Tout ce qui a fonctionné dans votre industrie est déjà dans les données d'entraînement. Tout ce qui a cassé n'y est pas. Pourquoi la trace des échecs locaux, produite presque entièrement après la signature, devient le seul actif propriétaire du logiciel d'entreprise, et pourquoi presque personne ne la collecte.

Quatre-vingt-quinze pour cent. C'est la part des pilotes d'IA générative en entreprise n'ayant produit aucun impact mesurable sur le compte de résultat, selon le rapport The GenAI Divide publié en juillet 2025 par le projet NANDA du MIT, à partir de plus de 300 déploiements publics, 52 entretiens de dirigeants et 153 réponses de responsables, pour une dépense estimée entre 30 et 40 milliards de dollars.

Ce chiffre mérite une réserve que la plupart des présentations qui le citent omettent : il compte comme échec tout pilote dépourvu de ligne de base documentée avant déploiement. C'est donc en partie un verdict sur la discipline de mesure, pas seulement sur la technologie. La direction du constat survit à la réserve, et le diagnostic qui se trouve sous le titre est plus intéressant que le titre. Le rapport attribue la fracture non pas à la qualité des modèles, ni aux talents, ni à la réglementation, mais à ce qu'il appelle un learning gap : des systèmes qui n'apprennent pas du contexte, ne retiennent pas le feedback et ne s'adaptent pas au workflow qu'ils étaient censés transformer.

Lisez cela en dirigeante plutôt qu'en technologue et le message devient inconfortable. Les modèles vont bien. Ce qui manque, c'est l'information qui les rendrait pertinents pour votre entreprise, et cette information n'est pas dans le modèle parce qu'elle n'a jamais existé nulle part sous une forme exploitable. Votre organisation n'a pas un problème de technologie. Elle a un corpus vide.

Quand un facteur de production devient bon marché, la valeur migre vers son complément

En 2002, Joel Spolsky décrivait la stratégie qui gouverne l'industrie du logiciel depuis : les entreprises intelligentes banalisent leur complément. Rendez abondant et gratuit ce qui se trouve à côté de votre produit, et la demande se déplace vers ce que vous vendez et qui reste rare.

Les laboratoires de frontière appliquent exactement cela à l'intelligence elle-même, délibérément et efficacement. Le raisonnement devient abondant, facturé au token, interchangeable. Vos concurrents l'achètent aux mêmes quatre fournisseurs, à des prix qui baissent, à des conditions comparables, et il s'améliore selon un calendrier qu'aucun de vous ne contrôle.

La question stratégique n'est donc pas ce que le modèle peut faire pour vous. Tout le monde obtient la même réponse. La question est : qu'est-ce qui reste rare et complémentaire d'une marchandise qui pense.

J'en compte trois choses. La preuve propriétaire des endroits où cette marchandise échoue sur votre terrain. La responsabilité, c'est-à-dire un nom sur le résultat quand elle échoue. Et la relation client dans laquelle les deux sont mises à l'épreuve. Les trois se situent du même côté de l'entreprise, et ce n'est pas celui qui reçoit le budget IA. C'est le post-signature.

Le stagiaire qui écrivait les échecs

L'an dernier, l'un de mes directeurs m'a transmis une candidature de stage avec une note : lis le dernier paragraphe. Le candidat sortait d'une grande école, le type de profil qui a quatre offres en novembre, et le dernier paragraphe posait une condition. Il nous rejoindrait à condition d'écrire du code lui-même, à la main, plutôt que d'orchestrer des outils qui l'écrivaient à sa place.

La demande m'a modérément agacée. Nous étions au milieu d'un mouvement d'entreprise visant à mettre de l'IA dans tout ce que nous vendions et dans tout ce que nous faisions en interne, et l'ensemble de mon discours de direction ce trimestre-là portait sur l'accélération. Sa raison tenait en une phrase : je veux être capable de dire quand c'est faux.

Pendant trois semaines, il a été visiblement en retard. Un senior équipé d'un bon assistant produisait en une après-midi ce qui lui prenait deux jours, et il y a eu quelques moqueries bienveillantes, celles que les équipes réservent à qui s'obstine sur la route difficile.

Ce que personne n'a remarqué, c'est l'exercice mené en parallèle. Chaque fois qu'il résolvait quelque chose lui-même, il posait aussi la question au modèle, et lorsque les deux réponses divergeaient, il écrivait ce qui s'était passé. Pas la réponse. Le mode de défaillance. L'endroit où le modèle avait été sûr de lui, fluide, plausible et faux. En septembre, le carnet comptait plus de quarante entrées : des comportements de librairies que les données d'entraînement ne décrivaient plus, de la logique métier propre à notre domaine que le modèle simplifiait toujours dans la même direction, des cas limites dans les données clients produisant du code qui tournait parfaitement et calculait la mauvaise chose.

Son projet final, choisi librement, a été un ensemble d'assistants internes qui écrivent du code. Celui qui avait refusé d'utiliser les assistants a construit les meilleurs de la maison, non parce qu'il était le meilleur ingénieur, mais parce qu'il était le seul à détenir une preuve testée des endroits où la machine casse sur notre terrain. Son carnet est devenu le jeu d'évaluation. Ses quarante échecs sont devenus les garde-fous. L'assistant de tous les autres reposait sur une intuition de ce que le modèle fait bien ; le sien reposait sur une trace de ce qu'il fait mal.

Nous avons payé cela au tarif d'une gratification de stage, et nous avons failli ne pas le recruter.

Vos succès sont dans les données d'entraînement. Vos échecs, non

Voici l'asymétrie qui en découle, et c'est la partie que je mettrais devant un conseil d'administration.

Tout ce qui a fonctionné dans votre industrie a été publié. Vos best practices, vos architectures de référence, votre méthodologie de delivery, le playbook qu'un cabinet a mis dix ans à codifier : tout cela dérive du même corpus public de choses qui ont marché, ce qui explique précisément que les modèles de frontière les traitent correctement. L'avantage que ces artefacts conféraient a été socialisé en un service que n'importe qui peut louer.

Ce qui n'a pas été publié, c'est la trace spécifique, locale et légèrement gênante de la manière dont les choses échouent dans votre produit, chez vos clients, sur leurs données. Personne ne blogue une implémentation qui a calculé le mauvais chiffre pendant six semaines. Cela n'apparaît dans aucun benchmark. Cela ne peut pas être scrapé, et cela ne peut pas être généré par le système censé être testé, puisqu'un modèle ne sait pas dire de façon fiable où il se trompe avec assurance.

Cela inverse vingt ans de knowledge management. Nous avons bâti des fonctions entières pour capturer et réutiliser la moitié de notre savoir qui est depuis devenue gratuite, et nous avons systématiquement jeté celle qui est devenue la seule chose défendable que nous possédions.

Et cette moitié jetée a une adresse. L'échec se manifeste là où le produit rencontre un client qui ne l'a pas construit : implémentation, support, escalade, renouvellement. Autrement dit, la fonction que la plupart des éditeurs pilotent encore comme un centre de coûts est l'usine du seul actif que l'entreprise ne peut pas acheter.

Cinq décisions pour le comité exécutif

Si je devais structurer le sujet pour une équipe de direction ce trimestre, cinq décisions.

• Donner au corpus d'échecs un propriétaire, un budget et un numéro de version. Une capture structurée aux points de friction, tenue comme un actif, avec quelqu'un de responsable de sa qualité et de sa couverture. Les rétrospectives et les fils Slack ne sont pas un corpus. Si personne ne le possède, ce n'est pas un actif, c'est un déchet.

• Conserver une part de travail non assisté, comme instrument de mesure et non comme pédagogie. C'est la décision que l'on confond le plus souvent avec de la nostalgie. Le travail non assisté est le seul instrument produisant des observations non contaminées sur les endroits où le modèle se trompe. Si tout le monde travaille avec l'assistant activé, l'organisation perd la capacité de voir l'assistant, comme une balance ne peut pas être étalonnée avec elle-même.

• Contractualiser la propriété de ce que produit la delivery. Les contrats d'implémentation sont d'une précision remarquable sur les livrables, la propriété intellectuelle du code et la protection des données, et parfaitement muets sur la propriété des données d'évaluation, des journaux d'échec et des jeux de prompts générés en faisant fonctionner le produit dans l'environnement du client. Ce silence était sans conséquence quand l'artefact ne valait rien. Il fait désormais la différence entre une implémentation qui encaisse des honoraires et une implémentation qui capitalise.

• Reporter la production, pas seulement la consommation. Les board packs mesurent les licences, l'adoption, la déflection et les heures économisées, autant d'indicateurs qui décrivent la vitesse à laquelle vous absorbez la capacité d'un autre. Ajoutez une ligne décrivant ce que l'organisation a produit : volume et couverture des nouveaux modes de défaillance documentés, et part de ceux-ci désormais encodés en garde-fous ou en évaluations.

• Poser la question de diligence, à vous-mêmes d'abord. Pas « quelle est notre stratégie IA », qui renvoie une liste de fournisseurs. Mais : que cette entreprise peut-elle prouver qu'elle sait de son propre domaine et qu'un modèle de frontière ignore, où est-ce écrit, et qui le possède. Si la salle se tait, ce silence est la discussion stratégique.

J'ai appris la leçon de fond bien avant tout cela, à la tête du Professional Services chez Adobe. Nous avons industrialisé la delivery autour d'actifs réutilisables plutôt que d'effectifs, et les coûts de delivery ont baissé de 35 %. Ce que l'on manque facilement dans ce chiffre, c'est d'où venaient les accélérateurs. Chacun avait été conçu par quelqu'un qui avait fait la version manuelle, mal, chez un vrai client, au moins une fois. Nous pensions construire de l'automatisation. Nous convertissions de l'échec accumulé en produit, et nous ne l'avons jamais formulé ainsi sur une slide.

L'objection du knowledge management

Des dirigeants expérimentés diront qu'il s'agit de knowledge management repeint à neuf, tenté en 2004, et qu'il en est sorti des référentiels coûteux que personne n'ouvrait.

Ils ont raison sur l'histoire et tort sur la conclusion, pour deux raisons. Ce que nous cherchions alors à capturer, c'était la best practice, qui se généralise, se périme et est désormais gratuite. Ce qui compte aujourd'hui, c'est l'échec, qui est spécifique, local et ne se généralise pas, ce qui est précisément ce qui le maintient précieux. Et le lecteur a changé. Le référentiel échouait parce que son consommateur était un humain sans temps disponible un jeudi après-midi. Son consommateur est désormais un système d'une patience infinie qui s'améliore de façon mesurable quand on le nourrit.

Le référentiel que personne ne lisait est devenu le signal d'entraînement dont tout le monde a besoin. C'est d'ailleurs, à bien le lire, ce que décrit le learning gap du MIT : non pas une pénurie d'intelligence, mais une pénurie de preuves locales permettant à l'intelligence d'apprendre votre métier.

Le recadrage

Cessez de traiter l'IA comme une capacité que vous acquérez. La capacité arrive de toute façon, aux conditions de tout le monde, à un prix qui baisse. Traitez-la comme une utilité, et posez la question que l'on pose de toute utilité : que posséde-je qui la rende plus précieuse entre mes mains qu'entre celles d'un concurrent.

La réponse est la trace des endroits où elle échoue sur votre terrain. Cette trace n'est produite que là où votre produit rencontre un client qui ne l'a pas construit, au moment où quelque chose casse, par les équipes que la plupart des entreprises cherchent actuellement à réduire.

Un stagiaire l'avait compris avant mon comité de direction, et il l'a construit dans un carnet pendant que tous les autres apprenaient à prompter.

Le modèle sait déjà tout ce qui a marché. Vous seuls savez ce qui a cassé. Cessez de récolter vos best practices. Récoltez vos échecs.

Cet article est adapté de l'édition #17 de ma newsletter LinkedIn, Professional Services & Tech. Abonnez-vous sur LinkedIn pour recevoir les prochaines éditions.

Sources :

MIT Project NANDA, « The GenAI Divide: State of AI in Business 2025 » (juillet 2025), sur les résultats des pilotes et le learning gap ;
Joel Spolsky, « Strategy Letter V » (2002), sur la banalisation du complément.

---

Mathilde HENRY
Executive Leader in Enterprise Software & AI Transformation. 20 ans à l'intersection du logiciel, du conseil et de la transformation des entreprises.