L'IA et la crise de crédibilité des transformations digitales

Les transformations digitales et leur impact sur la crédibilité interne

Dans le monde des affaires, chaque initiative de transformation numérique qui échoue laisse une empreinte indélébile sur la crédibilité interne de l'organisation. L'arrivée de l'intelligence artificielle (IA) dans des entreprises déjà épuisées par des changements successifs pourrait aggraver cette situation. Sans une évaluation préalable des conditions réelles, les promesses de l'IA risquent de s'éroder plus rapidement que les modèles ne peuvent produire des résultats tangibles.

Il y a quelques années, un grand groupe européen a entrepris une transformation ambitieuse en adoptant le cadre SAFe (Scaled Agile Framework). Ce processus comprenait la cartographie des flux de valeur, l'identification des Agile Release Trains (ARTs), la formation des équipes et la planification des incréments de programme (PI Plannings). Bien que les opérations aient commencé à fonctionner après six mois, dix-huit mois plus tard, 40 % des fonctionnalités étaient bloquées en raison de dépendances non résolues avec trois équipes transverses extérieures au train. Bien que SAFe propose des solutions pour ces problèmes, comme les services partagés ou l'élargissement du périmètre de l'ART, aucune de ces solutions n'a été mise en œuvre, car personne n'avait l'autorité nécessaire pour intégrer ces équipes dans le train.

La dette de crédibilité accumulée

Ce scénario n'est pas isolé et se répète depuis deux décennies. Les déploiements d'ERP dans les années 2000, les migrations vers le cloud dans les années 2010, et l'adoption de l'agilité à grande échelle à partir de 2015 ont tous produit des résultats inférieurs aux attentes. Les diagnostics habituels pointent souvent un manque de soutien, une résistance au changement ou une mauvaise mise en œuvre. Cependant, ces explications masquent un coût plus profond et rarement mesuré : la perte de crédibilité interne.

Les employés ayant vécu plusieurs cycles de transformation ont appris à attendre que les tempêtes passent. Ils adoptent le jargon du moment, participent aux rituels, remplissent les documents requis, mais continuent de travailler comme avant. Cette adaptation superficielle est une réponse rationnelle à un environnement où les transformations promises ne se concrétisent pas.

L'IA et l'accélération du cycle de déception

L'IA générative entre dans ce contexte déjà éprouvé avec un défi supplémentaire. Les programmes formels d'IA, ceux qui passent par le comité exécutif avec un budget et des promesses de résultats, ne sont pas comparables à l'adoption informelle de ChatGPT ou à des preuves de concept en shadow IT. Là où un ERP nécessitait plusieurs années pour être déployé, et une migration vers le cloud entre dix-huit et trente-six mois, l'IA réduit ces délais de manière significative. Un comité exécutif ayant assisté à une démonstration s'attend à des résultats en quelques semaines. La déception survient donc plus rapidement et devant un public plus large, car l'IA touche à des domaines sensibles tels que la relation client, la production documentaire et l'aide à la décision.

Pour déployer un modèle de langage de grande taille (LLM), il est essentiel de disposer de données accessibles, bien gouvernées et de qualité suffisante. Cependant, ce prérequis est rarement rempli. Le principal problème réside ailleurs : lorsqu'un programme d'IA exige des équipes qu'elles structurent des données, valident des résultats ou revoient leurs processus, il s'adresse à des collaborateurs déjà épuisés par les précédentes transformations agiles, les migrations vers le cloud et les réorganisations produit. La puissance du modèle ne compense pas la fatigue accumulée.

Les raisons d'un manque de diagnostic préalable

Pourquoi les organisations ne réalisent-elles pas un diagnostic de leur état réel avant de lancer un programme de transformation ? La réponse réside dans la structure même du processus décisionnel.

Les décisions d'adoption d'un programme de transformation sont généralement prises par quatre acteurs dont les intérêts convergent vers le même résultat :

• L'éditeur ou l'intégrateur, dont le modèle économique repose sur l'adoption du programme.
• Le champion interne, qui a besoin d'un programme visible pour obtenir un budget et une légitimité.
• Le comité exécutif, qui achète une promesse de résultats sans s'engager dans un audit de la dette technique.
• La direction des systèmes d'information (DSI), qui connaît l'état réel des systèmes d'information mais évite de s'opposer frontalement pour ne pas être perçue comme un frein.

Chacun de ces acteurs trouve un bénéfice individuel : un contrat signé, un programme budgété, une histoire présentable en conseil, une DSI qui n'est pas vue comme un obstacle. Le résultat collectif, un lancement sans diagnostic, n'est la décision de personne. Personne n'a le mandat de dire non.

Croiser les dimensions technique et de gouvernance

Dans un article précédent, j'ai exploré comment les organisations optimisent chaque domaine localement sans diagnostiquer la contrainte qui limite le système dans son ensemble. Le problème des prérequis non vérifiés suit la même logique : on évalue chaque composant séparément sans croiser les deux dimensions qui déterminent ce qu'un programme peut réellement produire.

• La première dimension est technique : l'état des systèmes d'information, le niveau de couplage applicatif, la qualité et la gouvernance des données, et la capacité de découplage réaliste à trois-cinq ans.

• La seconde dimension est de gouvernance : le niveau de délégation effectif sur les décisions de priorité, la capacité à arbitrer entre domaines lorsque les flux de valeur se contredisent, la tolérance réelle au conflit de priorisation, et le niveau de crédibilité résiduelle des programmes de transformation auprès des équipes, rarement mesuré.

SAFe aborde cette dimension à travers plusieurs mécanismes : le leadership Lean-Agile, la gestion de portefeuille Lean, le budget participatif. Le modèle Team Topologies suppose une plateforme consommable en self-service qui ne peut exister sans des arbitrages d'investissement clairs. L'IA exige une gouvernance de la donnée qui touche aux prérogatives des directions métier. Chaque approche documente l'importance de cette dimension, mais aucune n'en fait un critère de go/no-go.

Un programme peut progresser avec un système d'information partiellement couplé si la gouvernance permet de traiter les dépendances en temps réel. Un système bien architecturé ne produit rien si les décisions de priorité restent centralisées par silo. Les deux dimensions interagissent. Les évaluer séparément revient à ne pas les évaluer.

Actions concrètes pour les organisations

Les recommandations suivantes s'adressent aux organisations ayant déjà traversé plusieurs cycles de transformation, où la dette de crédibilité existe et où au moins un décideur en a mesuré le coût.

• Changer le livrable du diagnostic : le Value Stream Mapping identifie déjà les dépendances, les transferts, les goulets d'étranglement. Le problème réside dans l'utilisation qui en est faite : dans le processus SAFe, ces constats servent d'inputs au design des ARTs, pas de carte des contraintes à traiter avant de découper. Utiliser le VSM comme livrable de diagnostic plutôt que comme étape vers le découpage changerait la nature du programme. La même logique s'applique à l'IA : état des lieux croisé de la qualité des données et de la gouvernance, avant le catalogue de cas d'usage. Condition minimale : un commanditaire prêt à recevoir un livrable moins séduisant que celui qu'il avait prévu de présenter en comité.

• Rendre les fondations visibles budgétairement : dans presque tous les programmes observés, les prérequis sont censés se construire dans la foulée. Ils ne se construisent jamais, systématiquement arbitrés au profit du delivery. Sans ligne distincte, sans ownership claire, sans roadmap indépendante, les fondations ne survivent pas à la première revue de priorisation. Ce qui n'apparaît pas dans le budget disparaît des arbitrages. Condition minimale : un sponsor qui accepte de sanctuariser une ligne sans livrable métier immédiat.

• Introduire un acteur dont le mandat ne dépend pas du lancement : si les quatre acteurs convergent structurellement vers "on lance", la seule façon de produire un diagnostic fiable est de mandater quelqu'un dont l'intérêt n'est pas aligné avec l'adoption. Un évaluateur avant la décision de go, avec un livrable simple : voici où vous en êtes sur les deux dimensions, voici ce que ce positionnement permet d'attendre, voici ce qu'il ne permet pas de promettre.

L'enjeu actuel pour les organisations

La prochaine vague d'IA va produire ses résultats dans des organisations qui portent encore les traces des vagues précédentes. Le modèle sera puissant. Les cas d'usage seront réels. Et les équipes à qui l'on demandera de s'engager auront déjà appris, programme après programme, que les promesses de transformation ont une durée de vie limitée.

La question qui déterminera la suite n'est pas technique. Elle tient en une phrase : cette organisation a-t-elle encore le crédit nécessaire pour que les gens y croient une fois de plus ?