Enseignements tirés de 5 conversations sur l’IA

Lorsque Bret Taylor m’a confié que la vague est toujours plus grande que n’importe quelle entreprise, il a mis des mots sur la conviction qui anime ma vision de Pigment et qui se confirme au gré de mes échanges avec d’autres leaders du marché : réussir avec l’IA ne consiste pas à devancer la technologie, mais à apprendre à construire au gré des évolutions permanentes de notre environnement.

Au cours des dernières semaines, j’ai interrogé plusieurs leaders IA sur leur manière d’aborder ce défi. Vous pouvez écouter l’ensemble des épisodes ici.

Chaque échange a été l’occasion de confronter nos perspectives sur ce qui fonctionne réellement et sur les moments où l’enthousiasme laisse parfois place à la réalité.

• Bret Taylor a traversé trois vagues de transformation : d’abord chez Google, Facebook et Salesforce, et aujourd’hui chez Sierra et OpenAI.‍
• Des Traynor, cofondateur de Fin AI, a transformé le cœur de métier d’Intercom après avoir abandonné l’intégralité de la roadmap produite en 72 heures suite au lancement de ChatGPT.
• Olivier Pomel a vu les équipes d’ingénierie chezpasser de la construction de logiciels à leur exploitation à grande échelle
• Mati Staniszewski a contribué à faire de la voix une interface centrale chez ElevenLabs, transformant la manière dont les utilisateurs interagissent quotidiennement avec les logiciels.‍
• Naveen Zutshi a accompagné certaines des plus grandes organisations mondiales dans le passage du pilote IA à sa mise en production chez Databricks.

Les organisations qui obtiennent des résultats concrets présentent des traits communs, et la plupart n’ont rien à voir avec les modèles qu’elles utilisent. Voici ce qui fait réellement la différence :

1. La maturité des données est déterminante

Au début de notre entretien, Naveen Zutshi, directeur informatique chez Databricks, a indiqué que 46% des projets de validation de concept en IA sont abandonnés avant même d'atteindre la phase de production. Selon lui, cela s'explique par le manque de préparation des données.

‍

La planification repose sur l’agrégation de données issues de multiples sources : CRM, ERP, systèmes RH et feuilles de calcul maintenues depuis des années. Lorsque ces données sont hétérogènes ou non gouvernées, aucune IA - aussi sophistiquée qu’elle soit - ne peut compenser cette faiblesse. On obtiendra simplement des réponses “crédibles” construites sur des fondations fragiles.

Lorsque j’ai demandé à Naveen quels secteurs avançaient le plus vite, il a expliqué que la rapidité d’adoption ne dépend pas tant du secteur que du niveau de maturité data. Il a cité Mastercard pour le traitement des demandes de crédit, Rolls-Royce pour la prédiction des pannes de maintenance et Walgreens pour l’optimisation de la distribution de médicaments. Trois industries fortement régulées, supposées lentes, mais disposant de datasets propres, gouvernés et propriétaires.

Olivier Pomel partage le même constat côté infrastructure. Chez Datadog, la complexité applicative explose : ce qui prenait des mois à développer peut désormais être construit en quelques minutes. Il explique : « Nous passons beaucoup moins de temps à construire et beaucoup plus de temps à faire fonctionner les applications ». L’observabilité (comprendre le comportement réel des systèmes en production) est devenue non négociable.

Le point commun est clair, et nous l’observons également chez Pigment : on ne saute pas l’étape des fondations. Les organisations qui réussissent avec l’IA ont investi en amont dans la qualité, la gouvernance et la visibilité de leurs données.

2. L'IA remet en cause les modes opératoires existant

Après le lancement de ChatGPT, Intercom a perdu la capacité à prédire ce qui était techniquement faisable. Pendant 13 ans, l’équipe pouvait spécifier une fonctionnalité et en garantir la faisabilité. Avec l’IA, cette prédictibilité a disparu. Même des idées simples se heurtaient aux hallucinations des modèles ou à des coûts de vérification qui annulaient les gains d’automatisation.

En contrepartie, Intercom a gagné en vitesse. L’entreprise peut désormais explorer cinq directions produit dans le temps qu’il fallait auparavant pour en développer une seule. L’IA a également permis de réduire drastiquement le coût d’exploration. Les roadmaps deviennent presque interactives : au lieu de débattre théoriquement, les équipes prototypent plusieurs options en parallèle avant de décider. Si le confort de la prédictibilité a disparu, Intercom a gagné la capacité de tester ses hypothèses plus rapidement que jamais.

‍

Mati Staniszewski, cofondateur d’ElevenLabs, a structuré l’entreprise comme un ensemble de laboratoires autonomes (voice lab, agents lab, music lab), chacun disposant d’une responsabilité et autonomie complète. Je lui ai demandé comment cela pouvait fonctionner et il me confia que ce modèle ne fonctionne qu’à une condition : recruter des experts meilleurs que soi dans leur domaine, et accepter une visibilité réduite au quotidien.

La leçon n’est pas qu’il existe une structure idéale, mais que la structure doit évoluer. Les roadmaps pluriannuelles supposent de la prédictibilité. Les validations séquentielles supposent une évaluation des idées en amont. Les hiérarchies rigides supposent un flux décisionnel linéaire. Rien de tout cela ne tient lorsque la technologie évolue plus vite que les cycles de planification.

3. Les interfaces sont en train d’être réinventées

Aujourd’hui, notre interaction avec le numérique s’effectue principalement via écran et clavier. Pour Mati, la voix deviendra une interface centrale, voire dominante.

Mais la voix seule ne suffira pas. L’avenir est multimodal : voix, vision, texte et raisonnement combinés de manière fluide. L’apprentissage nécessite des éléments visuels, et dépasser les barrières linguistiques suppose que des modèles audio et visuels opèrent de concert.

Des Traynor a souligné que les interfaces conversationnelles transforment l’expérience client. Les agents IA ne se contentent pas de résoudre des problèmes : ils accompagnent l’ensemble du parcours client, et pourront même présenter des produits, expliquer des arbitrages afin d’aider à la décision dans le flux naturel de l’échange. L’IA doit s’adapter aux humains, et non l’inverse.

Pour Bret Taylor, les prochaines années définiront l’interface native de l’IA : pas une simple extension des chatbots existants, mais un paradigme réellement nouveau. Il s’agit de concevoir des solutions qui rejoignent les usages des utilisateurs.

4. La confiance est un enjeu de conception, pas une question de temps

Comme les humains, l’IA ne sera jamais parfaite. Mais le niveau d’exigence varie selon le cas d’usage.Olivier ne déploie rien chez Datadog tant que le modèle ne dépasse pas les 90% de précision.

Comme il l’exprime : « Un humain fiable à 70% peut être acceptable. Une IA à 60–70% ne l’est pas. »

Chez Pigment, cette exigence est évidente : lorsqu’un agent IA propose un ajustement de forecast, les équipes finance doivent pouvoir lui faire confiance. Sans précision robuste, l’adoption s’effondrera.

Mais attendre une précision de 100% reviendrait à ne jamais rien déployer. L’approche de Bret chez Sierra consiste à concevoir pour l’imperfection : clarifier ce que l’agent peut et ne peut pas faire, et intégrer des garde-fous dès la conception. Avec des boucles de supervision intégrées, les erreurs sont détectées rapidement.

Mati a intégré ce filet de sécurité chez ElevenLabs dès le premier jour. Chaque sortie vocale inclut des marqueurs de traçabilité, et la plateforme bloque le clonage vocal non autorisé. Mais ces précautions ne freinent pas l’avancement. Selon Mati, « Mettre en place des garde-fous dès le départ facilite en réalité l’ensemble du processus. »

5. Les agents spécialistes surpassent les outils généralistes

The most successful AI agents aren't trying to do everything at once. They're built for specific workflows with deep domain expertise.

Bret calls agents the atomic unit of AI, similar to the way websites defined the web era and apps defined mobile. But, unlike those predecessors, AI agents need vertical depth to be truly useful. A legal agent needs to understand compliance workflows. A support agent needs to know escalation paths. A planning agent needs to understand forecasting models and budget constraints.

Des proved this point at Intercom. Customers wanted Fin but wouldn't switch their entire help desk. Adoption only took off when Fin worked on top of their existing platforms rather than replacing them.

The pattern is consistent. Most companies succeed by solving specific problems exceptionally well, not by building general-purpose tools.

Ce que les leaders doivent faire

À travers ces cinq conversations, plusieurs recommandations concrètes ont émergé pour les dirigeants qui pilotent l’adoption de l’IA :

• Cultivez la curiosité. L’IA représente sans doute la plus grande transformation que la plupart d’entre nous connaîtront dans leur carrière. Comprendre où va l’IA est aussi critique que comprendre son état actuel
• Mettre les mains dans les outils. Développer une intuition IA nécessite une pratique personnelle et régulière.Il est impossible de comprendre une nouvelle technologie sans l’utiliser soi-même.‍
• Dites oui à l’expérimentation, mais dans un cadre sécurisé. Un excès de prudence peut faire manquer la fenêtre d’avantage compétitif. Les leaders IA recommandent donc d’accepter plus souvent les opportunités de tester ces technologies, tout en les encadrant.‍
• Privilégiez la clarté au contrôle. Plutôt que de chercher à maîtriser chaque décision, clarifiez la vision et la stratégie. Définissez un cadre pour évaluer, faire évoluer et intégrer les idées, puis faites confiance à vos équipes pour agir à l’intérieur de ce cadre.‍
• Installer des boucles de feedback courtes. Contrats mensuels, points hebdomadaires, métriques en temps réel permettent de rester aligné sur la réalité. Sans retours rapides, les équipes peuvent se convaincre qu’une initiative fonctionne même lorsque les données prouvent le contraire. ‍
• Co-construire avec vos clients dès le premier jour. Construire en toute transparence est clé. Même si les premières versions sont imparfaites, la boucle de feedback accélère considérablement l’apprentissage.‍
• ‍Diffuser les compétences techniques partout. Legal, ventes et marketing doivent aussi intégrer des profils capables d’automatiser et de construire des workflows IA.

En synthèse

Aucun de ces leaders n’avait une feuille de route parfaite au départ. Ils ont commencé avec des données solides, accepté de transformer leurs modes opératoires, intégré des garde-fous dès le début, et concentré leurs efforts sur un problème précis traité avec excellence.

La différence entre les organisations qui testent l’IA et celles qui transforment réellement leurs opérations et l’expérience client tient à une chose : accepter de construire tout en apprenant. Ce n’est pas le plus confortable. Mais c’est la seule voie crédible.‍