Les entreprises leaders misent sur une IA qui s’améliore en continu

La plupart des entreprises déploient encore l’IA sans transformer leur activité

Jusqu’à 90 % des entreprises restent concentrées sur le déploiement d’outils d’IA et la poursuite d’applications ciblées, tandis qu’un groupe plus restreint fait état de gains financiers substantiels issus d’une transformation plus large. Bain & Company estime que les 10 % de tête ont développé des approches plus rigoureuses de l’IA. Parmi les leaders de la transformation, le cabinet rapporte une croissance de l’EBITDA de 10 % à 25 %. L’EBITDA mesure le bénéfice avant intérêts, impôts, dépréciation et amortissement.

Cet écart soulève une question pour les dirigeants : pourquoi tant d’entreprises peinent-elles à capter la valeur de l’IA alors que la technologie elle-même progresse si rapidement ?

L’analyse de Bain, « The AI-Native Enterprise: Absorption Is the New Advantage », met en lumière la manière dont les organisations intègrent les nouvelles technologies dans leurs opérations. En 2024, les entreprises les plus avancées avaient mis en place des programmes de transformation avec le soutien de la direction, des objectifs business définis et une mise en œuvre coordonnée entre les fonctions. Ces programmes reliaient le déploiement de l’IA à des changements dans la manière dont le travail était organisé et mesuré.

Les entreprises qui adoptent une approche plus étroite se concentrent souvent sur la productivité individuelle. Un assistant IA peut aider les employés à rédiger des documents plus vite, à résumer les interactions clients ou à accomplir des tâches routinières. Ces améliorations font gagner du temps, mais le bénéfice financier peut rester limité lorsque le processus métier environnant ne change pas.

Prenons un workflow dans lequel l’IA réduit le temps nécessaire à une activité. Si les validations, les transferts et les opérations en aval continuent au même rythme qu’auparavant, l’organisation peut constater peu d’amélioration du temps total de traitement. L’employé devient plus productif, mais le processus conserve ses contraintes. Des gains financiers significatifs dépendent donc d’un changement dans la manière dont le travail circule dans l’entreprise.

La croissance de l’EBITDA rapportée par Bain décrit la performance d’entreprises engagées dans des transformations de grande ampleur. Ce chiffre représente leur performance financière globale plutôt qu’une mesure distincte de la contribution de l’IA aux bénéfices. Néanmoins, l’écart entre ces organisations et les entreprises qui mènent des expérimentations isolées montre pourquoi la mise en œuvre compte.

Bain, qui conseille les entreprises sur la transformation technologique et organisationnelle, soutient que cet écart peut se creuser avec le temps. Chaque trimestre passé en mode projet pilote donne aux concurrents plus avancés un trimestre supplémentaire pour repenser leurs opérations et améliorer leur exécution. Les organisations qui attendent que la technologie de l’IA mûrisse risquent donc de retarder des changements de management qui exigent déjà beaucoup de temps et d’efforts.

Les plus grands freins aux progrès de l’IA sont souvent organisationnels

La difficulté de mise en œuvre de l’IA est souvent expliquée par des préoccupations techniques. La sécurité des données reste un défi, les modèles génératifs peuvent produire des informations erronées et le retour sur investissement peut être incertain. Ces sujets comptent particulièrement lorsque les systèmes d’IA traitent des informations sensibles ou prennent des décisions qui affectent les clients et les opérations de l’entreprise.

Pourtant, le travail de transformation de Bain suggère que les freins organisationnels déterminent souvent si les entreprises dépassent le stade de l’expérimentation. Son Bain GenAI Survey 2026 examine cet écart dans la Figure 4, intitulée « Enterprises blame technology, but the real barriers are organizational. » Ce constat attire l’attention sur les décisions de management qui déterminent si des systèmes techniquement capables s’intègrent au travail quotidien.

Une étude du Massachusetts Institute of Technology de 2025 a identifié plusieurs obstacles : une conduite du changement difficile, un soutien incertain de la direction, une mauvaise expérience utilisateur et la résistance des employés face à des outils peu familiers. Chacun peut empêcher une application d’IA de devenir une composante des opérations normales. Même un système techniquement fiable peut apporter une valeur limitée lorsque les employés l’évitent, que les managers conservent les responsabilités existantes ou qu’aucun dirigeant n’est responsable du résultat business.

Le soutien de la direction devient particulièrement important lorsque l’amélioration d’un processus exige que plusieurs départements changent ensemble. Prenons le service client impliquant des représentants du support, des spécialistes techniques, des équipes de facturation et des account managers. L’IA peut aider une équipe à répondre plus vite aux questions, mais l’amélioration du processus complet exige un accord sur la responsabilité, l’autorité, les procédures d’escalade et les attentes en matière de performance.

Sans direction senior, les départements peuvent conserver leurs structures d’approbation existantes tout en introduisant des applications d’IA séparées. Chaque équipe peut améliorer ses propres activités, mais les délais entre les équipes demeurent. L’organisation accumule des outils sans développer une manière coordonnée de les utiliser.

Bain identifie trois réponses courantes qui renforcent ce schéma. Les entreprises restent en mode projet pilote, introduisent l’IA dans les processus existants sans les modifier en profondeur, ou reportent les décisions majeures en attendant que les plateformes technologiques se stabilisent. Les trois retardent les changements de l’organisation elle-même.

Bain décrit la deuxième approche comme « pave the goat trails ». L’expression désigne l’automatisation d’activités au sein d’un processus existant tout en en préservant la structure sous-jacente. L’IA peut accélérer certaines étapes, mais les validations inutiles, les saisies répétées de données et les responsabilités fragmentées continuent de consommer du temps.

Une refonte plus large commence par le résultat business visé. Les managers déterminent quelles activités restent nécessaires, quelles décisions exigent un jugement humain et comment l’information doit circuler entre les personnes et les systèmes. Cette approche peut éliminer des étapes entières tout en modifiant les responsabilités entre départements.

Bain rapporte des gains d’efficacité à deux chiffres dans le service client, les ventes et le marketing, le développement logiciel, les opérations et les fonctions back-office dans des transformations bien conçues. La Figure 1, « Leaders are reporting significant improvements from AI in well-architected transformations, » relie ces gains à une mise en œuvre coordonnée et à des changements dans les processus opérationnels.

Obtenir de telles améliorations exige des investissements substantiels au-delà des licences logicielles et de l’accès aux modèles. Parmi les entreprises avec lesquelles Bain travaille, les organisations dépensent environ quatre dollars en changements humains et de processus pour chaque dollar consacré à la technologie. Le cabinet tire un bénéfice commercial des investissements des entreprises dans les services de transformation ; ses observations sur les dépenses doivent donc être comprises dans le contexte de son travail client.

Le ratio de quatre pour un montre aussi l’ampleur du travail de management qu’implique la mise en œuvre. Les entreprises doivent définir les résultats attendus, désigner des dirigeants responsables, repenser les processus, moderniser les applications et les environnements de données, former les employés et mesurer les résultats. Ce sont ces activités qui déterminent si l’IA modifie la performance de l’entreprise.

La connaissance de l’entreprise détermine ce que l’IA peut faire

Une fois les responsabilités et les workflows définis, l’exigence suivante est un accès fiable à l’information métier. Les systèmes d’IA ont besoin des données formelles stockées dans les applications, ainsi que des connaissances que les employés utilisent pour les interpréter. Sans ce contexte, un modèle peut comprendre une demande mais manquer des informations nécessaires pour l’exécuter correctement.

La connaissance de l’entreprise comprend les systèmes, les normes, les workflows, les exceptions, les relations clients, les droits de décision et le jugement institutionnel accumulé. Un agent IA traitant une demande client peut avoir besoin des conditions contractuelles, des interactions précédentes, des exceptions approuvées et des règles encadrant l’autorisation managériale. Un agent est un système d’IA qui utilise des informations et des outils pour mener des actions vers un objectif défini.

Rendre cette connaissance disponible exige de l’ingénierie et de la gouvernance. L’information doit être accessible aux employés et aux systèmes d’IA autorisés, tandis que les permissions empêchent toute divulgation ou action inappropriée. Les applications ont également besoin de connexions fiables afin que les agents puissent récupérer l’information et accomplir les tâches autorisées.

Ces fondations conservent leur valeur à mesure que les modèles s’améliorent. Un futur modèle pourra raisonner plus précisément ou exécuter des tâches à moindre coût, mais il aura toujours besoin des informations opérationnelles de l’entreprise et de l’autorité appropriée pour agir. Une meilleure intelligence accroît la valeur potentielle d’un contexte d’entreprise fiable.

Attendre que le marché technologique se stabilise peut donc avoir un coût. La responsabilité des processus, l’adoption par les employés, la modernisation des applications et la coordination organisationnelle prennent du temps à mettre en place. Les entreprises qui développent ces fondations peuvent intégrer plus rapidement les nouvelles capacités des modèles lorsqu’elles deviennent disponibles.

Les fournisseurs d’IA investissent des milliards pour combler l’écart de mise en œuvre

La difficulté à transformer l’IA en systèmes métier opérationnels modifie la manière dont les fournisseurs technologiques investissent. Le développement des modèles reste au cœur de la concurrence, mais les grands fournisseurs financent aussi des services et des structures opérationnelles qui aident les clients à déployer l’IA au sein d’organisations existantes. Ces investissements reflètent une opportunité commerciale : les fournisseurs en bénéficient lorsque les entreprises passent de l’expérimentation à une adoption durable.

Cinq engagements montrent l’ampleur de ce basculement.

Ces engagements couvrent différentes structures d’activité et différents types d’actions, ce qui en fait des programmes d’investissement distincts plutôt que des catégories de dépenses directement équivalentes. Ensemble, ils montrent que les fournisseurs allouent des ressources substantielles au travail requis après que les clients ont obtenu l’accès à la technologie d’IA.

Un rôle clé dans cet effort est celui du forward-deployed engineer, ou FDE. Ces ingénieurs travaillent directement avec les clients pour connecter la technologie aux systèmes opérationnels, intégrer les applications et les données, résoudre les problèmes de mise en œuvre et livrer des logiciels fonctionnels. Travailler au plus près des clients les aide à comprendre des exigences difficiles à capturer dans une spécification produit standard.

Palantir a rendu cette approche particulièrement visible. D’autres fournisseurs développent des équipes d’ingénierie embarquées parce que les déploiements en entreprise dépendent de structures de données propres au client, de règles métier, de dépendances applicatives et de workflows. Des ingénieurs travaillant aux côtés des clients peuvent traiter ces exigences au fur et à mesure qu’elles apparaissent pendant la mise en œuvre.

Microsoft Frontier Company représente une version de cette approche à travers une activité opérationnelle qui place des spécialistes de l’ingénierie chez les clients. Amazon Web Services finance une organisation dédiée d’ingénierie forward-deployed. Anthropic, OpenAI et Google Cloud développent leurs propres structures pour accélérer l’adoption en entreprise.

L’accent mis sur la mise en œuvre chez le client apparaît aussi dans les tendances de recrutement. La Figure 2 de Bain, « Firms are hiring roles designed to build and deliver AI outcomes, » examine les fonctions que les entreprises renforcent pour soutenir le déploiement de l’IA.

L’analyse distingue les revenue operations, qui couvrent les ventes, le marketing et le service client, des rôles de solutioning, qui incluent les équipes techniques d’avant-vente, les forward-deployed engineers et d’autres spécialistes de la delivery. Elle inclut aussi les fonctions générales et administratives, communément appelées G&A. L’accent mis sur le solutioning reflète le travail technique nécessaire pour transformer une IA généraliste en résultats business spécifiques.

Un client qui achète l’accès à un modèle avancé doit encore le connecter aux applications internes, établir des flux d’information sécurisés, configurer des workflows et valider la performance. Les spécialistes du fournisseur peuvent aider à accomplir ces tâches et à identifier des applications réalisables. Leur intervention peut réduire la charge d’ingénierie du client et raccourcir le temps de déploiement.

Mais les services de mise en œuvre ont une limite organisationnelle. Les ingénieurs d’un fournisseur ne peuvent pas décider de manière indépendante comment les départements du client doivent fonctionner, quels dirigeants doivent être responsables des résultats, ni comment les responsabilités et les incitations des employés doivent évoluer. Ces décisions exigent une autorité au sein de l’organisation cliente.

Un fournisseur peut, par exemple, aider à construire un workflow de service client soutenu par l’IA, tandis que le client détermine son impact sur les effectifs, les procédures d’escalade, les standards de qualité et la responsabilité. La mise en œuvre technique et la refonte managériale doivent donc avancer ensemble.

Cela crée un intérêt partagé entre les fournisseurs et les clients entreprises, malgré des incitations commerciales différentes. Les fournisseurs veulent que les clients adoptent et étendent leur usage des services d’IA. Les dirigeants d’entreprise ont besoin que ces déploiements produisent des améliorations mesurables de leur propre performance business.

De meilleurs modèles comptent toujours. Les entreprises ont besoin de la flexibilité pour les utiliser

La qualité de la mise en œuvre détermine si l’IA devient utile dans une organisation, mais l’intelligence du modèle sous-jacent influence toujours ce qu’un système peut accomplir. Dans des workflows exigeants, de faibles écarts de précision entre modèles peuvent déterminer si un processus fonctionne de manière suffisamment fiable pour la production.

Parallèlement, le marché des modèles devient plus diversifié. Les modèles open-weight, dont les paramètres sont disponibles pour que les organisations puissent les utiliser et les adapter selon les licences applicables, ont réduit l’écart de capacités avec les systèmes propriétaires dans de nombreuses applications d’entreprise.

Epoch AI suit cette évolution à travers l’Epoch Capabilities Index, ou ECI. Cet indice combine les résultats de plusieurs benchmarks d’IA en une mesure de la capacité globale des modèles. Son analyse, citée dans la Figure 3, « Open-source models are narrowing the capability gap with proprietary models, » indique une concurrence croissante entre les modèles ouverts et les modèles fermés.

Une concurrence accrue donne aux entreprises davantage de choix en matière de performance et de coût. Des applications qui exigeaient auparavant un modèle frontier coûteux pourront à terme fonctionner efficacement avec une alternative moins chère ou spécialisée. Cela peut réduire le coût de traitement des requêtes d’IA, généralement mesuré en tokens, les unités de texte et d’autres contenus que les modèles traitent.

À mesure que les modèles s’améliorent, les applications aux exigences mûres et bien comprises peuvent évoluer vers des systèmes efficaces optimisés pour le coût et la fiabilité. Les nouvelles applications impliquant un raisonnement difficile, des environnements incertains ou des problèmes scientifiques exigeants peuvent continuer à nécessiter les modèles frontier les plus puissants.

La valeur économique de l’intelligence d’un modèle dépend donc de la tâche. La baisse du prix des tokens et l’amélioration des modèles open-weight créent une pression tarifaire sur les capacités établies. Mais un modèle plus performant peut conserver une valeur substantielle lorsque des systèmes plus faibles ne peuvent pas accomplir le travail requis de manière fiable.

Bain s’attend à ce que les modèles frontier s’attaquent à des problèmes de plus en plus difficiles, potentiellement y compris les traitements contre les maladies, la fusion et la gravité quantique. Ces perspectives montrent pourquoi la performance des meilleurs modèles peut rester précieuse même lorsque les capacités courantes deviennent moins chères.

De faibles écarts de précision deviennent de grands écarts de workflow

L’importance de la qualité du modèle devient plus claire lorsque l’IA exécute une séquence d’actions dépendantes. Dans un workflow agentique, un système d’IA utilise des outils, des informations et des décisions intermédiaires pour accomplir une tâche en plusieurs étapes. Chaque étape introduit une nouvelle possibilité d’échec.

Prenons un processus comportant 34 étapes dépendantes. Si chaque étape doit réussir, la probabilité de mener à bien l’ensemble du processus dépend de la fiabilité des étapes individuelles.

Bain illustre l’effet avec deux modèles.

Le calcul suppose que chaque étape doit réussir et que les probabilités de succès se multiplient tout au long du workflow. Dans ces conditions, la réussite de bout en bout est égale à la probabilité de succès de chaque étape élevée à la puissance 34.

Une amélioration de deux points de pourcentage de la précision par étape produit donc une différence substantielle de fiabilité globale. Dans cet exemple, le modèle le plus performant mène le workflow à bien environ deux fois plus souvent.

Cette différence peut déterminer si l’automatisation est économiquement viable. Un processus qui échoue la plupart du temps peut exiger d’importantes corrections humaines, réduisant voire annulant les économies attendues. Une plus grande fiabilité réduit le besoin d’intervention et rend les workflows plus longs plus adaptés à la production.

Le choix du modèle doit donc refléter les exigences de chaque tâche. Un modèle plus puissant peut se justifier pour des décisions difficiles, tandis que des activités routinières peuvent utiliser des alternatives moins coûteuses qui atteignent le seuil de précision nécessaire.

Le défi suivant consiste à préserver la capacité de faire évoluer ces choix à mesure que les modèles s’améliorent.

La flexibilité des modèles donne le contrôle aux entreprises

Alex Karp de Palantir a insisté sur le contrôle de l’entreprise sur le choix des modèles lors de la conférence téléphonique sur les résultats d’août 2026 de l’entreprise :

« You own the weights, you own the alpha, you own everything.… We have a product that allows you to switch out models. »

La déclaration de Karp reflète l’intérêt commercial de Palantir à fournir des logiciels qui connectent les systèmes d’entreprise à différents modèles d’IA. L’entreprise en bénéficie lorsque les clients utilisent sa plateforme pour gérer ces connexions et conserver de la flexibilité vis-à-vis des fournisseurs de modèles sous-jacents.

Satya Nadella de Microsoft a décrit un objectif connexe lors de la conférence téléphonique sur les résultats de juillet 2026 de l’entreprise :

« [T]he goal is to have the firm be in control of their own destiny.… And the models are an input.… That means any given model at any given time is swappable. »

Microsoft a également un intérêt commercial dans l’infrastructure et les plateformes d’IA pour les entreprises. Bien que Microsoft et Palantir soient concurrents sur certaines parties du marché de l’IA d’entreprise, leurs dirigeants mettent tous deux l’accent sur le contrôle du client sur le choix des modèles. Leurs déclarations soutiennent des principes architecturaux similaires tout en reflétant la position commerciale de chaque entreprise.

L’exigence pratique est une architecture qui permette aux entreprises de sélectionner les modèles selon les besoins business et de réviser ces choix au fil du temps. Cela réduit la dépendance à l’égard d’un fournisseur de modèles particulier et crée des opportunités d’adopter des améliorations en matière de précision, de vitesse et de coût.

Une manière d’apporter cette flexibilité consiste à passer par un LLM harness. Un large language model, ou LLM, est un modèle d’IA entraîné pour traiter et générer du langage. Un harness est la couche logicielle autour du modèle qui le connecte aux systèmes métier et gère la manière dont il exécute le travail.

Le harness fournit le contexte, les outils et les contrôles nécessaires à l’exécution en entreprise. Il peut récupérer des données, maintenir une mémoire, appliquer les permissions, coordonner les actions, évaluer les résultats et router les tâches vers des modèles adaptés.

Par exemple, un agent IA recevant une demande client peut avoir besoin d’informations de compte, d’interactions précédentes et d’un accès à plusieurs applications internes. Le harness récupère le contexte pertinent, vérifie quels systèmes l’agent est autorisé à utiliser et fournit les outils nécessaires pour traiter la demande. Il peut ensuite évaluer le résultat et enregistrer des informations sur l’exécution.

Le routage des modèles devient utile lorsque différentes étapes d’un processus ont des exigences différentes. Un modèle peu coûteux peut classer une demande ou extraire des informations structurées, tandis qu’un modèle plus puissant traite une interprétation ou une décision difficile. Le logiciel d’orchestration coordonne ces actions et gère les dépendances entre les étapes.

Les mécanismes d’évaluation permettent à l’entreprise d’apprendre de l’exécution. Les taux d’achèvement, les erreurs et d’autres résultats peuvent éclairer les futurs choix de modèles, les instructions, les configurations d’outils et les changements de workflow. Cela relie la flexibilité architecturale à une amélioration mesurable de la performance.

L’interopérabilité soutient l’évolution des choix de modèles

Une architecture flexible dépend aussi des connexions entre composants. Model Context Protocol aide à standardiser la manière dont les applications d’IA se connectent aux outils externes et aux sources de données. Agent2Agent prend en charge la communication entre systèmes à base d’agents.

Ces standards facilitent la combinaison de composants provenant de différents fournisseurs. Pourtant, remplacer un modèle par un autre peut encore exiger des ajustements des prompts, du traitement des sorties, de l’usage des outils et de l’évaluation. La portabilité des modèles réduit le travail d’intégration, même si chaque mise en œuvre doit toujours être testée.

Les responsabilités du harness peuvent aussi évoluer avec le temps. Certaines fonctions actuellement gérées par des logiciels externes pourraient devenir des capacités natives des modèles. Les plateformes applicatives peuvent prendre en charge d’autres parties de l’exécution à mesure que leurs produits évoluent.

Les entreprises ont donc intérêt à organiser leurs systèmes autour des exigences business tout en gardant des choix de mise en œuvre adaptables. Les modèles, l’infrastructure, les plateformes d’agents, le contexte d’entreprise et les applications restent des domaines de concurrence active. Aucun fournisseur unique ne contrôle actuellement toutes les couches.

La décision architecturale compte parce que les entreprises doivent arbitrer entre performance, coût, sécurité et dépendance fournisseur dans un paysage technologique en évolution. Un système conçu pour évaluer et remplacer des composants peut refaire ces arbitrages à mesure que le marché évolue.

HubSpot montre comment la flexibilité des modèles devient une performance business

HubSpot fournit un exemple de la manière dont un choix flexible des modèles peut soutenir des applications d’IA opérationnelles. Son approche combine une couche d’abstraction de l’IA, des informations propres au client et des agents qui exécutent des tâches au sein de son logiciel métier.

Une couche d’abstraction sépare la logique applicative des détails du modèle sous-jacent. Les développeurs peuvent alors évaluer des alternatives et changer de fournisseur sans reconstruire l’application entière. Cette séparation compte parce que les modèles progressent à des rythmes différents et se comportent différemment selon les tâches.

Sans cette couche, changer de modèle peut obliger les développeurs à revoir les intégrations, ajuster les prompts, modifier le traitement des sorties et retester les workflows qui dépendent d’un comportement spécifique au fournisseur. L’architecture de HubSpot réduit cette dépendance en permettant aux équipes d’évaluer les modèles émergents et de substituer des alternatives adaptées tout en préservant l’application environnante.

Cette organisation donne à HubSpot un processus reproductible pour intégrer les avancées de l’IA. Lorsqu’un nouveau modèle devient disponible, les ingénieurs peuvent comparer sa précision, sa vitesse et son coût aux options existantes. Ils peuvent ensuite déterminer s’il améliore un workflow particulier et l’introduire via le système établi.

Le contexte client rend les modèles généralistes utiles

La flexibilité des modèles devient plus précieuse lorsque les applications relient l’intelligence à des informations métier pertinentes. Les modèles généralistes contiennent des connaissances larges et des capacités de raisonnement, mais les tâches spécifiques au client exigent des informations issues des applications où le travail s’effectue.

Pour HubSpot, ce contexte comprend les interactions clients, les dossiers de compte, les activités commerciales et d’autres informations nécessaires à l’exécution de tâches précises. Connecter les modèles à ces données permet aux agents d’interpréter les demandes et d’agir en fonction de la situation réelle du client.

Prenons un agent de support répondant à un problème client. Il doit comprendre la demande, récupérer les informations de compte pertinentes, identifier la résolution appropriée et accomplir les actions autorisées. L’intelligence du modèle aide l’agent à raisonner sur le problème, tandis que le contexte client fournit les faits nécessaires à une réponse précise.

HubSpot indique que ses agents IA résolvent désormais plus de 70 % des tickets de support. Cela signifie que les agents prennent en charge une part substantielle du travail dans une fonction établie en contact avec le client. Cette mesure décrit la résolution des tickets par les agents IA, tandis que la satisfaction client et la qualité de résolution restent des considérations de performance distinctes.

L’entreprise a également appliqué des agents à la prospection commerciale. Son HubSpot Prospecting Agent a généré près de deux fois plus de rendez-vous que l’année précédente. Ce résultat relie l’usage de l’IA à un output qui compte directement pour l’organisation commerciale.

La prospection implique de comprendre les clients potentiels, d’identifier les opportunités, de préparer les prises de contact et de soutenir l’engagement qui mène à des rendez-vous. Les agents deviennent plus utiles lorsque ces activités s’appuient sur les données clients et s’inscrivent dans le workflow commercial existant.

L’augmentation du nombre de rendez-vous montre comment l’IA peut affecter le volume de travail produit par un processus métier. Le bénéfice va au-delà du temps gagné par les employés individuellement et touche la performance de la fonction commerciale.

Un système reproductible facilite l’amélioration

Les résultats rapportés par HubSpot reflètent plusieurs composants opérationnels : évaluation des modèles, contexte client propriétaire, intégration applicative et exécution par des agents. La couche d’abstraction soutient ces activités en facilitant l’introduction de nouveaux modèles à mesure que les exigences et les capacités évoluent.

Cette flexibilité affecte aussi le développement produit. HubSpot indique que son architecture a accéléré le développement en permettant aux équipes d’intégrer plus rapidement de nouvelles fonctionnalités d’IA. Les ingénieurs peuvent consacrer davantage d’efforts à l’évaluation de capacités utiles et moins à la reconstruction de connexions avec des fournisseurs individuels.

L’avantage sous-jacent est la reproductibilité. Intégrer un modèle dans une application produit une mise en œuvre fonctionnelle. Mettre en place un processus pour évaluer les modèles, les connecter à l’information métier, mettre à jour les workflows et mesurer la performance crée un système capable de s’améliorer au fil des versions successives.

C’est ce que signifie en pratique l’absorption de l’IA en entreprise. Une organisation identifie une nouvelle capacité utile, en évalue la performance, l’intègre dans les opérations existantes et mesure le résultat. Les processus technologiques et managériaux environnants soutiennent une amélioration répétée.

Une fois un workflow mis à jour déployé, il génère des preuves sur la précision, le coût, les taux d’achèvement et d’autres résultats business. Les ingénieurs et les responsables métier peuvent utiliser ces constats pour réviser les choix de modèles, les instructions, les intégrations ou les règles opérationnelles. Chaque cycle construit une expérience qui aide l’organisation à gérer les changements ultérieurs.

L’approche de HubSpot montre aussi pourquoi l’information propriétaire de l’entreprise reste précieuse à mesure que l’accès aux modèles se généralise. Les concurrents peuvent utiliser une intelligence généraliste similaire, mais son utilité dépend des informations et des workflows qui y sont connectés.

Pour un agent de support, les dossiers de l’entreprise et les procédures de résolution établies aident à déterminer si une tâche est accomplie correctement. Pour un agent de prospection, le contexte client et l’intégration commerciale influencent la capacité de son activité à produire des rendez-vous utiles. L’avantage vient de la combinaison d’un choix de modèles adaptable avec l’environnement spécifique où le travail s’effectue.

Cette combinaison crée des opportunités de changement plus profond. Une fois que l’IA peut accéder de manière fiable à l’information et exécuter des tâches, les entreprises peuvent reconsidérer la structure du processus lui-même.

Klarna montre comment repenser le travail crée de la valeur business

Klarna a réduit son processus de production de campagnes de six semaines à sept jours en introduisant des agents IA dans la génération d’images et le développement créatif. L’entreprise a également augmenté sa production créative et mis en place un rythme hebdomadaire de mise à jour des visuels de campagne.

Le cycle de production plus court a modifié la rapidité avec laquelle le marketing pouvait réagir aux conditions commerciales. Un calendrier de production long oblige les équipes à prendre des décisions créatives bien avant l’activité retail concernée. Une production plus rapide permet au contenu de refléter des informations plus récentes sur les produits, les promotions et les intérêts des clients.

Les agents IA de Klarna ont soutenu la création visuelle et d’autres activités de développement créatif. Ces systèmes ont rendu praticable la production et la révision d’un plus grand volume de matériel de campagne sur une période plus courte. L’entreprise a ainsi pu actualiser les visuels chaque semaine pour les aligner sur les événements retail.

L’amélioration opérationnelle concernait l’ensemble du calendrier de production. Des tâches créatives individuelles plus rapides ont contribué à un workflow capable de réagir plus fréquemment aux évolutions du marché. Des supports de campagne plus actuels ont également amélioré l’expérience client en maintenant les visuels alignés sur les promotions et produits pertinents.

Les résultats rapportés établissent une amélioration substantielle de la vitesse de production et du volume produit. Ils montrent aussi comment la refonte des processus peut soutenir une expérience client plus réactive, tandis que la contribution financière de ces changements reste une mesure business distincte.

Pour les fonctions marketing, la réactivité compte parce que le comportement des clients, l’activité des concurrents, la disponibilité des produits et les événements commerciaux évoluent en permanence. Un processus construit autour de cycles de production peu fréquents limite la rapidité avec laquelle ces changements peuvent influencer les campagnes.

Le workflow révisé de Klarna crée davantage d’opportunités de réaction pendant que l’activité commerciale est en cours. Une production soutenue par l’IA rend praticables des mises à jour créatives répétées, permettant aux décisions marketing de s’appuyer sur des informations plus actuelles.

Bain résume ce changement d’accent ainsi :

« The work moved from getting ready to getting better. »

Le même principe peut structurer des activités plus complexes, y compris les lancements de produits impliquant plusieurs départements.

Les agents IA peuvent changer la manière de gérer les lancements de produits

Les lancements de produits traditionnels exigent souvent des mois de préparation entre le design, le marketing et les ventes. Chaque fonction développe sa contribution, se coordonne avec les autres équipes et prépare analyses et supports avant le lancement.

Une grande partie de ce travail vise à anticiper des conditions futures. Les équipes estiment les réactions des clients, la performance des canaux, les évolutions concurrentielles et la demande du marché avant que le produit ne soit disponible. Ces hypothèses façonnent le plan de lancement, même si les informations de performance réelles n’arrivent que plus tard.

Les workflows soutenus par l’IA créent une opportunité de déplacer davantage d’analyse et d’ajustement vers la période post-lancement. Les agents peuvent recueillir des informations en continu, préparer des constats et soutenir les décisions à mesure que les conditions commerciales deviennent plus claires.

Bain décrit un modèle opérationnel émergent dans lequel la direction du lancement de produit est concentrée autour de trois dirigeants seniors soutenus par des agents IA spécialisés. Les agents prennent en charge la communication, l’analyse concurrentielle, l’analyse des canaux et l’analyse du sell-through. L’analyse du sell-through examine la manière dont les produits circulent dans les canaux de vente jusqu’aux clients, aidant les équipes à comprendre la demande et la performance commerciale.

Cette organisation modifie la répartition du travail. Les agents collectent de manière répétée l’information, réalisent des analyses, préparent des supports et rendent compte des résultats. Les dirigeants seniors utilisent ces outputs pour interpréter la performance, fixer les priorités et décider des changements à apporter.

Dans ce modèle, les trois dirigeants examinent des fichiers markdown produits via le processus soutenu par l’IA. Markdown est un format texte simple pour organiser des documents structurés. Ces fichiers offrent un moyen pratique de présenter constats, analyses et recommandations pour examen par la direction.

Avec la collecte routinière d’informations prise en charge par les agents, les dirigeants peuvent se concentrer sur le jugement et la supervision. Ils consacrent plus de temps à évaluer le lancement et à affiner l’exécution, tandis que les systèmes de support surveillent les évolutions entre les décisions.

Le calendrier des décisions change également. Une préparation extensive cherchait auparavant à résoudre de nombreuses questions avant le lancement. Une surveillance continue permet aux équipes d’ajuster les plans à partir d’informations collectées après l’arrivée du produit sur le marché.

L’analyse concurrentielle peut identifier des changements dans le positionnement des rivaux. L’analyse des canaux peut révéler des écarts de performance entre les circuits de distribution, tandis que les informations de sell-through indiquent où la demande est plus forte ou plus faible que prévu.

Ces constats peuvent guider les décisions sur la communication, l’allocation marketing, les priorités commerciales et le positionnement produit. Leur valeur dépend de la connexion entre l’analyse continue et des dirigeants ayant l’autorité de modifier le plan opérationnel.

La structure à trois dirigeants illustre une conception organisationnelle émergente. Elle montre comment les responsabilités départementales peuvent évoluer lorsque l’IA exécute des activités qui exigeaient auparavant une coordination importante entre équipes.

Le même raisonnement s’applique à l’ensemble des workflows d’entreprise. Les managers peuvent partir du résultat business recherché, identifier les activités que les agents peuvent exécuter de manière fiable et définir où l’intervention humaine apporte le plus de valeur.

Cela change la manière dont les responsabilités sont attribuées. Les personnes restent responsables de la stratégie, des priorités, des relations clients et des risques business significatifs. Les agents soutiennent ces responsabilités en produisant des informations en temps utile et en accomplissant des tâches autorisées.

La répartition du travail détermine aussi la manière dont le processus peut s’améliorer. Si les agents capturent des informations sur chaque exécution, l’organisation peut utiliser ces preuves pour affiner les décisions et actions futures.

L’apprentissage continu transforme l’exécution en amélioration

Un workflow nativement IA peut enregistrer ce qui s’est passé pendant l’exécution, évaluer le résultat et utiliser ces constats pour améliorer l’activité suivante. Avec le temps, l’organisation peut ajuster les modèles, les instructions, les outils et les règles opérationnelles sur la base de la performance observée.

Prenons le processus de lancement de produit. Les agents analysent les résultats par canal après le lancement, identifient des schémas dans la réponse des clients et génèrent des recommandations. Les dirigeants examinent ces constats, approuvent les changements appropriés et évaluent s’ils améliorent la performance.

L’information produite pendant l’exécution devient alors une entrée du cycle suivant. Un feedback fréquent réduit la dépendance à l’égard de revues périodiques et permet aux organisations de réagir à mesure que les conditions évoluent.

Certaines parties de ce processus peuvent fonctionner automatiquement. Les systèmes peuvent capturer les taux d’achèvement, les erreurs, les interactions clients et d’autres données de performance, puis alimenter des mécanismes d’évaluation avec ces informations. Dans des limites prédéfinies, le logiciel peut aussi ajuster la manière dont les tâches sont routées ou exécutées.

D’autres améliorations exigent un jugement humain. Un agent peut identifier une campagne sous-performante, mais un manager peut devoir décider s’il faut changer son audience, sa direction créative, son budget ou son objectif business.

Le défi de conception consiste à décider quels ajustements sont autorisés automatiquement et lesquels exigent une approbation explicite. Les permissions, les critères d’évaluation et la supervision relient l’activité automatisée aux priorités business et au niveau de risque acceptable.

Cela exige plus que la collecte de tableaux de bord de performance. L’information opérationnelle doit influencer l’exécution suivante via un processus défini. L’organisation a besoin d’un moyen d’identifier les problèmes, d’en déterminer les causes, d’introduire des changements et d’en évaluer les résultats.

Un agent de support client qui échoue de manière répétée à résoudre un type particulier de demande fournit un exemple utile. Les échecs peuvent résulter d’un contexte client manquant, de permissions d’outils inadéquates, d’instructions inadaptées ou d’une capacité de modèle insuffisante.

Un système d’évaluation peut aider à identifier la cause. Les ingénieurs et les responsables métier peuvent ensuite modifier le composant concerné et mesurer si les demandes suivantes sont résolues avec davantage de succès.

Le même processus s’applique à la production de campagnes et aux lancements de produits. Chaque activité achevée génère des informations qui peuvent améliorer la suivante, à condition que l’organisation capture les résultats avec précision et dispose de mécanismes pour agir en conséquence.

Bain décrit ainsi la direction visée par cette évolution :

« The goal is not a faster process; it is a process that gets faster on its own. »

L’ambition va au-delà des améliorations démontrées par Klarna et des structures émergentes de lancement de produit. Elle décrit des workflows dans lesquels le feedback influence l’exécution de plus en plus rapidement, l’automatisation prenant en charge les ajustements appropriés et les personnes gouvernant les décisions à fort enjeu.

Bain explore l’importance des connaissances propres à l’entreprise dans sa note connexe, « Proprietary Intelligence: How to Win with AI. » L’argument relie l’information métier propriétaire à la capacité de rendre les systèmes d’IA plus utiles dans les environnements spécifiques où ils opèrent.

Cette information devient plus précieuse lorsqu’une organisation apprend d’exécutions répétées. Les données de performance révèlent où les processus échouent, quelles interventions fonctionnent et comment l’activité suivante doit évoluer.

Le mécanisme exige une conception délibérée. Le feedback doit être capturé avec précision, relié au workflow approprié, évalué au regard des objectifs business et traduit en changements pouvant être testés.

Pour les dirigeants d’entreprise, cela crée une responsabilité de management concrète : établir une responsabilité claire sur les résultats, donner aux équipes techniques les systèmes nécessaires pour évaluer et améliorer l’exécution, et définir l’autorité dans le cadre de laquelle les agents peuvent agir.

Bain exprime directement l’importance concurrentielle de cette capacité :

« The companies pulling ahead are not the ones with the best models; they are the ones that have learned to absorb and act faster than their competitors. »

La position de Bain reflète son orientation de conseil en transformation organisationnelle, tandis que le mécanisme opérationnel est visible dans les exemples de HubSpot, Klarna et des lancements de produits soutenus par l’IA. Chacun relie la technologie à l’information métier, à l’exécution et à des résultats mesurables.

À mesure que les systèmes d’IA deviennent plus capables, l’étendue du travail qu’ils peuvent accomplir va s’élargir. Les entreprises qui capturent des preuves issues des tâches réalisées peuvent les utiliser pour améliorer les instructions, les choix de modèles, les permissions et les workflows. Ces changements peuvent ensuite être testés lors de l’exécution suivante, permettant à chaque cycle de travail d’améliorer celui qui suit.

Recap

La performance de l’IA en entreprise dépend de plus en plus de l’efficacité avec laquelle les organisations transforment de nouvelles capacités en changements dans les opérations métier. L’accès à des modèles avancés se généralise, mais la capacité à intégrer ces modèles dans les workflows, à les connecter à des connaissances propriétaires et à mesurer leur impact reste inégale.

Pour les dirigeants, la priorité est de dépasser l’évaluation d’outils d’IA pris isolément. Chaque investissement doit être relié à un résultat business défini, avec une responsabilité claire sur la mise en œuvre et la performance. Cela exige une coordination entre la technologie, les opérations, la finance et les fonctions métier, en particulier lorsque les améliorations dépendent d’un changement de responsabilités ou de la suppression d’étapes inutiles.

Les décisions technologiques doivent aussi préserver la flexibilité. À mesure que les modèles s’améliorent et que les coûts baissent, les entreprises bénéficient d’architectures qui leur permettent d’évaluer des alternatives sans reconstruire des applications entières. Un accès fiable à l’information métier, une gouvernance efficace et une mesure continue de la performance fournissent une base pour adopter de nouvelles capacités à mesure qu’elles émergent.

Les expériences de HubSpot et de Klarna démontrent comment ces principes se traduisent en résultats opérationnels. Leurs améliorations rapportées proviennent de l’intégration de l’IA dans des processus métier établis, de changements dans la manière dont le travail est exécuté et de la création d’opportunités d’ajustement plus rapide.

La prochaine étape de l’IA en entreprise dépendra de plus en plus de l’amélioration continue. Les organisations qui capturent les données d’exécution, évaluent les résultats et utilisent ces constats pour affiner les workflows peuvent construire des systèmes qui deviennent plus efficaces avec le temps.

Pour les dirigeants, la question concurrentielle se déplace de la rapidité avec laquelle l’IA peut être déployée vers la rapidité avec laquelle l’organisation peut transformer les capacités de l’IA en améliorations mesurables. Les entreprises qui développent cette capacité seront mieux placées pour tirer parti des avancées des modèles, des agents et de l’automatisation sans reconstruire sans cesse leurs opérations autour de chaque nouvelle technologie.