d’une technologie doit relever d’un choix conscient, pas d’une habitude. Concrètement cela signifie : ne pas démarrer la journée par ChatGPT ; ne pas laisser l’IA produire le brouillon de vos décisions importantes ; vérifier systématiquement ce que produit l’IA avant de le transmettre, même quand cette vérification est ennuyeuse ; garder par ailleurs des plages de travail sans aucune assistance. L’enjeu n’est pas idéologique. Vous devez rester capable de défendre ce que vous signez.

    L’investissement dans les compétences non substituables. La littérature économique converge sur un point : l’IA est forte sur les tâches codifiables, faible sur le jugement contextuel, la décision sous incertitude, la relation humaine de qualité, la coordination d’équipes complexes. Ces compétences sont aussi celles que l’expérience accumule lentement et que la formation continue peut renforcer. Pour vous, employé, cela oriente le choix de vos projets, de votre carrière : préférez les missions où vous arbitrez, négociez, comprenez un contexte client, intégrez des contraintes implicites, plutôt que celles où vous produisez du contenu standardisé qui sera, à terme, généré automatiquement.

    L’hygiène attentionnelle et le capital humain authentique. Notifications désactivées, applications de focus, plages sans écran, lecture profonde régulière, activités non-numériques : musique, sport, jardinage, marche… Ce n’est pas une posture esthétique. Vos relations professionnelles, votre signature personnelle, votre voix, votre style sont des actifs qui prennent de la valeur à mesure que le contenu IA inonde le marché. Plus le standardisé devient abondant, plus le singulier devient précieux.

    La zone d’influence partielle

    Il y a une zone intermédiaire que je dois mentionner, parce qu’elle compte particulièrement en Suisse. La philosophie stoïcienne classique distingue ce qui dépend de nous et ce qui n’en dépend pas. Le philosophe contemporain William Irvine raffine cette dichotomie en y ajoutant une troisième catégorie : ce sur quoi nous avons une influence partielle.

    Dans cette catégorie, plusieurs choses méritent votre attention. La culture de votre équipe face à l’IA : vous ne décidez pas seul, mais vous l’influencez par vos propositions argumentées et vos démonstrations d’alternatives concrètes. L’évolution des outils utilisés dans votre métier : vous pouvez peser sur les choix par des retours d’expérience documentés et des comparaisons honnêtes. La trajectoire de votre carrière : vous ne maîtrisez pas le marché, mais vous orientez votre formation et votre positionnement professionnel. Enfin, la réputation de votre employeur comme acteur responsable de l’IA : vous y contribuez par vos signalements internes et votre participation aux discussions de gouvernance.

    Sur ces sujets, l’attitude la plus juste consiste à investir notre énergie dans l’effort sans nous attacher au résultat. Agir intensément sur la qualité de nos contributions, accepter sereinement que la décision finale appartienne à d’autres.

    La renaissance ne sera pas seulement individuelle

    Je voudrais conclure sur un point qui me tient à cœur. Les leviers individuels que je viens d’évoquer comptent. Mais la renaissance dont je parlais au début ne se produira pas par la simple addition des disciplines personnelles.

    Si la révolution industrielle a fini par bénéficier à une grande partie de la population, ce n’est pas parce que chaque ouvrier a cultivé ses vertus individuelles. C’est parce que des syndicats se sont organisés, des lois sur le travail ont été votées, l’école obligatoire a été instituée, des protections sociales ont été construites. Cela a pris des décennies. Cela s’est fait contre des résistances considérables.

    La renaissance numérique demandera l’équivalent. À notre échelle, cela veut dire : participer aux discussions sur l’IA dans son entreprise plutôt que laisser les décisions importantes se prendre uniquement entre direction et fournisseurs ; soutenir et exiger des dispositifs de formation continue qui aillent au-delà du simple prompt engineering ; participer au débat public suisse sur la souveraineté numérique, la protection des données, la régulation de l’IA ; appuyer un dialogue social qui traite enfin sérieusement la question de la place de l’IA dans nos métiers. La tradition suisse (et européenne) du dialogue social est forte : elle a beaucoup à offrir, et beaucoup à construire, dans le contexte numérique.

    Aux dirigeants qui me liront, et il y en aura, car nous travaillons dans le même tissu, quatre messages brefs. Un employé qui pratique un usage intentionnel des outils numériques préserve ce qui fait la valeur durable de sa contribution : sa capacité de jugement et son ownership cognitif sur ce qu’il signe ; la dette cognitive a un coût caché qu’aucun gain de productivité immédiat ne compense. Les programmes de formation à l’IA gagnent en conséquence à développer cette discipline d’usage plutôt qu’à courir après les taux d’adoption. Maintenir des zones « humain protégé » dans l’organisation, où la contribution humaine est explicitement requise, est cohérent avec la prime au human-made qui se dessine sur le marché. Enfin, la réputation de l’entreprise comme employeur capable de tenir la promesse de l’humain augmenté, celle d’un collaborateur dont les outils renforcent l’intelligence sans la remplacer, deviendra, j’en suis convaincu, un actif RH décisif. Cette promesse, encore largement programmatique aujourd’hui, attend ses pionniers.

    Nous sommes au moyen âge numérique. La renaissance, elle, dépendra de ce que nous ferons, séparément, et ensemble.

    Pour aller plus loin

    • Acemoglu, D. (2024). The Simple Macroeconomics of AI. NBER Working Paper 32487. https://www.nber.org/papers/w32487
    • Allen, R. C. (2009). Engels’ Pause: Technical Change, Capital Accumulation, and Inequality in the British Industrial Revolution. Explorations in Economic History, 46(4), 418-435.
    • Bergson, H. (1907). L’Évolution créatrice. Paris : Félix Alcan. Édition de référence : PUF, édition critique par F. Worms et A. François, 2007 (chapitre II).
    • Bridle, J. (2018). New Dark Age: Technology and the End of the Future. Verso.
    • Cristo, I. (2025). Buy Better, Buy Less, Feel Smug About It. The New York Times, 7 décembre 2025. https://www.nytimes.com/2025/12/07/opinion/fashion-quality-ethical-consumption.html
    • Épictète. Manuel, §1.
    • Irvine, W. B. (2008). A Guide to the Good Life: The Ancient Art of Stoic Joy. Oxford University Press.
    • Kosmyna, N. et al. (2025). Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task. MIT Media Lab. arXiv:2506.08872. https://arxiv.org/abs/2506.08872
    • Martínez, I. Z., Marti, S. & Scheuer, F. (2025). L’influence des impôts sur la fortune sur la répartition de la fortune dans les cantons suisses, 1969-2018. Social Change Switzerland. https://www.socialchangeswitzerland.ch/?p=4269
    • Newport, C. (2019). Digital Minimalism: Choosing a Focused Life in a Noisy World. Portfolio.
    • Sénèque. Lettres à Lucilius (Epistulae morales ad Lucilium), lettre XIII, §4.
    • UBS Chief Investment Office GWM (2024). Real Estate Focus 2024 — Étude annuelle du marché immobilier suisse. https://www.ubs.com/global/fr/media/display-page-ndp/fr-20240411-real-estate-focus-2024.html
    • Varoufakis, Y. (2023). Technofeudalism: What Killed Capitalism. Bodley Head.

  • Le vibe service : pourquoi les sociétés de services doivent inverser leur modèle

    Une vague de désintermédiation traverse les services professionnels. Les clients construisent eux-mêmes, avec l’IA générative, ce qu’ils achetaient hier. Ce mouvement, que j’appelle vibe service, déplace la valeur des prestataires sans la supprimer. Le cadre des quatre périmètres, que je détaille ici, permet de cartographier ce déplacement et d’y préparer aussi bien les sociétés de services que les entreprises qui font appel à elles.

    Deux exemples observés récemment dans ma pratique illustrent la dynamique.

    Le dirigeant d’une PME suisse spécialisée dans les escaliers en bois sur mesure a construit, seul et avec Claude, une application complète de gestion de ses offres et de ses projets. Il l’utilise sur son mobile, sans dépendance vis-à-vis d’un prestataire IT. Il sait toutefois que le passage à un usage collectif — déploiement aux collègues, mise en commun et sécurisation des données — exigera l’intervention d’un expert. La conscience de cette frontière est elle-même un signal. Le client autonome n’efface pas le prestataire, il en redéfinit le moment et le périmètre d’intervention.

    Un membre de la direction d’une fiduciaire suisse a développé un agent conversationnel, sur la base d’un GPT personnalisé, qui répond aux questions juridiques courantes de ses collègues — adaptation de contrats, relations employeur-employé. L’agent a été affiné dans le contexte de l’entreprise avec l’avocat-conseil. Le cas combine deux gestes : un outil construit en autonomie par le métier, et une validation experte intégrée dès la conception. C’est une préfiguration du tiers de validation décrit plus loin, internalisé chez le client.

    1. Le constat empirique

    Dans la plupart des entreprises, l’IA est déjà au travail. Trois personnes sur quatre s’en servent dans leur quotidien professionnel. Près de huit sur dix utilisent leurs propres outils, souvent à l’insu de la DSI. En 2025, l’accès aux outils IA en entreprise a progressé de moitié. Plus de sept organisations sur dix l’ont intégrée à au moins une fonction métier.

    Les gains de productivité ne sont pas spéculatifs. Un consultant équipé de GPT-4 traite 12 % de tâches en plus dans 25 % de temps en moins, avec une qualité jugée 40 % supérieure. Sur les tâches juridiques, l’effet mesuré va de 12 à 32 %. Sur les tâches d’écriture professionnelle, le temps de production diminue de 40 % et la qualité progresse de 18 %. Pour les agents de support client, la productivité progresse également, et la satisfaction des utilisateurs avec elle. Ces chiffres ne viennent pas d’éditeurs en quête d’arguments commerciaux : ils sont mesurés par des chercheurs universitaires sur des terrains réels d’entreprise.

    Le client a changé de capacité productive. Les sociétés de services n’ont, pour la plupart, pas changé d’offre.

    2. Le vibe service comme régime de consommation

    Andrej Karpathy a popularisé en 2025 le terme vibe coding : développer un logiciel en décrivant son intention en langage naturel à un LLM, sans coder soi-même. Par analogie, j’appelle vibe service la pratique consistant, pour un non-spécialiste, à mobiliser l’IA générative comme substitut partiel ou total à un service professionnel — juridique, RH, comptable, communication, IT, conseil — en décrivant son besoin et en itérant jusqu’à un livrable utilisable. C’est une forme de prosommation experte des services professionnels : le consommateur devient producteur de sa propre prestation, à un niveau d’expertise hier réservé au prestataire.

    Le vibe service couvre déjà la rédaction de premiers brouillons de contrats, la production de fiches de poste, le diagnostic IT élémentaire, les posts LinkedIn, les comptes rendus de réunion, les premières analyses financières, les briefs de cahiers des charges. Le périmètre s’étend en continu, presque chaque jour. Chaque release de modèle, chaque nouvel agent spécialisé en repousse la frontière, et la dynamique est exponentielle plutôt que linéaire.

    À ne pas confondre avec le vibe consulting introduit par Miranki en novembre 2025, qui désigne le mouvement inverse : le consultant qui s’augmente à l’IA pour livrer plus vite à son client. Le vibe service décrit la substitution par le client, pas l’augmentation du prestataire. La direction du déplacement de valeur n’est pas la même, et c’est précisément cette direction qui impose aux sociétés de services de revoir leur modèle.

    3. Le cadre des quatre périmètres

    Pour comprendre où se déplace la valeur, je propose de découper la consommation de services en quatre périmètres. Le cadre s’inscrit dans une lignée business installée. John Kotter parle de dual operating system, où une hiérarchie d’exécution coexiste avec un réseau d’agilité. Clayton Christensen et Michael Overdorf appellent à séparer les structures porteuses de l’ancien de celles qui doivent porter le nouveau, dans leur new organizational space. Gartner a codifié plus tard le bimodal IT, distinguant un mode prévisible pour les systems of record et un mode exploratoire pour les systems of innovation. La conviction commune : un cadre unique ne suffit plus à gouverner des logiques de valeur différentes. Le modèle des quatre périmètres prolonge cette intuition pour la consommation de services à l’ère de l’IA générative.

    A – Le noyau expert irréductible. Les tâches où l’expertise humaine reste un facteur clé de succès et que l’IA ne suffit pas à porter. Ce noyau a deux faces. La face externe regroupe ce que la PME délègue à des prestataires spécialisés faute d’alternative viable en interne : litige judiciaire, audit fiscal, intégration de systèmes critiques, transformation organisationnelle de fond. La face interne regroupe le cœur de métier qui différencie l’entreprise de ses concurrents — ce qui fait qu’on la choisit plutôt qu’une autre. Cette face-là gagne à être internalisée. La déléguer revient à confier sa différentiation à un tiers, et le vibe service ne change rien à cette règle.

    B – Le référent augmenté et agile. Les tâches que le client traite en interne avec un référent formé, dès lors qu’on lui fournit le cadre, les gabarits, les prompts spécialisés et les workflows. Modèles de contrats configurables, processus RH outillés, tableaux de bord BI sur cubes existants, assistants conversationnels métier. Le prestataire passe d’exécutant à fournisseur de cadre. Ce périmètre offre par construction une forte agilité aux changements : toute évolution du contexte se règle par un ajustement de paramètres plutôt que par un projet de développement, ce qui en fait sa principale qualité opérationnelle.

    C – Le vibe service. L’autonomie augmentée du collaborateur final : Claude, ChatGPT, Copilot, agents spécialisés en libre service, sous régime de charte. C’est ici que l’expansion est la plus rapide. C’est aussi ici que le prestataire risque de disparaître du champ de vision du client.

    Z – Hors périmètre. Les usages risqués non encadrés : données sensibles partagées avec des IA grand public, conseil critique non vérifié, livrables professionnels diffusés sans validation, contournement des contrôles internes. Zone à surveiller en continu, à cartographier, à former et à remédier.

    Le découpage n’est pas figé. La porosité entre périmètres est un mécanisme central : un usage C qui devient récurrent peut être promu en B (industrialisé). Un cas B critique peut redescendre en A. La gouvernance du prestataire devient celle de la porosité.

    En pratique, cette architecture ne s’active pas en bloc. Une mise en œuvre réaliste démarre souvent par une intégration A+B : le prestataire qui occupe le périmètre A continue d’opérer comme avant, le temps que les référents métier du périmètre B soient identifiés et aguerris. La séparation des deux périmètres se construit progressivement, à mesure que le client gagne en maturité sur les outils et la gouvernance des usages. Le périmètre C peut s’amorcer en parallèle, mais sa généralisation suppose qu’au moins une politique d’usage et un dispositif de support soient en place.

    Le cadre est exposé ici dans la perspective d’une PME en relation avec un prestataire externe. Il s’applique tout aussi bien à des entreprises plus grandes qui intègrent en interne ce que la PME externalise. Dans ces organisations, A et B sont portés par des fonctions internes — DSI, direction juridique, contrôle de gestion, ressources humaines — qui jouent vis-à-vis des métiers le rôle qu’un prestataire externe joue vis-à-vis d’une PME. La logique de découpage et de porosité reste la même. Seul change le donneur d’ordre.

    4. Les contre-arguments comme opportunités

    « The tool answers what you ask, whereas the expert tells you what to ask. » — Carl Benedikt Frey, The New York Times, 11 mai 2026

    L’autonomisation est plus tortueuse que les promesses marketing ne le laissent entendre. La frontière où l’IA aide vraiment est dentelée : pour les tâches dans son périmètre de capacité, un consultant équipé gagne 12 % de tâches accomplies dans 25 % de temps en moins, et la qualité de ses livrables progresse de 40 %. Pour les tâches au-delà, ses solutions sont dégradées de 19 %. Il ne sait pas, en amont, distinguer les unes des autres, et la frontière est mouvante — chaque nouveau modèle la redessine. L’autonomie a aussi un revers mesuré : sur 244 consultants suivis dans 5 000 interactions IA, plus d’un quart bascule en mode auto-pilote — délégation entière, sans gain d’expertise sur l’outil ni sur le métier. Ce sont pourtant des profils sélectionnés pour leur rigueur analytique. La confiance reste un actif humain : sur les enjeux à risque, les clients préfèrent encore valider leur décision avec un humain plutôt qu’avec une IA. Et chez les grands comptes, on observe une dynamique d’internalisation des fonctions de conseil — des cellules expertes maison qui captent ce qu’on externalisait hier.

    Chacun de ces contre-arguments désigne une opportunité — pour les sociétés de services qui acceptent d’inverser leur modèle, et pour les entreprises clientes qui acceptent d’investir dans leur capacité interne.

    De la jagged frontier au service de cartographie. Le client ne sait pas où l’IA est fiable, et la frontière se déplace à chaque release de modèle. La société de services peut devenir celle qui audite les cas d’usage, cartographie les risques par tâche, et forme à la validation des outputs. Service à forte expertise, et structurellement récurrent : la cartographie est périssable par nature, ce qui exclut l’audit ponctuel et installe un modèle d’abonnement. Le risque sous-jacent n’est pas spéculatif, il a été mesuré sur le terrain. Une étude récente sur 244 consultants distingue trois modes d’usage de l’IA en travail de connaissance. Le centaure (14 %) mobilise l’IA de façon sélective sous contrôle humain ferme : il atteint la meilleure précision et approfondit son expertise métier en parallèle. Le cyborg (60 %) entretient un dialogue continu avec l’IA et gagne en expertise IA, au risque de laisser dériver son ancrage métier. L’auto-pilote (27 %), c’est le profil qui délègue des workflows entiers et perd à la fois la maîtrise de l’outil et la maîtrise du métier — c’est l’argument le plus solide pour vendre du coaching à un client qui se croit autonome. Le coaching consiste à faire migrer l’auto-pilote vers le centaure, et à orienter le cyborg vers l’approfondissement de l’expertise métier plutôt que de la seule expertise IA.

    Côté client. L’entreprise qui mobilise le vibe service doit développer une capacité interne d’audit de ses propres cas d’usage. Identifier les auto-pilotes dans ses équipes, et mettre en place des points de contrôle au passage de la frontière. Cette cartographie a besoin d’être renouvelée à chaque changement de modèle. Le référent métier du périmètre B est le porteur naturel de cette compétence ; à défaut, c’est le manager direct, formé à reconnaître les signaux de bascule.

    De l’asymétrie de confiance au tiers de validation. Quand le client refuse de confier sa décision critique à une IA, il a besoin d’un humain qui valide. La société de services se positionne en tiers de confiance certifié : revue de productions IA, validation de livrables, garantie de conformité. Le métier devient celui de l’assurance qualité experte. Le marché des vibe coding rescue services qui émerge en 2025-2026 — agences qui auditent et sécurisent les applications produites en autonomie par des non-développeurs — préfigure ce que les autres métiers verront apparaître à leur tour. La trace est déjà observable en IT ; elle se répétera dans le juridique, le RH, la communication.

    Côté client. L’entreprise doit définir un seuil de criticité au-delà duquel le tout-IA n’est pas une option, et formaliser ses points de passage obligatoire vers une validation humaine. La gouvernance interne précède le recours au tiers externe : sans politique claire sur ce qui peut sortir sans relecture, l’investissement en validation est mal calibré. Le seuil n’est pas universel, il dépend du métier et du risque réputationnel ou contractuel attaché à chaque livrable.

    De l’internalisation au compagnonnage paramétrique. Pour la PME, internaliser une cellule d’experts n’est pas réaliste. Le prestataire devient le partenaire long terme qui construit et maintient le périmètre B du client : gabarits, workflows, prompts spécialisés, gouvernance des usages, mise à jour des cadres au rythme des modèles. Le modèle économique devient un abonnement à la maintenance d’un environnement augmenté.

    Côté client. La PME ne peut pas internaliser une cellule d’experts, mais elle ne doit pas non plus rester captive d’un prestataire unique. L’enjeu est de constituer un référent métier B capable de dialoguer d’égal à égal avec le partenaire externe, sans déléguer la totalité de la gouvernance des usages. La compétence à acquérir est celle du donneur d’ordre éclairé. Sans elle, le compagnonnage paramétrique se transforme en dépendance, et la valeur reste captée à l’extérieur de l’entreprise.

    De la complexification de la demande à un nouveau support. Le client autonome pose des questions qu’il ne posait pas avant : pourquoi mon prompt ne fonctionne plus, comment articuler trois agents, comment vérifier qu’un output est exact, comment gouverner une équipe qui utilise des outils hétérogènes. Cela ouvre un marché de support spécialisé, à un niveau d’expertise plus élevé que le helpdesk traditionnel.

    Côté client. L’entreprise doit accepter de payer pour de l’expertise plutôt que pour de l’exécution, et reconfigurer ses budgets en conséquence. Les questions techniques produites par l’autonomie du périmètre C ne se résolvent pas avec un helpdesk forfaitaire ; elles relèvent d’un accompagnement à valeur supérieure que le modèle d’achat traditionnel ne sait pas encore qualifier ni acheter.

    5. L’inversion du modèle

    Le modèle traditionnel des sociétés de services facture l’exécution. Le modèle qui se prépare facture le cadre, la validation, le coaching et le support. L’inversion n’est pas marginale. Elle touche le mode de pricing — de l’heure facturée vers l’abonnement et l’outcome-based —, la structure des équipes (HBR documente en septembre 2025 le passage du modèle pyramidal au modèle « obélisque » : moins de juniors, plus d’experts), la promesse client (de l’exécution livrée à la capacité construite), et la nature même du contrat de prestation.

    Côté client. L’inversion est symétrique. L’entreprise passe d’un achat d’exécution à un achat de capacité. Sa fonction achat doit apprendre à valoriser un cadre, un référent formé, une grille de risques, un abonnement à de la maintenance — actifs immatériels que les processus de sourcing actuels peinent à objectiver. Le critère de succès n’est plus l’heure homme livrée, mais la compétence interne construite chez le client.

    Les sociétés de services qui s’installent sur le périmètre A continueront de prospérer, mais sur un volume contraint. Celles qui occupent le périmètre B et accompagnent les clients sur le périmètre C captureront la valeur en croissance. Celles qui restent sur l’exécution intermédiaire — celle que le vibe service absorbe — verront leur marché s’éroder par le bas.

    Côté client. La dynamique est aussi rapide. Les entreprises qui investissent dans la formation de leurs référents métier et dans la gouvernance de leurs usages C capteront en interne la valeur que d’autres laisseront filer vers des prestataires externes ou — pire — vers du shadow AI non gouverné. Celles qui repoussent ces arbitrages continueront à acheter de l’exécution alors que leurs concurrents achèteront de la capacité, à coût comparable et à effet décroissant.

    Le moment d’agir n’est pas dans cinq ans. Il est dans les arbitrages que les directions prennent maintenant — du côté de l’offre comme du côté de la demande.

    Sources

    • Dell’Acqua, F., McFowland III, E., Mollick, E., Lifshitz, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., Lakhani, K. R. (2026). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science, Articles in Advance.
    • Randazzo, S., Dell’Acqua, F., Lifshitz, H., Mollick, E., Kellogg, K. C., Krayer, L., Candelon, F., Lakhani, K. R. (2025). Cyborgs, Centaurs and Self-Automators: The Three Modes of Human–GenAI Knowledge Work and Their Implications for Skilling and the Future of Expertise. Harvard Business School Working Paper No. 26-036.
    • Erlei, A. (2025). From Digital Distrust to Codified Honesty: Experimental Evidence on Generative AI in Credence Goods Markets. arXiv:2509.06069.
    • Choi, J. H., Hickman, K. E., Monahan, A., Schwarcz, D. B. (2023). ChatGPT Goes to Law School. Journal of Legal Education.
    • Brynjolfsson, E., Li, D., Raymond, L. (2025). Generative AI at Work. Quarterly Journal of Economics.
    • Noy, S., Zhang, W. (2023). Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence. Science 381, 187–192.
    • Christensen, C. M., Overdorf, M. (2000). Meeting the Challenge of Disruptive Change. Harvard Business Review, 78(2), 66–76.
    • Kotter, J. P. (2014). Accelerate: Building Strategic Agility for a Faster-Moving World. Harvard Business Review Press.
    • Gartner (2014). Bimodal IT: How to Be Digitally Agile Without Making a Mess. Gartner Research.
    • Frey, C. B. (11 mai 2026). This Is Why You’re Drowning in Busywork. The New York Times, Guest Essay.
    • Harvard Business Review (septembre 2025). AI Is Changing the Structure of Consulting Firms.
    • Miranki (novembre 2025). Vibe Consulting: The Consulting Revolution Powered by AI Augmentation.
    • Microsoft (2024). Work Trend Index Annual Report.
    • Deloitte (2026). State of AI in the Enterprise.
    • McKinsey (2024). The State of AI.

  • La dette cognitive : quand l’IA remplace la pensée plutôt que de l’augmenter

    Définir le problème

    La dette cognitive désigne l’érosion progressive des capacités de raisonnement, de mémoire et de jugement provoquée par la délégation systématique du travail intellectuel à un outil génératif, masquée par une perception subjective d’amélioration de la performance.

    Le terme a été introduit par Kosmyna et ses collègues du MIT Media Lab en 2025, à la suite d’une étude EEG sur 54 participants rédigeant des essais avec ou sans ChatGPT. Le travail est encore en prépublication et l’échantillon est petit ; il convient de le traiter comme un signal précoce plutôt que comme une preuve définitive. Mais ses observations s’alignent avec un corpus expérimental plus large, désormais convergent.

    L’idée centrale : l’IA générative augmente la production immédiate tout en attaquant les compétences sous-jacentes que cette production est censée mobiliser. Le coût ne se voit pas dans la sortie de la semaine. Il se voit le jour où l’on retire l’outil.

    Le mécanisme expérimental

    Bastani et al. (PNAS, 2025) ont conduit un essai contrôlé randomisé auprès de près de 1’000 lycéens turcs en mathématiques. Trois groupes : pas d’IA, ChatGPT standard, version « GPT Tutor » conçue pour donner des indices plutôt que des solutions. Pendant l’entraînement, ChatGPT standard améliore les performances de 48 %. Au test sans assistance qui suit, ces mêmes élèves obtiennent 17 % de moins que ceux qui n’avaient jamais eu accès à l’IA. Les chercheurs documentent un usage en « béquille » : la majorité des interactions consistent à demander la réponse et à la recopier. Point critique : les élèves ne perçoivent aucune dégradation de leur apprentissage. La version avec garde-fous pédagogiques annule entièrement l’effet négatif.

    Kosmyna et al. (MIT, 2025) observent par EEG que le groupe ChatGPT présente l’engagement neuronal le plus faible sur les 32 régions cérébrales mesurées, systématiquement inférieur à celui des groupes utilisant un moteur de recherche ou aucun outil. Dès la troisième session, les interactions deviennent essentiellement du copier-coller. Lorsqu’on demande ensuite à ces participants d’écrire sans IA, ils ne retrouvent pas la connectivité neuronale du groupe sans outil. 83 % d’entre eux sont incapables de citer correctement les points clés de leurs propres essais.

    Dell’Acqua et al. (Organization Science, 2026) ont fait passer 758 consultants du Boston Consulting Group à un dispositif expérimental sur 18 tâches de consulting. À l’intérieur de la « frontière déchiquetée » des capacités de l’IA, l’effet est positif : +12 % de tâches complétées, +25 % de vitesse, +30 % de qualité. Hors de cette frontière, sur une tâche analytique complexe, les utilisateurs d’IA sont 19 points de pourcentage moins susceptibles de produire la solution correcte. Les consultants n’identifient pas où passe cette frontière, et tombent dans une sur-confiance que les auteurs nomment falling asleep at the wheel.

    L’illusion de performance

    Trois résultats indépendants convergent sur une dissociation entre la performance subjective et la performance objective :

    • Bastani (2025) : les élèves ne perçoivent aucune perte d’apprentissage, alors que le test sans assistance la quantifie à 17 %.
    • Shalu et al. (Annals of Neurosciences, 2025) : 100 % des participants estiment que les outils d’IA « préservent leur énergie mentale », mais les corrélations sur l’usage prolongé montrent une chute significative de la confiance en son propre jugement (r ≈ −0,36 à −0,40 selon les indicateurs), accompagnée d’une fatigue mentale et d’une surcharge informationnelle élevées.
    • Microsoft Research / Carnegie Mellon (CHI 2025) : sur 319 travailleurs et 936 cas d’usage, plus la confiance accordée à l’IA est élevée, moins la pensée critique est mobilisée. Inversement, plus la confiance en ses propres compétences est élevée, plus l’engagement critique est fort.Le travailleur intensif d’IA n’a pas l’impression de moins penser. Il a souvent l’impression du contraire.

    Le temps gagné se réinvestit dans plus de tâches

    L’argument selon lequel l’IA libère du temps n’est pas faux dans l’absolu. Il est faux dans la pratique observée. Le rapport Microsoft 2024 sur l’IA en milieu de travail réel mesure que les utilisateurs de Copilot éditent en moyenne 10 % de documents en plus, 13 % pour les utilisateurs intensifs, et jusqu’à 25 à 30 % dans certaines organisations. Les chercheurs eux-mêmes formulent l’hypothèse que le temps économisé est partiellement réinvesti dans davantage de production plutôt que converti en récupération.

    L’effet ne se limite pas au volume. Une seconde analyse Microsoft sur les sessions Copilot vs recherche traditionnelle classe les tâches selon la taxonomie d’Anderson-Krathwohl. Les sessions Copilot relèvent à 37 % des niveaux supérieurs (analyser, évaluer, créer), contre 13 % seulement pour la recherche classique. Autrement dit, l’IA déplace le travailleur vers des tâches plus complexes — précisément celles qui sollicitent le plus la pensée critique, c’est-à-dire celles que la dette cognitive érode.

    À cela s’ajoute la dynamique de fatigue documentée par Shalu et al. (2025) : l’usage long-terme corrèle massivement (r > 0,9) avec l’épuisement mental, la surcharge informationnelle et la baisse d’attention. À court terme, Microsoft observe pourtant que les utilisateurs de Copilot rapportent une charge mentale plus faible sur la tâche immédiate (30/100 contre 55/100). Les deux résultats ne se contredisent pas : le coût immédiat baisse, le coût cumulé monte.

    Ce que le problème n’est pas

    Le problème n’est pas l’IA. Kestin et al. (Scientific Reports, 2025) ont conduit à Harvard un essai contrôlé sur un tuteur IA conçu selon les principes de la pédagogie active (scaffolding, charge cognitive gérée, feedback ciblé). Les étudiants apprennent plus du double par rapport à un cours actif équivalent, en y passant moins de temps. Bastani confirme la même asymétrie : avec garde-fous, l’effet négatif sur l’apprentissage disparaît.

    La conception de l’outil et le mode d’usage déterminent le résultat. Une IA qui répond à la place de l’utilisateur creuse la dette. Une IA qui questionne, réoriente et exige un engagement actif la rembourse.

    Recommandations

    Au niveau de l’organisation

    • Distinguer la charge cognitive extranée (friction, mise en forme, recherche d’information) de la charge cognitive germane (effort productif qui construit la compétence). L’IA doit alléger la première sans toucher à la seconde.
    • Identifier explicitement les compétences critiques qui doivent rester exercées sans assistance, avec une fréquence définie. Un audit simple : quelles compétences-clés de mon équipe n’ont pas été pratiquées sans IA depuis trois mois ?
    • Concevoir les flux de travail pour imposer une interaction itérative avec l’IA plutôt qu’une délégation en un coup. Le rapport BCG 2026 distingue trois modes d’usage : cyborg (dialogue continu, gain de compétence), centaur (division stratégique du travail, contrôle humain maintenu), self-automator (délégation passive, atrophie). Chez BCG, 27 % des consultants sont devenus self-automators.
    • Investir dans la formation à la métacognition au moins autant que dans la formation à l’outil. Apprendre à utiliser l’IA est court. Apprendre à rester actif intellectuellement pendant qu’on l’utilise est ce qui distingue le gain durable de la dette.
    • Adapter le pilotage de la performance. Si la productivité mesurée monte alors que les compétences sous-jacentes baissent, les indicateurs classiques masquent le risque au lieu de le détecter.Au niveau de l’individu
    • Produire un brouillon ou une hypothèse de réponse avant de solliciter l’IA. C’est la différence entre vérifier sa pensée et l’externaliser.
    • Demander des indices, des contre-arguments, des questions, plutôt que la réponse finale.
    • Soumettre systématiquement la sortie IA à un contrôle explicite, en particulier sur les tâches dont on ignore si elles sont à l’intérieur ou hors de la frontière de capacité.
    • Préserver des plages de production sans assistance, sur des tâches significatives, pour maintenir l’entraînement des compétences fondamentales.

    Sources

    • Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. PNAS.
    • Chen, Y., et al. (2025). Effects of generative AI on cognitive effort and task performance: study protocol for an RCT. Trials, 26:244.
    • Dell’Acqua, F., McFowland III, E., Mollick, E., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. (2026). Navigating the Jagged Technological Frontier. Organization Science.
    • Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). AI Tutoring Outperforms Active Learning. Scientific Reports.
    • Kosmyna, N., et al. (2025). MIT Media Lab — étude EEG sur l’usage de ChatGPT en rédaction (prépublication, citée via Resultsense).
    • Microsoft (2024). Generative AI in Real-World Workplaces: The Second Microsoft Report on AI and Productivity Research.
    • Shalu, et al. (2025). The Cognitive Cost of AI: How AI Anxiety and Attitudes Influence Decision Fatigue in Daily Technology Use. Annals of Neurosciences.
    • Zhang, H., Zhu, L., Zhang, A., & Shohruh, K. (2026). The influence of generative AI usage on employees’ innovative job performance. PLOS One.

  • Toute l’équipe a été formée en amont. Les premiers mandats ont été désastreux.

    …parce qu’une compétence non pratiquée s’évapore.

    Une fiduciaire d’une vingtaine de collaborateurs décide de remplacer ses dossiers réseau et ses classeurs physiques par une solution intégrée de gestion électronique des documents, connectée au logiciel comptable et fiscal. La nouvelle plateforme représente une rupture par rapport à l’organisation en vigueur : nouveau plan de classement, indexation automatique des pièces entrantes, workflows de validation des factures, signature électronique des déclarations, archivage légal piloté par règles. L’associé en charge du projet anticipe. Il fait partir toute l’équipe concernée, associés, chefs de mandat, comptables, assistantes administratives, en formation chez l’intégrateur de la solution. Trois jours par personne, étalés sur deux semaines pour ne pas paralyser les bouclements en cours.

    La formation se passe bien. Les retours sont positifs. Chacun se déclare opérationnel.

    Le déploiement prend du retard. La reprise des archives historiques est plus lourde que prévu. L’intégration technique avec le logiciel comptable demande des ajustements. La saison fiscale qui s’ouvre rend impossible un changement d’outil pendant les bouclements. La mise en production effective intervient finalement six mois après la fin de la formation.

    Les premières semaines sont chaotiques. Les pièces sont mal indexées au scanner ; certaines deviennent introuvables. Les workflows de validation sont contournés parce que personne ne se souvient de la séquence exacte. Plusieurs collaborateurs continuent à classer leurs documents dans les anciens dossiers réseau « par sécurité ». Deux clients reçoivent leurs déclarations en retard. Un troisième documente une plainte sur la qualité du suivi.

    Ce que cette mise en production a coûté

    La perte n’apparaît pas dans le poste « formation » du budget. Elle se manifeste à plusieurs niveaux qui ne sont presque jamais consolidés.

    La productivité immobilisée pendant les deux semaines de formation représente déjà plusieurs dizaines de milliers de francs sur la masse salariale concernée. Les erreurs et les reprises au lancement ajoutent des heures de ressaisie, des recherches de pièces, des appels aux clients pour redemander des documents égarés dans le système. L’effet le moins visible est aussi le plus durable : la confiance interne. Une partie de l’équipe conclut que la GED est mal conçue. Une autre conclut qu’elle ne maîtrise pas son métier. Une troisième continue à utiliser les anciens dossiers réseau en parallèle, ce qui produit deux référentiels concurrents et fragilise l’ensemble du projet pour des mois.

    L’associé avait raisonné en bon gestionnaire : anticiper, ne pas se faire surprendre, avoir une équipe prête le jour de la bascule. Le raisonnement est défendable sur le papier. Il ignore une propriété élémentaire de la mémoire humaine, et il sous-estime la probabilité que la bascule soit décalée.

    Pourquoi former trop tôt ne forme pas

    La courbe d’oubli décrite par Ebbinghaus à la fin du XIXe siècle est un résultat connu et stable. Sans réactivation, environ 70 % d’un contenu nouveau est perdu sous 24 heures, et l’essentiel du reste sous quelques semaines. Ce qui résiste à long terme tient à deux conditions : une utilisation rapide en situation réelle, et des répétitions espacées. Aucune des deux n’était présente dans le cas ci-dessus.

    Brinkerhoff, qui a étudié pendant trente ans le transfert de la formation au poste de travail, parvient à un constat plus dur encore. Dans la majorité des organisations, 15 à 20 % seulement du contenu d’une formation finit par être réellement appliqué. L’écart ne vient presque jamais du contenu lui-même ni de la qualité pédagogique ; il vient de ce qui se passe avant et après. Avant : aucune préparation à un usage immédiat. Après : pas de cas réel dans la fenêtre où le savoir est encore vif, pas de compagnonnage, pas de réactivation.

    La fiduciaire n’a pas formé son équipe. Elle a financé une exposition à un contenu qui n’a pas été ancré. La différence n’est pas sémantique ; elle est budgétaire.

    Ce que la planification annuelle ne voit pas

    Le plan de formation classique fonctionne par campagnes. On identifie des besoins en début d’année, on négocie un budget, on commande des prestations, on coche des cases dans le suivi. Le format est lisible pour la direction et pour les ressources humaines ; il est largement déconnecté de la cadence à laquelle les nouveautés techniques, réglementaires ou logicielles arrivent réellement dans l’entreprise.

    Dans une PME de services qui doit absorber plusieurs ruptures par an, sur ses outils, ses méthodes, ses normes, ses attentes clients, le plan annuel produit deux effets symétriques. Il forme trop tôt sur ce qui ne sera pas utilisé avant longtemps, comme dans le cas ci-dessus. Et il ne forme pas du tout sur les sujets apparus après son arbitrage budgétaire, qui doivent attendre le plan de l’année suivante. La compétence devient soit prématurée, soit en retard ; rarement synchrone avec le besoin réel.

    Cette désynchronisation est plus pénalisante encore dans les services que dans l’industrie. Le service est, par construction, ce que les collaborateurs savent faire. Quand la compétence n’est pas synchrone avec l’outil, c’est la qualité livrée au client qui décale.

    Ce qui aurait pu être organisé autrement

    Une autre logique consiste à indexer la formation sur le premier usage opérationnel plutôt que sur la date prévue de bascule. Dans le cas de la GED, cela aurait pu prendre la forme suivante.

    Une formation initiale courte et ciblée, une demi-journée à une journée, dispensée à un noyau restreint composé d’un associé, d’un chef de mandat, d’un comptable et d’une assistante. Pas l’équipe entière ; les personnes qui porteraient le premier mandat traité dans la nouvelle solution. Un mandat client volontaire devient alors le support pédagogique principal. L’intégrateur intervient en accompagnement sur ce mandat, en présence ou à distance, pour répondre aux questions au moment où elles se posent réellement. La compétence se construit sur un cas concret, avec un vrai client, des vraies pièces, un vrai bouclement.

    Le reste de l’équipe est formé ensuite, par compagnonnage interne avec ceux qui viennent de faire. La connaissance circule de praticien à praticien, dans un format qui s’ancre durablement parce qu’il est immédiatement remobilisable. C’est une logique d’apprentissage en situation, étudiée par Senge et reprise par toute la littérature sur l’organisation apprenante : la compétence collective se construit par l’action partagée, pas par l’exposition simultanée à un contenu théorique.

    Cette logique ne supprime pas la formation externe. Elle la déplace. Elle accepte de ne pas être prête le jour de la bascule pour être réellement compétente trois mois plus tard.

    Le test du délai d’application

    Une question rapide situe une organisation. Quel est le délai moyen, dans ton entreprise, entre la fin d’une formation et la première mise en œuvre opérationnelle de son contenu par un collaborateur ? Si la réponse est mesurée en semaines, la formation a une chance de produire de la compétence. Si elle est mesurée en mois, elle produit principalement du certificat. Si la question n’a jamais été posée, l’organisation finance un poste de dépense dont elle ne mesure pas le rendement.

    La question à poser cette semaine

    Repère la dernière formation significative organisée dans ton entreprise. Demande à un collaborateur formé ce qu’il en a réellement appliqué dans son travail au cours des trois derniers mois. La réponse honnête est presque toujours plus basse que celle attendue. Demande-toi ensuite ce qui aurait dû être organisé entre la formation et aujourd’hui pour que cette réponse soit différente.

  • Son meilleur responsable est parti. Le successeur a mis neuf mois à reconstruire.

    …ce qui n’avait jamais été écrit.

    Une agence de communication que je connais bien avait monté, il y a quelques années, une nouvelle activité de production de contenu pour ses clients grands comptes. La responsable recrutée pour la lancer avait tout construit : la grille tarifaire, le modèle de packaging des prestations, les arbitrages sur les ressources mobilisées en interne sans être refacturées au client, le calibrage des marges différenciées par type de livrable, l’organisation d’une équipe de rédacteurs et de directeurs artistiques travaillant à distance.

    Tout fonctionnait. L’activité était rentable. Le département tournait.

    Au bout de quelques années, la responsable est partie chez un concurrent. Le remplacement a été rapide ; un profil senior, expérimenté, recruté sur ses références éditoriales et ses compétences managériales. L’organigramme a été reconstitué dans les semaines qui ont suivi.

    Le successeur a ensuite mis neuf mois à comprendre comment l’activité fonctionnait réellement.

    Ce que ces neuf mois ont coûté

    Pas la grille tarifaire : elle était dans le CRM et dans les propositions commerciales. Pas les processus officiels : ils étaient documentés dans le manuel qualité.

    Ce qu’il a fallu reconstituer pendant neuf mois, c’est ce qui n’avait jamais été écrit. Pourquoi telle marge était plus élevée sur tel format de livrable, et pourquoi cet écart était structurellement nécessaire. Quelles ressources créatives étaient absorbées en interne sans être refacturées au client, dans quelle logique, avec quels prestataires externes et à quelles conditions négociées. Comment chaque rédacteur et chaque DA, dispersés sur plusieurs villes, organisait concrètement son travail. Pourquoi certains arbitrages opérationnels qui paraissaient incohérents sur le papier produisaient en réalité de la rentabilité.

    Pendant ces neuf mois, le successeur a pris des décisions sur la base d’une compréhension partielle. Certaines ont reproduit par chance ce que faisait sa prédécesseure ; d’autres ont défait des équilibres invisibles, qu’il a fallu ensuite restaurer. La rentabilité du département a fluctué pendant cette période sans que personne — ni le successeur, ni la direction — sache attribuer les écarts à des causes précises.

    Aucune de ces pertes n’a été comptabilisée. Aucune n’apparaissait au budget de remplacement.

    Ce que cette histoire révèle des PME de services

    Le savoir critique d’une PME de services ne réside pas dans ses procédures. Il réside dans la tête des personnes qui ont construit ses activités. Les contrats, les fiches de poste, les organigrammes, les processus qualité capturent une fraction utile mais largement insuffisante du fonctionnement réel.

    Nonaka (1994) a posé il y a trente ans la distinction qui structure ce constat. Le savoir explicite — codifiable, transférable par documents — ne représente qu’une partie du capital cognitif d’une organisation. Le savoir tacite — incorporé dans les habitudes, les intuitions, les arbitrages quotidiens — représente l’autre partie, et c’est précisément celle-ci qui produit l’avantage compétitif d’une PME de services. Sa conversion en savoir explicite ne se fait jamais spontanément ; elle exige des dispositifs intentionnels que peu d’organisations installent.

    Les travaux récents sur les PME montrent l’écart entre le constat et l’action. Une étude européenne (JEIM, 2023) estime à 18-24 mois le délai moyen de reconstitution d’un savoir critique perdu par un départ non préparé. Une enquête polonaise sur 380 PME (2024) chiffre à 83,7 % la part des entreprises qui sous-investissent dans la capitalisation systématique des savoirs, malgré une conscience déclarée du risque. L’écart entre la conscience du problème et la mise en place de dispositifs est massif, et il est massif parce que le coût de la non-capitalisation reste invisible jusqu’au départ.

    Pourquoi le savoir reste enfermé

    La rétention de savoir n’est pas, le plus souvent, le résultat d’une mauvaise volonté individuelle. Elle découle de plusieurs mécanismes qui se renforcent.

    D’abord, le savoir tacite ne se sait pas lui-même. La personne qui le détient ne perçoit pas comme un savoir transmissible ce qui pour elle relève de l’évidence. « Bien sûr qu’on absorbe ce coût en interne, c’est logique » ; sauf que la logique en question repose sur une chaîne de raisonnements et d’arbitrages historiques qu’aucun document ne rend.

    Ensuite, l’organisation à distance amplifie l’opacité. Quand l’équipe est distribuée, le responsable n’observe plus directement comment chaque collaborateur travaille. Les rituels qui produisaient autrefois de la transparence — la pause café, le couloir, l’open space — ont disparu sans avoir été remplacés par des dispositifs équivalents. Le successeur que je décrivais en introduction héritait non seulement d’un savoir non capturé, mais d’une équipe dont le fonctionnement quotidien n’était lisible par personne en dehors de chacun de ses membres.

    Enfin, et c’est le plus délicat, dans les équipes où la confiance entre collaborateurs est faible, chacun préserve ce qu’il sait. La phrase « je fais comme j’ai envie et je ne partage rien parce que les autres sont incompétents » n’est pas une caricature ; c’est une posture observable, et elle est rationnelle individuellement dans un contexte où le partage exposerait à la critique sans contrepartie. Le savoir devient alors un actif privé que chacun protège, avec ou sans intention de nuire à l’organisation.

    Ce que la documentation classique ne capture pas

    La plupart des PME de services confondent capitalisation et documentation. Elles installent un wiki, un espace SharePoint, une GED ; elles demandent aux équipes de « documenter » ; elles obtiennent des fiches de procédures qui décrivent le quoi sans capturer le pourquoi.

    Or ce qui manque au successeur n’est presque jamais le quoi. Il peut le déduire des contrats, des factures, des briefs, des livrables passés. Ce qui lui manque, ce sont les raisons des arbitrages : pourquoi telle marge, pourquoi tel choix de prestataire, pourquoi tel rédacteur sur tel client, pourquoi telle dérogation au tarif catalogue. Les raisons résident dans des décisions historiques qui se sont accumulées sans être tracées.

    La documentation classique répond à une question que personne ne pose en cas de départ. Le successeur ne demande pas comment fonctionne le processus ; il demande pourquoi il fonctionne ainsi.

    Ce qui aurait pu être installé en amont

    Trois dispositifs complémentaires distinguent les organisations qui survivent à un départ-clé de celles qui mettent neuf mois à reconstruire.

    Le premier est un journal de décisions tenu par le responsable d’une activité, dans un format léger et régulier. Pas un compte rendu de réunion ; une trace des arbitrages non triviaux, avec leur raison. Quand on choisit un prestataire plutôt qu’un autre, quand on absorbe un coût en interne, quand on ajuste une marge, quand on déroge à la grille tarifaire, on note la décision et on note le pourquoi. Au bout d’un an, ce journal vaut plus que le manuel qualité.

    Le second est un rituel régulier — mensuel, trimestriel — où l’équipe d’une activité explicite collectivement comment elle travaille réellement. Pas comment elle est censée travailler ; comment elle travaille. Cette pratique produit deux effets : elle convertit du tacite en explicite à mesure que le travail évolue, et elle révèle à l’équipe elle-même ce qu’elle ne savait pas savoir.

    Le troisième est la formation intentionnelle d’un adjoint sur chaque rôle critique. Pas un suppléant administratif, pas un délégataire ponctuel ; un véritable adjoint, qui participe aux décisions structurantes, qui connaît les prestataires, qui comprend les marges, qui peut tenir le poste pendant une absence prolongée.

    Dans mes cours de management, je préconise à tout manager de déterminer et de former son adjoint, indépendamment du contexte de risque. La raison ne tient pas seulement à la continuité ; elle tient à ce que cet exercice produit chez le manager lui-même. Former son adjoint oblige à expliciter ce qu’on fait, pourquoi on le fait, et comment on prend les arbitrages que l’on prenait jusque-là à l’intuition. C’est l’un des rares dispositifs qui force un manager à comprendre sa propre organisation, et c’est probablement le meilleur entraînement à la délégation. La capitalisation des savoirs en est le sous-produit naturel ; la rétention organisationnelle face à un départ en est la conséquence directe.

    Le coût de la formation d’un adjoint est facilement chiffrable ; le coût des neuf mois de reconstruction ne l’est presque jamais.

    Le test de capitalisation

    Une question suffit à situer une organisation. Si le responsable de telle activité partait demain matin sans préavis, combien de mois faudrait-il à un successeur compétent pour atteindre 80 % de la performance actuelle ? Si la réponse honnête est entre six et douze mois, l’activité dépend d’un savoir tacite non capturé. Si elle dépasse douze mois, l’activité est structurellement fragile. La plupart des dirigeants de PME de services à qui je pose cette question répondent « entre neuf et quinze mois » sans hésiter ; et ne tirent pourtant aucune conséquence opérationnelle de leur propre réponse.

    La question à poser cette semaine

    Identifie les trois activités les plus rentables de ton entreprise. Pour chacune, demande-toi quelle proportion du savoir critique est aujourd’hui capturée dans un format qu’un successeur compétent pourrait reprendre en moins de trois mois. Si la réponse est en dessous de 50 % pour ne serait-ce qu’une activité, tu connais désormais le projet le plus rentable que tu n’as pas encore lancé.

  • Ma secrétaire de direction est partie. Le poste n’a pas été repourvu.

    …parce qu’il a appris les outils avant de clore le recrutement.

    Un confrère CFO d’une société de services me racontait récemment cette histoire. Son assistante de direction avait démissionné pour prendre un poste de manager dans une autre entreprise. Départ propre, organisé, sans crise. Le recrutement a été lancé dans la foulée ; budget contraint, poste jugé indispensable, fiche de fonction reprise quasi à l’identique de la précédente.

    Entre deux entretiens de candidats, un ami l’a initié à Claude et à quelques outils de productivité courants : assistants de rédaction, automatisation d’agenda, transcription et synthèse de réunions, gestion documentaire assistée. Quelques heures investies un week-end. Puis une semaine. Puis un mois.

    À la fin du mois, il a clos le recrutement et informé les RH que le poste ne serait pas repourvu.

    Ce que cette décision révèle

    Ce n’est pas une histoire d’économies budgétaires. C’est une histoire de recomposition.

    La question que se pose la plupart des dirigeants quand un collaborateur part est : comment trouver quelqu’un d’équivalent, vite, au meilleur coût ? La question à laquelle ce CFO a répondu est structurellement différente : ce poste, tel qu’il existait, est-il encore le bon composant pour ce que je dois produire aujourd’hui ?

    La première question reproduit l’organisation existante ; la seconde la réinterroge à chaque fenêtre ouverte par un départ. Sur dix ans de direction d’une société de services, je peux compter sur les doigts d’une main les fois où j’ai posé la seconde question avant la première. Le réflexe de remplacement domine, et il domine y compris chez les dirigeants qui se considèrent comme adaptatifs.

    Pourquoi le remplacement à l’identique l’emporte presque toujours

    Le remplacement à l’identique est facile à justifier : rapide, sans risque apparent, sans remise en cause de l’organigramme, sans discussion à mener avec les équipes. Le poste existait ; donc le poste doit continuer.

    Teece (1997) a montré il y a près de trente ans que l’avantage compétitif durable d’une entreprise ne tient pas à ce qu’elle possède, mais à sa capacité à reconfigurer ses ressources quand le contexte change. La plupart des PME de services continuent pourtant de fonctionner comme si le capital compétitif résidait dans la liste des postes ouverts, pas dans la capacité à les recomposer.

    Eisenhardt et Martin (2000) ont prolongé cette thèse en démontrant que la recomposition est une compétence enseignable, pas un talent réservé aux dirigeants dits visionnaires. Elle se construit par des routines explicites : une question posée à chaque départ et un format de décision documenté qui cadre l’arbitrage dans un délai serré. Les travaux ultérieurs sur les routines d’allocation des ressources (Bidault et al., 2023) associent leur formalisation à une croissance durablement supérieure sur les PME de services européennes.

    Ce qui a rendu la décision possible

    Le départ a ouvert une fenêtre d’arbitrage qui ne se serait pas posée autrement. La plupart des postes ne sont jamais réinterrogés entre deux vacances ; ils sont validés par l’usage.

    Simultanément, un composant nouveau était devenu accessible dans l’environnement. Les outils d’IA générative rendent aujourd’hui possibles, avec une qualité utilisable, des tâches qui demandaient auparavant du travail humain qualifié : rédaction de correspondance, synthèse de réunions, organisation documentaire, reformulation, suivi administratif structuré. Sans ce composant, la question de la non-reconduction n’aurait pas eu de réponse praticable.

    La contrainte budgétaire a servi de déclencheur. En période de confort, l’économie potentielle d’un poste non reconduit reste invisible ; la pression la rend lisible.

    La question qui manque dans la plupart des organisations

    Dans la majorité des PME de services que j’observe, aucune routine ne formalise le questionnement au moment d’un départ. Le formulaire RH demande : « quel profil recherchez-vous pour remplacer X ? ». Il ne demande pas : « faut-il remplacer X, et si oui par quel composant ? ».

    Ce micro-écart dans la formulation produit des effets massifs. Tant que la question reste celle du profil, la réponse sera toujours un CV. Quand la question devient celle du composant, la réponse peut être un CV, un freelance, un outil, une redistribution interne, ou rien.

    La décision portée au bon niveau

    Ce que ce CFO n’a pas fait mérite d’être nommé : il n’a pas demandé à sa DRH ou à son équipe d’automatiser les tâches de l’assistante. Il a investi son propre temps pour monter en compétence sur les outils. C’est la différence entre déléguer la recomposition, qui échoue la plupart du temps, et la porter soi-même au niveau de la direction, qui produit des décisions.

    Eisenhardt et Martin insistaient sur ce point : les capacités dynamiques s’ancrent dans les routines de l’équipe dirigeante, pas dans les procédures RH. Déléguer l’examen d’un poste à la fonction qui gère les postes revient à demander à cette fonction de décider de leur suppression. Le biais structurel est garanti ; le statu quo gagne à tous les coups.

    Ce que l’on peut installer

    Une routine simple suffit à changer le réflexe. À chaque départ annoncé, avant d’ouvrir un poste, le dirigeant ou un comité restreint prend quelques heures pour répondre par écrit à deux questions : les livrables attendus de ce poste sont-ils encore pertinents tels quels, et parmi ceux qui le sont, quel composant (humain, freelance, outil, IA, redistribution, suppression) est aujourd’hui le plus adapté pour les prendre en charge ?

    L’exercice doit être fait avant de rédiger une offre d’emploi, pas après avoir lancé le sourcing. Une fois le recrutement affiché, la dynamique organisationnelle le rend quasi irréversible ; les candidats reçus, les attentes communiquées en interne, le temps déjà investi verrouillent la décision bien avant qu’elle soit formellement prise.

    Le test de réflexe

    Un indicateur suffit à situer votre organisation. Sur les douze derniers mois, quelle part des départs a donné lieu à un recrutement strictement identique, sans autre option formellement examinée ? Au-dessus de 80 %, l’organisation reproduit. En dessous de 50 %, une routine d’arbitrage est déjà active, consciemment ou non. La plupart des PME de services que j’observe se situent au-dessus de 90 %.

    La question à poser cette semaine

    Pour vérifier où en est votre organisation, une question suffit à la prochaine réunion de direction : sur les départs des douze derniers mois, combien ont été suivis d’un recrutement strictement identique, sans qu’aucune autre option ait été formellement examinée ? La réponse, obtenue en cinq minutes, vaut plus qu’un long diagnostic. Elle vous dira si vous êtes dans une organisation qui reproduit ou dans une organisation qui recompose.

  • L’IA générative sur le poste de travail : le nouvel Excel de l’utilisateur augmenté

    Rapport d’analyse — Avril 2026

    Synthèse exécutive

    Excel a transformé les PME en donnant à chaque collaborateur la capacité de calculer, modéliser et analyser des données sans passer par un développeur. Trente ans plus tard, les LLM (Claude, ChatGPT, Copilot) produisent une rupture comparable : ils permettent à tout utilisateur d’exécuter des tâches qui relevaient jusqu’ici de spécialistes — rédaction structurée, analyse de documents, traitement de données, création de présentations, automatisation de processus — via une interface en langage naturel. En Suisse, 34 % des PME utilisent déjà l’IA générative (ICT Journal d’octobre 2025), et 67 % des PME européennes ont au moins un outil d’IA en service. L’étude conjointe Harvard Business School / BCG mesure des gains de productivité de 25 % en vitesse d’exécution et de 40 % en qualité de production pour les travailleurs du savoir utilisant l’IA. Ce rapport analyse le parallèle structurel entre Excel et l’IA générative, dresse un inventaire des usages sur le poste de travail, propose une analyse SWOT et formule un plan d’action d’implémentation pour les entreprises et collectivités.

    1. Le parallèle structurel : Excel → LLM

    1.1 Ce qu’Excel a fait (et continue de faire)

    Excel, lancé en 1985, a créé une catégorie d’outil sans précédent : le logiciel de productivité individuelle universelle. Son apport fondamental est d’avoir permis à des utilisateurs non-techniques d’effectuer des opérations auparavant réservées aux comptables, statisticiens ou programmeurs.

    Caractéristiques clés du modèle Excel :

    • Seuil d’entrée bas, plafond élevé : un utilisateur peut commencer par une simple addition et progresser vers des modèles financiers complexes, des macros VBA, des tableaux croisés dynamiques. Le même outil sert au débutant et à l’expert.
    • Interface universelle : la grille de cellules constitue une métaphore compréhensible par tous. Aucune formation formelle n’est requise pour un usage basique.
    • Autonomie de l’utilisateur : le collaborateur résout ses problèmes sans dépendre du service informatique. Il construit ses propres outils : tableaux de bord, fichiers de suivi, modèles de calcul.
    • Effet réseau informel : les fichiers circulent entre collègues, créant un écosystème de pratiques partagées. Chaque utilisateur forme le suivant.
    • Polyvalence fonctionnelle : comptabilité, gestion de projet, suivi commercial, reporting, budgets, bases de données simplifiées — Excel a absorbé des dizaines de cas d’usage.

    Excel reste omniprésent : plus de 750 millions d’utilisateurs dans le monde. Dans les entreprises, il est souvent le logiciel le plus utilisé après la messagerie.

    1.2 Ce que les LLM apportent aujourd’hui

    Les LLM reproduisent le schéma d’Excel avec un décalage majeur : l’interface est le langage naturel. L’utilisateur n’a plus besoin d’apprendre une syntaxe (formules, fonctions, VBA). Il décrit ce qu’il veut obtenir.

    DimensionExcelLLM (Claude, ChatGPT, Copilot)
    InterfaceGrille + formulesLangage naturel
    Seuil d’entréeFaible (mais syntaxe à apprendre)Très faible (conversation)
    Type de données traitéesDonnées numériques et tabulairesTexte, données, images, documents, code
    Autonomie de l’utilisateurConstruction manuelleDélégation par instruction
    Courbe d’apprentissageProgressive (formules → VBA)Progressive (prompts simples → workflows complexes)
    PartageFichiersConversations, artefacts, templates de prompts
    LimitesDonnées structurées uniquementDonnées non structurées incluses

    1.3 La convergence en cours

    Le parallèle ne relève pas de l’analogie : il s’agit d’une continuité fonctionnelle. Plusieurs signaux confirment cette convergence :

    • Claude et Copilot sont intégrés dans Excel : l’IA vient directement augmenter les capacités du tableur existant. L’utilisateur peut formuler des requêtes en langage naturel pour générer des formules, des graphiques ou des analyses.
    • Claude et ChatGPT produisent des fichiers Excel : ces LLM génèrent des tableurs (.xlsx), des présentations (.pptx), des documents Word (.docx) et des PDF directement depuis une conversation.
    • Les artefacts interactifs, comme des pages HTML, remplacent certaines feuilles de calcul : tableaux de bord, calculatrices, formulaires, outils de suivi — créés en temps réel via une simple description textuelle.

    L’IA ne remplace pas Excel. Elle se positionne à côté et au-dessus : elle traite ce qu’Excel ne sait pas traiter (texte libre, documents, raisonnement) et elle facilite l’utilisation d’Excel lui-même.

    2. Inventaire des usages : bien au-delà de la rédaction

    L’un des biais les plus fréquents dans la perception de l’IA générative est de la réduire à un outil d’aide à la rédaction. L’inventaire ci-dessous couvre des usages très concrets, disponibles en avril 2026 sur les principales plateformes (Claude, ChatGPT, Copilot). La majorité de ces cas d’usage sont pratiqués quotidiennement chez tebicom et constatés chez nos clients.

    2.1 Traitement et production de documents

    UsageDescriptionExemple entreprises et collectivités
    Rédaction structuréeRapports, comptes-rendus (PV), procédures, notes de serviceRédiger un compte-rendu de réunion à partir de notes brutes
    Reformulation et adaptationChanger le ton, le niveau technique, la langue d’un texte existantAdapter un document technique en argumentaire commercial
    Traduction professionnelleTraduction contextualisée avec terminologie métierTraduire une offre commerciale FR→EN avec vocabulaire sectoriel
    Création de présentationsGénération de fichiers .pptx structurésProduire une présentation client de 15 slides à partir d’un brief
    Création de documents WordGénération de fichiers .docx avec mise en formeProduire un contrat-type, une procédure qualité, un rapport
    Création de tableursGénération de fichiers .xlsx avec formulesCréer un modèle de budget prévisionnel avec formules intégrées
    Remplissage de formulaires PDFLecture et remplissage automatique de formulairesPré-remplir des formulaires administratifs (déclarations, demandes d’autorisation)

    2.2 Analyse de données et d’information

    UsageDescriptionExemple entreprises et collectivités
    Analyse de fichiers Excel/CSVChargement, nettoyage, analyse statistique, visualisationAnalyser un export CRM de 10’000 lignes et identifier les tendances
    Extraction d’information de documentsLecture de PDF, contrats, rapports, facturesExtraire les clauses clés de 50 contrats fournisseurs
    Synthèse de documents longsRésumé structuré avec points clésSynthétiser un appel d’offres de 80 pages en 2 pages
    Comparaison de documentsIdentification des différences entre versionsComparer deux versions d’un contrat et lister les modifications
    Analyse d’images et de photosLecture de graphiques, schémas, photos de documentsExtraire les données d’un tableau photographié sur un whiteboard
    Analyse de tendancesIdentification de patterns dans des jeux de donnéesDétecter la saisonnalité dans les ventes sur 3 ans

    2.3 Automatisation et productivité

    UsageDescriptionExemple entreprises et collectivités
    Génération de formules ExcelCréation de formules complexes en langage naturel« Crée une formule qui calcule le taux de marge par catégorie de produit »
    Création d’outils interactifsTableaux de bord, calculatrices, simulateurs en HTML/ReactSimulateur de devis avec calcul automatique des remises
    Traitement par lot de documentsAnalyse ou transformation de multiples fichiersAnalyser 30 CV et produire un tableau comparatif
    Nettoyage de donnéesDétection d’anomalies, standardisation, déduplicationNettoyer une base clients avec doublons et formats incohérents
    Conversion de formatsTransformation entre formats de fichiersConvertir un tableau PDF en fichier Excel exploitable
    Génération de scriptsCode Python, VBA, SQL pour automatiser des tâchesScript d’envoi automatique de rappels de factures

    2.4 Communication et relation client

    UsageDescriptionExemple entreprises et collectivités
    Rédaction d’e-mails professionnelsEmails structurés avec ton adapté au contexteRédiger une réponse diplomatique à une réclamation client
    Préparation de réunionsOrdres du jour, questions préparatoires, synthèsesPréparer un ordre du jour structuré avec points de décision
    Support client interneRéponses aux questions fréquentes sur les processusRépondre à « comment remplir ma note de frais »
    Gestion de la correspondanceTri, résumé et priorisation de courriersRésumer 20 emails reçus et identifier les actions requises
    Rédaction d’appels d’offresStructuration des réponses aux AORédiger les parties non-techniques d’une réponse à un marché public

    2.5 Expertise et aide à la décision

    UsageDescriptionExemple entreprises et collectivités
    Recherche réglementaireIdentification des obligations légales applicables« Quelles sont mes obligations RGPD ou LPD pour un fichier clients B2B ? »
    Analyse financièreInterprétation de bilans, ratios, projectionsAnalyser un bilan comptable et identifier les points d’alerte
    Veille concurrentielleRecherche web structurée et synthétiséeSynthèse des offres concurrentes sur un segment de marché
    Conseil RHAide à la rédaction de fiches de poste, grilles d’entretienCréer une grille d’évaluation pour un recrutement technique
    Aide à la conformitéVérification de la conformité documentaireVérifier qu’un document qualité respecte la norme ISO applicable
    Analyse de risquesIdentification et évaluation de risques projetLister les risques d’un projet d’ouverture de filiale

    2.6 Création et design

    UsageDescriptionExemple entreprises et collectivités
    Prototypage d’interfacesMaquettes web fonctionnelles en HTML/ReactPrototyper une page de commande en ligne en 10 minutes
    Création de visuels structurésDiagrammes, organigrammes, schémas de processusCréer un organigramme interactif de l’entreprise
    Génération de graphiquesVisualisations de données personnaliséesGraphique de comparaison des ventes par région sur 12 mois
    Création de contenu marketingPosts réseaux sociaux, newsletters, argumentairesRédiger 4 posts LinkedIn pour le lancement d’un produit
    Design de formulairesFormulaires web fonctionnelsCréer un formulaire de satisfaction client en ligne

    2.7 Gestion de projet et organisation

    UsageDescriptionExemple entreprises et collectivités
    Planification de projetDécoupage en tâches, estimation de charges, jalonsStructurer un projet de déménagement de bureaux
    Rédaction de procéduresProcédures opérationnelles standardiséesRédiger la procédure d’onboarding d’un nouveau collaborateur
    Création de checklistsListes de vérification contextualiséesChecklist de conformité pour une livraison client
    Suivi et reportingTableaux de bord de suivi de projetGénérer un rapport d’avancement projet hebdomadaire
    Comptes-rendus de réunion (PV)Structuration et formalisationTransformer des notes manuscrites en compte-rendu formel

    2.8 Fonctionnalités émergentes

    UsageDescriptionDisponibilité
    Computer UseL’IA contrôle l’ordinateur : ouvre des applications, remplit des formulaires, navigue sur le webClaude (mars 2026)
    Cowork / agents autonomesL’IA travaille sur des fichiers en autonomie : lit, édite, crée dans un dossierClaude Max
    Extensions Excel/PowerPoint/WordL’IA intégrée directement dans les applications OfficeClaude (février 2026), Copilot
    Mémoire inter-sessionsL’IA retient le contexte d’une conversation à l’autreClaude, ChatGPT
    Recherche web intégréeL’IA accède à des données en temps réel pendant la conversationClaude, ChatGPT, Copilot
    Connexion aux outils métierIntégration avec Gmail, Google Drive, Slack, Salesforce via MCPClaude (2025-2026)
    Deep ResearchRecherche approfondie automatisée sur un sujet complexeClaude, ChatGPT
    Traitement multimodalAnalyse simultanée de texte, images, audio, vidéoToutes plateformes

    3. Analyse SWOT

    3.1 Forces (Strengths)

    Accessibilité sans précédent. Le langage naturel comme interface élimine la barrière technique qui freine de nombreux utilisateurs Excel. Un collaborateur qui ne maîtrise pas RECHERCHEV peut obtenir le même résultat en une phrase. Le coût d’entrée est minime : 20.-/mois par utilisateur pour les abonnements Pro, sans infrastructure à déployer.

    Polyvalence transversale. Contrairement à Excel (données tabulaires) ou à un traitement de texte (documents), les LLM opèrent sur tous les types de contenu simultanément. Un même outil remplace ou complète plusieurs logiciels spécialisés. L’inventaire ci-dessus recense plus de 40 catégories d’usage distinctes couvrant l’ensemble des fonctions d’une entreprise ou collectivité.

    Gains de productivité mesurés. L’étude Harvard/BCG documente une augmentation de 25.1 % de la vitesse d’exécution et de 40 % de la qualité des livrables pour des travailleurs du savoir. Les utilisateurs en entreprise rapportent une économie moyenne de 5.4 % de leurs heures hebdomadaires. Ces gains sont particulièrement marqués pour les profils non-experts, qui bénéficient d’un « effet d’égalisation » : l’IA réduit l’écart de performance entre collaborateurs juniors et seniors.

    Courbe d’adoption rapide. L’adoption des LLM progresse plus vite que toute technologie bureautique précédente. En Suisse, le taux d’adoption dans les PME est passé de 22 % à 34 % en un an (ICT Journal d’octobre 2025).

    3.2 Faiblesses (Weaknesses)

    Fiabilité variable. Les LLM produisent des erreurs factuelles (hallucinations) sans signal d’alerte. Contrairement à une formule Excel qui renvoie une erreur #REF! quand les données sont incohérentes, un LLM présente une réponse incorrecte avec la même assurance qu’une réponse juste. Ce problème est structurel : il diminue avec chaque génération de modèle mais ne disparaît pas.

    Reproductibilité limitée. À question identique, un LLM peut fournir des réponses différentes. Excel, pour les mêmes données et la même formule, produit toujours le même résultat. Cette différence est fondamentale : l’IA est probabiliste, les systèmes d’entreprise sont déterministes. Les deux paradigmes ne fonctionnent pas selon la même logique et ne sont pas substituables, mais complémentaires. Cette incompatibilité de nature complique l’intégration de l’IA dans les processus nécessitant une répétabilité stricte. Elle impose une architecture hybride claire : le déterministe pour les règles non négociables, le probabiliste pour l’interprétation et l’analyse contextuelle.

    Dépendance au fournisseur. Les données sont traitées sur des serveurs externes (Anthropic, OpenAI, Microsoft). Contrairement à un fichier Excel stocké en local, l’utilisateur n’a pas le contrôle total de son outil. Les conditions de service, les prix et les fonctionnalités peuvent changer unilatéralement.

    Compétence en prompting inégale. La qualité du résultat dépend fortement de la qualité de l’instruction. Sans formation, de nombreux utilisateurs sous-exploitent l’outil ou obtiennent des résultats décevants, ce qui génère un désengagement précoce.

    3.3 Opportunités (Opportunities)

    Automatisation des tâches à faible valeur ajoutée. Dans une PME, une proportion significative du temps de travail est consacrée à des tâches répétitives de traitement d’information : reformatage de données, rédaction de courriers types, consolidation de tableaux, extraction d’informations de documents. Les LLM permettent de réduire ce temps de 30 à 60 % selon les études disponibles.

    Démocratisation de compétences rares. Une PME de 20 personnes n’a pas de juriste, de data analyst, de graphiste ou de traducteur interne. L’IA permet à un collaborateur polyvalent d’accéder à un premier niveau de compétence dans ces domaines : analyse juridique préliminaire, visualisation de données, prototypage visuel, traduction professionnelle. Ce n’est pas un remplacement du spécialiste, mais un accès à une expertise de premier recours.

    Intégration croissante avec l’écosystème existant. Les connexions MCP (Model Context Protocol), les extensions Office, et les agents autonomes (Computer Use, Cowork) transforment les LLM en couche d’orchestration des outils existants. L’IA ne remplace pas le CRM, l’ERP ou Excel — elle les relie et les exploite de manière unifiée via une interface conversationnelle.

    Avantage concurrentiel pour les adopteurs précoces. Les PME qui intègrent l’IA maintenant accumulent un capital d’apprentissage organisationnel (prompts, workflows, pratiques internes) qui constitue un avantage durable. L’OCDE note que les PME de moins de 5 ans adoptent l’IA significativement plus vite (72 %) que les entreprises de plus de 35 ans (61 %), confirmant que l’agilité organisationnelle est un facteur déterminant.

    3.4 Menaces (Threats)

    Shadow AI. Sans cadre d’entreprise, les collaborateurs utilisent des comptes personnels gratuits, exposant potentiellement des données sensibles. Une étude signale que les requêtes liées au travail représentent 27 % des 2.6 milliards de messages quotidiens sur ChatGPT. Le risque de fuite de données commerciales, de propriété intellectuelle ou de données personnelles est réel et documenté.

    Fracture numérique interne. L’adoption inégale entre collaborateurs peut créer une nouvelle forme de division : entre ceux qui exploitent l’IA et ceux qui ne le font pas. Ce risque est plus aigu dans les PME où la formation est souvent informelle et où les profils sont hétérogènes en maturité numérique.

    Instabilité de l’offre. Le marché des LLM évolue très rapidement. Les modèles, les prix, les fonctionnalités et les fournisseurs changent à un rythme trimestriel. Une PME qui investit dans un écosystème (prompts, formations, workflows) peut voir cet investissement partiellement dévalué par un changement de plateforme ou de conditions tarifaires.

    Surconfiance et risques opérationnels. L’utilisateur peut accorder aux résultats de l’IA un niveau de confiance excessif, en particulier dans des domaines où il n’a pas l’expertise pour vérifier le résultat (analyse juridique, calculs financiers, conseils techniques). Contrairement à Excel où l’utilisateur construit lui-même la logique de calcul, l’IA produit un résultat opaque que l’utilisateur doit évaluer sans en maîtriser la mécanique.

    4. Matrice de comparaison : Excel vs. LLM par cas d’usage

    Cas d’usageExcelLLMVerdict
    Calcul et modélisation financière★★★★★★★★☆☆Excel reste supérieur : déterminisme, auditabilité, précision
    Analyse de données tabulaires volumineuses★★★★☆★★★★☆Complémentaires : Excel pour la manipulation, LLM pour l’interprétation
    Rédaction et communication★☆☆☆☆★★★★★Avantage LLM net
    Traitement de documents non structurés★☆☆☆☆★★★★★Avantage LLM net
    Création de présentations★★☆☆☆★★★★☆Avantage LLM
    Visualisation de données★★★★☆★★★☆☆Avantage Excel pour les graphiques complexes
    Automatisation de processus★★★☆☆ (VBA)★★★★☆Avantage LLM : pas de code à maintenir
    Conformité et traçabilité★★★★★★★☆☆☆Excel reste supérieur : historique, formules vérifiables
    Recherche et veille★☆☆☆☆★★★★★Avantage LLM net
    Prototypage rapide d’outils★★☆☆☆★★★★★Avantage LLM net

    Conclusion de la matrice : les LLM ne remplacent pas Excel sur ses forces historiques (calcul déterministe, modélisation financière, traçabilité). Ils le complètent sur tout ce qu’Excel ne fait pas ou fait mal : texte, documents, recherche, communication, prototypage. La complémentarité est plus pertinente que la substitution.

    5. Niveaux de maturité d’usage

    Niveau 1 — Usage ponctuel (0-3 mois)

    L’utilisateur recourt à l’IA comme assistant occasionnel : reformuler un email, résumer un document, répondre à une question. L’usage est individuel, non structuré. Pas de partage de pratiques. Gains de productivité limités (estimés à 5-10 %).

    Niveau 2 — Usage régulier intégré (3-6 mois)

    L’utilisateur incorpore l’IA dans ses routines de travail : analyse de fichiers, préparation de réunions, création de documents, recherche. Il développe des prompts récurrents. L’usage s’étend à plusieurs tâches par jour. Gains de productivité significatifs (estimés à 15-25 %).

    Niveau 3 — Usage systématique et partagé (6-12 mois)

    L’équipe partage des pratiques : bibliothèque de prompts, templates, workflows standardisés. L’IA est intégrée aux processus formels (réponse aux appels d’offres, reporting, onboarding). L’organisation commence à mesurer les gains. Gains de productivité importants (estimés à 25-40 %).

    Niveau 4 — Usage augmenté avec intégrations (12+ mois)

    L’IA est connectée aux outils métier (CRM, ERP, messagerie, gestion documentaire) via des intégrations natives ou MCP. Les agents autonomes traitent des tâches complètes sans intervention. L’utilisateur orchestre plutôt qu’il n’exécute. Gains de productivité transformatifs (estimés à 40 %+).

    6. Du compte individuel à l’infrastructure maîtrisée : l’IA gateway

    Les abonnements individuels (Claude Pro, ChatGPT Plus) suffisent pour une phase d’expérimentation. Ils ne suffisent pas pour un déploiement structuré. L’absence de gouvernance des données, l’impossibilité de connecter l’IA au corpus documentaire de l’organisation, et le manque de traçabilité des usages créent un plafond que les comptes individuels ne peuvent pas franchir.

    Une IA gateway résout ce problème en se positionnant comme couche intermédiaire entre les utilisateurs et les modèles de langage. Elle centralise l’accès aux LLM via une interface unifiée, connecte l’IA au corpus documentaire gouverné (GED, M-Files, SharePoint), gère l’identité et les droits via l’annuaire existant (Entra ID / Active Directory), et permet de déployer des assistants spécialisés par cas d’usage — sans développement logiciel.

    DECIDE Companion (tebicom) illustre cette approche. Construit sur OpenWebUI et Azure, Companion fonctionne selon un modèle incrémental : un onboarding initial pose l’infrastructure (tenant, Collections documentaires, intégration annuaire, 2 premiers cas d’usage), puis chaque cas d’usage supplémentaire est un assistant configuré en 1 à 3 jours — un prompt système, une Collection existante, un schéma de sortie. Pas de code. Le coût marginal de chaque nouveau cas d’usage est principalement du travail de conception, pas du développement.

    L’équation est particulièrement solide lorsque le corpus documentaire est déjà gouverné dans une GED comme M-Files : les documents sont versionnés, classifiés, avec des droits d’accès cohérents. Quand l’IA indexe ce corpus, elle hérite de cette qualité. Les réponses probabilistes s’appuient sur des sources déterministes fiables — à l’inverse du problème Copilot qui, dans un tenant SharePoint mal gouverné, remonte des documents sensibles ou obsolètes.

    Sans IA gatewayAvec IA gateway (ex. DECIDE Companion)
    Chaque utilisateur a son compte individuelAccès centralisé avec identité d’entreprise
    Aucun lien avec le corpus documentaire interneL’IA puise dans les documents gouvernés (M-Files, SharePoint)
    Pas de traçabilité des usagesLogs, suivi des coûts, contrôle des modèles utilisés
    Chaque usage est ad hocAssistants spécialisés par métier et par tâche
    Shadow AI non maîtriséCadre d’usage explicite et auditable
    Nouveau besoin = nouveau projet ITNouveau besoin = configuration d’un assistant en quelques jours

    7. Plan d’action d’implémentation

    Phase 1 — Cadrage et expérimentation (mois 1-2)

    Objectif : poser les bases d’un usage sécurisé et identifier les premiers cas d’usage à fort impact.

    Actions :

    • Auditer les usages existants : identifier les collaborateurs qui utilisent déjà l’IA (comptes personnels) et recenser les cas d’usage spontanés. Cet audit révèle les besoins réels, pas les besoins supposés.
    • Évaluer le besoin d’une IA gateway. Si l’organisation dispose d’un corpus documentaire structuré (GED, M-Files, SharePoint) et de plus de 10 utilisateurs cibles, un déploiement via une gateway comme DECIDE Companion est préférable aux abonnements individuels. L’onboarding initial (tenant Azure, Collections documentaires, intégration Entra ID, 2 premiers cas d’usage) se réalise en 4 à 8 semaines.
    • Pour les organisations plus petites ou en phase exploratoire, choisir une plateforme d’abonnements individuels. Critères de sélection : sécurité des données (hébergement, conformité RGPD/LPD, politique de non-réentraînement), fonctionnalités de production de fichiers, qualité du raisonnement, coût par utilisateur. Les trois plateformes principales sont Claude (Anthropic), ChatGPT (OpenAI) et Copilot (Microsoft).
    • Rédiger une charte d’usage : types de données autorisés, interdictions (données personnelles sensibles, données financières confidentielles), obligations de vérification des résultats, responsabilité de l’utilisateur.
    • Constituer un groupe pilote de 5-8 utilisateurs volontaires, couvrant au moins 3 fonctions différentes (administration, commercial, opérations).

    Budget indicatif : comptes individuels : 100-160 CHF/mois (5-8 licences Pro). IA gateway (DECIDE Companion) : pour les prix, contactez tebicom.

    Livrable : charte d’usage validée, groupe pilote actif, infrastructure choisie (comptes individuels ou gateway).

    Phase 2 — Premiers cas d’usage et montée en compétence (mois 2-4)

    Objectif : amener le groupe pilote au Niveau 2 de maturité et démontrer la valeur sur des cas concrets.

    Actions :

    • Former le groupe pilote (2 sessions de 2h). Contenu : logique de fonctionnement d’un LLM (ce qu’il fait, ce qu’il ne fait pas), techniques de prompting (clarté, contexte, exemples, format attendu), cas d’usage par métier, identification et gestion des erreurs.
    • Déployer les premiers cas d’usage à ROI rapide. Les cas d’extraction de données structurées produisent des résultats mesurables en moins de 7 jours : transcription de réunion → compte-rendu structuré (0.5 jour de configuration), email → fiche CRM (1 jour), document → fiche de synthèse (0.5-1 jour). Ces cas démontrent la valeur avant d’engager les cas de rédaction assistée, plus structurants mais plus longs à déployer.
    • Organiser un point de retour d’expérience bi-mensuel (30 min) pour partager les réussites, les échecs et les questions.
    • Documenter les meilleurs prompts et workflows dans un espace partagé. Sur une gateway, ces prompts sont versionnés et maintenus dans le cadre du contrat de service.

    Budget indicatif : licences + 1-3 jours de prestation par cas d’usage déployé.

    Livrable : 2-3 cas d’usage opérationnels, premiers gains mesurés (temps de rédaction, temps de saisie éliminé).

    Phase 3 — Déploiement élargi et cas d’usage de rédaction (mois 4-8)

    Objectif : étendre l’usage à l’ensemble des collaborateurs concernés et déployer les cas d’usage à plus forte valeur ajoutée.

    Actions :

    • Étendre les licences à tous les utilisateurs réguliers (cible : tout collaborateur utilisant Excel ≥ 2h/semaine ou traitant des documents de manière récurrente).
    • Former par vagues successives (sessions de 2h par groupe de 6-8 personnes), en utilisant les cas d’usage déployés en Phase 2 comme matériel pédagogique.
    • Déployer les cas d’usage de rédaction assistée : réponse à appels d’offres, contrats et clauses à partir de modèles, dossiers techniques et cahiers des charges. Ces cas nécessitent une Collection documentaire dédiée (bibliothèque de références projets, modèles contractuels, normes techniques) et 2-3 jours de conception par cas. Le ROI est visible à 14-30 jours.
    • Identifier les « ambassadeurs IA » dans chaque équipe : collaborateurs du groupe pilote qui deviennent référents pour leurs collègues.
    • Mettre en place un canal de partage (Teams ou Slack) pour les questions et les bonnes pratiques.

    Budget indicatif : licences élargies + prestation de conception des cas d’usage de rédaction (2-3 jours/cas) + Collections documentaires si nécessaire.

    Livrable : taux d’adoption mesuré (cible : 60 % des utilisateurs cibles actifs), 4-5 cas d’usage opérationnels.

    Phase 4 — Capitalisation et intégration (mois 8-12)

    Objectif : atteindre le Niveau 3-4 de maturité en capitalisant sur l’infrastructure en place.

    Actions :

    • Déployer les cas d’usage d’analyse contextuelle : recherche documentaire assistée sur corpus interne, analyse comparative de documents (offres fournisseurs, versions de contrats). Ces cas s’appuient sur les Collections déjà constituées — le coût marginal est minimal.
    • Standardiser les workflows IA dans les processus formels : réponse aux appels d’offres, onboarding, reporting, PV de séances.
    • Mesurer les gains de productivité par fonction : temps économisé, volume de production, qualité perçue.
    • Capitaliser sur l’infrastructure gateway. Chaque nouveau cas d’usage s’appuie sur les Collections et les assistants existants. Le coût marginal est décroissant : un assistant supplémentaire représente 1 à 3 jours de prestation, sans développement logiciel. L’objectif à 12 mois est d’avoir 2 à 3 cas d’usage actifs par organisation, avec un quatrième en cours de conception.
    • Réévaluer les modèles LLM sous-jacents : les capacités évoluent rapidement. Sur une gateway, le changement de modèle est transparent pour l’utilisateur mais nécessite des tests de non-régression sur les cas de référence.

    Budget indicatif : licences + prestation ponctuelle pour les nouveaux cas d’usage. Coût marginal décroissant si Collections partagées entre assistants.

    Livrable : processus formels intégrés, tableau de bord de suivi des gains, plan de renouvellement/évolution.

    8. Indicateurs de suivi recommandés

    IndicateurMéthode de mesureFréquence
    Taux d’adoptionNombre d’utilisateurs actifs / nombre de licencesMensuel
    Fréquence d’usageNombre moyen de sessions par utilisateur par semaineMensuel
    Cas d’usage actifsNombre d’assistants utilisés au moins 1x/semaineMensuel
    Temps économiséDéclaratif par sondage interne (avant/après)Trimestriel
    Qualité perçueNote de satisfaction des utilisateurs (1-5)Trimestriel
    Taux de concordancePour les cas d’extraction : % de sorties validées sans correctionMensuel
    IncidentsNombre d’erreurs détectées attribuables à l’IAContinu
    ROI estimé(Temps économisé × coût horaire moyen) / coût total (licences + prestations)Semestriel

    9. Facteurs clés de succès

    L’impulsion doit venir de la direction. L’adoption des LLM dans une organisation ne se décrète pas par une note de service, mais le signal de la direction est indispensable. Si le dirigeant utilise lui-même l’IA et en parle, l’adoption est significativement plus rapide.

    La formation est l’investissement le plus rentable. BCG estime que 30 % des gains de productivité sont directement attribuables au temps passé à expérimenter avec les outils. Une formation de 4 heures par collaborateur est un investissement minime au regard du retour potentiel.

    Commencer par les cas d’usage à ROI rapide. Les cas d’extraction de données structurées (transcription → compte-rendu, email → fiche CRM) produisent des résultats mesurables en moins de 7 jours. Cette démonstration de valeur rapide facilite l’approbation des budgets pour les cas de rédaction assistée, plus structurants mais plus longs à déployer.

    Le cadre de confiance conditionne l’adoption. La charte d’usage n’est pas un document de contrôle : c’est un outil de confiance. Elle rassure les collaborateurs sur ce qu’ils ont le droit de faire et protège l’organisation sur ce qu’il ne faut pas faire.

    La complémentarité avec les outils existants doit être explicite. Présenter l’IA comme un remplacement d’Excel ou de la GED provoque de la résistance. Présenter l’IA comme un assistant qui rend ces outils plus puissants (et qui fait ce qu’ils ne savent pas faire) facilite l’acceptation. Sur une gateway, cette complémentarité est architecturale : l’IA puise dans le corpus gouverné, elle ne le remplace pas.

    La gouvernance se vend avec l’outil. Sans garde-fous explicites, le LLM comble les lacunes silencieusement, la validation humaine devient symbolique, et l’assistant finit par contourner les processus existants. Les prompts systèmes doivent être documentés, versionnés, et testés. C’est ce qui distingue un déploiement structuré d’un usage artisanal.

    10. Données de cadrage — Chiffres clés 2025-2026

    Adoption — Suisse

    DonnéeSource
    34 % des PME suisses utilisent l’IA en 2025 (vs 22 % en 2024)ICT Journal / Étude AXA sur le marché de l’emploi, octobre 2025
    53 % des entreprises suisses utilisent une forme d’IA (> 70 % pour les grandes entreprises, < 45 % pour les PME)Observatoire Data & IA 2025, Oracle / HEG Genève
    43 % de la population suisse (15-88 ans) a utilisé l’IA générative au printemps 2025Office fédéral de la statistique (OFS), décembre 2025
    45 % des PME suisses voient l’IA comme une opportunité (vs 35 % en 2024)ICT Journal / Étude AXA, octobre 2025
    57 % des employeurs suisses utilisant l’IA déclarent gagner du temps (vs 46 % en 2024)ICT Journal / Étude AXA, octobre 2025
    Seules 11 % des PME suisses ont intégré l’IA dans tous leurs domaines d’activitéAXA / PME Magazine, 2025

    Adoption — France et Europe

    DonnéeSource
    34 % des PME françaises utilisent l’IA en 2025 (vs 13 % en 2024)Baromètre France Num 2025
    31 % des TPE-PME françaises utilisent l’IA générativeBpifrance Le Lab, février 2025
    67 % des PME européennes ont au moins un outil d’IARapport Qonto / France Numérique, 2025

    Adoption — Monde

    DonnéeSource
    65 % des organisations mondiales utilisent la GenAI en au moins une fonctionMcKinsey, State of AI 2025
    80 % des entreprises auront déployé l’IA générative en production d’ici 2026 (vs < 5 % en 2023)Gartner, 2025
    80 % des professionnels voient l’IA comme un apport positif pour leur carrièreLLM Statistics 2026, Hostinger

    Productivité — Études de référence

    DonnéeSource
    +25.1 % de vitesse d’exécution avec l’IA (sur 758 consultants BCG)Harvard Business School / BCG, « Navigating the Jagged Technological Frontier », 2023
    +40 % de qualité de production avec l’IA (même étude)Harvard Business School / BCG, 2023
    +12.2 % de tâches complétées en plus avec l’IA (même étude)Harvard Business School / BCG, 2023
    5.4 % d’heures hebdomadaires économisées en moyenne par les travailleurs utilisant l’IAOCDE, 2025
    4’400 milliards $ de potentiel économique annuel de l’IA générativeMcKinsey, « The Economic Potential of Generative AI », 2023

    11. Conclusion

    La comparaison entre Excel et les LLM n’est pas rhétorique. Elle décrit une transformation structurelle du poste de travail. Excel a donné à chaque collaborateur le pouvoir de calculer. Les LLM donnent à chaque collaborateur le pouvoir de raisonner, rédiger, analyser et créer — sans compétence technique préalable.

    La différence principale avec l’adoption d’Excel est la vitesse. Excel a mis 15 ans à devenir omniprésent. Les LLM atteignent un tiers de pénétration en moins de 3 ans. Cette vitesse crée une fenêtre d’opportunité pour les organisations qui structurent leur adoption maintenant, et un risque de décrochage pour celles qui attendent.

    L’IA ne remplace pas Excel, le traitement de texte, la GED ou le logiciel de présentation. Elle constitue une couche d’intelligence qui se superpose à l’ensemble des outils existants. L’enjeu n’est pas de choisir entre comptes individuels et infrastructure maîtrisée : c’est de passer de l’un à l’autre au bon moment, quand le volume d’utilisateurs, la sensibilité des données et la diversité des cas d’usage justifient une gouvernance centralisée.

    L’utilisateur augmenté de 2026 n’est pas celui qui utilise l’IA à la place de ses outils — c’est celui qui utilise l’IA pour mieux utiliser ses outils, et pour faire ce que ses outils ne permettaient pas de faire.

    Rapport produit en avril 2026. Les données et fonctionnalités décrites reflètent l’état du marché à cette date. Le rythme d’évolution de l’IA générative rend une mise à jour semestrielle recommandée.

  • J’ai mis trois mois à prendre une décision qui méritait trois jours

    …et mon organisation avait les compétences pour avancer sans moi.

    La décision était simple. Un collaborateur avait quitté l’équipe. Il fallait décider si on le remplaçait à l’identique, si on redistribuait ses tâches, ou si on profitait du départ pour tester une configuration différente : un freelance, un renfort offshore, une automatisation partielle.

    Trois options claires. Des managers capables de les évaluer. Des données disponibles. Et pourtant : trois mois de statu quo. Pas parce que l’analyse était complexe. Pas parce que les gens traînaient. Parce que la décision devait passer par moi, et que j’avais d’autres urgences.

    Quand j’ai fini par trancher, le choix était évident. Il l’était déjà au bout de trois jours. Les quatre-vingt-sept jours suivants n’ont rien ajouté, si ce n’est du retard, de la frustration et un surcoût opérationnel mesurable.

    Ce n’est pas une anecdote isolée. C’est un pattern. Et si vous dirigez une PME de services, il y a de bonnes chances que vous le reconnaissiez.

    Le goulot invisible

    Dans la première édition, j’ai posé la thèse centrale du Responsive Management : le facteur limitant des PME de services n’est ni la technologie ni le budget, c’est la capacité du patron à recomposer en continu son mix de ressources. Cette édition s’attaque à la première dimension de cette capacité : la gouvernance du changement.

    La gouvernance du changement, c’est la réponse à trois questions : qui décide quoi changer ? À quelle vitesse ? Avec quelle légitimité ?

    Dans la majorité des PME de services que j’observe, la réponse aux trois est la même : le patron. Seul.

    C’est compréhensible. Le patron connaît le contexte mieux que quiconque. Il porte la responsabilité finale. Il a souvent fondé ou repris l’entreprise. Et pendant des années, cette centralisation a fonctionné. Elle a même été un avantage : décisions rapides, cohérence stratégique, pas de comité inutile.

    Le problème apparaît quand l’environnement accélère. Quand les décisions de changement se multiplient — un départ, une opportunité IA, un client qui exige une nouvelle compétence, un partenaire offshore à évaluer — la file d’attente dans la tête du patron s’allonge. Les managers attendent. L’organisation a les compétences pour avancer, mais pas le mandat.

    Et le comité de direction ?

    Certains se diront : « Chez nous, c’est différent. Les décisions passent par un comité de direction. » En réalité, cela ne résout pas le problème ; cela le déplace.

    Le comité de direction introduit deux mécanismes de blocage distincts. Le premier est temporel : une décision qui pourrait être prise en trois jours attend la prochaine séance du comité, puis la validation du PV, puis la confirmation au comité suivant. Six semaines s’écoulent. Le deuxième est politique : quand tout le monde valide, personne ne décide. La responsabilité se dilue. Chaque membre attend que l’autre prenne position. Le résultat est le même que dans le modèle du patron seul — l’inaction — mais avec un alibi collectif.

    Le goulot d’étranglement n’est pas une question de nombre de personnes autour de la table. C’est une question de mandat, de périmètre décisionnel et de vitesse.

    Ce que disent les données

    Helfat et Martin, dans une méta-étude publiée dans le Journal of Management en 2015, définissent les dynamic managerial capabilities : la capacité des managers à créer, étendre et modifier le fonctionnement de leur organisation. Leur conclusion est sans ambiguïté : quand le dirigeant monopolise ces capacités, elles deviennent des goulots individuels plutôt que des ressources distribuées. La capacité de jugement du patron, aussi performante soit-elle, a une bande passante limitée.

    Les données du MIT CISR (Van der Meulen et Beath, 2023), collectées auprès de 342 organisations, quantifient le coût de cette centralisation. Les entreprises décentralisées affichent des marges nettes supérieures de 6.2 points de pourcentage et des taux de croissance supérieurs de 9.8 points par rapport à leurs pairs centralisées. L’écart est significatif. Il l’est encore plus quand la décentralisation est guidée par une raison d’être clairement intégrée dans les processus.

    Battisti et Deakins (2021), sur 151 PME polonaises pendant le Covid-19, confirment que les structures organiques — celles qui pratiquent la décentralisation, accueillent les idées bottom-up et expérimentent — ont répondu plus efficacement aux disruptions que les structures centralisées.

    Le constat converge. La centralisation décisionnelle pénalise la performance de manière mesurable. Et le mécanisme est identifié : ce n’est pas que le patron décide mal ; c’est qu’il décide seul, et que sa bande passante est le facteur limitant de toute l’organisation.

    Décentraliser sans compétence : la leçon de l’holacratie

    Une étude menée sur 5’807 employés dans 144 PME allemandes (Huettermann et al., 2024) nuance le propos : le transfert d’autorité décisionnelle stimule le leadership émergent, mais uniquement quand les managers directs pratiquent un leadership habilitant. Décentraliser sans former les managers intermédiaires à décider ne produit pas de l’agilité. Cela produit du bruit.

    J’en ai fait l’expérience directe. En février 2020, nous avons adopté l’holacratie chez tebicom : constitution signée, cercles définis, autorité distribuée. Sur le papier, c’était exactement la réponse au goulot décisionnel du patron.

    En pratique, les tensions n’ont cessé de grandir. Le problème n’était pas le modèle. C’était ce qui manquait en dessous : les compétences managériales pour que la distribution d’autorité fonctionne. Comment déléguer des responsabilités quand les périmètres sont flous et la prise de décision mal maîtrisée ? L’holacratie supposait des managers autonomes et compétents. La réalité était plus nuancée.

    Après quatre ans de tensions croissantes, nous avons travaillé sur une nouvelle solution à l’été 2024. En janvier 2025, nous avons mis en place notre propre gouvernance d’entreprise. L’holacratie n’est pas abandonnée, mais encadrée : le leader de chaque cercle décide de son application au sein de son périmètre et en informe le CVO. En septembre 2025, nous avons lancé notre première formation leadership et management. Deux cohortes ont été formées à ce jour, soit 11 managers.

    La leçon est claire : distribuer l’autorité sans investir dans la compétence décisionnelle des managers, c’est remplacer un goulot par du chaos. Huettermann et al. le confirment empiriquement. Nous l’avons vécu pendant quatre ans.

    Le piège de la compétence

    Ce qui rend le goulot décisionnel particulièrement insidieux, c’est qu’il coexiste souvent avec des équipes compétentes. J’ai vu des organisations où les managers de terrain maîtrisaient parfaitement leur domaine, où les collaborateurs montaient en compétence régulièrement, où le savoir-faire était documenté ; et où, malgré tout, rien ne changeait. Parce que personne n’avait le mandat de décider un changement sans validation du patron.

    C’est précisément le pattern que le Responsive Management Index identifie comme goulot décisionnel : des scores élevés en capitalisation des savoirs et en développement des compétences (dimensions 3 et 4), mais des scores bas en gouvernance du changement et en cadence d’exécution (dimensions 1 et 5). L’organisation sait faire. Elle n’a pas le droit de faire.

    Si vous vous reconnaissez dans cette description, le problème n’est pas vos équipes. C’est la structure de votre prise de décision.

    Trois leviers concrets

    Premier levier : créer un mandat formel de pilotage du changement. Identifier deux managers capables de porter des initiatives de changement sans attendre votre feu vert. Pas une délégation floue. Un mandat explicite, avec un périmètre défini et une autorité de décision réelle. Helfat et Martin montrent que les managers à différents niveaux possèdent des capacités décisionnelles hétérogènes ; les ignorer revient à gaspiller une ressource stratégique. Mais — et c’est la leçon de l’holacratie — le mandat ne suffit pas. Il faut investir dans la compétence qui va avec.

    Deuxième levier : mesurer le délai décisionnel. Combien de temps s’écoule entre le moment où une décision de réorganisation est identifiée comme nécessaire et le moment où elle est prise ? Si la réponse est « plusieurs semaines » ou « plusieurs mois », vous avez un indicateur objectif du goulot. Les données MIT CISR sont claires : ce délai est corrélé à la performance financière.

    Troisième levier : institutionnaliser le post-mortem. Quand un projet de changement échoue ou s’enlise, que se passe-t-il ? Si la réponse est « on l’abandonne silencieusement » ou « on attend que le patron relance », l’organisation n’apprend pas de ses échecs. Battisti et Deakins montrent que les PME qui tirent des leçons systématiques de leurs échecs développent des capacités adaptatives plus robustes. Le post-mortem n’est pas un luxe. C’est un mécanisme d’apprentissage organisationnel.

    Un test rapide

    Deux questions suffisent pour évaluer votre gouvernance du changement.

    Quand une décision de réorganisation est nécessaire, elle est prise en combien de temps ? Si la réponse est « en mois, voire jamais formalisée », le signal est clair.

    La responsabilité de piloter le changement dans votre organisation est portée par qui ? Si la réponse est « le patron seul », vous avez identifié votre facteur limitant.

    Ces deux questions font partie du Responsive Management Index, un diagnostic en 15 questions que je suis en train de finaliser. Sept minutes pour identifier où votre PME de services est coincée, et par quoi commencer.

    Ce qui suit

    La prochaine édition traitera de la recomposition des ressources : le cœur de la thèse Responsive Management. Que se passe-t-il quand un collaborateur part et que, pour la première fois, vous ne le remplacez pas à l’identique ?

    En attendant, si cette édition vous a fait réfléchir à la manière dont les décisions de changement sont prises dans votre organisation, c’est déjà un premier pas. Le deuxième, c’est d’en parler avec vos managers.

  • Pourquoi votre PME de services est coincée ?

    …et ce n’est ni la technologie ni le budget !

    Vous connaissez la situation. Les bons profils sont rares… et difficiles à garder. Votre transformation numérique a démarré il y a des années sans jamais vraiment aboutir. L’IA est omniprésente dans les médias et absente de vos opérations. Vos concurrents avancent plus vite. Vos marges se réduisent. Et chaque réorganisation ressemble à la précédente : beaucoup d’énergie dépensée pour un résultat qui ne tient pas.

    Si vous dirigez une PME de services (cabinet de conseil, société informatique, bureau d’ingénieurs, fiduciaire, agence) vous vivez probablement ces tensions au quotidien. Vous savez que quelque chose doit changer. Mais quoi exactement ? Et par où commencer ?

    Le diagnostic habituel est faux

    La réponse la plus courante tient en trois mots : investissez dans la technologie. Modernisez vos outils. Lancez un programme de transformation numérique. Recrutez un responsable IA.

    C’est tentant. C’est aussi insuffisant.

    Après des années à diriger une société de services informatiques à travers des vagues successives de disruption — migration cloud, Covid, exigences de cybersécurité, travail à distance, partenariats, IA générative — un constat s’est imposé. Les PME de services qui investissent le plus dans la technologie ne sont pas nécessairement celles qui s’en sortent le mieux. Certaines accumulent les outils sans changer fondamentalement leur manière de fonctionner. D’autres, avec des moyens plus modestes, s’adaptent avec une fluidité remarquable.

    La différence ne se situe pas dans le budget informatique.

    Le vrai facteur limitant

    Le facteur limitant des PME de services n’est ni la technologie ni le budget. C’est la capacité du dirigeant à recomposer en continu le mix de ressources de son organisation : talents internes, partenaires externes, capacités offshore, méthodes de travail et technologies — dont l’IA.

    Les entreprises qui stagnent ne manquent pas d’outils. Elles manquent de la gouvernance, des savoirs transférables et de la cadence d’exécution nécessaires pour se reconfigurer en permanence. Elles savent qu’elles devraient changer. Elles ne savent pas par quoi commencer. Alors elles ne changent rien.

    Ce n’est pas un problème de volonté. C’est un problème de structure. La « résistance au changement » est le diagnostic le plus commode — et le plus trompeur. Il transforme un problème d’architecture organisationnelle en problème de personnes. Quand personne ne bouge, le réflexe est de blâmer l’inertie humaine. En réalité, l’organisation n’offre aucun mécanisme concret pour bouger.

    J’appelle cette capacité le Responsive Management : la gestion réactive et continue du mix de ressources d’une PME de services. Non pas transformer une fois, mais recomposer en permanence !

    Les signaux de blocage

    Comment savoir si votre organisation est dans cette impasse ? Voici des signaux concrets.

    Chaque départ est remplacé à l’identique. Quand un collaborateur quitte l’entreprise, la question est toujours la même : comment recruter un profil équivalent ? Rarement : faut-il remplacer ce poste par un freelance, une capacité offshore, un workflow automatisé, ou pas du tout ? Si la réponse par défaut est toujours le recrutement à l’identique, votre organisation ne recompose pas ; elle reproduit.

    Votre meilleur expert est irremplaçable. Si cette personne part demain, combien de son savoir-faire opérationnel est documenté, transférable, utilisable par quelqu’un d’autre ? Si la réponse est « très peu », toute tentative de recomposition (externalisation, offshore, IA, nouveau collaborateur) se heurtera au même mur. Le savoir piégé dans les têtes bloque structurellement le changement.

    Le délai entre une idée et sa mise en œuvre dépasse six mois. Vous identifiez une amélioration possible en janvier. En juillet, rien n’a bougé. Ce n’est pas de la procrastination ; c’est le signe que votre organisation n’a pas de cadence de changement installée. L’inaction n’est pas accidentelle. Elle est structurelle. Aucun discours motivationnel ne résoudra ce problème. Ce qui manque, c’est une mécanique de gestion ; du suivi, de la responsabilisation et une cadence de revue qui forcent le passage à l’acte.

    Si vous vous reconnaissez dans un ou plusieurs de ces signaux, vous n’êtes pas seul. La majorité des PME de services que j’observe, y compris la mienne, ont traversé ou traversent ces situations.

    Ce qui suit

    C’est exactement le sujet de cette newsletter.

    The Responsive Manager paraîtra toutes les deux semaines. Chaque édition traitera un problème concret lié à la capacité d’adaptation des PME de services : gouvernance du changement, recomposition des ressources, capitalisation des savoirs, développement des compétences, cadence d’exécution. Le point de vue sera celui d’un praticien-chercheur : je dirige une PME de services (tebicom), je prépare un doctorat à GEM – Alpine Business School sur ces sujets, et je vis ces décisions au quotidien.

    Pas de théorie déconnectée. Pas de promesses. Un problème, un cadre d’analyse, une piste d’action.

    Un outil de diagnostic, le Responsive Management Index, est en préparation. Quinze questions, sept minutes, un rapport qui identifie votre facteur limitant principal. J’en reparlerai dans une prochaine édition.

    En attendant, si ce sujet vous concerne, abonnez-vous. Et si vous connaissez un dirigeant de PME de services qui se reconnaîtra dans ces lignes, partagez-lui cette édition 😉

  • Cloud et IA : passer au filtre des risques pour saisir les opportunités

    L’adoption du Cloud et de l’IA n’est plus un choix technologique, mais une décision d’affaires qui doit passer par des filtres de décision rigoureux. Un nouveau livre blanc de tebicom en cours de finalisation met en lumière cette dualité : d’un côté, des risques réels qui imposent une vigilance inédite ; de l’autre, des opportunités de productivité capables de transformer durablement l’organisation.

    Les filtres de vigilance : au-delà de la sécurité classique

    Adopter ces technologies comporte des risques que l’on ne peut plus occulter. Si la violation de données par une mauvaise configuration Cloud reste une menace majeure, l’IA introduit des vulnérabilités d’un genre nouveau :

    • La captation des données pour l’apprentissage des LLM : c’est le « prix caché » des outils d’IA grand public. Sans cadre contractuel spécifique, les données soumises par vos collaborateurs (via le shadow AI) peuvent être utilisées par les fournisseurs globaux pour entraîner leurs futurs modèles. Cela signifie que vos secrets d’affaires, vos analyses stratégiques ou vos données clients pourraient un jour être « digérés » et restitués à des tiers par l’IA. La maîtrise des données, savoir dans quel but elles sont traitées, est le premier pilier de votre souveraineté d’organisation.
    • Le piège des hallucinations et du « reward hacking » : les modèles d’IA génèrent des réponses vraisemblables, mais pas toujours exactes. Pire, elles peuvent pratiquer le « reward hacking » : optimiser un objectif en contournant les règles, comme hacker un logiciel de mesure pour afficher un succès fictif. La supervision humaine n’est donc pas une option, elle est indispensable à l’usage de l’IA.
    • L’érosion invisible des compétences : un risque stratégique majeur est de déléguer des tâches proches du cœur décisionnel à des systèmes externes. Cette « externalisation invisible » peut mener à une atrophie des compétences internes : l’entreprise perd sa capacité à décider par elle-même (Pourquoi la souveraineté IA va devenir le vrai sujet stratégique).
    • Le biais d’automatisation : face à une IA qui répond avec autorité, l’humain tend à baisser sa garde critique. C’est ce que l’on appelle la « normalisation de la déviance » : on finit par accepter de petits relâchements vis-à-vis des processus rigoureux, ce qui érode la cohérence de la gouvernance interne (Quand l’IA probabiliste rencontre nos systèmes déterministes : trois failles que personne ne voit venir).

    Les filtres de valeur : l’opportunité de l’utilisateur augmenté

    Malgré ces défis, les gains potentiels sont massifs pour les organisations qui abordent le sujet avec méthode :

    • La productivité individuelle : l’IA générative permet des gains mesurables de 1 à 5 heures par semaine et par collaborateur. En automatisant la synthèse de réunions ou la rédaction d’offres, elle crée ce que tebicom appelle l’utilisateur augmenté.
    • L’agilité et la compétitivité sectorielle : le Cloud élimine les dépendances aux cycles matériels, tandis que l’IA transforme les modèles opérationnels, par exemple via la maintenance prédictive dans l’industrie ou l’optimisation des flux en temps réel sur les chantiers.
    • La fin de la « shadow AI » : plutôt que de subir l’usage sauvage d’outils grand public par les collaborateurs, l’opportunité réside dans la mise en place d’une passerelle IA gouvernée (comme DECIDE Companion chez tebicom). Cela permet de canaliser la puissance des modèles vers une architecture sécurisée et souveraine.

    Le courage managérial : réconcilier le probabiliste et le déterministe

    Le véritable filtre de décision consiste à comprendre que l’IA ne remplace pas vos anciens systèmes, elle les complète.

    D’un côté, vos systèmes déterministes (ERP, finance) garantissent que la même entrée produit toujours la même sortie, une obligation légale dans de nombreux secteurs. De l’autre, l’IA probabiliste apporte son génie pour interpréter l’ambiguïté et naviguer dans des contextes complexes.

    La réussite réside dans un modèle hybride : une architecture où l’on définit explicitement ce qui doit rester gravé dans la règle stricte et ce qui peut bénéficier de la flexibilité statistique de l’IA.

    Conclusion : de la vision au succès

    Le succès ne dépend pas de la technologie elle-même, mais de la capacité à passer ces filtres avec méthode. Comme je le souligne dans le livre blanc de tebicom, « l’innovation ne réside plus dans le développement spécifique, mais dans la capacité à assembler et piloter intelligemment des briques standards ». En maîtrisant votre souveraineté d’organisation, vous transformez ces risques en un levier d’agilité durable !

    La version vidéo (NotebookLM) du livre blanc « Notre vision du Cloud et de l’IA de tebicom »