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 aujourd’hui la prochaine phase de la transformation : la technologie ne fait-elle que 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 changement crucial dans la façon dont les entreprises doivent envisager la transformation numérique.

L’implication est importante. La valeur d’entreprise n’est plus définie par la performance isolée des systèmes, mais par l’efficacité avec laquelle le travail passe de l’initiation au résultat.

Les clients ne vivent pas l’expérience des applications. Ils vivent l’expérience des résultats. Qu’il s’agisse d’une réclamation réglée, d’un client intégré ou d’une demande de service complétée, la valeur est mesurée selon la fluidité des flux de travaux entre systèmes, décisions et équipes. Pourtant, malgré des années d’investissement numérique, de nombreuses organisations fonctionnent encore avec des flux de travaux fragmentés, des échanges manuels et des systèmes déconnectés. Les applications fonctionnent peut-être comme prévu. Le travail, souvent, non.

Le véritable changement n’est pas le modèle. C’est le modèle opérationnel.

Une grande part de l’attention de l’industrie demeure 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 suffiront pas, à elles seules, à définir l’avantage de l’entreprise.

La véritable transformation a lieu à un autre niveau : le modèle opérationnel.

« La question n’est plus de savoir si la technologie fonctionne comme prévu, » note Pritiman. « C’est de s’assurer que le travail progresse avec la bonne combinaison de rapidité, d’intelligence, de responsabilité et de contrôle. »

Cela représente une refonte fondamentale de la façon dont les entreprises créent de la valeur. À l’ère des applications, le travail était fragmenté en tâches, règles, écrans et relais manuels. À l’ère émergente de l’autonomie, le travail devra être orchestré de bout en bout à travers la logique déterministe, la coordination des flux de travaux, le raisonnement assisté par l’IA et le jugement humain au sein d’un seul flux gouverné.

Le modèle continuera d’évoluer. Les capacités s’amélioreront. Mais l’avantage déterminant découlera de la façon dont les entreprises intégreront cette intelligence à l’exécution du travail. Comme le dit Pritiman, le modèle n’est pas la barrière. Le modèle opérationnel, lui, l’est.

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

Au cœur de ce changement se trouve la montée des flux de travaux autonomes, non pas comme automatisation autonome, mais comme une nouvelle façon de faire fonctionner le travail.

Ces flux de travaux réunissent quatre éléments essentiels :

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

Il ne s’agit pas de remplacer l’intervention humaine. Il s’agit d’intégrer l’intelligence dans l’exécution, tout en préservant le contrôle et la transparence.

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

L’autonomie doit être conçue avec rigueur

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

On observe une tendance croissante dans les entreprises à déployer l’IA à grande échelle, en partant du principe que plus d’intelligence apportera automatiquement plus de valeur. En réalité, cela mène souvent à une hausse des coûts, à une latence accrue et à une plus grande variabilité opérationnelle.

« La meilleure architecture n’est pas l’IA partout, » explique Namita. « C’est la bonne intelligence au bon moment. »

Cette distinction est essentielle. Toutes les tâches ne nécessitent pas l’IA. Les règles déterministes demeurent la solution la plus efficace pour les activités qui exigent rapidité, cohérence et justifiabilité. L’IA devient précieuse lorsqu’il est question de contexte, d’ambiguïté et de jugement. L’orchestration des flux de travail assure que les deux fonctionnent ensemble harmonieusement, tandis que la supervision humaine apporte 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 comme de l’expérimentation, mais comme de l’exécution.

La gouvernance comme fondement de l’échelle

À mesure que les organisations passent des projets pilotes à la production, la gouvernance devient l’élément déterminant pour que l’IA puisse évoluer à grande échelle.

Les enjeux de l’explicabilité, de l’auditabilité, du contrôle des coûts et de la supervision opérationnelle ne sont plus des préoccupations techniques. Ce sont des impératifs d’affaires. Dans les secteurs réglementés notamment, chaque décision doit être transparente, traçable et défendable.

Namita est catégorique : « Loin de freiner l’innovation, la gouvernance sert de fondement qui rend possible une mise à l’échelle responsable. »

Des flux de travail autonomes efficaces sont donc conçus avec la gouvernance au cœur, intégrant des points d’approbation, des pistes d’audit, des contrôles humains dans la boucle, une surveillance en temps réel et des modèles d’exécution sensibles au coût. Ensemble, ces mécanismes créent la transparence et la responsabilisation nécessaires pour une autonomie évolutive et responsable.

La rigueur financière est tout aussi cruciale que la rigueur technique. Les entreprises doivent s’assurer que l’IA est utilisée là où elle génère de la valeur, et non là où elle engendre des dépenses 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 du projet 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 l’exploitation de l’IA à grande échelle là où les décisions doivent être cohérentes, auditables et reproductibles sur des millions de transactions.

« Ce ne sont pas des problèmes liés à l’IA, » souligne Pritiman. « Ce sont des problèmes de modèle opérationnel. »

L’écart réside dans la manière dont le travail est structuré, gouverné et exécuté. Sans un 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 rigueur

Combler cet écart exige un changement de mentalité.

Les organisations de pointe cessent de voir les projets pilotes comme des expériences isolées et les conçoivent plutôt comme la première version destinée à la production.

Cette approche s’appuie sur quatre principes fondamentaux :

• Prendre la responsabilité d’un résultat, définir le succès en termes d’affaires, 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 les contrôles, la traçabilité et la discipline des coûts dès le premier jour
• Passer à l’échelle grâce aux modèles, reproduire le succès au moyen de modèles reproductibles et résilients

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

Alors 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 demande la capacité de moderniser les environnements hérités, d’orchestrer le travail entre les systèmes et d’intégrer la gouvernance dans 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 transformation des entreprises ne sera pas définie par le nombre d’applications déployées ni par le nombre de projets pilotes en IA lancés. Elle sera définie par la capacité des organisations à orchestrer le travail entre les systèmes, les prises de décision et la responsabilité humaine.

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

C’est ce changement qui est en cours ; les organisations qui réussiront ne seront pas celles qui expérimentent le plus rapidement. Ce seront celles qui passeront à l’échelle de façon responsable, gouverneront efficacement et offriront des résultats cohérents à grande échelle.

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