À 9 h, le travail de la nuit est déjà dans la file
À 9 h, une responsable de produits de données ouvre sa file de revue. Pendant la nuit, des agents ont enrichi les exigences d’un nouveau produit de données, vérifié contrats et classifications, exécuté des tests et préparé un contexte de décision pour le métier. Chaque exécution porte ses reçus : ce qui a été fait, par quel agent, sous quelle autorisation, avec quel résultat. Rien n’a été publié ; les exceptions sont signalées avec leurs preuves. Pendant la journée, l’équipe revoit les sorties, lève les ambiguïtés et affine les limites dans lesquelles les agents opèrent.
McKinsey rapporte que les organisations qui ont repensé la livraison logicielle autour des agents observent déjà des gains de productivité de trois à cinq fois, avec des équipes environ 60 % plus petites. L’essentiel est la cause, pas le chiffre : les gains ne viennent pas du déploiement d’agents, mais de la reconfiguration du modèle opérationnel pour que personnes et agents collaborent en continu. Préparer les données, qualifier les produits, composer le contexte, décider, agir et rapprocher les résultats relèvent du même travail : une intention humaine traduite en exécution, le jugement concentré là où il est indispensable.
L’autre face du chiffre
Les gains sont réels — et rares. Deloitte observe que l’accès aux outils d’IA autorisés a progressé d’environ 50 % en un an, tandis que l’usage dans le travail quotidien stagnait. Des lectures largement citées vont dans le même sens : 95 % des pilotes d’IA générative sans retour mesurable (MIT NANDA, 2025), plus de 80 % des projets d’IA en échec (RAND, estimation), environ 6 % des entreprises avec un impact réel sur le résultat (McKinsey State of AI, 2025). Ce sont des lectures externes, pas des mesures d’Arcogi.
La cause est dans le budget, pas dans la technologie : environ 93 % des dépenses d’IA vont à l’outil et près de 7 % aux personnes, aux processus et à la refonte du travail — la ligne qui transforme une capacité achetée en capacité installée. Le cas Klarna sert d’avertissement : mesurer la vitesse et le coût moyen sans repenser le service est un raccourci, pas une stratégie. La conclusion honnête n’est pas de dépenser moins en technologie, mais de cesser de ne dépenser qu’en elle.
1. Concevoir l’opération pour un flux continu
La plupart des organisations fonctionnent encore au rythme des réunions. Dans le modèle agentique, le rythme s’inverse : pendant le temps humain, l’équipe revoit les sorties, tranche ce qui exige du jugement, renforce les limites d’opération et prépare des entrées structurées ; pendant le temps des agents, le travail exécutable se fait à l’échelle — enrichir les exigences, valider l’architecture et les contrats, générer et tester les artefacts, regrouper les résultats avec leurs preuves pour la revue.
Ce cycle repose sur des fondations concrètes : une définition claire de ce qui doit être produit, un environnement cohérent aux conventions modulaires, un chemin standardisé de l’intention à l’exécution et les mêmes parties prenantes engagées de bout en bout. Sans cette cohérence, la production des agents reste fragmentée et difficile à croire.
2. Étendre l’automatisation pour supprimer les transferts manuels
L’automatisation traditionnelle s’est concentrée sur la fin de la chaîne ; l’essentiel de l’effort, des exigences aux décisions, est resté manuel. Quand exigences, politiques, contrats et spécifications existent dans des formats standardisés et lisibles par machine, la chaîne s’exécute de bout en bout en quelques heures et les personnes interviennent à des points de revue définis — pas comme intermédiaires.
Dans cette conception, les détails d’ingénierie deviennent des mécanismes de gouvernance. Un plan d’exécution peut être lié par un hash à l’autorisation qui l’a approuvé : si un champ change, l’autorisation précédente ne vaut plus. Chaque changement pertinent produit un reçu ; une relecture ne réexécute pas les effets ; publier exige la revue d’une personne autre que celle qui a soumis. La séparation des fonctions cesse d’être une politique dans un PDF et devient une règle du chemin d’exécution.
3. Bâtir une infrastructure de connaissance pour permettre l’autonomie
Les agents produisent des résultats justes lorsqu’ils disposent de contexte et de mémoire organisationnelle. Aujourd’hui, ce contexte est dispersé entre outils, tickets, rapports d’incident, politiques résumées et le savoir tacite de celles et ceux qui sont dans l’opération depuis des années. Les organisations en pointe construisent une couche de connaissance reliée qui associe produits de données, décisions passées, politiques, preuves et responsables dans chaque domaine, sous une forme que les agents peuvent parcourir — et répondre avec les sources.
Chaque décision devient traçable jusqu’à son origine. Cela ne commence pas par un grand chantier ontologique descendant : le graphe grandit autour des domaines prioritaires et des programmes vivants. À l’échelle, la connaissance cesse d’être une documentation statique et devient une infrastructure de production.
4. Capter la valeur : repenser rôles, autorité et preuves
La productivité ne devient valeur que si l’organisation change avec elle. Cela suppose de requalifier les personnes pour le jugement, la revue et la supervision ; d’intégrer risque, juridique, conformité et achats dans la conception au lieu d’en faire des gardiens en bout de chaîne, avec la politique sous forme de code et des approbations en plusieurs étapes dans le flux ; et de réinvestir consciemment la capacité libérée.
Un quatrième élément est décisif : la discipline de vérité. Là où les agents exécutent, la confiance se démontre, elle ne se déclare pas. Le système doit garder la distinction entre ce qui a été spécifié, simulé, implémenté, testé et approuvé pour l’exploitation. Un modèle opérationnel incapable de dire à chaque instant ce qui est réel et ce qui est intention ne mérite pas l’autonomie.
Le modèle économique change aussi : le service sous forme de logiciel
Quand le modèle opérationnel est codifié — pratiques, contrats, points de revue, preuves —, le service qui le délivre cesse d’être un projet et devient une capacité continue. Nous l’appelons service sous forme de logiciel : non pas un volume d’heures d’experts, mais une pratique codifiée dans un environnement opérationnel qui reste chez le client. La connaissance ne part plus avec l’équipe ; décisions, critères, exceptions et preuves accumulent de la valeur à chaque cycle.
La livraison est modulaire et souveraine : le centre d’opérations peut être déployé par parties dans l’environnement du client, en commençant par l’organisation et les agents, puis en ajoutant données et décisions gouvernées dans le même espace de travail. L’autorité ne se transfère pas — configurations, approbations et mandats restent sous le contrôle de l’organisation. L’économie est décrite qualitativement ; les gains concrets dépendent du périmètre, du programme et des conditions de chaque client.
Par où commencer
Commencez là où l’impact est le plus fort, par un premier pas volontairement petit : un domaine prioritaire, un programme vivant et un responsable nommé. On organise d’abord qui travaille — rôles, agents, connaissances et limites d’autorité — puis données et décisions entrent dans le même environnement à mesure que la confiance se démontre. L’échelle vient de la répétition de cycles vérifiables, pas d’un déploiement en une fois.
À mesure que les agents prennent l’exécution à l’échelle, les rôles humains se concentrent sur l’architecture, le jugement produit et la conception des systèmes ; la connaissance institutionnelle et la cohérence technique deviennent les différenciateurs décisifs. Les organisations qui bâtissent ces capacités dans le cadre de la reconfiguration de leur modèle opérationnel n’iront pas seulement plus vite : elles redéfiniront la manière dont les données créent de la valeur.