Principaux points à retenir

• La montée en puissance de l’AI est un défi de refonte des systèmes, pas un simple déploiement d’outils
• Le ROI dépend de l’horizon : l’infrastructure est à long terme, la refonte des processus à court terme
• La concentration l’emporte sur la diversité : un petit nombre de cas d’utilisation à fort impact établit la crédibilité plus rapidement
• L’apprentissage doit être intégré aux flux de travail pour suivre le rythme de l’AI
• L’équité exige une conception intentionnelle : la langue, l’accessibilité et l’infrastructure sont essentielles

Alors que AI évolue d’un outil vers des systèmes plus autonomes et agentiques, les dirigeants d’entreprise doivent repenser ce que signifie l’adoption. Il ne suffit plus de déployer des modèles, de réaliser des projets pilotes ou d’automatiser des tâches isolées. Ce qui sous-tend la transformation est une question plus large : comment les organisations peuvent-elles redessiner les flux de travail, les compétences et la confiance pour que les humains et l’IA puissent fonctionner comme un système cohérent ?

Tel était le thème central d’une conversation entre David Treat, CTO chez Pearson, et Vijay Guntur, CTO et Head of Ecosystems chez HCLTech, lors d’une entrevue avec la rédactrice principale affaires de Wired, Louise Matsakis, au Forum économique mondial de Davos.

Dans les domaines de l’éducation, des technologies d’entreprise et de 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 que de la façon dont les personnes, les processus et l’apprentissage sont intentionnellement alignés autour de celle-ci.

Évoluer l’IA de façon responsable

Selon Treat, la feuille de route du CTO est désormais repensée autour de la conception des systèmes plutôt que du simple déploiement technologique. À son avis, le modèle historique d’innovation puis de formation ne s’applique pas à l’IA. Il décrit ce changement comme « une toute nouvelle façon de penser », affirmant que les organisations doivent « complètement repenser » la mise en œuvre afin d’être « beaucoup plus orientées systèmes, autour des humains et de la technologie », et prévoir l’adoption dès le départ plutôt que de la considérer après coup.

L’urgence est amplifiée par la rapidité avec laquelle de nouvelles capacités apparaissent. Treat a noté que « la courbe d’apprentissage associée à la nouvelle technologie [devient plus courte et plus raide] », ce qui déplace le défi de la mise à niveau ponctuelle vers une adaptation continue. Il s’agit d’un point d’inflexion crucial : évoluer l’IA responsable devient indissociable de la création de systèmes d’apprentissage qui évoluent au même rythme que la technologie elle-même.

Optimiser le ROI des investissements IA

Pour Guntur, les organisations devraient considérer le ROI comme une variable évolutive dans le temps. Certains investissements, explique-t-il, sont par nature de long terme : « Pensez aux centres de données », a-t-il dit, évoquant l’envergure des capitaux injectés dans l’infrastructure IA. Ces paris peuvent nécessiter des années avant de porter leurs fruits.

Les retours à court terme, cependant, viennent de la remise en question de la façon dont le travail s’effectue. Les organisations doivent « non seulement ajuster ce que vous avez et ajouter de l’automatisation », mais « repenser le processus puis utiliser l’IA pour le rendre plus efficace ».

Cette distinction est importante car elle change ce que les dirigeants doivent attendre et comment mesurer le succès. Guntur a constaté un retour sur investissement « le plus court en un an à 18 mois » lorsque les entreprises redessinent leurs processus d’affaires puis appliquent l’IA pour mieux les exécuter. Mais il renforce le point de Treat : les retombées ne viennent pas seulement de la technologie ; il faut impliquer les gens : « Vous devez former vos équipes aux nouveaux processus et aux nouvelles façons de faire [car] c’est là que vous commencez vraiment à obtenir des avantages. »

Où investir d’abord avec l’IA

Les organisations sont mieux positionnées lorsqu’elles s’appuient sur les bases de flux de travail et d’automatisation bâties au cours de la dernière décennie. Avant de choisir où appliquer l’IA, il est essentiel de comprendre « le contexte du flux de travail que vous… cherchez à automatiser », affirme Treat, car ce contexte détermine où le raisonnement IA peut intervenir de façon significative. À mesure que les entreprises évoluent « d’une logique d’affaires encodée de façon très déterministe à désormais exploiter le raisonnement de l’IA », la compréhension des flux devient la base pour décider où l’automatisation doit évoluer vers l’augmentation.

Cette approche va au-delà des modèles et des processus et touche aussi la mesure et la reddition de comptes. Il ne suffit pas de savoir quels outils d’IA existent ; les organisations doivent comprendre « ce que les outils d’IA peuvent faire et avoir confiance en cela », et pouvoir « l’évaluer et le prouver ». La même rigueur s’applique aux personnes. Si depuis longtemps les dirigeants cherchent à affecter « la bonne personne au bon poste », la collaboration humain-IA exige de le faire « de façon beaucoup plus fondée sur les données », en alignant « l’humain, l’agent et le flux », et en se demandant continuellement : « Comment mesurons-nous cela ? Comment surveillons-nous cela ? »

Les priorités d’investissement initial ne sont pas uniquement le calcul et les plateformes : ce sont aussi les fondations opérationnelles permettant une collaboration humaine-IA sécuritaire et mesurable.

Pourquoi l’importance du focus en déploiement IA

Si Treat se concentre sur les systèmes et les fondations, Guntur met l’accent sur la rigueur d’exécution. Le plus grand piège, dit-il, est de commencer par le volume : les entreprises accumulent « une liste d’environ 150 à 200 cas d’utilisation ». Cette approche, selon lui, est incorrecte et générera des résultats décevants.

Au contraire, la crédibilité s’acquiert par le focus et l’impact. Guntur croit que les organisations devraient cibler « une douzaine ou moins de cas d’usage vraiment percutants », car cela génère « plus de confiance » et favorise l’adoption du changement. Il l’illustre dans un domaine où il voit un impact immédiat : l’ingénierie logicielle. HCLTech, explique-t-il, a bâti une plateforme appelée HCLTech AI Force pour optimiser toute la chaîne « d’une exigence posée par le chef de produit jusqu’au déploiement ». La raison est que les entreprises ne cherchent pas seulement à obtenir de la productivité des agents IA ; elles « réfléchissent à toute leur chaîne de construction logicielle dans l’entreprise ».

Cette vision se traduit par une feuille de route concrète : choisir un petit nombre de processus d’affaires critiques, obtenir des résultats mesurables et utiliser ces gains pour générer un élan organisationnel.

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

Convertir l’innovation en valeur d’affaires est rarement limité par la maturité technique. Plus souvent, c’est l’efficacité avec laquelle les organisations parviennent à faire évoluer ce qui sort de la R&D qui en limite l’impact. Guntur a décrit une innovation développée dans un labo R&D qui intégrait des systèmes d’entreprise comme SAP aux activités en temps réel sur le plancher de production, reliant l’IA physique aux plateformes d’affaires principales. Le plus difficile vient après la conception.

Pour que cette innovation atteigne le secteur d’affaires, il fallait que les gens soient préparés à la vendre et à l’utiliser. Cela voulait dire « notre équipe de ventes doit être formée à grande échelle », ainsi que « notre personnel destiné à utiliser cette innovation dans leur travail ».

L’infrastructure d’apprentissage devient ici un levier de passage à l’échelle. « La seule façon d’y parvenir, c’est d’éduquer nos équipes pour commercialiser cette innovation », dit Guntur. Si une partie de la formation peut être en personne, une grande part dépend de « la capacité d’utiliser des systèmes d’apprentissage à l’échelle », permettant aux équipes de « discuter activement de ce qu’est cette innovation ».

La rapidité du changement complique encore la donne. Les compétences IA pertinentes aujourd’hui pourraient ne plus l’être après « quatre mois ». Cette compression crée un besoin pour « une plateforme et un système d’éducation en temps réel » qui suit à la fois la sortie R&D et l’évolution du marché.

IA, confiance et personnalisation dans l’apprentissage réel

L’impact de l’IA devient le plus visible lorsqu’on la place directement devant les apprenants et les travailleurs, plutôt que de se limiter à l’expérimentation interne. Treat explique que Pearson a rapidement misé sur l’IA orientée client, disant « nous n’avions pas peur et nous sommes allés droit à l’engagement avec les clients ». Cette décision a créé un moteur de rétroaction. Si « l’IA est la nouvelle IU », alors les données d’interaction issues des outils d’étude basés sur l’IA et des flux enseignants deviennent un signal des besoins réels, permettant une réaction sur « un cycle de développement rapide ».

Les résultats sont mesurables. « 85 % des étudiants utilisant nos outils de préparation à l’étude au postsecondaire obtiennent la note qu’ils veulent ou mieux », déclare Treat, en plus d’« une augmentation de 7 % des notes et de la performance » lorsque les apprenants reçoivent « une interaction IA étayée par la science de l’apprentissage, alignée sur l’intention du professeur ».

Même les modes d’utilisation offrent des pistes. Les « pics de connexions entre 1 h et 3 h du matin » indiquent que les étudiants ont besoin d’aide « exactement au moment où les professeurs ne sont pas disponibles », et maintenant « ils peuvent l’avoir ».

La logique s’applique également aux entreprises. Treat décrit le lancement d’un « Coach de communication » qui écoute les réunions et fournit une rétroaction « adaptée au niveau, au rôle, au contexte ». L’impact peut être immédiat. « J’ai été surpris par l’aide que cela m’apporte », dit-il. Le schéma se répète : bâtir les bons garde-fous, mais « le mettre en marché », car la valeur s’accélère quand « l’interaction » et « la rétroaction » sont en boucle active.

Équité, accès et adoption responsable de l’IA

Alors que l’IA s’imbrique plus profondément dans l’éducation et le travail, les questions d’équité deviennent incontournables. Treat aborde l’équité par la personnalisation et la science de l’apprentissage. La capacité de personnaliser permet à l’IA de rejoindre les personnes « quel que soit le contexte », ce qui est « extrêmement puissant », d’autant que l’accès s’élargit. « Si vous avez un téléphone intelligent, vous pouvez y avoir accès », dit-il.

Mais il prévient que l’IA peut freiner l’apprentissage si elle est mal utilisée. « Ce ne peut pas être un outil de téléportation », affirme-t-il, car si les apprenants demandent simplement la réponse, « alors vous n’apprenez pas ». Un design responsable signifie ancrer l’IA dans « une démarche fondée sur la science de l’apprentissage, une méthode socratique », utilisant des techniques éprouvées qui mobilisent le cerveau.

Guntur élargit la réflexion sur l’équité aux obstacles structurels. Beaucoup de contenus éducatifs n’existent que « dans deux ou trois langues », alors qu’« un des atouts de l’IA est de pouvoir traiter les langues », aidant à rejoindre « une population beaucoup plus vaste ». L’accessibilité ouvre aussi de nouveaux horizons : « une personne sur sept dans le monde a un certain type de handicap », et l’IA peut soutenir les apprenants confrontés à différents défis.

L’infrastructure demeure une limite. Alors que « plus de 25 % de la planète » manque toujours d’accès internet, Guntur précise que « les gouvernements ont un rôle à jouer », aux côtés des entreprises et créateurs de contenu, pour élargir l’accès.

Il ajoute : « Des entreprises comme Pearson [ont fait un] excellent travail pour bâtir le contenu ; [maintenant] nous devons trouver [des mécanismes de diffusion plus larges pour atteindre un public cible étendu]. »

L’émergence d’un écosystème d’apprentissage et de travail natif à l’IA

En se projetant dans l’avenir, la conversation est passée de l’implantation actuelle à la façon dont l’apprentissage et le travail évolueront lors de la prochaine décennie. L’un des modèles défaillants, explique Treat, est l’idée d’arrêter de travailler pour se former, notant que les gens se précipitent souvent dans les formations sans « engager réellement leur cerveau ». Sans effort, « on n’apprend pas ».

L’alternative est l’ancrage de l’apprentissage dans l’activité quotidienne. Dans ce modèle, les organisations peuvent « insérer des expériences de micro-apprentissage dans le flux » des plateformes déjà utilisées. L’IA peut repérer des points de friction et proposer une aide légère, par exemple « cette vidéo de deux minutes », pour aider à terminer la tâche en cours.

Les progrès deviennent alors visibles et portables. Les compétences peuvent être suivies « sous forme de certifications », se déplaçant idéalement « d’une organisation à l’autre ». Cette portabilité soutient la mobilité de carrière, aidant chaque individu à « imaginer son chemin d’évolution » et à comprendre « ce qu’il doit apprendre ensuite ».

À plus grande échelle, Guntur prévoit que l’IA suivra une trajectoire similaire à celle d’Internet, mais plus rapidement. Internet est maintenant intégré à presque tous les aspects de la vie, et l’IA suivra « [un] schéma semblable en deux fois moins de temps ». La croissance touchera les entreprises, les consommateurs et l’IA physique, avec des systèmes « autonomes » et la robotique devenant essentiels dans de nombreux secteurs.

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

Tant pour la transformation d’entreprise que pour l’éducation, la conversation revient à une vérité fondamentale : l’adoption de l’IA ne se limite pas à un déploiement ponctuel. C’est un système ou un processus qui intègre les flux de travail, la capacité humaine, les boucles de rétroaction et la confiance.

L’accent mis par Treat sur l’insertion de l’apprentissage dans le flux du travail, et sur l’ancrage de l’IA dans la science de l’apprentissage, annonce un avenir où les compétences seront continuellement développées et où les certifications gagneront en portabilité et en poids. L’approche de Guntur axée sur le ROI dans le temps, la priorisation des impacts élevés et des plateformes d’éducation en temps réel montre comment les organisations peuvent mettre en œuvre cet avenir sans perdre leur crédibilité ni leur élan.

Alors que l’IA devient partie intégrante de la vie quotidienne, les organisations qui réussissent ne construiront pas seulement une meilleure IA ; elles bâtiront de meilleurs systèmes permettant aux personnes d’apprendre, de s’adapter et de prospérer avec elle.

FAQs

1. Comment les CTO peuvent-ils évoluer l’IA de façon responsable en entreprise ?
En concevant des systèmes qui intègrent les humains, les flux de travail, l’apprentissage et la gouvernance dès le départ, et en veillant à ce que l’adoption, la mesure et la confiance évoluent avec la capacité de l’IA.

2. Qu’est-ce qui génère le ROI le plus rapide des investissements IA ?
La refonte des processus d’affaires et l’application de l’IA à de nouveaux flux de travail peuvent générer un retour sur investissement en 12 à 18 mois, surtout lorsqu’accompagnés de formation et d’un soutien à l’adoption.

3. Pourquoi est-il important de cibler un nombre limité de cas d’utilisation IA ?
Démarrer avec un petit nombre de cas d’usage à fort impact bâtit 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 l’avenir ?
L’apprentissage sera intégré au flux du travail grâce à des micro-moments, à un soutien personnalisé, à une rétroaction continue et à des certifications portables qui feront le suivi des compétences à travers les rôles et les 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 si elle s’appuie sur la science de l’apprentissage responsable et un soutien en infrastructure comme la connectivité Internet.