Advertise on podcast: Les signaux du changement

Beaucoup d'entreprises interrogent leurs salariés : enquêtes, réunions, boîtes à idées. Cet épisode pose une question simple : est-ce que ça sert vraiment à quelque chose ? D'abord, ce que l'écoute semble apporter. Une méta-analyse rassemble les études sur l'écoute au travail : les personnes qui se sentent écoutées ont de meilleures relations et de meilleures performances. Dans une grande entreprise technologique, une question directe, « combien de temps comptez-vous rester ? », prédit les départs mieux qu'un algorithme. Dans des usines textiles en Inde, des ouvriers interrogés après une hausse de salaire décevante partent moins souvent dans les mois suivants, alors que l'entreprise ne change rien. Ensuite, en moyenne, l'effet ne se voit pas. Les démarches participatives ne changent ni la santé mentale ni la performance, selon une revue d'essais. En Finlande, une loi donne des représentants aux salariés des grandes entreprises : la productivité progresse, mais les départs volontaires ne baissent pas de façon mesurable. Dans une expérience menée aux Pays-Bas et au Royaume-Uni, une consultation de façade ne fait pas mieux accepter un projet que l'absence de consultation. Et des dirigeants qui demandent l'avis de leur équipe sans agir n'obtiennent pas des équipes plus ouvertes un an plus tard. Enfin, ce qui fait la différence. La Dares compare des salariés qui ont vécu un changement important. Parmi ceux qui ont eu le sentiment de peser sur ce changement, six pour cent présentent des signes de dépression. Parmi ceux qu'on n'a ni informés ni consultés, c'est vingt et un pour cent. Ceux qu'on a consultés sans les entendre vont un peu moins bien que ceux qu'on a seulement informés. Dans sa dernière enquête, quatre salariés sur dix voient leur environnement de travail fortement changer dans l'année, et plus de six sur dix d'entre eux disent que personne ne les a consultés. Nos deux experts lisent ces études de deux façons : l'un voit dans l'écoute une valeur en soi, l'autre constate qu'en moyenne ses effets ne se voient pas. Ils arrivent à la même idée : l'effet de l'écoute dépend de ce qui la suit. Une réserve demeure : presque toutes ces études mesurent des liens, pas des causes. Trois gestes pour agir : avant d'interroger vos équipes, écrire la décision que leurs réponses peuvent encore changer, et les informer plutôt que les consulter s'il n'y en a aucune ; fixer la date du retour dès le lancement, et ce jour-là dire ce qui change, ce qui ne change pas, et pourquoi ; à la fin de l'année, compter les paroles du terrain qui ont changé une décision, les paroles activées.Pour aller plus loin, tous nos articles et livrets blancs sur https://www.spentia.com Hébergé par Ausha. Visitez ausha.co/politique-de-confidentialite pour plus d'informations.

Les outils d'intelligence artificielle ne fournissent plus une liste de liens : ils rédigent une réponse. Un nouveau métier promet d'entrer dans cette réponse : le GEO, pour Generative Engine Optimization. Cet épisode regarde ce qu'il vaut. D'abord, la promesse et sa preuve. Un article de 2023 annonce jusqu'à 40 % de visibilité en plus, dans un essai de laboratoire. Une autre équipe refait l'essai et trouve la plupart des méthodes inefficaces. Une revue des travaux montre qu'on sait gagner de la place dans une réponse une fois choisi par l'outil ; aucune technique ne montre d'effet durable sur ce choix lui-même. Ensuite, ce qui marche. Un journaliste de la BBC écrit en vingt minutes une fausse page sur un titre de champion qu'il n'a jamais gagné. Le lendemain, la plupart des outils testés la répètent. Une consœur tente le même coup peu après : elle échoue, car les outils ont lu l'article entre-temps. Enfin, la ligne entre se faire connaître et tricher. L'équipe de sécurité de Microsoft repère en deux mois trente et une entreprises qui cachent des consignes dans des boutons « résumer avec l'IA ». Google range désormais dans le spam toute tentative de manipuler les réponses d'IA de son moteur. Nos deux experts ne sont pas d'accord. Pour l'un, c'est un nouveau métier : une entreprise qui ne nourrit pas sa réponse laisse d'autres la nourrir. Pour l'autre, la partie honnête reste le référencement de toujours, et la partie nouvelle est de la triche, qui marche surtout là où personne n'a rien écrit. Une réserve traverse l'épisode : tout repose sur des essais de laboratoire et sur quelques histoires. Personne n'a mesuré l'effet sur les ventes. Trois gestes pour agir : poser à trois outils d'intelligence artificielle les questions de vos clients, noter leurs réponses et leurs sources, puis refaire l'exercice après avoir agi ; écrire des faits vérifiables là où personne n'a rien écrit de solide sur vous, et les faire paraître chez des tiers sérieux ; si vous avez un prestataire GEO, lui demander quelle preuve il a du résultat, s'il cache des consignes dans vos pages, et si des avis ou des classements sont écrits par vous-mêmes. Pour aller plus loin, tous nos articles et livrets blancs sur https://www.spentia.com Hébergé par Ausha. Visitez ausha.co/politique-de-confidentialite pour plus d'informations.

Une entreprise peut garder une invention pendant des années sans rien en faire. Inventer, c'est trouver quelque chose de nouveau. Innover, c'est réussir à s'en servir. Cet épisode explore l'écart entre les deux. Trois histoires servent de fil. La colle du Post-it reste douze ans dans l'entreprise avant de devenir un produit. Le laboratoire de Xerox met au point une imprimante laser et un ordinateur à souris : l'imprimante trouve ses clients, l'ordinateur attend huit ans et ne se vend pas. La NASA publie un problème que ses spécialistes ne résolvent pas, et reçoit en trois mois la solution d'un ingénieur radio à moitié retraité. Nos deux experts ne sont pas d'accord. Pour l'un, tout est déjà dans l'entreprise, et le dirigeant doit ouvrir les tiroirs. Pour l'autre, une invention ne devient rien sans des collègues qui la critiquent et sans un regard extérieur. Une réserve traverse l'épisode : nous connaissons seulement les histoires qui finissent bien. Beaucoup d'inventions ne valaient rien, et personne ne les compte. Trois gestes pour agir : dresser la liste de ce que l'entreprise a déjà trouvé et qui ne sert pas ; se demander, pour chaque ligne, si elle ressemble au métier de l'entreprise ; faire critiquer l'invention par des collègues, puis la montrer à une personne extérieure.Pour aller plus loin, tous nos articles et livrets blancs sur https://www.spentia.com Hébergé par Ausha. Visitez ausha.co/politique-de-confidentialite pour plus d'informations.

Un matin, l'un de vos meilleurs collaborateurs pousse la porte et pose sa démission. Personne n'a rien vu venir, et l'entreprise découvre les raisons le jour où il est trop tard pour agir. Pourquoi vos meilleurs collaborateurs partent-ils sans vous avoir prévenus, et pourquoi l'entretien de départ ne vous apprend-il rien ? Le débat instruit la question. Trois temps. D'abord le fait : en France, les démissions ont atteint un niveau inédit en nombre, et la statistique publique compte les démissions, jamais leurs raisons. Plus d'un départ volontaire sur deux suit un événement précis, un choc, et non une insatisfaction qui monte lentement ; c'était chez des cadres diplômés, aux États-Unis ; et la plupart de ces chocs sont des événements positifs, le plus souvent une offre venue d'ailleurs. Ensuite le silence : les partants eux-mêmes reconnaissent avoir gardé pour eux environ un quart de leurs raisons, chez deux cents salariés en Allemagne ; et c'est tout ce que l'on sait, le reste n'a jamais été mesuré. Parler a un coût : les managers jugent moins performants ceux qui contestent, et la parole dépend de l'ouverture du chef, surtout celle des meilleurs. L'entretien de départ arrive la dernière semaine, devant le supérieur direct, et recueille des réponses arrangées ; aucune recherche n'a montré qu'il réduise les départs. Enfin ce qui fait parler : dans une usine en Chine, les ouvriers ont noté leurs chefs chaque mois, anonymement, et la paie des chefs en dépendait ; les départs ont baissé de six points, soit plus de la moitié des départs sur la période, et l'effet a duré. Ce qui a fait baisser les départs, ce n'est pas d'avoir demandé l'avis : c'est que l'avis avait des conséquences et ne coûtait rien à celui qui le donnait. À l'inverse, demander l'avis des équipes quand le manager ne peut rien changer fait monter les départs. Deux voix s'affrontent : l'une dit qu'une entreprise peut entendre les raisons avant le départ, si elle organise la parole ; l'autre que les meilleurs partent pour des raisons que l'écoute ne change pas, une offre, une progression bloquée, une paie décrochée. Une objection reste debout : les essais les plus probants portent sur des ouvriers, en Chine et en Inde, et les études sur les cadres sont américaines ; aucune étude française ne mesure le silence des partants. La question de sortie : la dernière personne de valeur qui a quitté votre entreprise, saviez-vous pourquoi avant qu'elle ne vous le dise ?Pour aller plus loin, tous nos articles et livrets blancs sur https://www.spentia.com Hébergé par Ausha. Visitez ausha.co/politique-de-confidentialite pour plus d'informations.

L'IA entre dans l'entreprise par la DSI et par les métiers, et elle touche d'abord les personnes : qui l'on recrute, comment on l'évalue, qui l'on forme. La direction des ressources humaines doit-elle déployer l'IA elle-même, à commencer par sa propre fonction, ou se tenir en garde-fou ? Le débat instruit la question. Trois marches. D'abord le fait : en France, une entreprise sur cinq utilise déjà l'IA, plus d'une sur deux au-dessus de deux cent cinquante salariés ; le règlement européen classe le recrutement, l'évaluation, l'affectation et la surveillance parmi les usages à haut risque, mais il a reporté ces obligations au 2 décembre 2027 et assoupli l'obligation de formation ; le droit français, lui, oblige déjà à consulter le comité social et économique, à informer les candidats des méthodes de recrutement, et à ne pas laisser une machine décider seule d'un sort individuel. Un délai européen, pas une dispense française. Ensuite le mécanisme : le tri automatisé des candidatures à fort volume fait mieux que le manager seul, et des algorithmes conçus pour explorer élargissent les profils retenus ; mais garder un humain pour valider n'est pas une garantie. Dans une étude française, quand l'expert et l'outil recommandent tous deux le bon candidat, huit recruteurs sur dix le choisissent, contre six et demi sur dix sans conseil ; quand tous deux recommandent le mauvais, moins d'un sur deux choisit le bon ; et dans les cas ambigus, les recruteurs suivent l'outil même quand il se trompe. En justice, neuf juges sur dix qui passent outre la recommandation d'un algorithme font moins bien qu'elle. Les biais, eux, se jugent au tribunal ; et la prédiction des départs comme la mesure de l'engagement n'ont aucune évaluation indépendante. Enfin ce que ça change : la DRH décide où l'IA touche les décisions sur les personnes, conçoit la supervision au lieu de la décréter (le jugement avant la recommandation, qui tranche, en combien de temps, avec quel recours), et fait du dialogue social et de la formation des actes plutôt que des cases à cocher. Une objection traverse l'épisode : les preuves fortes viennent de grands employeurs et de postes à fort volume, souvent hors de France, et l'étude française porte sur des CV fictifs ; rien ne dit que ces résultats tiennent pour une entreprise de cinq cents personnes. La question de sortie : dans votre entreprise, qui décide aujourd'hui où l'IA touche les personnes, la DSI, les métiers, ou la DRH ?Pour aller plus loin, tous nos articles et livrets blancs sur https://www.spentia.com Hébergé par Ausha. Visitez ausha.co/politique-de-confidentialite pour plus d'informations.

Pourquoi, dans une même équipe, avec les mêmes offres, la même formation et les mêmes outils, un commercial fait-il plusieurs fois le chiffre de son voisin ? Cet épisode part d'une découverte faite en mission : une écoute de toute une chaîne commerciale, conçue pour repérer des frictions, a fait ressortir les façons de faire des meilleurs commerciaux, et l'entreprise en refait la formation de ses nouveaux. Vraie bonne idée ou pas ? Le débat instruit la question. Trois marches. D'abord le fait : l'écart de production entre deux personnes au même poste grandit avec la complexité du métier, et la vente est au niveau des métiers les plus complexes ; cet écart subsiste quand les appels sont distribués au hasard, et il tient à la connaissance du métier et à l'adaptation plus qu'à l'aptitude. Ensuite le mécanisme : quand des experts décrivent leur propre façon de faire, ils oublient près de sept décisions sur dix ; les conseils des meilleurs ne rendent pas meilleur ; pourtant un mentorat court, structuré et obligatoire augmente le chiffre des nouveaux, et le même programme laissé au volontariat ne donne rien. Enfin ce que ça change : former les nouveaux au travail réel plutôt qu'au processus prescrit, repérer les façons de faire par observation plutôt que par le récit du meilleur, organiser la transmission, et mesurer sur les cohortes de nouveaux. Une objection traverse l'épisode : ce qu'on observe chez les meilleurs peut être l'effet de leur situation, et aucune étude n'a testé que ce sont leurs gestes qu'il faut transmettre plutôt que ceux des expérimentés. La question de sortie : si vos trois meilleurs commerciaux partaient demain, que resterait-il dans l'entreprise de ce qu'ils savent faire ?Pour aller plus loin, tous nos articles et livrets blancs sur https://www.spentia.com Hébergé par Ausha. Visitez ausha.co/politique-de-confidentialite pour plus d'informations.

Qu'est-ce qui tourne vraiment, parmi tout ce qu'on appelle « agent » ? L'épisode commence par le vocabulaire : un assistant propose et laisse l'humain faire ; un automate à règles exécute un flux fixé d'avance, qu'on a rebaptisé ; un agent enchaîne des étapes et agit seul sur des systèmes. Les statistiques publiques ne les distinguent pas, et le règlement européen sur l'intelligence artificielle ne connaît pas le mot : il classe par le risque de l'usage. Depuis le 2 août 2026, tout déployeur doit soutenir la maîtrise de l'IA de son personnel et annoncer la machine ; pour les usages sensibles (recrutement, crédit, services publics, sécurité), la supervision humaine, la journalisation et la déclaration d'incidents s'imposeront le 2 décembre 2027, et le 2 août 2028 pour les produits réglementés. Le règlement de juillet 2026 a repoussé ces dates sans suspendre la qualification. Ce qui a été mesuré. La Cour des comptes a examiné dix ans d'IA à France Travail : 87 cas d'usage, 27 déployés à grande échelle, 17 abandonnés ; le chatbot qui devait produire 77 des 164 équivalents temps plein attendus n'en a produit aucun, les gains sont venus d'un filtre d'annonces illégales et d'un tri de courriels, la moitié des cas réalisés n'était pas prévue, et le délai de déploiement est passé de dix-huit mois à quatre. Aucun agent autonome dans le rapport. La seule expérience contrôlée sur des outils qui agissent : seize développeurs expérimentés, 246 tâches réelles, 19 % de temps en plus avec l'IA, alors qu'ils se croyaient 20 % plus rapides ; la réplication de 2026 s'est cassée, les auteurs le disent. Deux incidents d'agents autonomes reconnus publiquement, et des milliers de décisions de justice où une partie a produit des contenus inventés par une IA. L'objection méthodologique de l'épisode : il n'existe aucune mesure indépendante, avec groupe de comparaison, d'un agent autonome en production, dans aucun secteur. « 95 % des pilotes sans impact » porte sur l'IA générative en général ; « 40 % des projets annulés d'ici 2027 » est une prédiction ; « trois quarts des entreprises retirent des agents » est un sondage d'éditeur. Les décisions : une fiche de poste pour la machine, en cinq questions. Ce qu'elle a le droit de faire seule ; à quelles données et quels systèmes elle accède ; qui en répond, une personne ; comment on l'arrête et ce qu'on journalise ; comment on la mesure, avec un indicateur défini avant et, quand c'est possible, une équipe qui ne l'a pas. Et une question de cadre : l'usage relève-t-il d'un domaine à haut risque ? Abandonner un cas d'usage sur cinq, comme France Travail, n'est pas un échec : c'est le pilotage.Pour aller plus loin, tous nos articles et livrets blancs sur https://www.spentia.com Hébergé par Ausha. Visitez ausha.co/politique-de-confidentialite pour plus d'informations.

Toute entreprise a un organigramme. Il décrit les lignes hiérarchiques et les responsabilités formelles. Il ne décrit pas le travail. Tant qu'un poste était une personne, ce défaut ne gênait personne. Les agents d'intelligence artificielle changent la donne : ils ne prennent pas de postes entiers, ils s'emparent de fragments d'activités répartis sur plusieurs postes, tandis que les humains équipés débordent du leur. Cet épisode confronte deux positions. Pour la première, l'organigramme est devenu un document social et juridique, déconnecté du flux de travail réel, et il faut lui adjoindre une carte des activités et de ceux qui les font, l'actigramme. Pour la seconde, l'organigramme survit parce qu'il dit qui décide, qui est responsable et qui on appelle quand la chaîne casse ; multiplier les cartes disperse la responsabilité et crée une seconde bureaucratie. Trois marches. Le fait : dans une entreprise simulée, le meilleur agent testé termine moins d'un tiers des tâches ; chez Procter & Gamble, un professionnel seul avec une intelligence artificielle atteint la qualité d'une équipe de deux. Le mécanisme : le travail réel passe par des réseaux de conseil, de confiance et de communication que l'organigramme ne montre pas, et l'arrivée de l'intelligence artificielle générative multiplie ces liens au lieu de les couper. Ce que ça change : la même machine a fait baisser puis monter les résultats d'une force de vente selon l'organisation qui la recevait, mais le règlement européen sur l'intelligence artificielle exige que le contrôle humain d'un système à haut risque revienne à des personnes physiques dotées d'autorité, et une entreprise qui avait codifié chaque rôle a fini par y renoncer. Une objection méthodologique traverse l'épisode : les preuves reposent sur des expériences courtes et des liens déclarés ; une méta-analyse de cent six expériences montre que les duos humain-machine font en moyenne mieux que l'humain seul, mais moins bien que le meilleur des deux pris seul. Personne n'a observé une équipe hybride sur un an de travail réel. L'épisode s'ouvre sur un segment de trois minutes, l'essentiel et le pour action, pour les auditeurs pressés.Pour aller plus loin, tous nos articles et livrets blancs sur https://www.spentia.com Hébergé par Ausha. Visitez ausha.co/politique-de-confidentialite pour plus d'informations.

Les clients disent vouloir un humain plutôt qu'une machine ; que refusent-ils exactement ? Une voix tient que la résistance est réelle et de terrain. Dans une expérience randomisée sur plus de six mille clients d'une société de crédit en Asie, un robot vocal qui ne se présente pas comme un robot vend autant qu'un conseiller expérimenté, près d'un client sur quatre ; annoncé comme robot avant la conversation, il vend à moins d'un sur vingt, et plus de la moitié des clients raccrochent dans les cinq secondes. Les clients le jugent moins compétent alors que l'analyse des conversations montre qu'il ne l'est pas. Dans une enquête représentative américaine, près de six personnes sur dix pensant avoir eu un chatbot n'ont pas obtenu l'aide cherchée, contre deux sur dix avec une personne, et près de la moitié ont eu du mal à joindre un humain. Et quand la machine se trompe, le client se méfie ensuite, même du conseiller humain qui reprend, s'il répond trop vite. Depuis le 2 août 2026, le règlement européen impose d'informer la personne qu'elle interagit avec une IA. L'autre voix tient que la préférence déclarée est un mauvais guide. Les mêmes clients utilisent les machines ; l'aversion baisse avec l'expérience ; ce que les gens fuient d'abord, c'est le processus incertain à étapes, avant même de savoir qui le tient ; et pouvoir corriger ce que la machine propose, même un peu, fait passer son acceptation de moins d'une personne sur deux à sept sur dix. Surtout, il existe un cas où la machine est préférée : quand il s'agit d'être entendu, pas dépanné. On ne lui prête pas d'intention, elle ne juge pas, on lui dit ce qu'on ne dit pas à un humain. Les deux voix se rejoignent sur une distinction : résoudre ou entendre. Pour résoudre, la machine doit dire ce qu'elle sait faire, afficher le temps d'attente, offrir une sortie vers un humain sans que le client répète son problème, laisser une prise, et ralentir la réponse humaine après un échec. Pour entendre, elle doit dire ce qu'elle est, ce qu'elle fait de la parole, et remettre la décision à des humains. Et trois questions restent ouvertes : personne n'a suivi les mêmes clients de l'impasse à la fidélité, personne n'a chiffré ce que l'impasse coûte, personne n'a comparé une écoute interne par machine et par humain. Pour aller plus loin, tous nos articles et livrets blancs sur https://www.spentia.com Hébergé par Ausha. Visitez ausha.co/politique-de-confidentialite pour plus d'informations.

Pourquoi une force de vente bien équipée passe-t-elle si peu de temps face au client, et faut-il s'en inquiéter ? Le chiffre du tiers vient d'enquêtes d'éditeurs d'outils de vente qui comptent la prospection comme de la vente et la préparation d'une offre comme du temps hors vente ; il ne mesure ni le temps perdu ni les erreurs réparées. En France, près d'un projet de recrutement de technico-commercial sur deux est jugé difficile avant même d'être lancé : chaque heure de commercial en poste coûte plus cher à remplacer qu'à retrouver. Une voix soutient que le temps est absorbé par le système et par les outils eux-mêmes ; l'autre, que le pourcentage de temps à vendre ne juge rien et que le service, la préparation, la coordination sont la vente dans les métiers techniques. La recherche en gestion lui donne raison sur un point : la valeur du service dépend du poste, il n'existe pas de proportion universelle. Trois diagnostics récents, dans trois organisations, montrent ce que le temps hors client contient aussi : des factures fausses, des livraisons erronées, des avoirs négociés, des alertes internes ignorées jusqu'à la réclamation du client. Les deux voix se rejoignent sur une distinction : une réparation peut être utile après coup, et sa cause évitable. Rien, dans un tableau de bord, ne sépare les deux. Avant l'intelligence artificielle, une expérience de terrain publiée dans Management Science : le même outil d'IA de vente, déployé pendant cinq ans et demi dans un groupe pharmaceutique avec un groupe témoin. Quand le contexte de travail (procédure, autorité de décision, formation, incitations) n'était pas adapté aux vendeurs, environ un rendez-vous sur cinq de moins, et moins de ventes ; quand il l'était, plus de 40 % de rendez-vous en plus. Le contexte qui a dégradé les résultats était celui que la direction avait recommandé. Les vendeurs jugeaient l'outil excellent dans les deux cas. Cinq décisions de management précèdent l'achat d'un outil : un standard de transfert des leads, un circuit court de validation des offres, un responsable unique par compte avec priorité sur les alertes internes, un contrôle de la facture avant émission, et l'écoute de ceux qui font le travail pour mesurer ce que le système n'enregistre pas. Pour aller plus loin, tous nos articles et livrets blancs sur https://www.spentia.com Hébergé par Ausha. Visitez ausha.co/politique-de-confidentialite pour plus d'informations.

Les études s'accordent sur un fait et se disputent sur une cause. Le fait : l'IA ne supprime pas l'emploi en bloc, mais les entreprises recrutent moins de débutants. À partir de données de paie couvrant des millions de salariés américains, des chercheurs de Stanford mesurent, dans les métiers les plus exposés à l'IA, un emploi des 22 à 25 ans près d'un cinquième sous ce qu'il serait s'il avait suivi celui de leurs pairs moins exposés ; l'écart passe par les embauches, pas par les départs, et les expérimentés ne montrent aucun écart comparable. Une étude de Harvard sur 62 millions de CV observe le même mouvement dans les entreprises qui adoptent l'IA générative. La cause : la Banque centrale de New York, sur les offres d'emploi, voit un recul des métiers exposés commencé avant ChatGPT et attribue l'essentiel de la hausse du chômage des jeunes diplômés au télétravail, parce qu'on forme mal à distance. En France, l'Apec attend pour 2026 une hausse de 16 % des recrutements de cadres de six à dix ans d'expérience, et de 1 % pour les moins de six ans, et l'attribue à la conjoncture. Ce que toutes ces sources partagent, c'est le mécanisme : une entreprise ne recrute pas quelqu'un qu'elle ne peut pas former. Les internes en chirurgie robotique étudiés par Matt Beane n'apprennent plus dans l'acte quand la machine permet au chirurgien d'opérer seul. Un modèle économique récent (Enrique Ide, IESE) montre qu'automatiser les tâches d'entrée augmente la production immédiatement et peut réduire la croissance ensuite, parce que les débutants apprennent auprès de moins bons mentors, même si leur nombre ne baisse pas. Chaque entreprise a raison seule ; toutes ensemble assèchent le vivier où elles iront chercher leurs experts. Le paradoxe : là où on l'a mesuré, l'IA aide d'abord les débutants. Dans un service client de 5 000 agents, un assistant génératif augmente les résolutions de 15 % en moyenne et de 30 % pour les moins expérimentés, avec peu d'effet pour les meilleurs ; les nouveaux atteignent en deux mois le niveau d'agents ayant plus de six mois d'ancienneté. L'outil relève le plancher, pas le plafond. Et c'est au nom de cet outil qu'on ne recrute plus ceux qu'il aide le mieux. Les pistes pour redessiner le travail partent du travail plutôt que de l'effectif : décider à l'unité de la tâche, ajouter à chaque tâche d'exécution une question (est-ce qu'on y apprend quelque chose ?), organiser l'apprentissage qui n'est plus un sous-produit du travail, suivre les embauches de débutants et le temps de montée en compétence, donner au temps libéré une destination nommée. Et une question annuelle pour un comité de direction : quel poste ouvrons-nous à quelqu'un qui ne sait pas encore faire le travail ? Pour aller plus loin, tous nos articles et livrets blancs sur https://www.spentia.com Hébergé par Ausha. Visitez ausha.co/politique-de-confidentialite pour plus d'informations.

Le cloud a rendu l'infrastructure invisible : on s'abonne, on ne voit ni les lieux, ni les machines, ni les fournisseurs des fournisseurs. Avec l'intelligence artificielle, cette chaîne s'est allongée et concentrée. L'épisode la déroule maillon par maillon, sans jugement et sans alarme, pour que chaque dirigeant sache de quoi son entreprise dépend quand elle utilise l'IA. La chaîne se pince à presque chaque étage. Les machines de gravure les plus avancées sortent d'un seul fabricant au monde, ASML. Environ sept puces logiques avancées sur dix proviennent de Taïwan, l'essentiel chez un seul industriel, TSMC (direction générale du Trésor, données 2022). Nvidia décrit dans son propre rapport réglementaire une chaîne d'approvisionnement concentrée en Asie : une puce américaine est un assemblage international. Et en France, trois fournisseurs américains ont capté quatre cinquièmes de la croissance des dépenses de cloud public (Autorité de la concurrence, avis de 2023, données 2021). Une entreprise qui s'abonne à un assistant d'IA hérite de tout cet empilement sans l'avoir choisi. Cette concentration n'est pas une fragilité en soi : elle est le produit d'une efficacité industrielle réelle, et l'épisode ne prédit aucune rupture. Une dépendance est rationnelle quand elle est connue, proportionnée à la criticité de l'usage, contractualisée et substituable. Ce qui expose une entreprise, c'est de l'ignorer. Trois leviers relèvent d'elle. Savoir où tournent ses traitements et sous quelle juridiction, en distinguant localisation physique, nationalité du fournisseur et droit applicable. Choisir son mode de déploiement, service fermé, poids ouverts ou installation sur site, en sachant que les poids ouverts déplacent la dépendance sans la supprimer. Préserver sa réversibilité avant que le verrouillage ne se construise, par les données stockées, les outils propriétaires et les compétences des équipes. L'épisode se ferme sur trois questions à poser à ses propres projets : quelles dépendances sont critiques, lesquelles sont substituables, et combien coûterait réellement leur remise en cause.Pour aller plus loin, tous nos articles et livrets blancs sur https://www.spentia.com Hébergé par Ausha. Visitez ausha.co/politique-de-confidentialite pour plus d'informations.

Les projets d'intelligence artificielle se nourrissent de ce qui est déjà écrit : procédures, historiques, bases documentaires. Un modèle nourri des seules procédures apprend l'organisation telle qu'elle s'imagine, pas telle qu'elle fonctionne. Cet épisode dresse l'inventaire de trois familles de données que presque personne ne collecte. La donnée de raisonnement, d'abord : les arbitrages que vos experts font chaque jour sans pouvoir les décrire. Michael Polanyi l'a posé dès 1966, nous en savons plus que ce que nous pouvons en dire ; Ikujiro Nonaka a montré que le passage du tacite à l'explicite est le maillon le plus difficile de toute gestion des connaissances. La donnée d'articulation, ensuite : ce que l'usage réel des outils raconte, et que les compteurs de licences ne voient pas. Une étude de la Harvard Business School, publiée dans Organization Science, a suivi 758 consultants : sur les tâches où l'outil est compétent, ils travaillent environ un quart plus vite, avec une meilleure qualité ; sur une tâche choisie hors de ses capacités, ils produisent 19 % de bonnes réponses en moins. La carte de cette frontière, dans votre organisation, n'existe nulle part. La donnée de terrain, enfin : les contournements installés, les doubles saisies, et les idées que vos équipes n'ont jamais eu l'occasion de proposer. La recherche sur la voix des employés montre que ce silence tient rarement à l'indifférence : il tient à la crainte d'être mal vu. Beaucoup d'organisations outillent la remontée des incidents ; presque aucune n'outille la remontée des idées. Reste la question qui fâche : capter ces données sans basculer dans la surveillance. La réponse de l'épisode tient en un principe : l'anonymat se garantit par la conception du dispositif, jamais par une promesse. Références citées : Fabrizio Dell'Acqua et al., « Navigating the Jagged Technological Frontier », Harvard Business School, Organization Science (https://ssrn.com/abstract=4573321) · Michael Polanyi, The Tacit Dimension, 1966 · Ikujiro Nonaka, « A Dynamic Theory of Organizational Knowledge Creation », Organization Science, 1994 (https://pubsonline.informs.org/doi/abs/10.1287/orsc.5.1.14) · Liang, Farh et Farh, Academy of Management Journal, 2012 (https://journals.aom.org/doi/10.5465/amj.2010.0176) · Milliken, Morrison et Hewlin, Journal of Management Studies, 2003 (https://onlinelibrary.wiley.com/doi/10.1111/1467-6486.00387).Pour aller plus loin, tous nos articles et livrets blancs sur https://www.spentia.com Hébergé par Ausha. Visitez ausha.co/politique-de-confidentialite pour plus d'informations.

Juillet 2024 : Lattice, éditeur de logiciels RH de la Silicon Valley, annonce fièrement des « employés numériques » avec dossiers RH, objectifs trimestriels et manager humain. Trois jours plus tard, face au tollé, tout est retiré. Ce fiasco ouvre la vraie question de l'épisode : un agent d'intelligence artificielle a-t-il besoin d'une fiche de poste ? La réponse tient en deux mouvements. Oui, il faut spécifier, parce qu'un agent autonome ne porte plus un simple risque de contenu mais un risque d'exécution : il agit dans les systèmes, et il n'a ni bon sens ni implicite. Sa fiche de poste est une spécification technique : mission, périmètre d'autorité, sources de vérité autorisées, conditions d'arrêt, traçabilité des décisions. Le précédent Air Canada le rappelle : l'entreprise répond toujours de ses machines, le tribunal canadien a qualifié de « remarquable » l'argument du chatbot « entité séparée ». Mais spécifier sans jamais déguiser. Une étude expérimentale de la Harvard Business Review (mai 2026, 1 261 managers) montre que présenter la même production comme celle d'un « employé IA » doté d'un prénom fait chuter la détection d'erreurs de près d'un cinquième, surtout là où l'IA figure déjà à l'organigramme, et dissout le sentiment de responsabilité. Le vernis social endort la vigilance. Et le retournement final : selon l'enquête mondiale du MIT Sloan Management Review, 76 % des dirigeants voient déjà ces agents comme des collègues plutôt que comme des outils. La fiche de poste à réécrire d'urgence n'est peut-être pas celle de la machine, c'est celle des humains, dont le métier bascule de l'exécution vers la supervision, le jugement et la responsabilité. Sources : Harvard Business Review, « Research: Why You Shouldn't Treat AI Agents Like Employees » (BCG Henderson Institute / Boston University), 6 mai 2026 — https://hbr.org/2026/05/research-why-you-shouldnt-treat-ai-agents-like-employees · MIT Sloan Management Review & BCG, « The Emerging Agentic Enterprise », 18 novembre 2025 — https://sloanreview.mit.edu/projects/the-emerging-agentic-enterprise-how-leaders-must-navigate-a-new-age-of-ai/ · Décision du Civil Resolution Tribunal de Colombie-Britannique, Moffatt c. Air Canada, février 2024. Pour aller plus loin, tous nos articles et livrets blancs sur https://www.spentia.com Hébergé par Ausha. Visitez ausha.co/politique-de-confidentialite pour plus d'informations.

Les directions mesurent le retour de leurs investissements d'IA avec trois instruments : le ressenti des équipes, la masse salariale, les tableaux de bord. Cet épisode les passe à l'épreuve des meilleures données de 2025 et 2026. Le ressenti d'abord : dans l'essai contrôlé du laboratoire METR, des développeurs expérimentés étaient environ 20 % plus lents avec l'IA, en se croyant 20 % plus rapides. La masse salariale ensuite : selon l'enquête Gartner auprès de 350 dirigeants de grandes entreprises, huit organisations sur dix ont réduit leurs effectifs, sans corrélation avec le retour sur investissement, couper crée de la marge budgétaire, pas du retour. Les tableaux de bord enfin : l'enquête Adaptavist auprès de 2 500 travailleurs du savoir montre que plus de quatre sur dix passent plus de temps à vérifier ce que produit l'IA qu'ils n'en gagnent, un travail de reprise qu'aucune mesure ne voit. Reste alors à mesurer le travail lui-même : l'épisode compare les méthodes disponibles, ce qu'elles voient et ce qu'elles ratent, jusqu'à la probable solution qui les départage, mesurer les tâches sans surveiller les personnes, avec un anonymat garanti par conception. Sources : METR, essai contrôlé randomisé, juillet 2025 : https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/ · Gartner, enquête T3 2025, mai 2026 : https://www.gartner.com/en/newsroom/press-releases/2026-05-05-gartner-says-autonomous-business-and-artificial-intelligence-layoffs-may-create-budget-room-but-do-not-deliver-returns · Adaptavist via Attest, mars 2026 : https://www.adaptavist.com/blog/what-is-the-human-cost-of-ai-transformatio Pour aller plus loin, tous nos articles et livrets blancs sur https://www.spentia.com Hébergé par Ausha. Visitez ausha.co/politique-de-confidentialite pour plus d'informations.