Cockpit
    4 novembre 2026 · 18 min

    Étude sur le modèle opérationnel de l’IA : ce qu’il décrit et comment il transforme le travail, le leadership et l’organisation

    AI Operating ModelOrganisationLeadershipMéthodes de travailÉtudes de cas

    Qu’est-ce qu’un modèle opérationnel de l’IA ?

    Je me pose cette question depuis environ un an. Et je suis toujours aussi curieux !

    J’échange avec des professionnels et j’expérimente par moi-même. Pour autant, je n’ai pas tout vu de mes propres yeux. Il est difficile de démêler le vrai de l’effet d’annonce. Certaines affirmations sur LinkedIn et Substack sont extravagantes. Lesquelles tiennent réellement la route ?

    J’ai interrogé des personnes de mon entourage professionnel en qui j’ai confiance. Leurs organisations en sont à des stades différents. Certaines commencent à peine à utiliser l’IA. J’ai donc exploré la question en profondeur.

    Cette étude rassemble mon expérience des méthodes de travail, du leadership et du design organisationnel, mes échanges avec des pairs, ainsi que les enseignements tirés de mes recherches.

    J’ai utilisé l’IA pour trouver des données, des rapports et des sources primaires. J’ai sélectionné les exemples, déterminé la structure de l’étude et tiré mes propres conclusions.

    Les exemples

    J’ai choisi sept cas réels issus de différents domaines d’activité :

    • Développement logiciel

    • Planification de la production et approvisionnement

    • Service client et opérations

    • Aiguillage des dossiers et gestion administrative

    • Supply chain et achats

    • Ventes B2B

    • Finance et gestion administrative dans la santé

    J’ai retenu des cas documentés dans des rapports annuels, des études de recherche ou des publications officielles.

    La structure

    • Quel résultat l’organisation souhaitait-elle obtenir ?

    • À quoi ressemble le processus de bout en bout ?

    • Comment le processus fonctionnait-il sans l’IA ?

    • Comment fonctionne-t-il avec l’IA aujourd’hui ?

    Ce que je retiens de ces cas

    • Quelles sont les caractéristiques déterminantes d’un modèle opérationnel de l’IA ?

    • Qu’impliquent-elles en pratique pour les méthodes de travail, le leadership et l’organisation ?

    Cette étude me permet d’expliquer, exemples et preuves à l’appui, ce que l’utilisation de l’IA signifie concrètement pour une organisation. Toutes les sources sont librement accessibles en ligne. Je souhaite rédiger des analyses fiables, sur lesquelles les lecteurs peuvent s’appuyer pour s’orienter. Elles illustrent également ma façon de penser et de travailler.

    Bonne lecture !

    Sept cas issus de la pratique

    Détecter au plus tôt les risques fournisseurs (BMW Group)

    Quel résultat souhaite obtenir BMW ?

    BMW souhaite être informé des potentielles violations des droits humains et des atteintes à l'environnement suffisamment tôt pour que son équipe Achats puisse intervenir. L'équipe peut ensuite demander au fournisseur concerné de remédier au problème et vérifier s'il a bien mis en œuvre les mesures convenues.

    À quoi ressemble le processus de bout en bout ?

    Une réclamation, une inspection sur site ou un article de presse peuvent signaler un problème. BMW vérifie quel fournisseur est impliqué et si les éléments tangibles corroborent le signalement. Si le service Achats confirme un manquement, il convient de mesures correctives avec le fournisseur et contrôle leur application tout au long de la chaîne d'approvisionnement.

    Comment le processus fonctionnait-il sans l'IA ?

    BMW s'appuie sur des questionnaires standardisés, des audits sur site et des canaux de réclamation officiels. Ces trois dispositifs restent en place. Pour surveiller les médias sans l'IA, les collaborateurs devaient éplucher les articles et faire correspondre laborieusement les entreprises mentionnées avec les fournisseurs directs et indirects de BMW. Il leur était impossible d'obtenir ainsi une couverture mondiale exhaustive.

    Comment le processus fonctionne-t-il avec l'IA ?

    Un robot d'exploration web collecte en continu les actualités publiques et les publications sur les réseaux sociaux. Le système analyse des sources dans plus de 50 langues à la recherche de signaux répartis dans plus de 140 catégories de risques. Des signalements concernant des fournisseurs en amont situés au-delà du premier rang (Tier N) peuvent également déclencher des alertes. Une alerte met en évidence un manquement potentiel. L'équipe Achats détermine seule si une infraction a effectivement été commise, puis décide et négocie la suite des démarches.

    Qualification des prospects commerciaux sur le marché du paiement direct (rapport de Stanford)

    Quel résultat l'équipe commerciale souhaite-t-elle obtenir ?

    Une équipe commerciale spécialisée en médecine esthétique souhaite identifier les cabinets qui méritent une visite en personne. Elle doit répondre à deux questions : quels cabinets de son secteur proposent les traitements concernés ? Lesquels disposent d'un volume de patients et d'un potentiel de développement suffisants pour justifier un déplacement ?

    À quoi ressemble le processus de bout en bout ?

    L'équipe commence par définir son secteur commercial. Elle rassemble des informations dispersées pour dresser le profil des cabinets et hiérarchiser les prospects. Cette partie du processus prend fin lorsque l'équipe commerciale de terrain reçoit la liste. La question de savoir si une visite débouche sur un échange commercial qualifié ou sur une vente n'entre pas dans le cadre du processus étudié ici.

    Comment le processus fonctionnait-il sans l'IA ?

    Sur les marchés réglementés où les assureurs remboursent les soins, les données de remboursement fournissent des indicateurs d'activité précis. Sur ce marché reposant entièrement sur le paiement direct par le patient, il n'existait ni registres centralisés ni données de facturation. Les commerciaux devaient visiter des cabinets à l'aveugle dans l'espoir d'y trouver un prospect, éplucher manuellement des sites web ou s'appuyer sur des recommandations.

    Comment le processus fonctionne-t-il avec l'IA ?

    Un système d'IA croise des informations publiques issues des sites web des cabinets, des catalogues de soins, des avis de patients et des réseaux sociaux. Il estime les volumes de traitements et établit un classement des cabinets. Les commerciaux de terrain reçoivent alors une liste de prospects ordonnée par priorité. Les données disponibles ne permettent pas d'évaluer avec quelle fiabilité ce classement permet d'anticiper le chiffre d'affaires futur.

    Aiguillage des demandes de brevet (Office européen des brevets)

    Quel résultat l'office des brevets recherche-t-il ?

    Une nouvelle demande de brevet doit parvenir aux examinateurs disposant de l'expertise requise dans le domaine technique concerné. Ce n'est qu'à cette condition que la recherche de fond sur l'état de la technique peut commencer. La justesse de l'attribution initiale a une incidence directe tant sur la durée de l'examen que sur sa qualité.

    À quoi ressemble le processus de bout en bout ?

    Lorsqu'une demande arrive, elle fait l'objet d'une classification technique préliminaire. Un code de classification aiguille le dossier électronique vers la direction technique compétente. Si le service destinataire constate que la demande ne relève pas de son domaine, il consulte des collègues et organise un transfert. Une unité spécialisée dans la classification tranche les litiges.

    Comment le processus fonctionnait-il sans l'IA ?

    Un collaborateur expérimenté parcourait le titre, l'abrégé et les revendications du brevet, puis attribuait manuellement une classification préliminaire, conformément aux directives officielles relatives à l'examen.

    Comment le processus fonctionne-t-il avec l'IA ?

    Un système entraîné analyse l'intégralité du texte de la demande. Il peut suggérer une classification ou attribuer automatiquement le dossier. Les examinateurs utilisent la procédure existante pour réacheminer les dossiers qui parviennent au mauvais service. Les examinateurs de brevets conservent la responsabilité juridique et technique de l'examen de la demande.

    Acheminement des signalements des passagers à bord des trains (Deutsche Bahn / Railmate)

    Quel résultat Deutsche Bahn recherche-t-elle ?

    Lorsque des passagers signalent une climatisation en panne ou un siège sale, le service apporte une valeur maximale si le personnel de bord peut résoudre le problème pendant le trajet. Les signalements de dysfonctionnements graves doivent quant à eux parvenir sans délai au dépôt de maintenance d'attache du train.

    À quoi ressemble le processus de bout en bout ?

    Les passagers peuvent signaler un problème à l'aide d'un QR code situé sur leur siège, via le portail ICE ou depuis l'application. Le système analyse et catégorise le message rédigé en texte libre, puis l'envoie sur le téléphone professionnel du chef de bord ou directement aux systèmes de maintenance. Le processus complet prend fin lorsque quelqu'un résout le problème à bord du train.

    Comment le processus fonctionnait-il sans l'IA ?

    Les passagers devaient soit partir à la recherche d'un membre du personnel de bord, soit envoyer un message écrit au service client central. Les agents lisaient ces messages manuellement et n'y répondaient que plusieurs jours plus tard. À ce stade, la réponse n'était plus d'aucune utilité pour le trajet en question.

    Comment le processus fonctionne-t-il avec l'IA ?

    Railmate utilise le traitement automatique du langage naturel pour classer les signalements dans plus de 200 catégories. Deutsche Bahn reçoit environ 3,2 millions de retours par an. Chaque mois, environ 3 000 signalements urgents sont envoyés directement sur les appareils mobiles du personnel de bord. Ces chiffres illustrent l'acheminement des signalements. Ils n'indiquent pas combien de problèmes le personnel a pu résoudre pendant le trajet.

    Comparaison des offres techniques (Audi / Tender Toucan)

    Quel résultat Audi recherche-t-elle ?

    Avant qu'Audi n'achète des équipements de production complexes, ses planificateurs doivent vérifier la conformité des offres des fournisseurs avec le cahier des charges technique. Une comparaison fiable montre, ligne par ligne, les exigences que chaque fournisseur s'engage à respecter, les points sur lesquels son offre s'écarte et ce qu'elle laisse sans réponse. Les planificateurs peuvent alors concentrer les négociations sur ces points précis.

    À quoi ressemble le processus de bout en bout ?

    L'équipe commence avec le cahier des charges et les offres des fournisseurs. Les planificateurs vérifient d'abord la liste des exigences, puis comparent chaque offre à celle-ci. Le processus examiné ici se termine lorsque les spécialistes techniques valident le tableau comparatif. La décision commerciale d'attribution du contrat constitue une étape distincte.

    Comment le processus fonctionnait-il sans l'IA ?

    Les planificateurs examinaient les documents manuellement. Les cahiers des charges pouvaient atteindre 1 000 pages, avec des offres de plus de 100 pages chacune, provenant souvent de près de 15 fournisseurs. Une équipe pouvait passer plusieurs semaines rien qu'à comparer les textes.

    Comment le processus fonctionne-t-il avec l'IA ?

    L'équipe de planification utilise Tender Toucan pour générer une liste de contrôle structurée à partir du cahier des charges. Les spécialistes vérifient et approuvent d'abord cette liste. Ce n'est qu'ensuite que l'IA recherche les passages correspondants dans les offres et affiche les renvois. Les spécialistes vérifient chaque évaluation par rapport au document d'origine. Audi fait état d'un gain de temps pouvant atteindre 30 % lors de la phase d'analyse.

    Développer un produit avec des agents de code (Anthropic / Claude Cowork)

    Quel résultat Anthropic souhaitait-elle obtenir ?

    Anthropic souhaitait que des personnes n'ayant jamais utilisé de terminal puissent donner à Claude l'accès à des dossiers locaux, par exemple pour transformer une série de notes en rapport. Le livrable était une préversion fonctionnelle d'une application de bureau.

    À quoi ressemblait le processus de bout en bout ?

    Le point de départ était un constat. Des utilisateurs employaient Claude Code, un agent conçu pour les développeurs, pour des tâches dépassant son usage initial. L'équipe produit a conçu les interactions et l'interface utilisateur, défini des limites d'accès aux fichiers et développé l'application. Après une phase finale de développement intensif, les abonnés ont reçu la préversion.

    Comment le processus fonctionnerait-il sans IA ?

    Les développeurs logiciels concevraient l'architecture et les composants, écriraient le code à la main, mettraient en place des tests unitaires et corrigeraient les bugs au fil de cycles de développement successifs, en s'appuyant sur des frameworks existants.

    Comment le processus a-t-il fonctionné avec l'IA ?

    Les développeurs ont spécifié le comportement attendu du logiciel et ont laissé Claude Code modifier et refactoriser le code directement dans le répertoire du projet. Les développeurs ont fixé les contraintes architecturales, revu le code et exécuté les tests. Les « dix jours de développement » largement relayés faisaient référence à la phase finale d'implémentation. Une petite équipe restreinte a pu s'appuyer sur des composants qui existaient déjà en interne.

    Prédire quels recours auprès des assurances aboutiront (WellSpan Health)

    Quel résultat WellSpan recherche-t-elle ?

    Lorsqu'une assurance santé refuse la prise en charge d'un séjour hospitalier, l'hôpital peut former un recours. WellSpan souhaite identifier les dossiers présentant des chances raisonnables de succès afin que son équipe clinique consacre son temps limité aux recours qui en valent la peine.

    À quoi ressemble le processus de bout en bout ?

    Après un refus, l'hôpital examine les justifications médicales et décide d'introduire ou non un recours. S'il fait appel, la réponse du payeur détermine l'issue. Un angle mort crucial subsiste : pour les refus qui ne font jamais l'objet d'un recours, nul ne peut savoir quelle aurait été l'issue.

    Comment le processus fonctionnait-il sans l'IA ?

    Des médecins-conseils examinaient manuellement les dossiers et s'appuyaient sur leur propre expérience pour décider des refus à contester. Sous la pression du temps, ils pouvaient passer à côté de recours susceptibles de permettre à l'hôpital de recouvrer un remboursement.

    Comment le processus fonctionne-t-il avec l'IA ?

    Un modèle prédictif entraîné sur 2 473 cas historiques estime la probabilité de succès d'un recours. L'équipe clinique s'appuie sur ce score pour prioriser les dossiers, rédige l'argumentaire et décide d'engager ou non la procédure. Après la mise en œuvre, une proportion plus élevée de refus a été infirmée. Toutefois, les réglementations et les politiques internes ayant évolué au cours de la même période, l'étude ne peut isoler la contribution propre de l'algorithme à cette amélioration.

    Ce que décrit un modèle opérationnel de l'IA

    Un modèle opérationnel de l'IA décrit la manière dont une organisation produit un résultat lorsque l'humain et l'IA collaborent. Il part du résultat souhaité et définit quelles tâches sont accomplies par les personnes et par les systèmes, comment leurs contributions s'articulent, et qui peut décider, corriger ou intervenir. Il couvre le travail lui-même, la technologie nécessaire, les personnes chargées de son bon fonctionnement et la façon dont l'organisation tire les enseignements des résultats réels.

    Au cœur de ce modèle se trouve la division du travail qui conduit à un résultat dont quelqu'un assume la responsabilité. Les sept cas montrent pourquoi la seule description d'un outil d'IA ne nous en apprend pas assez. Quelqu'un doit analyser une alerte de risque. Le signalement d'un voyageur doit parvenir à la bonne personne à temps pour qu'elle puisse agir. Une comparaison technique d'offres doit résister à l'examen d'experts. Le modèle opérationnel explique comment l'organisation transforme ce que produit l'IA en quelque chose que des personnes peuvent utiliser.

    Quel résultat compte, et pour qui ?

    Le point de départ consiste à se demander quel résultat compte pour les personnes concernées. Ce que produit immédiatement un système et le résultat final de l'ensemble du processus sont deux choses bien distinctes.

    Chez BMW, un article de presse constitue une première piste. Une enquête détermine si un fournisseur a enfreint une exigence et quelle mesure s'impose. Chez Deutsche Bahn, classifier correctement un signalement permet à un agent d'y répondre. Le voyageur peut pourtant toujours se trouver dans une voiture dont la climatisation est en panne. Chez Audi, le processus examiné s'achève par une comparaison technique vérifiée par des spécialistes. L'attribution du contrat constitue une étape ultérieure.

    Un modèle opérationnel de l'IA identifie donc les bénéficiaires du service, le résultat dont ils ont besoin et le périmètre où s'arrête le processus considéré. Cette frontière détermine quelles tâches font partie du processus et comment mesurer le succès. Mesurer l'acheminement des signalements des voyageurs répond à une question différente de celle consistant à mesurer le temps d'attente des voyageurs avant qu'un problème ne soit résolu.

    Quelles tâches les personnes et l'IA prennent-elles en charge ?

    L'IA joue des rôles différents dans les sept cas. BMW repère des pistes dans des sources publiques. Dans le cas commercial, le système regroupe des informations pour créer des profils de cabinets et une liste classée de contacts. L'Office européen des brevets et Deutsche Bahn utilisent l'IA pour classifier et acheminer les dossiers. Chez Audi et WellSpan, les systèmes préparent le terrain pour le jugement des experts. Les développeurs de Cowork indiquent que Claude Code a directement modifié le code lui-même.

    Ces distinctions comptent pour le modèle opérationnel. Trouver une information, formuler une recommandation et exécuter une action constituent des tâches différentes. Chacune exige des instructions, des contrôles et des possibilités d'intervention spécifiques.

    À chaque étape, l'organisation doit préciser ce qu'apporte le système et ce que font les personnes. Leur travail va bien au-delà de l'exécution de la tâche et de la décision finale. Il englobe la définition de la demande, la fourniture des bons éléments, la vérification des résultats intermédiaires et la gestion des exceptions.

    Qui peut décider, approuver et intervenir ?

    Répartir le travail implique également d'attribuer des droits de décision. Un modèle opérationnel de l'IA précise ce qu'un système peut faire en toute autonomie, quelles étapes requièrent une validation humaine et qui peut corriger un résultat ou interrompre une action.

    À l'Office européen des brevets, un service peut réacheminer un dossier reçu par erreur. Chez Audi, des spécialistes vérifient d'abord le cahier des charges, puis contrôlent ultérieurement les comparaisons d'offres. Chez WellSpan, l'équipe clinique décide s'il convient de donner suite à un dossier.

    Les droits de décision doivent donc être explicites à chaque étape. Se contenter d'affirmer qu'une personne demeure responsable laisse des questions pratiques sans réponse. La personne redevable doit être en mesure d'intervenir à temps et disposer des informations nécessaires pour exercer son jugement.

    Comment les passages de relais et les exceptions sont-ils gérés ?

    Souvent, quelqu'un doit prendre le relais avant que le résultat d'une IA ne puisse être utilisé. Chez Deutsche Bahn, un signalement doit parvenir à l'équipe de bord ou au personnel de maintenance à temps et avec suffisamment de détails pour lui permettre d'agir. Chez BMW, une alerte doit se transformer en un dossier qu'une personne peut instruire. À l'office des brevets, une procédure convenue doit permettre de corriger un dossier mal orienté.

    Le modèle opérationnel identifie donc qui reçoit chaque résultat, de quelles informations cette personne a besoin et ce qui se passe en cas d'incertitude. Il couvre également les cas que le système ne parvient pas à classifier de façon pertinente et ceux que le destinataire prévu ne peut pas traiter.

    Un passage de relais n'est pleinement défini que si les intervenants savent aussi bien renvoyer un dossier que le transmettre. Qui signale les informations manquantes ? Qui résout une mauvaise attribution ? Qui prend en charge un cas non prévu par les règles existantes ?

    Qu'est-ce qui rend le processus fiable ?

    Répartir le travail exige un soutien technique et organisationnel. Les personnes ont besoin d'accéder aux données et aux documents originaux sur lesquels elles s'appuient. Les systèmes doivent être limités quant aux outils qu'ils peuvent employer. Il doit être possible de tracer les étapes franchies, et une personne doit être responsable des incidents et des modifications. Les sources consacrées aux droits de décision, aux agents IA et à la gouvernance dans cette étude abordent ces exigences.

    Les règles communes doivent fonctionner dans le contexte de chaque processus. Les spécialistes ne peuvent vérifier un résultat que s'ils sont en mesure d'examiner les éléments justificatifs sous-jacents. Une validation n'est efficace que si elle intervient avant l'action. Un droit d'intervention ne sert pas à grand-chose si personne ne sait qui est responsable ni comment joindre cette personne en cas de problème.

    Comment les résultats sont-ils contrôlés et les processus améliorés ?

    Un modèle opérationnel a également besoin des retours d'expérience issus du travail lui-même. Ce retour d'information montre si les classifications, les évaluations et les passages de relais ont été utiles et à quels endroits le processus doit être modifié.

    À l'office des brevets, la correction des dossiers mal acheminés peut révéler des faiblesses dans le processus. WellSpan connaît l'issue des recours qu'elle dépose. Elle ne peut en revanche pas savoir ce qui se serait passé pour les dossiers où elle a choisi de ne pas faire appel. Le cas commercial documente la façon dont l'équipe a constitué une liste de contacts qualifiés, mais n'apporte aucun élément permettant de savoir dans quelle mesure ce classement a prédit avec exactitude quels prospects allaient acheter.

    Un modèle opérationnel de l'IA consigne donc quels résultats l'organisation peut observer, lesquels demeurent inconnus et qui évalue les éléments probants. Ces constats peuvent nécessiter d'ajuster le modèle d'IA, les catégories qu'il utilise, les étapes de révision, les passages de relais ou les responsabilités. L'essentiel est que les personnes puissent convertir leur expérience opérationnelle en changements concrets.

    Ce que les sept cas impliquent pour les méthodes de travail, le leadership et l'organisation

    Méthodes de travail

    Définir la tâche, vérifier le résultat et assurer la suite

    Lorsque l'IA prend en charge une partie d'une tâche, la nature du travail effectué par les collaborateurs change. Chez Audi, l'outil produit une liste d'exigences et une comparaison des offres. Des spécialistes vérifient et complètent l'une et l'autre. Chez Anthropic, les développeurs expliquent avoir spécifié le comportement souhaité et guidé Claude Code à mesure qu'il mettait en œuvre les modifications.

    Les équipes ne se contentent plus de produire le résultat elles-mêmes. Elles définissent également la tâche avec précision, vérifient les éléments sous-jacents et jugent si le résultat est exploitable. Produire moins manuellement ne réduit pas automatiquement la charge de travail exigeant de l'expertise.

    Les plannings de travail doivent donc explicitement prévoir du temps pour donner les instructions, examiner les résultats et assurer le suivi. Les collaborateurs ont besoin des bons documents, de l'expertise nécessaire et de suffisamment de temps. Ajouter une étape de vérification sur le papier ne sert à rien si les équipes ne peuvent pas la mener à bien dans des conditions réelles de travail.

    Placer les contrôles là où les erreurs risquent de se propager en aval

    L'exemple d'Audi illustre la façon dont des contrôles effectués à différentes étapes répondent à des objectifs distincts. Si la liste de contrôle initiale omet une exigence, l'équipe risque de ne la relever dans aucune des offres des fournisseurs. Vérifier la liste de contrôle répond donc à une finalité différente de celle qui consiste à contrôler l'évaluation d'une seule offre.

    Cela ne signifie pas que chaque résultat doive faire l'objet de multiples vérifications. L'essentiel est d'identifier où une erreur peut survenir et jusqu'où ses répercussions peuvent s'étendre. Ce sont précisément ces points de passage qui nécessitent un contrôle adapté ou un moyen de corriger l'erreur.

    Aligner les nouvelles pistes avec la capacité de les traiter

    La veille médiatique aide BMW à identifier des risques supplémentaires. Dans le cas des ventes, l'équipe découvre des pratiques absentes de sa liste initiale de prospects qualifiés. Ces deux types de résultats génèrent du travail : quelqu'un doit analyser le problème ou vérifier le prospect et prendre contact.

    Les équipes ont besoin d'une méthode pour sélectionner et exploiter les pistes générées. Quels cas traiter en priorité ? De quelles informations l'équipe a-t-elle besoin pour agir ? Que se passe-t-il lorsque le volume de pistes dépasse les capacités de traitement ? Générer un plus grand nombre de pistes ne sert à rien si l'équipe ne peut pas assurer le suivi de celles qui comptent vraiment.

    Leadership

    Définir l'autorité décisionnelle en fonction des conséquences des erreurs

    Les cas étudiés diffèrent quant à la facilité avec laquelle les erreurs peuvent être repérées et corrigées. Un dossier de brevet transmis au mauvais service peut être réacheminé grâce à une procédure établie. Chez WellSpan, l'issue d'un recours que personne ne dépose ne pourra jamais être connue. Un score anormalement bas risque ainsi de passer inaperçu.

    Les dirigeants doivent prendre en compte ces disparités lorsqu'ils déterminent le niveau d'autonomie accordé. Ils doivent évaluer les conséquences d'une erreur, la facilité avec laquelle elle peut être détectée et la possibilité de la corriger. Ces arbitrages déterminent les étapes où une validation, des contrôles inopinés et un droit d'intervention s'avèrent nécessaires.

    Par exemple, WellSpan pourrait demander à des cliniciens d'examiner un échantillon de dossiers ayant obtenu un score faible afin de vérifier si certains ne présentaient pas de meilleures chances de succès que ce que le score laissait supposer. Il s'agit là d'une option de conception ; le cas publié n'indique pas qu'elle ait été mise en œuvre.

    Évaluer séparément le volume, la qualité et l'impact

    Le nombre de dossiers traités mesure l'activité du système, mais il ne renseigne guère sur la qualité du travail ni sur son utilité pour le bénéficiaire. Le volume de retours traités par la Deutsche Bahn ne dit pas combien de problèmes ont été résolus pendant un trajet. La durée annoncée de la phase finale de développement de Cowork ne permet pas d'établir le temps que l'équipe a réellement gagné par rapport à un projet similaire mené sans agents de codage.

    L'évaluation d'un processus exige donc de se poser trois questions distinctes :

    • Quel volume de travail est traité ?

    • Dans quelle mesure les résultats sont-ils précis et utiles ?

    • Quelle est l'amélioration concrète pour le destinataire final du service ?

    Les bons indicateurs dépendent du point d'aboutissement du processus. Pour une comparaison d'offres, le délai d'exécution et la qualité de l'évaluation technique peuvent être pertinents. Pour le service aux voyageurs dans son ensemble, ce qui compte également, c'est de savoir si le problème est résolu, et dans quels délais.

    Analyser conjointement l'évolution de la charge de travail et des capacités

    La multiplication des alertes, des évaluations préliminaires et des résultats générés automatiquement transforme le travail qui en découle. Les dirigeants doivent donc évaluer à la fois la performance du système et la capacité disponible pour la relecture, la prise de décision et l'action.

    Les sept cas ne permettent pas de tirer de conclusion générale quant à la nécessité d'augmenter ou de réduire les effectifs. Ils montrent en revanche que l'IA déplace les tâches ou permet de prendre en charge des activités auparavant laissées de côté. Chaque organisation doit analyser là où un processus donné libère des capacités et là où il en réclame davantage.

    Organisation

    Attribuer la responsabilité du résultat de bout en bout

    Le signalement d'un voyageur relie un canal de signalement numérique et une décision d'aiguillage automatisée au travail du personnel de bord ou de maintenance. Améliorer la classification ne sert pas à grand-chose si le signalement arrive trop tard ou s'il lui manque les informations dont le destinataire a besoin.

    Une personne doit porter la responsabilité claire de l'ensemble du processus, notamment de l'articulation entre le système technique, les collaborateurs à l'œuvre et les retours d'information. Cela n'exige pas nécessairement la création d'une nouvelle unité organisationnelle. Ce qui importe, c'est que quelqu'un puisse superviser l'ensemble du processus et initier des changements qui dépassent les frontières entre services.

    Distinguer les infrastructures partagées des responsabilités métier

    Plusieurs applications peuvent mutualiser la gestion des accès, la journalisation et les tests techniques. En revanche, les arbitrages humains exigent une expertise propre à chaque domaine. Les planificateurs de production évaluent si une offre respecte une exigence technique. Chez WellSpan, ce sont les cliniciens qui apprécient les motifs d'un recours et ses chances d'aboutir.

    Cela dessine une répartition claire des responsabilités : l'infrastructure technique peut être partagée, tandis que les spécialistes de chaque domaine conservent la responsabilité des jugements relevant de leur champ de compétence. La question pratique consiste à déterminer quels services doivent être déployés de manière homogène dans toute l'organisation et quelles décisions doivent rester au plus près des personnes responsables du résultat.

    Donner aux équipes le pouvoir d'agir sur la base des retours

    Les corrections et les résultats observés par la suite peuvent révéler les points sur lesquels un processus doit être amélioré. Exploiter ces retours suppose de clarifier trois responsabilités : qui les recueille et les évalue ? Qui peut engager des changements ? Qui vérifie les modifications proposées et assume la responsabilité de leur mise en œuvre ?

    La procédure de réacheminement des dossiers de l'office des brevets lui fournit un point de départ pour recueillir des retours. WellSpan dispose des résultats des recours déposés. Lors de l'interprétation de ces résultats, il importe de savoir quels dossiers ont une issue connue.

    Pour qu'une organisation apprenne, les collaborateurs doivent disposer d'une méthode concertée pour passer de l'observation à l'évaluation, puis à l'adaptation des règles, des systèmes ou des responsabilités. Le simple fait de détenir les données ne suffit pas à instaurer ce processus.

    Conclusion · Comment l'IA transforme le leadership et l'organisation au point d'exécution

    Ces sept cas ne proposent pas d'organigramme unique pour l'IA. Ils révèlent en revanche une constante : la valeur se crée lorsque les équipes associent les résultats de l'IA à l'évaluation d'experts, aux prises de décision et aux actions nécessaires pour concrétiser ces décisions. Un modèle opérationnel de l'IA doit donc décrire l'ensemble du parcours, depuis une piste commerciale, un rapport ou une requête jusqu'à un résultat engageant une responsabilité claire, en intégrant les passages de relais, les exceptions et les retours d'expérience.

    Les dirigeants doivent attribuer le pouvoir décisionnel en fonction des conséquences d'une erreur, de la facilité avec laquelle elle peut être détectée et de la possibilité de la corriger. La supervision humaine s'avère particulièrement précieuse lorsque les erreurs sont difficiles à réparer, soumises à des réglementations ou susceptibles de compromettre la réputation. Les dirigeants doivent également évaluer séparément le volume traité, la qualité et l'impact réel. Un volume élevé de dossiers traités ne prouve pas que le service ou son résultat s'est amélioré.

    Pour l'organisation, la responsabilité doit s'étendre du début des travaux jusqu'à leur aboutissement. L'accès aux données, la journalisation, la sécurité et l'exploitation peuvent être gérés de manière centralisée. L'évaluation experte et la responsabilité du résultat final doivent, quant à elles, rester au plus près de ceux qui maîtrisent le terrain.

    Un rôle central du leadership consiste donc à structurer les passages de relais. Les collaborateurs doivent savoir qui clarifie une demande, qui vérifie les résultats intermédiaires, qui tranche en cas d'exception et qui veille à ce que le travail soit transmis à la personne suivante. Pour que les équipes accordent leur confiance au processus, elles doivent savoir comment intervenir, avoir accès aux éléments probants d'origine, disposer de suffisamment de temps pour les examiner et savoir à qui signaler une erreur.

    En fin de compte, une organisation ne peut déployer l'IA à grande échelle que si l'ensemble du processus a la capacité d'absorber la charge. La multiplication des alertes, des suggestions et des brouillons générés automatiquement engendre une charge de travail supplémentaire. Sans la capacité de vérifier, de clarifier et d'agir, une meilleure visibilité n'apporte que peu de valeur. Une organisation apprend lorsqu'elle transforme systématiquement l'expérience issue du travail quotidien en évolutions de ses règles, de ses systèmes, de ses responsabilités ou de ses processus.

    Références

    Chaîne d'approvisionnement, ventes et administration des brevets

    Les procédures de BMW Group, le cas de vente anonymisé et les directives d'examen de l'Office européen des brevets.

    01 · Our due diligence obligations

    BMW Group · Mars 2026 · Description des procédures (en allemand) · Voir la source

    Sections 1–4. BMW y décrit sa veille médiatique, ses procédures de réclamation, ses mesures correctives et la manière dont l'entreprise vérifie l'efficacité de ces mesures.

    02 · BMW Group Report 2025

    BMW AG · Mars 2026 · Rapport du groupe (en allemand) · Voir la source

    La déclaration sur la durabilité explique la manière dont le service des achats évalue les fournisseurs et assure le suivi des mesures convenues.

    03 · The Enterprise AI Playbook: Lessons from 51 Successful Deployments

    E. Pereira, A. W. Graylin et E. Brynjolfsson · Stanford Digital Economy Lab · Avril 2026 · Rapport fondé sur des entretiens · Voir la source

    Chapitre 7, p. 63. Le paragraphe consacré aux ventes dans la médecine esthétique détaille le cas anonymisé. Les chercheurs ont sélectionné des déploiements réussis pour cette étude.

    04 · Guidelines for Examination, B–V, 2. Preclassification

    Office européen des brevets · Édition 2026 · Directives officielles, version anglaise · Voir la source

    Cette section décrit le classement technique initial et la manière dont il est consigné dans le dossier électronique.

    05 · Guidelines for Examination, B–V, 2.1. Incorrect preclassification

    Office européen des brevets · Édition 2026 · Directives officielles, version anglaise · Voir la source

    Cette section expose les modalités de transfert d'une demande à une autre division de la recherche et la marche à suivre lorsque le classement est incertain.

    06 · AI use at the EPO

    Office européen des brevets · Compte rendu officiel de l'utilisation de l'IA · Consulté le 4 novembre 2026 · Voir la source

    L'Office décrit l'acheminement des dossiers assisté par l'IA et les responsabilités professionnelles de son personnel.

    Service voyageurs, planification de la production et développement logiciel

    Rapports de la Deutsche Bahn et d’Audi, et sources sur le développement et le lancement de Cowork.

    07 · “DB Mobilität erleben” 2024: Innovations for a Strong Rail System

    Deutsche Bahn AG · Avril 2024 · Point presse (en allemand) · Consulter la source

    « Railmate », p. 3. Cette section détaille le nombre de catégories, le volume annuel de retours, les signalements transmis au personnel de bord ainsi qu’un exemple portant sur la température dans les rames.

    08 · Annual Report 2025

    Deutsche Bahn AG · Mars 2026 · Rapport de groupe (en allemand) · Consulter la source

    Déclaration de durabilité, « Consumers and end-users » (ESRS S4), p. 237. La Deutsche Bahn y décrit les canaux de signalement, l’utilisation de Railmate et la manière dont les signalements sont acheminés vers les services concernés.

    09 · How and where does Audi use artificial intelligence?

    Audi AG · 7 août 2025 · Article d’entreprise (en allemand) · Consulter la source

    La section consacrée à Tender Toucan précise la longueur des documents, l’enchaînement des étapes de la comparaison et la révision de la liste des exigences par l’équipe de planification.

    10 · Artificial intelligence: Audi increases efficiency in production

    Audi AG · 28 mai 2025 · Communiqué de presse (en allemand) · Consulter la source

    Audi y décrit comment les spécialistes vérifient les résultats et évalue les gains de temps potentiels lors de l’analyse des offres. Ces deux sources d’Audi sont des publications internes à l’entreprise.

    11 · Claude Release Notes

    Anthropic · Entrée du 12 janvier 2026 · Notes de version · Consulter la source

    L’entrée consacrée à la première préversion de Cowork documente sa date de sortie, sa plateforme, sa disponibilité et l’accès aux fichiers locaux.

    12 · Anthropic’s Felix Rieseberg: Claude Cowork, Mythos, and the SaaS Extinction

    Felix Rieseberg en conversation avec Matt Turck · The MAD Podcast · 10 avril 2026 · Entretien · Consulter la source

    À partir de 11:19, Rieseberg replace dans leur contexte les dix jours précédant le lancement et revient sur les travaux antérieurs ainsi que sur la demande constatée par l’équipe.

    13 · Anthropic’s viral new work tool wrote itself

    Megan Morrone · Axios · 13 janvier 2026 · Reportage présentant le témoignage des développeurs · Consulter la source

    Boris Cherny et Felix Rieseberg y décrivent la manière dont ils ont utilisé Claude Code. Le récit de la répartition des tâches provient directement des personnes impliquées.

    L'administration des soins de santé et le modèle opérationnel

    L'étude de WellSpan et les quatre sources utilisées pour interpréter les cas.

    14 · Transforming appeal decisions: machine learning triage for hospital admission denials

    Timothy Owolabi · JAMIA Open 8(1), ooaf016 · 25 février 2025 · Étude de mise en œuvre · Consulter la source

    Les sections « Materials and methods » et « Discussion » documentent les 2 473 cas et expliquent les limites de la comparaison avant-après.

    15 · The AI-First Operating System: A Blueprint for Operating and Business Model Innovation

    World Economic Forum et Kearney · 23 juin 2026 · Livre blanc · Consulter la source

    Cette architecture proposée relie les flux de travail, les socles techniques et la répartition des tâches entre l'humain et l'IA.

    16 · Designing Decision Rights for AI

    I. M. Sebastian, P. Weill, T. Haskamp et J. vom Brocke · MIT Center for Information Systems Research · 18 juin 2026 · Note de recherche · Consulter la source

    Les auteurs associent les droits décisionnels à l'incertitude et aux conséquences potentielles des erreurs. Leurs travaux s'appuient sur 30 entretiens menés auprès de 27 dirigeants issus de neuf organisations.

    17 · Understanding and using AI agents: AI agents in the enterprise

    M. Kintz et al. · Fraunhofer HNFIZ, IAO et IAIS · Février 2026 · Guide technique (en allemand) · Consulter la source

    Les chapitres consacrés aux agents d'IA et aux outils expliquent comment un agent peut accomplir des actions et réagir aux résultats obtenus.

    18 · Updated Model AI Governance Framework for Agentic AI

    Infocomm Media Development Authority · Singapour · 20 mai 2026 · Fiche d'information sur le cadre actualisé · Consulter la source

    Le guide et ses exemples précisent les restrictions d'accès, la validation humaine et la responsabilité des opérations quotidiennes.

    Note éditoriale

    J'ai utilisé l'IA pour m'aider dans mes recherches et la rédaction de cette étude, ainsi que pour la traduire en anglais. J'ai sélectionné les sept cas, formulé les questions et tiré les conclusions. Mon interprétation s'appuie sur mon expérience des modes de travail, du leadership et du design organisationnel.

    Les sept cas illustrent la manière dont les organisations utilisent l'IA dans des contextes spécifiques. Les références annotées expliquent ce que documente chaque source et là où les données probantes sont limitées.

    © 2026 Bianca J. Schulz – 77Applied. Tous droits réservés.

    Poursuivre la lecture :