L’adoption de l’IA s’accélère dans le secteur des télécommunications et les industries connexes, mais le panel au kiosque d’HCLTech au Mobile World Congress 2026 a établi une distinction claire : les gains d’efficacité ne sont qu’un début. La réelle transformation se produit lorsque l’IA cesse d’être superposée aux systèmes existants et commence à remodeler le fonctionnement des entreprises au cœur même de leurs activités.

Animée par Dr Saikat Chaudhuri, professeur à l’UC Berkeley, la discussion a réuni Loh John Wu, chef de l’exploitation chez Axiata Digital Labs, Pavan Ramkishan Bachwal, responsable des services financiers mobiles chez Ericsson et Hari Nair, vice-président principal et chef – engagements stratégiques chez HCLTech. Malgré la diversité de leurs points de vue, un fil conducteur s’est dégagé : la transformation native à l’IA est moins affaire d’outils que de refonte des données, des processus, de la culture et des modèles d’affaires.

Des gains de productivité à la croissance des revenus

Pour Wu, tout commence par une efficacité tangible. Au sein des équipes de développement d’Axiata Digital Labs, permettre aux ingénieurs d’utiliser l’IA pour réduire la quantité de code à écrire a eu un impact significatif, l’organisation observant « environ 20 à 30 %... de gains d’efficacité » dans ses propres centres de développement. Ce saut de productivité, cependant, n’est pas la finalité : il s’agit d’une étape intermédiaire.

L’impact stratégique réside dans la personnalisation et la croissance des revenus. Sur les marchés à faible ARPU en Asie du Sud-Est, la priorité a été de faire augmenter l’ARPU avec des forfaits et produits plus ciblés. Wu évoque un succès au Cambodge où la personnalisation permise par l’IA a contribué à générer « près de 5 $ de plus… d’ARPU », une étape majeure pour un opérateur asiatique.

Au-delà de la segmentation de la clientèle, Wu explique comment l’IA démocratise la création de capacités elle-même. Ce qui avait commencé sous la forme d’une place de marché d’API traditionnelle a évolué en un modèle de création d’applications propulsé par l’IA, où « la prochaine version de ce produit… appelée App Maker, est désormais alimentée par l’IA », permettant aux entreprises d’utiliser le langage naturel pour décrire ce qu’elles souhaitent développer.

Le modèle natif IA ne se résume pas à l’efficacité interne. Il vise plutôt à réduire la friction afin que davantage de participants de l’écosystème puissent créer et monétiser de la valeur plus rapidement.

Vitesse, sécurité et segmentation

Bachwal envisage l’impact selon deux angles : les opérations internes et les services destinés à la clientèle.

Sur le plan opérationnel, l’IA a réduit les cycles de remédiation de façon spectaculaire. Des processus nécessitant des semaines ont été transformés.

Corriger des vulnérabilités « prenait auparavant trois semaines », dit-il. Mais « maintenant, c’est trois jours ».

L’enjeu n’est pas uniquement la productivité. Résilience et réactivité sont essentielles dans des environnements où les risques zero-day et les exigences de conformité ne cessent d’augmenter.

À l’externe, la segmentation et l’analyse comportementale s’avèrent prometteuses. L’IA enrichit les données et facilite la détection de profils, permettant des services différenciés et une offre plus ciblée. Mais cela ne fonctionne que si les bases sont solides. Avant d’aller vers la personnalisation avancée, l’organisation a dû réparer ses données, car, comme il le dit, « données erronées en entrée, données erronées en sortie ».

Bachwal remet aussi en question l’idée d’une entreprise native à l’IA totalement autonome. Selon lui, « il n’existe pas d’entreprise IA native indépendante… toutes doivent travailler dans un écosystème ». Pour les opérateurs télécoms et les fournisseurs de services financiers, les hyperscalers, partenaires de bases de données et fournisseurs d’outils opérationnels forment une chaîne de valeur critique. En pratique, le natif IA est aussi natif de l’écosystème.

La modernisation comme effet papillon

Nair a recentré la discussion sur l’architecture d’entreprise. L’un des plus grands bouleversements de mentalité qu’il a observés chez les DSI passe par la modernisation des applications patrimoniales. Il est désormais possible de réduire la durée d’une transformation pluriannuelle « grâce à l’aide de l’IA générative ». Cette accélération change l’économie et la faisabilité des programmes de modernisation.

Il en résulte, ajoute-t-il, un effet de cascade. À mesure que le paysage applicatif se simplifie, les opérations se rationalisent, l’écosystème de fournisseurs diminue et l’empreinte de l’infrastructure se réduit. Il décrit cette dynamique comme « un effet papillon », soulignant qu’une « simple modernisation d’une application patrimoniale peut transformer votre modèle opérationnel au complet ».

Cependant, Nair insiste : la montée en puissance des capacités natives à l’IA dépend moins de l’outillage que de la préparation organisationnelle. Pour lui, la priorité doit être la gestion du changement.

« Misez sur la gestion du changement. C’est l’élément clé qui favorise l’adoption et la montée en échelle de l’IA. »

La technologie abonde, mais l’adoption dépend de la confiance, de l’adaptabilité et du recul des gens.

Culture, confiance et changement de mentalité

Partout dans le panel, la culture s’est imposée comme principale contrainte.

Wu raconte comment même les équipes non techniques doivent repenser leurs façons de travailler, évoquant l’époque où la portée marketing se faisait manuellement alors qu’« un agent IA » pourrait filtrer et hiérarchiser l’engagement. Le problème n’est pas l’accès à l’IA, mais l’habitude.

Bachwal aborde la question de la transition de la main-d’œuvre : les ingénieurs chevronnés, forts de décennies de codage, doivent apprendre à intégrer l’IA sans craindre pour leur emploi, tandis que les nouveaux doivent cultiver l’aisance avec l’IA sans négliger les bases. Réunir ces cultures est aussi crucial que moderniser l’infrastructure.

Pour Nair, la transformation implique un déplacement plus profond de la confiance. Si l’IA automatise la cognition et soutient la prise de décision, il faut que les dirigeants acceptent de lui accorder un rôle plus central. Sans cette acceptation culturelle, les déploiements les plus sophistiqués resteront à l’arrêt.

Gouvernance, puissance et partenariat

Interrogés sur ce qu’ils changeraient pour accélérer les progrès, leurs réponses attestent de la complexité multidimensionnelle de la transformation native à l’IA.

Bachwal soulève un enjeu d’infrastructure pragmatique : le passage des CPU aux GPU et les coûts et besoins énergétiques qui l’accompagnent. Le défi n’est pas simplement de « remplacer du tout au tout », mais de concevoir un modèle transitoire à la fois durable et apte à traiter des charges de travail IA à grande échelle.

Wu met l’accent sur la gouvernance. Avec la multiplication des outils, modèles et plateformes, les organisations risquent la fragmentation. Des garde-fous — portails LLM ou normes partagées — sont essentiels pour éviter que les équipes ne s’égarent dans des complexités à long terme.

Nair revient sur l’alignement organisationnel. Même dans un contexte de modèles puissants, la réussite repose sur la concentration du leadership et l’harmonisation du changement.

De l’efficacité à la réinvention

À la clôture de la discussion, une synthèse claire s’est dégagée, résumée par Chaudhuri. L’industrie chemine sur une voie importante, mais il reste du chemin à parcourir. L’IA a d’ores et déjà permis des réductions de coûts et des gains de productivité. Mais l’objectif ultime est de progresser de la réduction des coûts à la croissance des revenus et de l’automatisation à la création de nouvelle valeur.

Fondamentalement, le panel a souligné que la technologie n’est pas la première contrainte. Les modèles évoluent rapidement. L’infrastructure progresse. Les défis les plus ardus sont d’ordre stratégique et organisationnel : repenser les modèles d’affaires, remodeler les processus, aligner les écosystèmes et stimuler le changement culturel.

Culture et mentalité sont ressorties, à plusieurs reprises, comme les obstacles majeurs. Sans la détermination des dirigeants et l’alignement des équipes, même les déploiements d’IA les plus avancés achopperont. Par ailleurs, la confiance ne saurait se limiter à une question d’éthique : il faut des données fiables, des systèmes fiables et une gouvernance robuste pour étayer la prise de décisions. Si les entreprises ne peuvent se fier aux résultats, elles hésiteront à intégrer l’IA au cœur de leurs processus.

Enfin, la montée en puissance ne tient pas dans la volonté de tout transformer d’un coup. Elle exige de la concentration : choisir quelques cas d’utilisation à fort impact, collaborer avec les bons partenaires, construire les écosystèmes de façon réfléchie et itérer avec discipline.

Les entreprises natives à l’IA ne naîtront pas du jour au lendemain. Mais celles qui iront au-delà des essais isolés, refondant leurs assises, leurs modèles opérationnels et leurs chaînes de valeur, définiront la prochaine ère sur toutes les plateformes, tous les réseaux et dans toute l’industrie.