La plupart des gens pensent que la formation s’arrête quand le travail commence. Cette croyance devient coûteuse, surtout à une époque où l’intelligence est externalisée et banalisée.

Les compétences se périment désormais plus vite que les carrières, et l’innovation accélère ce mouvement. C’est pourquoi une réponse a retenu mon attention. Dans une interview avec TBPN, on a demandé à Mark Cuban quelle serait la prochaine grande opportunité d’emploi pour les étudiants. Sa réponse n’a pas été « apprenez à coder » ni « obtenez un diplôme en data science ». Elle a été celle-ci :

« Les entreprises ne comprennent pas comment mettre en œuvre l’IA en ce moment pour obtenir un avantage concurrentiel… apprenez à personnaliser un modèle, entrez dans une entreprise, montrez les bénéfices. Ce sont tous les emplois qui seront disponibles pour les jeunes qui sortent de l’école. »

Il a raison. La plupart des entreprises ne savent pas comment mettre en œuvre l’IA, surtout les petites. Mais je pense qu’il minimise le problème.

J’ai répondu sur X :

Un problème majeur que l’IA va amplifier est celui de la délégation face au contrôle, en particulier le micromanagement. Si un manager a déjà du mal à déléguer des tâches à des humains, il est difficile d’imaginer comment cela fonctionnera avec une équipe d’agents IA. Apprendre à faire confiance à son équipe sera important pour rester pertinent et compétitif à long terme. La plupart des entreprises ne comprennent toujours pas pourquoi elles ne sont pas prêtes pour l’IA. Elles ont de nombreuses inefficacités humaines et ne documentent pas leurs processus. Mettre en œuvre l’IA ne consiste pas à acheter un outil SaaS ou un système que l’on branche en attendant de la magie.

Cet article décortique pourquoi cela arrive et ce qu’il faut faire.

Un petit mot avant le prompt que je partage

Le lien vers le long prompt ci-dessous est une version de départ, destinée à montrer la méthode, pas le playbook complet. Les vraies mises en œuvre demandent plus de profondeur, car certains principes, comme celui de « correct », changent selon le flux de travail, le niveau de risque, les sources de données et la personne qui valide.

En pratique, chaque étape de la méthode a son propre prompt et ses propres contrôles, adaptés au contexte de l’entreprise. Cet exemple est volontairement générique, pour que chacun puisse l’essayer, comprendre la logique et voir où son système casse : responsabilités floues, entrées désordonnées, boucles d’approbation, ou absence de définition de « correct ».

Si vous voulez une version propre à votre secteur et l’ensemble complet des prompts, y compris la façon de définir des niveaux de risque, de construire un petit jeu d’évaluation et de concevoir la surveillance, contactez-moi (mes coordonnées sont à la fin de cet article), et je l’adapterai à votre flux de travail.

Prompt universel d’audit de préparation à l’IA

Le problème de délégation que personne ne veut nommer

Si un manager a déjà du mal à déléguer des tâches à des humains, il est difficile d’imaginer comment cela fonctionnera avec une équipe d’agents IA.

Relisez cela !

Ce n’est pas un problème technique. C’est un problème d’esprit d’équipe et un problème de leadership. Et c’est le même problème que Jocko Willink et son équipe chez Echelon Front diagnostiquent dans les organisations depuis des années, bien avant que quiconque parle d’agents IA.

Je recommande vivement de lire ses livres ou d’écouter son podcast chaque mercredi.

La thèse centrale de Willink est simple : le leadership repose sur la confiance, la responsabilité et le commandement décentralisé. On ne peut pas faire grandir une équipe si chaque décision doit passer par soi ; cela devient un goulot d’étranglement. Le travail du leader est de fixer une intention claire, de former l’équipe, puis de s’effacer pour qu’elle puisse exécuter et trouver des solutions, en toute confiance.

La plupart des managers échouent sur ce point avec des humains. Ils disent vouloir de l’autonomie, mais ils conçoivent des systèmes qui exigent des points de contrôle constants. Ils prétendent faire confiance à leur équipe, mais ils relisent chaque production avant qu’elle ne parte.

Avec un fait simple… Faites ce que je dis, mais pas ce que je fais.

Donnez maintenant à ce même manager un agent IA.

Que pensez-vous qu’il se passe ?

Les mêmes schémas apparaissent, simplement plus vite et de façon plus visible.

L’agent produit un résultat.

Le manager le relit.

L’agent attend.

Le manager remet tout en question.

L’agent reste en attente.

Le cycle recommence…

Cela devient une boucle, une illusion de travail, ou du faux travail (in)volontaire déguisé en progrès, où rien n’avance réellement dans la vue d’ensemble.

Comme dans la salsa cubaine (la danse) : 3 pas en avant, 2 pas en arrière, expliqués dans mon article précédent sur la recherche du bon rythme pour innover sans perdre notre humanité.

Comme l’a dit Einstein : faire les mêmes choses encore et encore en attendant des résultats différents, c’est la définition de la folie !

Pourquoi tout ralentit-il après la belle vidéo de démonstration d’IA que vous avez vue ?

Le lundi, votre équipe est enthousiaste. Vous déployez un agent pour gérer un flux de travail que tout le monde déteste : trier les tickets de support, créer des briefs de campagne, nettoyer les notes du CRM,…

Le mercredi, l’agent « fonctionne » au sens étroit. Il produit un résultat.

Le vendredi, l’équipe se sent plus lente.

Mais attendez, c’est presque la fin de semaine… Que s’est-il passé ?

L’agent produit plus de brouillons, mais la livraison ralentit. Les relectures s’accumulent, les managers ajoutent des validations supplémentaires, et les gens contournent l’outil officiel avec des solutions privées, en utilisant leurs licences d’IA grand public avec Gemini ou ChatGPT, juste pour tenir les délais… Allô ? Des informations sensibles fuient dans des recherches web sur Google.

Si cela vous dit quelque chose, le modèle d’IA n’est pas le problème principal. La conception du contrôle, si.

Une étude de juillet 2025 de METR, une organisation de recherche spécialisée dans l’évaluation de l’IA, a trouvé quelque chose qui va à l’encontre de l’intuition : des développeurs open source expérimentés qui utilisaient des outils d’IA ont mis 19 % de temps en plus pour terminer leurs tâches que lorsqu’ils travaillaient sans IA. Plus frappant encore, les développeurs s’attendaient à ce que l’IA les accélère de 24 %, et même après avoir vécu le ralentissement, ils croyaient toujours que l’IA les avait aidés. (METR, juillet 2025)

L’étude a constaté que les goulots d’étranglement de la relecture ont absorbé les gains. L’IA produisait davantage, mais vérifier cette production par rapport aux standards du dépôt, aux exigences de documentation et à la couverture de tests prenait plus de temps que celui que l’IA faisait gagner.

Une observation du secteur partagée par Enaiblement le dit sans détour : « Pour 1 heure gagnée grâce à l’IA, les organisations passent 2 heures à la vérifier. » Ce n’est pas une vérité universelle, mais c’est un schéma reconnaissable pour quiconque a déployé de l’automatisation dans une équipe qui n’était pas prête. (Enaiblement, LinkedIn, septembre 2025)

Ce n’est pas un cas marginal

Avant de construire des cadres, mesurons l’ampleur du phénomène.

Le rapport NANDA State of AI in Business du MIT (2025) a constaté que « 95 % des organisations n’obtiennent aucun retour… Seulement 5 %… en tirent des millions de valeur ». Les cas de réussite ne font pas tourner de meilleurs modèles. Ils font tourner de meilleurs flux de travail.

Selon l’enquête de décembre 2025 d’Emergent Mind, « 68 % des agents en production exécutent au plus 10 étapes avant de nécessiter une intervention humaine ». Ces agents n’échouent pas parce qu’ils sont incapables. Ils ralentissent parce qu’ils sont intégrés dans des architectures de contrôle conçues pour le travail manuel.

Et quand les outils officiels paraissent trop lents, les employés les contournent. L’enquête de KPMG auprès de 48 000 travailleurs a révélé que « 57 % disent avoir caché leur usage de l’IA ou présenté un travail généré par l’IA comme le leur ».

Ces chiffres décrivent un problème de système, pas un problème de technologie.

Où se loge le goulot d’étranglement humain

Une grille de diagnostic, pas un cadre vaudou de magie noire

Pour qu’un agent fonctionne, il lui faut 3 choses :

Un état clair, une cible claire et un chemin sûr et testable entre les deux.

Si l’un d’eux manque, votre agent devient un conseiller, utile, parfois impressionnant d’intelligence ou d’apparence correcte, mais bloqué !

Mais la triade est un diagnostic, pas une solution complète. Chaque élément demande des composants que l’on peut construire.

Pensez-y comme au transfert d’argent. Un virement bancaire fonctionne non pas parce que le guichetier derrière son bureau est intelligent, mais parce qu’il existe des rails, des plafonds, des contrôles et des annulations.

Le virement est réversible pendant un délai. Il existe une piste d’audit. Il existe des plafonds de transaction et des règles. Le risque de chaque action prise isolément est contenu. C’est ce que signifie, en pratique, un chemin sûr et testable.

C’est pourquoi l’intelligence n’est pas le facteur limitant. L’infrastructure, si.

Les agents IA ne règlent pas la dette de leadership. Ils la font remonter à la surface.

L’artefact manquant : l’accord de qualité (Quality Agreement)

« Cible claire » paraît simple jusqu’à ce qu’on essaie de la définir.

La plupart des équipes sautent cette étape. Elles disent « on le saura quand on le verra » ou « le relecteur repérera les problèmes ». Ensuite, la semaine 1, une réponse plausible ressemble à un succès. La semaine 3, quelqu’un se plaint que les chiffres ne correspondent pas à ceux de la finance. La semaine 6, le service juridique dit que le ton n’est pas le bon. Ce ne sont pas des retouches. Ce sont des produits différents.

Nate B. Jones, expert en stratégie d’IA et en développement de produits, utilise une séquence en 7 étapes : Définir, Décider, Traduire, Spécifier, Anticiper, Mesurer, Exploiter.

C’est une liste de contrôle pratique pour passer de « nous voulons de l’IA » à « l’IA fonctionne de façon fiable. »

Après une recherche sur le web, 2 autres cadres couvrent un terrain similaire :

NIST AI Risk Management Framework (AI RMF) est une norme du gouvernement des États-Unis pour gérer le risque lié à l’IA. Il est conçu pour les organisations qui doivent démontrer un usage responsable de l’IA à des régulateurs, des auditeurs ou des clients entreprises. 4 fonctions : Govern (politiques transversales), Map (comprendre le contexte et les parties prenantes), Measure (évaluer les risques et la performance), Manage (répondre et surveiller). Si vous vendez à des administrations, à la santé ou à la finance, ou comptez le faire, c’est le langage de conformité que parlent vos acheteurs.

MLOps Lifecycle est le playbook d’ingénierie pour déployer du machine learning en production. Il couvre la définition du problème, la préparation des données, l’entraînement du modèle, le déploiement et la surveillance. Si vous construisez des modèles sur mesure ou travaillez avec des équipes de data science, c’est leur flux de travail. Pour la plupart des PME qui utilisent des outils d’IA prêts à l’emploi, vous n’aurez pas besoin de toute la pile MLOps, mais le principe « surveiller après le lancement » s’applique toujours.

Vous n’avez pas besoin de mémoriser ces cadres. Ce qui compte, c’est le schéma qu’ils partagent :

  1. Définir ce que vous résolvez et ce que « correct » veut dire
  2. Construire avec des protections et des points de contrôle
  3. Mesurer avant et après
  4. Surveiller en production, ne pas supposer que la qualité du jour du lancement dure

La qualité n’est pas une propriété du modèle. C’est un accord d’équipe. Sans accord écrit sur ce que « correct » veut dire, vous obtenez des objectifs qui bougent, puis vous reprochez au modèle de ne pas être fiable. Le modèle n’a pas changé. Votre définition, si.

Un accord de qualité répond à ces questions :

  1. Qui utilise ce résultat, et quelle décision en découle ?
  2. Qu’est-ce qui doit être vrai ? (3 à 5 règles)
  3. Qu’est-ce qui ne doit jamais arriver ? (3 à 5 règles)
  4. Quelle incertitude est admise ? (Quand le système peut-il dire « je ne sais pas » ?)
  5. Exemples : 2 à 3 résultats corrects, 1 à 2 résultats inacceptables, dans le format réel
  6. Contrôles réussite/échec : des seuils quand c’est possible, des critères de jugement humain sinon
  7. Règle d’escalade : quand cela passe-t-il à un humain, et qui est cet humain ?

Si votre équipe ne parvient pas à s’accorder sur ces 7 points, vous n’avez pas un problème de qualité. Vous avez un problème d’exigences. Et aucun modèle ne réglera cela.

C’est pourquoi les pilotes patinent. Pas parce que l’IA est peu fiable, mais parce que les équipes résistent à définir la qualité, car la définir impose des arbitrages qu’elles préféreraient éviter.

La boucle de double vérification

La plupart des équipes débattent du contrôle en termes moraux. « Les gens ne font pas confiance à l’IA. » « La direction fait du micromanagement. » Ces arguments créent de la chaleur, pas du progrès.

Le vrai problème, c’est que les relectures s’allongent quand les relecteurs sont forcés de « juger » au lieu de « vérifier ». Sans contrôles réussite/échec écrits à l’avance et sans exemples représentatifs, chaque relecture devient une négociation. C’est épuisant. Alors on ajoute des relecteurs pour répartir la faute. Ce qu’il vous faut, ce sont des mesures, pas des opinions.

Tableau de bord des indicateurs de micromanagement

Un article de 2025 sur les opérations de LLM avec l’humain dans la boucle indique que des systèmes de relecture par niveaux, où les résultats à plus haut risque reçoivent une relecture d’expert tandis que les cas courants avancent avec un échantillonnage, peuvent réduire les coûts de conformité de 25 % tout en maintenant la qualité. (WJAETS, mai 2025)

C’est la logique de l’assurance qualité (AQ) par opposition au contrôle qualité (CQ) dans l’industrie manufacturière. On n’inspecte pas chaque étape du processus, même la plus fine, au microscope. On fixe des tolérances, on échantillonne et on fait remonter les exceptions.

Le même principe s’applique aux résultats de l’IA.

Une sécurité qui passe à l’échelle sans paralysie

La conception de contrôle la plus simple qui passe à l’échelle : 2 voies.

Voie rapide pour le travail à faible risque.

Voie lente pour le travail à haut risque.

C’est ainsi que les aéroports traitent les passagers. Tout le monde ne suit pas le même parcours. Ils séparent les risques, puis appliquent les bons contrôles.

2 règles pratiques

Premièrement, la voie rapide doit être plus facile que la voie parallèle. Si votre outil officiel demande 4 clics et ChatGPT 1, vous avez déjà perdu.

Deuxièmement, la voie lente doit être précise, pas vague. Si la voie lente est vague, elle grossit. Ensuite, tout devient voie lente.

La sécurité passe à l’échelle quand la qualité est explicite et le risque proportionné. C’est pourquoi la surveillance existe : les tests manquent des cas limites du monde réel, donc l’exploitation a besoin de contrôles continus, pas seulement de barrières avant le lancement.

Un article de recherche de décembre 2025 a testé cette idée directement dans des systèmes à plusieurs agents. Les chercheurs ont mené 180 expériences contrôlées sur 5 architectures de coordination et 3 grandes familles de modèles. Ils ont constaté que des agents indépendants, autrement dit fonctionnant sans points de contrôle partagés, amplifiaient les erreurs environ 17 fois plus vite qu’une référence à un seul agent. L’ajout d’un rôle de coordinateur avec des portes de validation a réduit cette amplification à environ 4 fois la référence. Toujours imparfait, mais une amélioration majeure. (Kim et al., arXiv:2512.08296, décembre 2025)

En langage simple, voici la nuance entre la coordination centralisée et le commandement décentralisé (souvenez-vous de Jocko) : la coordination centralisée consiste à avoir un point commun, humain ou automatisé, qui oriente le travail et attrape les erreurs avant qu’elles ne se propagent.

Il ne s’agit pas de hiérarchie ni de contrôle. Il s’agit de l’endroit où vous placez les points de contrôle.

Un pilote de 14 jours qui produit du signal

Si vous voulez des résultats, ne commencez pas par 10 flux de travail. Commencez par 1.

Livrables du pilote :

  • Un accord de qualité de 1 page (la référence commune de ce que « terminé » veut dire)
  • Un petit jeu d’évaluation (20 à 50 exemples) avec des contrôles réussite/échec
  • Un test de régression que vous pouvez relancer quand les prompts ou les flux de travail changent

Au jour 14, vous voulez 1 résultat : le ratio de vérification avant et après.

Puis 1 contrôle de cohérence : le taux de reprise est-il resté stable ?

Si la relecture baisse et que les reprises restent stables, la conception du contrôle était le goulot d’étranglement. Si la relecture baisse et que les reprises explosent, votre découpage par niveaux ou votre cible est mauvais. Si rien ne change, votre goulot d’étranglement est probablement l’état, les données ou l’accès aux outils.

Limites

Certains travaux doivent rester lents. Certains travaux doivent rester lents. Les questions juridiques, les décisions critiques pour la sécurité et les actions financières irréversibles exigent des contrôles solides. En Europe, et bientôt probablement aux États-Unis, le règlement européen sur l’IA (AI Act) exige une supervision humaine pour les systèmes à haut risque. L’objectif n’est pas la vitesse partout. L’objectif est un contrôle proportionné au risque.

Nous verrons probablement des affaires de responsabilité importantes, avec des cabinets d’avocats et des compagnies d’assurance qui se développent rapidement pour couvrir les dommages causés par des agents IA.

L’intelligence artificielle crée aussi des emplois, non ?

Les enquêtes peuvent induire en erreur. Les données autodéclarées peuvent exagérer ou masquer la réalité.

Le chiffre de 57 % de personnes qui « cachent leur usage de l’IA » est indicatif ; validez-le dans votre propre contexte.

Le contrôle n’est pas toujours le goulot d’étranglement. La qualité des données, la dette d’intégration, la capacité du modèle et l’adéquation au flux de travail peuvent être les vrais blocages. Utilisez le tableau de bord à 5 indicateurs pour distinguer les goulots d’étranglement de contrôle des goulots d’étranglement d’intégration.

Les définitions de la qualité dérivent. Ce qui compte comme « correct » la semaine 1 peut ne plus correspondre à la semaine 12. Prévoyez un rythme de revue, au moins mensuel, pour vérifier que votre accord de qualité correspond toujours à la réalité.

Si cela vous a semblé familier, c’est normal

Les problèmes de délégation d’humain à humain sont copiés dans la délégation d’humain à agent, mais amplifiés par la vitesse. Le manager qui ne pouvait pas lâcher les validations pour son équipe humaine ne lâchera pas non plus les validations pour son agent IA. L’organisation qui n’a jamais documenté ses processus constatera que l’IA n’a rien de propre à amplifier. Le flux de travail qui exigeait 3 validations avant n’en exigera pas soudain moins simplement parce que le travail est automatisé.

Prescription n° 1 : passer d’une relecture à 100 % à un contrôle fondé sur le risque

La refonte la plus puissante consiste à rendre le niveau de supervision humaine proportionnel au risque de la tâche. Au lieu de traiter chaque production de l’IA comme une décision à fort enjeu, créez des « voies rapides » pour les actions à faible risque et facilement réversibles, et réservez la relecture intensive à ce qui compte vraiment.

Prescription n° 2 : commencer par les périphéries « ennuyeuses », pas par le cœur

L’instinct est d’automatiser la partie la plus complexe et à plus forte valeur d’un flux de travail.

Cela échoue souvent à cause d’une complexité cachée et d’un manque de confiance dans l’organisation.

Une stratégie plus efficace consiste à automatiser d’abord les « périphéries », les tâches répétitives et mécaniques qui entourent le travail d’expertise central. Cela crée de l’élan, démontre la valeur et gagne la confiance nécessaire pour, à terme, s’attaquer au cœur.

Si votre organisation a du mal à déléguer à des humains, elle aura du mal à déléguer à des agents. Corrigez d’abord le système humain.

Les agents IA ne sont pas le goulot d’étranglement. Le goulot d’étranglement, c’est le système humain autour d’eux : la confiance, le contexte, les décisions et la volonté de définir ce que « qualité » veut réellement dire.

Les agents IA patinent quand les équipes refusent de définir la qualité, car la définir impose des arbitrages. Les équipes qui réussissent sont celles qui ont cette conversation tôt, la mettent par écrit et la traitent comme un document vivant, pas comme un exercice ponctuel.

Ce que cet article apporte (et comment l’utiliser)

Ce texte est écrit pour trois rôles qui se recoupent :

  • Dirigeants et fondateurs qui se demandent pourquoi les investissements en IA ont l’air bons dans les présentations mais patinent dans la réalité.
  • Managers et responsables d’équipe qui sont désormais « responsables de l’IA » par défaut mais manquent déjà de temps.
  • Intégrateurs d’IA opérationnels qui construisent des prompts, des agents et des flux de travail au-dessus de modèles.

Vous pouvez l’utiliser de trois façons :

  1. Comme une grille de diagnostic : pour nommer les goulots d’étranglement humains et de contrôle qui ralentissent vos projets d’IA.
  2. Comme un playbook : pour concevoir un pilote de 14 jours qui produit un vrai signal, pas du théâtre.
  3. Comme un vocabulaire commun : pour aligner la direction, les opérations et les bâtisseurs sur « à quoi ressemble un bon résultat » avant de déployer plus d’outils.

Si vous expérimentez déjà avec des agents, je vous invite à choisir un flux de travail pendant votre lecture et à le garder en tête. Vous tirerez plus de valeur de cet article si vous rattachez chaque section à ce flux de travail plutôt que de la traiter comme une théorie abstraite.

Sources

  1. Étude METR, juillet 2025 : des développeurs expérimentés 19 % plus lents avec des outils d’IA https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/
  2. Observation d’Enaiblement, LinkedIn, septembre 2025 : « 2 heures de vérification pour 1 heure gagnée »https://www.linkedin.com/posts/enaiblementai-productivity-business-activity-7368731307050196994-4yu5
  3. Kim et al., « Towards a Science of Scaling Agent Systems », arXiv:2512.08296, décembre 2025 https://arxiv.org/abs/2512.08296
  4. Article WJAETS, mai 2025 : Human in the Loop LLMOps, la relecture par niveaux réduit les coûts de conformité de 25 % https://journalwjaets.com/sites/default/files/fulltextpdf/WJAETS-2025-0643.pdf
  5. MIT NANDA State of AI in Business 2025 https://mlq.ai/media/quarterlydecks/v0.1StateofAIinBusiness2025Report.pdf
  6. Emergent Mind, décembre 2025 : 68 % des agents nécessitent une intervention humaine en 10 étapes au plus https://www.emergentmind.com/papers/2512.04123
  7. Enquête KPMG sur l’IA fantôme (Shadow AI Survey), 2025 : 57 % cachent leur usage de l’IA (n=48 000) https://kpmg.com/kpmg-us/content/dam/kpmg/pdf/2025/shadow-ai-already-here-take-control-reduce-risk-unleash-innovation.pdf
  8. IAIS, « Global Insurance Market Report 2025 », décembre 2025. Ce bond de la divulgation des risques liés à l’IA (4 % → 43 %) montre que les régulateurs et les entreprises prennent au sérieux le risque de supervision et de responsabilité, qui représente aujourd’hui plusieurs milliards de dollars avec des taux de croissance de +30 % et plus, et des prévisions d’expansion vers des dizaines de milliards d’ici 2033.

https://www.iais.org/uploads/2025/12/Global-Insurance-Market-Report-2025.pdf

Formateur en IA & conseiller en stratégie d’automatisation |

J’apprends aux équipes à éviter la bouillie produite par l’IA & l’automatisation excessive