L’IA n’est pas un projet technologique de plus. C’est une métamorphose de l’entreprise, de son ADN, de son modèle opérationnel et de l’intelligence collective qui la fait vivre. Les entreprises qui l’abordent comme un chantier informatique financent des pilotes. Les entreprises qui l’abordent comme une métamorphose transforment l’entreprise à partir de leur intelligence collective en projet business.
Le grand malentendu : l’IA n’est pas un enjeu tech
Les chiffres sont désormais connus, et ils sont cruels. Selon l’étude BCG de septembre 2025 menée auprès de 1 250 entreprises, 5 % seulement créent de la valeur à l’échelle grâce à l’IA, 35 % commencent à en tirer quelques bénéfices, et 60 % n’en retirent aucune valeur matérielle malgré des investissements substantiels.
McKinsey dresse le même constat. Dans son enquête State of AI 2025, 88 % des organisations utilisent l’IA, mais près des deux tiers n’ont pas commencé à la déployer à l’échelle de l’entreprise. Seules 39 % lui attribuent un impact quelconque sur l’EBIT, presque toujours inférieur à 5 %. L’édition 2026, conduite auprès de 1 719 dirigeants, ne montre aucun progrès : 37 % déclarent un impact sur l’EBIT, et les « high performers » plafonnent toujours à 6 %.
Le MIT, enfin, a frappé les esprits à l’été 2025 avec son rapport The GenAI Divide : 95 % des pilotes d’IA générative en entreprise ne produisent aucun impact mesurable sur le compte de résultat. La cause désignée n’est pas la qualité des modèles, mais l’intégration dans l’entreprise, des processus fragiles, une incapacité à apprendre du contexte métier.
Le cimetière des pilotes et des jumeaux
Derrière ces statistiques, nous voyons tous les jours le même paysage. Des preuves de concept brillantes qui ne quittent jamais le laboratoire. Des assistants génératifs déployés à des milliers de collaborateurs, utilisés pour reformuler des courriels. Des jumeaux numériques et des « jumeaux IA » d’usines, de chaînes logistiques ou de clients, magnifiques en démonstration, mais nourris de données de la veille et déconnectés des décisions réelles. Le pilote réussit techniquement et échoue économiquement, parce qu’il a été greffé sur une organisation qui, elle, n’a pas changé.
Ce que le commerce nous a déjà appris
Nous avons déjà vécu ce film. La transformation du commerce n’a jamais été l’ouverture d’un site web. Elle a imposé la multicanalité client, puis la digitalisation complète du modèle opérationnel : stocks, prix, promesse de livraison, service client. Elle a exigé des couches d’architecture IT synchronisées en temps réel, jusqu’à changer la manière même de coder : dans le commerce en ligne, l’environnement de staging, c’est la production. Elle a surtout bouleversé la compréhension que l’entreprise avait d’elle-même : un libraire est devenu une plateforme logistique, un distributeur est devenu un média.
La métamorphose IA est de même nature, en plus profond et en plus rapide. Elle part de l’ADN de l’entreprise. Elle engage des eurêka humains chez les dirigeants, ces moments où l’on comprend que le métier lui-même change de forme. Elle provoque une mutation sociologique des équipes, pose des enjeux d’infrastructure technologique et de données, et déclenche une mutation socio-dynamique globale. Le tout sous une double contrainte : le time to market et la capacité de mise à l’échelle.
Les questions de l’e-commerce reviennent
Avec l’IA, nous reposons les questions d’IT qui ont été au cœur de la révolution e-commerce :
• Comment désynchroniser, en temps réel, la couche client, humaine et digitale omnicanale, des couches des SI de production ?
• Comment gérer non seulement la transversalité des données dans l’entreprise, mais aussi des processus métiers et des agents IA en interaction ? Et comment l’humain pilote-t-il cet ensemble ?
• Comment faire muter le business model et transformer le modèle opérationnel ?
• Comment passer de la petite BU e-commerce ou IA à la tech company ?
Des métamorphoses
Comme pour le commerce, il y aura des gagnants et des perdants. Fnac-Darty, que j’ai accompagné pendant 25 ans, depuis les débuts de Fnac.com, a accepté de traverser la métamorphose omnicanale et en est sortie plus forte. Virgin, à l’inverse, rêvait déjà de musique en ligne et de voyages dans l’espace, mais n’a pas fait le chemin patient du commerce en ligne : ses Megastores français ont fermé en 2013. Maisons du monde a réalisé 60% de pon business en digital quand Fly a fermé… etc… On ne saute pas les étapes d’une métamorphose. On les traverse, ou l’on disparaît.
Le nœud gordien de l’architecture : trois couches qui ne se parlent pas
La plupart des grandes entreprises vivent aujourd’hui sur trois couches de données qui n’ont ni le même âge, ni le même rythme, ni la même logique.
• La couche de production. ERP, AS400, systèmes métiers historiques. C’est là que vit la vérité opérationnelle : commandes, stocks, factures, ordres de fabrication. Mais ces données sont gérées en batch, souvent la nuit, et toute évolution demande des projets de développement longs, coûteux et risqués.
• La couche analytique. Datalakes, entrepôts de données, tableaux de bord. Elle accumule beaucoup, mais elle regarde dans le rétroviseur. Une grande partie de ces données sont des données mortes : copiées, décalées, sans propriétaire métier, utilisées pour le reporting et rarement pour décider.
• La couche d’intelligence. Deep learning, IA prédictive, IA générative et désormais IA agentique. Elle sait raisonner, prévoir, agir. Mais elle est le plus souvent branchée sur la couche analytique, donc sur une image figée du réel, et n’a pas le droit d’écrire dans la couche de production.
Le résultat est connu : une IA intelligente qui décide sur des données d’hier, sans pouvoir agir sur les processus d’aujourd’hui. C’est exactement la condition du pilote qui ne passe pas à l’échelle.
La tentation du grand tunnel
La réponse classique consiste à lancer un programme de refonte : nouvel ERP, nouvelle plateforme data, migration du legacy. Trois à cinq ans de tunnel, des budgets qui dérivent, des risques majeurs sur la production, et une IA qui attend que l’infrastructure soit prête. Pendant ce temps, les concurrents apprennent. Le time to market est perdu avant même d’avoir commencé.
Comment intégrer des système hétérogènes? En réalité des solutions de contournement existent pour synchroniser les data en staging et en production. Pour aller chercher de la donnée en profondeur de manière non intrusive avec une faible latence et en diminuant la concurrence avec les opérations, des échnages de date en général en forte charge :
Les problèmes à résoudre réellement
La question n’est pas de tout reconstruire, mais d’apprendre à piloter des processus métiers au travers de couches désynchronisées. Cela suppose de résoudre cinq problèmes concrets.
1. Synchroniser sans remplacer. Capter les événements de la production (capture de changements, API, flux d’événements) pour créer une couche de données vivante, proche du temps réel, sans toucher au cœur de l’AS400 ou de l’ERP.
2. Passer du reporting à la prévision. Construire une couche de données de décision qui réconcilie ce qui s’est passé, ce qui se passe et ce qui va probablement se passer. C’est là que l’IA crée de la valeur, pas dans le tableau de bord du mois dernier.
3. Donner un sens métier aux données. Une couche sémantique partagée, où « client », « marge » ou « disponibilité » veulent dire la même chose pour l’humain, pour le modèle et pour l’agent.
4. Permettre à l’IA d’agir, sous contrôle. Définir par où un agent peut écrire dans la production : quelles transactions, quels seuils, quelles validations humaines, quelle traçabilité. Sans cela, l’IA reste un conseiller que personne n’écoute.
5. Livrer par incréments de valeur. Avancer processus par processus, chacun mis en production en quelques semaines, mesuré en euros, puis industrialisé. Comme dans le commerce en ligne, la production devient le lieu de l’apprentissage.
L’enjeu n’est donc pas une nouvelle architecture cible, mais une architecture de transition, capable de faire cohabiter le batch d’hier et l’agent de demain, et de les faire travailler ensemble dès aujourd’hui.
La métamorphose organisationnelle et humaine : définir d’abord la part de l’humain
Les études convergent sur un point : ce qui distingue les rares gagnants n’est pas la technologie, c’est la refonte des processus de travail. McKinsey observe que ses high performers redessinent leurs workflows bien plus que les autres. BCG constate que 70 % de la valeur potentielle de l’IA se situe dans le cœur du métier, et non dans les fonctions support.
Or on ne redessine pas un processus en y ajoutant un outil. On le redessine en se posant une question que la plupart des entreprises évitent : qu’est-ce que l’humain pilote, et qu’est-ce qu’il décide ?
Partir de la décision, pas de la tâche
L’approche dominante consiste à lister des tâches automatisables. Elle produit des gains marginaux et des inquiétudes majeures. L’approche que nous préconisons part de l’autre bout : cartographier les décisions de l’entreprise, puis attribuer à chacune un mode de collaboration.
• Ce que l’IA exécute seule, dans un cadre défini : réassort, relance, tri, rapprochement.
• Ce que l’IA propose et que l’humain valide : prix, arbitrages de stock, priorisation commerciale.
• Ce que l’humain décide, éclairé par l’IA : stratégie, investissement, relation client à fort enjeu, éthique.
• Ce que l’humain seul porte : le sens, la responsabilité, la confiance, la culture.
Ce partage n’est pas technique, il est politique au sens noble. Il doit être posé au départ, par les dirigeants, et non découvert après coup par les équipes.
Un nouveau modèle opérationnel humain + IA
Définir la part de l’humain change tout le reste. Les rôles se recomposent : le planificateur devient superviseur d’agents, le commercial devient orchestrateur de relation, le contrôleur devient garant de la qualité des décisions automatisées. Les compétences changent, les indicateurs changent, les circuits de délégation et de responsabilité changent.
C’est une mutation sociologique de l’entreprise. Elle touche les identités professionnelles, les hiérarchies d’expertise, la manière dont on gagne sa légitimité. Ignorer cette dimension, c’est condamner l’IA au « shadow AI » : des collaborateurs qui utilisent l’IA chacun dans leur coin, pendant que les projets officiels s’enlisent.
Pourquoi cette métamorphose ne s’achète pas
Il serait confortable de croire qu’une métamorphose IA peut se sous-traiter : un éditeur de logiciels, un intégrateur, un cabinet qui livre une feuille de route clé en main. C’est l’illusion qui remplit aujourd’hui les cimetières de pilotes. Le MIT observe certes que les entreprises qui avancent seules échouent davantage. Mais notre expérience est sans ambiguïté : celles qui achètent une solution sans transformer leur organisation n’en tirent pas plus de valeur.
Une métamorphose ne peut venir uniquement de l’extérieur, pour trois raisons.
Parce qu’elle part de l’ADN. Ce qui fait la singularité d’une entreprise, sa manière de servir, de créer, de décider, n’est écrit dans aucun ERP. Seuls ceux qui la vivent peuvent dire ce qui doit être préservé et ce qui doit muer. Un prestataire peut révéler cet ADN, il ne peut pas le réécrire à la place de l’entreprise.
Parce qu’elle est multidimensionnelle. Elle engage en même temps la stratégie, le modèle opérationnel, l’architecture IT et data, les compétences, la gouvernance, la culture. Une solution technologique traite une dimension. Une métamorphose les fait bouger ensemble, au même rythme, sinon l’une bloque toutes les autres.
Parce qu’elle est un apprentissage collectif. L’IA n’apporte de valeur que lorsqu’elle apprend du contexte de l’entreprise, et l’entreprise ne change que lorsqu’elle apprend à travailler avec l’IA. Ce double apprentissage est le véritable actif. Il ne se livre pas, il se cultive.
Au fond, ce qui doit muer, c’est l’intelligence collective de l’organisation : la manière dont elle perçoit son environnement, partage l’information, arbitre, décide et corrige. L’IA en devient une composante. Le rôle du conseil n’est pas d’apporter la réponse, mais d’être le sparring partner qui aide les dirigeants à vivre leurs propres eurêka, puis à les transformer en mouvement collectif.
Métamorphosis™ : une méthode pour traverser la mue
C’est pour répondre à ce défi que nous avons créé chez BrainConnect.io la méthode Métamorphosis™. Elle n’est ni un programme de refonte en tunnel, ni un catalogue de cas d’usage. Elle accompagne les dirigeants dans les quatre dimensions de la mue :
• Révéler l’ADN et provoquer les eurêka des dirigeants sur ce que leur métier devient à l’ère de l’IA.
• Définir la part de l’humain : cartographier les décisions, poser ce que l’humain pilote et décide, et construire le modèle opérationnel humain + IA.
• Bâtir l’architecture de transition : synchroniser production, données et intelligence sans grand soir technologique, processus par processus.
• Faire muer l’intelligence collective : compétences, gouvernance, culture, au rythme du time to market et de la mise à l’échelle.
La chenille ne devient pas papillon en se couvrant d’ailes. Elle se défait de l’intérieur pour se recomposer. Il en va de même des entreprises : leur métamorphose IA ne se décrète pas un matin, elle se traverse et se cultive.
Cette conviction, je ne l’ai pas apprise seulement dans les comités de direction. Je l’ai vécue.
La documentariste et écrivaine britannique Polly Morland, qui a consacré un livre entier à la manière dont nous changeons, l’a écrit à propos de mon propre parcours :
« Didier Long sait quelque chose de la manière dont les êtres humains se transforment. Il a lui-même changé plus souvent que la plupart d’entre nous. On pourrait même dire que son âme a entrepris une véritable odyssée pour le conduire jusqu’à cet endroit, aujourd’hui. »
Polly Morland, Metamorphosis, How and Why We Change, Profile Books Ltd, Londres, 2016.
C’est cette expérience intime de la mue, humaine avant d’être organisationnelle et IT, que nous mettons au service des dirigeants.
