Le podcast 100% IA et 100% Comex

Guillaume Vigneron
  • 5,0 (4)
  • Affaires
  • Tous les jours

Ce podcast, produit par Guillaume Vigneron, analyse l’impact de l’intelligence artificielle générative sur la gouvernance, la décision et le pilotage des organisations. En moins de 10 minutes par épisode, avec une publication pluri hebdomadaire, il examine les sujets structurants : transformation des modèles managériaux, arbitrages stratégiques, évolution des compétences, productivité, risques opérationnels, biais algorithmiques ou encore nouvelles formes de leadership. Une série concise et directe, pensée pour les décideurs qui doivent comprendre, tester et intégrer l'IA générative.

  1. -3 h

    Agents IA : la grande automatisation n’aura pas lieu comme prévu

    L’IA agentique marque une nouvelle étape dans l’évolution de l’intelligence artificielle. Après l’IA classique, fondée sur des algorithmes spécialisés, puis l’IA générative, capable de produire une réponse à partir d’une demande, les systèmes agentiques peuvent désormais agir dans un environnement. Ils recherchent de l’information, naviguent entre plusieurs applications, manipulent des fichiers et réalisent des séquences d’actions pour atteindre un objectif. Cette capacité les distingue aussi de l’automatisation traditionnelle. Les outils de RPA exécutent des règles précises sur des processus stables et répétitifs. Un agent dispose de davantage d’autonomie et peut s’adapter à certaines variations. Cette souplesse ne signifie toutefois pas qu’il puisse être lancé sans contrôle. Pour fonctionner correctement, il doit intervenir sur des tâches suffisamment définies, disposer des bonnes informations et produire un résultat dont les attentes sont claires. C’est précisément là que les difficultés commencent. Un métier ne se résume pas à quelques grandes responsabilités. Il peut être décomposé en plus d’une centaine de microtâches, dont seule une partie se prête réellement à l’agentisation. À l’échelle d’une entreprise, multiplier les agents suppose donc de gérer leur coordination, leurs droits d’accès, leur coût et la supervision de leurs résultats. L’IA agentique ne conduit donc pas mécaniquement à la disparition des emplois. Elle provoque plutôt une recomposition du travail. Certaines tâches peuvent être déléguées, tandis que d’autres prennent davantage d’importance : jugement, contrôle, relation humaine, compréhension du contexte ou gestion des situations ambiguës. Le modèle « pilote, copilote, autopilote » permet de représenter cette évolution. En mode pilote, l’humain conserve la maîtrise des activités qui exigent jugement et interaction. En mode copilote, l’IA apporte de l’information et assiste le professionnel. En mode autopilote, certaines tâches bien définies sont exécutées par des agents avec davantage d’autonomie. Cette évolution replace également la connaissance interne de l’entreprise au centre du sujet. Lorsque l’accès aux modèles devient courant, la différence se fait davantage sur la qualité des données, des processus et des savoirs propres à l’organisation. Le véritable enjeu n’est donc pas de créer le plus grand nombre d’agents possible. Il consiste à déterminer ce qu’il est utile de leur déléguer, ce qui doit rester sous contrôle humain et comment reconstruire intelligemment l’organisation du travail autour de cette nouvelle répartition. Contenu généré avec l'aide de l'IA générative

    Agents IA : la grande automatisation n’aura pas lieu comme prévu

  2. -1 j

    L’IA va-t-elle décider de vos horaires ?

    La gestion des plannings constitue un terrain particulièrement intéressant pour l’IA générative, à condition de bien comprendre ce qu’elle apporte réellement. Un planning complexe reste avant tout un problème d’optimisation sous contraintes. Il faut tenir compte des disponibilités, des compétences, des horaires, des règles légales, des coûts et parfois des préférences individuelles. Les moteurs d’optimisation savent traiter ce type de problèmes depuis longtemps. Les grands modèles de langage ne sont pas naturellement meilleurs pour effectuer ces calculs et peuvent même produire des plannings apparemment cohérents qui enfreignent certaines contraintes. La véritable rupture se situe ailleurs. L’IA générative permet désormais de dialoguer avec les systèmes de planification en langage naturel. Un manager peut demander qui pourrait remplacer un salarié absent, pourquoi une personne a été affectée à un créneau précis ou quelles conséquences aurait l’ajout de deux collaborateurs à une équipe. L’IA peut également extraire des contraintes depuis des e-mails, des documents ou des conversations et les transmettre à un moteur spécialisé. Cette logique apparaît déjà dans les agendas personnels et professionnels. Microsoft Copilot et Google Gemini peuvent rechercher des disponibilités, proposer des créneaux, créer des événements ou faciliter leur replanification. Dans la gestion des équipes, des solutions comme Oracle, Workday ou UKG associent progressivement prévisions, règles métier, optimisation et interfaces conversationnelles. L’étape suivante est celle des agents. Face à une absence, un système pourrait identifier le besoin, rechercher les remplaçants disponibles, vérifier leurs compétences et leur temps de travail, proposer une solution puis modifier le planning après validation. Le planning devient alors dynamique et continuellement ajustable. Cette évolution soulève toutefois une question majeure : que cherche-t-on à optimiser ? Réduire les coûts peut conduire à des horaires plus instables. Maximiser les préférences individuelles peut augmenter les dépenses. La planification contient donc toujours des choix de management. Le risque augmente lorsque l’IA commence à décider directement qui travaille, quand et dans quelles conditions. Les questions d’équité, de transparence, de données personnelles et de réglementation deviennent alors centrales. L’avenir le plus crédible repose donc sur des architectures hybrides. Le modèle génératif comprend les demandes et explique les arbitrages. Les moteurs de règles contrôlent les contraintes impératives. Les solveurs calculent les solutions. Les agents exécutent certaines décisions autorisées. Le vrai changement n’est donc pas que l’IA sache faire un planning. C’est qu’elle puisse progressivement comprendre, négocier et agir sur son évolution. Contenu généré avec l'aide de l'IA générative

    L’IA va-t-elle décider de vos horaires ?

  3. -2 j

    IA, cloud, données : pourquoi l’État veut tout remettre à plat

    À partir du 1er janvier 2027, la DINUM doit laisser place à ARIANE, l’Autorité du numérique et de l’intelligence artificielle de l’État. Derrière ce changement de nom se joue une réforme beaucoup plus large : l’État cherche à reprendre le contrôle d’un système numérique devenu très fragmenté entre ministères, agences et opérateurs. Aujourd’hui, chaque ministère dispose de ses propres directions numériques, de ses infrastructures, de ses applications et parfois de ses choix technologiques. Le ministère des Armées possède par exemple le Commissariat au numérique de défense, tandis que l’Intérieur, l’Éducation nationale ou Bercy disposent de leurs propres organisations. Cette autonomie répond à des besoins métiers réels, mais elle produit également des doublons, des systèmes difficiles à faire communiquer et des investissements réalisés séparément. ARIANE doit donc devenir une sorte d’architecte central du numérique de l’État. Son rôle sera de définir davantage de standards communs, de piloter certaines infrastructures stratégiques, d’encadrer les grands projets et de développer des briques technologiques partagées. L’intelligence artificielle prendra une place importante dans ce dispositif, avec l’objectif d’éviter que chaque administration développe séparément ses propres outils génériques, ses infrastructures ou ses assistants. Cette centralisation ne signifie toutefois pas la disparition des autres acteurs. L’ANSSI conserve la responsabilité de la cybersécurité. La CNIL reste compétente sur les données personnelles et certaines dimensions de la régulation de l’IA. Les directions numériques ministérielles continuent de gérer leurs systèmes métiers. Le Commissariat au numérique de défense conserve notamment un rôle très important pour les systèmes militaires. Une future Direction des services publics devrait, de son côté, se concentrer davantage sur les démarches administratives et l’expérience des usagers. La réforme repose donc sur un équilibre délicat. ARIANE doit centraliser ce qui peut raisonnablement l’être sans empêcher les ministères de répondre à leurs besoins spécifiques. Trop peu de pouvoir et la fragmentation actuelle continuera. Trop de centralisation et les administrations multiplieront les exceptions pour contourner des standards mal adaptés à leurs contraintes. La vraie question ne sera donc pas de savoir si ARIANE publie de nouvelles doctrines numériques. Elle sera de mesurer son pouvoir réel sur les architectures, les investissements et les grands projets. Le succès de la réforme dépendra de sa capacité à transformer des systèmes existants, et pas seulement à produire de nouvelles règles. Contenu généré avec l'aide de l'IA générative

    IA, cloud, données : pourquoi l’État veut tout remettre à plat

  4. -3 j

    L’IA est morte, vive la Super Intelligence ?

    Le 29 septembre 2026, Donald Trump a signé un décret demandant à l’administration fédérale américaine d’utiliser désormais l’expression « Super Intelligence », ou SI, à la place d’« Artificial Intelligence », ou AI. Le changement peut sembler purement lexical. Il mérite pourtant d’être regardé de près, car les mots employés pour désigner une technologie influencent aussi la manière dont les États, les entreprises et le public la perçoivent. À court terme, rien ne permet d’affirmer que l’intelligence artificielle serait soudain devenue « superintelligente ». Le décret américain précise même que, dans l’immédiat, la Super Intelligence recouvre les technologies déjà considérées juridiquement comme de l’intelligence artificielle. Il ne s’agit donc pas de constater un nouveau niveau de capacités techniques, mais de modifier le cadre dans lequel ces capacités sont présentées. Ce choix crée d’ailleurs une confusion avec le sens historique du terme « superintelligence ». Dans la littérature scientifique, celui-ci désigne généralement une intelligence qui dépasserait largement les meilleures capacités humaines dans de nombreux domaines. Une telle définition est très différente de celle que Washington applique aujourd’hui à l’ensemble de l’IA. Le changement prend néanmoins une dimension politique. L’administration américaine commence à construire des institutions et des politiques publiques autour de cette nouvelle appellation. Elle a également engagé un dialogue avec la Chine sur les systèmes avancés d’intelligence artificielle. Mais contrairement à certaines déclarations américaines, Pékin n’a pas officiellement abandonné le terme « intelligence artificielle ». Les autorités chinoises continuent de l’utiliser et indiquent simplement respecter le choix terminologique américain. L’Europe, elle, ne change rien pour le moment. L’AI Act, les institutions européennes et les principaux cadres internationaux continuent de parler d’intelligence artificielle. Il serait donc prématuré pour les entreprises européennes d’abandonner cette expression. Le véritable enjeu se situe ailleurs. En parlant de « Super Intelligence », les États-Unis ne définissent plus la technologie par son caractère artificiel, mais par sa puissance supposée. L’IA est ainsi présentée de plus en plus comme une capacité stratégique, comparable à une infrastructure de puissance économique, militaire ou industrielle. La question n’est donc pas encore de savoir si le monde doit rebaptiser l’intelligence artificielle. Il faut plutôt observer si ce nouveau vocabulaire américain sera repris par les grandes entreprises technologiques et, à terme, par les autres puissances. Si cela arrive, ce qui ressemble aujourd’hui à une bataille de mots pourrait devenir une véritable bataille de représentation de l’IA. Contenu généré avec l'aide de l'IA générative

    L’IA est morte, vive la Super Intelligence ?

  5. -6 j

    IA agentique : l’humain récupérera-t-il seulement les problèmes ?

    L’arrivée d’agents capables d’agir à la place de l’utilisateur change la nature du débat sur l’intelligence artificielle. Le cas de Fo, développé par la start-up Wajo, est particulièrement révélateur. L’agent peut appeler, envoyer des messages, prendre des rendez-vous, passer des commandes ou modifier des réservations. Mais lorsqu’il ne parvient plus à avancer, un véritable assistant humain prend le relais. Ce fonctionnement montre que l’autonomie des agents reste relative. Dans les environnements numériques structurés, l’IA peut déjà accomplir des chaînes d’actions assez longues. Elle rencontre davantage de difficultés lorsqu’elle doit composer avec des situations imprévues, des règles implicites ou des interlocuteurs humains. Le monde réel reste plein d’exceptions. Mais le sujet dépasse largement la performance technique. À mesure que les agents prennent davantage d’initiatives, une question devient centrale : jusqu’où peut-on leur déléguer une décision ? La distinction importante n’est donc plus simplement entre ce que l’IA sait faire et ce qu’elle ne sait pas faire. Il faut distinguer ce qu’elle est capable de faire de ce qu’on l’autorise à faire. Un agent peut techniquement modifier une réservation, effectuer un achat ou envoyer un message au nom d’un utilisateur. L’organisation doit pourtant déterminer dans quelles circonstances il peut agir seul, quand il doit demander une validation et à partir de quel niveau de risque un humain doit reprendre la main. L’IA agentique rapproche ainsi fortement la technologie des questions traditionnelles du management. Déléguer à une machine oblige à définir un périmètre d’autorité, des règles d’escalade et des responsabilités. Elle oblige aussi à déterminer quel taux d’erreur est acceptable pour chaque processus. Cette évolution produit un autre effet moins visible. Plus l’IA traite les situations ordinaires, plus les humains risquent de récupérer uniquement les cas complexes, ambigus ou conflictuels. Leur travail ne devient donc pas nécessairement plus simple. Il peut au contraire exiger davantage de jugement et de compétences. Enfin, conserver un humain dans la boucle ne constitue pas une garantie absolue. Si les personnes supervisent des systèmes qui effectuent l’essentiel du travail, elles peuvent progressivement perdre leur capacité à détecter les erreurs ou à reprendre efficacement le contrôle. Le véritable enjeu de l’IA agentique n’est donc pas seulement l’automatisation du travail. Il concerne la manière dont les organisations vont répartir l’autorité, le jugement et la responsabilité entre humains et machines. Contenu généré avec l'aide de l'IA générative

    IA agentique : l’humain récupérera-t-il seulement les problèmes ?

  6. 1 oct.

    Output to Outcome : le grand paradoxe de la productivité à l’ère de l’IA

    L’essor de l’intelligence artificielle crée un paradoxe majeur dans les entreprises : jamais les équipes n’ont disposé d’autant de puissance pour produire, coder, analyser ou rédiger, et pourtant cette accélération ne se traduit pas automatiquement par davantage de valeur. C’est la thèse centrale de "Output to Outcome" de Mik Kersten. Selon lui, l’IA ne supprime pas les contraintes ; elle les déplace. Lorsque la production de travail intellectuel devient abondante et peu coûteuse, le véritable goulot d’étranglement n’est plus la capacité à produire, mais la capacité de l’organisation à décider, coordonner, financer, prioriser, mesurer et apprendre. Les données mobilisées par Kersten sont frappantes : dans les flux de valeur étudiés, seule une faible part du temps total est réellement consacrée au développement, tandis que l’essentiel se perd dans les attentes, les validations, les transferts et les processus organisationnels. Accélérer uniquement la production locale peut donc avoir un effet limité sur la performance globale. Pire encore, une organisation qui mesure surtout le volume de fonctionnalités, de tickets, de lignes de code ou de livrables risque d’utiliser l’IA pour produire davantage de choses sans produire davantage de résultats. Kersten propose ainsi de passer d’une logique d’outputs à une logique d’outcomes. Le Product Operating Model structure l’organisation autour de flux de valeur. L’Outcome Loop relie stratégie, feuille de route, flux de travail et résultats mesurables dans une boucle d’apprentissage continue. L’Outcome Tree étend cette logique à l’ensemble de l’entreprise en faisant des résultats, plutôt que des tâches, la colonne vertébrale de la responsabilité et de la coordination. Cette transformation suppose aussi une nouvelle discipline de leadership : l’Outcome Management. Les décisions, les budgets et la responsabilité doivent se rapprocher des équipes capables d’agir sur la valeur client. Les petites équipes autonomes, des architectures modulaires et des boucles de feedback rapides deviennent alors plus importantes que l’augmentation brute de capacité. Les transitions proposées vont dans le même sens : passer des fonctions aux flux, du chaos à la cadence, des managers aux makers et des structures matricielles à davantage de modularité. Le message de Output to Outcome est donc clair : l’IA agit comme un amplificateur du système existant. Une organisation bien conçue peut amplifier sa création de valeur ; une organisation encombrée de silos, de validations et de métriques d’activité risque surtout d’amplifier son gaspillage. À l’ère de l’IA, la question stratégique n’est plus « combien pouvons-nous produire ? », mais « quel changement mesurable pouvons-nous provoquer ? ». La performance se joue désormais dans la capacité à transformer la vitesse en impact. Contenu généré avec l'aide de l'IA générative

    Output to Outcome : le grand paradoxe de la productivité à l’ère de l’IA

  7. 30 sept.

    Quels sont les nouveaux métiers IA à horizon 2030 ?

    À horizon 2030, l’impact principal de l’IA générative sur l’emploi ne devrait probablement pas être l’apparition d’une multitude de nouveaux métiers. Le changement le plus profond sera plutôt la transformation de métiers existants, parfois au point d’en modifier fortement le contenu sans en changer le titre. Quelques fonctions nouvelles vont néanmoins s’installer durablement. Elles concerneront surtout la conception des systèmes d’IA, leur intégration dans l’entreprise, l’évaluation de leurs performances, la sécurité, la gouvernance et l’orchestration de systèmes agentiques. Des profils comme AI Engineer, spécialiste de l’évaluation, architecte de systèmes agentiques ou responsable de gouvernance IA ont donc de bonnes chances de se développer. D’autres intitulés, comme Prompt Engineer ou manager d’agents IA, semblent plus fragiles. Les compétences qu’ils recouvrent peuvent devenir importantes tout en étant progressivement absorbées par les métiers existants. Le phénomène majeur concerne donc la redistribution des tâches. Les métiers du conseil, du droit, de la finance, du développement informatique, du marketing, des ressources humaines ou du management ne vont pas nécessairement disparaître. Une partie de leur travail peut en revanche être automatisée ou confiée à des agents. Recherche, rédaction standard, synthèse, reporting, documentation ou production de premiers livrables sont particulièrement concernés. La valeur du travail humain se déplace alors vers le cadrage, le jugement, l’arbitrage, la relation et la responsabilité. Les données d’usage d’Anthropic illustrent bien cette dynamique. Dans de nombreuses professions intellectuelles, l’IA pourrait théoriquement prendre en charge une part importante des tâches, alors que son utilisation réelle reste encore beaucoup plus faible. L’enjeu des prochaines années sera donc de comprendre à quelle vitesse cet écart se réduit. Cette évolution pose aussi un problème moins visible : celui des juniors. Beaucoup apprennent aujourd’hui leur métier en réalisant précisément les tâches que l’IA automatise le plus facilement. Les entreprises devront donc reconstruire les parcours d’apprentissage afin de produire les experts et managers de demain. La bonne question n’est finalement pas de savoir quels métiers vont disparaître ou apparaître. Elle consiste à examiner, métier par métier, ce qui sera réalisé par l’humain, par l’IA ou conjointement. D’ici 2030, la transformation du travail devrait ainsi être moins spectaculaire dans les intitulés de postes que profonde dans la réalité quotidienne des activités. Contenu généré avec l'aide de l'IA générative

    Quels sont les nouveaux métiers IA à horizon 2030 ?

  8. 29 sept.

    Pourquoi l’IA compte en tokens et pas en mots

    Un token est l’une des unités de base utilisées par les intelligences artificielles génératives pour traiter le langage. Contrairement à une idée fréquente, un token n’est pas forcément un mot. Il peut correspondre à un mot entier, à une partie de mot, à quelques caractères ou à un signe de ponctuation. Le découpage dépend du modèle et du système de tokenisation utilisé. Pour comprendre simplement le principe, on peut imaginer des briques Lego. Le modèle dispose d’une immense boîte contenant des fragments de texte de différentes tailles. Lorsqu’on lui transmet une phrase, un mécanisme appelé tokenizer la démonte en utilisant les briques disponibles. Ces tokens sont ensuite associés à des nombres, puis transformés en représentations mathématiques que le modèle peut traiter. L’IA ne lit donc pas directement une phrase comme un humain : elle traite une séquence de tokens. Lorsqu’elle génère une réponse, elle fonctionne également token par token. À partir de tout ce qui lui a été fourni, elle calcule quel token pourrait venir ensuite, en sélectionne un, puis recommence l’opération avec ce nouveau contexte. C’est pourquoi on compare parfois les grands modèles de langage à des systèmes d’autocomplétion extrêmement sophistiqués. La comparaison décrit correctement le mécanisme de génération, même si elle ne rend pas compte de toute la complexité des représentations construites par le modèle. Les tokens sont également importants parce qu’ils servent à mesurer la quantité d’information qu’un modèle peut traiter. On peut comparer sa fenêtre de contexte à un bureau de travail : les instructions, la conversation, les documents et les autres informations nécessaires doivent tenir sur ce bureau. Chaque token en occupe une petite partie. Une grande fenêtre de contexte permet donc de placer davantage d’informations devant le modèle, mais elle ne doit pas être confondue avec une mémoire permanente. Enfin, les tokens ont une dimension économique. Les fournisseurs d’IA facturent souvent leurs API en fonction du nombre de tokens traités en entrée et générés en sortie. On peut alors comparer les tokens aux unités affichées par un compteur de taxi : plus une application transmet et génère d’informations, plus le compteur tourne. Cette question devient importante pour les entreprises qui déploient des assistants documentaires, des systèmes RAG ou des agents réalisant de nombreux appels successifs. Le token est donc à la fois une unité de découpage du langage, une unité de traitement et une unité pratique de mesure. Pour un utilisateur occasionnel, son fonctionnement peut rester relativement invisible. Pour concevoir des applications d’IA à grande échelle, il devient en revanche indispensable de comprendre combien de tokens sont transmis, pourquoi ils le sont et lesquels sont réellement utiles. Contenu généré avec l'aide de l'IA générative

    Pourquoi l’IA compte en tokens et pas en mots
Tout afficher (341)

5
sur 5
4 notes

À propos

Ce podcast, produit par Guillaume Vigneron, analyse l’impact de l’intelligence artificielle générative sur la gouvernance, la décision et le pilotage des organisations. En moins de 10 minutes par épisode, avec une publication pluri hebdomadaire, il examine les sujets structurants : transformation des modèles managériaux, arbitrages stratégiques, évolution des compétences, productivité, risques opérationnels, biais algorithmiques ou encore nouvelles formes de leadership. Une série concise et directe, pensée pour les décideurs qui doivent comprendre, tester et intégrer l'IA générative.

Informations

  • Création
    Guillaume Vigneron
  • Années d’activité
    2017 - 2026
  • Épisodes
    341
  • Classification
    Tous publics
  • Copyright
    © Guillaume Vigneron
  • Site web de l’émission
    Le podcast 100% IA et 100% Comex

Vous aimeriez peut‑être aussi