Amy Webb avertit que le boom de productivité de l’IA enferme les entreprises dans le purgatoire des pilotes
Amy Webb a lancé un avertissement sévère dans un article de Fortune mis en avant par Google News : l’IA rend la production de contenu moins chère tout en complexifiant et en renchérissant le fonctionnement des entreprises.
Cet avertissement remet en question l’idée selon laquelle une production plus rapide crée automatiquement de la valeur économique. Les entreprises peuvent désormais générer des présentations, des analyses, du code et des propositions en quelques heures. Pourtant, beaucoup ne parviennent pas à intégrer ces productions dans leurs décisions, leurs processus de travail ou leurs rendements mesurables.
Webb, PDG du Future Today Strategy Group, compare ce marché à une mauvaise application de rencontre. La plateforme profite lorsque les utilisateurs continuent de chercher plutôt que de former des couples durables. Les fournisseurs d’IA pour entreprises profitent de façon similaire lorsque les clients continuent de lancer des pilotes, d’acheter des tokens et de tester des modèles sans achever un déploiement pérenne.
Cette dynamique fait ressembler le boom actuel à l’ère des dotcoms, avec une complication supplémentaire. La bulle Internet a financé des entreprises qui n’avaient souvent pas de modèle économique opérationnel. L’économie de l’IA dispose déjà de produits utiles, de revenus substantiels et de véritables gains de productivité.
Sa faiblesse se situe ailleurs. L’IA peut produire davantage de travail que les organisations ne peuvent en évaluer, encadrer ou absorber. La technologie réussit à générer des productions, tandis que l’entreprise qui l’entoure échoue à les convertir en résultats.
L’avertissement d’Amy Webb transforme le débat de Google News sur la bulle de l’IA
Le changement le plus important n’est pas que l’IA ait soudainement cessé de fonctionner. C’est qu’une production réussie peut créer de nouveaux coûts organisationnels plus vite que les entreprises ne les identifient.
Webb a présenté cet argument dans une analyse de Fortune sur l’économie de l’IA, publiée le 30 août. Elle a déclaré au média que l’IA rend la production bon marché tout en faisant augmenter le coût de presque tout le reste au sein des entreprises.
Son propos distingue cet avertissement des affirmations habituelles selon lesquelles l’IA générative ne serait que du battage médiatique. Les modèles peuvent rédiger des documents crédibles, analyser des informations, générer des logiciels et créer des présentations. Ce sont précisément ces capacités qui créent le nouveau problème.
Lorsqu’il fallait une semaine pour créer une présentation, une équipe pouvait remettre un seul deck soigneusement préparé. Lorsque l’IA réduit ce travail à une journée, les responsables peuvent recevoir cinq decks traitant de questions qui se chevauchent.
Le coût de production de chaque document baisse. Le coût de leur examen, de leur comparaison, de leur validation et de la décision à prendre augmente.
Webb appelle cela « se noyer sous les decks ». Un dirigeant lui a confié que ses collaborateurs directs souffraient de paralysie décisionnelle parce qu’ils disposaient de trop d’analyses, et non de trop peu. Un autre a décrit des « insta-decks » arrivant à un rythme cinq fois supérieur à celui d’auparavant.
Il s’agit d’un décalage de capacité. Les systèmes génératifs augmentent l’offre de travaux plausibles sans accroître au même rythme l’attention des dirigeants, l’examen juridique ou le jugement organisationnel.
L’avertissement sur l’économie de l’IA introduit également la comparaison avec les applications de rencontre. Webb soutient qu’une plateforme de rencontre profite lorsque les utilisateurs continuent à chercher plutôt que de la quitter après avoir trouvé un partenaire.
Le marché de l’IA d’entreprise peut créer une incitation similaire. Les fournisseurs génèrent des revenus pendant que les clients expérimentent, consomment des ressources informatiques et ajoutent des abonnements. Un client n’a pas besoin d’achever un déploiement rentable pour que ces dépenses se poursuivent.
Entre-temps, les dirigeants peuvent présenter des pilotes actifs comme la preuve qu’ils réagissent à l’IA. Un pilote paraît plus sûr que la refonte d’un processus de travail important. Il limite l’exposition immédiate et évite les décisions difficiles liées à la responsabilité.
Cette sécurité peut devenir un piège. Chaque pilote génère une démonstration, un rapport ou un deck stratégique supplémentaire. L’entreprise obtient la preuve que l’IA peut accomplir une tâche, mais pas la preuve que cette tâche a sa place dans un processus opérationnel durable.
Webb indique que les dirigeants décrivent cette situation comme le « purgatoire des pilotes ». Les équipes continuent de tester des applications sans les intégrer aux systèmes juridiques, informatiques, d’approvisionnement ou aux systèmes métier établis.
Lorsqu’un pilote se termine, une autre équipe peut repartir de zéro. L’entreprise paie à répétition pour la phase de découverte tout en conservant peu de mémoire institutionnelle des tentatives précédentes.
Il en résulte une forme particulière d’abondance. Les employés peuvent produire davantage de matériel, mais les dirigeants sont moins certains de ce qui mérite une action. Les organisations acquièrent davantage de capacités d’IA tout en restant incapables d’expliquer leur contribution économique.
Ce n’est pas un échec de la génération. C’est un échec de la conversion.
Un modèle convertit des prompts en productions. Une entreprise doit convertir ces productions en décisions, en comportements, en revenus, en économies ou en réduction des risques. Ce sont des processus distincts, avec des responsables et des contraintes différents.
Cette distinction recadre le débat sur la bulle. La question n’est plus de savoir si l’IA peut produire un travail impressionnant. La question est de savoir si les entreprises peuvent absorber ce travail sans créer une coûteuse couche supplémentaire d’examen et de confusion.
Les dépenses en IA d’entreprise continuent d’augmenter avant l’arrivée des rendements
Les acheteurs en entreprise subissent une pression dans les deux sens : les conseils d’administration attendent des progrès visibles en IA, tandis que les équipes opérationnelles peinent à prouver que leurs pilotes améliorent les résultats financiers.
Une enquête Bain citée par Fortune a couvert 951 entreprises dans le monde. Près de 40 % des répondants mesurant les économies de coûts liées à l’IA ont obtenu moins de 10 %, malgré des objectifs de rendement compris entre 11 et 20 %.
Cet écart n’a pas freiné les investissements. Quatre-vingt-dix pour cent des entreprises interrogées ont déclaré prévoir d’augmenter leurs budgets consacrés à l’IA.
Cette combinaison compte davantage que chacun de ces chiffres pris isolément. Des économies mesurées insuffisantes devraient normalement réduire les dépenses. Dans l’IA, l’anxiété concurrentielle encourage les entreprises à dépenser davantage avant de comprendre pourquoi les déploiements existants ont déçu.
Personne ne veut paraître en retard. Les hauts dirigeants ont vu l’adoption par les consommateurs s’accélérer et les capacités des modèles s’améliorer. Ils entendent également des affirmations selon lesquelles de petites équipes natives de l’IA peuvent surpasser de plus grands acteurs établis.
Le choix politiquement le plus sûr au sein de nombreuses entreprises est donc un pilote supplémentaire. Annuler des travaux sur l’IA peut sembler timoré. Approuver une expérimentation paraît réactif, même lorsque l’organisation ne dispose pas d’un chemin clair entre la démonstration et la production.
Des données plus larges sur l’adoption montrent le même écart. L’enquête sur l’adoption de l’IA de McKinsey a révélé que 88 % des répondants déclaraient utiliser régulièrement l’IA dans au moins une fonction métier.
Seul environ un tiers a indiqué que son organisation avait commencé à déployer à grande échelle des programmes d’IA dans toute l’entreprise. La plupart restaient en phase d’expérimentation ou de pilote.
L’impact financier était plus limité. Trente-neuf pour cent ont attribué à l’IA un certain impact sur les bénéfices de l’entreprise. La majorité de ce groupe a déclaré que l’IA représentait moins de 5 % du bénéfice avant intérêts et impôts.
Ces résultats ne signifient pas que la technologie manque de valeur. Ils montrent que l’usage, l’échelle et la valeur financière sont trois mesures différentes.
Un employé peut utiliser régulièrement un chatbot sans modifier l’économie d’une entreprise. Un service peut déployer un agent sans repenser le processus de travail qui l’entoure. Une entreprise peut faire gagner du temps à ses employés sans convertir ces heures en baisse des coûts ou en hausse de la production.
Les entreprises comptabilisent souvent l’activité parce qu’elle est facile à observer. Elles suivent les licences, les prompts, les utilisateurs, le code généré et les documents finalisés. Ces chiffres démontrent une consommation, pas nécessairement de la valeur.
Une mesure utile doit relier le système à un résultat commercial. Cela peut inclure une résolution plus rapide des dossiers, des coûts de support réduits, une hausse de la conversion commerciale, des cycles de développement plus courts ou moins d’erreurs de conformité.
Même dans ce cas, l’attribution reste difficile. Une équipe peut s’améliorer après avoir adopté l’IA parce qu’elle a aussi changé de direction, nettoyé ses données ou simplifié un processus. Le modèle ne mérite ni tout le mérite ni toute la responsabilité.
Les coûts créent une autre source de pression. Fortune a indiqué que les dépenses mondiales en IA devraient atteindre 2 500 milliards de dollars en 2026, soit une hausse de 44 % par rapport à l’année précédente.
Certains directeurs des systèmes d’information ont déjà resserré les contrôles sur l’usage. Samsara, par exemple, surveille quotidiennement les dépenses liées à l’IA et applique différentes limites de consommation selon le travail des employés.
Docusign a ajusté ses agents de codage après avoir découvert qu’ils analysaient des volumes excessifs de sa base de code pour obtenir du contexte. L’entreprise a indiqué que la réduction du périmètre des éléments récupérés avait diminué l’utilisation de tokens de près de 50 %.
Ces exemples montrent que la production entraîne des coûts qu’une démonstration soignée peut dissimuler. Une démo prouve qu’un modèle peut accomplir une tâche. Elle ne révèle pas le coût d’un usage répété par des milliers d’employés.
La production introduit également des examens de sécurité, des contrôles d’identité, des autorisations d’accès aux données, des exigences d’audit, de la formation et du support. Chaque composant ajoute du travail au-delà de la production visible du modèle.
La véritable cible de cette pression est l’acheteur en entreprise. Les fournisseurs peuvent faire état d’une utilisation croissante tandis que les clients supportent le coût de l’intégration et du changement organisationnel.
Les conseils d’administration exigeront finalement une réponse plus claire. Ils demanderont quels systèmes d’IA ont modifié des résultats mesurables, lesquels ont simplement déplacé le travail et lesquels ont généré plus de matériel que nécessaire.
Un workflow d’IA bien géré peut réduire les efforts fragmentés en reliant les informations à une décision définie. L’essentiel est la décision définie, pas le volume de production.
Sans cet ancrage, l’élargissement de l’accès à l’IA peut amplifier la confusion existante. Les équipes créent plus vite, les responsables examinent plus longtemps et les budgets continuent de croître tandis que la responsabilité reste diffuse.
Le renversement central : davantage de productivité peut signifier moins de progrès
Le renversement économique central de l’IA est simple : une production moins chère augmente le volume de travail, mais l’organisation conserve une capacité limitée à l’évaluer et à l’utiliser.
Les mesures traditionnelles de productivité considèrent souvent qu’une production horaire plus élevée constitue une amélioration. Cette logique fonctionne lorsque les unités supplémentaires répondent à une demande claire et présentent une qualité constante.
Le travail intellectuel ne se comporte pas toujours ainsi. Une entreprise tire rarement profit de cinq recommandations stratégiques lorsque ses dirigeants ne peuvent en financer qu’une seule. Davantage d’alternatives peuvent retarder l’engagement plutôt que l’améliorer.
L’IA réduit également le coût de production d’un travail médiocre. Une proposition ne nécessite plus une conviction suffisante pour justifier plusieurs jours d’effort. N’importe qui peut générer un document soigné avant de vérifier si l’idée sous-jacente a une réelle importance.
La qualité d’une présentation peut masquer un raisonnement faible. Un deck peut contenir un langage crédible, des graphiques organisés et des recommandations détaillées. Son apparence professionnelle ne garantit ni des hypothèses exactes ni un jugement utile.
Cela crée une taxe d’examen. Les responsables doivent déterminer quelles parties reposent sur des preuves fiables, lesquelles ont été déduites et lesquelles ont été générées sans contexte suffisant.
La taxe d’examen se propage entre les services. Les équipes juridiques évaluent la responsabilité. Les équipes de sécurité examinent l’exposition des données. La finance questionne les estimations d’économies. Les responsables opérationnels déterminent si les employés modifieront réellement leurs comportements.
Un pilote peut éviter une grande partie de ces frictions, car il fonctionne dans un environnement contrôlé. La production ne le peut pas.
La production exige un responsable stable, des données approuvées, une surveillance, des voies d’escalade et un plan en cas d’erreur. Elle exige également que quelqu’un décide des situations dans lesquelles l’IA ne doit pas agir.
Ces exigences expliquent pourquoi des pilotes techniquement réussis restent malgré tout bloqués. L’organisation a prouvé qu’un modèle pouvait accomplir une tâche, mais elle n’a pas construit le système environnant nécessaire pour faire confiance à cette performance.
Les recherches de McKinsey identifient la refonte des flux de travail comme une ligne de partage importante. Les organisations qui en tirent de la valeur font davantage que placer une interface d’IA à côté d’un ancien processus.
Elles modifient les rôles, les incitations, les interfaces et les indicateurs. Elles établissent des mécanismes de retour d’information et attribuent explicitement la responsabilité de l’adoption.
Ce travail est lent parce qu’il révèle des désaccords qu’un projet pilote peut masquer. Les équipes doivent décider qui est propriétaire des données, qui assume le risque et quel budget finance l’usage continu.
Le problème de la « noyade sous les présentations » relève du même mécanisme à plus petite échelle. L’IA élimine un goulot d’étranglement de production, puis révèle un goulot d’étranglement décisionnel.
Une équipe marketing peut générer 30 concepts de campagne en une nuit. Cela ne signifie pas que la marque devrait lancer 30 campagnes. Des personnes doivent encore sélectionner une audience, approuver les affirmations, allouer les budgets et interpréter les résultats.
Une équipe logicielle peut générer davantage de code. Les ingénieurs doivent toujours examiner l’architecture, tester les cas limites, maintenir les dépendances et assurer le support du service déployé.
Une équipe de recherche peut résumer des centaines de documents. Quelqu’un doit toujours déterminer si l’ensemble des sources est complet et si des éléments de preuve contradictoires modifient la conclusion.
Ces tâches exigent du contexte, de la responsabilité et du discernement. Elles sont plus difficiles à automatiser car leurs résultats corrects dépendent des priorités de l’organisation plutôt que d’une réponse universelle.
La promesse de productivité contient donc une hypothèse implicite. Elle suppose que l’organisation environnante peut absorber tout ce que le modèle produit.
Cette hypothèse échoue souvent. Les responsables font déjà face à des boîtes de réception surchargées, des tableaux de bord concurrents et des réunions répétées. L’IA ajoute un autre canal d’information à fort volume, à moins que l’entreprise n’en retire d’anciens.
Le remède n’est pas automatiquement un autre modèle. Un modèle doté d’un meilleur raisonnement peut améliorer les productions individuelles, mais il peut aussi générer des documents plus volumineux et plus convaincants.
Plus le système devient performant, plus il est facile de créer des analyses qui méritent un examen sérieux. Cela peut accroître la charge pesant sur des experts rares.
L’observation de Webb sur les idées génériques soulève une autre inquiétude. Lorsque de nombreuses équipes s’appuient sur des modèles similaires, elles peuvent produire des stratégies, un langage et des recommandations similaires.
Cela crée l’apparence d’une analyse étendue sans véritable diversité. Cinq présentations générées peuvent représenter un seul centre de gravité statistique exprimé de cinq manières.
Les entreprises risquent alors de confondre le volume avec une confirmation indépendante. La répétition devient particulièrement persuasive lorsque chaque document paraît soigné.
La meilleure réponse n’est pas de rejeter le travail généré. Il s’agit de définir ce que ce travail doit changer avant de le produire.
Un projet utile commence par une décision opérationnelle, une référence mesurable, un responsable comptable des résultats et un seuil de poursuite. Le composant IA sert alors cette structure.
Le purgatoire des projets pilotes commence dans la direction opposée. Une entreprise part d’un outil, cherche des applications et célèbre à répétition la faisabilité technique.
Ce processus peut se poursuivre indéfiniment parce que les modèles continuent de s’améliorer. Chaque version offre une raison de retester le même flux de travail.
La comparaison avec les applications de rencontre devient plus claire ici. La recherche elle-même devient le produit. Les entreprises restent des clientes actives parce que le prochain modèle ou agent pourrait enfin créer la correspondance promise.
Pourquoi la comparaison avec la bulle Internet est pertinente, et où elle échoue
Le parallèle avec la bulle Internet est pertinent parce que les capitaux financent des capacités avant que les rendements ne soient démontrés, mais les produits d’IA actuels offrent déjà une utilité réelle et suscitent une demande importante.
Pendant le boom d’Internet, les investisseurs ont correctement reconnu que les réseaux et le commerce numérique transformeraient l’économie. Ils se sont souvent trompés sur les entreprises qui capteraient cette valeur et sur la rapidité avec laquelle les bénéfices apparaîtraient.
L’IA présente la même séparation entre importance technologique et discipline d’investissement. Une technologie peut transformer la société alors que de nombreuses entreprises bâties autour d’elle échouent.
Webb soutient que la situation actuelle pourrait être pire, car l’IA ne se contente pas d’attirer des capitaux spéculatifs. Elle inonde aussi des organisations fonctionnelles de productions peu coûteuses.
Un détaillant de la bulle Internet en échec pouvait perdre l’argent des investisseurs et fermer. Un déploiement d’IA mal gouverné peut remodeler les décisions, les effectifs, les flux d’information et les coûts opérationnels au sein d’une entreprise par ailleurs saine.
Les dépenses d’infrastructure augmentent les enjeux. George Lee, codirecteur de Goldman Sachs Global Institute, a estimé que l’investissement total dans les infrastructures d’IA pourrait à terme atteindre 7 000 à 8 000 milliards de dollars.
Lee a affirmé que le déplacement de sources de profits existantes ne générerait pas un retour suffisant. L’investissement exigerait une activité économique nette nouvelle.
C’est un critère exigeant. Les économies de coûts transfèrent souvent la valeur plutôt qu’elles n’en créent. Si chaque entreprise utilise l’IA pour réduire des dépenses de main-d’œuvre similaires, la concurrence peut transmettre une grande partie du bénéfice aux clients.
De nouveaux produits, marchés et sources de demande constitueraient une base plus solide. Pourtant, ces opportunités prennent plus de temps à démontrer qu’une preuve de productivité.
Jim Covello de Goldman a souligné le problème de calendrier. Il reconnaît que l’adoption par les consommateurs et les progrès techniques ont dépassé ses attentes, mais reste sceptique quant au rendement final des dépenses d’infrastructure.
Son test est pragmatique. Si le secteur continue de qualifier la technologie de « précoce » après deux années supplémentaires, il devient plus difficile d’excuser une rentabilité différée.
Le scénario optimiste mérite un poids égal. Les entreprises d’IA génèrent de vrais revenus, et les outils de programmation ont montré des améliorations mesurables dans certains contextes.
Une analyse de The Atlantic a indiqué que l’adoption payante par les entreprises s’était considérablement développée en 2025 et 2026. Elle a également décrit une demande en hausse pour les agents de programmation d’Anthropic, OpenAI et Anysphere.
Des recherches récentes citées dans cette analyse de la productivité de l’IA ont constaté que les outils plus récents aidaient les développeurs à achever les tâches qui leur étaient assignées près de 20 % plus vite qu’un groupe témoin.
Ce résultat a inversé une expérience antérieure dans laquelle les développeurs utilisant l’IA prenaient 20 % de temps en plus. La qualité des outils et l’expérience utilisateur ont suffisamment changé pour modifier le résultat mesuré.
C’est pourquoi une conclusion simpliste selon laquelle « l’IA est une nouvelle bulle Internet » serait trompeuse. Les capacités progressent, les clients paient et certaines applications produisent des bénéfices directs.
La programmation peut aussi être particulièrement favorable à l’IA. Le logiciel offre de grands jeux de données d’entraînement, un retour d’information structuré et des résultats que les équipes peuvent tester.
D’autres formes de travail intellectuel ne disposent pas de ces avantages. Une recommandation stratégique ne peut pas toujours être évaluée au moyen d’un test automatisé. Une décision de gestion peut mettre des mois à révéler sa qualité.
Le boom actuel peut donc réunir à la fois des gagnants durables et de graves surinvestissements. Ces conditions ne sont pas contradictoires.
Les fournisseurs de cloud, les fabricants de puces, les développeurs de modèles, les éditeurs d’applications, les consultants et les équipes d’entreprise occupent tous des positions différentes. Le chiffre d’affaires d’une couche peut devenir une dépense improductive pour une autre.
Un fournisseur de modèles peut croître parce que les clients continuent d’expérimenter. Une entreprise de cloud peut croître parce que les fournisseurs de modèles ont besoin de capacité de calcul. Aucun de ces résultats ne prouve que les acheteurs en entreprise captent des rendements adéquats.
La chaîne ne reste saine que si les utilisateurs finaux créent finalement suffisamment de valeur économique pour soutenir les dépenses en amont.
C’est là que l’avertissement de Webb sur le « coût de l’abondance » devient plus utile que l’étiquette de bulle. Les débats sur les bulles se réduisent souvent à des prédictions de krach boursier.
Son argument se concentre sur l’économie opérationnelle. Même si les valorisations publiques restent élevées, les entreprises peuvent encore gaspiller de l’argent par des projets pilotes dupliqués, une production excessive et une intégration insuffisante.
La preuve la plus solide du sceptique n’est pas un échec spectaculaire. C’est l’écart persistant entre une adoption étendue et un impact limité sur les bénéfices à l’échelle de l’entreprise.
La preuve la plus solide de l’optimiste n’est pas un benchmark. C’est une demande payante liée à des améliorations mesurables du travail réel.
Les deux peuvent être vrais pendant une transition. La question non résolue est de savoir si les applications fortes d’aujourd’hui se diffuseront dans suffisamment de secteurs avant que les coûts d’infrastructure et d’exploitation ne dépassent les rendements.
Le purgatoire des projets pilotes est un problème d’intégration, pas seulement un problème de modèle
Les entreprises sortent du purgatoire des projets pilotes lorsqu’elles cessent de traiter l’IA comme un produit autonome et commencent à considérer le déploiement comme une transformation du système d’exploitation de l’entreprise.
Un projet pilote demande généralement si un modèle peut effectuer une tâche. Un programme de production demande si l’entreprise peut dépendre de cette performance sous de vraies contraintes.
Ces contraintes incluent la confidentialité, les autorisations, la latence, le coût, l’exactitude et le comportement des employés. Elles incluent aussi des questions plus ordinaires concernant les budgets et la propriété.
De nombreux projets pilotes restent isolés des équipes juridiques et informatiques. Cela permet une expérimentation rapide, mais reporte le travail nécessaire au déploiement.
Lorsque ces fonctions examinent enfin le projet, la conception initiale peut ne plus être viable. L’équipe modifie alors le projet pilote, remplace le fournisseur ou recommence.
Les systèmes hérités intensifient le problème. Les données de l’entreprise résident souvent dans des applications incompatibles, avec des définitions et des règles d’accès incohérentes.
Un agent ne peut pas achever de manière fiable un flux de travail lorsque les informations pertinentes sont fragmentées ou mal gouvernées. Un meilleur raisonnement ne peut pas compenser des autorisations manquantes ou des enregistrements contradictoires.
C’est pourquoi l’IA en entreprise produit souvent une démonstration convaincante avant de produire une automatisation fiable. La démonstration utilise un exemple propre. La production rencontre l’entreprise telle qu’elle existe réellement.
Les employés créent aussi des solutions de contournement informelles. Ils copient des informations d’un outil à l’autre, tiennent des feuilles de calcul personnelles et s’appuient sur des connaissances non documentées.
Un système d’IA entraîné sur les processus officiels peut ne pas comprendre comment le travail est effectivement accompli. Un système disposant d’un large accès peut exposer des informations sensibles ou effectuer des modifications non autorisées.
L’examen humain reste essentiel, mais il doit être conçu dans le flux de travail. Se contenter de dire aux employés de vérifier chaque résultat peut effacer les gains de temps promis.
La revue devrait se concentrer sur les risques importants. Une affirmation destinée aux clients mérite un examen plus poussé qu’une liste interne d’idées. Une décision de paiement nécessite des contrôles plus stricts qu’un résumé de réunion.
Les entreprises ont également besoin de règles d’arrêt. Un projet pilote devrait définir quelles performances, quelle adoption et quels résultats économiques justifient le passage en production.
Sans ces seuils, le succès devient subjectif. Les sponsors peuvent mettre en avant un exemple impressionnant tout en ignorant une faible utilisation ou l’augmentation des coûts.
L’angle sceptique est que la réforme organisationnelle ne résoudra peut-être pas tous les cas. Certaines tâches sont trop ambiguës, trop peu fréquentes ou trop risquées pour justifier un déploiement de l’IA.
Une entreprise peut intégrer correctement un modèle et découvrir malgré tout que le cas d’usage produit peu de valeur. C’est un résultat valable, pas nécessairement un échec d’exécution.
Les fournisseurs d’IA ont intérêt à décrire tout projet bloqué comme un défi d’intégration. Cette explication protège le produit sous-jacent de la critique.
Les acheteurs devraient résister à ce cadrage lorsque les éléments de preuve indiquent autre chose. Un modèle peut être trop peu fiable, coûteux, lent ou générique pour la tâche.
Cette distinction exige une mesure contrôlée. Les entreprises devraient comparer le travail assisté par IA à une référence appropriée, en incluant le temps de revue et la correction des erreurs.
Elles devraient également mesurer l’utilisation durable. Les employés peuvent tester un système avec enthousiasme lors de son lancement, puis l’abandonner lorsque la nouveauté s’estompe.
Un projet pilote réussi doit résister aux conditions de routine. Il nécessite des données réelles, des utilisateurs ordinaires, un volume récurrent et les mêmes contrôles que ceux requis en production.
Il exige aussi une continuité des connaissances. Les équipes devraient conserver les invites précédentes, les évaluations, les cas d’échec et les décisions au lieu de recommencer à chaque nouvelle version de fournisseur ou de modèle.
Cette mémoire institutionnelle évite de répéter les expériences. Elle aide également les acheteurs à déterminer si un nouveau modèle modifie l’économie du projet ou améliore simplement la démonstration.
La leçon plus profonde est que la transformation de l’entreprise reste une responsabilité de l’entreprise. Les fournisseurs peuvent fournir des modèles et des outils. Ils ne peuvent pas résoudre tous les conflits présents dans les processus d’un client.
Les dirigeants doivent décider quels flux de travail méritent d’être repensés. Ils doivent supprimer les étapes redondantes et donner aux équipes responsables l’autorité nécessaire pour modifier les opérations.
Dans le cas contraire, l’IA devient une couche supplémentaire. Les employés conservent l’ancien processus par sécurité tout en exécutant un nouveau processus assisté par l’IA pour gagner en visibilité.
Cette duplication augmente les coûts. Elle peut aussi donner l’impression que la productivité se dégrade pendant la transition, car les équipes maintiennent deux systèmes à la fois.
Un plan de déploiement crédible devrait expliquer quel travail ancien disparaît. Si aucune réunion, aucun rapport, aucune approbation ni aucune étape manuelle n’est supprimé, le système d’IA ajoute probablement de la complexité.
Ce que les entreprises devraient surveiller au cours des trois prochains mois
Trois signaux indiqueront si l’avertissement de Webb devient une tendance économique durable : le passage en production, la valeur financière effectivement captée et le renforcement des contrôles sur la consommation d’IA.
Le premier signal est la part des projets pilotes qui passent en production récurrente. Les annonces de nouvelles expérimentations comptent moins que les systèmes utilisés par les employés dans des flux de travail établis.
Un taux de conversion plus élevé affaiblirait la thèse du purgatoire des pilotes. Il montrerait que les entreprises surmontent les obstacles liés à la gouvernance, aux données et à l’intégration.
Une croissance continue des pilotes sans croissance de la production renforcerait l’argument de Webb. Elle suggérerait que l’expérimentation est devenue une catégorie d’achat durable plutôt qu’un pont vers le déploiement.
Observez la manière dont les entreprises décrivent ces programmes. « Disponible pour les employés » ne signifie pas « utilisé régulièrement ». « Déployé » ne signifie pas « créateur de valeur économique ».
Le deuxième signal est l’impact financier à l’échelle de l’entreprise. McKinsey a constaté que la plupart des organisations déclarant une contribution quelconque aux bénéfices attribuaient encore moins de 5 % de leur EBIT à l’IA.
Les futures enquêtes et conférences téléphoniques sur les résultats devront montrer si cette contribution augmente. Les entreprises devraient communiquer des économies mesurables, des revenus, des améliorations des délais de traitement ou une réduction des risques.
Les affirmations vagues sur la productivité appellent à la prudence. Le temps gagné n’a de valeur que si l’organisation l’utilise pour produire davantage, améliorer le service ou réduire les dépenses.
Si les entreprises commencent à relier l’IA à des gains durables de bénéfices, la comparaison avec une bulle s’affaiblira. Les dépenses d’infrastructure disposeront d’une source de remboursement plus claire.
Si les dépenses augmentent alors que les rendements mesurés restent stables, l’avertissement se renforcera. Le marché financerait une activité plus importante sans hausse correspondante de la valeur captée.
Le troisième signal est la diffusion de limites de consommation et de systèmes de routage des modèles. Ces contrôles orientent les tâches vers des modèles selon leur coût, leur vitesse et les capacités requises.
Les plafonds d’utilisation de Samsara et la récupération de contexte plus ciblée de Docusign montrent comment les entreprises réagissent après avoir découvert des dépenses d’exploitation cachées.
Davantage de contrôles ne prouveraient pas que l’économie de l’IA s’effondre. Ils montreraient que le marché sort de sa phase d’expérimentation et se confronte aux fondamentaux économiques unitaires.
Cette transition peut être saine. Le cloud computing a lui aussi nécessité des années de gestion des coûts, de gouvernance et d’optimisation des charges de travail.
Toutefois, des restrictions agressives instaurées après des dépassements budgétaires appuieraient les inquiétudes de Webb. Elles indiqueraient que les organisations ont acheté de l’abondance avant d’en comprendre le coût.
Les lecteurs devraient également distinguer les secteurs. Le développement logiciel, le service client, la gestion des connaissances et le traitement de documents offrent des degrés différents de structuration et de retour mesurable.
Une réussite en ingénierie logicielle ne garantit pas un résultat comparable en stratégie ou en management. Un échec dans un flux de travail réglementé n’invalide pas tous les assistants internes.
Google News continuera de mettre en avant des articles allant dans les deux sens, car les preuves sont réellement contrastées. L’adoption et les revenus peuvent augmenter alors que les rendements pour les entreprises restent inégaux.
La question utile n’est pas de savoir si l’IA est réelle. Elle accomplit clairement un travail précieux. La question utile est de savoir si chaque déploiement modifie suffisamment un résultat opérationnel pour justifier son coût total.
Ce coût inclut les tokens, les abonnements, l’infrastructure, l’intégration, la révision, la formation et l’attention organisationnelle. Il comprend également le coût d’opportunité des projets qui ne dépassent jamais le stade pilote.
La métaphore de Webb sur les applications de rencontre illustre le risque d’une recherche sans fin. Les entreprises peuvent continuer à associer des outils à des cas d’usage sans jamais établir une relation opérationnelle stable.
La sortie commence par moins d’expériences et des critères plus exigeants. Chaque projet a besoin d’un responsable identifié, d’une référence économique, d’un chemin vers la production et d’une règle d’arrêt explicite.
Les dirigeants devraient poser une dernière question avant d’approuver un nouveau pilote : quelle décision, quel flux de travail ou quel coût disparaîtra si ce projet réussit ?
Si personne ne peut répondre, l’entreprise n’a probablement pas besoin d’une nouvelle présentation. Elle a besoin de clarté sur le travail lui-même.
