La transformation d'entreprise a longtemps été mesurée par la performance de la technologie. Si les applications étaient disponibles, que les systèmes demeuraient stables et que les niveaux de service étaient respectés, les organisations pouvaient raisonnablement supposer qu'elles fonctionnaient efficacement. Pourtant, une question plus fondamentale façonne désormais la prochaine phase de la transformation : la technologie se contente-t-elle de fonctionner, ou produit-elle réellement des résultats ?

Ce changement de perspective a constitué un thème clé lors des discussions entre les dirigeants de HCLTech et Truist à PegaWorld 2026.

Selon Namita Jain, vice-présidente principale chez Truist, et Pritiman Panda, directeur de la pratique chez HCLTech, cette distinction marque un virage déterminant dans la façon dont les entreprises doivent aborder la transformation numérique.

L’enjeu est de taille. La valeur d’entreprise n’est plus définie par la performance isolée des systèmes, mais par l’efficacité avec laquelle le travail progresse du lancement au résultat.

Les clients n’expérimentent pas des applications. Ils vivent des résultats. Qu’il s’agisse d’une réclamation résolue, d’un client intégré ou d’une demande de service complétée, la valeur se mesure à la fluidité avec laquelle le travail avance entre systèmes, décisions et équipes. Pourtant, malgré des années d’investissements numériques, de nombreuses organisations fonctionnent toujours avec des flux de travaux fragmentés, des transmissions manuelles et des systèmes déconnectés. Les applications peuvent fonctionner comme prévu. Le travail, souvent, non.

Le véritable changement concerne le modèle opérationnel

Une grande partie de l’attention de l’industrie reste portée sur les modèles d’IA, les agents et les capacités émergentes. Bien que ces avancées soient importantes, Namita et Pritiman soulignent qu’elles ne définiront pas à elles seules l’avantage concurrentiel des entreprises.

La vraie transformation s’opère à une autre couche : le modèle opérationnel.

« La question n’est plus de savoir si la technologie fonctionne comme prévu, » note Pritiman. « C’est de savoir si le travail progresse avec le bon équilibre entre rapidité, intelligence, responsabilité et maîtrise. »

Cela représente une refonte fondamentale de la façon dont les entreprises livrent de la valeur. À l’ère des applications, le travail était morcelé en tâches, règles, écrans et relais. À l’ère autonome émergente, le travail doit être orchestré de bout en bout à travers la logique déterministe, la coordination des flux de travaux, le raisonnement propulsé par l’IA et le jugement humain, le tout dans un flux unique et encadré.

Le modèle continuera d’évoluer. Les capacités vont s’améliorer. Mais l’avantage déterminant viendra de la capacité des entreprises à intégrer cette intelligence dans la manière d’exécuter le travail. Comme le dit Pritiman, le modèle n’est pas la barrière. C’est le modèle opérationnel qui l’est.

Flux autonomes : Un nouveau modèle d’exécution pour l’entreprise

Au cœur de ce changement se trouve l’essor des flux autonomes, non pas en tant qu’automatisation autonome, mais comme une nouvelle façon d’exécuter le travail.

Ces flux rassemblent quatre éléments essentiels :

• Règles déterministes pour assurer la cohérence, la rapidité et la démontrabilité
• Orchestration des flux de travail pour coordonner l'exécution à travers les systèmes et parcours
• Raisonnement piloté par l’IA pour gérer l’ambiguïté, le contexte et l’aide à la décision
• Jugement humain pour assurer une surveillance là où la responsabilité et le risque l’exigent

Il ne s'agit pas de remplacer l'implication humaine. Il s'agit d'intégrer l'intelligence à l'exécution, tout en préservant le contrôle et la transparence.

Namita décrit cela comme un passage de l'optimisation des systèmes à la gouvernance du travail lui-même, un changement qui devient particulièrement crucial dans les secteurs où les résultats doivent non seulement être livrés efficacement, mais aussi être expliqués, vérifiés et inspirer confiance.

L'autonomie doit être conçue avec discipline

L'un des principes de conception les plus importants qui émerge de ce changement est la nécessité d'une application disciplinée de l'IA.

On observe une tendance croissante au sein des entreprises à déployer l'IA à grande échelle, en supposant qu'une plus grande intelligence se traduira naturellement par une plus grande valeur. En pratique, cela entraîne souvent un coût plus élevé, une latence accrue et une variabilité opérationnelle plus importante.

« La meilleure architecture n'est pas l'IA partout, » explique Namita. « C'est la bonne intelligence à la bonne étape. »

Cette distinction est essentielle. Toutes les tâches n'exigent pas l'IA. Les règles déterministes demeurent l'option la plus efficace pour les activités qui exigent rapidité, cohérence et démonstration. L'IA prend de la valeur là où le contexte, l'ambiguïté et le jugement comptent. L'orchestration des flux de travail permet aux deux de fonctionner ensemble de façon transparente, tandis que la supervision humaine assure le contrôle là où il est nécessaire.

Cet équilibre est ce qui permet à l'autonomie de fonctionner dans de véritables environnements d'entreprise, non pas en tant qu'expérimentation, mais en tant qu'exécution.

La gouvernance comme fondation pour la mise à l'échelle

À mesure que les organisations passent des projets pilotes à la production, la gouvernance devient le facteur déterminant qui permet à l'IA de prendre de l'ampleur.

Les questions liées à l'explicabilité, à l'auditabilité, au contrôle des coûts et à la supervision opérationnelle ne sont plus des préoccupations techniques. Ce sont des impératifs d'affaires. Dans les industries réglementées, en particulier, chaque décision doit être transparente, traçable et défendable.

Namita le précise : « Loin de ralentir l'innovation, la gouvernance sert de fondation qui rend possible une mise à l'échelle responsable. »

Des flux de travail autonomes efficaces sont donc conçus avec la gouvernance comme fondement, intégrant des seuils d'approbation, des pistes d'audit, des contrôles humains intégrés, une surveillance en temps réel et des modèles d'exécution sensibles aux coûts. Ensemble, ces mécanismes créent la transparence et la responsabilité nécessaires pour mettre à l'échelle l'autonomie de façon responsable.

La discipline financière est tout aussi importante que la discipline technique. Les entreprises doivent s'assurer que l'IA est appliquée là où elle crée de la valeur, et non là où elle génère des coûts inutiles. L'objectif n'est pas de maximiser l'utilisation de l'IA, mais d'optimiser les résultats.

Pourquoi tant d'initiatives en IA stagnent

Malgré une forte dynamique, de nombreuses initiatives en IA peinent à dépasser le stade pilote. Le problème n'est pas un manque d'innovation. C'est un manque de préparation à la production.

Les organisations sous-estiment souvent la complexité de faire fonctionner l'IA à grande échelle, là où les décisions doivent être cohérentes, vérifiables et reproductibles à travers des millions de transactions.

« Ce ne sont pas des problèmes d'IA, » souligne Pritiman. « Ce sont des problèmes de modèles opérationnels. »

Le fossé réside dans la façon dont le travail est structuré, gouverné et exécuté. Sans modèle opérationnel prêt pour la production, même les capacités d'IA les plus avancées demeurent des expériences isolées.

Des projets pilotes à la production : une nouvelle discipline

Combler ce fossé exige un changement de mentalité.

Les organisations de pointe cessent de traiter les projets pilotes comme des expérimentations isolées et les conçoivent plutôt comme la première version de la production.

Cette approche repose sur quatre principes clés :

• Se responsabiliser d’un résultat : Définir le succès en termes d’affaires, et non de résultats techniques
• Composer délibérément : Appliquer la bonne combinaison de règles, d’IA et d’intervention humaine à chaque étape
• Gouverner par la conception : Intégrer des contrôles, l’auditabilité et la discipline financière dès le premier jour
• Évoluer grâce aux modèles : Reproduire le succès au moyen de modèles répétés et résilients

C'est ici que l’exécution devient cruciale. Le défi n’est plus d’identifier les occasions pour l’IA, mais de les opérationnaliser à grande échelle.

À mesure que les organisations traversent cette transition, l’accent se déplace de plus en plus vers les partenaires capables de combler l’écart entre la stratégie et l’exécution.

Selon Pritiman, la réalisation de flux de travaux autonomes exige plus que l’adoption de la technologie. Elle nécessite la capacité de moderniser les environnements patrimoniaux, d’orchestrer le travail à travers les systèmes et d’intégrer la gouvernance à l’exécution dès le départ. C’est là que HCLTech et Pega concentrent leurs efforts : en aidant les entreprises à passer de l’expérimentation à des modèles opérationnels prêts pour la production.

Le prochain avantage pour l’entreprise

La prochaine phase de la transformation des entreprises ne sera pas définie par le nombre d’applications déployées ou le nombre de projets pilotes d’IA lancés. Elle sera définie par la façon dont les organisations orchestrent efficacement le travail entre les systèmes, les décisions et la responsabilisation humaine.

Les applications automatisent les tâches. Les flux de travaux autonomes régissent les résultats.

C’est le changement en cours. Les organisations qui réussiront ne seront pas celles qui expérimentent le plus rapidement. Ce seront celles qui évoluent de façon responsable, gouvernent efficacement et offrent des résultats cohérents à grande échelle.

Ou, comme le disent Namita et Pritiman : « On ne déploie pas l’IA. On exploite l’autonomie. »