Lorsqu’un conseil d’administration dit à un PDG « Nous avons besoin de plus d’IA », et que le PDG répond en engageant un consultant pour un projet centralisé que personne ne comprend—pour finalement le voir échouer—le vrai problème n’est pas la technologie elle-même. C’est le chaos des systèmes hérités, des workflows mal alignés et des présupposés non-dits sur la manière dont l’IA s’intègre dans les entreprises. Les grandes organisations avec des milliers d’employés ou des décennies d’histoire ne sont pas simplement des « vieux logiciels » ; ce sont des toiles emmêlées de permissions, de silos de données et de processus dépendants des humains que l’IA ne peut pas démêler comme par magie. Comme l’a souligné un dirigeant, « toute entreprise d’un millier de personnes ou plus n’est qu’une masse de choses qui attendent d’être intégrées. Et on ne peut pas simplement dire qu’elles vont s’intégrer. L’IA n’aide en réalité à rien intégrer. » Cette inadéquation entre l’enthousiasme de Silicon Valley et la réalité des entreprises crée un fossé où les conseils exigent une transformation, les PDG déploient des solutions bâclées, et les ingénieurs font face à des systèmes si complexes que chaque mise à jour ou incident de sécurité semble être une crise.

La vérité la plus surprenante ? L’IA ne réduit pas les emplois—elle en crée de nouveaux en ajoutant des couches de complexité. Prenons le mythe selon lequel « plus de code signifie moins d’ingénieurs ». En réalité, chaque nouvelle ligne de code ou fonctionnalité générée par l’IA multiplie les besoins de maintenance, les risques de sécurité et les défis de débogage. Lorsque l’équipe d’Aaron Levy a construit une fonctionnalité en utilisant l’IA pour 80 à 90 % du code, le véritable goulot d’étranglement n’était pas le développement—c’étaient les revues de sécurité effectuées par des humains. De même, les comptables pensaient un temps que les ordinateurs les remplaceraient, mais au lieu de cela, ces outils ont rendu la comptabilité plus complète et nuancée, faisant émerger des rôles entièrement nouveaux. Comme l’a noté un panéliste, « Le concept le plus drôle selon lequel plus nous écrivons de code, moins nous aurions besoin d’ingénieurs est l’inverse, car maintenant vos systèmes sont encore plus complexes qu’avant. » Ce n’est pas seulement une question de tech—les avocats, les agriculteurs et les manufacturiers adoptent tous l’IA pour résoudre des problèmes qui nécessitent un jugement humain, créant une demande pour des spécialistes capables de guider et d’interpréter les résultats de l’IA.

Au cœur de cette transition se trouve un changement fondamental dans notre manière de penser l’IA elle-même. Ce n’est pas seulement un autre outil logiciel ; c’est un nouveau type d’utilisateur qui se comporte plus comme un humain qu’une machine. Le passage de Salesforce à des APIs « headless » semble logique, mais en pratique, les agents doivent souvent naviguer dans des interfaces de navigateur complètes car les mesures anti-scraping bloquent l’accès automatisé—exactement comme un humain le ferait. Le véritable travail pour les entreprises n’est pas de construire des index sophistiqués pour l’IA ; c’est de repenser les permissions, les workflows et les protocoles de sécurité pour traiter les agents comme des pairs avec leurs propres identités. Cela signifie que les entreprises ne peuvent pas simplement jeter l’IA sur des systèmes hérités et espérer le meilleur. Elles doivent moderniser l’infrastructure, repenser la manière dont les données sont exposées, et accepter que les agents feront remonter des risques (comme un « accès non autorisé » dans les files d’attente de service client) que les humains géraient auparavant grâce à des relations informelles. Comme l’a observé un expert, « Si le système ne fonctionne pas et que vous êtes redirigé vers un autre humain, les agents se heurteront au même mur—car ils ne savent pas à qui taper sur l’épaule. »

Surprising Insights

• L’IA ne résout pas l’intégration—elle l’expose. Les entreprises héritées ne sont pas cassées ; elles sont simplement bloquées dans un état de « dette d’intégration massive » où aucune quantité d’IA ne peut contourner le besoin de contexte, de permissions et de construction de relations entre systèmes, à la manière humaine.


• Plus de code IA = plus de complexité, pas moins d’ingénieurs. Les systèmes deviennent plus difficiles à maintenir, sécuriser et déboguer, créant plus de rôles pour les ingénieurs capables de diagnostiquer, mettre à niveau et gérer l’entropie que l’IA introduit.


• Les incitations basées sur les jetons favorisent une fausse productivité. Les entreprises qui mesurent l’utilisation de l’IA par « jetons traités » voient des employés tromper les systèmes pour générer des résultats inutiles juste pour atteindre leurs quotas—ce qui prouve que des mesures erronées se retournent de manière spectaculaire.


• Les agents ont souvent besoin d’utiliser des interfaces complètes, pas des APIs. Les sites web avec des mesures anti-scraping et des workflows centrés sur l’humain obligent les agents à naviguer dans des interfaces basées sur un navigateur (comme Safari) plutôt que dans des outils sans interface—ce qui rend les modèles « SaaS headless » naïfs.


• Les craintes pour l’emploi sont rétrospectives. Chaque perturbation technologique historique (ordinateurs pour les comptables, machines à écrire pour les avocats) a augmenté la complexité et la demande d’emplois, pas supprimé des rôles—l’IA accélère ce schéma, elle ne l’inverse pas.

Practical Takeaways

• Commencez par la découverte d’informations, pas par l’automatisation. Au lieu d’essayer de remplacer des workflows entiers, utilisez l’IA pour rechercher dans des données fragmentées (par exemple, « trouver tous les documents liés au projet X ») avant d’envisager des actions comme des approbations—cela construit la confiance et révèle les lacunes dans la structure de votre système.


• Traitez les agents comme des utilisateurs uniques avec des permissions personnalisées. Ne réutilisez pas les identifiants humains—donnez à chaque agent sa propre identité et droits d’accès, en miroir de la manière dont vous intégreriez un nouvel employé, pour éviter les risques de sécurité et les ruptures de workflow.


• Mesurez les bonnes choses, pas les sorties. Suivez les résultats comme « temps de résolution réduit pour les incidents de sécurité » ou « taux de récupération de données précises », pas les jetons traités ou les lignes de code générées—cela évite l’inflation artificielle de la productivité.


• Modernisez l’infrastructure avant de monter en charge l’IA. Testez comment vos systèmes gèrent des pics de trafic 10 à 100 fois supérieurs provenant des agents avant un déploiement complet, car les bases de données ou APIs héritées s’effondreront sous un volume inattendu.


• Adoptez le « humain dans la boucle ». Concentrez-vous sur les domaines où l’IA gère les tâches fastidieuses (par exemple, scanner des milliers d’enregistrements pour détecter des anomalies) tandis que les humains se concentrent sur la stratégie, le jugement et le contexte—cela maintient les gains de productivité réalistes (2 à 3 fois, pas 10 fois) et durables.