Chris Perry, fondateur et PDG d’Andus Labs – Série d’interviews

Chris Perry, fondateur et PDG d’Andus Labs, est un cadre en communication, stratégie digitale et innovation avec près de trois décennies d’expérience aidant les organisations à traverser d’importants changements technologiques et commerciaux. Avant de fonder Andus Labs en 2025, Perry a passé plus de 22 ans chez Weber Shandwick, où il a occupé une succession de postes de direction senior, dont président du futur, directeur de l’innovation, président des communications digitales, vice‑président exécutif de la stratégie digitale et des opérations, et vice‑président senior. Au début de sa carrière, il a travaillé dans la communication technologique chez General Motors et a été vice‑président chez Edelman. Sa carrière s’est concentrée sur la transformation digitale, les technologies émergentes, le changement organisationnel et l’évolution de la relation entre la technologie et les personnes chargées de la mettre en œuvre.

Andus Labs aide les entreprises à transformer les capacités d’IA en résultats organisationnels concrets en se concentrant sur les systèmes humains entourant la technologie. L’entreprise décrit sa mission comme la construction du « Human OS for AI » — une couche opérationnelle conçue pour orchestrer le travail entre les personnes et les agents d’IA — basée sur le principe que les investissements en IA échouent souvent lorsque la préparation organisationnelle, les flux de travail et l’adoption restent en retard par rapport à la technologie elle‑même. Son activité couvre les programmes d’orchestration du travail d’IA, les produits destinés à renforcer et à amplifier l’apprentissage organisationnel, ainsi qu’un réseau plus large de praticiens, d’artistes et d’humanistes explorant comment les humains et l’IA peuvent collaborer efficacement.

Vous avez passé plus de deux décennies chez Weber Shandwick, évoluant des postes numériques senior à Chief Innovation Officer et Chairman, Futures, avant de fonder Andus Labs en 2025. Qu’avez‑vous observé au sein des grandes organisations pendant cette période qui vous a convaincu que le principal obstacle à la transformation par l’IA serait le système humain et organisationnel entourant la technologie plutôt que la technologie elle‑même ?

Je l’ai d’abord appris dans le studio d’arts graphiques de mon père à Detroit, où j’ai commencé, avant Weber Shandwick. L’édition assistée par ordinateur a transféré le travail que ses typographes et illustrateurs réalisaient à la main dans des logiciels. Cela a brisé son modèle économique, et il n’a pas perçu le changement avant qu’il ne soit trop tard.

Chez Weber Shandwick, j’ai travaillé avec certaines des plus grandes entreprises mondiales à travers de nouvelles vagues technologiques : les médias sociaux, les blogs, la vidéo, le mobile, les données. À chaque fois, le schéma était le même. La technologie arrivait. Les gens ressentaient le changement et commençaient à l’utiliser de façon autonome. Le leadership et la structure de l’entreprise changeaient en dernier.

Lors de ces premières vagues, les entreprises payaient ce retard en perdant du terrain, mais les personnes continuaient à faire le travail. L’IA fait au travail de la connaissance ce que l’édition assistée par ordinateur a fait au studio de mon père. La façon dont les gens exécutent le travail est intégrée dans le logiciel.

Les écoles de commerce ne vous enseignent pas comment diriger une entreprise où les personnes et les agents partagent le travail. La plupart des entreprises ajoutent l’IA en surface et accomplissent le travail ancien plus rapidement. Le véritable retour sur investissement apparaît lorsque les dirigeants préparent leurs équipes à reconstruire le travail avec l’IA. Le travail change de forme plutôt que de simplement s’accélérer.

Nous l’avons nommé Andus Labs, comme dans « and us », parce que nous parions que la valeur finale dépendra des personnes.

Andus Labs soutient que les entreprises peuvent disposer de capacités d’IA avancées tout en manquant de « préparation humaine » nécessaire pour en extraire de la valeur. Qu’est‑ce qui différencie une société qui a déployé l’IA avec succès d’une qui a réellement transformé la façon dont le travail est accompli ?

Je me suis entretenu avec une entreprise qui affichait 80 % d’adoption de l’IA et à peine 5 % de changement dans la façon dont le travail était réalisé. Seul le chiffre d’adoption a été présenté au conseil d’administration. Le second chiffre n’était pas caché ; le tableau de bord n’avait tout simplement pas de place pour l’afficher.

Le déploiement est facile à mesurer : licences attribuées, agents déployés, connexions. Il s’agit d’activité, pas d’impact. Nous demandons aux clients ce que l’entreprise peut faire maintenant qu’elle ne pouvait pas faire auparavant. La plupart du temps, la réponse honnête est les mêmes rapports, présentations et analyses, seulement plus rapidement.

Les entreprises en transformation mesurent autre chose. Le projet pilote a‑t‑il généré suffisamment de valeur pour justifier une mise à l’échelle ? Pouvons‑nous présenter au conseil quelque chose que nous n’aurions pas pu produire il y a un an ? L’IA allège‑t‑elle la charge de nos collaborateurs les plus précieux afin qu’ils puissent se concentrer sur le travail qu’ils sont les seuls à pouvoir accomplir ? Aucun de ces indicateurs n’est aussi facile à quantifier que le nombre de licences, mais ce sont les mesures qui indiquent si quelque chose a bougé.

Ces questions nécessitent également un responsable. Si l’on demande qui en est chargé dans la plupart des entreprises, on obtient une liste. Le DSI (CIO) possède les plateformes. Un centre d’excellence gère les pilotes. Les RH assurent la formation. L’impact sur l’activité ne figure sur la liste de personne.

Une entreprise peut vous indiquer combien de personnes ont accès. L’autre peut vous dire ce qui a changé et qui en est responsable.

L’Index de vérité terrain s’appuie désormais sur une bibliothèque de 300 tendances documentées, observées lors de missions et de conversations avec des dirigeants de 595 organisations. Cinq agents d’analyse indépendants évaluent chaque tendance, puis des chercheurs examinent les classements définitifs et statuent. Comment cette méthodologie a-t-elle évolué, à quel moment le jugement humain intervient-il dans le processus et comment éviter que l’Index ne fasse que renforcer les idées préconçues déjà présentes dans vos observations de terrain ?

La méthode a changé à mesure que la bibliothèque s’est agrandie. Chaque modèle commence par ce que nous entendons et voyons dans les conversations avec les dirigeants d’entreprise. Nous vérifions chaque nouveau signal par rapport à la bibliothèque, le testons à l’aide d’observations sur le terrain et de recherches externes, et décidons s’il est réellement nouveau, s’il renforce un modèle que nous suivons déjà, ou s’il appartient ailleurs.

L’IA nous aide à évaluer l’ensemble de la bibliothèque chaque trimestre, ce qu’une équipe de recherche ne pourrait pas faire manuellement. Les agents lisent chaque modèle à travers une perspective professionnelle différente et l’évaluent selon les mêmes cinq dimensions. Ils travaillent à l’aveugle, de sorte qu’aucun agent ne peut influencer un autre. Nous prenons la médiane afin qu’un point aberrant isolé ne puisse faire varier le score, et les 50 meilleurs sont soumis à une révision humaine.

Le jugement humain traverse l’ensemble du processus. Notre équipe de recherche approuve chaque modèle qui entre dans la bibliothèque, examine les classements et décide des 25 derniers. Nous nous concentrons le plus intensément là où les agents sont en désaccord, et où l’attention médiatique contredit ce que nous entendons sur le terrain. Nous pouvons ajuster un score, mais uniquement sur la base d’une observation documentée : qui l’a soulevé, à quelle fréquence nous l’avons entendu, et si cela s’est confirmé dans plusieurs organisations. Une intuition ne modifie pas un score.

Le nouveau Ground Truth Index classe « Empty Chairs » comme le principal obstacle à l’IA d’entreprise, décrivant les organisations qui donnent aux systèmes d’IA une influence sur des décisions telles que l’embauche, la tarification et le risque sans identifier clairement qui est responsable ou qui a l’autorité d’annuler ces décisions. À mesure que l’IA passe de la recommandation d’actions à la véritable influence sur les résultats commerciaux, à quoi devrait ressembler une responsabilité humaine significative en pratique ?

Plus l’IA touche de fonctions, plus elle prend de décisions au nom de l’entreprise. La responsabilité devient d’abord une question de gestion avant d’être une question technologique.

La responsabilité se situe généralement quelque part entre celui qui a acheté le système d’IA et celui qui l’utilise, et aucun des deux ne la possède. L’écart reste invisible jusqu’à ce qu’une décision soit contestée. C’est la “empty chair”.

La responsabilité implique un dirigeant identifié qui voit ce que le système produit et qui peut expliquer le résultat, le corriger ou arrêter le système. Cela nécessite une autorité sur un processus qui traverse généralement plusieurs départements.

Nous demandons aux dirigeants de choisir une décision importante que leur IA a aidé à prendre ce trimestre et de nous indiquer qui en est responsable. Lorsque la réponse n’est pas claire, l’entreprise a modifié la façon dont les décisions sont prises sans déterminer qui y répond.

« Learning While Drowning » se classe deuxième dans le nouveau Index, mettant en lumière les entreprises qui imposent une formation à l’IA tout en laissant les charges de travail existantes des employés inchangées. En même temps, « Optimization Temptation » montre à quel point les entreprises peuvent facilement quantifier les économies d’effectif comparées à la valeur plus difficile à mesurer du redéploiement des personnes vers des tâches à plus forte valeur ajoutée. Les entreprises sous-estiment-elles fondamentalement l’investissement organisationnel nécessaire pour rendre leur main‑d’œuvre plus productive grâce à l’IA, plutôt que de simplement utiliser l’IA pour réduire les coûts ?

Oui. Les économies réalisées en éliminant un poste sont faciles à inscrire dans un tableau. La valeur des connaissances, des relations et du jugement de cette personne est beaucoup plus difficile à saisir. Les économies apparaissent ce trimestre. Les pertes peuvent s’accumuler pendant des années.

L’hypothèse à la base de la réduction est souvent erronée également. L’IA rend le travail d’aujourd’hui plus efficace, mais elle génère aussi de nouvelles tâches à accomplir. Ce que nous observons, ce sont des équipes qui se rééquilibrent, avec des personnes qui passent à d’autres postes plutôt que des fonctions entières qui sont supprimées.

Une obligation de formation est une décision de charge de travail. Les entreprises empilent la formation à l’IA sur le travail existant, puis interprètent un faible taux d’achèvement comme un problème de motivation. L’investissement qu’elles négligent est celui qui n’atteint jamais le budget. Décider quel travail sera arrêté, réduit ou déplacé pour faire de la place, et désigner qui l’a approuvé. Apprendre prend du temps. L’appliquer en demande davantage, car les personnes doivent tester des outils inconnus, vérifier les résultats et changer leurs habitudes de travail.

La réponse ne figure pas comme un autre point de la liste. Placez une équipe sur un projet réel et l’apprentissage se produit au sein du travail.

Le Index identifie également « Devaluation Anxiety », reflétant les inquiétudes concernant ce qui arrive aux employés lorsque l’IA devient capable d’exécuter des parties de plus en plus précieuses de leurs tâches. Dans quelle mesure ce que les dirigeants qualifient de résistance à l’IA est‑il en réalité une anxiété rationnelle concernant la valeur de carrière, et que devraient faire différemment les dirigeants lors de l’introduction de ces systèmes ?

La plupart est rationnel. Les employés entendent parler de l’efficacité de l’IA dans une annonce, puis des suppressions d’emplois dans la suivante. Ils tirent leurs propres conclusions.

La direction traite ces messages comme séparés. Les équipes ne le font pas. Elles terminent la formation et retiennent l’expérimentation qui aurait rendu celle‑ci utile.

Des assurances ne résoudront pas cela. Les dirigeants doivent expliquer ce qui a été décidé concernant les emplois, ce qui reste incertain et quel soutien les personnes peuvent attendre.

Il en va de même pour la contrepartie. Les entreprises précisent ce que l’entreprise attend de l’IA et laissent le côté employé vide. Si quelqu’un devient plus rapide, qu’en retire‑t‑il ? Plus de temps pour un travail de meilleure qualité, une voie d’évolution, du temps récupéré ? Cela doit figurer dans le plan de déploiement.

Les dirigeants demandent à leurs équipes de travailler différemment avec l’IA. Les équipes attendent de voir les dirigeants le faire d’abord.

Un autre schéma que vous identifiez est « Inertie active », où les organisations utilisent l’IA pour accélérer les processus existants sans les transformer fondamentalement. À quoi ressemble une véritable refonte de flux de travail native de l’IA, et pouvez‑vous donner un exemple de la différence entre rendre un ancien processus plus rapide et reconstruire le processus autour de ce que l’IA rend désormais possible ?

La plupart des entreprises dirigent l’IA vers ce qui est le plus facile à automatiser, ce qui est souvent du travail qui ne devrait pas exister en premier lieu. Les rapports sont produits plus rapidement. Les validations avancent au même rythme qu’auparavant. C’est l’inertie active.

La refonte décide dès le départ ce que les modèles d’IA font et ce que l’équipe porte, puis construit en fonction de cela au lieu d’hériter de l’ancienne forme.

Prenez un rapport hebdomadaire. La version plus rapide laisse l’IA le rédiger, et les mêmes personnes révisent le même document selon le même planning. La version reconstruite demande à quoi sert le rapport. S’il existe pour que quelqu’un puisse détecter les problèmes tôt, le système peut signaler un problème dès qu’il se produit, et le rapport disparaît.

Vous avez écrit que « la valeur égale la capacité fois l’absorption » et plaidé pour des systèmes plutôt que simplement des logiciels. À mesure que les modèles de pointe deviennent de plus en plus banalisés et accessibles à tous, la capacité d’une organisation à absorber et à se réorganiser autour de l’IA pourrait‑elle devenir un avantage concurrentiel plus durable que l’accès aux modèles eux‑mêmes ?

Oui. Le déploiement des modèles est facile comparé à la réorganisation du travail autour d’eux. Ils arrivent avec une puissance extraordinaire, deviennent moins chers chaque trimestre. Les mêmes modèles sont disponibles pour tout le monde. Ce que vous ne pouvez pas acheter, c’est le contexte unique au sein de l’entreprise et les équipes prêtes à les exploiter à leur plein potentiel.

Ce que nous appelons « capacité de réception » est une idée ancienne. C’est la capacité d’une équipe à absorber quelque chose de nouveau et à le mettre en œuvre, et cela repose sur les droits de décision, les incitations, le flux de travail, la conception des postes et une confiance suffisante pour que les gens vous disent ce qui a mal tourné. Aucun de ces éléments ne peut être loué.

Je décris la valeur comme capacité fois absorption parce que les deux se multiplient. Elles ne s’additionnent pas. Un modèle brillant introduit dans une organisation qui ne peut pas l’absorber est une pièce parfaite boulonnée à un joint défectueux. La capacité est réelle. Le rendement reste nul.

L’IA agentique introduit une couche supplémentaire de complexité parce que les systèmes peuvent de plus en plus prendre des actions, utiliser des outils et poursuivre des objectifs plutôt que de simplement générer des réponses. Où les entreprises doivent‑elles tracer la ligne entre l’autonomie de l’agent et la prise de décision humaine, et quelles nouvelles structures de gouvernance seront nécessaires à mesure que les agents reçoivent davantage d’autorité ?

Commencez par une question : qui répond lorsque l’agent se trompe ?

Tracez la ligne entre ce que l’agent décide et ce qu’une personne décide avant que quoi que ce soit ne soit mis en production. La plupart des entreprises ne trouvent cette ligne qu’après qu’un problème se soit déjà produit.

Lorsque l’erreur est peu coûteuse à corriger et apparaît rapidement, laissez l’agent agir. Quand la décision affecte ce que quelqu’un gagne, s’il garde son emploi ou sa situation juridique, c’est une personne qui tranche et l’agent qui prépare la décision.

L’instinct est de centraliser. Créez un comité, rédigez un cadre, attendez que cela semble gérable. Au moment où les directives du sommet atteignent le terrain, elles sont obsolètes, et les personnes qui ne trouvent pas de réponse commencent à utiliser des outils que l’entreprise n’a jamais approuvés.

La gouvernance doit être proche du travail. Les équipes doivent savoir ce que chaque agent peut décider, qui en est responsable et comment l’arrêter. Elles ont également besoin d’un registre de ce qu’il a fait.

L’organigramme n’a jamais été conçu pour des agents qui travaillent à travers les fonctions, donc aucune fonction unique ne possède l’échec. Résolvez cela avant le déploiement, pas après.

En regardant vers l’avenir, si les plus grandes contraintes de l’IA d’entreprise deviennent de plus en plus organisationnelles plutôt que techniques, comment pensez‑vous que les entreprises elles‑mêmes vont changer ? Quelles parties de l’organigramme actuel, de la structure de gestion, de la conception des postes et des processus de prise de décision sont les moins susceptibles de survivre à la transition vers des organisations construites autour des humains et des agents IA travaillant ensemble ?

L’organigramme fonctionnel est le moins susceptible de survivre. La plupart des entreprises fonctionnent encore par fonction, le travail étant transmis d’un département à l’autre avec une validation à chaque transfert. L’IA produit le travail en minutes alors que les validations qui l’entourent prennent des semaines. Les dirigeants se voient demander d’avancer plus rapidement dans des systèmes conçus pour ralentir les choses.

Cet organigramme a été construit pour des personnes qui transmettent du travail à d’autres personnes, pas pour des décisions partagées entre personnes et agents.
Un comité ne résoudra pas ce problème.

Ce qui remplace l’organigramme ressemble à de petites équipes organisées autour d’un problème. Un leader nomme un problème digne d’être résolu, décide ce qui doit être vrai pour le résoudre, et constitue une équipe de personnes et d’agents. Cette équipe reçoit son propre financement et sa propre protection, car elle ne peut pas fonctionner comme le reste de l’entreprise. Les personnes qui en font partie prennent les décisions de jugement et possèdent ce que les agents produisent.

Les moteurs électriques ont atteint les usines américaines dans les années 1880, mais les gains de productivité ne sont apparus qu’au cours des années 1920. Au départ, les usines installaient un gros moteur à la place de la machine à vapeur, entraînaient les mêmes arbres de transmission et laissaient chaque machine à sa place. Les gains sont survenus lorsqu’elles ont donné à chaque machine son propre moteur et ont aménagé l’usine autour du travail.

Le réarrangement était la révolution.

Merci pour cet excellent entretien. Les lecteurs qui souhaitent en savoir plus peuvent découvrir Andus Labs ou consulter l’Index de vérité terrain.