Le podcast 100% IA et 100% Comex

Guillaume Vigneron
  • 0.0 (0)
  • Business
  • Updated Daily

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. 2d ago

    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 ?

  2. 3d ago

    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

  3. 4d ago

    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 ?

  4. 5d ago

    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

  5. 6d ago

    LinkedIn, IA et Employee advocacy : la nouvelle bataille de l’expertise

    L’employee advocacy désigne la manière dont les salariés contribuent, depuis leurs propres comptes, à la visibilité, à la réputation et parfois au développement commercial de leur entreprise. L’arrivée de l’IA générative ne remet pas ce principe en cause. Elle en change surtout la logique. Jusqu’ici, beaucoup de programmes reposaient sur un modèle simple : l’entreprise produit des contenus, puis invite ses collaborateurs à les partager. L’IA permet désormais de générer très facilement des dizaines de variantes d’un même message. En apparence, c’est un gain de productivité. En réalité, le risque est de fabriquer une armée de salariés qui publient tous des contenus différents dans la forme, mais identiques dans le fond. À mesure que les contenus générés par IA se multiplient, l’originalité ne réside plus dans la capacité à écrire. Elle réside dans l’expérience réelle, le jugement et la connaissance métier. Une IA peut expliquer un sujet, mais elle n’a pas vécu une négociation client, piloté un projet difficile ou arbitré un choix opérationnel. C’est donc cette matière humaine qu’un programme d’employee advocacy doit chercher à faire émerger. L’IA devient alors un assistant plutôt qu’un auteur. Un collaborateur peut enregistrer une note vocale, raconter un retour d’expérience ou exposer une conviction. L’IA peut ensuite structurer cette matière, proposer plusieurs angles, simplifier le texte, vérifier certaines incohérences ou adapter le format. Mais le contenu doit rester validé et assumé par la personne qui le publie. Cette évolution change aussi le rôle de l’entreprise. La communication ne doit plus seulement distribuer des messages prêts à l’emploi. Elle doit identifier les experts internes, les aider à prendre la parole et fixer des règles claires sur les informations sensibles, les données clients ou l’usage des outils d’IA. L’enjeu devient également plus large que LinkedIn. Les contenus publics produits par des experts peuvent aujourd’hui être repris par les moteurs de recherche et les assistants d’IA. Une entreprise construit donc progressivement un corpus public associant certaines personnes à certains sujets. Le bon objectif n’est plus de demander combien de salariés ont partagé un contenu. Il faut plutôt se demander combien de publications apportent réellement une expérience, une analyse ou un point de vue que seule cette personne pouvait produire. À l’heure de l’IA, l’employee advocacy cesse donc d’être principalement un outil de diffusion. Il devient un système permettant de rendre visible l’expertise distribuée dans l’entreprise, de façon crédible et durable. Contenu généré avec l'aide de l'IA générative

    LinkedIn, IA et Employee advocacy : la nouvelle bataille de l’expertise

  6. Sep 25

    Harnais IA : quand la gouvernance devient du code

    Un harnais IA désigne l’ensemble des mécanismes qui entourent un modèle d’intelligence artificielle afin de lui permettre d’agir de manière fiable dans un environnement réel. Le modèle fournit les capacités de raisonnement et de génération. Le harnais organise tout ce qui rend ces capacités utilisables dans un processus : accès aux outils, gestion du contexte, mémoire, permissions, règles de contrôle, vérification des résultats et intervention humaine lorsque cela devient nécessaire. Cette notion prend une importance particulière avec l’essor des agents IA. Un chatbot classique produit principalement une réponse. Un agent, lui, peut rechercher une information, consulter des documents, appeler une API, modifier un fichier, exécuter du code ou enchaîner plusieurs actions pour atteindre un objectif. Dès lors, la qualité du modèle ne suffit plus. Il faut construire l’environnement dans lequel il travaille. C’est précisément le rôle du harnais. Il peut décider quelles informations sont transmises au modèle, quels outils lui sont accessibles et quelles actions sont interdites. Il peut également conserver l’état d’une tâche, vérifier automatiquement un résultat ou imposer une validation humaine avant certaines opérations sensibles. Cette approche conduit à distinguer le prompt engineering du harness engineering. Le prompt engineering cherche surtout à mieux formuler une instruction. Le harness engineering cherche à concevoir un système dans lequel l’IA dispose des bonnes informations et où ses erreurs peuvent être détectées ou empêchées. Une règle importante ne doit donc pas nécessairement rester une simple consigne donnée au modèle. Elle peut être transformée en contrainte technique impossible à contourner. Le harnais devient alors un élément central de la gouvernance des agents IA. Une entreprise peut y inscrire ses règles métier, ses seuils de validation, ses droits d’accès ou ses mécanismes d’escalade. Une partie de la gouvernance passe ainsi du document à l’architecture du système. Cela modifie également la manière d’évaluer une solution d’IA. Demander quel modèle elle utilise ne suffit plus. Il faut comprendre le contexte fourni au modèle, les outils dont il dispose, ses permissions et surtout la manière dont son travail est contrôlé. Le changement est profond : avec les agents, le sujet n’est plus seulement de savoir comment obtenir une bonne réponse de l’IA. Il faut désormais construire un environnement dans lequel elle peut réellement travailler sans que l’entreprise abandonne pour autant la maîtrise de ses décisions. Contenu généré avec l'aide de l'IA générative

    Harnais IA : quand la gouvernance devient du code

  7. Sep 24

    Jev AI : rapide, probabiliste mais conçu pour décider

    Jev AI, développé par TypeSafe, propose une approche assez différente de celle des grands modèles de langage comme ChatGPT, Claude ou Gemini. Son objectif n’est pas de produire du texte, de rédiger ou de tenir une conversation. Jev est conçu pour prendre rapidement des décisions structurées que des logiciels peuvent exploiter directement. Le principe est simple. Une application fournit au modèle un état, par exemple un email, un ticket client, une fiche CRM ou les informations disponibles à une étape d’un agent. Elle lui pose ensuite une question fermée. Jev peut répondre par une probabilité, choisir entre plusieurs options ou attribuer un score. Il peut ainsi déterminer si un client demande un remboursement, identifier la catégorie d’un document ou estimer le niveau de risque d’une situation. Cette logique permet à TypeSafe de proposer ce qu’elle appelle un « System One Model », inspiré du système de pensée rapide décrit par Daniel Kahneman. Au lieu de mobiliser un grand modèle capable de raisonner et de produire plusieurs centaines de mots pour effectuer une décision élémentaire, Jev se concentre sur des jugements courts, rapides et répétitifs. L’intérêt est particulièrement évident pour les agents IA. Aujourd’hui, de nombreux agents sollicitent un grand modèle pour choisir un outil, analyser un résultat, déterminer l’étape suivante ou décider si une action peut être exécutée. Or beaucoup de ces opérations sont en réalité de simples classifications. Jev pourrait prendre en charge ces microdécisions à une fraction du coût et de la latence d’un LLM. Son autre particularité tient aux probabilités qu’il fournit. Une entreprise peut décider qu’une action sera automatique au-dessus d’un certain niveau de confiance, soumise à contrôle dans une zone intermédiaire et transmise à un humain lorsque la confiance devient trop faible. La question n’est alors plus simplement de savoir si une IA est « fiable », mais quel niveau d’erreur l’organisation accepte pour chaque décision. Jev ne supprime toutefois pas les erreurs. Il peut choisir une mauvaise catégorie avec une forte confiance et reste vulnérable à certaines formulations ou contenus adversariaux. Il est également peu adapté au raisonnement complexe, au calcul ou à la génération de texte. La véritable idée derrière Jev est donc architecturale : utiliser du code lorsque la réponse est déterministe, un modèle rapide pour les jugements simples, un grand modèle lorsque le raisonnement est nécessaire et un humain lorsque le risque l’impose. Si cette approche se confirme, elle pourrait modifier profondément la manière dont seront construits les futurs agents IA. Contenu généré avec l'aide de l'IA générative

    Jev AI : rapide, probabiliste mais conçu pour décider

  8. Sep 23

    Avec l’IA, le leader n’a plus besoin d’avoir toutes les réponses

    L’IA générative transforme profondément la source de valeur du leadership. Jusqu’ici, une partie de la légitimité du manager reposait sur sa capacité à détenir davantage d’informations, à produire rapidement des analyses et à apporter des réponses. Or cette asymétrie disparaît progressivement : collaborateurs et dirigeants disposent désormais d’outils capables de générer en quelques secondes des synthèses, scénarios, recommandations ou argumentaires. Dans ce nouvel environnement, la valeur du leader ne réside donc plus dans le fait de « connaître toutes les réponses », mais dans sa capacité à exercer trois fonctions devenues rares : le jugement, l’apprentissage et la décision. La première évolution concerne la formulation des problèmes. Lorsque les solutions deviennent abondantes, la qualité de la question devient déterminante. Le dirigeant doit savoir identifier le véritable problème, révéler les hypothèses cachées, cadrer les contraintes et utiliser l’IA non seulement comme un assistant, mais aussi comme un contradicteur capable de tester ses raisonnements. La deuxième évolution concerne le jugement. Une IA peut produire des réponses cohérentes, convaincantes et parfaitement structurées tout en étant erronées ou inadaptées au contexte. La responsabilité du leader consiste donc à définir des critères permettant d’évaluer la fiabilité des résultats : quelles sources vérifier, quel niveau de confiance accepter, quelles décisions nécessitent une expertise humaine et dans quelles situations faut-il contester la recommandation du modèle ? La troisième évolution concerne l’apprentissage collectif. Produire plus vite ne signifie pas apprendre davantage. Une organisation performante doit transformer les erreurs, limites ou succès observés dans l’usage de l’IA en nouvelles pratiques, règles et connaissances partagées. L’enjeu est également d’éviter une dépendance cognitive qui conduirait progressivement les collaborateurs à perdre leur capacité d’analyse et leur expertise. Enfin, le leadership devient une véritable architecture de la décision. Le dirigeant doit déterminer ce que l’IA peut préparer, recommander ou exécuter automatiquement, et les situations dans lesquelles une validation ou une décision humaine reste indispensable. Le leadership évolue ainsi de la réponse vers l’apprentissage, de l’expertise vers le jugement et du contrôle des personnes vers la maîtrise des systèmes de décision. Dans un monde où l’information devient abondante, trois capacités restent décisives : savoir quelle question poser, savoir quelle réponse croire et assumer la décision qui en découle.

    Avec l’IA, le leader n’a plus besoin d’avoir toutes les réponses
See All (337)

About

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.

Information

You Might Also Like