Victor Coimbra, directeur technique et associé gérant chez Artefact – Série d’entretiens

Victor Coimbra est directeur technique et associé gérant chez Artefact, où il dirige les activités d’IA, de science des données et d’ingénierie dans l’ensemble des Amériques. Son parcours allie une expérience en stratégie d’entreprise chez Bain et Accenture à une expertise concrète en direction de projets de développement de systèmes d’IA et d’apprentissage automatique dans des environnements d’entreprise complexes. Il s’attache à aider les organisations à relier leurs capacités techniques à des résultats commerciaux mesurables, notamment grâce à l’architecture, à la gouvernance et aux modes de fonctionnement nécessaires pour déployer l’IA à grande échelle.

Artefact est un cabinet international de conseil en données et en IA qui aide les entreprises à élaborer des stratégies, à bâtir des plateformes de données, à déployer des solutions d’IA et à gérer le changement organisationnel. Ses activités couvrent notamment les services financiers, la santé, l’industrie manufacturière et le commerce de détail. À l’approche de son Adopt AI Summit, qui se tiendra les 3 et 4 décembre 2026 au Grand Palais, à Paris, Coimbra explique comment les entreprises peuvent dépasser le stade des projets pilotes, constituer des équipes associant des personnes et des agents d’IA, et mesurer la valeur de l’IA en production.

Votre carrière vous a mené de la stratégie d’entreprise chez Accenture à la direction d’équipes d’IA, de science des données et d’ingénierie chez Artefact dans l’ensemble des Amériques. Comment cette combinaison de conseil stratégique et de leadership technique concret a-t-elle façonné votre approche pour aider les entreprises à transformer leurs investissements dans l’IA en résultats commerciaux mesurables ?

J’ai appris à toujours relier la stratégie en matière d’IA à sa mise en œuvre. La stratégie chez Bain et Accenture m’a montré que les dirigeants investissent dans un changement qui se traduit dans un poste du compte de résultat. L’ingénierie m’a appris qu’une grande partie de cette valeur peut se perdre entre la présentation et la mise en production.

Aujourd’hui, l’IA concerne moins la technologie que la création d’un avantage défendable autour des activités essentielles de l’entreprise. La question clé est de savoir comment transformer la productivité individuelle en valeur collective pour l’entreprise, en développant une véritable capacité cognitive partagée à l’échelle de toute l’organisation.

Cela exige de combiner stratégie et mise en œuvre, et c’est ce que j’ai beaucoup appris en pratiquant les deux.

Malgré des investissements considérables dans l’intelligence artificielle, de nombreuses organisations peinent encore à dépasser le stade des projets pilotes concluants. D’après votre expérience, quels sont les obstacles les plus courants qui empêchent les initiatives d’IA en entreprise d’atteindre la production, et qu’est-ce qui distingue les entreprises qui parviennent à déployer leurs solutions à grande échelle ?

D’après mon expérience, de nombreux projets pilotes s’enlisent parce qu’on ajoute l’IA à une organisation conçue uniquement pour les humains. La technologie fonctionne généralement. Ce qui reste souvent à définir, c’est la répartition du travail : quelles tâches reviennent aux agents, lesquelles restent du ressort des humains, qui vérifie le travail et qui est responsable du résultat.

À cela s’ajoutent 3 facteurs qui tendent à freiner le déploiement à grande échelle : l’explosion des coûts des jetons avec la tarification à l’usage, les enjeux de sécurité et de gouvernance, et une adoption qui ne transforme jamais l’accès en utilisation réelle.

Les entreprises que je vois réussir leur déploiement à grande échelle considèrent l’IA comme une refonte organisationnelle. Elles répartissent la mise en œuvre entre 2 boucles. Dans la boucle interne, les agents exécutent les tâches de bout en bout : écrire le code, construire, tester, envoyer et réviser. Dans la boucle externe, les humains définissent l’objectif, vérifient le résultat et surveillent les coûts et la qualité. Elles bâtissent ensuite une plateforme commune et la réutilisent pour chaque cas d’usage.

Vous avez écrit sur l’importance de bâtir une organisation native de l’IA plutôt que de simplement ajouter des robots conversationnels et des copilotes aux systèmes existants. Quels changements fondamentaux de l’architecture technologique des entreprises sont nécessaires pour soutenir cette transition, et dans quels domaines les entreprises n’investissent-elles pas assez aujourd’hui ?

Une entreprise native de l’IA repose sur une plateforme, qui se compose de 4 couches : l’orchestration, le contexte, le modèle et l’infrastructure. La couche d’orchestration est l’environnement où les humains et les agents se rencontrent et travaillent : l’application complète qui entoure le modèle. Le contexte détermine ce que les agents savent et de quelle autorité ils disposent. La couche du modèle définit la manière dont les modèles sont accessibles, acheminés et gouvernés au coût approprié. L’infrastructure est l’endroit où ils fonctionnent réellement, et détermine qui détient les clés.

Naturellement, l’essentiel de l’attention se porte sur les 20 % visibles : les copilotes et les outils conversationnels. Les 80 % invisibles concentrent l’essentiel du travail d’ingénierie et déterminent les coûts, la sécurité et le contrôle.

Ma suggestion est simple : achetez des environnements d’orchestration généralistes et développez ceux qui sont propres à votre secteur. Louez les modèles et l’infrastructure, et faites des essais, car ils évoluent à chaque trimestre. Et gardez la maîtrise complète de votre contexte. C’est la couche qui vous appartient véritablement et, selon moi, celle où il y a le plus à gagner en investissant davantage.

À mesure que l’IA évolue, passant de l’assistance aux employés à l’exécution autonome de processus complexes, comment les organisations devraient-elles déterminer quels processus se prêtent à l’automatisation par des agents ? Quelles mesures de protection techniques et opérationnelles faut-il mettre en place avant d’accorder aux agents d’IA davantage de pouvoir décisionnel ?

À mon avis, les agents sont très efficaces pour les tâches tournées vers le passé, tandis que les humains excellent dans celles qui se tournent vers l’avenir. Les agents excellent dans tout ce qui repose sur des informations existantes, comme l’analyse, le codage, les tests, la documentation et le rapprochement. Les humains prennent en charge ce qui exige de la créativité, laquelle est, par définition, tournée vers l’avenir : le goût, la vision, la planification, la prise de décision et le jugement permettant de déterminer si un résultat est réellement bon.

En pratique, cela correspond aux 2 boucles. Les agents exécutent les tâches dans la boucle interne. Les humains gardent la main sur la boucle externe : ils définissent l’objectif, vérifient les résultats et assurent le suivi.

Les garde-fous sont conçus et intégrés au système, pas simplement demandés dans les instructions. Nous utilisons 6 couches d’encadrement : la capture des tâches, la mémoire, un espace de travail sécurisé avec un environnement d’exécution isolé et des autorisations, une boucle ponctuée de points de contrôle et de demandes de clarification, l’orientation vers les modèles et des garde-fous qui définissent ce qu’un agent ne peut pas faire seul, comme les approbations humaines, les contrôles de conformité aux politiques et les contrôles des données personnelles identifiables. L’autonomie augmente ensuite en fonction des résultats obtenus, comme pour une nouvelle recrue.

Vous avez décrit les agents d’IA comme des coéquipiers plutôt que comme des outils logiciels classiques. Comment cette perspective change-t-elle la façon dont les organisations devraient structurer les équipes, répartir les responsabilités et former les employés à collaborer avec des systèmes d’IA de plus en plus autonomes ?

Nous sommes déjà dans l’ère de l’organisation hybride. La question qui me paraît aujourd’hui la plus importante est celle de la répartition de la main-d’œuvre entre humains et agents. Je pense que c’est la clé du passage à l’échelle.

Dans une équipe hybride, l’organigramme répartit la capacité cognitive, et non les effectifs. Dans une équipe technologique mature, la répartition type que j’observe est de 15 % de travail réalisé uniquement par des humains, 25 % de travail assisté et 60 % de travail effectué par des agents. Le responsable informatique définit les objectifs, répartit les capacités et assume la responsabilité des résultats et des coûts. Un développeur senior vérifie le travail des agents et prend les décisions d’architecture. Un agent orchestrateur répartit les tâches et rend compte des coûts, tandis qu’un agent de révision vérifie chaque livraison.

Les gains se composent en 3 étapes. Les employés assistés par l’IA produisent environ 5 fois plus. Les agents, en tant qu’employés synthétiques réalisant des tâches de bout en bout, produisent environ 10 fois plus. C’est en orchestrant les deux comme une seule et même main-d’œuvre que réside, selon moi, le potentiel d’un gain multiplié par 1000.

La formation suit la même logique. Les personnes apprennent à confier une tâche à un agent comme elles le feraient à un ingénieur junior, en lui donnant un contexte structuré et en définissant clairement les résultats attendus, puis à consacrer leur temps au discernement, à la planification et à la prise de décision.

Les systèmes d’IA d’entreprise dépendent fortement d’une infrastructure de données fiable, mais de nombreuses organisations continuent de se heurter à des données fragmentées, à une gouvernance incohérente et à des technologies héritées. Quelles capacités fondamentales les entreprises devraient-elles privilégier pour préparer leurs plateformes de données à l’IA agentique, et comment peuvent-elles les moderniser sans perturber les opérations existantes ?

Concevez votre plateforme de données pour un nouveau type d’utilisateur : les agents. Si un tableau de bord affiche un chiffre erroné, un humain le remet en question. Un agent, lui, agit en fonction de ce chiffre et le fait à grande échelle.

Privilégiez 4 capacités. Des définitions communes des notions métier, afin que tous les agents et toutes les équipes donnent le même sens à l’expression « client actif ». Une passerelle d’intégration dotée d’une authentification et prenant en charge des protocoles standard comme MCP, pour que les agents accèdent aux données avec les autorisations du rôle qu’ils représentent. Une qualité et une traçabilité observables. Enfin, les données non structurées doivent être considérées comme un actif à part entière, car les contrats, les tickets et les comptes rendus de réunion renferment l’essentiel des connaissances réelles.

Pour moderniser sans perturber les opérations, commencez par connecter les systèmes hérités à une couche d’accès, puis migrez progressivement, cas d’usage par cas d’usage. Les agents changent aussi la donne économique dans ce domaine. Des chaînes de migration multi-agents modernisent désormais, en quelques mois, des centaines de milliers de lignes de code hérité, tandis que des humains prennent les décisions d’architecture.

Au-delà de l’accès aux données structurées, les agents d’IA doivent de plus en plus comprendre les connaissances institutionnelles, les processus métier et le contexte organisationnel. Comment les entreprises peuvent-elles efficacement recueillir et intégrer ces connaissances à leurs systèmes d’IA, et quels risques apparaissent lorsque les agents fonctionnent sans disposer d’un contexte métier suffisant ?

C’est le contexte qui transforme un modèle en collègue. Les outils comprennent les tâches, les agents comprennent le contexte. On ne demande pas à un ingénieur junior de travailler sans lui expliquer l’objectif, les contraintes et ce qu’est un travail bien fait ; il en va de même pour un agent.

Recueillez les connaissances à partir du travail lui-même, plutôt que de grands projets de documentation difficiles à tenir à jour. Chaque réunion, ticket, décision et correction alimente une couche de contexte qui combine fichiers, tableaux, vecteurs et graphe de relations. Chaque tâche achevée enrichit la mémoire, afin que l’organisation tire des enseignements de chaque livraison. Le contexte doit lui aussi faire l’objet d’une gouvernance : évaluations, autorisations et maîtrise des coûts.

Sans contexte, les agents ont tendance à rencontrer quelques difficultés prévisibles. Ils suivent la règle écrite et passent à côté de la règle implicite que tout le monde connaît. Ils récupèrent les mauvaises informations et répondent avec une assurance totale. Ils travaillent à partir de données du trimestre précédent. Enfin, une couche de contexte dépourvue d’autorisations strictes peut mettre en péril des données sensibles.

De nombreuses entreprises évaluent la réussite de l’IA en fonction des gains de productivité, des taux d’adoption ou du nombre de projets pilotes lancés. Quels indicateurs les DSI et les dirigeants devraient-ils utiliser pour mesurer le véritable retour sur investissement de l’IA, notamment en tenant compte des coûts d’infrastructure, de la maintenance continue et de la complexité opérationnelle des agents autonomes ?

Évaluez la main-d’œuvre hybride, pas l’outil. L’adoption n’est que le premier de 4 niveaux, toujours mesurés par rapport à une situation de référence établie avant le déploiement. L’adoption consiste à vérifier si les gens l’utilisent. La productivité consiste à vérifier si nous livrons plus vite : délai de réalisation, volume de production, temps de résolution. La qualité consiste à vérifier si les résultats sont meilleurs : défauts passés en production, taux d’échec des changements, reprises. La valeur et les coûts consistent à déterminer si cela en vaut la peine : effort libéré, délai de mise sur le marché, coût complet par tâche.

Un indicateur facile à négliger est la manière dont la capacité cognitive se répartit entre humains et agents, d’une équipe à l’autre. Les capacités humaines libérées doivent être déployées intentionnellement dans des activités tournées vers l’avenir. Sinon, une partie des gains est perdue.

Côté coûts, la tarification évolue des forfaits vers une facturation à l’usage, ce qui peut rendre les factures plus difficiles à prévoir. Le routage des modèles et la FinOps doivent donc faire partie de la plateforme dès le premier jour. Gérez les dépenses liées à l’IA comme celles liées au cloud : elles doivent être visibles, imputées à une équipe et associées à la valeur créée.

Artefact accompagne des entreprises des services financiers, de la santé, de l’industrie manufacturière, du commerce de détail et d’autres secteurs où l’adoption de l’IA présente des défis différents. Quelles leçons se dégagent des déploiements dans ces secteurs, et comment les organisations doivent-elles concilier innovation, conformité réglementaire, fiabilité et supervision humaine ?

Tous les secteurs sont confrontés à la même question : comment répartir le travail entre les humains et les agents. Ce qui change, c’est la part de la boucle externe qui doit rester sous contrôle humain. Dans le commerce de détail et les biens de consommation, les erreurs coûtent peu ; les agents peuvent donc prendre en charge davantage de travail, plus rapidement. Dans l’industrie manufacturière, la fiabilité et l’intégration aux systèmes opérationnels déterminent le rythme. Dans les services financiers et la santé, chaque décision doit pouvoir être expliquée : les humains conservent donc davantage de tâches de vérification et de prise de décision, et ce, plus longtemps.

La leçon que je tire de tous les secteurs, c’est que la conformité fonctionne mieux lorsqu’elle est intégrée à la plateforme dès le départ. Lorsque les garde-fous, les journaux d’audit et les validations humaines font partie de l’environnement d’exécution, chaque nouveau cas d’usage en bénéficie. Si la conformité n’intervient qu’à la fin, chaque nouveau projet doit relancer la discussion.

La supervision doit être graduée. Les agents agissent seuls pour les tâches à faible risque, font l’objet d’un examen par exception pour les risques moyens et se limitent à préparer la décision lorsque le risque est élevé. Les niveaux évoluent à mesure que la confiance s’installe.

Alors que l’Adopt AI Summit d’Artefact se tiendra à Paris en décembre prochain, les discussions sur la souveraineté en matière d’IA, la gouvernance et la compétitivité industrielle prennent une importance croissante. Selon vous, quelle influence l’approche européenne en matière d’adoption de l’IA aura-t-elle sur les stratégies des entreprises à l’échelle mondiale, et quelles évolutions définiront la prochaine phase de l’IA en entreprise dans les années à venir ?

L’Europe a été parmi les premières à soulever la question de la souveraineté, et je pense que celle-ci devient un principe de conception mondial. Les multinationales ne veulent pas d’une architecture différente pour chaque réglementation ; elles conçoivent donc leurs systèmes en fonction des exigences les plus strictes : maîtriser leur contexte, louer leurs modèles et garder le contrôle sur leur lieu d’exécution et sur les détenteurs des clés. La prochaine occasion pour l’Europe consiste à mettre la même énergie dans l’adoption, car la compétitivité reposera sur une utilisation à grande échelle.

La prochaine étape sera l’organisation hybride, qui, selon moi, représente l’avenir du travail. Les entreprises cesseront de compter les effectifs pour gérer une capacité cognitive partagée entre humains et agents. Les agents prendront en charge l’essentiel du travail tourné vers le passé : l’analyse, le code et les rapports. Les humains se consacreront au travail tourné vers l’avenir : le goût, la vision, la planification et la prise de décision.

Je pense que les entreprises qui trouveront les premières comment répartir le travail prendront la tête. C’est la discussion que je souhaite avoir à Paris pour définir les prochaines années.

Merci pour cet excellent entretien. Les lecteurs qui souhaitent en savoir plus sur l’adoption de l’IA en entreprise, les flux de travail agentiques et la transformation des données peuvent consulter Artefact.