Utiliser l’IA vs. Construire autour d’elle : où se situe la limite ?

Nous utilisons le terme IA pour désigner toutes sortes de choses différentes, du fait de parler à ChatGPT dans un navigateur à la gestion d’entreprises entières où les opérations cesseraient tout simplement d’exister sous leur forme actuelle sans modèles de langage. Où se situe la limite entre l’utilisation de l’automatisation IA et l’IA au cœur d’une entreprise ? À quel moment un changement fondamental se produit‑il ? Et surtout, les entreprises devraient‑elles même chercher à placer l’IA au centre de la scène ?

Quand une entreprise est‑elle IA‑native ?

Aujourd’hui, même si la direction n’a jamais annoncé de transformation IA, les employés utilisent toujours Gemini pour rechercher des informations, ChatGPT pour rédiger un courriel, Grok pour préparer un rapport, Claude pour écrire leur code, etc. L’accès aux outils LLM est devenu tellement répandu que simplement les utiliser ne vous en dit plus beaucoup sur l’entreprise elle‑même.

Pour moi, il existe un test beaucoup plus simple : que se passe‑t‑il si l’on désactive l’IA ?

Prenons une société de logiciels comptables. Ses développeurs peuvent utiliser l’IA pour écrire des fonctionnalités ou maintenir le produit. Si l’on désactive ces outils demain, les ingénieurs travailleront probablement plus lentement. Mais le logiciel existera toujours, les comptables continueront de l’utiliser, et les clients continueront de le payer. L’IA améliore la façon dont l’entreprise fonctionne, mais l’entreprise elle‑même ne dépend pas d’elle.

Imaginez maintenant un centre d’appels bancaire qui employait autrefois dix mille personnes. La première génération d’IA dans cet environnement fonctionnait presque comme un assistant vocal assis à côté de l’opérateur : il écoutait la conversation, comprenait le problème et suggérait une réponse. Dans de nombreux cas, cet assistant est désormais devenu l’agent lui‑même. Un client indique qu’il a été facturé d’un montant erroné ; le système vérifie les dossiers, passe en revue les données pertinentes, identifie le problème et parfois le résout sans impliquer de personne. Un humain intervient uniquement lorsque le cas nécessite une escalade.

C’est une relation très différente avec la technologie. La société de comptabilité devient moins efficace sans l’IA. Le centre d’appels pourrait devoir reconstruire une grande partie de son modèle opérationnel. Cette différence se rapproche davantage de ce que j’entends par IA‑native que du nombre d’abonnements IA qu’une entreprise possède ou du fait que le terme « IA » figure sur sa page d’accueil.

Où cela est‑il le plus visible ?

Certaines entreprises ont construit leur activité autour de l’aide aux autres pour effectuer cette transition. Cohere est un bon exemple : l’entreprise canadienne est devenue une grande société en aidant les entreprises à passer des logiciels et flux de travail traditionnels vers l’IA. Dans d’autres secteurs, cependant, l’IA est déjà si profondément intégrée au produit qu’il devient presque impossible de les séparer.

La conduite autonome est probablement l’exemple le plus clair. Si une voiture doit voir la route, reconnaître les objets, comprendre ce qui se passe autour d’elle et prendre des décisions de façon autonome, alors on ne peut pas retirer l’IA sans enlever l’idée même du produit.

La médecine et l’industrie pharmaceutique illustrent le même point d’une manière différente, notamment dans la découverte de médicaments. L’un des meilleurs exemples de ce que cela peut signifier à grande échelle est le travail de DeepMind sur les structures protéiques.

La Protein Data Bank a été créée en 1971, et il a fallu des décennies de travail de la part de scientifiques du monde entier pour constituer une vaste collection de structures déterminées expérimentalement. base de données a dépassé 1 000 structures en 1993, 10 000 vers 2000, et 100 000 en 2014. En janvier 2023, il a dépassé 200,000 structures biomoléculaires déterminées expérimentalement. En d’autres termes, après environ six décennies de biologie structurale, les chercheurs avaient accumulé à peu près deux cent mille structures déterminées expérimentalement.

Puis est arrivé AlphaFold, le système de DeepMind destiné à prédire la structure tridimensionnelle d’une protéine à partir de sa séquence d’acides aminés. En 2022, AlphaFold a mis à disposition plus de 200 million structures protéiques prédites, couvrant presque toutes les protéines répertoriées connues de la science à l’époque. Cela ne signifie pas que l’IA a « découvert » chaque protéine existante. Il s’agit de structures prédites à partir de séquences d’acides aminés déjà connues. Mais la différence d’échelle reste énorme.

L’importance de ce tournant est devenue encore plus évidente en 2024, lorsque Demis Hassabis et John Jumper de Google DeepMind ont reçu la moitié du prix Nobel de chimie « pour la prédiction de la structure des protéines ». L’autre moitié est allée à David Baker pour la conception computationnelle de protéines. Ce qui, il y a seulement quelques années, semblait être une percée IA impressionnante est rapidement devenu reconnu comme une avancée fondamentale en biologie moderne.

DeepMind est l’exemple mondial qui fait la une, mais les startups médicales axées sur l’IA ne sont plus rares. Au cours de mes années chez Keymakr, notre équipe a travaillé sur des projets allant de la dentisterie et de l’imagerie par ultrasons à la cardiologie interventionnelle, où les modèles étaient entraînés à détecter les valves cardiaques, l’aorte et d’autres structures pendant les procédures. Nous avons également travaillé sur des projets de neurochirurgie où les modèles apprenaient à distinguer le tissu cérébral, les vaisseaux sanguins, les instruments chirurgicaux et la zone opératoire. Dans tous ces cas, l’IA n’était pas une fonctionnalité supplémentaire ajoutée au produit ; c’était le produit même.

Des structures protéiques à un e‑mail à froid

La même chose se produit dans des parties beaucoup plus ordinaires de l’entreprise. Les ventes et le marketing figurent probablement parmi les exemples les plus rapides : un travail qui prenait des heures peut désormais être répété des centaines ou des milliers de fois avec très peu d’effort supplémentaire.

CRM, campagnes, prospection et recherche de prospects sont construits autour des modèles de langage. Nous sommes déjà bien au‑delà du stade où l’on demande à ChatGPT d’écrire un e‑mail à froid. Un système peut parcourir le profil LinkedIn de quelqu’un, voir ce qu’il fait, ce qui l’intéresse et ce qu’il publie, puis utiliser ces informations pour rédiger quelque chose qui semble très personnel.

J’ai reçu un jour un message du type : « Michael, cela doit être incroyable de voler à 4 000 pieds et de regarder à travers le verre… ». Il faisait référence à mes anecdotes d’aviation sur les réseaux sociaux. Ma première réaction a été que quelqu’un avait réellement parcouru mon profil LinkedIn et l’avait lu attentivement. Bien sûr, personne ne l’avait fait. Le système avait trouvé l’information et généré automatiquement la prise de contact.

C’est là que l’économie de la personnalisation commence à changer. Une recherche qui prenait longtemps à une personne peut maintenant être assistée par des outils qui scrutent les informations publiques et identifient les détails pertinents. Un humain peut alors décider de ce qui est réellement utile, approprié et digne d’être inclus.

J’ai observé le même changement chez Keymakr, bien que pour nous, l’objectif n’ait jamais été d’automatiser le jugement ou les relations humaines. J’ai continuellement encouragé les gens à examiner les parties répétitives de leur travail quotidien et à se demander où les agents pouvaient gagner du temps, apporter plus de cohérence ou les aider à travailler à plus grande échelle. 

Chez Scryon, nous avons commencé avec cette logique déjà intégrée à l’entreprise. Une grande partie du travail marketing est gérée par plusieurs agents à travers les articles, le blog, LinkedIn et le site web.

Ce qui est intéressant, c’est que leur plus grand avantage n’est souvent pas la rédaction. Imaginez que vous ajoutiez vingt nouvelles pages à un site web. Une personne qui rédige un nouvel article ajoutera probablement quelques liens internes. Presque personne ne reviendra parcourir 80 ou 800 anciens contenus pour vérifier où ces nouvelles pages devraient être liées. Un agent le peut. Dans ce type de travail, l’agent n’a pas besoin d’être plus intelligent qu’une personne. Il ne se lasse tout simplement pas, et la différence entre 80 pages et 800 pages est beaucoup moins importante pour lui que pour nous.

Mais c’est là que l’automatisation atteint ses limites pour moi. Un bon RP ne peut pas simplement être confié à un agent et oublié. Il en va de même pour un article d’opinion, où le positionnement, la compréhension du public et la capacité à décider quoi dire sont cruciaux.

Ainsi, même lorsque vous construisez un système d’agents assez complexe, il faut toujours une personne pour le piloter. Quelqu’un doit juger la sortie, décider de ce qui compte et définir la direction.

Peut‑on automatiser un fondateur ?

Dans une startup en phase de démarrage, le fondateur est souvent à la fois technique, opérationnel et exécutif. La réflexion vient donc naturellement : si les agents peuvent décharger une grande partie du travail de l’équipe, pourquoi ne pas leur confier aussi une partie du rôle du fondateur ?

J’ai un agent distinct connecté à Scryon Business qui connaît beaucoup d’informations sur l’entreprise. Je peux lui demander quelque chose comme : « Nous voulons atteindre 5 000 utilisateurs le mois prochain. » Est‑ce réaliste, ou est‑ce juste un joli chiffre que j’ai inventé ?

Il peut extraire des données, examiner le marché, vérifier les concurrents et les systèmes associés, puis répondre que 5 000 est probablement trop et même 2 000 serait ambitieux à ce stade. Cela m’aide à tester ma propre réflexion. Mais l’agent donne encore des conseils.

La décision reste la mienne. Après toutes les données et les calculs, il m’arrive encore de sortir, de me promener dans un parc et de décider où je veux mener l’entreprise.

Pour moi, le véritable délestage commence quand je peux confier la responsabilité à quelqu’un, dire « C’est à toi », et revenir un mois plus tard pour voir que cela continue de fonctionner sans mon intervention. Je ne vois pas cela aujourd’hui pour le rôle de fondateur.

Il en va de même pour les postes de direction. Leur mission est de définir la direction : dans six mois, nous voulons entrer sur le marché automobile, ou nous voulons que les acteurs du secteur connaissent la marque. Les vice‑présidents, chefs et responsables d’équipes transforment alors cela en objectifs et travaux concrets.

Boîte à outils IA : coûts personnels et d’entreprise

Je ne crois pas vraiment à un modèle « meilleur ». Ce qui m’importe davantage, c’est celui qui fonctionne le mieux pour une tâche précise et ce que cela me coûte à grande échelle. J’utilise souvent Codex pour le codage et fais tourner les modèles à l’intérieur, selon mes besoins du moment. Je peux essayer Claude pour le design un jour, puis basculer vers ChatGPT pour des tâches davantage liées au langage, mais ces choix évoluent mois après mois, parfois en plein milieu d’une tâche.

En fin de compte, chacun construit son propre stack au fil du temps, en jugeant quel modèle est optimal pour un objectif spécifique. Si vous êtes un fondateur technique qui code beaucoup vous‑même, je m’attendrais à ce que vous dépensiez environ 1 000 $ par mois pour votre propre stack. Mais je connais des personnes qui dépensent 10 000 à 15 000 $ par mois parce qu’elles automatisent de façon beaucoup plus agressive.

Une fois que l’IA fait partie du cœur de l’activité, les chiffres changent à nouveau. Avec Scryon, je suis à l’aise avec l’idée que 30–40 % du chiffre d’affaires puisse être directement consacré à l’infrastructure et aux services sur lesquels le produit fonctionne, avant même de compter les personnes qui le construisent.

D’abord l’objectif commercial, puis la technologie

Dans la course à l’automatisation et le label “entreprises d’IA”, je pense que la simple question de “quel type d’IA devons-nous mettre en œuvre?” est dangereuse. Cela part du mauvais bout.

Nous nous sommes récemment fixé un objectif commercial assez standard : réduire les coûts. Pour cela, nous avons créé un agent, lui avons donné accès aux informations sur les dépenses de l’entreprise, y compris Amazon, Google et d’autres services, et lui avons demandé de rechercher régulièrement des anomalies et de signaler tout ce qui semblerait suspect.

Dès la première semaine, nous avons réduit les coûts d’environ 30 % parce que le système a rapidement indiqué où l’argent était dépensé pour des choses que nous avions pratiquement oubliées. L’agent lui‑même peut coûter aussi peu que $50 par mois, mais les économies peuvent atteindre plusieurs dizaines de milliers.

Chez Keymakr, l’IA a principalement renforcé les personnes et les processus individuels. Chez Scryon, elle est déjà intégrée à l’architecture de l’entreprise. Dans la conduite autonome, sans elle, le produit disparaît, et dans la découverte de médicaments, elle modifie le champ d’exploration.

Pour moi, la question des objectifs sous‑jacents constitue un point de départ bien plus sain que le désir de devenir une entreprise native de l’IA. D’abord, un objectif commercial doit émerger : gagner davantage, se développer plus rapidement, réduire les coûts, lancer un nouveau produit ou transformer radicalement un processus existant. Ce n’est qu’ensuite qu’il est pertinent de se demander quelle technologie vous y conduira.