L'IA en entreprise, ni gourou ni rejet, la posture du praticien

Article

Introduction

Je fais ce métier depuis 25 ans. J'ai vu passer suffisamment de vagues technologiques pour ne pas me laisser surprendre par le bruit. Et là, franchement, le bruit autour de l'IA générative est assourdissant.

D'un côté, il y a les gourous. L'IA va révolutionner votre organisation, libérer vos talents créatifs, automatiser 80 % du travail administratif. Il suffit de brancher ChatGPT et l'alchimie opère. Votre DSI va vous le servir avec des chiffres arrondis et un roadmap en trois slides. C'est séduisant. C'est faux.

De l'autre, il y a les catastrophistes. L'IA va vous bouffer vos données, violer le RGPD, écrire des horreurs impensables, et surtout, elle va rendre vos gens paresseux. Mieux vaut l'interdire purement, se barricader, garder les murs hauts. C'est prudent. C'est aussi une mauvaise réponse.

Je suis entre les deux. Praticien. Sur une quinzaine de trains SAFe observés ces dix dernières années, j'ai vu comment les équipes vraiment matures embarquent l'IA, pas comme une solution miracle, mais comme un outil qui amplifie certaines tâches et qui crée d'autres problèmes. C'est moins glamour que le discours des gourous. C'est plus honnête que le rejet systématique.

Cet article, c'est simplement ce que je vois. Ni promesse de transformation, ni panique existentielle. De la pratique.

L'IA n'est pas magique, l'IA n'est pas inutile

Le marketing IA joue un jeu classique, amplifie les succès anecdotiques, gomme les murs morts. Un client a gagné 3 semaines en automatisant une synthèse de données ? Excellent. Mais il a aussi perdu un mois à paramétrer le truc, à valider que l'IA ne sortait pas de la route, et à ré-intégrer deux tiers des résultats manuellement. Le commercial, lui, retient juste "3 semaines gagnées".

L'IA générative, c'est une amplificatrice. Elle prend une tâche semi-structurée et elle en rend certaines dimensions plus rapides. Elle en rend d'autres plus fragiles. Votre Scrum Master peut demander à ChatGPT d'écrire une user story en deux secondes. C'est drôlement plus rapide qu'à la main. Sauf que la story va louper le contexte du client, les edge cases qu'on a appris à connaître, et parfois l'intention métier réelle qui n'était pas dans le ticket. Donc on la reprend. Ça prend 10 minutes au lieu de 20. C'est un gain réel. C'est aussi un gain illusoire si on croit qu'à l'échelle de 100 stories par sprint, ça va libérer 1000 minutes.

Ce que je vois, c'est que l'IA générative excelle à trois choses précises. D'abord, elle supprime l'inertie de la feuille blanche. Le PO hésite sur la formulation d'une roadmap narrative ? Dix secondes de prompt et il a une première version. Pas la version finale. Ça démarre le cerveau. Deuxième, elle synthétise efficacement du matériel déjà structuré. Des specs écrites, des mails de réunion, des tickets dispersés, elle peut en tirer un résumé cohérent qui fait gagner 30 minutes de relecture. Troisième, elle explore des variantes. Besoin de quatre formulations de messaging, trois scénarios de roadmap ? Elle les pond en une minute. On les trie ensuite.

Ce qu'elle ne fait pas bien, c'est tout ce qui exige du contexte non explicite. Les décisions où vous devez dire "mais chez nous, on ne renomme jamais les équipes en cours de release". Les arbitrages où vous balancez trois facteurs implicites. La communication politique où vous devez jauger le moment et la personne. L'IA va proposer l'optimal théorique. Vous allez devoir le plier aux réalités de votre boîte.

Et puis il y a la question qu'on pose moins souvent. L'IA générative, ce n'est pas gratuit. Pas juste la licence ChatGPT pro. C'est le coût cognitif de relire ce qu'elle pond. C'est le temps de paramétrer le prompt pour qu'il génère quelque chose d'à peu près utile. C'est la validation qu'elle ne sort pas de l'ornière. Pour des organisations paresseuses, où on confierait à l'IA ce qu'on confierait à un stagiaire sans relecture, ça devient très cher très vite. Pour des organisations matures qui savent utiliser l'IA comme une étape, pas comme une solution, le gain est réel et mesurable.

Les usages qui marchent vraiment

Quatre usages où j'ai vu l'IA générative produire du vrai gain sur les équipes que j'accompagne.

Préparation de réunion. L'animateur de session a mal dormi. Il lui reste 20 minutes avant d'animer une réunion de réajustement avec les gens de la tech. Il branche ChatGPT, il décrit son contexte en deux phrases, il a une structure de réunion avec des questions à poser par étape. Pas la structure parfaite. Une structure assez bonne pour que son cerveau accroche dessus et l'adapte à chaud. 5 minutes au lieu de 20. Et la réunion elle-même gagne en clarté.

Synthèse de communication. Vous recevez 40 mails d'une réunion distribuée. Mal écrits, ils se chevauchent. Vous dites à l'IA, extrais de ces mails les décisions, les risques ouverts, les actions. Vous avez en 2 minutes ce qui vous aurait pris 15 minutes à relire et à assembler. La synthèse n'est pas parfaite. C'est la même qualité que ce qu'on faisait faire à un stagiaire. Ça libère 13 minutes de temps de manager. Sur 100 mails par semaine, ce n'est pas rien.

Première rédaction de spec ou de story. L'équipe a cinq éléments à documenter pour la prochaine release. Au lieu de partir d'une page blanche, elle demande à l'IA une première version à partir d'une description brute. Elle la reprend, l'affûte, la valide avec le client. Pas de rédaction IA qui part en prod. Une première itération qu'un humain corrige intelligemment. Gain, 40 % du temps de rédaction, qui se transfère en time to clarity et itération avec le client. Mesurable.

Exploration de base de code. Vous avez une question, dans ce repo Python, où se trouvent les appels à l'API X et dans quel contexte. Vous demandez à Claude Code ou un équivalent et il vous ressort les cinq endroits pertinents avec du contexte. Usage qu'on démarre à peine sur les projets que j'observe. Précieux pour les gens qui arrivent sur une codebase neuve ou pour les refactors. "Je comprends la structure du code trois fois plus vite."

J'ajoute le brainstorming de scénarios. Vous voulez explorer quatre variantes de prix ou de segment client. L'IA pond quatre scénarios cohérents avec des hypothèses attachées. Du matériel pour réfléchir, pas une décision. Un accélérateur de réflexion.

Ce qui compte dans tous ces usages, c'est qu'il y a une étape de relecture humaine non négociable. L'IA n'est jamais le point final. C'est l'avant-dernière étape.

Les usages où l'IA se fracasse

Aussi les usages où j'ai vu les équipes se planter avec l'IA.

Confier une décision à enjeu à l'IA. Un client menace de partir si on coupe une feature. L'IA va sortir une réponse de manuel de product management. "Analyse la rétention client, l'impact sur la roadmap, le coût technique." En théorie, correct. En pratique, elle ne peut pas peser la relation politique avec ce client depuis trois ans. Elle ne peut pas factoriser que le sponsor va gueuler si on lâche du scope maintenant. Elle ne sait pas que vous avez déjà promis à quelqu'un d'autre une priorité conflictuelle. La décision, vous la gardez. L'IA peut fournir un cadre. Elle ne fournit pas le jugement.

Le contexte tacite. L'IA a lu toutes vos spécifications écrites. Elle n'a pas participé aux trois réunions où vous avez compris que votre client disait non mais pensait oui. Elle ne sait pas que sur cette équipe, la culture c'est on ne fait jamais les trucs trop vite. Elle ne capte pas que le tech lead va se barrer dans quatre mois. Quand vous lui demandez une recommandation d'architecture, elle pond quelque chose de logiquement bon et pratiquement impossible à implémenter chez vous.

La communication politique. Vous devez annoncer un retard à la gouvernance. L'IA va faire un discours structuré et honnête sur les causes et les impacts. Correct sur le papier. Mais elle ne sait pas que votre CFO a une aversion au jargon dette technique. Elle ne sait pas que vous devez vendre le retard comme une bonne nouvelle parce que vous avez découvert un risque qu'on aurait heurté en prod. La communication, c'est du jeu social. L'IA peut aider à structurer. Elle ne doit pas piloter.

L'IA hallucine. Pas juste sur les faits. Aussi sur les patterns métier. Elle va proposer une approche qui semble logique mais qui n'a jamais marché dans votre industrie pour des raisons que vous connaissez et qu'elle ne sait pas. Un PO chevronné va la détecter et la corriger. Un junior va la croire, va le proposer au client, et va créer deux semaines de confusion.

La fausse confiance. Votre équipe a demandé à l'IA une analyse, elle a rendu quelque chose de très formel et très bien présenté. Tout le monde suppose que c'est du bon travail parce que c'est formel. Personne ne s'arrête pour vérifier. Ça se passe jusqu'au moment où quelqu'un dit "mais attendez, ce nombre n'a aucun sens". À ce moment-là, vous avez dépensé du capital en mettant de l'IA à un endroit critique sans surveillance.

Le change management IA, ce que vos équipes vivent vraiment

On parle moins du côté humain. Techniquement, brancher l'IA c'est facile. Humainement, c'est une courbe.

Phase 1, fascination. L'IA sort et l'équipe est fascinée. Elle essaie ChatGPT, elle la teste sur des trucs bêtes, elle trouve ça magique. Normal. Transitoire. Deux ou trois semaines pour une équipe mature. Une équipe moins structurée peut rester là plus longtemps et ça devient un problème parce qu'elle dépense du temps à faire des trucs cool avec l'IA au lieu de faire son boulot.

Phase 2, surinvestissement. L'équipe a eu le déclic. Elle croise maintenant tous les usages en même temps. Elle demande à l'IA de faire ses code reviews. Elle lui confie la rédaction de ses mails clients. Elle l'utilise pour trancher des débats d'architecture. Du zèle. Aussi dangereux parce qu'une partie de ces usages vont planter dans le mur. Vous allez avoir des bugs en prod, des relations clients endommagées par des réponses génériques, des architectures qui ne passent pas la vraie charge.

Phase 3, désillusion. L'IA, finalement, c'est bien mais ce n'est pas magique. C'est là qu'une équipe immature dit oublie, c'est trop compliqué. Une équipe mature dit d'accord, on encadre maintenant et on utilise ça où ça marche vraiment. Le changement de posture, c'est le plus important à piloter. Si vous laissez cette phase en l'air, vous perdez l'adoption et vous revenez à zéro.

Phase 4, maturité. L'équipe sait où l'IA aide et où elle gêne. Elle a des patterns établis. On utilise l'IA pour les premières rédactions, pas pour les décisions. On prompte avec les bonnes données, pas à l'aveugle. On relit systématiquement avant de valider. À ce stade, le gain est stabilisé et mesurable.

Comment piloter cette courbe ? D'abord, ne pas l'interdire par peur. La cadrer. On teste chez nous, avec des garde-fous. Ensuite, repérer les usages qui marchent et les amplifier. Vous synthétisez un mail de 40 messages en 2 minutes ? Super. Continuez. Vous demandez à l'IA de faire des code reviews ? Pas d'accord. Vous gardez votre code review humaine. Enfin, accepter qu'il y ait des phases bousculées. Pas paniquer quand vous voyez des gens faire des trucs louches avec l'IA. Expliquer, recadrer, avancer.

Sur la question RGPD, ça rentre dedans. On ne met pas ses données sensibles client ou confidentielles dans une IA cloud gratuite. Pas compliqué, c'est une règle. Une IA interne, paramétrée, avec une gouvernance, c'est possible. Une IA cloud publique sur des données de production, c'est non. La CNIL n'a pas encore été draconienne sur le sujet, mais c'est clairement une zone de vigilance.

Ce que je vois en 2026 et ce qui se prépare en 2027

L'IA générative passe d'un truc qu'on utilise comme chatbot à un truc qu'on embarque dans les workflows. Les agents autonomes commencent à apparaître. Chez KLA, j'expérimente avec des agents qui gèrent des chaînes d'actions sans intervention humaine à chaque étape. Pas encore en production à grande échelle. En cours d'expérimentation. Ça pose des questions.

On voit aussi émerger des IA spécialisées par métier. Au lieu d'une IA généraliste qui sait de tout un peu, vous aurez une IA entraînée sur vos patterns métier spécifiques. Un Product Manager utilisera une IA entraînée sur des patterns de feature discovery et de priorisation. Un architecte utilisera une IA entraînée sur des patterns d'architecture logicielle. Plus coûteux. Beaucoup plus utile parce qu'elle comprend le contexte du métier.

La gouvernance IA interne devient un sujet majeur. Vous ne pouvez pas laisser 200 personnes faire ce qu'elles veulent avec l'IA cloud. Vous allez mettre en place une gouvernance qui dit voici les usages autorisés, voici les données qu'on touche pas, voici le processus. Bureaucratique. Aussi inévitable.

Et puis il y a la question du coût réel. L'IA générative n'est pas gratuite. À grande échelle, des dizaines de milliers d'euros par mois pour une grosse organisation. Il y a un moment où il faut compter, je dépense X en licences IA, j'ai libéré combien de jours humains, ça vaut le coup ou pas. Calcul qu'on ne voit pas encore beaucoup. Ça arrive.

En conclusion

Je reviens au point de départ. Je ne suis gourou d'aucune technologie. Je suis un praticien qui voit ce qui marche et ce qui ne marche pas sur le terrain.

L'IA générative, c'est un outil qui amplifie certaines dimensions du travail cognitif. Elle est bonne à certaines choses précises. Elle est mauvaise à d'autres. Le travail du manager et du leader, c'est de savoir où elle aide et où elle gêne. Ensuite, déployer en confiance, naviguer la courbe psychologique, réajuster.

Pour les DSI ou RH qui cherchent à comprendre comment embarquer l'IA sans mythologie, trois propositions. La formation Introduction à l'IA pour Product Owners, ce que l'IA fait, ce qu'elle ne fait pas, comment on l'utilise sans se planter. Une formation plus opérationnelle, Exploiter l'IA dans le rôle de PO, des patterns concrets, des cas d'usage, des garde-fous. Et la troisième, si vous devez déployer ça à l'échelle, Structurer et planifier sa roadmap avec l'IA.

Pour aller plus loin, le livre. Pas juste sur l'IA. Sur le travail du Scrum Master et du Product Owner en 2026. L'IA dedans, mais comme un outil, pas comme un sauveur.

Pour aller plus loin

Articles connexes à venir, placeholders à brancher en MDX :

• Le prompt engineering pour les non-techniciens.
• Comment auditer ses données IA, RGPD et sécurité.
• Les agents autonomes en entreprise, ce qui s'annonce en 2027.
• La gouvernance IA par équipe.
• IA et communication de crise.

Renvois pillars KLA :

• Pillar 1, Agilité à l'échelle, comment adapter l'IA dans un contexte SAFe ou LeSS.
• Pillar 2, Leadership produit, comment les Product Owners conservent l'autorité métier quand l'IA propose.