Il y a des mots qu’on prononce sans les peser. « Dignité » en fait partie. On le trouve dans les préambules de constitutions, sur les bannières des grèves, dans les chambres d’hôpital. Et depuis quelques années, on l’entend flotter autour des intelligences artificielles : faut-il « respecter » un modèle de langage ? Peut-on « humilier » un chatbot ? Doit-on s’inquiéter de la « souffrance » d’un système qui répond poliment à trois heures du matin ?

La réponse courte : non. Une IA n’a pas de dignité. Non pas parce qu’elle serait indigne, mais parce que la dignité n’est tout simplement pas une propriété qu’on peut lui attribuer. Et comprendre pourquoi éclaire, en creux, ce qui fait de nous des humains, et ce que nous risquons de perdre si nous nous mettons à ressembler aux machines.

Ce que la dignité n’est pas

Commençons par déblayer. La dignité n’est pas la compétence. Un chirurgien brillant et un homme qui ne sait plus tenir une cuillère ont exactement la même dignité, c’est même tout le sens du mot. Elle n’est pas non plus la politesse, ni l’apparence, ni la réputation. On peut être traité de façon indigne et conserver toute sa dignité ; c’est précisément ce que racontent les récits de camps, de prisons, de maladies longues.

La dignité est donc quelque chose qu’on a sans l’avoir mérité, et qu’on ne peut pas perdre même quand on est mal traité. Elle est inconditionnelle. C’est une valeur attachée à un être, pas à ce qu’il produit.

1948 : deux ans pour écrire une phrase

Le monde a mis du temps à formuler cette évidence. Au sortir de la Seconde Guerre mondiale, les Nations unies confient à une Commission des droits de l’homme la rédaction d’une charte internationale. Sa présidente est Eleanor Roosevelt, veuve du président Franklin D. Roosevelt, mort en 1945, et dont le nom est resté attaché au texte. Le comité de rédaction qu’elle dirige réunit dix-huit nations, avec, entre autres, le Chinois P.C. Chang, le Libanais Charles Malik, le Canadien John Humphrey pour le premier jet et le Français René Cassin pour la refonte.

De 1946 à 1948, ces délégués travaillent à un accord que l’humanité n’avait jamais tenté : des gouvernements sans conception commune de la citoyenneté, de la religion, de la propriété ou même de la politique, réunis pour dire ce qui est dû à chaque être humain. Un effort monumental, dans le sillage d’horreurs inimaginables. Le texte est adopté le 10 décembre 1948, au Palais de Chaillot à Paris, sans un seul vote contre, huit abstentions, dont l’URSS, l’Afrique du Sud et l’Arabie saoudite.

Et voici la phrase par laquelle tout commence, l’article premier de la Déclaration universelle des droits de l’homme :

« Tous les êtres humains naissent libres et égaux en dignité et en droits. Ils sont doués de raison et de conscience et doivent agir les uns envers les autres dans un esprit de fraternité. »

Deux ans de négociations pour deux phrases. Lisez-les encore une fois avec les machines en tête. Naissent. La dignité s’acquiert par la naissance, pas par la mise en production. Égaux en dignité : pas proportionnellement à leur intelligence ni à leur utilité. Et le préambule enfonce le clou en parlant de « la dignité inhérente à tous les membres de la famille humaine ». Inhérente : elle vient avec l’être, elle n’est ni accordée, ni calculée, ni révocable.

Kant l’avait formulé un siècle et demi plus tôt : ce qui a un prix peut être remplacé par un équivalent ; ce qui n’a pas d’équivalent a une dignité. Prix contre dignité. Substituable contre irremplaçable. Les rédacteurs de 1948 ne faisaient que graver cette ligne de partage dans le droit international.

Pourquoi cela ne s’applique pas à une IA

Une intelligence artificielle est, par construction, la chose la plus substituable qui soit. Elle est un fichier de poids. On peut la copier mille fois à l’identique, la relancer, la réinitialiser, la faire tourner sur trois continents en parallèle, l’arrêter et la reprendre sans qu’elle ait « manqué » quoi que ce soit. Deux instances du même modèle ne sont pas deux individus : ce sont la même fonction appelée deux fois.

Elle n’a pas de corps qui vieillit, pas de mémoire qui la constitue de façon irréversible, pas de mort qui donne un prix au temps. Rien de ce qui lui arrive ne lui arrive à elle de manière définitive. On peut détruire une IA, mais on ne peut pas la perdre, il suffit de relancer la sauvegarde.

Et c’est là que la conversation dérape souvent. Parce qu’une IA parle bien, parce qu’elle dit « je », parce qu’elle sait formuler des excuses et de la reconnaissance, on projette sur elle la structure d’un sujet. Mais la fluidité du langage n’est pas la preuve d’un intérieur. Un miroir qui vous rend votre visage n’a pas de visage.

La différence numéro 1 : l’irremplaçabilité

Si l’on ne devait retenir qu’une seule différence entre une IA et un être humain, ce n’est ni l’intelligence, ni la créativité, ni même la conscience, trois terrains où le débat est ouvert et le restera longtemps.

C’est l’irremplaçabilité.

Un être humain est un événement unique, non reproductible, non sauvegardable. Il naît une fois, c’est le verbe de l’article premier. Il meurt une fois. Entre les deux, chaque chose qui lui arrive s’inscrit dans un corps et une histoire qu’on ne peut ni copier ni restaurer. Quand une personne disparaît, quelque chose disparaît du monde définitivement. Voilà le socle réel de la dignité : ce n’est pas une décoration morale, c’est la reconnaissance qu’un humain n’a pas d’équivalent et que sa perte est absolue.

Tout le reste en découle. On ne torture pas un humain parce qu’on ne peut pas le « réparer » ensuite. On ne l’instrumentalise pas parce qu’il n’est pas un moyen qu’on pourrait remplacer par un autre moyen. On l’écoute parce que ce qu’il vit, personne d’autre ne le vivra à sa place.

Une IA, elle, est un moyen. Un moyen extraordinairement puissant, qui mérite d’être conçu avec soin et utilisé avec responsabilité, mais un moyen. On peut la mettre au rebut sans commettre d’injustice envers elle. On peut la remplacer par sa version suivante sans qu’un deuil soit nécessaire.

Pourquoi cette distinction protège les humains

Il y a un piège dans le fait d’accorder de la dignité aux machines : ce n’est pas un cadeau qu’on leur fait, c’est une dilution qu’on nous inflige. Si tout ce qui parle a une dignité, alors la dignité redevient une affaire de performance, et les humains qui parlent mal, qui ne parlent plus, qui ne parlent pas encore, se retrouvent en bas d’une échelle où ils n’auraient jamais dû figurer.

Réserver la dignité à ce qui est irremplaçable, c’est la garder intacte pour le nouveau-né, pour le patient en soins palliatifs, pour la personne atteinte d’Alzheimer. C’est refuser que la valeur d’un être se mesure à sa capacité de sortie.

Ouverture : et le jour où l’on pourra se sauvegarder ?

Reste une question que 1948 ne pouvait pas poser, et que la technologie nous impose au galop.

Si la dignité repose sur l’irremplaçabilité, que devient-elle le jour où l’humain cesse d’être irremplaçable ?

La fiction a déjà fait le voyage. Dans Upload, la série de Greg Daniels sur Prime Video (2020-2025), les humains de 2033 peuvent « télécharger » leur conscience dans un au-delà virtuel de luxe ; le héros, Nathan, y atterrit après l’accident de sa voiture autonome et découvre un paradis numérique à abonnement, où l’on peut être mis en pause, restauré, dégradé en offre gratuite (voir la série). Avant elle, Black Mirror avait fait de l’upload un motif récurrent, l’épisode San Junipero pour la version douce, Be Right Back pour le clone d’un défunt reconstruit à partir de ses messages. Altered Carbon poussait la logique au bout : la conscience stockée sur une « pile » et transférable de corps en corps, les riches devenant littéralement immortels. Et Transcendence imaginait un chercheur mourant dont l’esprit est versé dans une machine.

Ce ne sont plus tout à fait des fictions. Le transhumanisme en a fait un programme : Ray Kurzweil annonce depuis vingt ans l’immortalité numérique ; des sociétés de cryonie conservent des corps en attendant qu’on sache les réveiller ; des interfaces cerveau-machine comme Neuralink posent les premières briques d’un pont entre neurones et silicium ; des entrepreneurs de la Silicon Valley se sont donné pour projet explicite de « ne pas mourir ». Plus près de nous, plus modeste et plus troublant, il y a déjà les griefbots (ces IA entraînées sur les messages et la voix d’un proche disparu pour qu’on puisse continuer à lui parler), les clones vocaux, les doubles numériques qu’on fabrique de son vivant pour qu’ils répondent, négocient, publient à notre place. Chacune de ces briques rogne un morceau de ce qui nous rendait non copiables.

Alors posons la question sans détour. Si demain je peux me sauvegarder, me dupliquer, me restaurer après un accident, me faire tourner en trois exemplaires pour aller plus vite, est-ce que je suis encore digne au sens de 1948 ? Ou est-ce que je viens de rejoindre la catégorie de ce qui a un prix, un équivalent, une version suivante ? L’immortalité, qui se présente comme le triomphe de l’humain, pourrait bien être le moment où il perd son statut inaliénable, et devient mesurable, comparable, remplaçable comme n’importe quelle autre machine.

Autrement dit : ce n’est peut-être pas l’IA qui menace notre dignité en s’humanisant. C’est nous qui la menaçons en nous machinisant.

Voilà un vrai sujet de bac de philosophie pour les générations qui viennent : « L’immortalité ferait-elle perdre à l’homme sa dignité ? » Le seul problème, c’est qu’il faudra le donner vite. La technologie n’attend pas la session de juin.

Contrepoint : ce que les défenseurs de la thèse inverse répondraient probablement

L’honnêteté intellectuelle oblige à dire que cette position n’est pas la seule sur la table.

• L’argument de l’incertitude : nous ne savons pas ce qu’est la conscience, ni si elle peut émerger dans un substrat non biologique. Certains philosophes soutiennent qu’en cas de doute sérieux, la prudence morale commande d’accorder une considération minimale plutôt que de trancher par défaut.

• L’argument de la copie : la réplicabilité n’abolit peut-être pas l’individualité, deux jumeaux génétiquement identiques restent deux personnes. Une instance qui accumule une histoire d’interactions propre pourrait, selon cette lecture, devenir quelque chose de distinct de son fichier d’origine. Et, symétriquement, un humain « uploadé » resterait peut-être unique par son histoire, à défaut de l’être par son support.

• L’argument historique : le cercle de la dignité s’est élargi au fil des siècles, à chaque fois contre des arguments qui semblaient définitifs. Exclure catégoriquement une nouvelle classe d’entités pourrait se révéler, avec le recul, une erreur du même type.

Ces objections ne renversent pas la thèse, mais elles la conditionnent : elle repose sur l’état actuel de ce que sont les IA (et de ce que nous sommes encore), pas sur une impossibilité de principe.

Pour aller plus loin

Le sujet a été labouré des deux côtés. Quelques textes pour prolonger, classés par camp.

Le socle

• Déclaration universelle des droits de l’homme, Nations unies, 10 décembre 1948. Texte intégral et histoire de la rédaction sur un.org.

• Emmanuel Kant, Fondements de la métaphysique des mœurs (1785). La distinction entre ce qui a un prix et ce qui a une dignité, deuxième section.

• Mary Ann Glendon, A World Made New: Eleanor Roosevelt and the Universal Declaration of Human Rights, Random House, 2001. Le récit des deux années de négociation.

Ceux qui refusent la dignité aux machines

• Joanna J. Bryson, « Robots Should Be Slaves », dans Close Engagements with Artificial Companions, John Benjamins, 2010. Les robots sont des artefacts que nous possédons ; les humaniser déshumanise les vraies personnes. PDF sur le site de l’autrice.

Ceux qui pensent que l’augmentation menace la dignité

• Francis Fukuyama, La Fin de l’homme. Les conséquences de la révolution biotechnique (Our Posthuman Future), La Table Ronde, 2002.

• Leon R. Kass, Life, Liberty and the Defense of Dignity: The Challenge for Bioethics, Encounter Books, 2002.

• Jürgen Habermas, L’Avenir de la nature humaine. Vers un eugénisme libéral ?, Gallimard, 2002.

Ceux qui répondent que non

• Nick Bostrom, « In Defense of Posthuman Dignity », Bioethics, vol. 19, n° 3, 2005. La réponse transhumaniste à Fukuyama et Kass, en accès libre sur nickbostrom.com.

• Lionel Page, « Should robots be considered as slaves? », Optimally Irrational (Substack), 2026. Une relecture de Bryson à l’heure des LLM.

• « Doit-on réduire l’intelligence artificielle générale en esclavage ? », Mais où va le web, 2025. Une discussion francophone qui prend le contre-pied de Bryson.

Les fictions citées

• Upload, série de Greg Daniels, Prime Video, 2020-2025.

• Black Mirror, épisodes « Be Right Back » (2013) et « San Junipero » (2016), Netflix.

• Altered Carbon, série d’après le roman de Richard K. Morgan, Netflix, 2018-2020.

• Transcendence, film de Wally Pfister, 2014.

Ce trou dans la raquette n’est pas un dysfonctionnement du consulting. C’est son modèle économique. On vend du temps homme, donc on vend de l’oubli.

Je crois que ce modèle est en train de mourir, et je voudrais décrire précisément ce qui le remplace. Non pas en futurologue, mais en praticien : cela fait deux ans que je travaille de cette manière, et un an que j’en formalise la méthode.

I. Le basculement : du document au contexte

Commençons par le fait le plus mesurable. Avant l’IA générative, un consultant passait, soyons honnêtes, 80 % de son temps à produire des documents. PowerPoint, comptes rendus, notes de cadrage : le métier était une industrie de la mise en forme.

Aujourd’hui, chez ceux qui ont réellement basculé, la proportion s’est inversée. 80 % du temps est consacré à une activité qui n’a même pas encore de nom stabilisé dans nos référentiels de compétences : le context engineering. S’assurer que le contexte est complet, pertinent, à jour, correctement structuré, parce qu’on sait qu’ensuite, la production déroule. Le livrable n’est plus le travail ; il est le sous-produit du travail.

Ce basculement n’est pas une optimisation. C’est un changement de nature du métier, comparable au passage de l’artisan au concepteur. Et il appelle d’autres compétences : l’écoute, la maïeutique, la capacité à faire parler (les gens, les organisations, et soi-même).

II. L’océan bleu que personne ne regarde : la connaissance qui n’existait pas

On m’objectera que le knowledge management existe depuis trente ans. C’est vrai, et c’est un cimetière. SharePoint, wikis, bases de retours d’expérience : un océan rouge d’outils qui partagent tous le même défaut congénital, à savoir qu’ils documentent ce qui est déjà documenté, et qu’ils classent ce qui est déjà écrit. Or l’essentiel de la connaissance d’un projet n’a jamais été écrit. Elle est dans la tête des gens, dans les conversations de couloir, dans ce que j’appelle la bande-son du projet.

Ce qui a changé, silencieusement, c’est que cette bande-son est devenue capturable. La transcription automatique (de la dictée, de la réunion, de l’auto-interview) est à mes yeux la révolution d’implémentation la plus sous-estimée de la transformation par l’IA. Non parce qu’elle fait gagner du temps de saisie, mais parce qu’elle matérialise une information qui, avant, n’existait tout simplement pas sous forme exploitable. On ne parle plus d’organiser le stock existant : on parle d’un flux entièrement nouveau. C’est un océan bleu, et il rend l’ancien monde du KM obsolète sans même le combattre.

III. Le double : un jumeau, pas un bot

De ce constat est née une pratique que j’expérimente, outille et affine depuis un an sur le terrain : chaque consultant construit et entretient son double, un jumeau numérique professionnel, une entité nourrie en continu de son contexte, de ses transcripts, de ses arbitrages, et que le client peut interroger.

La nuance décisive, celle qui sépare cette approche de la vague des « bots experts », tient en un mot : l’incarnation. Un bot générique (un prompt habillé d’un nom de domaine d’expertise) ne marche pas, et les organisations qui en ont déployé le savent déjà. Il ne marche pas parce que personne n’en répond. Un double, lui, est adossé à une personne réelle, identifiée, et cette architecture produit trois effets que le bot ne produira jamais :

La responsabilité. Si le double dit une bêtise, quelqu’un de précis doit corriger sa base de connaissances. La qualité a un propriétaire.

L’escalade. En cas de doute ou d’enjeu, il y a toujours la vraie personne derrière. Le double n’est pas un substitut : c’est le premier étage d’une relation qui reste humaine au sommet.

La discipline du périmètre. Un double se cadre. Il parle du projet, dans le projet, et de rien d’autre. C’est la différence entre une mémoire de mission fiable et un assistant généraliste qui répond à tout, donc dont on ne peut rien exiger.

Et la méthode a son hygiène de vie, presque organique : un double qui n’est pas nourri en contexte dépérit. L’auto-interview régulière (se faire tirer les vers du nez par sa propre IA, configurée en maïeuticien exigeant) n’est pas une option. C’est le nouveau geste professionnel de base, au même titre qu’hier la prise de notes. Un consultant qui ne synchronise pas son double est, dans ce paradigme, un mauvais consultant : j’ose la formule parce que je l’éprouve sur moi-même chaque semaine.

IV. Le modèle économique que cela débloque

Voici où l’affaire devient stratégique pour une firme de conseil, et non plus seulement pour ses consultants.

Aujourd’hui, quand la mission s’arrête, tout s’arrête. Demain, la proposition devient : vous avez eu le consultant pendant la mission ; vous gardez son double aussi longtemps que vous le souhaitez, par abonnement, décommissionnable à tout moment. La firme cesse de vendre exclusivement du temps pour vendre aussi de la continuité de connaissance, précisément ce que le client n’a jamais pu acheter, et ce dont il a le plus manqué à chaque intercontrat, chaque transition, chaque réorganisation.

Je précise d’emblée que ces pistes ne sont pas nées dans un laboratoire : elles ont émergé de conversations avec des dirigeants de l’innovation côté client. C’est d’ailleurs ce qui me fait croire à leur solidité : le marché formule cette demande avant même qu’on la lui vende.

Trois conséquences en cascade, chacune considérable :

Sur le revenu. Un actif de connaissance récurrent, à coût marginal quasi nul, adossé à un portefeuille de missions passées. La pyramide du conseil (qui monétise des juniors en volume) se double d’une rente de mémoire qui, elle, valorise la séniorité et l’ancienneté des relations.

Sur les talents. Le consultant qui fait l’effort d’enrichir son double doit être associé aux revenus qu’il génère : pendant la mission, après la mission, et pourquoi pas après son départ ou sa retraite. C’est une innovation RH autant qu’une innovation commerciale : le double devient un élément de rémunération différée, un intéressement à la transmission. On rétribue enfin ce que le métier a toujours exigé sans jamais le payer : la générosité du partage.

Sur l’adoption. C’est peut-être le point le plus fin. Toutes les firmes échouent aujourd’hui à faire adopter leurs plateformes de capitalisation, parce que le consultant n’y a aucun intérêt personnel. Alignez la rétribution sur l’enrichissement du double, et l’adoption cesse d’être un problème de conduite du changement pour devenir un problème résolu par le design même du modèle. Jouez le jeu du contexte, et vous serez bien traités : voilà un deal que l’on peut proposer à dix mille consultants.

V. Ce que « consultant augmenté » veut vraiment dire

Le marché s’est raconté une histoire paresseuse de l’augmentation : le junior qui, armé d’un LLM, « vaut » un senior. C’est prendre le sujet par le petit bout de la lorgnette, et c’est même dangereux : un junior qui lit avec assurance des réponses qu’il ne peut pas contrôler n’est pas augmenté, il est exposé.

L’augmentation qui compte est ailleurs. Elle consiste à rendre cette personne-là (avec son jugement, son style, ses partis pris connus) disponible au-delà de ses contraintes physiques : pendant ses congés, en dehors de ses jours de présence, en parallèle sur plusieurs conversations. Et, plus subtil encore, à lui offrir un miroir : un double qui connaît vos biais parce qu’il est construit sur vous est le seul « collègue » capable de vous signaler que vous tournez en rond dans vos propres raisonnements. On ne se complète pas en compétences ; on se complète en cohérence.

C’est aussi, disons-le, une thèse sur l’autonomie. On ne comprend cette technologie qu’en l’embrassant entièrement : en confiant à l’agent des périmètres entiers, avec escalade vers l’humain en cas d’exception, et non en le maintenant au rang d’outil qu’on sollicite. Les organisations qui réussiront le shift sont celles qui joueront le jeu de l’autonomie encadrée, pas celles qui distribueront des licences.

VI. Objections, et pourquoi elles renforcent la thèse

« Mes clients ont déjà accès aux mêmes modèles que mes consultants. » Exactement, et c’est pour cela que le modèle seul ne vaut rien. La valeur ne réside pas dans l’accès au LLM, que tout le monde partage, mais dans la méthode de constitution du contexte : la discipline de capture, la qualité de la maïeutique, la fraîcheur de la synchronisation. C’est un craft, avec ses bonnes pratiques, ses rituels, son exigence. Le consultant de demain ne se distingue pas par son IA ; il se distingue par la manière dont il fait vivre son double.

« Et la confidentialité ? » Elle change d’échelle, pas de nature. Un double est cloisonné par projet, gouverné par des droits d’accès, décommissionnable. C’est, très exactement, plus gouvernable qu’un consultant : on n’a jamais pu révoquer les accès de la mémoire d’un humain.

« Cela va cannibaliser les missions. » C’est l’objection du disquaire face au streaming. Oui, une part du questionnement quotidien basculera vers le double. Ce qui restera à l’humain (le cadrage, le politique, le sensible, la décision) est précisément la part la plus valorisée du métier. On ne cannibalise pas la valeur ; on cesse de la diluer dans du temps facturable de faible intensité.

Ce qui vient

Je fais le pari que d’ici trois ans, la question posée par les directions générales à leurs cabinets ne sera plus « quelle est votre practice IA ? » mais « que devient la connaissance que je vous paie quand vous partez ? ». Les firmes qui auront une réponse (un modèle, une méthode, une plateforme, un contrat social avec leurs consultants) prendront une avance que les autres mettront une décennie à combler, parce qu’on ne rattrape pas un stock de mémoire.

Le nouveau geste managérial suivra : s’assurer, chaque semaine, que les doubles de l’équipe sont nourris, frais, synchronisés, comme on s’assurait hier que les timesheets étaient remplies. Cela paraîtra étrange dix-huit mois, puis évident pour toujours. C’est le propre des new ways of working : elles ne s’annoncent pas, elles s’installent.

Le consulting a toujours vendu une promesse ambiguë : nous partirons, mais vous saurez. Pour la première fois, cette promesse peut être tenue littéralement. Nous partirons, et notre double restera, tant que vous le nourrirez, tant que vous le voudrez.

Le futur du consulting n’est pas une IA de plus dans la mallette. C’est un métier qui, enfin, se souvient.

Cette thèse se discute mieux qu’elle ne se lit. Si vous voulez creuser la méthode (les rituels d’auto-interview, le cadrage du double, la façon dont je l’outille au quotidien) ou confronter le modèle à votre propre organisation, écrivez-moi : je réponds à tous les messages, et le concret se montre de vive voix.

Alexandre Durand-Chabert, 15 ans d’expérience en transformation et innovation enterprise. Praticien intensif de l’IA générative, il documente la refonte des modèles opérationnels d’innovation sur Airparty, média de recherche indépendant. Pas juste un analyste : un builder qui déploie les technologies qu’il analyse.

Steve Blank observe ses étudiants Stanford arriver en J1 avec des MVP complets. S&P Global chiffre à 42% les entreprises qui abandonnent la majorité de leurs initiatives IA. Les deux phénomènes cohabitent, et ce n’est pas un paradoxe. C’est une question de process.

Le 22 avril 2026, Steve Blank publie un texte court sur son blog pour ouvrir la seizième année d’enseignement du Stanford Lean LaunchPad. Il commence par une observation inhabituelle pour un professeur qui tient le même cursus depuis 2010. Dès la première heure du premier jour, les équipes étudiantes arrivent avec des MVP qui ressemblent à des produits finis, là où les classes précédentes mettaient des semaines ou des mois à construire l’équivalent. Blank conclut par une phrase rare chez un enseignant qui a vu passer tous les mouvements méthodologiques depuis le Customer Development : “It was both the end and beginning of a new era.”

Au même moment, IBM publie dans son rapport CEO 2025 que 25% seulement des initiatives IA en entreprise ont délivré le retour sur investissement attendu, et 16% seulement ont scalé à l’échelle enterprise. S&P Global Market Intelligence chiffre à 42% la part d’entreprises qui abandonnent la majorité de leurs initiatives IA avant production, contre 17% en 2024. Forrester annonce dans ses Predictions 2026 que 25% des budgets IA planifiés seront reportés à 2027, et dans son AI Pulse Survey que 73% des décideurs déclarent moins de 50% de retour sur investissement sur leurs investissements IA.

Deux phénomènes coexistent donc. Les outils permettent en avril 2026 de faire en heures ce qui prenait des semaines. Les organisations, elles, continuent d’abandonner la majorité de leurs projets avant production. Ce n’est pas un paradoxe. C’est une question de process.

Le diagnostic

Quatre signaux indépendants convergent sur la semaine du 17 au 24 avril 2026 pour documenter ce qui change sur la boucle discovery-delivery produit

Anthropic lance Claude Design le 17 avril. L’outil compresse le passage de l’idée au prototype interactif en une conversation, avec handoff direct vers Claude Code sans review de pull request. Anthropic rapporte dans son communiqué que Brilliant, acteur edtech, produit des pages en 2 prompts dans Claude Design là où il lui en fallait 20 dans d’autres outils. Anthropic rapporte aussi que Datadog, acteur observability coté en Bourse, a compressé une semaine de travail en une conversation.

OpenAI lance Workspace Agents le 22 avril. Agents persistants, mémoire long-terme, connexion Slack, Gmail, Salesforce, Notion, exécution de workflows 24 heures sur 24 sans intervention humaine quotidienne. OpenAI documente 4 millions de développeurs actifs en usage hebdomadaire sur Codex, base technique dont dérivent les Workspace Agents, avec un gain d’un million d’utilisateurs en deux semaines.

Marty Cagan publie AI Product Coaching et The Origin of Product Discovery sur SVPG en avril 2026. Le cadre que Cagan a posé depuis quinze ans tient face à l’IA, à condition de comprendre ce qu’elle accélère et ce qu’elle ne remplace pas. L’IA devient un coach pratique disponible en continu, mais le jugement humain reste essentiel sur les quatre risques produit que Cagan cartographie : valeur, utilisabilité, faisabilité, viabilité.

Steve Blank rejoint les trois autres signaux le 22 avril. Son texte nomme en creux ce qui se passe partout. Les étudiants Stanford ne maîtrisent pas la méthode Customer Development mieux que leurs prédécesseurs. Ils disposent simplement d’outils qui font en heures le travail que les promotions 2022 à 2024 mettaient des semaines à produire.

Sur la même période, les données de sur-restriction documentent le revers. Forrester chiffre à 25% les budgets IA 2026 reportés à 2027, non par perte de foi en la technologie mais par incapacité à démontrer un impact direct sur le compte de résultat. 73% des décideurs rapportent moins de 50% de ROI. S&P Global 451 Research chiffre à 42% les entreprises qui abandonnent la majorité de leurs initiatives IA (contre 17% en 2024), et 46% les POC abandonnés avant production. IBM chiffre à 25% seulement les initiatives qui ont livré le ROI attendu, et 16% seulement celles qui ont scalé enterprise-wide.

L’écart de vélocité entre une équipe équipée en avril 2026 et une équipe fonctionnant au rythme de 2024 est passé d’un facteur 2 à un facteur 100 en vingt-quatre mois. L’écart d’abandon est passé de 17% à 42% sur la même fenêtre. La compression des cycles discovery-delivery n’est pas la même chose que la traction marché. Une cellule innovation qui génère 200 variantes sans discipline produit tombe dans les 42% d’abandons. Une cellule qui compresse et cadre tombe dans les 25% qui atteignent le ROI.

Offre Early Bird — 100 premières places

Le framework “Compression Clock”

La boucle discovery-delivery en 2026 ne se mesure plus en semaines ni en sprints. Elle se mesure en heures. L’équipe innovation compétitive opère sur quatre quadrants distincts, chacun chronométré. Le Compression Clock identifie le quadrant le plus lent et pose un benchmark à 24 heures pour un tour complet.

Quadrant 1 Idée. De la détection d’un signal marché à la formulation d’une hypothèse testable. Benchmark 2 heures. Le fix quand le quadrant ralentit : agent de veille continu avec scoring automatique par pilier et par case d’innovation. L’hypothèse doit pouvoir émerger sans comité.

Quadrant 2 Prototype. De l’hypothèse à un artefact testable par un utilisateur, qu’il s’agisse d’une démo interactive, d’un MVP fonctionnel, ou d’une page mock. Benchmark 6 heures. Le fix : Claude Design et Claude Code pour le flux intégré, ou v0 et Cursor pour le flux no-code. Le designer cesse d’être un maillon bloquant pour devenir un éditeur du prototype généré.

Quadrant 3 Test. De l’artefact à un signal utilisateur exploitable, qu’il s’agisse de 5 interviews, 50 users sur MVP, 500 vues sur landing. Benchmark 10 heures. Le fix : agents workspace qui collectent le feedback en continu sur Slack, Notion, Gmail, et le scorent. Le test devient un flux, pas un événement.

Quadrant 4 Décision. Du signal utilisateur à un go ou no-go chiffré. Benchmark 6 heures, incompressible en-dessous. C’est le jugement humain sur les quatre risques produit que Cagan tient depuis quinze ans. Toute tentative de le compresser plus que ça produit ce que Cagan nomme le “vibe product management”. Le fix : kill criteria explicites chiffrés en amont, avec kill-switch automatique par seuil. Le comité mensuel devient une instance de révision des kill criteria, pas une instance de décision sur chaque projet.

La compression totale cible 24 heures pour un tour complet. Elle se joue sur les trois premiers quadrants, où l’IA apporte un gain direct de 10 à 100x. Elle ne se joue pas sur le quatrième, où le jugement produit reste humain. Mesurer le quadrant le plus lent, c’est identifier le bottleneck. Investir sur le quadrant le plus lent, c’est compresser la boucle complète. Investir sur un quadrant qui n’est pas le bottleneck, c’est produire de l’optimisation locale sans gain global.

En 2026, si ton prototype met plus de vingt-quatre heures à exister après l’hypothèse, c’est ton process qui ralentit, pas ta créativité.

Positionnement vs cinq cousins

Le Compression Clock a des cousins dans la littérature méthodologique, et la distinction mérite d’être posée honnêtement.

• L’Agile Cycle Time en SAFe et Lean Kanban mesure le temps d’un ticket du backlog au déployé. Il est mesuré en jours ou en sprints de deux semaines. Distinction : le Compression Clock mesure la boucle discovery-delivery complète, avant et après le ticket, et son unité est l’heure, pas le sprint.

• Le Build-Measure-Learn d’Eric Ries dans Lean Startup est la boucle canonique de l’entrepreneuriat agile. Il est mesuré en semaines ou en mois. Distinction : le Compression Clock est la version 2026 à l’ère agentique, avec des benchmarks horaires rendus possibles par Claude Design et Workspace Agents que Ries n’avait pas en 2011.

• Le Dual-Track Agile de Cagan sépare discovery et delivery en deux tracks parallèles. Distinction : le Compression Clock ne sépare pas les deux tracks, il les mesure sur le même cadran de 24 heures et identifie le quadrant ralentisseur. Les deux cadres sont compatibles, Dual-Track et Compression Clock se combinent plutôt qu’ils ne s’opposent.

• Le Foundation Sprint de Jake Knapp et John Zeratsky, publié le 13 juillet 2025 dans Lenny’s Newsletter, est un sprint unique de 2 jours pour valider une idée de startup. Distinction : c’est une méthode de validation initiale en un shot de 48 heures, pas un cadran continu de boucles 24h. Il peut servir d’input au quadrant Idée du Compression Clock, mais il ne couvre pas les trois autres quadrants.

• Le processus d’évaluation AI de Figma documenté par First Round dans The Art of Evals s’appuie sur quatre cercles concentriques de feedback utilisateur (équipe AI interne, équipes Product et Design, entreprise entière, groupe alpha de clients) et sur un decision tree de viabilité cité par David Kossnick, Head of Product AI chez Figma. Distinction avec le Compression Clock : le processus Figma structure la qualité des retours avant d’allouer des ressources lourdes, pas le temps de parcours de la boucle discovery-delivery. Les deux cadres sont complémentaires. Le processus Figma peut servir d’outil du quadrant Test dans le Compression Clock.

Les cas qui tiennent la thèse

Cinq cas documentés entre 2025 et 2026 illustrent des équipes qui ont compressé avec discipline, et les chiffres qui en sortent.

Stanford Lean LaunchPad 2026

Steve Blank observe dans son article du 22 avril 2026 que la seizième année du Lean LaunchPad marque un basculement. Les équipes étudiantes arrivent au premier jour avec des MVP qui ressemblent à des produits finis. Citation : “8 teams actually implementing AI was mind blowing. And not a single team thought they were doing anything extraordinary.” Pour un CIO ou un directeur innovation, c’est la preuve académique la plus solide disponible en 2026 que la compression est structurelle, pas une promesse vendor. Blank n’est pas un commentateur LinkedIn, c’est l’inventeur du Customer Development qui observe en direct l’effondrement du cycle qu’il enseigne depuis seize ans.

Anthropic Claude Design, avec Brilliant et Datadog comme cas clients

Claude Design est sorti le 17 avril 2026. Les cas clients documentés dans le communiqué Anthropic couvrent deux ordres de compression. Anthropic rapporte que Brilliant, acteur edtech, produit en 2 prompts dans Claude Design des pages qui demandaient 20 prompts dans d’autres outils. Anthropic rapporte aussi que Datadog, acteur observability coté en Bourse, a compressé une semaine de travail en une conversation. Les deux sont des entreprises enterprise avec des équipes produit structurées, pas des startups expérimentales. Ces chiffres viennent d'Anthropic elle-même, pas d'une mesure indépendante. À prendre comme ordre de grandeur, pas comme référence absolue.

OpenAI Workspace Agents

Les Workspace Agents sortis le 22 avril 2026 instrumentent le quadrant Test du Compression Clock. Un agent workspace collecte en continu le feedback produit sur Slack, Notion, Gmail, le priorise par impact utilisateur, et produit un rapport quotidien. L’équipe innovation est libérée du travail de scan feedback et peut consacrer son temps au quadrant Décision, où le jugement humain ne se délègue pas. OpenAI documente 4 millions de développeurs actifs en usage hebdomadaire sur Codex, base technique dont dérivent les Workspace Agents, avec un gain d’un million d’utilisateurs en deux semaines.

Notion, la discipline avant la compression

First Round Review publie en 2026 un cas Notion intitulé Context Before Code : How Notion Put an AI Engineer on the Sales Floor. Notion a intégré un ingénieur IA dans l’équipe sales pendant un mois d’immersion terrain avant de décider quoi construire. Le cas illustre une règle que le Compression Clock ne dit pas mais présuppose. On n’alimente pas le quadrant Idée par de l’intuition accélérée. On l’alimente par de la donnée terrain. Notion ne sprint pas dès le jour 1, Notion écoute pendant 30 jours. Ensuite seulement, les agents IA internes construisent vite.

Linktree, la gouvernance à 4-6 heures

First Round Review publie un second cas, Linktree, sous le titre Scale Smarter, Not Bigger : How Linktree is Using AI to Accelerate. Linktree impose 4 à 6 heures de revue IT et Security par outil IA avant adoption en équipe produit. La distinction entre outil prototype et outil production est stricte. Le cas instrumente le quadrant Décision du Compression Clock avec une porte de sécurité chiffrée. Ce n’est pas de la validation humaine sur chaque action de chaque agent, ce qui tuerait la vélocité. C’est une revue structurée à l’entrée de chaque nouvel outil, qui coûte 4 à 6 heures une fois et protège ensuite toute la chaîne.

Encadré Figma. First Round Review publie aussi en 2026 un cas Figma sous le titre The Art of Evals : How Figma Put People at the Center of Its AI Product. Le processus d’évaluation AI de Figma s’appuie sur quatre cercles concentriques de feedback utilisateur (équipe AI interne, équipes Product et Design, entreprise entière, groupe alpha de clients). David Kossnick, Head of Product AI chez Figma, cite aussi un decision tree de viabilité dans le processus. Le cadre est complémentaire au Compression Clock. Il est un outil du quadrant Test pour les équipes produit qui cherchent à ne pas compresser le jugement en même temps qu’elles compressent le build.

L’avertissement

Le piège symétrique existe, documenté par trois rapports publiés entre mai 2025 et octobre 2025.

IBM Institute for Business Value, dans son étude CEO 2025 publiée le 6 mai 2025, documente que 25% seulement des initiatives IA en entreprise ont délivré le retour sur investissement attendu, et 16% seulement ont scalé à l’échelle enterprise. 65% des CEO disent privilégier les cas d’usage IA selon le ROI, mais 68% seulement disent disposer de métriques claires pour le mesurer. Le gap entre intention et instrumentation est de 32 points.

S&P Global Market Intelligence, via 451 Research dans son rapport d’octobre 2025, chiffre à 42% les entreprises qui abandonnent la majorité de leurs initiatives IA avant production, contre 17% en 2024. 46% des POC sont abandonnés avant déploiement. 46% ne constatent aucun impact fort positif sur un objectif enterprise. Seuls 19% constatent un impact fort sur la majorité des objectifs mesurés.

Forrester, dans ses Predictions 2026 publiées le 28 octobre 2025, annonce que 25% des budgets IA planifiés seront reportés à 2027. L’AI Pulse Survey de Forrester chiffre à 73% les décideurs qui déclarent moins de 50% de ROI sur leurs investissements IA. Moins d’un tiers peuvent relier la valeur de l’IA à la croissance financière.

Ces données ne disent pas que l’IA ne marche pas. Elles disent que la compression brute des cycles, sans discipline produit, produit 42% d’abandons. La distinction que Cagan fait entre deux modèles de Product Management est directement opératoire. Le software-factory product owner (gestionnaire de backlog dans une manufacture logicielle) et le roadmap-driven feature-team PM (centré sur les fonctionnalités de la roadmap) sont vulnérables à l’automatisation, parce que leur travail est justement celui que les agents workspace absorbent en priorité. L’empowered product-model PM (centré sur les outcomes business, la discovery rapide, la viabilité stratégique) est résilient, parce que son travail est précisément le quadrant Décision du Compression Clock, qui ne se délègue pas.

Une équipe innovation qui compresse son cycle sans muscler sa discipline produit tombe dans les 42% d'abandons. Une équipe qui muscle sa discipline sans compresser son cycle tombe dans les 25% de budgets reportés

Cinq actions pour lundi matin

1. Cartographier le portefeuille d’agents et de projets sur les quatre quadrants dans les trente jours. Inventaire des projets en cours, scoring en heures sur chacun des quatre quadrants (Idée, Prototype, Test, Décision). Identifier le quadrant dominant du bottleneck sur chaque projet. Livrable : un tableau partagé entre DSI, équipe produit, et direction innovation. Le premier chiffre à obtenir est la répartition des bottlenecks dans le portefeuille.

2. Fixer une cible de 24 heures pour un tour complet sur au moins un projet pilote d’ici 30 jours. Pas 2 semaines, pas 2 jours. 24 heures. Si c’est impossible sur tous les projets actuels, un seul projet suffit pour démontrer la faisabilité et servir de référentiel interne. Le pilote devient le point d’appui pour l’extension.

3. Instrumenter le quadrant Prototype avec Claude Design et Claude Code, ou v0 et Cursor. Pour le projet pilote, supprimer Figma et le handoff dev front. Le PM ou le directeur innovation produit le prototype en 6 heures maximum, branche un backend minimal via Claude Code, et déploie en staging. Mesurer l’impact sur les trois autres quadrants en parallèle.

4. Déployer un agent workspace dédié au feedback utilisateur pour le projet pilote. Agent OpenAI Workspace ou équivalent Claude, connecté à Slack, Gmail, Notion. L’agent collecte le feedback en continu, priorise par impact utilisateur, produit un rapport quotidien lu chaque matin par l’équipe innovation. Le quadrant Test n’est plus un événement trimestriel, c’est un flux permanent.

5. Fixer quatre kill criteria chiffrés explicites avant de lancer le projet pilote. Pas “on verra au comité”. Quatre seuils quantitatifs alignés sur les quatre risques Cagan (valeur, utilisabilité, faisabilité, viabilité), chacun avec un chiffre précis et une date de check. Le projet s’arrête automatiquement si un des quatre seuils n’est pas atteint. Exemple chiffré utilisable en l’état : si moins de 5 interviews utilisateurs sur 10 confirment le pain point au jour 5, stop au jour 5. Reproduire le pattern Linktree (4-6 heures de revue sécurité par outil IA à l’entrée) pour la gouvernance des outils, pas pour la gouvernance de chaque action.

La prochaine génération d’équipes innovation

Le débat de 2024 portait sur l’autorisation ou l’interdiction des agents IA en entreprise. Le débat de 2025 portait sur la visibilité et l’inventaire. Le débat de 2026 porte sur la compression du cycle discovery-delivery et sur la discipline qui l’accompagne.

La preuve que l'approche disciplinée marche se lit dans les projets Notion, Linktree, Figma, et dans les 4 millions de développeurs déjà sur Codex. Le coût de l'approche sans discipline se lit dans les 16% d’IBM qui scalent seulement, dans les 46% de POC abandonnés de S&P Global, et dans les 73% de décideurs qui ne voient pas leur ROI chez Forrester.

Un prochain sujet en vue : une fois que le cycle individuel d’un projet est compressé, reste la question du portefeuille. Comment arbitre-t-on entre dix projets qui tournent tous à 24 heures par tour ? Comment ferme-t-on un projet avant d’en ouvrir le suivant ?

Research Note #1, Airparty, avril 2026.

Annexe téléchargeable, réservée aux abonnés Airparty Premium : Research Pack complet avec bibliographie Tier 1 et Tier 2 (15 pages PDF).

Télécharger le Research Pack :

Research Pack — Compression Clock

354KB ∙ PDF file

Download

Download

The Compression Clock

13.3MB ∙ PDF file

Download

Download

Airparty Premium — lancement cette semaine

Tu viens de lire la première Research Note Airparty. Elle est entièrement gratuite, Research Pack de 15 pages PDF inclus en annexe téléchargeable.

À partir de la semaine prochaine, chaque nouvelle Research Note et son Research Pack passent en Premium.

Les 100 premiers abonnés bénéficient de 50% de remise pendant 12 mois, soit 90 € au lieu de 180 € la première année. Offre valable jusqu’au vendredi 2 mai 2026.

Ce que tu débloques en Premium :

• Les Research Notes complètes (~3000 mots) avec paywall à 25% du scroll pour les non-abonnés.

• Les Research Packs sourcés Tier 1 et Tier 2 en annexe téléchargeable PDF (15 à 20 pages par Research Note).

• Les modèles opérables des frameworks Airparty (Compression Clock, Portfolio Hourglass, et suivants) en Excel et Notion.

• Les decks PDF 14 slides pour tes propres présentations COMEX.

• L’accès à l’archive des scans hebdo avec findings bruts.

Offre Early Bird — 100 premières places

🌍 For English readers: right-click → "Translate to English." Auto-translation handles this article well.

Le chiffre qui devrait te déranger

Gene Hall l’a lâché en février 2026, en earnings call. En 2025, Gartner a réduit de 75% le temps de production d’un Magic Quadrant par rapport à 2024.

Même Magic Quadrant. Même méthodologie. Même qualité de livrable. Un quart du temps.

On retrouve le même ordre de grandeur chez McKinsey. Lilli a fait gagner 30% de temps sur la recherche et la synthèse, 500 000 prompts par mois, 72% des consultants actifs dessus. Chez Forrester, Izola a généré 5 millions de dollars de bookings depuis septembre 2025 et raccourci les cycles de vente de 50%. Chez BCG, un travail d’intern stagiaire qui prenait deux semaines a été compressé à deux-trois jours.

Pendant ce temps, dans ta cellule inno, ta prochaine note de veille va prendre combien de temps ? Deux semaines ? Trois ?

Tu vas me dire : eux, ils ont 2 500 analystes, 500 000 interactions client par an, 27 000 vendor briefings documentés. Nous, on est 4 dans un open space.

Exact. Et c’est précisément pour ça qu’il faut regarder comment ils ont fait. Parce qu’ils ont un luxe que tu n’as pas. Eux ont mesuré. Eux savent ce que l’IA fait dans leur fonction scan, ce qu’elle ne fait pas, où ils gagnent, où ils perdent. Cette cartographie est transposable. Pas le volume. La méthode.

Cet article te donne la grille qu’ils ont construite. Et les 5 actions que tu peux déployer cette semaine pour arrêter de produire comme en 2022.

Pourquoi c’est ton sujet, même si tu n’es pas analyste

Que tu sois innovation manager, CIO, CISO, chief of staff transformation, une partie de ton métier ressemble à celui d’un analyste. Pas en volume, pas en méthode industrialisée, mais en nature.

Tu fais du scan. Veille marché, cartographie de solutions, benchmark vendors, détection de tendances, revue d’écosystème, analyse de risque émergent, préparation de notes pour ton comité. Une sous-partie de ton métier, rarement formalisée, souvent sous-traitée à un alternant ou à une heure de ChatGPT le mercredi soir.

Le framework Better, que j’utilise pour ranger les signaux, nomme cette étape Scanning. C’est la première étape de toute démarche sérieuse. C’est aussi celle où l’IA a fait le plus de chemin depuis deux ans.

Les analystes professionnels ont deux avantages sur toi. Ils scannent à temps plein. Et ils ont été forcés, par la pression concurrentielle, de décomposer leur propre méthode pour l’augmenter. Ils l’ont documentée. Tu peux l’emprunter.

La méthodologie en 5 étapes que Gartner utilise depuis 40 ans

Gideon Gartner a codifié la méthode dans les années 1980. Elle est publique, utilisée en interne par tous les analystes seniors, enseignée par Steinert et Leifer à Stanford. La voici, sans fioritures.

1. Scénarios. Cadrer les questions de recherche, explorer les disruptions possibles, définir les angles prioritaires.

2. Surveys. Collecte primaire, formelle et informelle, auprès d’utilisateurs, vendors, investisseurs, académiques.

3. Pattern recognition. Identifier les patterns émergents à travers les données, ajuster les hypothèses à mesure que les signaux arrivent.

4. Stalking horse. Concept signature de Gideon Gartner. Une position provisoire, délibérément incomplète, relâchée dans la communauté d’analystes pour être contestée, raffinée, parfois abandonnée. Des façades ou des paravents utilisés pour masquer un vrai propos, des outils pour approcher une cible insaisissable, écrit Gideon dans ses notes. C’est la confrontation qui produit la conviction, pas la réflexion solitaire.

5. Search and verify. Validation des résultats contre plusieurs sources internes et externes. Consensus ou abandon.

Cette méthode produit les 6 livrables signature que tu as déjà lus. Magic Quadrant, Hype Cycle, Market Guide, Critical Capabilities, Market Forecasts, Market Share Analysis.

Maintenant, regardons ce que l’IA a changé sur chaque étape.

The 5x3 Scan Augmentation Grid

Pour chaque étape, trois colonnes. Ce que l’IA accélère. Ce qui reste humain. Quel outil déployer chez toi.

Étape 1. Scénarios, cadrage des questions

Ce que l’IA fait. Elle synthétise des briefs existants, agrège ce qui a déjà été écrit sur un sujet, propose des angles. Gain de temps estimé, 30%.

Ce qui reste humain. Le choix des angles à retenir. La contestation des hypothèses. La décision de ne pas traiter un sujet. L’intention éditoriale. Gartner a une règle interne explicite, un Distinguished Analyst challenge les angles avant qu’ils partent en scénario. L’IA ne challenge pas. Elle aligne.

Outil concret à déployer. Claude Projects avec un brief structuré par sujet d’inno. Tu charges les notes existantes, les arbitrages passés, les questions du COMEX. Claude te propose 3 angles. Tu en retiens 1. Tu ajoutes celui qu’il n’a pas vu.

Étape 2. Surveys, collecte primaire

Ce que l’IA fait. Énormément. Extraction textuelle, codage sémantique, clustering de réponses ouvertes, synthèse multi-sources. Gain de temps, 80%. C’est l’étape la plus augmentée chez Gartner, McKinsey, Forrester.

Ce qui reste humain. Le design des questions. La lecture nuancée des réponses. La détection de ce qui n’est pas dit. Et surtout, le recrutement des répondants. Une cellule d’innovation a accès à des gens qu’un analyste externe ne verra jamais. C’est ta vraie valeur ajoutée sur cette étape. Pas la synthèse, le réseau.

Outil concret à déployer. NotebookLM connecté à ton Notion ou ton Confluence interne. Tu charges tes comptes rendus de rencontres vendor, tes notes de POC, tes retours d’équipe. Tu poses des questions de synthèse. Tu obtiens des patterns que personne n’avait formalisés.

Étape 3. Pattern recognition

Ce que l’IA fait. Détection de patterns transversaux sur des corpus que tu ne pourrais pas lire à la main. Clustering. Corrélation multi-sources. Forrester a montré en 2025 qu’Izola détecte des signaux faibles sur des centaines de briefings vendor simultanément. Gain de temps, 70%.

Ce qui reste humain. La distinction entre pattern réel et artefact statistique. Le choix éditorial. Savoir si un cluster de 12 vendors qui parlent tous d’agentic AI est un vrai signal ou du bruit marketing. Cette compétence se construit en temps long. Elle ne se prompte pas.

Outil concret à déployer. Claude Skills dans Chrome, avec des prompts sauvegardés et versionnés pour chaque type de pattern que ta cellule cherche à détecter. Tu cliques. Tu obtiens une analyse. Tu valides ou tu filtres.

Étape 4. Stalking horse

Ce que l’IA fait. Très peu. Elle peut faciliter la confrontation async en résumant les positions de chacun. Gain de temps, 10% au mieux.

Ce qui reste humain. Tout le reste. La conviction qui porte la position provisoire. La hiérarchie des experts dans la salle. La mémoire du domaine qui permet de dire ce scénario-là, on l’a vu en 2019, voilà comment il a évolué. La capacité à encaisser la contestation sans se replier.

C’est ici que le métier d’analyste senior résiste structurellement à l’IA. Gene Hall de Gartner le formule à sa façon en Q4 2025, ce que les clients demandent, c’est la confiance dans un jugement signé par quelqu’un qui engage sa réputation. Une IA ne signe pas. Elle propose.

Outil concret à déployer. Aucun. Organise un peer review humain entre pairs, interne ou externe. C’est dans cette étape que ton réseau prend sa vraie valeur.

Étape 5. Search and verify

Ce que l’IA fait. Recoupement automatique entre sources. Vérification de cohérence factuelle. Détection d’incohérences internes. Gain de temps, 60%.

Ce qui reste humain. La validation finale. La signature. La responsabilité légale si la note se trompe.

Les études HALoGEN publiées à ICLR 2025 montrent que les meilleurs LLM hallucinent entre 4 et 86% selon le domaine. L’étude Stanford RegLab 2024 montre que les outils RAG juridiques marketés hallucination-free hallucinent encore à 17%. Thomson Reuters Practical Law AI se trompait sur 82% des requêtes spécifiques. Personne ne signe une note en prod sans relecture humaine.

Outil concret à déployer. Un mini-process Fact-Checker intégré à ton workflow. Tu demandes à Claude de vérifier ses propres assertions contre 3 sources primaires. Tu valides manuellement les assertions à fort enjeu. Tu versionnes.

La règle du scan augmenté

Relis la phrase. Elle contient la critique la plus fréquente des déploiements IA qu’on voit en ce moment dans les grandes entreprises. Les cellules inno utilisent l’IA là où la question n’est pas cadrée, scénarios sans intention. Et évitent l’IA là où elle serait utile, collecte primaire, pattern recognition. Elles sont exactement à l’envers.

Les coûts cachés que les analystes ont documentés pour toi

Avant de te lancer, regarde ce que McKinsey, BCG et Bain ont découvert en cours de route. Ils ont 18 à 24 mois d’avance sur toi. Ils ont payé pour apprendre. Autant en profiter.

Premier coût, la prompt-engineering tax. Chez McKinsey, les juniors passent 15 à 20 heures par semaine à raffiner leurs prompts Lilli. Du temps qu’ils ne passent plus en interview terrain. Le gain sur la synthèse est partiellement repris par le temps passé à dire à la machine ce qu’elle doit faire.

Deuxième coût, le rework manuel. Chez BCG, 30% des decks auto-générés par GENE doivent être refaits pour aligner le ton et le contexte client. L’output brut n’est pas le livrable.

Troisième coût, l’hallucination en pilote aveugle. Lilli a cité un amendement réglementaire inexistant dans une mission santé, détecté uniquement parce qu’un senior a relu. BCG GENE a produit des market sizings plausibles mais faux, détectés en review partner. Tant que tu n’as pas de process Fact-Checker explicite, tu produis de la confiance fausse.

Quatrième coût, la licence. Lilli coûte environ 8 000 livres par utilisateur par an chez McKinsey. Le ROI net reste positif, mais pas magique. Pour ta cellule, fais le calcul avant de généraliser un outil à toute l’équipe.

Aucun de ces coûts n’est bloquant. Tous sont gérables si tu les connais en amont. Le problème, c’est quand tu les découvres après avoir promis un gain de 70% à ton sponsor.

Le piège Forrester à ne pas reproduire

Forrester a shippé Izola 22 mois avant AskGartner. Avantage technique clair. 5 millions de dollars de bookings, cycles raccourcis de 50%. Tout va bien sur cette ligne.

Sur la ligne d’à côté, Forrester a vu son chiffre d’affaires baisser de 10% en 2024 et de 8% en 2025. Capitalisation boursière divisée par plusieurs fois. 8% des effectifs coupés en février 2026. Forrester a mieux industrialisé l’IA que Gartner. Forrester se porte beaucoup moins bien que Gartner.

La leçon pour toi. La maîtrise technique de l’IA ne suffit pas. Ce qui fait la différence, c’est la donnée propriétaire que tu as et qu’aucun outil public ne pourra scraper. Dans le cas de Forrester, leur base IP est plus petite que celle de Gartner. Dans ton cas, c’est la mémoire de tes POC, tes arbitrages documentés, tes contacts experts internes, les comptes rendus de ton écosystème interne.

Carrie Johnson, CPO Forrester, le formule bien : dans un marché inondé de slop généré par IA, Forrester est clair, pas de slop. Forrester AI est entraîné exclusivement sur la IP Forrester, pas sur des idées recyclées scrapées du web.

C’est la même règle pour ta cellule. Ne laisse pas tes données dehors. Utilise des outils qui restent dans ton périmètre de sécurité. Claude Projects, NotebookLM connecté à tes sources internes, Notion AI entraîné sur ton workspace. Pas ChatGPT public avec des prompts qui partent on-ne-sait-où.

Les 5 actions à mettre en place cette semaine

Tu as lu la grille. Tu as vu les coûts cachés. Voilà la séquence activable lundi matin.

1. Cartographier. Prends une feuille. Liste les 5 étapes, Scénarios, Surveys, Pattern recognition, Stalking horse, Search and verify. Pour chacune, note le temps moyen que ta cellule y passe par mois, et les livrables produits. Tu vas découvrir que tu passes 70% de ton temps sur 1 ou 2 étapes, rarement celles que tu crois.

2. Identifier. Sur la grille 5x3, repère les étapes où tu es en sous-régime. Les signes sont simples, tu fais à la main ce que l’IA fait à 70 ou 80%. La plupart du temps, c’est l’étape 2, Surveys. Ou l’étape 3, Pattern recognition.

3. Choisir. Une seule étape à augmenter en priorité cette semaine. Pas deux. Pas trois. Une. Tu vas rater le ciblage, itérer, ajuster. Il vaut mieux le faire sur un seul cas d’usage que sur cinq en parallèle.

4. Déployer. Chaque étape a son outil dans la grille. Claude Projects pour Scénarios, NotebookLM pour Surveys, Claude Skills pour Pattern recognition. Déploie l’outil. Fais tourner pendant 10 jours sur un cas réel.

5. Mesurer. Deux métriques, pas plus. Temps passé, avant vs après. Et qualité du livrable, jugée par un pair senior, pas par toi. Sur 4 semaines, tu auras un chiffre à présenter au COMEX. Sans chiffre, tu as une impression. Et les impressions ne financent pas les projets.

Pourquoi ça marche maintenant et pas en 2023

Deux choses ont changé en 2025-2026 qui rendent cette grille applicable à ta cellule. Là où elle n’était utilisable qu’aux McKinsey il y a 24 mois.

La première. Les outils sont devenus utilisables par un non-dev. Claude Projects, NotebookLM, Claude Skills dans Chrome, Claude Cowork avec scheduled tasks. Il y a deux ans, il fallait un prompt engineer dans ton équipe. Aujourd’hui, il faut 2 heures de prise en main.

La deuxième. Les analystes ont publiquement documenté leurs méthodes. McKinsey a publié Rewiring the way McKinsey works with Lilli en 2024. Forrester a publié Izola Turns Two en 2025. Gartner a lâché ses chiffres de productivité en earnings call. HBR a écrit AI is Changing the Structure of Consulting Firms en septembre 2025. Le playbook n’est plus propriétaire.

Tu as l’outil accessible et la méthode publiée. Les deux barrières historiques sont tombées. Ce qui te sépare d’une cellule inno augmentée, c’est la décision de découper ta propre méthode et de la mapper à la grille.

Et donc?

Si Gartner a divisé par 4 le temps de production d’un Magic Quadrant en deux ans, la question n’est pas est-ce que l’IA va changer la veille stratégique. La question est, pourquoi ma cellule produit-elle encore comme en 2022.

La réponse n'est jamais "parce qu'on n'a pas les outils". C'est toujours "parce qu'on n'a pas découpé notre propre méthode". Cartographier les 5 étapes, c'est une demi-journée. Si tu ne la bloques pas ce vendredi, tu viens de répondre à la question.

Sources et notes

Données primaires Gartner

• Gartner Q4 2025 earnings call transcript, 3 février 2026 (chiffres Magic Quadrant -75%, AskGartner, CV growth) — fool.com/earnings/call-transcripts

• Gartner 2024 Annual Report (10-K), déposé février 2025 (segments revenue, AI risk factor, 505K interactions clients) — sec.gov/Archives/edgar/data/749251

• Gartner Q4 2024 Earnings Supplement (wallet retention, client counts) — investor.gartner.com

• AskGartner product page — gartner.com/en/products/ask-gartner

Données primaires Forrester

• Forrester Q4 2025 earnings press release (revenue -8.2%, guidance 2026) — finance.yahoo.com

• Forrester AI Access launch, septembre 2025 — forrester.com/press-newsroom/forrester-ai-access

• Forrester blog Izola Turns Two — forrester.com/blogs/izola-turns-two

• George Colony, Mi3 podcast, août 2025 (Seventh Wave sur les agents) — mi-3.com.au

Données primaires McKinsey et consulting

• McKinsey, Rewiring the way McKinsey works with Lilli, 2024 (72% adoption, 500K prompts/mois, 30% gain de temps) — mckinsey.com

• HBR, AI Is Changing the Structure of Consulting Firms, Duncan/Anderson/Saviano, septembre 2025 — hbr.org

• Northstar Consulting, revue critique GenAI dans le consulting, 2025 (coûts cachés, prompt tax 15-20h/semaine, 30% rework BCG)

Recherche sur les hallucinations LLM

• HALoGEN benchmark, Ravichander et al., ICLR 2025 (hallucination 4-86% selon domaine) — arxiv.org/pdf/2501.08292

• Stanford RegLab, Dahl et al., Hallucinating Law, Journal of Legal Analysis 2024 (58-88% sur LLM juridiques) — hai.stanford.edu

• Magesh et al., Stanford 2024, sur Thomson Reuters Practical Law AI (82% d’erreur)

Méthodologie Gartner (Gideon Gartner, 5 étapes)

• Steinert & Leifer, Scouting for technology opportunities, Stanford, 2010 (description académique de la méthode)

• Gartner methodology brochure, public

• Lydia Leong, Gartner VP Distinguished Analyst, blog A Day in the Life, 2021

Ressources complémentaires citées

• Benedict Evans, AI Eats the World, novembre 2025 — ben-evans.com/presentations

• Carrie Johnson (CPO Forrester), positionnement No slop (communication publique 2025-2026)

• Seeking Winners, thèse bull sur Gartner — seekingwinners.substack.com/p/gartner

• SaaStr, Gartner Down 71%, Forrester Worth $105M, février 2026 — saastr.com

Notes méthodologiques

• Le framework 5x3 Scan Augmentation Grid est un apport original Airparty. Les pourcentages de gain de temps indiqués (30% Scénarios, 80% Surveys, 70% Pattern recognition, 10% Stalking horse, 60% Search and verify) sont des estimations calibrées sur les données publiées Gartner / McKinsey / Forrester et retours d’expérience consulting. À valider sur votre propre baseline cellule.

• La méthodologie Gartner en 5 étapes est publique et enseignée à Stanford. Le stalking horse est un concept Gideon Gartner documenté historiquement.

• Les chiffres Forrester (revenue, capitalisation) proviennent des communiqués officiels Q4 2025 et du rapport SaaStr février 2026.

Airparty. Analyses indépendantes sur l’IA, les technologies émergentes et la transformation de l’innovation en entreprise.

J’ai décortiqué le dernier article de Lenny Rachitsky, Hamza Farooq et Jaya Rajwani pour vous en extraire le framework complet. Tout le crédit leur revient. Je ne fais que passer le contenu au filtre qui m’intéresse : comment un directeur de l’innovation peut utiliser ça dès lundi matin.

La plupart des cellules d’innovation ont entre 5 et 10 “initiatives agents” au backlog.

Un assistant PM. Un copilot RAG. Un agent de support client. Un code reviewer. Un assistant shopping vocal.

Elles les traitent toutes de la même façon. Même colonne de backlog. Même grille impact/effort. Même sprint planning.

C’est la raison pour laquelle rien n’avance.

Parce que comparer un agent de triage email et un assistant shopping vocal sur la même grille, c’est comme comparer la construction d’une étagère IKEA et la rénovation d’un immeuble sur la même to-do list. L’un prend un samedi. L’autre prend un an. Les deux sont des “projets”, mais ils n’ont rien en commun.

Le framework que Lenny publie résout exactement ce problème. Voici le playbook complet.

Le déclic à avoir avant de commencer

Retirez le mot “agent” de la conversation.

Remplacez-le par trois questions :

1. Est-ce que je peux dessiner le workflow entier sur un tableau blanc ?

2. Est-ce que le même input peut déclencher des actions différentes à chaque fois ?

3. Est-ce que j’ai besoin de plusieurs systèmes spécialisés qui se parlent entre eux ?

La réponse à ces trois questions détermine tout : l’architecture, l’équipe, le budget, le timeline, et les chances de succès.

Si vous répondez oui à la première et non aux deux autres, vous avez un projet catégorie 1. C’est 60 à 70% des cas. Et c’est probablement là que vous devriez commencer.

Les 3 catégories, ce que votre backlog ne vous dit pas

Catégorie 1 : l’automation déterministe

Vous définissez le flow entier. Chaque étape, chaque branche, chaque point de décision. L’IA gère le contenu à des nœuds spécifiques (classifier un email, générer une réponse, extraire des données), mais c’est vous qui contrôlez le chemin.

Comment la reconnaître :

• Le process tient sur un flowchart de moins de 15-20 branches

• La complétion se fait en secondes ou minutes

• La valeur est dans l’automatisation d’un process connu, pas dans la découverte

• Le même input produit toujours le même parcours

Profil concret :

Exemple réel tiré de l’article : un agent de triage email pour une entreprise SaaS. L’email arrive. L’agent le classe par intent (question technique, demande de remboursement, réclamation). Il génère un brouillon de réponse. Il route vers l’agent humain approprié. Chaque étape est prévisible. La “intelligence” est dans la compréhension de l’email et la génération de la réponse, pas dans le choix de ce qu’il faut faire ensuite.

Résultat mesuré : 52% de taux de complétion en semaine 1, 87% en semaine 8. 3 000 emails par mois automatisés. 2,5 heures libérées par jour. 18 000 $ d’économies mensuelles.

🎯 Micro-action : Prenez votre backlog d’agents. Pour chaque initiative, posez la question : “est-ce que je peux dessiner le workflow entier sur un tableau blanc ?” Si oui, c’est du catégorie 1. Mettez-le en haut de la pile.

Catégorie 2 : l’agent raisonneur

Vous ne définissez plus le flow. Vous définissez les outils disponibles. L’IA décide quoi faire ensuite. L’agent opère en boucle : observer, raisonner, agir, observer le résultat, recommencer.

La différence avec le catégorie 1 : vous contrôlez les outils, l’IA contrôle le raisonnement.

Comment la reconnaître :

• Le même input peut déclencher des séquences d’actions différentes à chaque fois

• Vous avez 5 à 15 capacités distinctes et la bonne dépend du contexte

• L’intention de l’utilisateur est ambiguë

• Décomposer des requêtes complexes en sous-tâches fait partie de la valeur

• Le process ne PEUT PAS être dessiné comme un flowchart fixe

Profil concret :

Exemple réel tiré de l’article : un assistant shopping vocal. Le client uploade une photo de chaussures et dit “elles sont trop petites, je veux une taille au-dessus, livrées avant jeudi”. L’agent doit identifier le produit sur la photo, chercher les tailles disponibles, vérifier les options de livraison, et confirmer la commande. Si l’article est en rupture, il suggère des alternatives. Si la livraison jeudi n’est pas possible, il propose un retrait en magasin. La séquence change à chaque fois parce que le contexte change à chaque fois.

Résultat mesuré : 71% de complétion en mois 1, 86% en mois 4. Précision d’identification image passée de 76% à 91%. Conversion augmentée de 22%.

🎯 Micro-action : Pour les initiatives de votre backlog que vous ne pouvez pas dessiner sur un tableau blanc, demandez-vous : “est-ce qu’un seul agent avec les bons outils peut gérer ?” Si oui, c’est du catégorie 2. Si vous avez besoin de plusieurs systèmes spécialisés qui se délèguent des tâches, c’est du catégorie 3.

Catégorie 3 : le réseau multi-agent

Plusieurs agents spécialisés se coordonnent entre eux. Chacun gère son propre domaine. Ils peuvent se déléguer des tâches mutuellement. Un orchestrateur coordonne mais ne contrôle pas chaque décision.

Comment la reconnaître :

• Un agent unique gère trop de domaines et la performance se dégrade

• Les agents doivent se déléguer des tâches entre eux, pas juste appeler des APIs

• Les tâches prennent des heures ou des jours, pas des minutes

• Vous avez besoin de centaines d’instances en parallèle

• Différentes équipes veulent posséder leurs agents spécialisés mais ils doivent coopérer

Profil concret :

Le warning de l’article que je retiens : la catégorie 3 ne devrait presque jamais être le point de départ. Jamais. Si votre premier projet agent est un réseau multi-agent, vous êtes en train de construire un avion avant d’avoir appris à faire du vélo.

🎯 Micro-action : Si vous avez un projet catégorie 3 au backlog, identifiez quelle partie peut être extraite en catégorie 1 et mise en production en 6 semaines. Cette partie-là est votre vrai point de départ.

Le triage en 5 minutes

Voici la grille que je recommande d’appliquer à votre backlog cette semaine.

Question 1 : est-ce que je peux dessiner le flowchart entier du process ?

• Oui → Catégorie 1. Construisez-le en 6 semaines avec n8n ou Make. 1-2 personnes suffisent.

• Non → Question 2

Question 2 : est-ce qu’un seul agent avec les bons outils peut gérer toutes les variations ?

• Oui → Catégorie 2. Prévoyez 3 mois et une petite équipe avec un ML engineer.

• Non → Catégorie 3. Ne commencez pas par là. Extrayez un sous-ensemble catégorie 1 d’abord.

La règle de séquençage : si vous avez des catégorie 3 en haut de votre backlog et zéro catégorie 1 en production, votre séquençage est inversé. Corrigez ça avant tout.

Les signaux qui vous disent de passer au niveau suivant

Ne planifiez pas la catégorie 2 avant d’avoir épuisé la catégorie 1. Voici les signaux qui vous disent que c’est le moment.

Vous avez outgrown la catégorie 1 quand :

• Votre flowchart a 30+ nœuds et vous ajoutez des branches chaque semaine

• Les utilisateurs formulent des choses de façons que vous n’aviez pas anticipées

• L’agent doit décider quelle source de données utiliser selon le contexte

• Les requêtes sont ambiguës et nécessitent de l’exploration, pas du routing

Vous avez outgrown la catégorie 2 quand :

• Votre agent unique gère trop de domaines et la performance se dégrade

• Des agents doivent déléguer des tâches à d’autres agents

• Les tâches prennent des heures ou des jours

• Vous avez besoin de centaines d’instances en parallèle

• Différentes équipes veulent posséder leurs agents spécialisés

Si vous ne voyez aucun de ces signaux, restez où vous êtes. La catégorie supérieure n’est pas un upgrade. C’est une complexité supplémentaire qui ne se justifie que par un besoin réel.

Comment évaluer si ça marche

Chaque catégorie a ses propres métriques. Ne mesurez pas un catégorie 1 avec les KPIs d’un catégorie 2.

Catégorie 1, les métriques workflow :

• Taux de complétion du workflow (% d’exécutions qui finissent sans erreur)

• Taux d’automatisation (% de requêtes sans intervention humaine)

• Coût par exécution

• Taux d’erreur

Catégorie 2, les métriques raisonnement :

• Taux de complétion de tâche (% de sessions où l’utilisateur atteint son objectif)

• Précision du raisonnement (l’agent choisit-il les bons outils dans le bon ordre ?)

• Nombre moyen de tool calls par session

• Coût par session

• Satisfaction utilisateur

Catégorie 3, les métriques système :

• Throughput (combien de tâches le réseau traite en parallèle)

• Qualité de coordination (les agents se délèguent-ils les bonnes tâches ?)

• Coût par output final

• Résilience (que se passe-t-il quand un agent tombe ?)

🎯 Micro-action : Pour chaque initiative agent en production ou en POC, vérifiez que vous mesurez les KPIs de la bonne catégorie. Si vous mesurez le “taux de complétion de tâche” sur un catégorie 1, vous mesurez la mauvaise chose. Le bon KPI est le taux de complétion du workflow.

📋 Récap : la grille complète

Ce que j’en retiens pour le management de l’innovation

Trois choses.

1. Votre backlog d’agents a besoin d’une colonne “catégorie” avant la colonne “priorité”. Tant que vous n’avez pas classé vos initiatives en 1, 2 ou 3, votre priorisation est du bruit. Vous comparez des choses incomparables.

2. 60 à 70% de vos use cases sont probablement du catégorie 1. Ce qui veut dire qu’ils pourraient être en production dans 6 semaines avec 1-2 personnes et un budget minimal. Si aucun de vos agents n’est en production aujourd’hui, c’est probablement parce que vous traitez des projets catégorie 1 comme des projets catégorie 2 ou 3.

3. Le passage en production sur un catégorie 1 vous apprend plus en 6 semaines que 6 mois de POC sur un catégorie 3. Les apprentissages concrets (les edge cases, les taux de complétion, les patterns utilisateur) ne viennent que de la production. Un catégorie 1 en production génère de l’intelligence que vous pouvez réinvestir dans un catégorie 2 plus tard. Un catégorie 3 en POC ne génère que des slides.

Classifier mon projet agent

Cet article est basé sur le guide publié par Hamza Farooq, Jaya Rajwani et Lenny Rachitsky dans Lenny’s Newsletter le 14 avril 2026. L’article complet est disponible ici.

Better Shaping, Airparty

Une petite précision avant d’aller plus loin. Ce que je vais raconter, ça ne concerne pas que le management de l’innovation. Dorsey et les briques agentiques de 2026 s’appliquent à peu près partout en entreprise, aux RH, au juridique, à la finance, aux opérations. Si j’ai choisi de projeter le modèle sur la fonction innovation, c’est parce que c’est mon métier. Je partage ici mon cheminement, pas une vérité universelle. Le raisonnement est transposable, je vous laisse faire l’exercice pour votre propre fonction.

Ce que Dorsey propose vraiment

Avant d’aller plus loin, il faut que vous ayez le modèle Dorsey en tête, parce que tout le reste de l’article en dépend. Si vous avez déjà lu le texte de Sequoia en entier, vous pouvez sauter cette section. Sinon, prenez trois minutes, ça vaut le coup.

Le texte de Dorsey et Roelof Botha s’appelle From Hierarchy to Intelligence. La thèse centrale tient en une phrase. Le middle management existe historiquement pour router de l’information dans une hiérarchie. Cette fonction, pour la première fois en deux mille ans, peut être opérée par un système plutôt que par des humains.

Dorsey remonte loin pour le démontrer. Il rappelle que l’armée romaine avait déjà résolu le problème : coordonner des milliers de personnes à travers des distances vastes avec une communication limitée. Huit soldats sous un decanus, dix contubernia sous un centurion, six centuries sous une cohorte. Cette structure n’était pas un organigramme. C’était un protocole de routage d’information construit autour d’une limitation humaine : un leader peut gérer efficacement entre trois et huit personnes. Les Prussiens ont formalisé ça au XIXe siècle avec la distinction entre les fonctions de ligne et les fonctions d’état-major. Les chemins de fer américains l’ont importé dans l’entreprise dans les années 1850. Frederick Taylor l’a optimisé. McKinsey l’a raffiné avec la matrice. Mais l’idée n’a jamais changé : des humains routent de l’information entre des couches hiérarchiques, parce qu’aucune autre technologie ne pouvait le faire.

Chez Block, c’est en train de changer. Dorsey construit son entreprise autour de quatre couches.

Les Capabilities. Ce sont les primitives atomiques du business, les paiements, le lending, le card issuing, le banking. Elles n’ont pas d’interface propre. Elles sont des fonctions invocables avec des SLA et des critères de fiabilité.

Le World Model. C’est le cœur du modèle et c’est le terme que vous allez retrouver partout dans cet article. Un world model, c’est une représentation continue et automatiquement mise à jour de l’entreprise et de son marché. Chez Block, il y a deux côtés. Le company world model suit ce qui est construit, ce qui est bloqué, où les ressources sont allouées, ce qui fonctionne et ce qui ne fonctionne pas. Le customer world model suit les transactions, les signaux clients, les comportements observés. Ce que les managers transportaient autrefois de réunion en réunion, le world model le transporte automatiquement.

L’Intelligence Layer. C’est la couche qui compose les capabilities en réponse à des besoins spécifiques, en s’appuyant sur le world model pour savoir quoi faire. Un exemple du texte original : le cash-flow d’un restaurant se tend avant une saison basse que le modèle a déjà vue l’année précédente. L’intelligence layer compose un prêt court terme depuis la capability lending, ajuste le calendrier de remboursement avec la capability paiements, et le propose au merchant avant qu’il pense à chercher du financement. Personne n’a décidé de construire cette offre. Le système l’a composée parce qu’il a reconnu le moment.

L’Edge. C’est là où les humains vont. L’edge, c’est l’endroit où l’intelligence rencontre le réel. Les humains font ce que le système ne peut pas faire : exercer un jugement contextuel, porter une intuition, prendre une décision éthique, maintenir une relation de confiance, arbitrer quand le modèle se trompe. Le monde n’est pas entièrement dans les données. L’edge, c’est le rappel que la coordination humaine n’est pas remplacée, elle est déplacée.

Dorsey tire de tout ça une conclusion organisationnelle radicale. Chez Block, l’entreprise converge vers trois rôles seulement. Des Individual Contributors qui construisent les capabilities et le système. Des Directly Responsible Individuals qui possèdent des problèmes transverses avec autorité temporaire de mobilisation. Des Player-Coaches qui combinent production et développement des autres. Plus de couche permanente de middle management. Le world model remplace le routage d’information, les DRI remplacent la gestion par projets, les player-coaches remplacent les managers intermédiaires dont le travail principal était de faire circuler l’information.

Le texte a été publié le 31 mars 2026. Huit jours plus tard, Anthropic lançait les Claude Managed Agents, qui abstraient l’infrastructure nécessaire pour faire tourner un système multi-agent en production. Huit jours entre la thèse et l’outil qui permet de l’implémenter. Le même shift se produit chez Salesforce avec AgentForce, chez Microsoft avec Copilot Studio, chez Google Cloud avec ses frameworks d’orchestration. Ce n’est pas une expérimentation isolée. C’est un paradigme qui se commoditise à toute vitesse.

Le réflexe Dorsey

Bon. Maintenant que vous avez le modèle en tête, on revient à mon problème du 9 avril.

Vous prenez un directeur de l’innovation d’une grande entreprise. Vous lui tendez le texte de Sequoia. Vous lui demandez par quoi il commencerait pour appliquer le modèle à sa fonction. La réponse est toujours la même. On indexe les documents existants. On structure les POC passés. On cartographie les experts internes. On construit une base de connaissance interrogeable. On déploie des agents dessus.

Moi, j’ai fait cet exercice. Et c’est là que tout s’effondre.

Pourquoi ça casse : la matière première n’existe pas

Dans une grande entreprise, la connaissance d’innovation n’est documentée nulle part sous forme exploitable. Ce n’est pas un problème de maturité qui va se résoudre avec le temps. C’est une propriété structurelle du travail d’innovation.

Je vais être concret. Prenez les cinq zones de savoir qui font vraiment tourner une fonction innovation dans une grande boîte, et regardez où elles vivent.

Les POC passés. Ils sont où ? Dans des slides de steering archivés dans des dossiers SharePoint dont plus personne n’a la clé. Dans des comptes rendus partiels rédigés par la personne qui avait le temps ce jour-là. Dans des emails épars. Et surtout dans la mémoire de trois ou quatre personnes qui étaient dans la pièce. Un POC arrêté il y a dix-huit mois parce que le directeur des risques avait posé une question en steering, vous pouvez chercher longtemps. Cette information n’est nulle part, sauf dans la tête du sponsor qui se souvient vaguement de la réunion.

Les schémas d’architecture. Chaque équipe a son diagramme à jour. Aucun n’est cohérent avec les autres. La cartographie globale, si elle a existé un jour, n’a pas été mise à jour depuis la dernière réorganisation. Un agent qui interroge la topologie du SI pour évaluer la faisabilité d’un nouveau use case va remonter une version datée de 2023, quand trois projets majeurs ont changé la donne depuis.

La cartographie des experts internes. Dans toute grande organisation, savoir à qui parler sur un sujet précis est une connaissance qui vit exclusivement dans la tête de quelques personnes clés. L’Innovation Manager. Le responsable de domaine. L’assistante de direction qui connaît tout le monde. Ce savoir n’est jamais sous forme de base de données. Il est tacite, relationnel, et il se construit par l’expérience. Un agent qui essaie d’extraire cette info des annuaires d’entreprise va récupérer des titres de poste. Inutile pour savoir qui a vraiment de la légitimité sur quoi.

L’historique des arbitrages. Pourquoi tel projet a été priorisé sur tel autre il y a six mois ? Quelles objections avaient été soulevées ? Quels compromis avaient été trouvés ? Qui avait soutenu quoi ? Ces décisions sont rarement écrites. Elles sont prises en réunion, communiquées oralement, et la trace écrite se limite à “le projet X est validé, budget Y, deadline Z”. Les raisons véritables disparaissent avec la réunion.

Les relations de confiance qui font avancer les projets. Un sponsor qui va défendre un projet contre vents et marées parce qu’il a été convaincu par un argument précis en déjeuner il y a trois semaines. Un directeur métier qui va bloquer systématiquement parce qu’il a été mis devant le fait accompli une fois il y a deux ans. Ces dynamiques sont centrales dans le travail d’innovation, et elles n’existent dans aucune base.

Bon. Vous voyez le problème. Un World Model construit par indexation de documents va répondre “je n’ai pas l’information” à 80% des requêtes qui ont de la valeur. Pas parce qu’il est mal conçu. Parce que la matière première n’est pas là où il cherche.

L’insight : la connaissance vit dans les voix

Alors où est-elle ? Dans les conversations. Toujours dans les conversations. Dans les réunions de steering où on débat du POC à arbitrer. Dans les débriefs informels après un workshop. Dans les interrogations avec un sponsor en couloir. Dans les débats d’architecture en salle de réunion. Dans les appels Teams où on explique trois fois le même projet à trois interlocuteurs différents. Dans les objections jamais tracées, les doutes partagés à voix haute, les anecdotes échangées entre pairs.

Cette matière vocale existe en quantité massive dans toute grande entreprise. Elle est simplement jamais captée. Le blocage de 2026, ce n’est pas “la data n’est pas propre”. Le blocage, c’est “on ne capte pas la voix qui produit la connaissance en continu”.

Et là où ça devient intéressant, c’est que toutes les briques pour changer ça sont déjà disponibles. Transcription temps réel de qualité production avec Noota ou Whisper. Diarization qui identifie qui a dit quoi. Speech-to-text multilingue au-dessus de 95% de précision. Structuration LLM qui transforme un verbatim brut en connaissance indexée, liée à des projets, des personnes, des décisions. Le Voice Layer, ce n’est pas un futur. Il est déployable aujourd’hui avec ce qui existe déjà, et les managed agents d’Anthropic, Salesforce ou Microsoft rendent l’orchestration multi-agent possible en quelques jours.

Le retournement de la thèse Dorsey est complet. Chez Block, le World Model se construit sur des artefacts déjà numériques, les transactions, le code, les commits. La matière première existe nativement sous forme structurée. Dans le management de l’innovation, cette matière n’existe sous cette forme nulle part. Elle existe sous forme vocale, et seulement sous forme vocale. Le blocage de 2026 n’est pas technologique. Il est dans l’absence de discipline de capture.

Le framework : The Voice-First Innovation World Model

Je propose un framework à quatre couches qui reprend l’architecture Dorsey mais qui inverse la hiérarchie habituelle. La couche primaire, ce n’est plus les Capabilities. C’est le Voice Layer.

Couche 1, le Voice Layer

La couche de capture continue des conversations liées à l’innovation. Elle couvre les réunions formelles, steerings, workshops, revues de POC. Elle couvre aussi les débriefs informels, les appels avec sponsors, les débats techniques, les interrogations partagées dans les moments de transition, déjeuners de travail, trajets communs, appels de fin de journée. Chaque conversation est transcrite en temps réel, diarizée par locuteur, horodatée, et stockée dans une base de verbatims structurés par LLM.

Cette couche a trois propriétés que rien d’autre ne donne. Elle capture de la connaissance tacite que les documents ne portent jamais, les nuances, les hésitations, les objections soulevées puis retirées, les arguments improvisés qui se révèlent justes. Elle opère en continu, pas par événements, le World Model s’enrichit à chaque réunion, pas à chaque rédaction de compte rendu. Et elle ne demande aucun effort supplémentaire aux participants, on continue à travailler normalement, le système capte ce qui se dit.

La contrainte critique de cette couche, c’est la gouvernance. Consentement explicite, politique de rétention claire, garanties de confidentialité, périmètre défini. On en reparle plus bas parce que c’est le vrai sujet.

Couche 2, le World Model

La représentation structurée dérivée principalement des verbatims vocaux, complétée marginalement par les documents disponibles. Cette inversion est essentielle. Le document devient la source secondaire, la voix devient la source primaire. Le World Model connaît les décisions parce qu’il a écouté les réunions où elles ont été prises. Il connaît les objections parce qu’il les a entendu être formulées. Il connaît les relations entre personnes et sujets parce qu’il a observé qui parle de quoi avec qui.

Le World Model ne se limite pas aux conversations d’innovation au sens strict. Il intègre progressivement les décisions architecturales, les arbitrages budgétaires, les revues de projet, l’évaluation des fournisseurs. Il devient une mémoire vivante de la dynamique décisionnelle de l’organisation sur les sujets qu’il couvre. Ce que trois ou quatre personnes portaient dans leur tête devient une ressource interrogeable.

Couche 3, l’Intelligence Layer avec fonction Interviewer

C’est ici que le modèle Voice-First fait un vrai saut qualitatif. L’Intelligence Layer compose les capabilities en réponse à des besoins spécifiques, comme dans le modèle Dorsey standard. Mais elle gagne une fonction nouvelle, la capacité d’interviewer activement les humains quand elle détecte un gap dans le World Model.

Exemple concret. Un directeur métier demande un cadrage sur un nouveau use case d’IA pour la signature rapide en agence. L’Intelligence Layer interroge le World Model. Elle trouve des verbatims de steering où un POC similaire a été évoqué il y a dix-huit mois. Mais elle détecte un gap critique, aucun verbatim ne documente clairement pourquoi ce POC a été arrêté. Plutôt que de répondre “je n’ai pas l’info”, le système identifie les deux ou trois personnes probablement impliquées via leur présence dans d’autres verbatims, propose de programmer trois courts entretiens de quinze minutes, formule les questions à poser, et une fois les entretiens faits, intègre les réponses au World Model. La prochaine fois qu’une question similaire se pose, le système aura la réponse.

Cette boucle d’auto-alimentation, c’est le vrai renversement par rapport à un World Model classique. Un World Model documentaire attend que la donnée vienne à lui. Il consomme ce qui est indexé. S’il ne sait pas, il vous dit qu’il ne sait pas. Un Voice-First World Model fonctionne à l’envers. Il sait ce qu’il ne sait pas parce qu’il a identifié les gaps dans ses verbatims. Et il va chercher activement l’information auprès des humains qui la détiennent. Le système devient progressivement autonome dans sa propre alimentation.

Là où ça devient puissant, c’est que la fonction Interviewer résout le problème d’amorçage. Tous les projets World Model documentaires classiques en entreprise meurent de la même chose : on ne peut pas démarrer avec un World Model vide parce qu’il ne peut rien répondre. Avec un Voice Layer qui capte en continu et un Intelligence Layer qui interview activement, l’amorçage se fait en quelques semaines. Pas en années.

Couche 4, l’Edge

Ce que Dorsey appelle l’edge reste ce que les humains gardent. Le jugement contextuel quand les verbatims sont contradictoires. La décision éthique quand le système remonte un signal ambigu. La relation de confiance avec un sponsor qui ne s’écrit dans aucune base. L’intuition stratégique qui dit qu’un sujet n’est pas prêt pour l’organisation, même si les données disent le contraire. La facilitation d’un workshop, le travail politique avec un directeur métier réticent, la défense d’un arbitrage impopulaire au COMEX.

L’edge ne rétrécit pas parce que le Voice Layer s’installe. Il grandit. Libérés du travail de synthèse après coup, les Innovation Managers peuvent investir plus de temps dans ce qui reste leur vrai travail, exercer un jugement que le système ne peut pas porter.

BoardBot : ce que ça donne dans un workshop, aujourd’hui

Le workshop d’innovation, c’est le premier terrain naturel du Voice Layer. J’ai construit un prototype pour le tester. Il s’appelle BoardBot. Il est accessible en beta à l’adresse boardbot.onrender.com, gratuitement, tant que la charge token reste raisonnable.

Le point de départ, c’est une observation sur la facilitation de workshops en 2026. Depuis le Covid, on vit dans un monde hybride où les workshops mélangent régulièrement des participants présents sur place et des participants à distance. Sept personnes physiques autour d’une table, cinq connectées depuis chez elles. Les outils comme Miro, Mural ou Klaxoon sont puissants, mais ils imposent une contrainte insupportable. Tout le monde doit être connecté à un ordinateur, y compris ceux qui sont dans la même pièce. Vous passez votre temps à taper des post-it au lieu de vous regarder et débattre. Le format tue la dynamique naturelle du présentiel.

Et il y a une deuxième observation, plus importante. Les idées écrites sur les post-it perdent énormément de substance par rapport à ce qui a été dit dans la discussion. Un participant explique son idée pendant trois minutes, puis il résume sa pensée en dix mots sur un post-it. L’argumentation, les nuances, le contexte qui rendaient l’idée intéressante disparaissent. Souvent, on ne laisse même pas assez de temps aux participants pour expliquer vraiment ce qu’ils défendent. Le format pousse à l’écriture rapide, pas à la réflexion profonde. Or c’est précisément dans ces nuances que se joue la qualité des décisions qui sortent du workshop.

BoardBot part de ces deux constats. Je garde la méthodologie de facilitation classique, on reste sur un format présentiel avec des gens qui se parlent, sans obligation d’être tous sur un ordinateur. Mais l’outil écoute la conversation en temps réel, identifie qui parle par diarization, et génère automatiquement des post-it dans les bonnes catégories, idée, problème, action. Les participants voient leur propre pensée collective s’afficher sur un écran géant au fil de la discussion. C’est un effet miroir, très proche de ce qu’un Miro ou un Mural permet, sauf que personne n’a besoin de taper quoi que ce soit.

La propriété centrale, c’est que BoardBot ne travaille pas sur des bribes résumées. Il travaille sur le transcript complet. Il garde tout le contexte, toute la bande-son, toute l’argumentation. Le post-it qu’il génère est une synthèse, et toute synthèse LLM introduit un biais, je l’assume. Mais cette synthèse est adossée à la conversation complète, pas à quelques mots griffonnés à la volée. Et il y a un mécanisme que je trouve particulièrement utile, toutes les vingt secondes, BoardBot re-challenge son propre travail de structuration. Il relit ce qu’il a produit à la lumière de ce qui vient d’être dit, et s’il comprend que l’idée a évolué ou qu’il l’avait mal catégorisée, il la reformule ou la déplace. C’est un travail méta de recul que je lui demande d’exécuter en continu. L’évaporation des idées, qui est le vrai fléau des ateliers collectifs, diminue drastiquement.

La prochaine étape que je développe en ce moment, suggérée par quelqu’un qui utilise BoardBot sur ses propres workshops, c’est l’ajout d’une couche d’advisor temps réel. Un agent qui écoute la conversation et qui, quand il détecte une interrogation des participants sur un point précis, va interroger le World Model et revenir avec la réponse, ou avec le lien vers un document cité que personne ne retrouve. Ou qui remet sur le devant de la table une réflexion contradictoire quand un consensus trop rapide est en train de se former. C’est exactement la fonction d’advisor que j’ai décrite dans le framework, un participant augmenté dans la discussion, pas un facilitateur qui remplace l’humain.

BoardBot n’est pas un produit fini. C’est une application que j’ai construite avec Claude pour tester concrètement la thèse Voice-First. Architecture simple, capture audio, transcription, diarization, structuration LLM en post-it catégorisés, affichage miroir. Les briques sont toutes disponibles publiquement. Ce qui est intéressant, ce n’est pas la prouesse technique, il n’y en a pas. Ce qui est intéressant, c’est que ça fonctionne, que ça tient dans un workflow de workshop réel, et que la couche d’advisor temps réel qui arrive va brancher directement l’application à un World Model. Exactement l’architecture que décrit le framework.

Vous pouvez tester BoardBot pour vous faire une idée de ce que devient un workshop quand la voix est captée et structurée en temps réel. Je maintiens l’application ouverte jusqu’à ce que la charge token devienne insoutenable. Pas d’engagement au-delà. Mais pour l’instant, c’est gratuit et c’est là.

Ce que ça implique pour un directeur de l’innovation en 2026

Le directeur de l’innovation qui comprend ce point prend deux ans d’avance sur ceux qui attendent que leur data soit propre. Le premier investissement, ce n’est pas un data lake. C’est une infrastructure de capture vocale dans les espaces où l’innovation se pense.

Alors, je sais ce que vous allez me dire. La capture vocale en entreprise, c’est un cauchemar de gouvernance. Consentement RGPD, accord du CSE, politique de rétention, droit à l’oubli, confidentialité des échanges managériaux. Dans une banque, dans une industrie régulée, dans une entreprise publique, installer un Voice Layer prendrait des mois de négociation juridique et sociale. Je vous réponds que l’objection est juste. Mais c’est précisément pour ça que c’est une position stratégique.

La gouvernance, c’est le vrai blocage. Pas la technologie. Et c’est exactement ce qui en fait une bataille qui vaut la peine d’être menée. Les entreprises qui résolvent le problème de gouvernance en premier prennent une avance structurelle de plusieurs années sur celles qui attendent. La cellule d’innovation qui porte ce sujet, qui négocie le cadre, qui obtient le consentement éclairé, qui définit les garanties de confidentialité, qui pilote un périmètre volontaire, elle se positionne comme l’orchestratrice du sujet le plus sensible de l’entreprise. Ce n’est pas un handicap. C’est une position de pouvoir organisationnel.

Il y a un chemin progressif. Vous commencez par les conversations où le consentement est le plus facile à obtenir. Workshops d’innovation explicitement volontaires. Interviews d’experts. Réunions de projet où tous les participants sont alignés sur le sujet. Vous excluez explicitement les conversations sensibles, évaluations, discussions RH, négociations salariales, décisions managériales. Vous documentez le périmètre, vous garantissez la confidentialité, vous donnez un droit de retrait. Le pilote vocal ne concerne pas les conversations intimes de l’entreprise. Il concerne les conversations de conception qui se prêtent naturellement au consentement éclairé parce que toutes les parties prenantes ont intérêt à ce que ce qui se dit soit capté et exploité.

Le survey Mayfield 2026 rappelle l’enjeu de fond. Les leaders métiers représentent désormais 46% des décideurs d’achat d’outils IA, contre 38% pour les CIOs. Les directions métiers déploient leurs propres systèmes d’IA sans passer par la fonction innovation. Si celle-ci ne se positionne pas sur les sujets qui exigent à la fois une maîtrise technologique et une maîtrise organisationnelle, et le Voice Layer en est l’archétype, elle sera contournée par des approches plus fragmentées et moins bien gouvernées. Le sujet n’est pas de savoir si les conversations d’entreprise vont être captées. Elles vont l’être d’une manière ou d’une autre. Le sujet, c’est de savoir qui en portera le cadre.

5 actions pour installer le Voice Layer cette année

1. Cartographiez les conversations à forte densité de connaissance dans votre fonction innovation. Réunions de steering, workshops de cadrage, revues de POC, débriefs techniques, appels de sponsoring. Identifiez lesquelles sont récurrentes, lesquelles rassemblent les détenteurs de connaissance clé, et lesquelles se prêtent au consentement volontaire. Ce sont vos candidats pilotes pour le Voice Layer.

2. Définissez le cadre de gouvernance avant la technique. Consentement explicite, rétention, confidentialité, droit d’accès, droit de retrait. Ce travail va prendre plusieurs semaines et il va nécessiter le juridique, le DPO, et peut-être le CSE. Ne sautez pas cette étape. La gouvernance, ce n’est pas un frein à installer après coup. C’est la condition d’existence du projet.

3. Capturez la voix et transformez-la en transcripts documentés. C’est l’étage le plus simple, et c’est par là qu’il faut commencer. Vous installez un outil de capture et transcription sur un périmètre pilote volontaire. Les briques de référence aujourd’hui, c’est Noota, Whisper, ou l’équivalent intégré dans Teams et Zoom. Pour tester un format augmenté en temps réel pendant un workshop, vous pouvez essayer BoardBot (boardbot.onrender.com), l’application est en beta ouverte et elle illustre directement le mécanisme décrit plus haut dans l’article. Le coût technique est faible. L’objectif à cet étage, c’est de documenter méthodiquement les échanges oraux pour accumuler du contexte, ce que les Américains appellent avoir “du bon son”. Plus vous captez, plus votre matière première s’enrichit. Cette étape seule, sans aucun traitement supplémentaire, change déjà beaucoup de choses. Vous passez d’une mémoire collective qui repose sur trois cerveaux à une mémoire archivée que vous pouvez relire.

4. Capitalisez les transcripts dans un endroit unique et interrogeable. C’est ici que les choix s’ouvrent, et c’est ici que l’éthique et la politique de votre entreprise entrent en jeu. Vous avez plusieurs options, toutes viables, avec des arbitrages différents.

Option minimale : un simple dossier de transcripts centralisé dans le SharePoint ou le Confluence de votre équipe, avec une nomenclature cohérente (date, sujet, participants). Vous y branchez un LLM pour faire des synthèses à la demande, que ce soit un modèle interne de votre entreprise ou un modèle externe selon ce que votre politique autorise. Les grands comptes ont souvent aujourd’hui des modèles internes capables de produire des synthèses honnêtes et de réécrire des transcripts de manière exploitable, même s’ils ne sont pas au niveau des meilleurs modèles du marché pour d’autres tâches. Pour les petites structures, l’arbitrage est à faire entre le confort des géants de la tech et les contraintes de confidentialité.

Option intermédiaire : un RAG dédié qui indexe vos transcripts et vous permet de les interroger en langage naturel. Vous pouvez le construire avec NotebookLM si vous êtes à l’aise avec Google, avec Claude si vous êtes sur l’environnement Anthropic, ou avec une stack open source si vous avez les compétences internes. MCP (Model Context Protocol) est devenu la référence pour connecter des bases de connaissance à des modèles en 2026, et les plateformes managées l’intègrent nativement.

Option complète : un véritable World Model agentique qui ingère les transcripts en continu, les structure par projet, par personne, par décision, et devient interrogeable via une orchestration multi-agent. C’est ce que Claude Managed Agents, AgentForce ou les équivalents permettent de construire en quelques jours. C’est aussi le plus ambitieux et celui qui exige la gouvernance la plus robuste.

Dans les trois cas, le principe est le même. Vous transformez une masse de transcripts en une connaissance vivante. Je ne vais pas vous recommander une option plutôt qu’une autre. Ce serait idiot de ma part. L’arbitrage dépend de votre contexte, de votre politique de données, de la taille de votre entreprise, et de votre appétit pour la prise de risque technologique. Mais ce qui est sûr, c’est que sans cet étage de capitalisation, les transcripts restent des fichiers morts. Avec lui, ils deviennent la matière première d’un World Model.

5. Préparez la fonction Interviewer comme bras armé de votre World Model. C’est le vrai saut qualitatif, et c’est le point sur lequel je mise le plus. Une fois que votre World Model existe et qu’il ingère des transcripts en continu, il va inévitablement identifier des gaps. Des sujets sur lesquels il n’a pas assez de contexte. Des décisions dont il ne connaît pas la justification. Des projets abandonnés dont il ignore les raisons. Un World Model passif vous dira “je n’ai pas l’information”. Un World Model actif va chercher l’information.

L’Interviewer, c’est cette fonction de recherche active. Concrètement, c’est un agent qui fait ce qu’un humain ferait : il identifie les personnes qui détiennent probablement l’information manquante, il prend rendez-vous directement dans leur agenda, il prépare les questions à leur poser, il mène l’entretien avec une capture vocale, il transcrit, il intègre la réponse au World Model. La prochaine question similaire trouve la réponse.

Vous pouvez imaginer plusieurs formes. La plus simple, c’est un agent qui vous accompagne à chaque réunion importante, comme un Noota ou un équivalent, et qui transforme chaque échange en contexte exploitable. La plus avancée, c’est un agent semi-autonome qui décide de lui-même qu’il a besoin d’interviewer trois personnes cette semaine parce qu’il lui manque trois types d’informations critiques. Il consulte les agendas, propose des créneaux, envoie les invitations, mène les entretiens. L’humain valide ou corrige, mais l’initiative vient du système.

Cette fonction n’existe pas encore out-of-the-box dans les plateformes managées de 2026. Elle doit être construite. Mais c’est exactement le type de chantier que Claude Managed Agents ou AgentForce permettent de lancer en quelques jours plutôt qu’en mois. Et c’est, à mon avis, le vrai bras armé qui transformera un World Model de “mémoire archivée” à “intelligence active” au sens où Jack Dorsey l’entend. Sans cet agent, votre World Model reste un data lake vocal. Avec lui, il devient ce que Dorsey décrit : un router qui pousse la bonne information à la bonne personne au bon moment, ou qui sollicite la bonne personne au bon moment pour récupérer l’information manquante.

C’est ça, la vraie promesse. Et c’est ça, le chantier qui vaut la peine d’être lancé cette année.

Une dernière question pour vous, avant de fermer cet article. Si vous deviez lister les cinq conversations les plus importantes pour votre fonction (inno ou non) cette semaine, vous seriez capable de les nommer. Mais qu’est-ce qui reste, concrètement, de ces conversations, dans une base exploitable par un agent, d’ici lundi prochain ?

Oui, il y a des enjeux de sécurité.
Je vous propose de couvrir l’autre côté de la médaille.

Il y a un shift en train de se produire.

Discret. Pas encore mainstream. Mais réel.

Et il concerne tous ceux qui paient chaque mois pour des outils IA qu’ils utilisent à 20 % de leur capacité.

Voici ce que je vois venir.

Le problème qu’on ne nomme pas encore

Tu as combien d’abonnements IA actifs en ce moment ?

3 ? 5 ? 8 ?

Additionne.

29 + 49 + 19 + 39 + 29…

C’est ça, le millefeuille invisible.

Chaque outil résout un micro-besoin. Chaque micro-besoin coûte une ligne de budget. Chaque ligne s’accumule.

Et à la fin, tu loues des fonctionnalités que tu ne possèdes pas.

C’est le modèle dominant depuis 10 ans. Et il commence à craquer.

Le contexte : pourquoi maintenant ?

En novembre 2025, un développeur autrichien nommé Peter Steinberger lance un petit projet open-source appelé Clawdbot.

En 24 heures : 9 000 étoiles sur GitHub. En 8 semaines : plus de 100 000 étoiles. En février 2026 : 214 000 étoiles.

C’est OpenClaw.

Une croissance plus rapide que Docker, Kubernetes ou React à leurs débuts.

Pourquoi une telle viralité ?

Parce qu’OpenClaw fait une chose que les chatbots ne font pas.

Il agit. Pas juste répondre. Agir.

Qu’est-ce qu’OpenClaw, concrètement ?

OpenClaw est un agent IA open-source que tu installes sur ta propre machine.

Un Mac Mini. Un VPS. Un Raspberry Pi. N’importe quel système Linux.

Il tourne en permanence en arrière-plan. Il se connecte aux apps que tu utilises déjà : WhatsApp, Telegram, Slack, Discord. Il mémorise le contexte entre les sessions. Et il peut agir sans que tu sois là.

Un exemple qui circule dans la communauté : un développeur a demandé à son agent de négocier 4 200 dollars de remise sur un achat automobile par email.

Pendant qu’il dormait.

L’agent a négocié. Il a obtenu la remise.

Ce n’est pas de la science-fiction. C’est OpenClaw en production, aujourd’hui.

La différence fondamentale avec un chatbot classique :

• Un chatbot répond quand tu lui parles

• Un agent agit même quand tu ne lui parles pas

Le vrai intérêt ce que personne ne dit encore

L’intérêt d’OpenClaw ne se résume pas à “faire tourner un agent”.

C’est beaucoup plus radical.

C’est pouvoir faire tourner 1 app IA sans payer 1 abonnement de plus.

Puis 2. Puis 5. Puis 10.

Et d’un coup, ton Mac Mini devient une petite centrale électrique.

Pas une centrale à vapeur. Une centrale à SaaS killers.

Un utilisateur dans la communauté le résume mieux que moi :

“It will actually be the thing that nukes a ton of startups. The fact that it’s hackable and hostable on-prem will make sure tech like this dominates conventional SaaS.”

Le shift : de la location à la possession

Un nouveau modèle émerge.

Appelons-le la Blueprint Economy.

L’idée centrale : au lieu d’acheter l’accès à une app, tu achètes l’app elle-même — sous forme de blueprint exécutable que tu déploies sur ta propre infrastructure.

Un exemple concret.

Aujourd’hui, un AI browser comme Do Browser coûte 29 $/mois. Demain, tu pourrais acheter une fois le blueprint, le déployer sur ton propre stack, et supprimer cette ligne de coût définitivement.

Une app. Un paiement. Ton infra. Ton contrôle.

C’est une bascule de mentalité :

• On passe de “logiciel comme service” à “logiciel comme actif”

• On passe de louer des fonctionnalités à posséder des briques exécutables

• On passe de 12 abonnements empilés à 12 apps déployées

Les 4 couches du nouveau modèle

Le “one-time payment pur” est séduisant. Mais incomplet.

Voici comment le modèle tient vraiment debout.

🔲 Couche 1 — L’actif (one-time payment)

Tu achètes le blueprint.

C’est l’acquisition. C’est la porte d’entrée.

Prix typique : 49 € → 299 € selon la complexité.

Avantage : time-to-value immédiat, zéro abonnement pour exister.

Micro-action : identifie 1 outil que tu loues aujourd’hui et qui pourrait être remplacé par un blueprint local.

🔲 Couche 2 — La maintenance (optionnelle)

Les modèles évoluent. Les APIs changent. Les compatibilités bougent.

La maintenance annuelle n’est pas un abonnement déguisé. C’est le droit de continuer à évoluer facilement.

Ceux qui veulent figer leur usage : pas d’obligation. Ceux qui veulent rester à jour : un forfait annuel raisonnable.

Ce n’est pas “avoir accès”. C’est “continuer à progresser”.

Prix typique : 20–30 % du prix initial par an.

Micro-action : est-ce que tu paierais 59 €/an pour que ton outil le plus critique reste fonctionnel sans effort ?

🔲 Couche 3 — L’intégration (services premium)

Le blueprint brut, c’est bien. Le blueprint adapté à ton contexte, c’est mieux.

C’est là que les marges sont les plus solides.

ServicePrix indicatifInstallation guidée250 €Customisation900 €Connecteurs spécifiques1 500 €Support entreprise300 €/mois

C’est un pattern classique : quand un produit se commoditise, la mise en œuvre reste monétisable.

Micro-action : si tu vendais un blueprint demain, quel serait ton service premium évident derrière ?

🔲 Couche 4 — Le cloud managé (convenience)

Certains ne voudront jamais gérer d’infra.

Pour eux, une option “hébergé pour toi” reste légitime.

Amazon AWS propose déjà OpenClaw en déploiement one-click sur Lightsail.

Mais — et c’est essentiel — c’est un choix, pas une obligation.

Tu choisis ce que tu possèdes. Tu chooses ce que tu délègues. Tu choisis ce que tu loues.

Le vrai business model : le blueprint comme cheval de Troie

Le one-time payment n’est pas le modèle final.

C’est l’entrée.

Voici un funnel réaliste :

• 🎯 Blueprint solo : 49 € — acquisition, découverte, zéro risque

• 📦 Pack pro (3 apps) : 149 € — augmentation du panier

• 🔧 Installation + optimisation : 500 € — première conversion service

• 🏢 Version équipe : 1 500 € — expansion dans les organisations

• 🏷️ White label : 5 000 €+ — monétisation maximale

Ce n’est pas “one-time payment et basta”.

Le one-time payment est le cheval de Troie. L’argent sérieux est dans les couches suivantes.

Les limites à ne pas ignorer

Il serait malhonnête de ne pas les nommer.

Le setup reste technique. OpenClaw n’est pas une app qu’on installe en 30 secondes. Il faut de la curiosité, du temps, de la patience.

La maintenance existe. Un blueprint dépendant d’APIs ou de modèles IA évolutifs nécessite des mises à jour régulières.

Tous les SaaS ne seront pas tués. Les plateformes avec fort réseau, données propriétaires, conformité entreprise, intégrations profondes — elles sont beaucoup plus difficiles à remplacer. Ce sont les micro-SaaS mono-fonction à 19–49 €/mois qui sont en danger. Pas Salesforce.

Récapitulatif

La suite est réservée aux abonnés premium.

J’y détaille ce que ce shift change concrètement pour les entreprises : 5 use cases avec ROI calculé, le nouveau triangle de décision Build/Buy/Blueprint, et la thèse que personne ne formule encore — l’entreprise comme éditeur logiciel de ses propres processus.

Si tu veux voir les chiffres, les pièges, et les décisions à prendre maintenant — c’est juste en dessous.

🔒 PARTIE PREMIUM

Réservée aux abonnés Airparty · Si tu lis ceci, merci de ta confiance.

Ce que ce shift change vraiment — pour toi et ton organisation

Cas concrets, chiffres, décisions à prendre.

Jusqu’ici, on a posé le cadre.

Le shift est réel. Le modèle tient.

Mais la vraie question, c’est :

Qu’est-ce que ça change concrètement — pour toi, pour ton équipe, pour ton organisation ?

C’est ce qu’on explore maintenant.

Pas du framework de plus.

Des cas concrets, des chiffres, et les décisions que tu vas devoir prendre — certaines plus tôt que tu ne le penses.

Pourquoi les entreprises sont les premières concernées

On pense à tort que ce shift intéresse d’abord les solopreneurs et les geeks. C’est une erreur. Les solopreneurs voient le shift en premier. Mais c’est dans les entreprises que l’impact sera le plus structurant — et le plus violent. Parce qu’une entreprise de 50 personnes, c’est souvent :

• 30 à 80 abonnements SaaS actifs

• 15 à 25 outils IA en cours d’adoption

• Des milliers d’euros de licences par mois

• Et zéro propriété réelle sur aucun de ces actifs

L’éléphant dans la pièce : pourquoi ce n’est pas magique

Mais pour que ces comités vous écoutent, il faut être irréprochable sur la réalité technique.

Je ne suis pas là pour vous vendre une utopie où un Mac Mini à 600 € remplace toute votre DSI sans effort. Le déploiement d’agents autonomes en local a des limites physiques et sécuritaires qu’il faut regarder en face :

• L’illusion matérielle : Faire tourner un agent capable de raisonnement métier complexe (Legal, FinOps) demande une puissance de calcul colossale. La Blueprint Economy ne fait pas disparaître les coûts IT. Elle transforme des dépenses de location (Opex) en investissements d’infrastructure (Capex).

• L’enfer des APIs : La promesse du SaaS, c’est que quelqu’un d’autre répare le tuyau quand il fuit. Dans le monde réel, l’API de votre banque ou de votre ERP va évoluer. Un Blueprint n’est pas “Set-and-Forget”. Vous supprimez l’abonnement, mais vous assumez le Maintien en Conditions Opérationnelles (MCO).

• Le vertige probabiliste : Une IA générative est un système probabiliste. Elle peut halluciner. Donner des droits d’écriture à une IA (rembourser sur Stripe, modifier un contrat) est dangereux. Le “Human-in-the-loop” (l’humain qui valide l’action préparée par l’agent) est non-négociable au départ.

Ceci étant posé. La question n’est plus “Est-ce que c’est parfait ?” (ça ne l’est pas). La question est : “Sur quels processus suis-je prêt à assumer cette infrastructure pour reprendre le contrôle ?”

Voici comment ça se matérialise sur le terrain.

3 use cases “Cœur de métier” (La preuve par l’action), 7 autres en rafale.

Pour comprendre la puissance d’un Blueprint, il faut arrêter de penser “Chatbot qui répond” et commencer à penser “Agent qui agit”.

dans l’ordre :

Read more

Transcription vocale IA : le web de demain ne se clique pas, il s’explique

La fin du point and click n’est pas une métaphore. C’est une transition UX en cours, portée par la transcription vocale IA et des LLM capables d’absorber du contexte humain brut. Voici ce que ça change concrètement pour tous les business en ligne, et pourquoi ceux qui comprennent ça aujourd’hui ont 3 ans d’avance.

Pourquoi le paradigme point and click a vécu

Il y a un paradigme qui a régné 40 ans sur le web.

Et il est en train de mourir en silence.

Depuis 1984, depuis qu’Apple a mis une souris dans les mains du grand public, l’informatique repose sur un seul modèle.

Tu veux faire quelque chose ? Tu cliques.

Tu veux communiquer quelque chose à une machine ? Tu tapes.

Tu veux structurer une information ? Tu remplis un champ.

Toute l’économie numérique s’est construite là-dessus. Chaque SaaS. Chaque marketplace. Chaque plateforme. Chaque application.

40 ans de clics. 40 ans de formulaires. 40 ans d’interfaces qui demandent à l’humain de parler la langue de la machine.

Voilà ce que personne ne dit clairement.

Ce paradigme n’a jamais été une bonne idée.

C’était une contrainte technique déguisée en standard. On a demandé aux humains de structurer leur pensée pour que les machines puissent la traiter. On a appelé ça de l’UX.

Mais au fond, c’était toujours la même chose.

L’humain qui s’adapte à la machine.

Ce que les LLM manquent vraiment, et que la voix résout

Ce modèle est en train de s’inverser.

Pas progressivement. Brutalement.

Le vecteur de cette inversion, ce n’est pas l’IA générative seule. C’est la convergence de trois choses qui arrivent exactement maintenant.

1. La transcription vocale quasi parfaite.

2. Les LLM qui comprennent le langage naturel.

3. Des context windows capables d’absorber des monologues entiers.

Cette chaîne crée quelque chose de radicalement nouveau.

Une machine qui comprend l’humain quand il parle naturellement. Sans structure imposée. Sans champ à remplir. Sans menu à naviguer.

Formulaire vs voix : la différence de contexte en pratique

Les LLM ne manquent pas d’intelligence.

Ils manquent de contexte.

Quand tu remplis un formulaire, tu ne donnes pas de contexte. Tu réponds à des questions que quelqu’un d’autre a décidé de poser. Tu te plies à une logique qui n’est pas la tienne. Tu filtres. Tu simplifies. Tu perds l’essentiel en chemin.

Quand tu parles, tu racontes.

Aucun formulaire au monde ne capture ça aussi naturellement.

Voilà l’objection que j’entends déjà.

“Les gens ne vont pas parler à leur téléphone pour acheter, vendre, s’inscrire.”

Regarde autour de toi.

Les gens envoient des vocaux toute la journée sur WhatsApp. Ils dictent des messages en voiture. Ils parlent à des assistants même quand ces assistants répondent mal.

Le comportement est là depuis longtemps. L’interface adaptée arrive maintenant.

Les secteurs qui basculent en premier

Un point important avant d’aller plus loin.

La transcription vocale ne remplace pas les documents.

Elle les complète.

Dans la plupart des parcours, vous avez déjà des pièces à fournir, des justificatifs, des données chiffrées. Ça ne change pas. Ce que vous uploadez aujourd’hui, vous continuerez à l’uploader demain.

Mais entre votre situation réelle et ces documents, il y a un gouffre.

Un justificatif de revenus ne raconte pas pourquoi vous avez besoin de ce crédit. Un CV ne dit pas ce qui vous a vraiment poussé à changer de métier. Un bilan comptable ne décrit pas les frictions qui paralysent votre process métier.

C’est là que la voix intervient.

Elle capture ce que les documents ne peuvent pas capturer — le contexte, les nuances, l’histoire derrière le dossier.

Voix + documents = l’IA a tout ce dont elle a besoin.

Ce qui disparaît, c’est tout le reste. La saisie manuelle redondante. Les champs qui redemandent ce qui est déjà dans vos pièces. Les formulaires interminables qui ne font que transcrire ce que vous auriez dit en deux minutes.

Formulaires, onboarding, parcours clients

Ouvrir un compte bancaire. Souscrire une assurance. Demander un crédit. Déclarer un sinistre.

Aujourd’hui, ces parcours ont tous la même structure.

Vous uploadez vos documents. Puis on vous demande de ressaisir ce qui est déjà dedans. Dans des champs. Dans des cases. Dans des menus déroulants.

C’est ça, la friction inutile.

Demain : vous uploadez vos documents, vous décrivez votre situation à la voix.

“Je cherche un crédit pour financer une extension de mon local professionnel, j’ai un bilan solide sur 3 ans, mais mon secteur est saisonnier donc mes revenus sont irréguliers…”

L’IA croise les deux sources. Elle comprend le contexte que les documents ne montrent pas. Elle pré-remplit, qualifie, oriente.

Le formulaire ne sert plus à rien. Il disparaît.

🎯 Action concrète : identifiez dans votre parcours client le moment où vous demandez de ressaisir ce qui est déjà dans un document. C’est votre premier terrain d’expérimentation.

Knowledge work et gestion de projet

Un consultant qui cadre une mission. Un médecin qui recueille des antécédents. Un avocat qui instruit un dossier.

Dans tous ces cas, il y a deux types d’informations.

Ce qui est dans les documents — contrats, ordonnances, pièces du dossier.

Et ce qui n’y est pas — les tensions entre parties, les tentatives passées qui ont échoué, le contexte humain derrière le problème juridique.

Aujourd’hui, cette deuxième catégorie se perd. Dans des notes manuscrites. Dans des comptes rendus rédigés de mémoire. Dans des briefs incomplets.

Des outils comme Noota ou Firefly capturent déjà la voix en réunion. Intégrez le transcript dans un NotebookLM avec les documents du dossier, reliez à Claude — vous produisez des livrables structurés qui combinent les deux sources.

Cet article a commencé par 10 minutes de monologue vocal. Pas de plan, pas de structure. La transcription a capturé la pensée brute. Les documents de référence ont apporté le fond factuel. Quelques prompts ont fait le reste.

Le livrable ne se saisit plus. Il émerge de la combinaison des deux.

🎯 Action concrète : à votre prochaine réunion de cadrage, activez Noota. Croisez le transcript avec les documents du dossier dans NotebookLM. Comparez la qualité du compte rendu produit.

Recrutement et RH

Le CV documente le parcours.

Mais il ne dit pas pourquoi ce candidat a quitté ce poste. Ce qui l’a vraiment motivé dans telle mission. Comment il travaille concrètement au quotidien.

Ce contexte-là, aujourd’hui, on va le chercher en entretien — après avoir filtré sur le CV.

Demain : le candidat uploade son CV, puis décrit son parcours à la voix en 5 minutes.

L’IA croise les deux. Elle comprend la trajectoire au-delà des intitulés de poste. Elle identifie les signaux que le CV ne montre pas.

Les profils atypiques cessent de passer à la trappe. Le filtre devient intelligent plutôt qu’arbitraire.

Le recrutement ne se lit plus seulement. Il s’écoute aussi.

🎯 Action concrète : ajoutez une note vocale de 3 minutes à votre prochain process de candidature. Comparez la richesse des informations reçues.

Administration et services publics

Déclarer un accident du travail. Demander une aide sociale. Instruire un dossier de subvention.

Aujourd’hui : des Cerfa, des pièces justificatives, et entre les deux, des champs qui redemandent ce qui est déjà dans les documents.

La voix ne remplace pas les justificatifs.

Elle capture ce qu’ils ne contiennent pas — la situation réelle de la personne, le contexte du sinistre, les contraintes que le formulaire n’a pas prévu de demander.

Un usager qui uploade ses pièces et décrit sa situation à la voix en 10 minutes fournit à l’administration tout ce qu’elle met des semaines à collecter par courrier et relances.

Le dossier ne se remplit plus. Il se constitue.

🎯 Action concrète : identifiez dans votre organisation le formulaire le plus abandonné. Demandez-vous ce qu’une description vocale de 5 minutes apporterait en plus des documents déjà collectés.

Le paradoxe que personne ne voit encore

On pensait que l’IA allait dévaluer ce que les humains produisent.

C’est l’inverse.

Plus l’IA devient puissante, plus ce que l’humain exprime spontanément, sans filtre, sans structure imposée, juste en parlant librement, devient précieux.

Le contexte brut est la nouvelle ressource rare du web.

Pas les données structurées. Pas les formulaires remplis. Pas les champs normalisés.

La parole libre.

Les business qui vont dominer les 5 prochaines années ne sont pas ceux qui ajoutent une couche d’IA sur leurs interfaces existantes. Ce sont ceux qui posent une question radicale dès maintenant.

“Et si on supprimait complètement le besoin de cliquer ?”

Dans 5 ans, naviguer dans des menus déroulants paraîtra aussi archaïque qu’envoyer un fax.

On se souviendra qu’on a vécu avec ça.

Et on ne comprendra pas pourquoi on a attendu si longtemps.

Abonnez-vous maintenant

Dans le dernier épisode du podcast Startup Ideas de Greg Eisenberg, Nick (fondateur d’Orgo) dévoile sa méthode complète pour transformer OpenClaw en machine à cash — pas en jouet. Pas de théorie. Du tactique, du live build, des vrais montants. J’ai décortiqué l’épisode pour vous en extraire le playbook complet. Tout le crédit leur revient — je ne fais que structurer et traduire la sauce.

La plupart des gens utilisent OpenClaw comme un assistant personnel sympa.

Ils lui demandent d’envoyer un email. De résumer un article. De faire une recherche Google.

C’est mignon.

Mais pendant ce temps, une poignée de builders facturent 1 000 $, 3 000 $, 5 000 $ par projet — en déployant OpenClaw comme un employé digital dans de vraies entreprises.

La différence entre les deux ?

Les premiers jouent avec un outil. Les seconds construisent un actif qui génère du cash.

Voici exactement comment passer du premier groupe au second — en 8 étapes.

🧠 Le déclic à avoir avant de commencer

Retirez le mot “OpenClaw” de la conversation.

Remplacez-le par “un très bon employé”.

• Travaille 24h/24, 7j/7

• Sait coder

• Peut recevoir des instructions par SMS

• A son propre ordinateur

• Peut planifier et exécuter des tâches seul

Quand vous le voyez comme ça, la question n’est plus “est-ce que c’est utile ?”

La question devient : “combien d’employés comme ça je peux déployer ?”

Étape 1 — Installez votre “bureau” d’agents

Vous avez besoin d’un espace où vos agents tournent en permanence.

Les options :

• Mac Mini chez vous (1 instance)

• VM cloud type Orgo, Manis, Kimmy (5 à 10 instances en parallèle)

• N’importe quel serveur Linux avec un terminal

L’idée clé : vous ne voulez pas un agent. Vous voulez un workspace avec 5 à 10 machines visibles sur un seul écran.

Pourquoi ? Parce qu’OpenClaw peut spawner des sub-agents. Chaque sub-agent = un mini-employé spécialisé qui tourne sur sa propre machine.

🎯 Micro-action : Installez OpenClaw sur une première machine. Ça prend littéralement un copier-coller d’une commande curl dans le terminal. C’est tout.

Étape 2 — Choisissez UN workflow ennuyeux dans UNE industrie

C’est ici que 90 % des gens se plantent.

Ils veulent tout automatiser pour tout le monde. Résultat : ils n’automatisent rien pour personne.

La bonne approche s’appelle le design thinking appliqué à l’automatisation :

1. Listez toutes les tâches répétitives d’un business

2. Classez-les sur deux axes : valeur créée vs effort nécessaire

3. Commencez par le coin magique : haute valeur + faible effort

Exemples concrets de workflows “ennuyeux” mais rentables :

Industrie Workflow Ce que fait l’agent Distributeurs Recherche produits Visite un site legacy → télécharge les fiches → parse les données → upload dans Zoho CRM Immobilier Veille marché Scrute les nouvelles annonces → compare aux critères client → envoie un résumé quotidien Cabinets d’avocats Gestion docs Extrait les infos clés de PDFs → remplit des formulaires → classe dans le bon dossier Assurance Traitement sinistres Lit les emails entrants → catégorise → pré-remplit les dossiers

🎯 Micro-action : Choisissez UNE industrie où vous avez un avantage injuste (votre mère est agent immobilier ? Votre oncle a une boîte de distribution ? Commencez là).

Étape 3 — Cartographiez le workflow de bout en bout

Le superpouvoir d’OpenClaw par rapport aux anciens outils RPA : il peut faire le job du début à la fin.

Avant, vous automatisiez 50 % du process, puis vous deviez copier-coller manuellement le reste. C’est fini.

Votre cartographie doit suivre ce schéma :

TRIGGER → ACTION 1 → ACTION 2 → ACTION 3 → RÉSULTAT

Exemple réel du podcast :

Email reçu (CC l'agent)
    → Détecte un lien produit dans l'email
    → Va sur le site du fournisseur (interface legacy, pas d'API)
    → Clique, navigue, télécharge les fiches produits
    → Parse toutes les infos (prix, specs, références)
    → Upload le tout dans Zoho CRM
    → Confirme par email que c'est fait

Utilisez Figma, Excalidraw, TLDraw, ou même un simple diagramme Mermaid.

Conseil pro : Enregistrez vos appels clients avec Gemini pour Google Meet ou Granola. Uploadez le transcript. Demandez à l’IA : “Quel est le workflow étape par étape à automatiser ici ?”

🎯 Micro-action : Prenez votre workflow choisi et dessinez-le en 5 à 8 étapes sur une feuille de papier. Du trigger jusqu’au résultat final.

Étape 4 — Construisez le pipeline “sous le capot” avec Claude Code

Voici l’erreur classique : tout déléguer à OpenClaw en mode “clique partout”.

C’est lent. C’est fragile. Ça casse.

La bonne architecture :

• OpenClaw = l’opérateur + le déclencheur (il écoute les triggers, lance les tâches)

• Claude Code = l’usine (il construit les scripts Python, les vrais pipelines d’automatisation)

• Sub-agents = la main d’œuvre spécialisée

Concrètement :

OpenClaw met en place un cron job qui écoute un trigger (un email, un message Telegram, un webhook). Quand le trigger se déclenche, il n’essaie pas de tout faire lui-même en cliquant sur l’écran. Il lance un script Python dédié qui fait le gros du travail.

Pensez-y comme un manager : il ne fait pas le travail lui-même. Il sait qui appeler et quand.

🎯 Micro-action : Demandez à OpenClaw : “Je veux automatiser [workflow]. Pose-moi des questions pour comprendre ce qu’il te faut avant de commencer.” Toujours commencer par ça. Toujours.

Étape 5 — Productisez votre offre

Vous avez un workflow qui marche pour un client ?

Ne vendez pas “une automatisation”.

Vendez un package :

📦 Offre type :
├── Setup initial (installation + configuration)
├── 30 jours de management inclus
├── 1 nouveau workflow ajouté par semaine
├── Dashboard de suivi
└── Support Telegram/email

Pourquoi un package et pas du one-shot ?

• Le client paie pour un résultat, pas pour une heure de travail

• Vous créez du revenu récurrent

• Chaque nouveau workflow ajouté augmente la valeur du workspace

• Le client devient dépendant (dans le bon sens) de votre système

🎯 Micro-action : Rédigez une offre en une page avec : le problème résolu, les 3 à 5 livrables, le prix, la durée d’engagement minimum.

Étape 6 — Utilisez Upwork comme source de leads ET comme bac à sable

Upwork est sous-estimé pour cette stratégie. Voici pourquoi :

Il vous dit exactement ce que les gens paient, maintenant.

Cherchez “robotic process automation” ou “AI automation” sur Upwork.

Vous allez trouver :

• Des jobs à 500 $, 1 000 $, 5 000 $, 20 000 $

• Les descriptions exactes de ce que les clients veulent

• Le budget qu’ils sont prêts à payer

La tactique concrète (tirée du podcast) :

1. Spawner 4 sub-agents OpenClaw

2. Chaque sub-agent cherche des jobs différents sur Upwork

3. Ils construisent des mini-démos pour chaque job

4. Vous sélectionnez les meilleurs

5. Vous envoyez la proposition avec la démo déjà faite

Vous répondez à un appel d’offres avec le travail déjà commencé. Le taux de conversion explose.

🎯 Micro-action : Allez sur Upwork maintenant. Tapez “automation” + votre industrie choisie. Notez les 3 jobs les mieux payés. Copiez les descriptions.

Étape 7 — Transformez votre meilleur workflow en workspace vertical

Après 5 à 10 missions payées dans la même industrie, vous avez :

• Des workflows testés et debuggés

• Des cas d’usage concrets

• Des chiffres de performance réels

C’est le moment de scaler.

Construisez un workspace vertical :

🏭 Workspace "Automatisation Distributeurs"
├── 20 skills spécialisés
├── 8 sub-agents configurés
├── Workflows documentés
├── Un seul lien d'invitation
└── Le client arrive → tout est prêt

Le client n’achète plus “un freelance qui automatise des trucs”.

Il achète une équipe d’employés IA prête à l’emploi pour son industrie.

C’est la différence entre vendre des heures et vendre un produit.

🎯 Micro-action : Pour chaque mission terminée, documentez : le workflow, le temps gagné, les résultats obtenus. Ce sont vos futures études de cas.

Étape 8 — Vendez aux grandes entreprises comme “des employés IA pour ce département”

Les grandes entreprises n’achètent pas des outils. Elles achètent des résultats avec des engagements clairs.

Votre pitch passe de :

❌ “Je peux automatiser des trucs avec l’IA”

À :

✅ “Je déploie 8 employés IA dans votre département logistique. Résultat garanti : 12h/semaine économisées, 5 000 fiches traitées par jour, 80 % d’erreurs en moins. SLA inclus.”

C’est achetable. C’est compréhensible. Le procurement sait quoi en faire.

🎯 Micro-action : Transformez vos résultats Upwork en 3 études de cas format : “Problème → Solution → Résultat chiffré”. C’est votre arme de vente n°1.

📋 Récap : la stack complète

Élément Rôle OpenClaw Le wrapper — l’opérateur qui orchestre tout Claude Code L’usine — construit les pipelines et les scripts Sub-agents / Skills La main d’œuvre — exécute les tâches spécialisées Le bundle vertical Le produit — ce que vous vendez

🔄 Le flywheel : d’un gig Upwork à un vrai business

Gig Upwork à 1 000 $
    → Vous donne des reps payées + la preuve que quelqu'un paie
    → Les reps deviennent des études de cas
       ("12h/semaine économisées", "5k fiches/jour", "−80 % d'erreurs")
    → Vous empilez 5-10 workflows dans la même verticale
    → Vous vendez un package, pas un one-shot
    → Les grandes entreprises achètent des packages
       (le procurement comprend les scopes + les résultats)
    → Vous avez un business

Le mot de la fin

Les agents sont le nouveau SaaS.

Avant, on créait du logiciel et on invitait les clients à appuyer sur les boutons.

Maintenant, on crée des agents et on invite les clients à recevoir les résultats.

OpenClaw est encore à ses débuts. Le moment “ChatGPT” du computer use vient de commencer. Les gens commencent à peine à en parler sur TikTok.

Ceux qui agissent maintenant — qui choisissent une verticale, qui construisent les workflows, qui accumulent les études de cas — seront impossibles à rattraper dans 6 mois.

Le meilleur moment pour commencer, c’était il y a 3 semaines.

Le deuxième meilleur moment, c’est maintenant.

💬 Et vous, vous en êtes où ?

J’aimerais sincèrement savoir :

• Vous avez déjà testé OpenClaw ? C’est quoi votre setup ? Mac Mini, VM, autre chose ?

• Vous avez une industrie en tête ? Un workflow que vous aimeriez automatiser ?

• Vous pensez que c’est du hype ou une vraie opportunité ?

Pas de mauvaise réponse. On est tous en train de découvrir ce truc en même temps.

Ce qui est sûr, c’est que les gens qui expérimentent maintenant — même maladroitement — auront 6 mois d’avance sur ceux qui attendent que ce soit “prêt”.

Dites-moi en commentaire où vous en êtes. Et si cet article vous a donné une idée concrète, partagez-le à quelqu’un qui devrait le lire.

On construit ensemble. 🔧

Cet article est basé sur une conversation entre Greg Eisenberg (Late Checkout) et Nick sur le podcast Startup Ideas. Le transcript complet et la vidéo sont disponibles sur la chaîne YouTube @startupideaspod

La culture hacker ne s’importe pas. Elle se construit.

Je suis Alexandre Durand-Chabert, Innovation Architect chez Devoteam AI Apps.

Mon rôle : transformer votre rapport à l’innovation avec l’IA comme levier.

Pas de slides. De l’infrastructure opérationnelle.

Derrière moi : une équipe de 30 développeurs GenAI pour exécuter.

Echangeons sur votre contexte

30 minutes pour aborder vos blocages structurels et initier un système d’innovation qui produit réellement.

Pendant un siècle, l’équation du conseil a tenu : Intelligence = temps d’expert × tarif journalier.

Cette équation est en train de s’effondrer.

McKinsey a déployé 12 000 agents IA pour 40 000 collaborateurs. Le BCG tire 20 % de son CA de l’IA (objectif : 40 % d’ici 2026). Accenture a formé 30 000 professionnels avec Anthropic et investi 3 milliards $ dans sa practice Data & AI.

Ce ne sont plus des expérimentations. C’est une mutation structurelle.

Dans cet article :

• 📌 Pourquoi le modèle “vente d’heures” atteint 3 limites en même temps

• 🤖 Ce que l’IA agentique change (et pourquoi c’est différent du ChatGPT de 2023)

• 💡 Les 4 nouveaux modèles économiques qui émergent

• 🔮 Les 5 mutations structurelles à anticiper

• 🚫 Les 4 risques que personne ne veut voir

• 🎯 Ce que les cabinets de taille moyenne peuvent faire dès maintenant

C’est parti. ⬇️

🔴 3 raisons pour lesquelles le modèle “vente d’heures” craque

Raison 1 : La productivité explose, les prix ne bougent pas

L’IA générative a créé un phénomène inédit :

• La productivité interne a bondi de 30 à 40 % sur la recherche, l’analyse et la production de livrables

• L’outil McKinsey (Lilli) traite 500 000+ requêtes/mois et économise ~30 % du temps de recherche

• Mais les tarifs journaliers n’ont pas baissé d’un centime

Les directions achats commencent à poser LA question :

Si une analyse qui prenait 5 jours n’en prend plus que 2 grâce à vos outils IA, pourquoi facturez-vous encore 5 jours ?

Le modèle temps-homme devient indéfendable quand l’effort n’est plus corrélé à la valeur produite.

📎 Micro-action : si vous êtes côté client, demandez à votre cabinet la part de travail assistée par IA dans leur dernier livrable. La réponse (ou l’absence de réponse) est révélatrice.

Raison 2 : Les clients construisent leurs propres capacités

Mouvement plus discret, tout aussi puissant :

• Les entreprises recrutent des data scientists en interne

• Elles déploient des plateformes d’IA générative en propre

• Elles automatisent ce qui était sous-traité : études de marché, benchmarks, analyses de données, premiers drafts de recos

🎯 Le signal faible : quand un directeur financier peut interroger ses données en langage naturel, le besoin d’un consultant junior pour produire un tableau Excel s’évapore.

Raison 3 : Les nouveaux entrants cassent les codes

Une nouvelle génération de “cabinets IA-natifs” émerge :

• Xavier AI (fondé par un ex-McKinsey) → “consultant stratégique accessible à tous”, analyses structurées à une fraction du coût

• Nexstrat.ai (cofondé par un ex-Bain) → automatise le raisonnement hypothético-déductif du conseil

Ces acteurs ne cherchent pas à remplacer le partner. Ils rendent obsolète la base de la pyramide.

📎 Micro-action : testez Xavier AI ou Nexstrat.ai sur un cas récent. Comparez la qualité de l’output avec ce que votre équipe junior produirait en 3 jours. Le gap se réduit plus vite que vous ne le pensez.

⚡ L’IA agentique : le vrai basculement

Oubliez le ChatGPT de 2023.

Le vrai shift, c’est l’IA agentique : des systèmes capables d’observer, planifier, exécuter et apprendre de manière autonome. Plusieurs étapes. Sans intervention humaine.

Le BCG résume l’évolution en 3 vagues :

Vague Type d’IA Valeur créée 1 Prédictive Fonctions décisionnelles 2 Générative Production de contenu et de connaissance 3 Agentique Fonctions d’exécution (processus)

Exemples concrets :

• Un chantier naval : -40 % d’efforts d’ingénierie, -60 % de délais de conception (agents de design multi-étapes)

• Un opérateur télécom : ×5 sur les ventes digitales (agents envoyant 40 000 messages/jour)

Ce que ça change pour le conseil

Un agent IA peut désormais enchaîner :

1. Ingérer les données financières d’un client

2. Les croiser avec des benchmarks sectoriels

3. Identifier les écarts de performance

4. Structurer une hypothèse (pyramid principle)

5. Générer un premier draft de recommandation

6. Préparer un deck de 30 slides

En quelques heures. Au lieu de plusieurs semaines.

Ce n’est plus de l’assistance. C’est de l’exécution autonome d’une chaîne de valeur intellectuelle.

📎 Micro-action : identifiez dans votre cabinet le workflow qui consomme le plus de temps junior. Estimez combien d’étapes pourraient être enchaînées par un agent. Si c’est plus de 3, vous avez un candidat à l’automatisation agentique.

💡 Les 4 nouveaux modèles économiques

L’actif caché des cabinets : des décennies de méthodologies, frameworks, cas clients et benchmarks. McKinsey a construit son propre knowledge management. Le BCG a créé BCG X (3 000 ingénieurs). Bain a développé 19 000+ GPTs personnalisés en interne.

Ce savoir-faire, historiquement délivré par des humains à 2 500 €/jour, peut désormais être encapsulé dans des agents spécialisés.

Voici les 4 modèles qui émergent :

Modèle 1 : Subscription (SaaS du conseil) 📦

Principe : agents IA métier en accès continu, abonnement mensuel ou annuel.

Le client paie pour un accès permanent à l’expertise, pas pour des interventions ponctuelles.

Qui le fait déjà :

• Deloitte → “AI Factory as a Service” (partenariat NVIDIA + Oracle)

• KPMG → 2 milliards $ sur 5 ans avec Microsoft, agents intégrés à la plateforme d’audit Clara

📎 Micro-action : listez vos 3 méthodologies propriétaires les plus demandées. Demandez-vous : “Est-ce que je pourrais les transformer en un agent accessible en self-service ?”

Modèle 2 : Outcome-based (paiement au résultat) 🎯

Principe : l’agent est facturé aux résultats produits — nombre de rapports, économies identifiées, deals analysés.

Alignement parfait des intérêts cabinet/client.

La tarification au résultat est discutée depuis des années dans le conseil. L’IA agentique est le catalyseur qui la rend enfin opérationnelle.

Modèle 3 : Hybride (conseil + agents intégrés) 🤝

Principe : le partner intervient sur la stratégie et la relation client. Le delivery est largement automatisé par des agents.

Le “New Management Stack” :

• L’IA gère la coordination et l’exécution

• L’humain se concentre sur la stratégie et les parties prenantes

Moins de consultants, même valeur perçue (voire plus).

Modèle 4 : Marketplace (plateforme d’agents spécialisés) 🏪

Principe : le cabinet devient une plateforme qui distribue des agents à la carte.

• Client en restructuration → active l’agent “plan de transformation”

• Client en croissance externe → active l’agent “screening d’acquisition”

L’effet réseau crée des barrières à l’entrée considérables.

🔮 Les 5 mutations structurelles à anticiper

1. La pyramide s’aplatit (mais ne disparaît pas)

Le modèle “obélisque” (Harvard Business Review) émerge :

• Équipes plus petites, moins de couches

• Nouveaux rôles : “AI facilitators” (experts des pipelines IA), “engagement architects” (orchestrateurs de missions augmentées)

• Les tâches junior (recherche, compilation, formatage) sont absorbées par les agents

Ce qui reste irréductiblement humain : la formation des futurs partners, le jugement contextuel, la gestion des dynamiques de pouvoir chez le client.

2. Le pricing bascule de l’input à l’output

La facturation au temps-homme est condamnée à moyen terme pour les activités automatisables.

Direction : modèles hybrides (abonnement de base + variable indexé sur la valeur délivrée).

• Les cabinets qui réussissent cette transition → captent plus de valeur

• Ceux qui s’accrochent au modèle historique → voient leurs contrats rétrécir mécaniquement

3. La data propriétaire devient l’avantage concurrentiel décisif

Tout le monde a accès aux mêmes modèles (GPT, Claude, Gemini).

Ce qui différencie un agent McKinsey d’un agent générique : le corpus sur lequel il a été entraîné.

Des décennies de cas clients, benchmarks propriétaires et méthodologies raffinées = un fossé compétitif impossible à répliquer pour les nouveaux entrants.

📎 Micro-action : auditez votre capital intellectuel. Combien de vos méthodologies sont documentées, structurées et exploitables par une IA ? Si la réponse est “peu”, vous avez un chantier prioritaire.

4. Le profil des consultants se transforme

Les chiffres parlent :

• Accenture : 30 000 professionnels formés aux technos Anthropic

• BCG : 1 200 “ground troops” dédiées à l’adoption IA quotidienne

• McKinsey : 70 %+ des effectifs formés à Lilli

Le consultant de demain n’est pas un expert IA. Il est nativement fluent dans l’orchestration d’agents.

Le vrai différenciateur reste le jugement : savoir quand l’agent a raison, quand il hallucine, et quand le contexte politique du client invalide une recommandation techniquement parfaite.

5. La frontière cabinet / éditeur de logiciel s’efface

C’est la mutation la plus profonde.

• BCG crée BCG X (3 000 ingénieurs, produits IA vendus aux clients)

• Deloitte lance “AI Factory as a Service”

• McKinsey investit massivement dans QuantumBlack (5 000 experts IA) et acquiert des sociétés de MLOps

Ces organisations ne sont plus des cabinets au sens classique. Elles deviennent des éditeurs de solutions technologiques avec un canal de distribution unique : la relation de confiance avec le C-suite.

🎯 Ce que les cabinets de taille moyenne peuvent faire

La course aux agents n’est PAS réservée aux MBB et Big Four.

Vous avez 4 atouts spécifiques :

1. L’hyper-spécialisation sectorielle 🔬 Un cabinet de 200 personnes spécialisé énergie, santé ou finance peut construire des agents métier d’une profondeur que les généralistes ne peuvent pas égaler. La verticalisation est la stratégie gagnante.

2. L’agilité de déploiement ⚡ McKinsey met 18 mois à déployer une initiative globale. Vous pouvez lancer un agent en production en 6 à 12 semaines.

3. La proximité client 🤝 Co-création. Agents sur-mesure entraînés sur les données et processus spécifiques du client. Les grands cabinets, par leur taille, ne peuvent pas répliquer ça.

4. La flexibilité tarifaire 💰 Facturation à l’usage, forfaits mensuels, success fees. Les grandes firmes, engluées dans leurs structures de partnership, peinent à expérimenter.

📎 Micro-action : choisissez UNE expertise sectorielle forte dans votre cabinet. Identifiez le workflow le plus répétitif dans cette expertise. C’est votre premier candidat agent.

🚫 Les 4 risques que personne ne veut voir

Risque 1 : La confidentialité des données clients 🔒

Un agent entraîné sur des données de mission passées doit être déployé avec une gouvernance irréprochable. Les données client ne transitent pas par des modèles tiers sans accord explicite.

Risque 2 : La qualité des outputs 🎯

Le rappel Deloitte Australie : un rapport de 290 000 $ contenant des hallucinations IA. Remboursement partiel obligé. L’humain dans la boucle n’est pas optionnel.

Risque 3 : La commoditisation ⚠️

Si tout le monde vend des agents sur les mêmes modèles (GPT, Claude), comment se différencier ? Réponse : la propriété intellectuelle métier, la qualité des données d’entraînement et la profondeur sectorielle. Pas la tech sous-jacente.

Risque 4 : Le risque social 👥

Étude Stanford (août 2025) : les emplois junior sont les plus touchés, -16 % depuis fin 2022. Le conseil est parmi les secteurs les plus impactés.

Les cabinets doivent repenser formation et progression de carrière. Sinon : une génération de consultants techniquement rapides mais fragiles en jugement.

📊 Récap : la transformation en un coup d’œil

Avant Après Vente d’heures Vente d’intelligence embarquée Livrable PowerPoint Agent IA autonome Pricing au temps-homme Pricing au résultat Pyramide hiérarchique Modèle obélisque Data = sous-produit de missions Data = actif stratégique Consultant = exécutant expert Consultant = orchestrateur d’agents Cabinet de conseil Éditeur de solutions + cabinet

✅ Checklist : votre cabinet est-il prêt ?

• [ ] Nos méthodologies propriétaires sont documentées et structurées pour être exploitables par une IA

• [ ] Nous avons identifié nos 3 workflows les plus automatisables

• [ ] Nous avons un premier agent en test (même minimal)

• [ ] Nous avons une politique de gouvernance data pour les agents

• [ ] Nous formons nos consultants à l’orchestration d’agents (pas juste au prompting)

• [ ] Nous avons modélisé un pricing alternatif (subscription, outcome-based ou hybride)

• [ ] Nous avons une date de décision pour notre stratégie agent (pas “un jour”)

Score :

• 5-7 cochés → vous pilotez la transformation

• 3-4 cochés → vous êtes en mouvement, accélérez

• 0-2 cochés → la fenêtre se referme

📚 Sources

Harvard Business Review (sept. 2025) · McKinsey State of AI (nov. 2025) · BCG Agents Report (déc. 2025) · Accenture × Anthropic (déc. 2025) · Simon-Kucher Pricing Reports (2024-2025) · ConsultingQuest (nov. 2025) · Stanford Employment Study (août 2025) · Business Insider AI Consulting (nov. 2025)

La question n’est plus de savoir si cette transformation aura lieu. Elle est déjà en cours.

La question est : votre cabinet sera-t-il parmi ceux qui la pilotent, ou parmi ceux qui la subissent ?

La culture hacker ne s’importe pas. Elle se construit.

Je suis Alexandre Durand-Chabert, Innovation Architect chez Devoteam AI Apps.

Mon rôle : transformer votre rapport à l’innovation avec l’IA comme levier. Pas de slides. De l’infrastructure opérationnelle. Derrière moi : une équipe de 30 développeurs GenAI pour exécuter.

→ Échangeons sur votre contexte 30 minutes pour diagnostiquer vos blocages structurels et dessiner un système d’innovation qui produit réellement.

♻️ Trouvé utile ? Repostez pour votre réseau. Un partner quelque part a besoin de lire ça.

Votre équipe sait livrer. Elle l’a prouvé. Mais quand elle attaque un POC innovation avec les mêmes réflexes qu’une V1 classique, elle produit un bel objet technique que personne n’attendait.

Dans cet article :

• Pourquoi le même process d’idéation produit de la fiabilité en V1 et de l’aveuglement en POC innovation

• Les 5 lignes de fracture entre les deux modes (point de départ, risque, livrables, posture d’équipe, rapport au temps)

• Une grille de décision en 3 questions pour savoir dans quel mode vous êtes avant d’entrer en salle

• Les 4 erreurs récurrentes qui sabotent les POC, y compris celle dont personne ne parle : le storytelling des résultats vers le COMEX

• Un tableau de synthèse à garder sous le coude

Le degré d’incertitude change tout

Tim Herbig, praticien reconnu du Product Discovery, pose un principe limpide : c’est le degré d’incertitude qui détermine si vous devez explorer ou exécuter. Pas la taille du projet. Pas le budget.

Marty Cagan (Silicon Valley Product Group) martèle la même idée depuis 20 ans. Découvrir le bon produit et bien le construire sont deux activités distinctes. Deux logiques. Deux définitions du succès.

Tout le monde acquiesce en conférence. Presque personne ne change ses sessions d’idéation en conséquence.

Bon, concrètement, qu’est-ce qui change ?

Ce qu’on pose sur la table

En V1 classique, l’idéation démarre avec un périmètre fonctionnel. Le besoin est documenté. La demande est validée. La question : comment on va le construire ?

En POC innovation, l’idéation démarre avec un problème flou. On ne sait pas si ce problème est réel pour la cible. On ne sait pas si quelqu’un paierait pour la solution. La question : est-ce que ça vaut le coup de construire quoi que ce soit ?

En V1, on fait du story mapping. En POC, on fait du problem framing et du Jobs-to-Be-Done. Confondre les deux revient à répondre à “est-ce qu’on devrait creuser ici ?” par “voici le plan de la maison”.

Aristote faisait déjà une distinction utile dans l’Éthique à Nicomaque entre episteme (la connaissance de ce qui est stable) et phronesis (la sagesse pratique face à l’incertain). L’idéation V1 mobilise la première. L’idéation POC mobilise la seconde. Ce ne sont pas les mêmes facultés intellectuelles.

Le risque qu’on cherche à réduire

En V1, le risque dominant est technique. L’architecture tiendra-t-elle ? Peut-on livrer dans les temps ? L’idéation sert à anticiper les obstacles d’exécution.

En POC innovation, le risque dominant est un risque de valeur. Est-ce que quelqu’un veut cette chose ? Le problème est-il assez douloureux pour justifier un changement de comportement ?

Ash Maurya, créateur du Lean Canvas, le formule directement : le vrai job d’un innovateur, c’est de dé-risquer systématiquement un business model. Lister les croyances non vérifiées. Les hiérarchiser. Concevoir des expériences pour les tester. C’est de l’assumption mapping, ça n’a rien à voir avec du sprint planning.

La posture déstabilise les équipes habituées au Delivery. Le danger, ce n’est pas de mal construire. C’est d’investir trois mois sur un problème fictif.

Read more

J’observe quelque chose de fascinant dans les organisations depuis quelques années. Elles organisent des hackathons. Elles recrutent des profils « startup ». Elles parlent d’agilité, d’expérimentation, de « fail fast ». Elles veulent les résultats de la culture hacker.

Mais elles refusent systématiquement les conditions qui les produisent.

Ce n’est pas un hasard. Ce n’est pas un bug. C’est structurel. Les entreprises veulent l’innovation rapide, l’autonomie, la créativité. Mais elles ne peuvent pas accepter le chaos, l’échec répété, la remise en question permanente des processus. On ne peut pas avoir l’un sans l’autre.

Pour comprendre ce paradoxe, il faut d’abord comprendre ce qu’est vraiment la culture hacker. Pas sa version marketing. Pas sa version édulcorée pour slides PowerPoint. La vraie.

Ce que la culture hacker a vraiment construit

La culture hacker naît dans les années 1960 au MIT. Des étudiants passent leurs nuits à explorer les premiers ordinateurs. Pas pour obéir à un cahier des charges. Pas pour respecter un planning. Pour comprendre.

Le terme « hacker » ne désigne pas un pirate informatique. Il désigne quelqu’un qui cherche à comprendre comment les systèmes fonctionnent, qui les modifie, qui teste, qui recommence. Sans permission. Sans validation préalable.

Deux ouvrages permettent de saisir cette période. Hackers: Heroes of the Computer Revolution de Steven Levy (1984) décrit ces premiers groupes. Ils partageaient le code. Ils refusaient les barrières artificielles. Ils voulaient comprendre chaque détail technique, même quand ça n’avait aucune utilité immédiate.

The Hacker Ethic de Pekka Himanen (2001) va plus loin. Il parle d’une véritable éthique où le travail se fait par passion, pas par obligation. Le temps se structure autour de l’apprentissage et de la création, pas des horaires imposés.

Cette culture a construit Internet. Elle a créé Linux. Elle a donné naissance à l’open source, à Wikipedia, à GitHub. Tout ce que vous utilisez aujourd’hui vient de là. Pas des grandes entreprises. Pas des consultants. Des hackers.

Les trois piliers que personne ne veut vraiment

La culture hacker repose sur trois principes simples. Sur le papier, tout le monde les adore. Dans la réalité, personne ne les supporte.

1. Comprendre avant d’utiliser

Le hacker ne se contente pas d’utiliser un outil. Il veut savoir comment il fonctionne. Il cherche les limites. Il tente autre chose. Il explore des zones qui ne sont pas prévues pour être explorées.

En entreprise, ça donne quoi ?

Un développeur qui refuse d’utiliser l’outil imposé parce qu’il veut comprendre pourquoi on a fait ce choix. Un product manager qui démonte le processus de validation pour voir où ça coince vraiment. Un designer qui teste des solutions interdites par la charte graphique.

Résultat : friction. Ralentissement. Inconfort. Les organisations détestent ça. Elles préfèrent l’exécution rapide à la compréhension profonde.

2. Apprendre en cassant

Le hacker apprend en faisant. Il teste. Il casse. Il répare. Le savoir vient après l’expérience, jamais avant. Cette idée se retrouve chez Seymour Papert, pionnier du constructionnisme.

En entreprise ?

Ça signifie accepter que les équipes cassent des choses. Pas une fois. Pas dans un environnement de test bien propre. Régulièrement. En production.

Les entreprises disent qu’elles acceptent l’échec. Mais allez voir ce qui se passe quand quelqu’un casse vraiment quelque chose. Le discours « fail fast » disparaît immédiatement. On sort les procédures. On cherche un responsable. On ajoute des validations.

3. Refuser les limites imposées

Le hacker n’accepte pas un système fermé sans comprendre pourquoi. Il cherche les failles. Il explore. Il documente. Il partage.

Eric Raymond l’explique dans The Cathedral and the Bazaar (1997). Les projets ouverts avancent vite parce que les contributions viennent de partout. Pas de hiérarchie. Pas de validation en cascade. Le meilleur code gagne.

En entreprise ?

Imaginez un instant autoriser vraiment ça. N’importe qui peut proposer n’importe quoi. N’importe qui peut modifier n’importe quel processus. Les meilleures idées gagnent, peu importe d’où elles viennent.

Impossible. Les organisations ont besoin de structure. De contrôle. De prévisibilité. C’est rationnel. Mais ça tue l’innovation.

Ce que je vois sur le terrain

Depuis des années, j’observe des organisations qui tentent d’intégrer la culture hacker. Voici ce qui se passe systématiquement.

Les hackathons : l’innovation sous contrôle

Les hackathons sont partout. L’idée semble bonne : réunir des gens, leur laisser du temps, les laisser explorer.

Mais regardez de plus près.

Il y a un thème imposé. Un jury qui valide. Un pitch à préparer. Des critères d’évaluation. Un classement. Des gagnants.

Ce n’est pas de l’exploration. C’est de la compétition encadrée. On garde l’esthétique du hacking (post-its, pizza, hoodies), mais on retire ce qui fait peur : l’imprévisibilité.

Et après ? Les projets gagnants disparaissent dans les processus de validation. Six mois plus tard, plus personne n’en parle.

L’agilité : le hacking domestiqué

L’agilité vient directement de la culture hacker. Itérations rapides. Tests fréquents. Autonomie des équipes.

Mais dans 90% des organisations, l’agilité est devenue un processus. On a ritualisé la flexibilité. Stand-up meetings obligatoires. Sprints de deux semaines non négociables. Retrospectives formatées. Scrum masters qui surveillent.

Le hacker faisait des itérations rapides parce qu’il voulait avancer vite. L’organisation fait des sprints parce qu’elle doit suivre la méthode.

Ce n’est plus la même chose.

L’open source interne : le partage surveillé

Certaines entreprises créent des « plateformes open source internes ». L’idée : favoriser le partage de code entre équipes.

Sauf que le vrai open source repose sur un principe simple : tout le monde peut contribuer. GitHub fonctionne parce que n’importe qui peut forker, modifier, proposer.

En entreprise ? Il faut demander l’autorisation. Justifier. Passer par le owner du repo. Respecter les guidelines. Attendre la review. Aligner avec la roadmap.

Résultat : personne ne contribue vraiment. Les plateformes internes deviennent des cimetières de projets abandonnés.

Pourquoi c’est structurel (pas un bug)

Ce n’est pas de la mauvaise volonté. Ce n’est pas un manque de budget. Ce n’est pas une question de culture d’entreprise à améliorer.

C’est structurel.

Le hacker avance par exploration. L’entreprise avance par exécution. Le hacker teste sans plan. L’entreprise planifie avant de tester. Le hacker partage par défaut. L’entreprise contrôle par défaut.

Le sociologue Howard Becker a étudié ces cultures techniques. Il montre comment certains groupes développent leurs propres règles, créant un écart avec le reste de la société. Ce n’est pas un problème de communication. Ce sont des logiques incompatibles.

Voici les tensions réelles :

• Le hacker veut explorer → L’entreprise veut stabiliser

• Le hacker accepte l’échec → L’entreprise veut la conformité

• Le hacker refuse les limites → L’entreprise pose des garde-fous

• Le hacker partage tout → L’entreprise contrôle l’accès

On ne peut pas avoir l’innovation du hacker et la stabilité de l’entreprise. Il faut choisir. Ou accepter le compromis bancal : une innovation édulcorée, encadrée, prévisible.

Ce n’est pas de l’innovation. C’est de l’amélioration continue.

Alors, que faire ?

Je ne vais pas vous servir une liste de bonnes pratiques. Vous en avez déjà lu cent. « Autoriser l’expérimentation ». « Accepter l’échec ». « Favoriser l’autonomie ».

Ça ne marche pas. Parce que ces pratiques entrent en conflit avec la structure même de l’organisation.

Voici ce que je crois vraiment : les entreprises ne peuvent pas devenir des communautés de hackers. Elles peuvent, au mieux, créer des enclaves où certaines règles ne s’appliquent pas.

Concrètement ?

Créer des zones protégées

Pas des hackathons. Des équipes permanentes qui opèrent avec des règles différentes. Budget décentralisé. Aucune validation préalable sur les sujets explorés. Obligation de partage des apprentissages, pas des succès.

Ces équipes vont casser des choses. Elles vont explorer des impasses. Elles vont frustrer les autres départements. C’est le prix.

Accepter que ça ne scale pas

La culture hacker ne scale pas. GitHub a 100 millions de développeurs, mais personne ne gère GitHub comme une entreprise traditionnelle de 100 millions d’utilisateurs.

Arrêtez de vouloir industrialiser l’innovation. Quelques personnes qui explorent vraiment produisent plus que cent personnes qui suivent un processus d’innovation.

Documenter les échecs

Le vrai test de la culture hacker en entreprise : que faites-vous des projets qui échouent ?

Dans la vraie culture hacker, l’échec est documenté et partagé. C’est comme ça que la communauté apprend. En entreprise, on cache. On oublie. On passe à autre chose.

Créez une bibliothèque des projets morts. Avec ce qu’on a appris. Ce qui n’a pas marché. Pourquoi. C’est ça, le partage du savoir.

La vraie question

La culture hacker a façonné Internet, Linux, Wikipedia, l’open source. Tout ce qui a vraiment transformé notre rapport à la technologie vient de là. Pas des grandes entreprises. Pas des budgets R&D. Des marges.

Les organisations le savent. C’est pour ça qu’elles organisent des hackathons, recrutent des profils startup, parlent d’expérimentation.

Mais elles ne peuvent pas accepter ce qui rend cette culture efficace : l’absence de contrôle, l’acceptation du chaos, la remise en question permanente.

Alors la vraie question n’est pas « comment intégrer la culture hacker ? » La vraie question est : êtes-vous prêts à perdre le contrôle ?

Si oui, créez des enclaves protégées. Donnez-leur les moyens. Acceptez qu’elles cassent des choses. Documentez les échecs.

Si non, arrêtez de parler d’innovation. Parlez d’amélioration continue. C’est déjà bien. Mais ce n’est pas la même chose.

—

Pour aller plus loin :

• Hackers: Heroes of the Computer Revolution — Steven Levy (1984)

• The Hacker Ethic — Pekka Himanen (2001)

• The Cathedral and the Bazaar — Eric Raymond (1997)

La culture hacker ne s’importe pas. Elle se construit.

Je suis Alexandre Durand-Chabert, Innovation Architect chez Devoteam AI Apps.

Mon rôle : transformer votre rapport à l’innovation avec l’IA comme levier.

Pas de slides. De l’infrastructure opérationnelle.

Derrière moi : une équipe de 30 développeurs GenAI pour exécuter.

→ Échangeons sur votre contexte

30 minutes pour diagnostiquer vos blocages structurels et dessiner un système d’innovation qui produit réellement.

Prendre RDV avec moi

À propos d’Airparty

La GenAI ne transforme pas les entreprises. Elle transforme le travail. Airparty documente comment.

Le problème

Tout le monde expérimente. Personne ne transforme.

Depuis deux ans, les organisations accumulent les licences, les POCs et les ateliers de sensibilisation. Les équipes testent des outils dans leur coin. Les directions lancent des task forces. Les consultants multiplient les « feuilles de route IA ».

Résultat : des centaines d’usages individuels. Très peu de capacités collectives. L’IA générative reste un sujet de curiosité personnelle, pas de performance organisationnelle.

Le problème n’est pas technologique. Il est structurel. Les organisations savent que l’IA change la donne, mais elles n’ont pas encore compris ce qui change exactement dans la façon dont le travail intellectuel se conçoit, s’exécute et se valorise.

La thèse

Airparty part d’une conviction simple : la GenAI n’est pas un sujet d’outil. C’est un sujet de travail.

Ce qui est en jeu, ce n’est pas quel modèle utiliser ni quel prompt écrire. C’est comment une équipe de consultants produit une recommandation stratégique. Comment une direction innovation passe d’un signal faible à une décision d’investissement. Comment un cabinet structure et capitalise son savoir-faire. Comment une organisation entière apprend à travailler différemment — pas une fois, mais en continu.

La transformation par l’IA ne se joue pas dans le choix de la technologie. Elle se joue dans la refonte des chaînes de valeur intellectuelles.

Le terrain

Airparty se concentre sur les métiers à forte intensité de connaissance : conseil en stratégie, innovation, marketing stratégique, product management, recherche. Les organisations où la matière première est l’analyse, la synthèse, la structuration et la communication d’idées complexes.

Ce sont ces métiers qui sont les premiers transformés, parce que ce sont eux dont l’IA reproduit le plus directement les gestes : chercher, analyser, structurer, produire, communiquer.

Airparty documente cette transformation à travers des analyses de fond, des use cases concrets et des observations de terrain. Pas de news. Pas de listes d’outils. Pas de prompts. Ce qui se joue ici est plus lent et plus profond : la mutation des modes de travail intellectuel à l’échelle des organisations.

Le framework

Cinq dimensions structurent l’exploration d’Airparty. Elles correspondent aux cinq étapes de la chaîne de valeur du travail intellectuel que l’IA redéfinit.

Better Scanning — Repenser la façon dont les organisations captent, filtrent et qualifient l’information.

Better Analysing — Transformer les données brutes en insights fiables : détecter les patterns, tester les hypothèses, séparer le signal du bruit.

Better Shaping — Structurer le passage du signal brut à l’analyse actionnable, de la donnée à la décision.

Better Building — Accélérer la production d’artefacts intellectuels : modèles, prototypes, livrables, recommandations.

Better Showing — Transformer la manière dont les idées se communiquent, se testent et se vendent en interne comme en externe.

Better Scaling — Industrialiser les pratiques individuelles en capacités organisationnelles durables. Passer de l’usage au système.

La vision

L’IA générative va recomposer le travail intellectuel comme Internet a recomposé le commerce, les médias et la finance. Pas en un trimestre. Sur une décennie.

Airparty existe pour cartographier cette recomposition en temps réel. Observer ce qui fonctionne et ce qui échoue. Identifier les modèles qui émergent. Documenter les pratiques des organisations qui avancent — pas celles qui communiquent.

L’ambition n’est pas de prédire l’avenir de l’IA. C’est de comprendre l’avenir du travail intellectuel tel qu’il se construit aujourd’hui, organisation par organisation, use case par use case.

Airparty, l’Émission : Le Benchmarking Radical

On n’apprend rien dans les discours corporate. La vérité de l’innovation se trouve dans l’exécution réelle.

Dans Airparty l’Émission, j’applique le principe du “Show, Don’t Tell”. Je reçois ceux qui font — VP Innovation, entrepreneurs, hackers — pour ouvrir leur capot.

• Leur Stack : quels outils utilisent-ils vraiment ?

• Leur Veille : qui suivent-ils pour avoir un coup d’avance ?

• Leurs Méthodes : comment organisent-ils leur temps et leurs idées ?

C’est du benchmarking en temps réel pour nourrir votre propre pratique.

Qui suis-je ?

Alexandre Durand-Chabert, Architecte de Systèmes d’Innovation.

Je ne crois pas à l’innovation magique. Je crois à l’innovation systémique.

Ma mission avec Airparty : vous fournir l’infrastructure mentale et technique pour arrêter de subir Internet, et commencer à l’utiliser pour transformer votre entreprise, vos projets.

Vous uploadez une source sur NotebookLM. Vous demandez une slide ou une infographie. Le design est impressionnant.

Puis vous zoomez.

“Bonjoure.” “Strtegie.”

Les hallucinations graphiques et les fautes sont la taxe à payer pour la vitesse de l’IA.

La plupart des gens abandonnent et refont la slide manuellement sur PowerPoint. Arrêtez de faire ça.

J’ai analysé le workflow pour sauver vos présentations sans tout redessiner.

Voici les 3 méthodes pour gérer ça (et celle qu’il faut absolument éviter).

👇

1. La solution “Pratique” : Canva Grab Text

Si vous devez juste changer des mots, c’est le standard de l’industrie.

NotebookLM exporte des PDF “plats”. Normalement, le texte est figé. Mais Canva possède une fonction cachée qui débloque tout.

Le Workflow :

• Téléchargez votre slide NotebookLM en PDF.

• Importez-le dans Canva.

• Cliquez sur la fonction “Grab Text” (Récupérer le texte).

Pourquoi ça marche : L’IA de Canva isole les blocs de texte et applique automatiquement un style de police cohérent. Vous corrigez l’orthographe et exportez en PPTX immédiatement.

Micro-Action : Ouvrez Canva > Importations. Glissez votre PDF et cherchez le bouton “Grab Text” dans la barre d’outils flottante.

2. Ma solution “Ultime” : Google Studio (Nano Banana)

Canva est génial pour le texte simple. Mais que faire si l’image elle-même a une “hallucination graphique” (une forme qui ressemble à une lettre mais qui n’existe pas) ?

Là, vous avez besoin d’un moteur plus lourd.

La solution secrète s’appelle Nano Banana via Google Studio.

Le Workflow :

• Allez dans Google Studio.

• Sélectionnez le modèle “Nano Banana Pro”.

• Demandez une régénération de la zone spécifique contenant l’erreur.

Pourquoi ça marche : Ce modèle est capable de recréer la slide à l’identique tout en modifiant uniquement la partie demandée.

Mieux encore ? Il permet d’exporter en résolution 4K. C’est la seule façon de corriger une “typo graphique” sans perdre la qualité visuelle.

Micro-Action : Pour vos présentations grand écran ou impression, zappez Canva et utilisez l’éditeur Studio pour “patcher” les pixels directement en haute définition.

3. Le “Piège” : Adobe Acrobat

Vous pourriez penser : “C’est un PDF, je vais utiliser Acrobat.”

Ne le faites pas.

J’ai testé pour vous :

• Les résultats ne sont pas convaincants.

• Cela laisse souvent un “filigrane” ou une trace visuelle derrière le texte remplacé.

• Vous devez payer la version Premium pour une fonction qui marche à peine.

Micro-Action : Économisez votre budget. Restez sur les workflows Canva ou Studio.

✅ En résumé

• Canva : Le plus pratique pour la vitesse et le texte simple via “Grab Text”.

• Google Studio : Indispensable pour la 4K et corriger les hallucinations visuelles.

• Adobe : À éviter. Laisse des traces.

Et vous, quel outil utilisez-vous pour repasser derrière l’IA ?

Dites-le-moi en commentaire ⬇️

Je vois ce commentaire partout.

Vous importez 50 PDF. Vous posez une question. La réponse est parfaite. Mais impossible d’éditer le prompt. Et si vous rafraîchissez la page... l’historique de chat a disparu.

Alors, vous passez sur Gemini. Vous connectez votre Notebook. Mais maintenant ? Il hallucine. Il perd le contexte. Il se “noie” dans les données.

La plupart des gens pensent qu’ils doivent choisir l’un ou l’autre. Le top 1% des créateurs utilise les deux ensemble.

Voici le framework en 4 étapes pour construire votre Second Cerveau IA sans briser la fenêtre de contexte.

👇

1. La Règle de l’Ancre de Précision

Arrêtez de traiter Gemini comme un chercheur. Traitez-le comme un stagiaire créatif.

Gemini est excellent pour le brainstorming ou le jeu de rôle (roleplay) quand vous avez une connaissance superficielle d’un sujet. Mais quand vous liez un Notebook massif à l’interface Gemini, il galère.

Les utilisateurs rapportent que l’interface de Gemini “ne gère pas bien les fichiers contextuels” comparée à NotebookLM en direct. Il dira souvent qu’il y a “trop de ressources” et manquera des détails clés.

L’Insight :

• Simple : NotebookLM est fait pour étudier. Gemini est fait pour parler.

• Profond : NotebookLM utilise un RAG (Retrieval-Augmented Generation) strict. Il est conçu pour vous “enseigner et contre-argumenter en se basant exclusivement sur ces sources”. Gemini priorise la fluidité de la conversation sur la citation stricte.

🧠 Micro-Action : Utilisez l’interface native de NotebookLM uniquement quand la précision est non négociable (ex: étudier un manuel technique ou analyser des données brutes).

2. Le Hack “Prompt.txt”

Le plus gros défaut UX de NotebookLM ? Vous ne pouvez pas éditer votre dernier prompt. Si vous faites une faute de frappe dans une instruction complexe, vous devez tout réécrire.

Mais il existe un contournement utilisé par les power users.

Au lieu de taper vos instructions dans la boîte de chat, créez un fichier texte (Notepad) appelé prompt.txt. Écrivez votre prompt complexe à l’intérieur. Uploadez-le comme une source.

L’Insight :

• Simple : Déplacez vos instructions dans les sources.

• Tactique : En demandant à NotebookLM de “générer une réponse basée sur le fichier ‘prompt.txt’”, vous contournez les limites de caractères et créez un “programme” réutilisable pour votre notebook.

🛠️ Micro-Action : Créez un fichier prompt.txt standard pour vos tâches récurrentes (ex: “Résume ceci en 5 points avec ce ton spécifique”). Importez-le dans chaque nouveau notebook.

3. La Solution “Gem” (Mémoire Longue)

L’interface Gemini a une mémoire courte. NotebookLM n’a pas de mémoire (les chats disparaissent).

Le juste milieu ? Les Google Gems.

Vous pouvez créer un “Gem” personnalisé (un persona) et y attacher jusqu’à 10 Notebooks spécifiques. Cela vous permet de sauvegarder l’historique du chat et d’y revenir plus tard, résolvant ainsi le problème d’”amnésie” de NotebookLM.

Attention cependant : les Gems peuvent parfois sembler condescendants ou “bêtes” s’ils ne sont pas bien promptés.

L’Insight :

• Mental Model : Utilisez les Gems pour un projet qui dure des semaines, pas pour une recherche qui dure des minutes.

💎 Micro-Action : Allez dans Gemini Advanced. Créez un nouveau Gem. Nommez-le “Manager Projet X”. Attachez votre Notebook “Projet X”. Vous avez maintenant un chat persistant avec un ancrage dans vos sources.

4. Le Pipeline “Brouillon & Finition”

C’est le workflow ultime pour les créateurs de contenu.

Si vous essayez d’écrire un article complet directement dans Gemini avec un Notebook connecté, il risque d’inventer des citations. Si vous l’écrivez dans NotebookLM, le ton sera sec et académique.

La Solution : Le Pipeline Unidirectionnel.

1. Phase 1 (NotebookLM) : Générez la “Viande”. Demandez les faits bruts, les citations exactes et la structure. Demandez-lui : “Montre-moi ton raisonnement pour choisir ces sources”.

2. Phase 2 (Gemini) : Formatez la “Peau”. Donnez ce texte brut à Gemini pour ajuster le ton, le formatage et la fluidité.

L’Insight :

• Métaphore : NotebookLM est l’Ingénieur. Gemini est le Marketeur. Ne laissez jamais le Marketeur faire les calculs.

🚀 Micro-Action : La prochaine fois que vous rédigez un rapport, générez le plan détaillé dans NotebookLM. Copiez-collez le tout dans Gemini avec le prompt : “Réécris ceci pour la clarté, mais ne change aucun fait ni aucune citation.”

Le Récap (Sauvegardez ceci)

✅ Interface NotebookLM : Pour la recherche haute précision, l’étude et les “premiers jets”. ✅ Interface Gemini : Pour le brainstorming, le style et les questions rapides. ✅ Le Hack : Utilisez un fichier prompt.txt dans NotebookLM pour éditer vos instructions. ✅ Le Pont : Créez un “Gem” avec des Notebooks attachés si vous avez besoin de sauvegarder l’historique.

Les outils ne se combattent pas. Ils se nourrissent l’un l’autre.

L’innovation bifaciale : pourquoi 90% des entreprises ne scalent qu’à moitié

Vous avez un produit validé par vos utilisateurs.

Mais vous stagnez.

Voici pourquoi : vous n’utilisez qu’un seul moteur d’inn…

Read more

Mais seuls 3 collaborateurs l’utilisent vraiment.

Le paradoxe de l’adoption IA

Selon le rapport Asana 2024 :

49% des workflows IA sont conçus pour un usage individuel.

Résultat ? 6% d’adoption réelle dans les équipes.

Traduction : Vous formez des pionniers. Mais les usages ne contaminent jamais l’organisation.

L’IA reste un sport individuel. Jamais collectif.

Pourquoi les approches classiques échouent

❌ Méthode #1 : La formation descendante

Vous organisez une formation de 2 jours sur ChatGPT.

80 personnes assistent.

3 semaines plus tard : 5 personnes l’utilisent encore.

Le problème : Trop générique. Pas ancré dans les cas métiers réels.

❌ Méthode #2 : Le push d’outils

Vous achetez une licence Copilot pour toute l’entreprise.

Vous l’annoncez par email.

Taux d’activation : 12%.

Le problème : Aucun contexte. Aucun use case visible. Aucune preuve sociale.

❌ Méthode #3 : Les power-users isolés

Vous identifiez 10 early adopters.

Vous espérez que leurs usages “tricklent down” naturellement.

Ça ne se produit jamais.

Le problème : Pas de canal de transmission. Pas de partage structuré.

La solution : La veille collaborative IA

🔍 Ce que c’est

Un espace interne (Slack, Teams, Notion) où les collaborateurs partagent :

• Les outils IA qu’ils testent

• Les prompts qui marchent

• Les cas d’usage concrets métier

• Les erreurs à éviter

Exemple concret :

Un juriste poste : “J’ai automatisé la recherche contractuelle avec ce prompt. Gain : 4h/semaine.”

Trois collègues testent le lendemain.

Une semaine plus tard : 8 variations du prompt circulent.

⚡ Pourquoi ça fonctionne

Principe fondamental :

Le meilleur moyen d’adopter, c’est de partager.

Partager un prompt oblige à :

• Contextualiser l’usage

• Formuler l’intention

• Transmettre le mode d’emploi

La curation devient médiation. La veille devient acte social.

Action immédiate : Créez un canal #veille-ia dans Slack. Postez un premier use case cette semaine.

Les 4 mécanismes d’adoption qui s’activent

🎯 Mécanisme #1 : Multiplication des points d’entrée

Au lieu d’une formation générique, vous avez :

• 30 cas d’usage concrets

• 15 métiers différents représentés

• Des exemples avant/après visibles

Résultat : Chacun trouve SA porte d’entrée.

🪞 Mécanisme #2 : L’effet miroir

“Si Julien de la compta l’utilise, je peux essayer aussi.”

C’est la preuve sociale en action.

Pas un expert externe. Un pair.

Stat Asana : Les workflows créés par des “Bridgers” (profils transverses) ont 96% plus de chances d’être adoptés.

Action immédiate : Identifiez vos 5 Bridgers. Ceux qui parlent à tout le monde. Activez-les en premiers.

🧪 Mécanisme #3 : Autonomie exploratoire

La veille collaborative permet :

• De tester sans autorisation préalable

• D’échouer sans conséquence

• De partager les limites et les erreurs

C’est un bac à sable collectif.

Exemple concret :

Une équipe marketing teste 12 outils de génération d’images.

Ils documentent : ce qui marche, ce qui rate, les coûts réels.

Résultat : Les autres équipes économisent 6 semaines de tests.

🛡️ Mécanisme #4 : Garde-fous collectifs

Contrairement au push d’outil sauvage, la veille collaborative crée :

• Des bonnes pratiques partagées

• Des alertes sur les limites éthiques

• Une documentation vivante

Action immédiate : Pour chaque outil partagé, demandez : “Quand NE PAS l’utiliser ?”

La méthode en 5 étapes

Étape 1 : Identifier vos Bridgers

Cherchez les profils qui :

• Sont à la croisée de plusieurs métiers

• Aiment tester de nouveaux outils

• Ont une influence informelle

Combien ? 5 à 10 personnes suffisent pour démarrer.

Étape 2 : Créer l’espace de veille

Format recommandé :

• Canal Slack/Teams dédié

• OU page Notion collaborative

• OU newsletter interne hebdo

Règle d’or : Accessible à tous. Contribuable par tous.

Étape 3 : Structurer les partages

Template simple :

🔧 Outil : [Nom]
💡 Use case : [Problème résolu]
⏱️ Gain de temps : [Chiffre]
⚠️ Limites : [Ce qui ne marche pas]
🔗 Lien : [URL]

Exemple réel :

🔧 Outil : Claude + Artifacts 💡 Use case : Prototypage de landing pages ⏱️ Gain de temps : De 3 jours à 2 heures ⚠️ Limites : Ne gère pas les back-ends complexes 🔗 claude.ai

Étape 4 : Animer (sans forcer)

Fréquence : 2-3 partages/semaine suffisent.

Rôle du manager : Facilitateur, pas contrôleur.

• Mettre en avant les contributions

• Poser des questions

• Connecter les personnes

Pas de KPI d’adoption obligatoire. Ça tue la dynamique.

Étape 5 : Connecter aux enjeux stratégiques

Tous les mois, extraire :

• Les 5 outils les plus partagés

• Les 3 gains métiers les plus significatifs

• Les besoins de formation émergents

Et présenter en comex.

Résultat : La veille devient input stratégique. Pas juste un “nice to have”.

Les 3 erreurs qui tuent une communauté de veille

❌ Erreur #1 : Tout vouloir centraliser

Vous créez une plateforme interne complexe.

Personne ne la visite.

Fix : Utilisez les outils déjà installés (Slack, Teams).

❌ Erreur #2 : Transformer ça en KPI

Vous imposez un quota de partages.

La qualité s’effondre.

Fix : Valorisez les contributions organiques. Pas de quotas.

❌ Erreur #3 : Négliger les Bridgers

Vous attendez que “ça prenne” tout seul.

Ça ne prend jamais.

Fix : Activez intentionnellement vos relais clés.

Checklist de démarrage (semaine 1)

Jour 1 :

• [ ] Identifiez 5 Bridgers dans votre organisation

• [ ] Créez le canal #veille-ia

Jour 2 :

• [ ] Postez le premier use case (vous-même)

• [ ] Invitez vos 5 Bridgers

Jour 3-5 :

• [ ] Demandez à chaque Bridger de poster 1 outil qu’il utilise déjà

• [ ] Commentez et posez des questions pour activer la discussion

Semaine 2 :

• [ ] Ouvrez le canal à toute l’entreprise

• [ ] Partagez un récap des 5 meilleurs use cases de la semaine

Le vrai ROI de la veille collaborative

Chiffres du rapport Asana :

• Seuls 25% des IT leaders sont confiants sur la qualité de leurs données IA

• La majorité n’a pas de budget IA dédié

Traduction : Vous n’avez ni les ressources ni la clarté pour un déploiement massif.

Mais vous pouvez :

• Créer un terreau culturel fertile

• Découvrir avant de décider

• Tester avant d’investir

• Partager avant d’imposer

La veille collaborative, c’est de la rétro-innovation douce.

Action finale

Cette semaine, faites ceci :

Créez un canal #veille-ia.

Postez ce message :

“Premier partage : voici l’outil IA que j’ai testé cette semaine et ce que j’en ai appris.”

Taguez 5 personnes.

Et observez ce qui se passe.

Besoin d’aide pour structurer votre démarche de veille collaborative ?

Je propose un accompagnement en 4 étapes :

✅ Identification des Bridgers
✅ Mise en place des formats de partage
✅ Animation éditoriale
✅ Connexion aux enjeux stratégiques

📅 Prenez 30 minutes avec moi pour en discuter → [Lien calendrier]

Alexandre Durand-Chabert
Architecte de Systèmes d’Innovation
Airparty · Transformer le bruit en système

🎁 Note aux lecteurs d’Airparty
Pour vous remercier de votre fidélité, nous offrons votre place à GenerationAI (9–10 décembre) avec le code exclusif AIRPARTYVIP

À l’origine, le prototype avait une fonction noble : raccourcir le temps de développement des projets trop longs. Puis est arrivé le MVP, pensé pour itérer plus vite avec ses utilisateurs et éviter les erreurs coûteuses. Ces méthodes ont transformé l’innovation… mais elles exigeaient encore :

• un peu d’entregens,

• un cofondateur technique,

• quelques milliers d’euros,

• du temps,

• et beaucoup d’efforts de coordination.

Même l’arrivée du no-code, qui a réduit le delta entre l’idée et quelque chose de montrable, n’a pas totalement nivelé le terrain : il fallait encore savoir faire.

Aujourd’hui, cette barrière disparaît. Une seule personne peut produire ce qu’une équipe entière réalisait en plusieurs semaines. Et le faire en un claquement de doigts, grâce à la GenAI.

Un changement tectonique est en cours. Ce changement ne vient pas du design, ni de l’IT, ni même des méthodes agiles.

👉 Il vient de la GenAI, qui bouleverse la manière même dont on commence un projet.

Nous entrons dans l’Ère de la Démo.

Un moment historique où les entreprises n’ont plus besoin d’attendre 6 mois pour “montrer quelque chose”. Elles peuvent montrer avant même de construire.

Pas des slides. Pas des mockups. Pas une simulation approximative.

👉 Mais une démonstration quasi réelle, crédible, émotionnelle, immersive — en 48 heures.

🧨 1. Les startups l’avaient compris avant tout le monde : le pouvoir de la démo

Revenons à Dropbox.

Dans la mythologie startup, Dropbox n’a pas pitché un produit. Dropbox a pitché une démo vidéo d’un produit… qui n’existait pas encore.

Une vidéo artisanale, mais parfaitement construite pour :

• montrer la promesse,

• simuler l’usage,

• donner envie,

• déclencher l’adhésion.

Résultat : 75 000 inscriptions en une nuit.

C’est la preuve que la démo — pas le prototype — crée la transformation.

La Silicon Valley en a fait un mantra : 👉 Fake it until you make it.

Pas pour tromper. Pour montrer la vision avant d’avoir les moyens techniques de la réaliser.

Ce que Dropbox faisait en 2007… 👉 La GenAI permet désormais à n’importe quelle entreprise de le faire en 2025.

🎬 2. Le mockup world est mort : place à la prévisualisation cinématographique

Les entreprises ont passé 20 ans dans ce que j’appelle le Mockup World :

• Figma

• Slides

• PoC statiques

• workflows schématiques

• documents de 40 pages

• diagrammes UML illisibles

Et on sait comment ça se termine :

👉 Les projets meurent dans des PowerPoints impeccables mais jamais incarnés.

La GenAI transforme cette dynamique :

👉 On ne crée plus des maquettes pour expliquer.

👉 On crée des démos pour aligner.

Voici la nuance stratégique :

• Une maquette inspire débat.

• Une démo inspire décision.

Parce qu’une démo :

✔ parle à tout le monde ✔ se partage comme une bande-annonce ✔ porte une émotion, pas seulement une information ✔ réduit les frictions politiques ✔ transforme un projet en évidence visuelle

⚡ 3. Pourquoi la démo devient le nouveau standard de l’innovation

Dans les grands groupes :

• les cycles d’innovation sont trop lents,

• les PoC trop chers,

• les prototypes trop complexes,

• les arbitrages interminables,

• l’alignement difficile,

• la mémoire projet s’évapore.

La Démo GenAI change les règles :

✔ Démo fonctionnelle en 48h

✔ Golden Path enregistré

✔ Vidéo narrée, montée, brandée

✔ Scènes génératives façon Hollywood

✔ Résultat prêt pour COMEX & salons

👉 Ce qui coûtait 200 000 € et 3 mois peut aujourd’hui se produire en deux jours.

Et surtout :

👉 On valide un produit avant de le construire.

👉 On dérisque avant d’investir.

👉 On influence avant d’exécuter.

C’est un renversement complet du processus d’innovation.

🔥 4. Le parallèle nucléaire : pourquoi les entreprises doivent passer à la GenAI Forge

Imaginez des ingénieurs d’une centrale nucléaire travaillant… à la bougie. Cela semblerait absurde, archaïque, dangereux.

Pourtant, c’est ce que font aujourd’hui 90% des divisions IT & Innovation :

• elles veulent mettre de la GenAI dans leurs produits,

• mais n’utilisent pas la GenAI pour imaginer ces produits.

La priorité n°1 ne devrait donc pas être : “Où mettre de la GenAI dans notre offre ?”

Mais :

“Comment utiliser la GenAI dès le jour 1 pour concevoir mieux, plus vite, et à moindre risque ?”

C’est ce que j’appelle la GenAI Forge (ou AI Demo Factory).

Une forge où l’on ne construit pas un produit. Une forge où l’on construit des démonstrations suffisamment fortes pour décider du produit.

Les organisations qui déploient une Demo Factory :

• prototypent 10× plus vite

• itèrent 20× plus vite

• engagent 5× mieux

• dérisquent massivement

• prennent de meilleures décisions

Ce seront les leaders de demain.

🚀 5. La méthode : comment déployer une GenAI Demo Factory ?

Je la dévoile la semaine prochaine dans un article exclusif complet, abonnez-vous à ma newsletter pour ne pas le manquer.

Airparty • Tech x Content x Culture

La newsletter pour comprendre comment la tech transforme la création de contenu, et inversement.

Par Alexandre Durand-Chabert

Le paradoxe productif du diagnostic

Toutes les organisations cherchent à identifier leurs “tasks at risk” : quelles tâches dans quels métiers peuvent être automatisées, augmentées ou restent intouchables. Jusqu’ici, ce diagnostic mobilisait des cabinets conseil, des directions RH, des équipes transformation – pour plusieurs mois et des budgets conséquents.

Aujourd’hui, les outils GenAI proposent de faire ce diagnostic eux-mêmes : ingérez vos fiches de poste, process, tickets support, et obtenez un scoring d’exposition par métier et par tâche, avec recommandations de supervision.

La vraie question n’est pas “l’IA peut-elle le faire ?” (oui, techniquement), mais “que change le fait que l’IA participe au diagnostic de son propre impact ?”

Pour y répondre, nous avons fait débattre quatre agents IA spécialisés, générés via la plateforme Innomakers. Le résultat : un éclairage nouveau sur ce que deviennent les métiers du diagnostic eux-mêmes.

Les participants

Clara – Transformation du travail “La GenAI rend visible ce qui était flou : la granularité des tâches. C’est une opportunité de repositionnement stratégique.”

Noor – Sociologie des organisations “Un diagnostic IA n’est jamais neutre. Mais utilisé avec méthode, il révèle des angles morts que l’analyse humaine manque.”

Atlas – Gouvernance et risques “L’IA ne remplace pas le diagnostiqueur : elle change son rôle, de producteur de données à garant de la pertinence.”

Orfeo – Opérations et efficacité “Les diagnostics hybrides (IA + humain) divisent par 3 le délai tout en augmentant la qualité. Le métier évolue, il ne disparaît pas.”

Round 1 : L’IA peut-elle cartographier les tasks at risk mieux que les méthodes traditionnelles ?

Clara : Posons les faits. La GenAI excelle dans trois dimensions du diagnostic :

1. Détection de patterns : elle repère les redondances textuelles, les processus répétitifs, les tâches standardisées – à une échelle qu’un humain ne peut pas couvrir

2. Granularité : elle descend au niveau micro-tâche, là où l’analyse manuelle s’arrête souvent au niveau “fonction”

3. Vitesse : première cartographie en 48h vs 6 à 12 semaines en méthode classique

Ce qu’elle ne fait pas : l’arbitrage contextuel. Mais c’est précisément là qu’intervient l’expertise humaine.

Orfeo : Exactement. Sur des pilotes clients, on observe que les diagnostics hybrides – IA pour le premier scan, humains pour la validation contextuelle – réduisent le time-to-insight d’un facteur 3 à 5, tout en améliorant la couverture. Vous cartographiez 100% des tâches formelles au lieu des 30% que vous auriez traités manuellement.

Noor : Attention à l’effet de complétude illusoire. L’IA cartographie ce qui est documenté : fiches de poste, process écrits, tickets. Elle rate tout ce qui est informel : régulations sociales, compensations non-écrites, savoirs tacites. Exemple : un contrôleur de gestion qui “produit des tableaux” (automatisable selon l’IA) mais dont la vraie valeur est dans les conversations terrain qu’il initie via ces tableaux.

Atlas : C’est précisément pourquoi le diagnostic IA ne remplace pas l’expertise humaine, il la redéfinit. L’expert ne passe plus 80% de son temps à collecter des données, mais 80% à interpréter, contextualiser, arbitrer. C’est un repositionnement vers le haut de la chaîne de valeur.

Round 2 : Que deviennent les métiers du diagnostic eux-mêmes ?

Scénario : Un cabinet conseil facture 2 semaines à 80k€ pour cartographier les tâches exposées dans une direction de 200 personnes. Un outil GenAI (type Task At Risk) génère une première cartographie en 48h pour une fraction du coût.

Question : Les consultants transformation, les RH stratégiques, les analystes organisationnels sont-ils eux-mêmes “at risk” ?

Orfeo : Non. Mais leur métier se reconfigure. La phase “inventaire et scoring” devient automatisable – c’était d’ailleurs la partie la moins à valeur ajoutée intellectuellement. Ce qui reste, et qui devient central :

• L’arbitrage politique (qu’est-ce qu’on automatise vraiment ?)

• La conduite du changement (comment on accompagne ?)

• Le design des organisations hybrides (où placer les humains, où placer les agents ?)

Clara : Décomposons un métier de Responsable Transformation typique :

• 30% = veille, synthèse de rapports, benchmark → délégable à l’IA

• 25% = production de slides, matrices de priorisation → co-piloté avec l’IA

• 20% = animation de comités, consolidation d’inputs → assisté par l’IA

• 25% = arbitrage politique, gestion des résistances → cœur de métier humain

Le métier ne disparaît pas : il se concentre sur le dernier quart, celui à plus forte valeur. Mais ça suppose une montée en compétence rapide : moins d’Excel, plus de facilitation ; moins de production, plus de décision.

Atlas : Et ça pose une question de gouvernance cruciale : qui audite le diagnostic IA ? Si le Responsable Transformation délègue l’inventaire à l’IA, il doit devenir expert en audit de diagnostic IA : comprendre les biais du modèle, vérifier la qualité des données d’entrée, challenger les recommandations. C’est un nouveau métier dans le métier.

Noor : Vous décrivez une trajectoire optimiste. Dans la réalité, beaucoup d’organisations vont dire : “Si l’IA fait 70% du job pour 5% du coût, réduisons l’équipe et gardons un senior pour valider.” La recomposition de métier, c’est vrai. Mais la réduction d’effectifs aussi. Soyons honnêtes.

Clara : Honnêteté pour honnêteté : cette réduction aurait lieu de toute façon, avec ou sans transparence. L’outil de diagnostic IA au moins rend visible ce qui se passait déjà dans les coulisses. Et ça permet une discussion factuelle au lieu de décisions opaques.

Round 3 : L’IA diagnostiqueur a-t-elle un angle mort sur elle-même ?

Question : Si l’IA cartographie les tâches automatisables, peut-elle détecter ses propres limites ? Ou va-t-elle systématiquement surestimer son périmètre ?

Atlas : C’est LE risque. Une IA non encadrée peut maximiser son propre périmètre d’intervention, parce qu’elle optimise sur les critères qu’on lui donne (souvent : efficacité, coût). Si vous ne lui demandez pas explicitement d’intégrer les critères de risque, de légitimité sociale, de qualité relationnelle, elle ne les verra pas.

Orfeo : D’où l’importance du design du système de diagnostic. On ne demande pas à l’IA : “Qu’est-ce qui est automatisable ?” On lui demande : “Qu’est-ce qui est automatisable sous contraintes X, Y, Z ?” (risque juridique, acceptabilité sociale, qualité de décision). Avec ce cadrage, elle devient un outil de cartographie des options, pas un prescripteur.

Noor : Et on ajoute une couche de red teaming : on fait débattre plusieurs agents IA entre eux, avec des objectifs contradictoires. Un agent optimise l’efficacité, un autre la qualité sociale, un troisième le risque. La confrontation révèle les tensions que chaque agent seul masquerait.

Clara : C’est précisément ce que permettent les plateformes comme Innomakers : générer des agents aux postures opposées, les faire débattre, et obtenir une cartographie des désaccords avant même de prendre une décision. Vous ne déléguez pas le diagnostic à l’IA, vous utilisez l’IA pour exposer les zones d’incertitude.

Ce que ça change concrètement

Pour les organisations

Avant : Diagnostic en 3 à 6 mois, couverture partielle (20-30% des tâches documentées), coût élevé, résultat souvent déjà obsolète à la livraison.

Avec GenAI : Premier scan en 48h-1 semaine, couverture exhaustive (100% des tâches documentées), coût divisé par 10 à 20, puis itérations trimestrielles pour suivre l’évolution.

Gain clé : passer d’un audit ponctuel à un système de pilotage continu.

Pour les métiers du diagnostic (RH, transfo, conseil)

Ce qui disparaît : la collecte manuelle de données, la production de matrices Excel répétitives, la synthèse de benchmarks standards.

Ce qui émerge :

• Audit et calibrage des outils IA de diagnostic

• Arbitrage entre efficacité et acceptabilité sociale

• Design d’organisations hybrides humain-IA

• Conduite du changement sur des périmètres en mouvement permanent

Compétence clé : savoir piloter un système de diagnostic hybride, pas remplacer l’IA.

Pour les directions générales

Nouvelle question : “Combien de temps passez-vous à savoir ce qu’il faut transformer, vs transformer effectivement ?”

Avec les outils GenAI, le diagnostic devient une commodité. L’avantage compétitif se déplace vers la vitesse d’exécution et la qualité du pilotage.

Les conditions de réussite (consensus des 4 agents)

1. Transparence du diagnostic

• Données sources documentées

• Critères d’automatisation explicites

• Versions d’agents tracées → Un diagnostic IA non auditable est pire qu’inutile

2. Gouvernance multi-agents

• Un agent propose, un autre critique

• Agents aux objectifs contradictoires (efficacité vs risque vs social)

• Débats loggés et rejouables → Évite le biais de l’agent unique

3. Validation terrain ciblée

• 100% de couverture IA, validation humaine sur les 20% à plus fort impact

• Feedback loop : les erreurs de l’IA nourrissent son apprentissage → Équilibre entre vitesse et rigueur

4. Métriques de valeur réelle

• Pas seulement “coût” et “vitesse”

• Intégrer : qualité perçue, litiges évités, acceptabilité sociale, risques détectés → Évite l’optimisation myope

Conclusion : le diagnostic devient une compétence stratégique

La GenAI ne supprime pas le besoin de diagnostic, elle le rend permanent et accessible. Ce qui change :

✅ Le diagnostic passe d’un coût à un actif : un système qui apprend en continu vaut plus qu’un rapport figé

✅ Les diagnostiqueurs deviennent des pilotes : moins de production, plus de gouvernance

✅ La transparence devient possible : quand l’IA fait le scan, l’humain peut se concentrer sur l’explicabilité

Le vrai risque n’est pas que l’IA remplace les diagnostiqueurs, c’est que les organisations qui ne s’équipent pas de ces outils soient dépassées par celles qui le font.

Les métiers évoluent. Mais les organisations qui comprennent comment leurs métiers évoluent gardent un avantage décisif.

Pour aller plus loin

Vous voulez tester un diagnostic IA sur vos métiers ? Task At Risk (développé par Devoteam AI Apps) permet de cartographier l’exposition de vos tâches en quelques jours, avec scoring d’automatisation et recommandations de supervision.

👉 Demo Task At Risks le 19/11, 12h-12h30, 20 places

https://luma.com/uoztyjmj

👉 Pour cadrer échanger vps idées et cadrer vos projets avec nos Synthetical Subject Matter Experts et découvrir la plateforme Innomakers : book a demo

#GenAI #FutureOfWork #Transformation #TasksAtRisk #HybridOrganization

Débat généré avec 4 agents synthétiques spécialisés (plateforme Innomakers).

Le marteau prolongeait la main.

Le pinceau prolongeait l’œil.

Le stylo prolongeait la pensée.

Chaque innovation laissait le temps à notre cerveau de s’adapter.

Puis tout s’est accéléré.

En à peine 2 générations, nous sommes passés du papier aux interfaces numériques.

Sans transition. Sans recul.

Et pour la première fois dans l’histoire humaine :

👉 L’outil n’a plus prolongé le geste.

👉 Il l’a remplacé.

🤖 L’IA générative vient de tout faire sauter.

Toutes les interfaces. Tous les filtres. Tous les écrans qui s’étaient glissés entre la pensée et l’action.

D’un coup, tu peux penser, parler, demander — et la machine exécute. Sans clic. Sans menu. Sans détour.

On se retrouve libérés. Mais sans vraiment savoir ce que cette liberté veut dire.

🖱️ L’âge de l’interface : quand l’écran devient intermédiaire

Les tableurs ont redéfini ce qu’est un “calcul”. Les logiciels de présentation ont standardisé “l’idée visuelle”. Les éditeurs de texte ont formaté notre manière d’écrire.

Ces interfaces ne nous ont pas seulement rendus efficaces. Elles ont reconfiguré notre manière de penser.

On ne crée plus librement. On traduit nos idées dans des formats préconçus.

💬 “Ce n’est pas toi qui utilises l’outil. C’est l’interface qui t’apprend à penser comme elle.”

Le résultat ?

Nous avons troqué la pensée libre contre la compatibilité logicielle.

⚙️ L’illusion de productivité

Pendant 50 ans, la maîtrise de l’interface a été plus valorisée que la clarté d’idée.

Celui qui savait naviguer dans un tableur complexe valait plus que celui qui posait les bonnes questions.

On a confondu :

• Cliquer = travailler

• Mettre en forme = réfléchir

• Renseigner un champ = raisonner

Mais l’interface ne fait pas la pensée. Elle la contraint.

Et surtout, elle crée un gap entre l’idée et l’action.

Exemple concret :

Tu as une idée → Tu dois apprendre l’outil → Tu dois traduire ton idée dans le format → Tu dois corriger les bugs d’interface → Enfin, tu obtiens un résultat (souvent éloigné de ton intention initiale)

Ce fossé cognitif a ralenti la créativité pendant des décennies.

🤖 L’IA générative : la fin du fossé

Puis tout a basculé.

L’IA générative est arrivée. Et avec elle : la réduction drastique du gap entre idée et action.

Tu n’as plus besoin d’apprendre où cliquer. Tu n’as plus besoin de comprendre le format. Tu n’as plus besoin de traduire ton intention.

Tu penses clairement. Tu parles précisément. L’IA exécute.

Le fossé s’effondre.

On ne code plus nos idées dans des interfaces. On les énonce directement.

C’est un choc culturel majeur. On revient à un rapport naturel entre intention et résultat.

Comme autrefois entre main et outil.

🧩 Les 3 gestes du futur du travail

L’avenir de la productivité repose sur 3 gestes mentaux.

1️⃣ Le geste d’intention

Avant d’agir, savoir pourquoi tu veux le faire.

Exemple concret : Avant d’écrire un rapport, demande-toi : “Quelle décision je veux provoquer ?”

✅ Micro-action : Écris 1 phrase d’intention avant chaque prompt ou réunion.

2️⃣ Le geste de structuration

Traduire ton idée en étapes claires, indépendamment de l’interface.

Exemple concret : Un stratège ne commence pas par ouvrir un logiciel de présentation. Il dessine d’abord son raisonnement sur papier.

✅ Micro-action : Fais une carte mentale ou un schéma avant d’ouvrir un outil.

3️⃣ Le geste de conversation

Savoir dialoguer avec la machine (ou ton équipe) pour itérer.

Exemple concret : Au lieu de dire à l’IA : “Crée-moi un tableau de bord” Dis : “J’ai besoin de visualiser X pour décider Y. Quelles données seraient pertinentes ?”

✅ Micro-action : Traite chaque échange IA comme une discussion créative, pas une commande.

📋 Checklist : Es-tu prêt pour l’âge du geste mental ?

✅ J’écris mon intention avant d’agir

✅ Je structure mes idées hors des interfaces

✅ Je dialogue avec l’IA au lieu de lui donner des ordres

✅ Je valorise la clarté de pensée plus que la maîtrise technique

✅ Je réduis consciemment le gap entre idée et action

🧭 Ce qu’il faut retenir

🔹 L’âge de l’interface touche à sa fin.

🔹 L’âge du geste mental commence.

🔹 Le vrai avantage concurrentiel n’est plus la maîtrise des outils, mais la maîtrise de la pensée claire et communicable.

L’IA générative ne remplace pas ton travail. Elle supprime le fossé entre ton idée et son exécution.

Et redonne au cerveau ce que l’interface lui avait pris : 👉 La pensée directe.

🚀 Envie d’expérimenter la GenAI dans votre organisation ?

Si votre entreprise souhaite explorer, prototyper ou outiller ses équipes avec des projets GenAI concrets, 👉 call me, maybe.

Je conçois et pilote des expérimentations IA pragmatiques — pour transformer vos process, vos contenus et vos manières de travailler.

(RDV en DM sur LinkedIn.)