Transformation organisationnelle IA : remettre le travail au centre

A lire les certains débats actuels sur l’IA on pourrait croire que tout se joue dans la sophistication des modèles ou la vitesse de déploiement des outils. Mais les rapports du BCG et de McKinsey que je vous ai présenté la semaine dernière montrent tout autre chose : les entreprises ne manquent ni de technologie ni d’ambition, elles manquent surtout d’une compréhension de ce que transforme réellement l’IA à l’intérieur de l’organisation (Adoption et impact de l’IA : enseignements (et limites) des dernières études McKinsey et BCG). La plupart cherchent à aller vite, enchaînent les pilotes, empilent les outils, mais sans jamais toucher à ce qui détermine vraiment la performance collective, à savoir la manière dont le travail est conçu, distribué, orchestré et appris.

Les promesses de l’IA révèlent une réalité sur laquelle on aime fermer les yeux, à savoir que le travail tel qu’il est réalisé diffère du travail tel qu’il est décrit, les rôles reflètent plus l’histoire que les besoins actuels, les décisions se prennent dans un labyrinthe dont personne n’a une vision complète, et les infrastructures internes ressemblent parfois davantage à un patchwork qu’à une architecture intentionnelle. Autrement dit, l’IA agit comme un révélateur des failles d’organisation que l’on a longtemps tolérées faute de mieux (Si votre entreprise n’est pas conçue pour l’IA elle finira conçue par l’IA et Comment le management a laissé les systèmes penser à sa place).

Ce qui distingue les acteurs les plus avancés n’est pas un accès aux technologies les plus performantes, mais une capacité à repenser en profondeur la structure même de l’entreprise. Ils abordent l’IA comme une transformation organisationnelle avant d’en faire une transformation technologique. C’est précisément ce que les rapports mettent en lumière et cela m’a donné l’idée d’essayer de proposer quelques pistes pour aborder la transformation organisationnelle rendue nécessaire par l’IA.

En bref :

L’IA ne transforme pas seulement les outils, mais impose de repenser en profondeur l’organisation du travail, sa répartition, sa coordination et son apprentissage collectif.
Les entreprises les plus avancées abordent l’IA comme une transformation organisationnelle, en commençant par cartographier le travail réel et en redéfinissant les rôles, processus décisionnels et finalités des activités.
Il est nécessaire d’inverser la logique traditionnelle en partant des objectifs et des modèles d’opération, avant de choisir les outils technologiques adaptés, afin d’éviter d’automatiser l’existant sans valeur ajoutée.
Une adoption réussie de l’IA repose sur la résolution des frictions systémiques, la construction d’une informatique modulaire gouvernée, et une gouvernance claire des usages pour garantir cohérence, interopérabilité et confiance.
L’IA ne produit de valeur que si elle s’inscrit dans une démarche d’apprentissage organisationnel continu, où chaque expérimentation alimente une amélioration structurelle du fonctionnement collectif.

La transformation doit commencer par le « work design », pas par la technologie

Les rapports évoquent les workflows comme s’ils constituaient le cœur du problème alors qu’ils n’en sont que la surface visible. Derrière chaque suite d’étapes se cache un travail dont la réalité est souvent bien différent de ce que décrivent les process officiels (Le « work about work » : quand la réalité du travail consiste à faire fonctionner ce qui ne marche pas). Le risque, lorsqu’on se limite à cette vision cartographique, est de calquer une logique d’automatisation sur des pratiques déjà bancales. Cela revient à renforcer des mécanismes qui, parfois, n’ont plus de raison d’être.

Il est indispensable de distinguer ce qui relève du travail réellement productif et ce qui alimente cette couche d’activités périphériques qui encombrent le quotidien. Tant que l’on ne sépare pas clairement l’utile du superflu, l’IA ne fait que fluidifier du travail inutile, sans créer de valeur. Clarifier l’intention de chaque processus, c’est aussi accepter de dire ce qui doit être fait, par qui et pourquoi, avant même de discuter de la manière dont une machine pourrait intervenir.

Repenser la distribution du travail entre humains et IA demande une vision d’ensemble qui dépasse largement les organigrammes. La cartographie du travail devient le point de départ incontournable. C’est à partir de cette réalité que l’on peut décider ce qui doit être éliminé, ce qui doit être redistribué et ce qui peut être transformé et sans cela, la technologie reste un vernis.

Implication : la transformation doit partir d’une cartographie du travail réel, pas des organigrammes ni des process officiels.

Repenser les rôles et les structures de décision

L’arrivée de l’IA change la nature même de nombreuses tâches. Certaines disparaissent, absorbées par des agents capables de gérer un flux de microdécisions alors que d’autres se concentrent autour d’enjeux plus complexes, parce qu’elles nécessitent une expertise que l’automatisation ne reproduit pas encore. D’autres encore changent d’échelle, devenant transversales là où elles étaient confinées à une équipe.

Cette reconfiguration oblige à revoir la granularité des rôles. On ne peut plus penser ces rôles comme un ensemble figé mais comme un assemblage de compétences, de décisions et de responsabilités réparties entre humains et systèmes informatiques. La question n’est plus seulement de savoir ce que chacun fait, mais ce qu’il conserve comme marge d’action et d’interprétation face à des agents qui agissent en continu.

La manière dont l’organisation explicite son intention dès le départ (non pas substituer mais redessiner le travail) et le prouve dans ses arbitrages joue un rôle déterminant dans la manière dont les équipes accueillent ces évolutions. Quand les équipes perçoivent que la transformation en cours les mets en danger il ne faut pas s’attendre à un fort soutien interne et même, pire, le risque de comportements de protection et de défiance face au projet est réel comme on a déjà pu le voir sur des sujets dont on avait dévoyé la philosophie originelle en les mettant au service de mauvais objectifs (L’IA est-elle le nouveau Lean ? et Lean Without Layoffs: The Commitment That Makes Continuous Improvement Work). Dit autrement : n’attendez aucun engagement et aucun soutient de personnes qui pensent que la réussite du projet signifiera leur licenciement.

Le manager, dans ce contexte, voit son espace d’intervention évoluer et devient le garant de la cohérence entre les décisions humaines et celles produites par les systèmes. Son rôle se déplace vers l’intégration, l’arbitrage et l’ajustement du contexte plutôt que vers l’exécution (Réhabilitons le rôle du manager). Ce glissement nécessite une explicitation nouvelle des seuils de décision entre humains et IA afin d’éviter les zones grises où plus personne ne sait qui est responsable de quoi.

Implication : la réécriture des rôles est un travail essentiel, pas un livrable RH secondaire.

Remplacer la logique « outil → usage » par « objectif → modèle d’opération → outil »

Tant que l’on part de l’outil, on se condamne à optimiser ce qui existe déjà. C’est exactement ce que font la plupart des entreprises : elles automatisent le statu quo, puis s’étonnent de n’obtenir que des gains marginaux. La bonne démarche consiste à commencer par l’effet recherché, qu’il s’agisse d’économie, de rapidité, de qualité, de cohérence ou de différenciation.

Une fois l’objectif clarifié, il devient possible d’imaginer un modèle d’opération cohérent. Ce modèle, et lui seul, permet ensuite de déterminer le travail à accomplir. Ce n’est qu’à cette étape que l’on peut décider de ce qui relève d’un apport humain et de ce qui peut être confié à une IA. L’outil, dans cette logique, apparaît en dernier, comme la concrétisation d’une intention structurée plutôt que comme une réponse improvisée.

Cette inversion de la séquence transforme profondément la manière dont l’entreprise aborde sa propre architecture interne. Elle fait passer la réflexion d’un registre technologique à un registre structurel et décisionnel, beaucoup plus exigeant mais aussi beaucoup plus structurant.

C’est ici que l’on quitte le registre de la mécanique interne pour entrer dans celui du design d’entreprise, où l’on se demande comment l’organisation veut fonctionner avant de décider comment elle va s’équiper (Le design d’entreprise avant l’architecture : remettons l’entreprise à l’endroit).

Implication : la transformation IA doit être adossée à une réflexion de design d’entreprise, pas seulement d’architecture technique.

Définir une stratégie de réduction de frictions

Le concept de frictions abordé par Sutton dans son dernier ouvrage (The Friction Project: How Smart Leaders Make the Right Things Easier and the Wrong Things Harder) apporte une approche très intéressante. La plupart des irritants quotidiens ne relèvent en effet ni de la motivation ni de la compétence, mais de contraintes systémiques qui ralentissent les décisions, fragmentent l’information, saturent les capacités cognitives des équipes ou empêchent tout simplement les collaborateurs de faire leur travail aussi bien qu’ils le voudraient ou le pourraient. Une transformation IA utile doit commencer par une lecture attentive de ces frictions.

Identifier les flux décisionnels trop lents ou coûteux, c’est donner une visibilité nouvelle à ce qui entrave la dynamique collective. De même, comprendre comment les informations circulent réellement dans l’entreprise permet d’éviter que l’IA ne reproduise les silos existants. Analyser les flux cognitifs revient à reconnaître que l’une des valeurs les plus immédiates de l’IA est de désencombrer l’esprit, pas de remplacer le jugement. Et de manière générale identifier tout ce qui qui empêche de bien faire son travail voire de faire son travail tout court et s’attaquer à la complication organisationnelle sont deux axes que les entreprises auraient déjà du suivre depuis longtemps et que l’arrivée de l’IA remet en haut de la pile en espérant que, cette fois-ci, le sujet ne passe pas à la trappe (La complication organisationnelle : irritant #1 de l’expérience employé).

A ce stade, la technologie n’est encore qu’un moyen. Le problème central reste la résolution de dysfonctionnements organisationnels qui se sont installés avec le temps et que l’on n’a jamais vraiment traités. L’IA devient pertinente lorsqu’elle s’inscrit dans cette logique de fluidification.

Implication : la transformation IA doit commencer par la résolution de problèmes systémiques, pas par la technologie.

Construire une informatique modulaire et un modèle de données gouverné

Les rapports mettent l’accent sur l’infrastructure, mais ils le font souvent à travers un prisme purement technique alors que la question est plus large : il s’agit de concevoir une informatique capable d’évoluer sans être fragilisée par chaque nouveau composant. La modularité devient essentielle pour isoler, connecter ou remplacer des briques IA à mesure que les besoins changent.

L’interopérabilité, quant à elle, permet d’éviter l’apparition de silos de modèles qui se comportent chacun comme une petite boîte noire (Digital workplace, IA et intéropérabilité : un problème qui reste entier). Une gouvernance claire évite que l’organisation ne se retrouve avec une mosaïque de règles tacites, introduites au passage dans les prompts, les exceptions ou les ajustements locaux. Enfin, l’observabilité rend les décisions des systèmes compréhensibles, ce qui devient indispensable lorsque ces décisions impactent dans des chaînes critiques et même, avant toute chose, pour construire la confiance que les individus auront dans les outils.

Ce changement de posture transforme la DSI. Elle ne peut plus se limiter à une exécution technique. mais devient responsable de la cohérence globale des capacités internes et de la qualité de leur articulation.

Implication : La DSI doit quitter la posture d’exécutant technique pour devenir l’architecte des capacités internes.

Développer un modèle d’adoption ordonné

La tentation est grande d’aller vite, souvent parce que la pression externe est forte et que les dirigeants veulent matérialiser des avancées. Pourtant, l’expérience montre que la vitesse n’est un avantage que si cela se fait dans le respect d’un certain ordre. Commencer par des cas d’usage à forte valeur et faible friction permet de créer un socle crédible avant de s’attaquer à des chantiers plus complexes.

Le redesign des workflows devient ensuite une étape incontournable. Tant qu’ils ne sont pas stabilisés, toute tentative de déploiement massif expose l’entreprise à des retours en arrière. Un modèle de gouvernance crée un cadre commun qui limite les interprétations locales et maintient la cohérence du dispositif. Par ailleurs capitalisation des réussîtes et des échecs et la montée en compétence doivent suivre le mouvement, sinon l’organisation avance sans vraiment comprendre ce qu’elle met en place.

Ce n’est qu’une fois ces conditions réunies que l’on peut déployer des agents dans des flux stabilisés. Le gain n’est pas dans l’immédiateté mais dans la fiabilité.

Implication : l’ordre compte plus que la vitesse.

Créer un système d’apprentissage organisationnel

Les entreprises qui tireront parti de l’IA ne seront pas celles qui auront accumulé le plus de pilotes, mais celles qui auront su apprendre de manière structurée (95% of Enterprise AI Pilots “Fail”–Just Like Lean? Not So Fast et The experimental organization). Tester, analyser, adapter, stabiliser puis industrialiser suppose une discipline nouvelle, presque une routine, qui dépasse le cadre des projets classiques.

Cet apprentissage devient collectif lorsque l’on partage les enseignements, que l’on documente ce qui fonctionne et que l’on crée des schémas de workflows réutilisables. L’IA peut d’ailleurs contribuer à cette capitalisation en détectant des patterns, en révélant des incohérences ou en suggérant des améliorations.

Le design organisationnel doit donc intégrer cette logique d’ajustement continu dans le fonctionnement même des systèmes d’IA afin que l’entreprise construise sur ce qu’elle apprend au lieu de retomber dans les mêmes travers.

Implication : le design organisationnel doit inclure une boucle d’amélioration continue intégrée à l’IA.

Conclusion

Les deux rapports convergent vers une même évidence : l’IA n’est pas un enjeu technologique mais un défi de design organisationnel. Les déploiements menés sans remodeler le travail, les rôles et les mécanismes décisionnels ne produisent qu’une valeur limitée. L’écart entre leaders et suiveurs ne s’explique ni par la technologie disponible ni par le budget consacré, mais par la capacité à redéfinir la manière dont l’organisation fonctionne réellement.

L’IA accélère, certes, mais elle accélère ce qu’on lui donne à accélérer et tant que les fondations restent inchangées, la vitesse ne fait qu’agrandir les failles.

Pour répondre à vos questions…

Pourquoi l’IA transforme-t-elle surtout l’organisation plutôt que la technologie ?

L’IA met en lumière les dysfonctionnements internes souvent ignorés : écarts entre travail réel et travail décrit, décisions éclatées, rôles figés, infrastructures fragiles. Les entreprises qui réussissent ne se contentent pas d’ajouter des outils ; elles repensent la manière dont le travail est distribué, coordonné et appris. L’IA accélère ce qui existe déjà, d’où l’importance de revoir les fondations avant le déploiement. Sans ce redesign organisationnel, les gains restent marginaux. Repenser la structure permet d’aligner objectifs, décisions et fonctionnement quotidien.

Pourquoi cartographier le travail réel avant de déployer l’IA ?

Les workflows officiels ne reflètent pas la réalité du travail. S’y fier conduit à automatiser des pratiques inefficaces. Cartographier le travail réel permet d’identifier les tâches utiles, celles à supprimer et celles à redistribuer. L’IA devient alors un levier de transformation plutôt qu’un simple accélérateur de routines bancales. Cette transparence aide à décider clairement du rôle respectif des humains et des systèmes avant d’introduire des outils.

Comment l’IA modifie-t-elle les rôles et la prise de décision ?

L’automatisation de microdécisions change la nature des tâches : certaines disparaissent, d’autres montent en complexité ou deviennent transversales. Les rôles doivent être redéfinis comme un assemblage de compétences et de responsabilités partagées avec les systèmes. Il devient essentiel de clarifier qui décide quoi pour éviter les zones grises. Les managers évoluent vers un rôle d’intégration et d’arbitrage. Sans intention claire, les équipes craignent pour leur sécurité professionnelle, ce qui freine l’adoption.

Pourquoi la vitesse n’est-elle pas un avantage dans la transformation IA ?

Aller vite sans ordre produit des déploiements fragiles. Il faut d’abord choisir des cas d’usage à faible friction, puis stabiliser les workflows avant tout déploiement massif. La gouvernance garantit la cohérence et limite les dérives locales. La montée en compétence et la capitalisation des apprentissages assurent une compréhension réelle de ce qui est mis en place. Une fois ces étapes respectées, la vitesse devient un atout, car elle repose sur des bases solides.

Quel est l’apport d’un apprentissage organisationnel structuré dans l’usage de l’IA ?

Les organisations les plus performantes sont celles qui apprennent systématiquement de leurs tests. Chaque pilote permet d’ajuster le travail, de documenter ce qui fonctionne et de stabiliser les pratiques avant industrialisation. L’IA aide aussi à repérer des incohérences et des modèles récurrents. En intégrant une boucle continue d’amélioration dans les systèmes, l’entreprise évite de répéter les mêmes erreurs et renforce sa capacité à évoluer avec l’IA.

Crédit visuel : Image générée par intelligence artificielle via ChatGPT (OpenAI)