Transcription

• Speaker #0

  Imaginez un chantier, pas un petit chantier, un grand chantier. Des centaines de personnes, des grues, des sous-traitants, des délais serrés, des pénalités qui tombent dès qu'un jalon glisse. Il est 7h18, le conducteur de travaux arrive avec son casque blanc, son téléphone dans une main, un café à moitié renversé dans l'autre. Depuis deux mois, son entreprise utilise une IA pour optimiser le planning. L'outil est impressionnant. Ils croisent les disponibilités des équipes, les livraisons matériaux, les contraintes météo, les priorités du maître d'ouvrage, les retards déclarés, les coûts par journée. Sur le papier, c'est magnifique. Mais ce matin-là, tout se bloque. L'équipe électricité arrive. Elle ne peut pas travailler, parce que les cloisons ne sont pas terminées. L'équipe cloison dit qu'elle attendait une validation technique. Le bureau d'études dit que la validation avait été envoyée. Le fournisseur dit que la livraison a été décalée. Et l'IA, elle, affiche encore un planning vert. Tout va bien. Sauf que sur le terrain, rien ne va. Et là, le conducteur de travaux comprend quelque chose de brutal. L'IA n'a pas vu le problème. Parce que le problème n'était pas dans les données. Il était dans les habitudes. Dans les non-dits. Dans les validations orales. Dans les fichiers jamais mis à jour. Dans les « normalement c'est bon » . Dans les « on verra demain matin » . Et c'est ça le sujet de cet épisode. L'IA ne révèle pas seulement votre futur, elle révèle votre dette invisible. La dette de vos décisions floues, la dette de vos processus bricolés, la dette de vos exceptions permanentes, la dette de vos savoirs coincés dans la tête de trois personnes. Et quand cette dette rencontre l'IA, elle ne disparaît pas, elle devient plus rapide. Une entreprise ne devient pas intelligente parce qu'elle installe de l'IA, elle devient intelligente quand elle sait sur quoi reposent ses décisions.

• Speaker #1

  Hello ! Là je préfère, parce que le chantier, on le voit. On sent presque la poussière, les appels, les gens qui s'énervent, le planning affiché en vert alors que tout le monde sait que c'est faux. Et c'est ça qui est intéressant. L'IA dit « ça va » , mais les bottes sur le terrain disent « ça ne va pas » .

• Speaker #2

  Et ce cas est très puissant parce qu'il montre une chose simple. L'IA ne travaille pas avec la réalité. Elle travaille avec la réalité qu'on lui donne. Si les données disent que la validation est faite, elle considère que la validation est faite. Si le planning dit que le lot précédent est terminé, elle planifie le suivant. Si le système dit que la livraison est confirmée, elle construit une décision autour de cette information. Mais si tout ça est faux, incomplet ou trop optimiste, l'IA va produire une décision. élégante sur une base fragile.

• Speaker #0

  Exactement, et c'est pour ça que cet épisode 3 doit aller plus loin. Dans l'épisode 1, on a parlé du contrôle. Est-ce que l'entreprise pilote encore ou est-ce qu'elle se fait piloter ? Dans l'épisode 2, on a parlé de responsabilité. Quand l'IA agit, qui assume ? Aujourd'hui, on parle d'un sujet plus profond, la qualité du socle. Parce qu'avant de demander à une IA de décider, d'optimiser ou de recommander, il faut se poser une question très simple. Est-ce que notre entreprise sait vraiment comment elle décide ? Et dans beaucoup de cas, la réponse est non. Elle croit savoir. Mais en réalité, elle fonctionne avec des habitudes, des arrangements, des exceptions, des personnes clés, des validations informelles. L'IA arrive là-dedans et elle demande « Quelles règles dois-je suivre ? » Et parfois, personne ne sait répondre clairement.

• Speaker #1

  Attends, là je veux qu'on soit très concret. Parce que d'être invisible, c'est fort, mais ça peut encore sembler abstrait. C'est quoi dans la vraie vie ?

• Speaker #0

  Très concret. La dette invisible, c'est tout ce qui permet à l'entreprise de fonctionner, mais qui n'est pas clairement écrit, pas clairement partagé, pas clairement piloté. C'est le technicien qui sait qu'une machine fait un bruit étrange 3 jours avant une panne. C'est la responsable finance qui sait qu'un chiffre est bizarre sans pouvoir l'expliquer tout de suite. C'est le manager qui sait qu'un fournisseur est fiable seulement si on appelle la bonne personne. C'est le chef de projet qui sait qu'une validation officielle ne veut rien dire tant que Marc n'a pas dit OK sur WhatsApp. C'est tout ce savoir gris, pas complètement formalisé, pas complètement mesuré, mais indispensable. Et quand on branche de l'IA sans traiter ce savoir gris, on fait semblant que l'entreprise est plus claire qu'elle ne l'est vraiment.

• Speaker #1

  Donc l'IA oblige l'entreprise à arrêter de tricher avec elle-même.

• Speaker #0

  Oui. Elles forcent la réalité à remonter. Et parfois, cette réalité est inconfortable.

• Speaker #2

  Revenons au chantier. Parce que cette histoire montre très bien le problème. Le planning est vert. Pourquoi ? Parce que chaque équipe déclare son avancement dans son propre outil, avec ses propres habitudes. L'équipe grosse œuvre déclare terminé quand son lot est terminé à 95%. L'équipe technique considère que 95% Ce n'est pas utilisable. Le bureau d'études considère qu'une validation envoyée est une validation faite. Le terrain considère qu'une validation n'existe que quand elle est comprise et applicable. Le fournisseur considère qu'une livraison confirmée veut dire prévue, pas forcément garantie. Donc tout le monde utilise les mêmes mots, mais personne ne leur donne exactement le même sens.

• Speaker #1

  Ah oui ! Donc le problème n'est pas seulement la donnée, c'est le langage.

• Speaker #2

  Exactement ! Et c'est beaucoup plus fréquent qu'on ne le croit. Dans une entreprise, des mots comme « validé » , « terminé » , « urgent » , « prioritaire » , « conforme » , « bloquant » , « prévu » , « risque faible » peuvent vouloir dire des choses différentes selon les équipes. L'IA, elle, ne devine pas ces nuances. Elle prend les mots comme des signaux. Donc si le vocabulaire opérationnel est flou, la décision devient floue, même avec un outil très avancé.

• Speaker #0

  Et ça, je l'ai vu dans l'industrie pendant des années. Avant l'IA, déjà, un mot mal défini pouvait créer des écarts énormes. Dans une usine, si la production dit « la pièce est bonne » , la qualité peut répondre « bonne selon quels critères » . Si la maintenance dit « la machine est disponible » , la production peut demander « disponible à quelle cadence » . Si la supply chain dit « la matière est sécurisée » , La direction peut demander, sécuriser pour combien de jours, avec quel fournisseur, avec quel risque. Le Lean nous apprend à rendre les choses visibles, pas pour faire joli, pour que tout le monde voit la même réalité. L'IA a besoin de cette même discipline, sinon elle optimise des mots mal compris.

• Speaker #1

  Et là je pense à un dirigeant qui écoute et qui se dit, mais nous on a des tableaux de bord. Sauf que parfois le tableau de bord est vert parce que personne n'a osé mettre du rouge.

• Speaker #0

  Exactement, et ça c'est une phrase importante. Un indicateur vert. peut cacher une organisation rouge. Deuxième histoire. Cette fois, on n'est plus sur un chantier. On est dans une salle de réunion. Comité de direction. Fin de trimestre. Sur l'écran, une prévision financière générée avec l'aide d'une IA. Le graphique est propre. La courbe est rassurante. Le scénario dit marge stable, trésorerie sous contrôle, risque modéré. Tout le monde respire un peu. Le dirigeant regarde la directrice financière. On va l'appeler Claire. Claire est expérimentée. Elle connaît l'entreprise, elle connaît les cycles, elle connaît les clients qui payent toujours en retard. Elle connaît les commandes qui semblent signées mais qui glissent souvent de deux mois. Elle connaît les coûts qui n'apparaissent jamais au bon moment. Et pourtant, ce jour-là, elle hésite. Parce que le rapport IA est très bien présenté. Il est convaincant, il est clair, il est rapide. Il donne une impression de maîtrise, mais clair sans quelque chose, un inconfort. Pas une preuve, une intuition professionnelle. Elle dit Je ne suis pas à l'aise avec cette prévision. Et quelqu'un dans la salle répond. Mais le modèle a croisé 3 ans de données. Phrase dangereuse. Parce que 3 ans de données ne remplacent pas 30 ans d'expérience Terra.

• Speaker #1

  Là, c'est très intéressant. Parce que l'IA ne fait pas seulement une recommandation. Elle crée une pression sociale. Si le rapport est beau, si les chiffres sont propres, celui qui doute passe presque pour quelqu'un d'archaïque.

• Speaker #2

  Oui, c'est un nouveau risque managérial La fausse autorité de la sortie IA. Un document généré par IA peut sembler plus objectif qu'un humain, simplement parce qu'il est propre, structuré et formulé avec assurance. Mais la forme ne garantit pas la vérité. Elle peut même masquer la fragilité de l'analyse.

• Speaker #0

  Exactement. Et dans l'histoire de Claire, le problème arrive deux semaines plus tard. Un gros règlement attendu n'arrive pas, un contrat glisse. Une hausse de coût fournisseur n'avait pas été correctement intégrée et la marge réelle tombe bien en dessous de la prévision. L'IA n'a pas menti. Elle a travaillé avec des historiques. Mais elle n'a pas compris le contexte vivant. Elle n'a pas compris que tel client avait changé de direction achat, que tel fournisseur était en tension, que tel marché ralentissait, que tel engagement commercial était fragile. Claire, elle, le sentait. Mais l'organisation n'avait pas prévu. comment intégrer ce doute humain dans la décision.

• Speaker #1

  Donc le sujet, ce n'est pas humain contre IA, c'est comment on organise la contradiction entre les deux.

• Speaker #0

  Exactement. La question n'est pas qui a raison, l'IA ou Claire. La vraie question est, quand Claire n'est pas d'accord avec l'IA, que fait le système ? Est-ce qu'on documente l'écart ? Est-ce qu'on challenge les hypothèses ? Est-ce qu'on regarde des signaux faibles ? Est-ce qu'on crée un scénario alternatif ? Est-ce qu'on garde une trace de la décision ? Ou est-ce qu'on dit juste le modèle à parler ? Parce que si on fait ça, on ne fait pas de la décision augmentée. On fait de la décision intimidée.

• Speaker #2

  Et c'est là qu'il faut une méthode. Dans un processus de décision assisté par l'IA, il faut au minimum trois choses. Premièrement, afficher les hypothèses utilisées. Deuxièmement, identifier ce que l'IA ne sait pas. Troisièmement, permettre à l'expertise humaine de contredire le modèle sans être disqualifiée. Sinon, on crée une organisation où l'humain valide par fatigue ou par pression.

• Speaker #1

  C'est très fort ça. L'humain ne valide plus parce qu'il est convaincu. Il valide parce qu'il n'ose plus contredire la machine.

• Speaker #0

  Et c'est dangereux, parce qu'une entreprise performante n'est pas une entreprise où tout le monde est d'accord avec le tableau. C'est une entreprise où les bons désaccords remontent au bon moment.

• Speaker #1

  Je veux qu'on aille sur un angle plus humain, parce que depuis tout à l'heure, on parle de décision, de données, de gouvernance. Mais j'ai une inquiétude. Est-ce qu'à force de demander à l'IA de recommander, résumer, prévoir, planifier, on ne risque pas de perdre une partie du savoir humain ?

• Speaker #0

  Si. et c'est peut-être l'un des risques les plus sous-estimés. Troisième histoire. Une entreprise industrielle a un technicien en maintenance. Appelons-le Karim. Karim n'est pas le plus bavard. Il ne fait pas de grandes présentations PowerPoint. Il n'utilise pas les mots à la mode. Il ne parle pas « transformation digitale » . Mais quand il traverse l'atelier, il entend des choses que les autres n'entendent pas. Un moteur qui force un peu. Une vibration inhabituelle. Une odeur de chaud. Un opérateur qui compense un défaut sans le signaler. Une machine qui produit encore mais qui ne sonne pas comme d'habitude. Karim sait. Pas toujours avec des chiffres, mais il sait. Un jour, l'entreprise installe une solution IA de maintenance prédictive. Très bonne idée. Capteur, historique de panne, analyse des vibrations, alerte automatique. Au début, tout le monde est enthousiaste. Puis progressivement, les jeunes techniciens regardent moins la machine, ils regardent le dashboard. Si l'alerte est verte, il passe. Karim, lui, continue de s'arrêter. Un matin, il dit, cette machine, elle va nous faire un arrêt. Le système ne signale rien. On lui répond, Karim, l'IA ne voit pas de risque. Deux jours plus tard, arrêt machine. Six heures perdues, production décalée, stress, réunion d'urgence. Et là, tout le monde redécouvre que Karim savait quelque chose que le système n'avait pas encore appris.

• Speaker #1

  Ça, c'est presque triste. Parce qu'on voit bien le risque. On ne remplace pas seulement une tâche. On peut abîmer une forme d'attention.

• Speaker #2

  Oui, et dans le Lean, c'est central. Le terrain n'est pas une source secondaire. Le terrain est la source. Les données sont utiles. Les capteurs sont utiles. L'IA est utile. Mais si on coupe l'attention humaine, on perd une partie de la réalité. Le bon système ne doit pas dire « Karim contre l'IA » . Il doit dire Comment l'intuition de Karim devient une donnée d'apprentissage ?

• Speaker #0

  Exactement, et c'est là que l'IA peut être magnifique si elle est bien utilisée. On peut demander à Karim de documenter ses signaux faibles, pas avec un formulaire de 20 lignes, avec quelque chose de simple, une note vocale, une photo, un commentaire, un niveau d'inquiétude, une hypothèse. Ensuite, on relie ça aux événements réels. Est-ce que l'arrêt a eu lieu ? Quand ? Dans quelles conditions ? Quelle cause racine ? Quel signal avait été perçu ? Là, l'IA ne remplace pas l'expérience, elle aide à la transmettre. Et ça change tout.

• Speaker #1

  Donc l'enjeu n'est pas seulement d'automatiser, c'est de capturer le savoir invisible avant qu'il parte à la retraite, qu'il change de poste ou qu'il se fatigue.

• Speaker #0

  Oui, parce qu'une entreprise perd parfois plus de performance quand un carime s'en va que quand un logiciel tombe en panne. Mais ça, ce n'est pas toujours dans les tableaux de bord.

• Speaker #2

  Le piège de la semaine pour moi est clair, confondre données et vérité. Une donnée peut être exacte et pourtant trompeuse. Un planning peut être à jour et pourtant irréaliste. Un indicateur peut être vert et pourtant cacher une tension. Une prévision peut être mathématiquement cohérente et opérationnellement fragile. Un capteur peut ne rien signaler et pourtant une personne expérimentée peut voir un risque. La donnée est un signal, pas une vérité absolue.

• Speaker #1

  Et là, je pense que beaucoup d'entreprises vont devoir apprendre l'humilité. Parce que l'IA donne l'impression que tout devient mesurable. Mais tout ce qui compte n'est pas immédiatement mesurable. La confiance, la fatigue, la peur de dire non, le doute d'un expert, la tension dans une équipe, le client qui ne se plaint pas encore mais commence à partir.

• Speaker #0

  Oui, et c'est pour ça que l'IA doit être branchée sur une organisation qui sait apprendre, pas seulement sur une base de données. Une entreprise apprenante sait écouter les écarts. Elle ne le dit pas, l'indicateur est vert donc tais-toi. Elle dit, tu vois quelque chose que le système ne voit pas encore ? Viens, on regarde. C'est exactement l'esprit Lean. On va au terrain, on observe, on cherche la cause, on standardise ce qui marche, on améliore ce qui bloque. L'IA peut accélérer cette boucle, mais elle ne doit pas l'écraser.

• Speaker #1

  Je sens venir la position impopulaire, vas-y.

• Speaker #0

  Ma position impopulaire est simple. Certaines entreprises devraient ralentir leur projet IA. Pas les arrêter, les ralentir, pour mieux les réussir. Parce que si tu vas trop vite avec une organisation qui ne s'est pas clairement décidée, tu crées de la confusion augmentée. Si tu vas trop vite avec des données non fiables, tu crées de la précision fictive. Si tu vas trop vite avec une culture qui n'écoute pas le terrain, tu crées de l'aveuglement automatisé. Et si tu vas trop vite avec des équipes qui ne comprennent pas le sens, tu crées de la résistance. Pas parce qu'elles sont contre l'IA, mais parce qu'elles sentent que quelque chose leur échappe.

• Speaker #1

  Ça c'est important, parce que souvent, on présente la résistance comme un problème de mentalité, alors que parfois, c'est une alerte. Les gens résistent parce qu'ils voient un risque que le comité projet ne voit pas.

• Speaker #2

  Oui, la résistance peut être une donnée, pas toujours une vérité, mais une donnée. Si une équipe refuse un outil, il faut comprendre pourquoi. Est-ce que l'outil ajoute du travail ? Est-ce qu'il menace une expertise ? Est-ce qu'il rend visible quelque chose qui faisait peur ? Est-ce qu'il impose un standard irréaliste ? Est-ce qu'il a été décidé trop loin du terrain ? Le Lean invite à écouter ce signal, pas à le mépriser.

• Speaker #0

  Exactement. La mauvaise transformation dit « les équipes résistent, il faut les convaincre » . La bonne transformation dit « les équipes résistent, qu'est-ce que le système n'a pas compris ? » Et cette différence est énorme.

• Speaker #2

  Le pari de la semaine ?

• Speaker #0

  Mon pari, d'ici quelques années, les entreprises ne seront pas seulement évaluées sur leur capacité à utiliser l'IA. Elles seront évaluées sur leur capacité à prouver la qualité de leurs décisions augmentées. Pas seulement nous utilisons l'IA, mais voici comment nous décidons avec l'IA. Voici ce que l'IA peut recommander. Voici ce qu'elle ne peut pas décider. Voici comment l'expert humain peut contredire. Voici comment nous apprenons des erreurs. Voici comment nous protégeons le savoir terrain. La maturité IA ne se mesurera pas au nombre d'outils. Elle se mesurera à la qualité du système de décision.

• Speaker #1

  Donc demain, la vraie question ne sera plus « Est-ce que vous avez l'IA ? » et Est-ce que vos décisions sont auditable, compréhensible et améliorable ?

• Speaker #0

  Exactement, et ça c'est beaucoup plus exigeant qu'une démon. Je vais le dire simplement, l'IA ne détruit pas les entreprises désorganisées. Elle leur enlève leurs excuses. Avant on pouvait dire, on ne savait pas, c'est dans la tête de quelqu'un, le fichier n'était pas à jour, on a toujours fait comme ça, ce n'était pas clair. Avec l'IA, ces excuses deviennent dangereuses, parce que l'outil va demander des règles, il va demander des données. Il va demander des responsabilités. Il va demander des limites. Et si vous ne les avez pas, il ne va pas attendre que votre organisation mûrisse. Il va produire quand même. C'est ça le risque. Une IA ne sait pas toujours que votre entreprise n'est pas prête. Elle avance, même quand le seul est fragile.

• Speaker #1

  Alors, révolution ou illusion ? Pour moi, révolution inconfortable. Parce que l'IA peut aider, oui. Mais elle oblige aussi les entreprises à regarder ce qu'elles évitaient de regarder. Les décisions floues. Les indicateurs arrangés, les experts qu'on n'écoute pas assez, les process qui tiennent grâce à trois personnes épuisées. Donc oui, révolution, mais pas confortable.

• Speaker #2

  Pour moi, révolution sous condition. Condition numéro 1, langage commun. Quand on dit « validé » , tout le monde doit comprendre la même chose. Condition numéro 2, données fiables. Pas parfaite, mais suffisamment qualifiée. Condition numéro 3, droit au désaccord humain. L'expert terrain doit pouvoir contredire le modèle. Condition numéro 4, boucle d'apprentissage. Chaque erreur doit améliorer le système. Sans ça, l'IA produit de la confiance artificielle.

• Speaker #0

  Moi je dirais révolution pour les entreprises qui acceptent d'apprendre, illusion pour celles qui veulent seulement paraître modernes. Parce que le vrai sujet n'est pas d'avoir une IA brillante, le vrai sujet c'est d'avoir une organisation capable de comprendre, challenger. et améliorer ce que l'IA produit. L'IA ne remplace pas l'intelligence collective, elle la teste. Et parfois elle révèle qu'elle n'était pas aussi collective qu'on ne pensait. Si vous devez retenir une seule idée de cet épisode, retenez celle-ci. L'IA ne crée pas la maîtrise. Elle révèle le niveau réel de maîtrise de votre entreprise. Elle révèle si vos décisions sont claires, si vos données sont fiables, si vos équipes partagent le même langage, si vos experts sont écoutés, si vos processus tiennent par méthode ou par habitude, si votre organisation apprend vraiment de ses erreurs. Avant de brancher l'IA sur une décision, posez-vous 5 questions. Première question, sur quelles règles cette décision repose-t-elle ? Deuxième question, qui comprend vraiment cette règle ? Troisième question, quelles données peut la fausser ? Quatrième question, quel humain a le droit de contredire l'IA ? Cinquième question, comment allons-nous apprendre si la décision est mauvaise ? C'est là que commence la vraie transformation. Pas dans l'outil, pas dans le prompt. pas dans la promesse, dans la qualité du système qui entoure l'IA. Chez Evoline, notre conviction est simple. L'IA doit aider les entreprises à simplifier, structurer et mieux décider, pas à masquer leur fragilité derrière des tableaux de bord plus jolis. Parce que demain, les entreprises les plus fortes ne seront pas celles qui auront l'IA la plus impressionnante. Ce seront celles qui auront les décisions les plus claires, les équipes les mieux alignées et les systèmes les plus capables d'apprendre. Dans le prochain épisode, on ouvrira une question encore plus sensible. Que se passe-t-il quand l'IA ne se contente plus d'aider à décider, mais commence à influencer la manière dont les humains pensent, priorisent et obéissent ?