J’ai déjà eu une vieille voiture, une Hyundai Pony. Une qui tremblait à 110.
À 100, ça allait. À 110, le volant commençait à vibrer. À 120, toute la voiture semblait vouloir me parler. Je ralentissais. C’était notre système de sécurité. Pas très technologique. Mais efficace l’hiver avec son choke manuel.
Je pensais à ça en lisant plusieurs textes sur l’intelligence artificielle dans les entreprises. Parce qu’on parle beaucoup de vitesse, d’efficacité et d’automatisation.
Accélérer. Produire plus. Répondre plus vite. Analyser plus rapidement.
Faire en dix minutes ce qui prenait trois heures. WOW. Mais il y a une question qu’on pose beaucoup moins souvent.
Est-ce que ce qu’on accélère fonctionne déjà correctement?
Parce que mettre un turbo sur une vieille Hyundai Pony… ça donne rarement une Ferrari. Ça donne surtout une vieille Hyundai Pony qui arrive plus vite au prochain problème.
RevTek Capital résume assez bien l’idée dans un article au titre presque brutal :
AI Doesn’t Fix Your Business. It Reveals It.
L’IA ne répare pas votre entreprise. Elle la révèle.
J’aime beaucoup cette idée. Parce qu’elle enlève un peu de magie à la conversation.
L’intelligence artificielle n’arrive pas dans une entreprise comme une fée avec un petit sac de productivité. Elle arrive dans ce qui existe déjà. Les processus, les données, les habitudes, les silos, les bonnes méthodes et les mauvaises.
Puis elle accélère.
Si le système est solide, formidable. Et si le système est croche… elle accélère croche.
Prenons quelque chose de simple.
Une entreprise reçoit des demandes clients. Personne ne répond exactement de la même manière. Julie donne une information et Marc en donne une autre. La politique officielle existe quelque part dans un PDF datant de 2022.
Roger, lui, connaît la vraie réponse. Il est là depuis vingt-sept ans. Tout le monde demande à Roger.
Puis quelqu’un arrive avec une idée brillante : On va automatiser le service avec l’IA. Excellent.
Mais quelle réponse l’IA doit-elle donner?
Celle de Julie?
Celle de Marc?
Le PDF?
Ou Roger?
Soudain, le problème n’est plus technologique. Le problème était déjà là. L’IA vient simplement d’allumer la lumière.
C’est ce que RevTek appelle, en substance, un amplificateur.
L’IA amplifie ce qu’on lui donne.
Une organisation claire peut devenir plus efficace. Et une organisation confuse peut automatiser sa confusion.
C’est moins spectaculaire qu’une démonstration de ChatGPT.
Mais beaucoup plus important.
Parce que les entreprises sont actuellement bombardées d’outils qui promettent de transformer leur façon de travailler. Le mot transformer est très populaire.
Personne ne vend un logiciel en disant :
« Ça pourrait légèrement améliorer deux processus si vos données sont propres et si vos employés l’utilisent correctement. »
Ce serait pourtant rafraîchissant. Non!
On transforme. On révolutionne. On réinvente.
Puis six mois plus tard, quelqu’un cherche encore le mot de passe.
Eric Radist, de HP Digital Services, soulève un problème semblable lorsqu’il parle de la médiocrité de l’IA.
Beaucoup d’organisations investissent dans l’intelligence artificielle sans commencer par la question la plus plate.
Quel problème voulons-nous réellement régler?
Elles commencent plutôt par :
Où peut-on mettre de l’IA?
C’est très différent.
C’est comme acheter une perceuse et faire ensuite le tour de la maison pour trouver quelque chose à percer. On finit toujours par trouver. La question est de savoir si c’était nécessaire.
Radist propose plutôt de partir du résultat souhaité.
Qu’est-ce qui devrait être meilleur pour le client?
Pour l’employé?
Qu’est-ce qui bloque aujourd’hui?
Puis seulement ensuite :
Est-ce que l’IA peut aider?
Ça paraît évident. Comme beaucoup de choses qu’on oublie dès qu’un vendeur ouvre un PowerPoint.
Laura Schiele pose elle aussi une question essentielle lorsqu’elle évalue les outils d’IA :
Quel problème cet outil règle-t-il réellement?
Pas : Qu’est-ce qu’il sait faire?
Les outils savent faire énormément de choses. Ce n’est plus très impressionnant. Ils résument, analysent, génèrent, automatisent, classent et prédisent.
Ils font probablement aussi des haïkus sur votre rapport annuel si vous insistez.
Mais une fonctionnalité n’est pas une valeur. Un outil devient utile lorsqu’il enlève une vraie friction, améliore une décision, évite une erreur, ou lorsqu’il libère du temps qui sera utilisé intelligemment.
Cette dernière partie est importante. Parce qu’on nous vend beaucoup le temps gagné. J’adore le temps gagné. Tout le monde veut gagner du temps.
Mais pour faire quoi?
Si une équipe gagne dix heures grâce à l’IA et utilise ces dix heures pour produire quarante publications que personne ne voulait lire… avons-nous vraiment gagné dix heures?
Ou avons-nous simplement industrialisé une mauvaise idée?
C’est là qu’apparaît un phénomène qu’Eric Radist et d’autres observateurs associent au workslop.
Le principe est assez délicieux. Quelqu’un utilise l’IA pour gagner du temps. Il produit rapidement un document très professionnel. Puis il l’envoie à trois collègues.
Les trois collègues doivent maintenant comprendre le document. Vérifier les faits, corriger les erreurs, clarifier les passages vagues et refaire certaines parties.
L’auteur a gagné deux heures. L’organisation en a perdu six. Productivité! Il fallait y penser.
L’IA n’a pas éliminé le travail. Elle l’a déplacé vers quelqu’un d’autre.
C’est une vieille tradition corporative. On vient simplement de l’automatiser.
Kapil Sanchihar propose une façon intéressante d’éviter ce piège avec son modèle PIX.
Problem. Ideation. Execution.
En français : le problème, les idées, l’exécution.
Son point est simple. Nous utilisons souvent l’IA au mauvais endroit. Et lui demandons trop tôt de résoudre. Alors qu’avant de résoudre quoi que ce soit, il faut savoir ce qu’on essaie réellement de régler.
Et ça… c’est souvent le travail le plus difficile.
Une entreprise peut penser qu’elle a un problème de contenu. Elle produit donc plus de contenu. Mais peut-être qu’elle a un problème de positionnement. Plus de contenu ne réglera rien. Elle va simplement expliquer plus souvent quelque chose qui n’est pas clair.
Une autre pense avoir un problème de génération de prospects. Elle automatise. Mais peut-être que son offre est mal comprise. Elle vient donc d’installer une machine extrêmement efficace pour envoyer davantage de gens vers une offre qu’ils ne comprennent pas.
Bravo. Turbo. Pony.
C’est pourquoi la définition du problème devient probablement une des compétences les plus importantes de l’ère de l’IA.
Pas le prompt parfait.
Le bon problème.
Un prompt peut améliorer une réponse.
Un bon diagnostic peut changer toute la question.
C’est moins sexy.
On ne vend pas beaucoup de formations intitulées :
Apprendre à comprendre ce qui se passe avant de faire quelque chose.
Pourtant, j’en connais quelques-uns qui devraient s’inscrire.
Il y a aussi un autre danger.
À force d’automatiser ce qui fonctionne, on peut finir par oublier pourquoi ça fonctionnait.
- David Lazar soulève cette question lorsqu’il parle de la mémoire organisationnelle.
Une entreprise n’est pas seulement faite de processus documentés. Elle contient aussi du savoir invisible. Des gens qui savent, des habitudes, des exceptions et une compréhension du client qui ne vit dans aucun CRM.
Le fameux Roger. Roger sait que ce client-là dit toujours qu’il va partir. Il le dit depuis 2009 et il ne part jamais.
L’IA, elle, voit :
RISQUE ÉLEVÉ DE DÉSABONNEMENT.
Roger prend son café. Il sait, et ce savoir informel a une valeur immense.
Il est facile à sous-estimer parce qu’il n’apparaît pas dans un tableau de bord.
Le danger serait donc de confondre deux choses.
Automatiser une tâche. Et éliminer une capacité.
Ce n’est pas pareil.
Une IA peut rédiger un rapport. Très bien.
Mais si personne ne comprend désormais comment le rapport est construit, ce qu’il mesure et quand il devient trompeur… on n’a peut-être pas gagné en intelligence.
On a gagné un rapport. C’est différent.
Lazar avertit justement contre une entreprise qui deviendrait plus légère, plus rapide, plus automatisée…
mais moins capable de réfléchir lorsqu’une situation inhabituelle survient. Et les situations inhabituelles ont cette mauvaise habitude.
Elles surviennent.
L’idée de résilience devient importante.
Une entreprise forte n’est pas seulement efficace quand tout va bien. Elle sait quoi faire quand quelque chose ne ressemble pas au manuel.
Un client bizarre, une crise, une donnée contradictoire, un marché qui change, une exception ou simplement un mardi.
Les machines sont extraordinaires avec les patterns. Mais la vraie vie aime beaucoup les exceptions. C’est même presque sa spécialité.
Alors, avant d’installer de l’IA partout, il faudrait peut-être faire quelque chose de beaucoup moins excitant.
Regarder l’entreprise.
Comment travaille-t-elle réellement?
Où vit l’information?
Qui sait quoi?
Quels processus fonctionnent?
Lesquels tiennent avec du duct tape?
Quelles décisions exigent du jugement?
Quelles tâches sont réellement répétitives?
Qu’est-ce qui pourrait être automatisé sans perdre une capacité importante?
Bref…
faire un audit. Je sais. Ce mot fait moins rêver qu’« agent autonome ».
Mais une radiographie fait rarement rêver non plus. Ça reste utile avant l’opération.
Pour les marques, le principe est exactement le même.
Une marque claire peut utiliser l’IA pour se déployer avec cohérence. Et une marque floue peut utiliser l’IA pour devenir floue sur quatorze plateformes simultanément.
Une stratégie solide peut être accélérée. Et une mauvaise stratégie aussi.
C’est peut-être la chose la plus importante à comprendre.
La vitesse n’a aucune opinion sur la direction.
Elle accélère. C’est tout. À nous de savoir où on va.
Je repense à ma vieille voiture.
Elle n’était pas mauvaise. Je l’aimais même beaucoup. C’était ma première, mais elle avait simplement ses limites. Je les connaissais.
À 100, tout allait bien.
À 110, elle me faisait un petit avertissement.
À 120, elle lançait une réunion stratégique avec toutes ses pièces.
J’aurais pu lui mettre un moteur plus puissant, de meilleurs pneus, un écran tactile et peut-être même une voix artificielle pour me dire que tout allait bien.
Mais le châssis serait resté le même. C’est peut-être ça qu’on oublie dans toute cette course à l’intelligence artificielle.
Avant de demander jusqu’à quelle vitesse la machine peut nous faire aller… il faudrait peut-être regarder ce qui tient les roues.
Parce qu’un turbo ne transforme pas une vieille Pony en Ferrari. Il lui permet seulement d’arriver plus vite.
La direction… ça, c’est encore notre problème.
Sources et inspirations
Cette chronique croise et vulgarise plusieurs réflexions sur l’adoption de l’IA, la stratégie et la capacité organisationnelle :
RevTek Capital, AI Doesn’t Fix Your Business. It Reveals It., 30 juin 2026 — sur l’IA comme amplificateur des systèmes existants plutôt que comme solution automatique aux faiblesses d’une organisation.
Eric Radist, VP / GM, HP Digital Services, The Dangers of AI Mediocrity and How Businesses Can Break Free, 4 novembre 2025 — sur le « AI slop », le « workslop », les investissements mal orientés et la nécessité de commencer par un problème réel plutôt que par la technologie.
Kapil Sanchihar, Unpopular Opinion: Most People Are Using AI at the Wrong Layer Entirely, 16 mars 2026 — sur le modèle PIX (Problem, Ideation, eXecution) et l’importance de conserver une forte contribution humaine dans la définition du problème.
A. David Lazar, publication LinkedIn sur l’IA, le savoir organisationnel, le jugement humain et la résilience — sur le risque de perdre progressivement la mémoire institutionnelle et les capacités humaines que l’automatisation cherche précisément à amplifier.
Laura Schiele, réflexions sur l’évaluation et l’adoption des outils d’intelligence artificielle — sur la nécessité de partir d’un problème clairement identifié, d’évaluer les preuves, les données, l’intégration et la valeur réelle avant d’ajouter un nouvel outil.
Les interprétations, rapprochements, anecdotes et exemples présentés ici constituent une vulgarisation personnelle de ces différentes sources.
