Jason Wojahn, PDG de KMS Technology – Série d’entretiens

Jason Wojahn est le PDG de KMS Technology. Il possède près de trente ans d’expérience dans la création et le développement d’entreprises de services technologiques destinés aux grandes organisations. Il a cofondé Thirdera et en a pris la direction avant son acquisition par Cognizant. Auparavant, il a dirigé les activités mondiales de ServiceNow chez Accenture et occupé des postes de direction chez Cloud Sherpas et IBM Global Services. Son travail porte sur la transformation des entreprises, les modèles opérationnels et la concrétisation des avancées de l’IA en résultats commerciaux mesurables.

KMS Technology est une entreprise spécialisée dans l’ingénierie numérique, les données et l’IA. Elle aide les organisations à développer des logiciels, à moderniser leurs applications, à consolider leurs fondations de données et à déployer l’IA en environnement de production. Ses services couvrent le conseil technique, l’ingénierie produit, l’ingénierie des données et l’automatisation intelligente des processus. Dans cet entretien, Wojahn évoque l’« économie de l’exécution », le fossé entre les projets pilotes d’IA et leur mise en production, le pouvoir décisionnel des agents et la manière dont les entreprises peuvent mesurer leurs progrès à l’aune des résultats de bout en bout.

Vous avez passé trois décennies à créer et à développer des organisations technologiques au service des grandes entreprises, de la croissance de Navigis et de la direction des activités mondiales de ServiceNow chez Accenture à la création de Thirdera, puis à votre poste actuel de PDG de KMS Technology. Comment ces expériences ont-elles façonné votre vision de la transformation des entreprises, et qu’est-ce qui vous a attiré dans le défi consistant à aider les organisations à devenir natives de l’IA ?

J’ai commencé chez IBM Global Services, où je dirigeais la réalisation de projets pour de grands clients d’entreprise. J’ai ensuite travaillé chez Navigis, Cloud Sherpas, Accenture, Thirdera et Cognizant, presque toujours dans l’écosystème ServiceNow.

Voici le schéma que j’ai observé à maintes reprises. Chaque nouvelle vague de plateformes promettait une transformation, mais la technologie déterminait rarement les gagnants. Les entreprises qui l’emportaient étaient celles qui modifiaient la façon dont le travail circulait réellement dans l’organisation.

Mes années chez ServiceNow m’ont appris que la valeur réside dans les processus, et non dans les tableaux de bord. Pendant trente ans, les logiciels d’entreprise sont devenus très efficaces pour nous dire ce qui se passait. Ils l’étaient beaucoup moins pour y remédier. Les gens ont comblé cette lacune. Ils sont devenus l’équipe d’intégration bénévole, faisant passer le travail d’un système à l’autre.

L’IA change la donne. L’intelligence devient abondante. Ce qui se fait rare, désormais, c’est la capacité à la transformer en action coordonnée. C’est ce qui m’a amené chez KMS : la profondeur de l’expertise en ingénierie nécessaire pour créer des systèmes qui effectuent le travail au lieu de simplement le suivre, et la possibilité de devenir natifs de l’IA plutôt que simplement dotés de capacités d’IA.

De nombreuses grandes entreprises ont démontré avec succès le potentiel de l’IA au moyen de projets pilotes, mais peinent à transformer ces premiers succès en valeur à l’échelle de la production. Quels sont les obstacles les plus courants que rencontrent les organisations lorsqu’elles dépassent le stade de l’expérimentation, et pourquoi ces difficultés n’apparaissent-elles souvent qu’une fois que la technologie a fait ses preuves ?

Un projet pilote prouve que le modèle fonctionne. La mise en production prouve que l’organisation fonctionne.

Ce sont deux épreuves très différentes. Un projet pilote s’appuie sur des données propres, soigneusement sélectionnées, sur un promoteur motivé et sur une petite équipe qui contourne chaque obstacle. Il est conçu pour éviter les difficultés.

En production, impossible de les éviter. L’agent doit alors accéder à cinq systèmes au lieu d’un seul. Quelqu’un doit assumer la responsabilité du résultat lorsqu’il se trompe, décider de ce qu’il est autorisé à approuver et financer son fonctionnement au quotidien.

C’est pourquoi ces difficultés apparaissent une fois que la technologie a fait ses preuves. Elles n’ont jamais été d’ordre technologique. Ce sont des problèmes liés aux données, à l’intégration, à la responsabilité et au pouvoir décisionnel ; or, le projet pilote avait été conçu pour contourner chacun d’eux.

La solution consiste à cesser de considérer les projets pilotes comme de simples démonstrations. Il faut les traiter comme la première phase de la mise en production. Choisissez un processus important, connectez-le aux systèmes réels, désignez un responsable et définissez dès le premier jour les décisions que l’agent peut prendre. Le démarrage est plus lent, mais le déploiement à grande échelle est bien plus rapide.

Vous avez décrit un passage à une « économie de l’exécution », où l’avantage concurrentiel dépend de plus en plus de la capacité d’une organisation à transformer l’intelligence en action coordonnée. Que signifie ce concept dans la pratique, et en quoi change-t-il la manière dont les grandes entreprises devraient aborder leurs investissements dans l’IA ?

Chaque tâche suit la même chaîne : information, analyse, décision et exécution.

Les logiciels d’entreprise ont consacré des décennies aux deux premières étapes, et l’IA améliore rapidement les trois premières. L’exécution est le stade où la plupart des organisations sont encore bloquées, et c’est là que se déplace l’avantage concurrentiel.

Dans la pratique, l’économie de l’exécution signifie que l’intelligence n’est plus la ressource rare. C’est la capacité à accomplir les tâches qui l’est. Deux entreprises peuvent disposer des mêmes modèles, des mêmes données et des mêmes analyses. La gagnante sera celle qui transformera ces analyses en action coordonnée, avec des responsabilités clairement définies et une piste d’audit.

Cela change la manière d’investir. Aujourd’hui, la plupart des budgets consacrés à l’IA financent des outils : des copilotes, des assistants et des outils de recherche plus performants. Ils permettent aux individus de travailler plus vite. Pourtant, une proposition rédigée par l’IA en dix minutes peut encore attendre trois jours avant d’être approuvée. Des tâches plus rapides ne se traduisent pas par des résultats plus rapides.

Il faut donc financer des processus, et non des outils, et commencer par poser une autre question. Non pas : « Comment rendre cet employé 20 % plus productif ? », mais : « Quelles tâches ne devraient plus nécessiter de coordination humaine ? »

À mesure que l’IA passe de l’assistance aux employés dans l’accomplissement de tâches individuelles à l’exécution autonome de flux de travail complets, comment les organisations doivent-elles repenser leurs processus actuels, leurs structures décisionnelles et leurs modèles de responsabilisation ?

La plupart des processus d’entreprise ont été conçus en fonction des limites humaines. L’information circulait lentement, alors nous avons instauré des réunions. Les décisions nécessitaient une supervision, alors nous avons mis en place des circuits d’approbation. Ce que nous appelons souvent des processus consiste en réalité en des relais entre personnes.

Automatiser ces processus tels quels, c’est automatiser l’organigramme. Les relais sont plus rapides, mais ils ne sont pas moins nombreux.

La réflexion doit partir des décisions, et non des tâches. Pour chaque flux de travail, recensez les décisions qu’il comporte. Que peut recommander un agent ? Que peut-il décider ? Que peut-il exécuter de manière autonome ? Dans quels cas une personne doit-elle intervenir ?

L’autorité s’applique aux décisions, pas à des flux de travail entiers. Un agent peut être pleinement habilité à rapprocher une facture tout en devant obtenir l’approbation d’une personne pour tout paiement dépassant un seuil donné.

La responsabilité ne disparaît pas. Elle devient plus claire. Les humains et les agents assument conjointement l’exécution : les agents se chargent du travail, tandis que les personnes définissent leur champ d’autorité, gèrent les exceptions et répondent du résultat. Chaque agent doit avoir un responsable clairement désigné, et chaque action doit pouvoir être retracée et, si possible, annulée.

Le rôle des dirigeants évolue : ils passent de la coordination du travail à la conception des systèmes qui l’exécutent.

Chez KMS Technology, vous vous attachez à transformer l’ingénierie numérique traditionnelle en une exécution d’entreprise native à l’IA. À quoi ressemble cette transformation en interne, et comment KMS aborde-t-elle l’intégration de l’IA, des plateformes de données et de l’orchestration intelligente des flux de travail pour produire des résultats commerciaux mesurables ?

Nous commençons par appliquer cette même approche à notre propre entreprise. KMS s’est développée en tant que société d’ingénierie numérique. La prochaine étape consiste à assurer une exécution d’entreprise native à l’IA — concevoir, moderniser et exploiter, en confiant conjointement l’exécution aux humains et aux agents. Les résultats se mesurent en temps et en efforts :

Concevoir. Evergreen Telehealth voulait une plateforme de télésanté fondée sur l’IA agentique et la norme FHIR pour les données de santé ; rien de comparable n’existait sur le marché. En travaillant selon une approche native à l’IA, avec Claude intégré à toutes les étapes — définition des exigences, conception, développement et tests — notre équipe et les ingénieurs d’Evergreen ont fait passer la plateforme de base du stade de concept à la mise en production en 75 jours ouvrés. Le projet comprenait trois applications (Web, iOS et Android), quatre intégrations opérationnelles (dossier médical électronique, vérification d’identité, paiements et pharmacie) et deux agents en production. Le modèle était dirigé par des humains et accéléré par l’IA. Les agents rédigeaient les récits utilisateurs, généraient du code et exécutaient des tests. Les ingénieurs étaient responsables de l’architecture, de la cartographie des données cliniques et de toutes les décisions importantes.

Moderniser. Autre exemple : une entreprise de logiciels maritimes devait remplacer une plateforme qu’elle exploitait sur site depuis plus de 20 ans. Elle ne pouvait justifier une longue reconstruction selon les méthodes traditionnelles avant que les investisseurs ne puissent constater des progrès. Nous avons donc mené un projet de développement agentique de six semaines, à durée limitée. Les exigences du client ont été fournies comme contexte, afin que les agents développent la solution conformément aux spécifications plutôt que de simplement générer du code. L’équipe a réalisé 35 à 45 % du périmètre du produit minimum viable en environ 800 heures de travail d’équipe, contre une estimation initiale de 6 000 à 8 000 heures. Les agents ont écrit le code et plus de 5 000 tests unitaires. Les ingénieurs ont défini les garde-fous et évalué la qualité.

Exploiter. Depuis, Evergreen a étendu son architecture d’agents à l’ensemble de l’entreprise. Des agents superviseurs surveillent le système, tandis que des personnes restent dans la boucle pour l’évaluer et le corriger.

Nous ne faisons pas que coder plus vite. Nous faisons évoluer la quantité de travail qu’une équipe peut accomplir.

Dans ces trois exemples, humains et agents assument conjointement l’exécution. Les agents prennent en charge les tâches répétitives. Nos ingénieurs et les équipes de nos clients sont responsables des décisions, des exceptions et des résultats.

Cette même évolution nous permet d’accroître l’effet de levier de nos équipes de livraison. C’est ce qui distingue une livraison native à l’IA d’une livraison assistée par l’IA.

Les systèmes d’IA d’entreprise dépendent de plus en plus de l’accès à l’information répartie entre des applications anciennes disparates, des plateformes infonuagiques et divers environnements de données. À quel point la connexion de ces systèmes constitue-t-elle un défi, et quelles fondations architecturales les organisations devraient-elles mettre en place avant de déployer à grande échelle des flux de travail pilotés par l’IA ?

C’est le principal défi. La plupart des entreprises n’ont pas un problème d’IA. Elles ont un problème de fragmentation que l’IA a rendu impossible à ignorer.

Voyons comment le travail s’effectue aujourd’hui. Une personne trouve une information dans une application, relance une demande d’approbation dans une autre, puis copie le résultat dans une troisième. Ce sont les personnes qui assurent l’intégration. Un agent ne peut pas accomplir ce travail sans pouvoir accéder à ces systèmes, en comprendre le contexte et agir avec les autorisations adéquates.

Les fondations sont donc plus importantes que le modèle. Quatre éléments sont prioritaires :

• une architecture de données moderne qui fournit aux agents un contexte fiable
• une couche d’intégration qui permet aux agents d’agir dans différents systèmes, et pas seulement d’y lire des données
• une gestion de l’identité et des autorisations conçue pour les agents, et pas uniquement pour les personnes
• une surveillance permettant de voir ce que chaque agent a fait et pourquoi

La pile technologique se resserre également. Les plateformes de données deviennent opérationnelles, les plateformes de flux de travail gagnent en intelligence et les applications deviennent sans interface. Si le flux de travail peut traverser toute la pile, pourquoi l’utilisateur devrait-il avoir à le faire ?

N’attendez pas d’avoir une architecture parfaite. Choisissez un flux de travail important et modernisez tout ce qui s’y rattache. Puis passez au suivant.

Lorsque les agents d’IA commencent à prendre des décisions et à exécuter des actions dans l’ensemble des opérations d’une entreprise, les questions de gouvernance, de responsabilité et de supervision humaine prennent une importance croissante. Comment les entreprises doivent-elles déterminer quelles décisions peuvent être déléguées à l’IA et lesquelles doivent rester sous contrôle humain ?

Je commencerais par reformuler la question. Pas « L’IA peut-elle faire cela ? » La réponse est de plus en plus souvent oui. La meilleure question est : « Qui lui a donné l’autorisation d’agir ? »

La capacité et l’accès ne confèrent pas l’autorité. Lorsqu’un agent peut approuver un remboursement, modifier un calendrier de production ou engager des dépenses, quelqu’un doit en fixer les limites.

Un critère pratique consiste à examiner le coût et la réversibilité. Une décision fréquente, fondée sur des règles et facile à annuler se prête bien à la délégation. Une décision à fort impact, irréversible ou déterminante pour la relation avec un client doit rester entre les mains d’une personne.

La délégation doit aussi se mériter. Commencez par laisser les agents formuler des recommandations, qu’une personne approuvera. À mesure que les éléments probants s’accumulent, cette personne peut passer de l’approbation de chaque action à la supervision du système et au traitement des exceptions.

L’objectif n’est pas d’avoir un humain dans chaque boucle, mais dans les bonnes boucles. Les données apportent le contexte. Les modèles raisonnent. Les agents exécutent. Les personnes définissent l’autorité et assument les conséquences.

Vous avez dirigé d’importantes activités de plateformes d’entreprise chez Accenture et Cognizant, où le développement à grande échelle des opérations exigeait d’aligner les technologies, les personnes et les processus au sein d’organisations internationales. Quelles leçons tirées de ces expériences s’appliquent aux efforts de transformation par l’IA d’aujourd’hui, notamment lorsque la résistance organisationnelle ou des modèles opérationnels dépassés deviennent des obstacles plus importants que la technologie elle-même ?

C’est l’intégration qui m’a le plus appris. Chez Cloud Sherpas, puis chez Accenture et enfin chez Cognizant, j’ai passé des années à réunir des organisations. Des cultures, des modèles de prestation, des mesures incitatives et des régions différents devaient tous fonctionner comme une seule entreprise de plateformes.

La technologie était rarement le facteur limitant. C’était le modèle opérationnel.

Trois leçons s’appliquent directement à la transformation par l’IA.

Premièrement, la résistance est généralement rationnelle. Les gens protègent ce sur quoi ils sont évalués. Introduisez des agents tout en continuant à évaluer les équipes en fonction des heures, des effectifs et de l’activité, et vous obtiendrez de la conformité, pas du changement. Modifiez les critères d’évaluation et les comportements suivront.

Deuxièmement, les droits décisionnels doivent être explicites. Dans chaque intégration, les conversations les plus difficiles portaient sur les personnes habilitées à prendre telle ou telle décision. Avec l’IA, cette question devient incontournable, car certains décideurs ne sont désormais plus des personnes.

Troisièmement, précisez ce qui ne change pas. Les gens s’adaptent mieux au changement lorsqu’ils en comprennent la raison et savent ce qui restera inchangé.

La transformation par l’IA est une évolution du modèle opérationnel qui implique la technologie. Les dirigeants qui la traitent comme un déploiement logiciel seront déçus.

Les indicateurs traditionnels de réussite de l’IA mettent souvent l’accent sur les taux d’adoption, les gains de productivité et le temps gagné. Quels indicateurs les dirigeants devraient-ils privilégier pour déterminer si l’IA améliore réellement l’exécution des activités, et comment les organisations peuvent-elles distinguer les gains d’efficacité progressifs d’une transformation opérationnelle significative ?

L’adoption et le temps gagné sont des indicateurs d’entrée. Ils montrent que les gens utilisent l’outil, mais pas si l’entreprise avance plus vite.

Si un ingénieur gagne deux heures, mais que la livraison attend toujours une semaine avant d’être examinée, rien n’a changé pour le client. Des tâches plus rapides ne signifient pas des résultats obtenus plus rapidement.

Je privilégierais trois catégories d’indicateurs :

• Le délai entre le besoin et le résultat : le temps nécessaire pour qu’une demande aboutisse, de bout en bout.
• Les points d’attente du travail : le temps nécessaire aux décisions, les transferts et les files d’attente entre les équipes.
• Le travail sans coordination : la part d’un flux de travail qui se déroule sans coordination humaine, tandis que les personnes se concentrent sur le jugement et les exceptions.

Reliez ensuite ces indicateurs aux résultats de l’entreprise : coût de service, qualité et chiffre d’affaires.

Le critère d’une transformation est simple : la tâche a-t-elle été accélérée ou le flux de travail a-t-il changé de forme ? Les gains progressifs accélèrent le même processus. La transformation supprime les étapes, les transferts et les approbations qui n’ont plus lieu d’être.

Mesurez le délai entre le besoin et le résultat. Repérez les points d’attente du travail. Changez ce qui le retient.

Dans les trois à cinq prochaines années, comment pensez-vous que les relations entre l’IA, les logiciels d’entreprise et les travailleurs évolueront ? Imaginez-vous un avenir où les systèmes conçus autour de l’IA remplacent fondamentalement les flux de travail traditionnels des entreprises, et que devraient faire les dirigeants dès aujourd’hui pour se préparer à cette transition ?

Pendant trente ans, les logiciels d’entreprise nous ont indiqué ce qui se passait. Au cours des trois à cinq prochaines années, ils effectueront de plus en plus le travail eux-mêmes.

Ce que l’IA remplacera, c’est la coordination : relancer, copier, transmettre et assurer le suivi, autant de tâches qui occupent la majeure partie de la journée de la plupart des gens. Les personnes pourront se consacrer davantage au jugement, à la gestion des exceptions, aux relations et à la responsabilité des résultats. C’est une meilleure façon de mettre à profit l’expertise humaine, mais cela exige de nouvelles compétences que les dirigeants doivent développer délibérément.

Que devraient faire les dirigeants dès aujourd’hui ? Choisir un processus de travail à fort impact et en cartographier les décisions. Corriger les données sous-jacentes. Définir ce que l’agent est autorisé à décider et désigner la personne responsable du résultat. Puis passer au processus suivant.

Les entreprises qui considèrent l’IA comme un outil gagneront en efficacité. Celles qui se réorganiseront autour d’elle bénéficieront d’un effet de levier. L’IA n’est pas la stratégie. Tout repose sur l’exécution.

Merci pour cet excellent entretien. Les lecteurs qui souhaitent découvrir la mise en œuvre de l’IA au cœur des opérations d’entreprise, les flux de travail intelligents et le passage des projets pilotes d’IA à la mise en production peuvent consulter KMS Technology.