Points clés à retenir

• La mise à l’échelle de l’IA est un défi de repenser les systèmes, pas un simple déploiement d’outils
• Le retour sur investissement dépend de l’horizon temporel : l’infrastructure est à long terme, la refonte des processus à court terme
• La concentration sur un objectif précis l’emporte sur la diversité : un petit ensemble de cas d’usage à fort impact bâtit la crédibilité plus rapidement
• L’apprentissage doit être intégré aux flux de travail pour suivre le rythme de l’IA
• L’équité exige une conception intentionnelle : la langue, l’accessibilité et l’infrastructure comptent

À mesure que l’IA évolue, passant d’un outil à des systèmes plus autonomes et agentiques, les dirigeants d’entreprise sont poussés à repenser ce que signifie l’adoption. Il n’est plus suffisant de déployer des modèles, de réaliser des projets pilotes ou d’automatiser des tâches isolées. Sous cette transformation se cache une question plus large : comment les organisations peuvent-elles repenser les flux de travail, les compétences et la confiance afin que les humains et l’IA fonctionnent comme un système cohérent ?

C’était le thème central d’une conversation entre David Treat, CTO chez Pearson, et Vijay Guntur, CTO et responsable des écosystèmes chez HCLTech, lors d’une entrevue avec la rédactrice en chef adjointe aux affaires de Wired, Louise Matsakis, au Forum économique mondial de Davos.

Dans l’éducation, la technologie d’entreprise et la transformation de la main-d’œuvre, les deux dirigeants sont revenus sur la même idée : la réussite de l’IA dépend moins de la sophistication de la technologie et davantage de la façon dont les personnes, les processus et l’apprentissage sont intentionnellement alignés autour d’elle.

Faire évoluer l’IA de façon responsable

Selon Treat, le guide du CTO est réorganisé autour de la conception de systèmes plutôt que du déploiement de la technologie. À son avis, la tendance historique consistant à innover d’abord et à former ensuite ne s’applique pas à l’IA. Il décrit ce changement comme « une toute nouvelle façon de penser », affirmant que les organisations doivent « repenser totalement » l’implantation afin d’être « beaucoup plus axées sur les systèmes autour des humains et de la technologie », et concevoir pour l’adoption dès le départ plutôt que de la traiter après coup.

L’urgence est amplifiée par la rapidité des nouvelles capacités. Treat note que « la courbe d’apprentissage liée à la nouvelle technologie [devient plus courte et plus abrupte] », ce qui fait passer le défi d’un simple renforcement ponctuel des compétences à une adaptation continue. Il s’agit d’un point d’inflexion critique : faire évoluer l’IA responsable devient indissociable de la création de systèmes d’apprentissage qui évoluent au même rythme que la technologie.

Obtenir un retour sur investissement de l’IA

Pour Guntur, les organisations doivent considérer le retour sur investissement comme une donnée variable dans le temps. Certains investissements, explique-t-il, sont intrinsèquement à long terme : « Pensez aux centres de données », dit-il, évoquant l’ampleur des investissements dans l’infrastructure liée à l’IA. Ces mises peuvent prendre des années à porter fruit.

Les retombées à court terme proviennent cependant d’une refonte de la façon dont le travail est accompli. Les organisations doivent « ne pas simplement ajuster ce que vous avez et y ajouter de l’automatisation », mais « repenser le processus, puis utiliser la technologie de l’IA pour le rendre plus efficace ».

Cette distinction est importante, car elle modifie ce que les dirigeants doivent attendre de l’IA et la façon de mesurer son succès. Guntur a observé les retours les « plus rapides » « en moins d’un an à 18 mois » lorsque les entreprises redessinent les processus d’affaires, puis utilisent l’IA pour mieux les exécuter. Mais il renforce l’idée de Treat : les bénéfices ne proviennent pas seulement de la technologie; il faut accompagner les personnes : « Il faut les former aux nouveaux processus et nouvelles façons de faire [car] c’est là que les bénéfices réels commencent à apparaître. »

Où investir d’abord dans l’IA

Les organisations sont mieux placées lorsqu’elles s’appuient sur les fondations de flux de travail et d’automatisation construites au cours de la dernière décennie. Avant de décider où appliquer l’IA, il est crucial de comprendre « le contexte du flux de travail que vous...cherchez à automatiser », souligne Treat, car ce contexte détermine où le raisonnement de l’IA peut réellement intervenir. À mesure que les entreprises passent « de…la logique d’affaires que nous avons codée d’une façon très déterministe à maintenant tirer parti du raisonnement de l’IA », la compréhension du flux de travail devient la base pour déterminer où l’automatisation doit évoluer vers l’augmentation.

Cette réflexion va au-delà des modèles et processus pour inclure la mesure et la responsabilité. Il ne suffit pas de connaître les outils d’IA existants ; les organisations doivent comprendre « ce que peuvent faire les outils d’IA, en avoir confiance », être capables de « l’évaluer et le prouver ». La même rigueur s’applique aux personnes. Bien que les dirigeants aient toujours visé à « placer la bonne personne au bon poste », la collaboration humain-IA exige de le faire « dans une approche bien plus axée sur les données », en alignant « humain, agent et flux de travail », et en se demandant constamment : « Comment mesure-t-on cela ? Comment surveille-t-on cela ? »

Les priorités d’investissement tôt ne sont pas seulement l’informatique et les plateformes—il s’agit aussi des bases opérationnelles qui permettent aux humains et à l’IA de collaborer de façon sûre et mesurable.

Pourquoi l’importance du focus dans le déploiement de l’IA

Si Treat s’est concentré sur les systèmes et les bases, Guntur s’est attardé à la discipline d’exécution. Le plus grand piège, selon lui, est de démarrer avec le volume : les entreprises collectionnent « une liste d’environ 150 ou 200 cas d’utilisation ». Cette approche, de son point de vue, est incorrecte et mènera à des résultats décevants.

Au contraire, la crédibilité se construit par le focus et l’impact. Guntur croit que les organisations doivent cibler « une douzaine ou moins de cas d’utilisation vraiment percutants », car cela crée « davantage de conviction » et aide à ancrer le changement. Il ancre cela dans un domaine concret où il voit des résultats immédiats : l’ingénierie logicielle. HCLTech, explique-t-il, a construit une plateforme appelée AI Force pour optimiser toute la chaîne « du besoin du gestionnaire de produit jusqu’au déploiement ». La raison : les entreprises ne cherchent pas seulement la productivité des agents IA, elles « réfléchissent à toute leur chaîne de création de logiciels dans l’entreprise ».

Cette vision représente un guide pratique : choisir un petit nombre de flux de travail d’affaires critiques, générer des résultats mesurables et utiliser ces victoires pour mobiliser l’organisation.

De l’innovation en R&D à l’impact d’affaires

Transformer l’innovation en valeur d’affaires est rarement limité par la préparation technique. Il est plus souvent limité par la capacité des organisations à évoluer ce qui émerge de la R&D. Guntur a décrit une innovation développée dans un laboratoire de R&D qui a intégré des systèmes d’entreprise comme SAP aux activités en temps réel sur le plancher de fabrication, reliant l’IA physique aux plateformes d’affaires principales. Le plus difficile est venu après la mise en place.

Pour que cette innovation atteigne les affaires, il a fallu outiller les gens pour la vendre et l’utiliser. Cela signifiait que « notre équipe de vente devait être formée à grande échelle », ainsi qu’« offrir une formation à notre personnel qui va employer cette innovation dans leur travail ».

L’infrastructure d’apprentissage, dans ce contexte, devient un mécanisme de mise à l’échelle. « La seule façon de la faire évoluer, c’est de pouvoir éduquer nos équipes sur la manière d’amener cette innovation sur le marché », affirme Guntur. Bien que certaines formations puissent avoir lieu en personne, une grande part dépend de « la capacité à utiliser les systèmes d’apprentissage à l’échelle », permettant aux personnes d’« avoir des conversations sur ce qu’est cette innovation ».

La vitesse du changement rend cela encore plus difficile. Les compétences en IA pertinentes aujourd’hui pourraient ne plus l’être après « une période de quatre mois ». Cette compression crée un besoin pour « un système et une plateforme éducatifs en temps réel » qui suit à la fois la production de la R&D et le changement du marché.

IA, confiance et personnalisation dans l’apprentissage réel

L’impact de l’IA devient le plus visible lorsqu’elle est placée au-devant des apprenants et des travailleurs, et non confinée à l’expérimentation interne. Treat explique que Pearson s’est rapidement tourné vers l’IA orientée client : « nous n’avions pas peur et nous avons foncé pour interagir avec les clients ». Cette décision a généré un moteur de rétroaction. Si « l’IA est la nouvelle interface utilisateur », alors les données issues des outils d’étude IA et des flux de travail des enseignants deviennent un signal des vrais besoins, permettant une réponse sur « un cycle de développement rapide ».

Les résultats sont mesurables. « 85 % des étudiants qui utilisent nos outils de préparation aux études dans l’enseignement supérieur obtiennent la note souhaitée ou mieux », explique Treat, en plus d’« une augmentation réelle de 7 % des notes et des performances » lorsque les apprenants reçoivent « une interaction basée sur les sciences de l’apprentissage avec l’IA, adaptée à l’intention du professeur ».

Même les motifs d’utilisation fournissent des pistes. Les « pics d’utilisation entre 1h et 3h du matin » révèlent que les étudiants ont besoin d’aide « précisément lorsque les professeurs ne sont pas là pour la donner », et maintenant « ils le peuvent ».

La même logique s’applique dans les entreprises. Treat a décrit le lancement du « Coach de communication », qui écoute les réunions et fournit une rétroaction « adaptée à leur niveau, leur rôle, leur contexte ». L’impact peut être immédiat. « J’ai été surpris de voir à quel point cela m’aide », dit-il. Le schéma est constant : mettre les bonnes balises, mais « le déployer rapidement », car la valeur s’accélère lorsque « l’interaction » et les boucles de « rétroaction » sont actives.

Équité, accès et adoption de l’IA responsable

À mesure que l’IA s’intègre plus profondément dans l’éducation et le travail, les questions d’équité deviennent incontournables. Treat situe l’équité dans la personnalisation et la science de l’apprentissage. La capacité de personnaliser permet à l’IA d’atteindre les gens « dans n’importe quel contexte », ce qui est « extrêmement puissant », surtout alors que l’accès s’élargit. « Si vous avez un téléphone intelligent, vous pouvez y avoir accès », dit-il.

Mais il avertit : l’IA peut freiner l’apprentissage si elle est utilisée sans précaution. « Ça ne peut pas être un outil de téléportation », dit-il, car si les apprenants se contentent de demander des réponses, « alors vous n’apprenez pas ». Un design responsable consiste à ancrer l’IA dans « une approche fondée sur la science de l’apprentissage, une méthode socratique », en utilisant des techniques éprouvées qui mobilisent le cerveau.

Guntur élargit la perspective d’équité aux obstacles structurels. Beaucoup de contenu éducatif n’existe que dans « deux ou trois langues », or « une des forces de l’IA est de pouvoir traiter les langues », aidant ainsi à rejoindre « une population beaucoup plus large ». L’accessibilité est un autre enjeu : « une personne sur sept dans le monde a un certain type de handicap », et l’IA peut soutenir les apprenants faisant face à divers défis.

L’infrastructure demeure un frein. Avec « plus de 25 % de la population mondiale » n’ayant toujours pas accès à Internet, Guntur souligne que « les gouvernements ont un rôle à jouer », tout comme les entreprises et les créateurs de contenu, pour élargir l’accès.

Il ajoute : « Des compagnies comme Pearson [ont fait] du bon travail en construisant le contenu, [et maintenant] il faut trouver des mécanismes de distribution [plus larges pour un public] cible plus étendu. »

L’émergence d’un écosystème d’apprentissage et de main-d’œuvre natif à l’IA

En se projetant vers l’avenir, la discussion a glissé de l’implantation actuelle à la façon dont l’apprentissage et le travail pourraient changer d’ici la prochaine décennie. Un des modèles rompus, selon Treat, est de s’arrêter de travailler pour suivre une formation, notant que les gens consomment souvent la formation rapidement sans « vraiment mobiliser leur cerveau ». Sans effort, « on n’apprend pas ».

L’alternative est l’apprentissage intégré à l’activité quotidienne. Dans ce modèle, les organisations peuvent « injecter des expériences de micro-apprentissage dans le flot » des plateformes que les personnes utilisent déjà. L’IA peut remarquer les irritants et suggérer quelque chose de léger, comme « cette vidéo de deux minutes », pour aider à terminer la tâche en cours.

Le progrès devient alors visible et transférable. Les compétences peuvent être suivies « sous forme d’attestations », idéalement migrer « d’une organisation à l’autre ». Cette transférabilité favorise la mobilité de carrière, aidant les individus à « envisager un cheminement de carrière » et à comprendre « quoi apprendre ensuite ».

En élargissant encore la perspective, Guntur prédit que l’IA suivra une trajectoire semblable à celle d’Internet, mais plus rapidement. Internet a fini par s’intégrer à presque tous les aspects de la vie, et l’IA prendra « le même chemin en moitié moins de temps ». Sa croissance touchera les secteurs d’entreprise, la consommation et l’IA physique, avec des systèmes « autonomes » et la robotique devenant essentiels à travers les industries.

L’entreprise native à l’IA sera fondée sur l’apprentissage continu

Que ce soit pour la transformation des entreprises ou l’éducation, la discussion en revient toujours à une même vérité : l’adoption de l’IA n’est pas un déploiement ponctuel. C’est un système ou processus qui associe flux de travail, capacité humaine, boucles de rétroaction et confiance.

L’accent mis par Treat sur l’apprentissage intégré au travail, et l’ancrage de l’IA dans la science de l’apprentissage, pointe vers un avenir où les compétences se développent continuellement et où les attestations deviennent plus transférables et significatives. De son côté, Guntur met l’accent sur le retour sur investissement à l’aide de cadres temporels, la priorisation des impacts majeurs et des plateformes éducatives en temps réel, illustrant comment les entreprises peuvent concrétiser cet avenir sans perdre crédibilité ni élan.

À mesure que l’IA s’intègre à la vie quotidienne, les organisations gagnantes ne construiront pas simplement une meilleure IA ; elles bâtiront de meilleurs systèmes pour permettre aux gens d’apprendre, de s’adapter et de prospérer à ses côtés.

FAQ

1. Comment les CTO font-ils évoluer l’IA de façon responsable dans une entreprise ?
En concevant des systèmes qui intègrent les humains, les flux de travail, l’apprentissage et la gouvernance dès le départ, afin que l’adoption, la mesure et la confiance évoluent au même rythme que les capacités de l’IA.

2. Qu’est-ce qui génère le plus rapidement un retour sur investissement avec l’IA ?
Refondre les processus d’affaires et appliquer l’IA à des flux de travail améliorés peut générer un rendement en 12 à 18 mois, surtout lorsqu’on y associe formation et soutien à l’adoption.

3. Pourquoi est-il important de cibler un nombre restreint de cas d’utilisation de l’IA ?
Commencer par un petit nombre de cas d’utilisation percutants crée de la crédibilité, accélère la confiance organisationnelle et évite les déceptions causées par la dispersion sur des centaines d’initiatives.

4. À quoi ressemblera l’apprentissage natif à l’IA dans le futur ?
L’apprentissage sera intégré au travail par des moments de micro-apprentissage, un accompagnement personnalisé, une rétroaction continue et des attestations transférables pour suivre les compétences à travers les rôles et employeurs.

5. Comment l’IA peut-elle améliorer l’équité dans l’apprentissage et la requalification ?
L’IA peut réduire les obstacles linguistiques et d’accessibilité, personnaliser l’apprentissage selon le contexte et élargir la portée lorsqu’elle s’appuie sur la science de l’apprentissage responsable et des infrastructures comme la connectivité Internet.