Quand tout le monde a l'IA et que l'entreprise n'apprend toujours rien

Le constat est formulé de manière directe : les gains de productivité individuels liés à l'IA ne se transforment pas automatiquement en gains organisationnels. C'est la thèse centrale qu'Ethan Mollick développe dans "Making AI Work", et que Robert Glaser décline dans une perspective opérationnelle. À l'heure où les licences GitHub Copilot, ChatGPT Enterprise, Claude ou Gemini sont distribuées à grande échelle dans les entreprises, une question reste sans réponse satisfaisante : que retient réellement l'organisation de tout ce travail assisté par l'IA ?

Ce que Glaser appelle le "messy middle" désigne la phase où l'usage de l'IA est à la fois généralisé, inégal, partiellement invisible et déconnecté de tout apprentissage collectif. Dans une même entreprise, une équipe utilise Copilot comme un simple outil d'autocomplétion, pendant qu'une autre exécute des boucles d'ingénierie agentique avec tests, révisions et pilotage continu. Un product owner prototype directement du logiciel fonctionnel, là où il produisait des maquettes Figma. Un ingénieur senior délègue une analyse de cause racine à un agent en une heure, contre deux semaines sans IA. Ces situations coexistent sans que l'organisation en tire une quelconque doctrine partagée.

Le cadre analytique proposé, repris de Mollick, distingue trois composantes : le Leadership, qui fixe la direction et les permissions ; la Crowd, qui découvre les usages parce qu'elle fait le travail réel ; et le Lab, qui doit transformer ces découvertes en pratiques partagées, outils, benchmarks et nouveaux systèmes. Le problème identifié est précisément le maillon central : comment les apprentissages circulent-ils réellement d'un individu à une équipe, puis à l'organisation ? Les dispositifs habituels — communautés de pratique, sessions brown-bag, réseaux de champions, enquêtes, tableaux de bord — sont structurellement trop lents pour capturer des apprentissages qui émergent à l'intérieur même des boucles de travail, dans une revue de code, une proposition commerciale, un incident de production.

Un autre angle soulevé concerne l'inadéquation des processus hérités. Scrum, les sprints, les estimations, les handoffs : ces rituels ont été conçus pour gérer le coût élevé de l'itération humaine. Or l'ingénierie agentique déplace la contrainte — non plus vers l'implémentation, mais vers l'intention, la vérification, le jugement et le feedback. Des organisations qui se réclamaient de l'agilité depuis vingt ans tout en préservant les réflexes organisationnels qu'elle était censée supprimer se retrouvent face à une ironie supplémentaire : l'IA rend enfin l'agilité réelle, mais le système demande encore des engagements de sprint sur deux semaines.

Sur le plan économique, Glaser anticipe une pression croissante. Le modèle actuel — accès ouvert, facturation peu visible — ne durera pas. Le routage de modèles, les budgets de tokens, la tarification à l'usage : tout cela deviendra plus explicite à mesure que les entreprises basculeront vers des usages agentiques sérieux. La question pertinente n'est pas de minimiser les dépenses en tokens, mais de savoir ce qui a changé grâce à eux. Non pas compter les pull requests, mais mesurer quelles boucles se sont refermées plus vite, quelles décisions se sont améliorées, quels patterns réutilisables ont émergé.

Trois capacités sont identifiées comme nécessaires pour naviguer dans cette phase. L'Agent Operations, qui concerne le contrôle : quels agents tournent, quels systèmes ils touchent, quelles actions nécessitent une approbation humaine. La Loop Intelligence, qui concerne l'apprentissage : quelles boucles assistées par IA produisent réellement de la connaissance, lesquelles restent ouvertes ou dérivent, quelles équipes sont prêtes à déléguer davantage. Les Agent Capabilities, enfin, qui concernent la distribution : comment une compétence utile découverte dans une équipe devient accessible à d'autres sans se transformer en template mort.

Glaser introduit le concept de "Loop Intelligence Hub" — un dispositif qui instrumente les points où intention, travail agentique, vérification et décision humaine laissent déjà des traces, pour en faire des artefacts d'apprentissage récurrents. Il pose néanmoins une condition explicite : ce dispositif ne peut pas devenir un système de surveillance des employés. Si les collaborateurs perçoivent que leurs expériences sont mesurées à des fins de scoring ou que leurs meilleures pratiques deviendront leur nouvelle charge de base, ils les garderont pour eux. L'organisation obtiendrait alors la pire version possible de l'adoption : une conformité visible et un apprentissage invisible.