Tous les problèmes ne nécessitent pas d’IA

Abdulrhman AlOdhayb travaille dans les domaines de la technologie et de la transformation au sein d’un environnement institutionnel complexe. Il est conseiller principal en technologie auprès du cabinet du ministre de la Défense en Arabie saoudite.

Nous nous sommes entretenus avec Abdulrhman afin d’en savoir plus sur les possibilités et les écueils liés à l’adoption de l’IA dans des environnements complexes où les enjeux sont élevés. Voici ce qu’il nous a dit.

La technologie n’est jamais la partie la plus difficile

Je suis Abdulrhman Alodhayb, cadre dirigeant dans les domaines de la technologie et de la transformation, avec 19 années d’expérience en leadership au sein de l’un des environnements institutionnels les plus complexes que l’on puisse imaginer : la défense nationale. Cela fait près de vingt ans que je travaille au ministère de la Défense d’Arabie saoudite, où j’ai dirigé la transformation numérique de la santé et l’architecture d’entreprise et où j’occupe plus récemment le poste de conseiller principal en technologie auprès du cabinet du ministre de la Défense.

Ma carrière s’est construite à une intersection que la plupart des responsables technologiques rencontrent rarement — là où les décisions d’ingénierie ont des implications en matière de sécurité nationale, où l’alignement des parties prenantes consiste à faire le lien entre les structures de commandement militaires, les systèmes cliniques et les plateformes d’entreprise, et où le coût d’une transformation échouée se mesure non pas en pertes de revenus, mais en confiance institutionnelle et en capacité opérationnelle.

Le fil conducteur de tout cela a été une conviction unique : la technologie n’est jamais la partie la plus difficile. La véritable difficulté consiste à créer les conditions organisationnelles permettant à la technologie de générer de la valeur. J’ai conçu des stratégies TIC pour des hôpitaux, contribué avec BCG à la refonte d’un modèle opérationnel cible à l’échelle du ministère et piloté des initiatives numériques à l’échelle de l’entreprise, dans des contextes où l’échec n’était tout simplement pas envisageable.

Aujourd’hui, alors que l’intelligence artificielle passe de l’expérimentation au cœur de l’architecture des systèmes, du développement logiciel et de l’accompagnement organisationnel, je me trouve au moment le plus intéressant de ma carrière. Je m’intéresse surtout à des questions qui ne portent pas sur la technologie elle-même, mais sur la manière dont les dirigeants développent le discernement, la gouvernance et des architectures résilientes permettant à l’IA d’accélérer la mise en œuvre sans compromettre la qualité ni la sécurité.

C’est de cela que je suis ici pour parler.

Travailler au niveau stratégique

Le parc technologique sur lequel je travaille est considérable à tous points de vue. Nous exploitons des systèmes à l’échelle de l’entreprise couvrant les hôpitaux militaires, les plateformes de commandement et de contrôle, l’infrastructure de communications unifiées et les cadres de données de la défense nationale. L’architecture est intrinsèquement hybride : des déploiements souverains sur site, où la localisation des données et la classification de sécurité sont non négociables, intégrés à des plateformes modernisées sur lesquelles nous menons activement la transformation numérique.

Je travaille au niveau stratégique, en fournissant des conseils au niveau ministériel, en dirigeant les fonctions de PMO et de gestion stratégique des systèmes informatiques, et en alignant les feuilles de route technologiques entre plusieurs directions et unités organisationnelles. La complexité humaine rivalise avec la complexité technique. Coordonner une transformation au sein d’une main-d’œuvre militaire et civile à plusieurs niveaux, dont chaque composante possède une culture opérationnelle et une tolérance au risque différentes, constitue en soi une discipline.

La complexité des produits est différente ici de celle de la technologie commerciale. Nous ne livrons pas de fonctionnalités. Nous repensons le fonctionnement d’une institution nationale. Cela comprend les systèmes de dossiers médicaux électroniques d’un réseau d’hôpitaux militaires, les plateformes de ressources d’entreprise et, plus récemment, notre contribution à un modèle opérationnel cible à l’échelle du ministère, qui réinvente la manière dont la technologie structure et rend possible l’ensemble de l’entreprise de défense.

Le modèle de déploiement est nécessairement axé sur la souveraineté. La sécurité, la classification et la gouvernance nationale des données ne sont pas des contraintes que nous contournons. Elles constituent l’architecture. Cette réalité façonne ma conception de la résilience, de la redondance et de ce à quoi ressemble une adoption responsable de l’IA lorsque les enjeux sont nationaux plutôt que commerciaux.

Comment l’IA rend visible l’invisible

Abdulrhman partage

Nous avons modifié la couche de gouvernance elle-même. Nous avons introduit une analyse assistée par l’IA dans le processus d’évaluation des programmes…Cela n’a pas remplacé le jugement humain. Cela a donné aux décideurs une vision plus riche et plus rapide de la réalité organisationnelle…

L’année dernière, j’ai introduit des points de contrôle de gouvernance fondés sur l’IA dans notre cycle d’évaluation des programmes technologiques. Avant ce changement, les évaluations de programmes se concentraient sur les indicateurs traditionnels de livraison : respecter les étapes clés, suivre les budgets et consigner les risques. Le processus était rigoureux, mais intrinsèquement tourné vers le passé. Nous mesurions ce qui s’était déjà produit au lieu d’anticiper ce qui pouvait mal tourner.

Le changement s’est produit lorsque j’ai constaté que plusieurs programmes d’entreprise généraient d’énormes volumes de données structurées et non structurées — à travers la documentation des projets, les communications avec les fournisseurs, les demandes de modification et les rapports opérationnels — mais que personne ne synthétisait ces informations pour éclairer les décisions de la direction en temps réel. Nous traitions ces informations comme des archives.

Nous avons changé la couche de gouvernance elle-même. Nous avons introduit une analyse assistée par l’IA dans le processus d’examen des programmes, en utilisant les capacités des modèles de langage pour synthétiser la documentation interprogrammes, faire ressortir les anomalies dans les modèles de livraison et générer des indicateurs d’alerte précoce avant qu’ils ne deviennent des sujets d’escalade. Cela n’a pas remplacé le jugement humain. Cela a fourni aux décideurs une vision plus riche et plus rapide de la réalité organisationnelle, leur permettant d’exercer leur jugement au moment et au niveau appropriés.

Les résultats ont été significatifs. Les cycles d’examen sont devenus plus ciblés, car la direction arrivait avec une vision préalablement synthétisée des domaines nécessitant réellement son attention, au lieu de consacrer la première moitié de chaque session à reconstituer la situation à partir de rapports bruts. Plus important encore, nous avons détecté deux risques importants liés aux programmes plus tôt que ne l’aurait permis notre processus traditionnel, ce qui a permis d’intervenir avant l’impact plutôt que de réagir après coup.

Cette expérience a renforcé un principe auquel je tiens désormais fermement : l’IA ne transforme pas les organisations en remplaçant les processus. Elle les transforme en rendant visible ce qui ne l’était pas et en donnant aux dirigeants la clarté nécessaire pour agir avec précision plutôt que de réagir dans l’urgence.

Domaines dans lesquels les équipes techniques devraient utiliser l’IA

La frontière entre les décisions éclairées par l’IA et celles qui relèvent de l’humain n’est pas figée. Elle évolue à mesure que la confiance s’installe, que les capacités mûrissent et que les enjeux de chaque domaine décisionnel deviennent plus clairs.

Dans mon environnement, je m’appuie activement sur l’IA pour éclairer ou alimenter le travail technique dans plusieurs domaines. L’un d’eux est la synthèse documentaire et l’intelligence interprogrammes. Au-delà de cela, je m’appuie sur l’IA pour soutenir l’analyse des modèles d’architecture, en évaluant notamment si les solutions proposées sont conformes aux normes établies de l’entreprise ou si elles introduisent une dette technique qui s’accumulera au fil du temps. L’IA peut désormais faire ressortir en quelques heures ce qui nécessitait auparavant plusieurs jours d’examen par un architecte principal — non pas comme verdict final, mais comme contribution structurée qui affine l’examen humain qui suit.

J’utilise également beaucoup l’IA au niveau de la planification stratégique : synthèse des évaluations du paysage technologique, comparaison avec les meilleures pratiques mondiales et élaboration de la structure analytique des feuilles de route et des modèles opérationnels cibles. Lorsque le volume d’informations à traiter est élevé et que le temps de synthèse est limité, l’IA offre une valeur disproportionnée.

Du côté de la sécurité, la surveillance et la détection des anomalies éclairées par l’IA sont devenues une attente de base, et non plus une innovation. La reconnaissance des schémas à la vitesse et à l’échelle qu’exigent les environnements modernes de menaces dépasse tout simplement les capacités humaines sans assistance. Ici, je fais confiance à l’IA pour faire ressortir et signaler. Je ne lui fais pas confiance pour conclure ou intervenir.

Domaines dans lesquels les tâches doivent rester humaines

Tout ce qui a des conséquences institutionnelles reste explicitement humain. Les décisions d’architecture qui façonneront l’organisation pendant cinq à dix ans restent sous la responsabilité des humains. L’analyse de l’IA les éclaire, mais les personnes qui comprennent le contexte organisationnel, les dynamiques politiques et les implications à long terme portent finalement un jugement d’une manière dont aucun modèle n’est actuellement capable. Les décisions de réponse aux incidents qui affectent la continuité opérationnelle, en particulier dans un environnement de défense, nécessitent une autorité de commandement humaine. La responsabilité ne peut pas être automatisée.

Les décisions concernant les fournisseurs et les partenariats restent humaines. L’évaluation de la confiance, de l’alignement des valeurs et de l’adéquation organisationnelle à long terme nécessite un jugement humain qui va bien au-delà de ce que l’IA peut évaluer de manière fiable aujourd’hui.

Et la gouvernance elle-même reste humaine. Je suis profondément prudent face à toute organisation qui permettrait à l’IA de gouverner l’IA. Les personnes pouvant être tenues responsables des résultats doivent être responsables de la supervision, des points de contrôle éthiques et des décisions concernant les domaines dans lesquels l’IA doit ou ne doit pas intervenir.

Mon principe de fonctionnement est le suivant : je fais confiance à l’IA pour élargir le champ du jugement humain, jamais pour remplacer le jugement lui-même. Dès qu’une organisation confond les deux, elle n’a pas adopté l’IA. Elle a simplement externalisé sa responsabilité.

Les résultats positifs de l’intégration de l’IA

Du côté positif, l’intégration de l’IA dans nos flux de travail a amélioré de manière particulièrement mesurable l’efficacité du cycle d’examen des programmes. Après avoir introduit la synthèse assistée par l’IA dans notre processus de gouvernance, les dirigeants ont consacré environ 60 % de temps en moins à reconstituer l’état d’avancement des projets à partir de la documentation brute lors de chaque session d’examen. Ce n’est pas un chiffre négligeable dans un environnement où les décideurs principaux travaillent simultanément sur plusieurs programmes. Nous avons effectivement rendu des heures d’attention aux dirigeants à chaque cycle, en les réorientant vers le jugement et l’intervention plutôt que vers la reconstitution de l’état d’avancement.

Le deuxième résultat mesurable concernait la détection des risques. Comme je l’ai mentionné précédemment, nous avons identifié deux risques importants liés aux programmes plus tôt que ne l’aurait permis notre processus d’examen traditionnel. Dans les deux cas, le délai entre la détection précoce et un impact significatif sur la livraison se comptait en semaines. Dans un environnement commercial, cela se traduit par une réduction des coûts. Dans un environnement de défense, cela se traduit par une disponibilité opérationnelle — un chiffre plus difficile à quantifier, mais aux conséquences bien plus importantes.

Dans la planification stratégique, l’intégration de l’IA a réduit d’environ 70 % le temps nécessaire à la production des premières ébauches d’évaluations technologiques et de la structure initiale des feuilles de route. Cela ne signifie pas que le résultat final nécessitait 70 % d’efforts en moins. Cela signifie que l’effort humain est passé de la génération au jugement, de la rédaction à la révision, de la synthèse à la validation. La qualité des résultats s’est améliorée parce que les esprits les plus expérimentés consacraient leur temps à ce qui nécessitait leur expertise plutôt qu’à ce qui était mécanique.

Les résultats négatifs de l’intégration de l’IA

Abdulrhman partage

Le premier défi concernait l’adoption. Le deuxième, la constance de la qualité des résultats. La troisième leçon, et la plus importante, portait sur les attentes…

Abordons maintenant honnêtement ce qui a moins bien fonctionné que prévu — car la communauté des dirigeants technologiques est mal servie par les récits qui ne font que célébrer les réussites.

Le premier défi concernait l’adoption. Dans un vaste environnement institutionnel aux cultures opérationnelles profondément ancrées, introduire l’IA dans les flux de travail n’est pas un problème technologique. C’est un problème de conduite du changement. Nous avons connu des programmes dans lesquels nous avions déployé les outils et accordé les accès, mais où la capacité est restée largement inutilisée parce que nous n’avions pas repensé les systèmes humains qui l’entouraient — les incitations, les habitudes et la confiance — afin de les adapter. L’adoption technologique sans adoption comportementale n’est qu’un logiciel coûteux laissé sur une étagère.

Le deuxième défi concernait la constance de la qualité des résultats. Lors des premiers déploiements, nous avons constaté une variation importante de la qualité des analyses générées par l’IA en fonction de la qualité et de la structure des données d’entrée. Le principe « des données erronées en entrée produisent des résultats erronés » n’est pas nouveau, mais l’IA donne aux erreurs une apparence plus autoritaire. Une invite mal structurée qui produit un résultat bien formaté mais analytiquement faible est, à certains égards, plus dangereuse qu’une page blanche, car elle crée une fausse confiance. Nous avons appris à investir massivement dans la rigueur des invites et la gouvernance des données d’entrée avant de faire confiance aux résultats dans des contextes à forts enjeux.

La troisième leçon, et la plus importante, portait sur les attentes. Les organisations qui présentent l’intégration de l’IA comme un exercice de réduction des coûts obtiennent généralement des résultats décevants, car elles optimisent le mauvais objectif. Les organisations — y compris nos propres programmes — qui ont constaté un véritable impact ont présenté l’IA comme un amplificateur de capacités. La question n’était pas : « Comment pouvons-nous accomplir le même travail avec moins de personnes ? » Elle était : « Comment pouvons-nous réaliser un travail qui était auparavant impossible, ou l’accomplir à un niveau de qualité que nos ressources ne permettaient pas d’atteindre auparavant ? »

Cette nouvelle perspective fait la différence entre l’IA comme outil d’efficacité et l’IA comme levier de transformation. Et, d’après mon expérience, seule la seconde version produit des résultats qui méritent d’être évoqués.

Pourquoi l’intégration de l’IA ne répond pas aux attentes dans les environnements complexes

L’écart entre ce que l’IA promet lors d’une présentation en salle du conseil et ce qu’elle fournit au sein d’un environnement institutionnel complexe reste important, et prétendre le contraire dessert la profession.

Nous avons surtout constaté que l’IA ne répondait pas aux attentes en matière d’intelligence d’intégration intersystèmes. Au vu de ce que la technologie avait démontré dans des environnements contrôlés, nous nous attendions raisonnablement à ce que l’IA puisse servir de couche d’orchestration intelligente entre nos plateformes d’entreprise, en comprenant les relations entre les systèmes, en identifiant les défaillances d’intégration avant qu’elles ne se propagent et en recommandant des mesures correctives en temps réel.

Nous avons découvert que l’IA est extraordinairement performante au sein de domaines bien définis et bien documentés, mais extraordinairement peu performante aux frontières désordonnées, sous-documentées et politiquement complexes entre les systèmes d’entreprise des grandes institutions. Aucun document ne contient les connaissances nécessaires pour naviguer à ces frontières. Elles résident dans les personnes, dans les relations et dans la mémoire institutionnelle accumulée au fil des années. L’IA n’avait pas accès à ces connaissances et ne disposait d’aucun moyen fiable de les acquérir au rythme dont nous avions besoin.

L’IA a également donné des résultats insuffisants dans les interfaces en langage naturel destinées aux utilisateurs non techniques. La théorie était convaincante : fournir au personnel opérationnel et aux cadres dirigeants une interface conversationnelle donnant accès aux données de l’entreprise, afin d’éliminer la dépendance à l’égard d’intermédiaires techniques pour chaque requête et chaque rapport. En pratique, l’écart entre la manière dont les utilisateurs non techniques expriment naturellement leur intention et la manière dont les systèmes d’IA interprètent cette intention de façon fiable s’est révélé bien plus important que prévu. Les utilisateurs ont été frustrés lorsque les résultats ne correspondaient pas à leurs attentes, et la frustration, dans une grande institution, ne crée pas de boucles de rétroaction. Elle entraîne l’abandon. Nous nous sommes retrouvés avec une capacité qui fonctionnait bien pour les utilisateurs à l’aise avec la technologie, mais mal pour la population plus large qu’elle était censée servir, ce qui est précisément l’inverse de ce qu’exige une transformation.

Le troisième domaine concerne le raisonnement appliqué aux documents stratégiques. Nous nous attendions à ce que l’IA puisse travailler de manière pertinente avec les documents de politique et de stratégie longs, fortement contextuels et souvent ambigus, qui constituent l’épine dorsale du processus décisionnel des grandes institutions gouvernementales. Nous avons constaté que l’IA peut résumer ces documents correctement, mais qu’elle éprouve des difficultés à raisonner au travers de plusieurs d’entre eux, à repérer les contradictions réelles entre une politique rédigée dans une direction et une norme adoptée dans une autre, à comprendre le poids politique d’une clause particulière ou à reconnaître lorsqu’une recommandation techniquement correcte est institutionnellement impossible. Ce niveau de discernement, qui rend un conseil stratégique utile plutôt que simplement exact, est resté obstinément humain.

Enfin, je veux évoquer un aspect qui apparaît rarement dans les études de cas des fournisseurs : l’IA n’a pas permis d’atteindre la vitesse d’apprentissage organisationnel que nous avions anticipée. Nous pensions qu’à mesure que l’organisation adopterait des outils d’IA, elle développerait plus rapidement une intelligence collective, et que les enseignements mis au jour par l’IA dans un programme se diffuseraient naturellement et amélioreraient la prise de décision dans les autres programmes. En réalité, les enseignements issus de l’IA sont restés cloisonnés au sein des équipes qui les avaient produits, car les structures organisationnelles, les mécanismes de partage des connaissances et les normes culturelles en matière de documentation et de transparence n’avaient pas évolué pour recueillir et diffuser ce que l’IA produisait. La technologie a généré davantage de signaux que l’organisation ne savait en absorber.

Je partage tout cela non pas comme une critique du potentiel de l’IA, qui reste selon moi considérable, mais comme un rappel : chacune des lacunes que je viens de décrire est un problème de systèmes humains portant un costume technologique.

Un flux de travail utilisant l’IA pour optimiser l’évaluation des programmes stratégiques

Je vais vous présenter un flux de travail qui compte parmi les plus utiles dans ma pratique actuelle : l’évaluation de programmes stratégiques augmentée par l’IA. Je vais le décrire de bout en bout, car sa valeur ne réside pas dans une étape particulière, mais dans la manière dont les étapes s’articulent.

Ce flux de travail se déclenche généralement lorsqu’un programme atteint un jalon décisionnel critique. Dans notre environnement, il peut s’agir d’une migration majeure d’une plateforme d’entreprise, du déploiement d’un système de santé numérique dans un réseau d’hôpitaux militaires ou d’un examen de l’architecture d’entreprise lié à la refonte d’un modèle opérationnel cible. Il s’agit de programmes pour lesquels la décision entraîne des conséquences sur plusieurs années et dont les données d’entrée sont volumineuses, hétérogènes et chargées d’enjeux politiques.

Le flux de travail commence par l’agrégation structurée des données d’entrée. Avant que l’IA n’intervienne dans l’analyse, mon équipe sélectionne soigneusement les données : elle rassemble la documentation du programme, les propositions des fournisseurs, les dossiers d’architecture technique, les conclusions des examens précédents, les cadres réglementaires pertinents et les documents présentant la position des parties prenantes au sein d’un corpus structuré. Cette étape est entièrement humaine et entièrement intentionnelle. La qualité des résultats produits par l’IA en aval est directement proportionnelle à la qualité et à la structure de ses données d’entrée en amont. Nous avons appris cette leçon à nos dépens lors des premiers déploiements et considérons désormais la gouvernance des données d’entrée comme une discipline non négociable.

Ensuite, nous procédons à une synthèse assistée par l’IA. Nous soumettons le corpus sélectionné à un modèle de langage au moyen d’une architecture d’instructions soigneusement conçue, qui pose des questions analytiques précises plutôt que de demander un résumé général. Nous ne demandons pas au modèle de nous dire ce que contiennent les documents. Nous lui demandons plutôt de repérer les contradictions entre les objectifs énoncés et les architectures proposées, de faire ressortir les hypothèses avancées mais non étayées, de signaler les dépendances qui apparaissent dans un document mais sont absentes d’un autre et de mettre en évidence les schémas de risque correspondant à des profils dont nous avons déjà constaté l’échec dans des programmes précédents. Le résultat est une note analytique structurée, et non un résumé.

La troisième étape, la plus humaine, est l’examen critique et la recontextualisation. Un conseiller principal — dans la plupart des cas, moi-même ou un responsable technique de confiance — lit la note produite par l’IA non pas comme une conclusion, mais comme un point de départ pour l’interroger. Nous nous demandons : qu’a mis au jour le modèle que nous n’avions pas formulé consciemment ? Qu’a-t-il manqué et que nous savons grâce à notre expérience institutionnelle ? Où est-il techniquement correct, mais institutionnellement naïf ? Ici, les dix-neuf années passées à travailler dans cet environnement apportent une valeur qu’aucun modèle ne peut reproduire. La note de l’IA affine les questions. Le jugement humain fournit les réponses.

La quatrième étape consiste à préparer la décision. Nous utilisons les informations validées lors de l’examen humain pour construire le dossier de décision destiné aux dirigeants : cadrer la décision, présenter les options avec leurs véritables compromis, détailler les risques avec une probabilité et un impact réalistes, et formuler la recommandation en explicitant ses hypothèses. Comme la synthèse par l’IA prend en charge le travail mécanique de traitement du corpus, cette étape est plus rapide et plus riche qu’un processus entièrement manuel. Les dirigeants arrivent au jalon de décision avec une vision plus claire et des questions plus ciblées.

La cinquième étape est la capture des résultats, là où la plupart des organisations échouent. Une fois la décision prise et le programme lancé, nous documentons non seulement ce qui a été décidé, mais aussi ce que l’analyse de l’IA a mis en évidence et qui s’est avéré exact, ce qu’elle a manqué, ainsi que les hypothèses qu’elle a formulées et qui se sont révélées erronées. Ces retours ne sont pas stockés dans un dossier ; ils sont réintégrés à notre architecture de prompts et à nos normes de gouvernance des données d’entrée pour le programme suivant. Le processus s’améliore à chaque itération, car nous considérons chaque exécution comme une occasion d’apprentissage.

Ce processus a eu un impact significatif et mesurable. Il a réduit d’environ 65 % la durée des cycles d’évaluation des principaux programmes. Il a amélioré la profondeur de l’identification des risques, en faisant ressortir les problèmes plus tôt dans le processus décisionnel au lieu de les découvrir pendant l’exécution. Et, plus important encore, il a élevé la qualité des échanges entre dirigeants lors des jalons de décision, car ceux-ci consacrent leur temps à de véritables arbitrages plutôt qu’à reconstituer la situation à partir d’informations brutes.

Je tiens à souligner la philosophie qui sous-tend la conception de ce processus. L’IA ne prend aucune décision à elle seule ; elle traite, synthétise et met en évidence. Chaque jugement, chaque validation et chaque recommandation restent humains.

Comment éviter les écueils liés à l’adoption de l’IA

Abdulrhman partage

J’ai appris que, sur un terrain véritablement nouveau, l’honnêteté intellectuelle face à l’incertitude n’est pas une faiblesse du leadership. C’est une condition préalable pour instaurer la confiance qui permet aux équipes de tenir dans ces moments inévitables où le chemin s’avère plus difficile que ne l’avait anticipé le plan.

Le système immunitaire organisationnel existe bel et bien, il est puissant et s’active plus rapidement qu’aucun outil d’IA ne peut être déployé. Toute grande institution a développé, au fil des années et des décennies, des mécanismes informels qui résistent aux changements menaçant les structures de pouvoir existantes, les processus établis et les identités professionnelles. Je le comprenais intellectuellement avant de commencer, mais j’ai sous-estimé la précision et la rapidité avec lesquelles ces mécanismes réagiraient à l’IA.

Lorsque les collaborateurs ont compris que les outils d’IA ne modifiaient pas seulement la manière dont le travail était effectué, mais aussi les personnes qui détenaient de la valeur au sein de l’organisation, la résistance ne s’est pas exprimée par une opposition, mais par une conformité sans adoption. Les équipes accédaient aux outils sans les utiliser. Elles recevaient les résultats sans agir en conséquence. Les processus étaient officiellement mis à jour, mais les comportements restaient inchangés. Dans une grande institution, la résistance passive est presque invisible jusqu’à ce que l’on mesure les résultats. Au moment où les mesures révèlent le problème, des mois de dynamique ont été perdus.

À ce propos, j’aurais aimé savoir à quel point le cadrage du déploiement allait façonner durablement sa réception. Lors de nos premiers déploiements, nous avons commis une erreur de communication que je considère comme l’une des plus lourdes conséquences de cette initiative. Pour obtenir le soutien des dirigeants et justifier l’investissement, nous avons présenté les outils d’IA sous l’angle de l’efficacité : plus rapides, plus légers, plus productifs.

Ce cadrage était exact dans un sens technique limité, mais profondément contre-productif sur le plan humain. Lorsque les collaborateurs entendent parler d’efficacité dans le contexte du déploiement d’un nouvel outil au sein de leur équipe, ils pensent aux effectifs. Ils entendent que la nécessité de leur poste est évaluée. Ils utilisent l’outil non pas comme quelque chose qui améliorera leur travail, mais comme quelque chose qui pourrait rendre leur poste superflu. La posture défensive créée par ce cadrage a pris des mois à être déconstruite et ne s’est jamais complètement dissipée dans certaines parties de l’organisation.

Et, sur le plan personnel, je sais maintenant que j’aurais dû être plus transparent avec mes équipes au sujet de mes propres incertitudes. J’ai entamé ce parcours avec davantage de confiance dans la justesse de mon orientation que dans ma connaissance opérationnelle de la manière dont l’IA se comporterait dans notre contexte institutionnel spécifique. Je savais que la destination était la bonne. Je ne connaissais pas entièrement le chemin. Dans mon effort pour afficher la confiance en soi qu’exigent les grands programmes, j’ai parfois communiqué une certitude que je ne possédais pas, créant ainsi des attentes que la réalité a ensuite compliquées. J’ai appris que, sur un terrain véritablement nouveau, l’honnêteté intellectuelle face à l’incertitude n’est pas une faiblesse du leadership. C’est une condition préalable pour instaurer la confiance qui permet aux équipes de tenir dans ces moments inévitables où le chemin s’avère plus difficile que ne l’avait anticipé le plan.

Pourquoi l’IA exige un nouveau type de dirigeant technologique

L’ère de l’IA dévalorise systématiquement un profil particulier de dirigeant technologique : l’expert qui a accumulé des connaissances techniques approfondies au fil d’années d’étude et de pratique disciplinées, établi son autorité par sa maîtrise et dirigé en étant la personne la plus compétente de la salle. Ce profil a dominé le leadership technologique pendant des décennies et produit des résultats extraordinaires lorsque la connaissance constituait le principal goulot d’étranglement et l’expertise, l’avantage concurrentiel. L’IA ne fait pas disparaître ce profil du jour au lendemain. Mais elle en érode les fondements plus rapidement que la plupart des personnes correspondant à ce profil ne veulent l’admettre, et les institutions qui dépendent de ce profil sans développer son successeur accumulent un risque managérial qu’elles n’ont pas encore identifié.

Le profil qu’exige l’ère de l’IA est fondamentalement différent. L’ère de l’IA exige des dirigeants qui tirent leur autorité non pas de ce qu’ils savent, mais de la qualité de leurs questions. Des dirigeants dont la principale contribution intellectuelle n’est pas la synthèse (car l’IA peut synthétiser), mais le jugement. Des dirigeants à l’aise avec les dynamiques organisationnelles, la psychologie humaine et le pouvoir institutionnel, tout autant qu’avec la technologie. Des dirigeants qui conservent une véritable humilité intellectuelle face à un outil qui projette constamment une image de confiance, et qui ont développé la stabilité intérieure nécessaire pour dire « je ne sais pas » et « j’ai besoin d’y réfléchir » dans des environnements qui valorisent la détermination plus que presque toute autre qualité.

Et peut-être plus important encore, l’ère de l’IA exige des dirigeants capables de répondre clairement et en profondeur à une question que les générations précédentes de dirigeants technologiques avaient rarement besoin de se poser : quelle valeur humaine est-ce que j’apporte et que l’IA ne peut pas reproduire, et est-ce que j’investis dans cette valeur avec la même discipline que celle que j’applique à mon développement technique ?

Je me pose régulièrement cette question. Ce n’est pas une question confortable. Elle exige une autoévaluation honnête des aspects de mon identité professionnelle qui sont véritablement irremplaçables et de ceux que je protège par habitude plutôt que par nécessité. Je crois que ce processus d’introspection honnête constitue la pratique fondamentale du leadership à l’ère de l’IA. Ni l’ingénierie des invites, ni l’évaluation des modèles, ni les cadres de gouvernance de l’IA — aussi importants soient-ils. Il s’agit de regarder lucidement ce que vous apportez et qu’un modèle ne peut pas apporter, puis d’investir délibérément et inlassablement exactement dans cela.

L’ère de l’IA produit une complexité à un rythme et à une échelle sans précédent historique dans le métier de la technologie. Les dirigeants qui sauront bien la gérer ne sont pas ceux qui adoptent l’IA le plus rapidement, la déploient avec le plus d’ambition ou en parlent avec le plus d’aisance sur des scènes comme celle-ci. Ils accomplissent le travail plus difficile et plus discret qui consiste à développer les qualités humaines qu’exige la complexité : le jugement, l’humilité, le courage, la sagesse institutionnelle et la clarté du but qui leur permet d’orienter des outils puissants vers des objectifs dignes.

Je crois que la communauté des dirigeants technologiques doit avoir cette conversation avec une bien plus grande urgence qu’elle ne le fait actuellement. Et c’est la raison pour laquelle j’ai accepté cet entretien : non pas pour parler de ce que l’IA peut faire, mais pour réfléchir soigneusement, publiquement, à ce que nous devons devenir en tant que dirigeants pour être dignes de la diriger.

Cinq conseils pour les CTO

Je veux donner des conseils utiles plutôt que des conseils qui sonnent bien sur une scène de conférence. Permettez-moi donc de vous faire part de ce que je crois, en me fondant sur dix-neuf années passées à diriger des transformations au sein de l’un des environnements institutionnels les plus complexes que l’on puisse imaginer.

Premièrement, résistez à la pression d’avoir une stratégie d’IA. Votre organisation a besoin d’une stratégie d’entreprise au service de laquelle l’IA sera mise. J’ai vu trop de dirigeants technologiques consacrer une énergie considérable à produire des feuilles de route pour l’IA, à mettre en place des centres d’excellence en IA et à annoncer des initiatives d’IA, tout en laissant sans réponse la question fondamentale de savoir quel problème ils résolvent pour l’institution. L’IA dépourvue de clarté stratégique n’est pas une transformation ; c’est une activité sophistiquée qui se fait passer pour du progrès. Commencez par le résultat dont vous êtes responsables, puis remontez jusqu’à l’endroit où l’IA crée le plus d’effet de levier. Cette séquence est extrêmement importante.

Deuxièmement, considérez l’adoption comme le principal défi d’ingénierie, et non l’intégration. Le problème le plus difficile du déploiement de l’IA n’est pas de connecter le modèle à vos systèmes ; c’est de modifier la manière dont vos collaborateurs pensent, prennent des décisions et travaillent en présence d’une assistance par l’IA. D’après mon expérience, les organisations sous-investissent dans cet aspect dans des proportions considérables. Elles consacrent 80 % de leur budget à la technologie et 20 % aux personnes et à la transformation des processus, alors que le ratio qui produit des résultats est plutôt l’inverse. Si votre initiative d’IA ne comporte pas un volet sérieux de conduite du changement et de développement des compétences, vous construisez sur du sable, quelle que soit la sophistication de votre architecture.

Troisièmement, protégez farouchement votre capacité de discernement. À mesure que l'IA devient plus performante et davantage intégrée aux flux de travail, une pression constante, subtile ou non, apparaîtra pour étendre son autorité : lui permettre non seulement d'éclairer les décisions, mais de les prendre ; non seulement de signaler les risques, mais de les résoudre ; non seulement de rédiger des recommandations, mais de les approuver. Résistez-y. Non pas parce que l'IA serait techniquement incapable de faire ces choses dans certains domaines, mais parce qu'au moment où votre organisation perd l'habitude du discernement humain, elle perd quelque chose qu'il est extraordinairement difficile de reconstruire. Le discernement est un muscle. Les organisations qui cessent de l'exercer ne restent pas statiques ; elles s'atrophient. Dans un environnement à forts enjeux, cette atrophie vous coûtera au pire moment possible.

Quatrièmement, accordez une attention particulière aux écosystèmes d'IA souveraine, en particulier si vous travaillez dans le secteur public, la défense ou les infrastructures nationales critiques, ou à leurs côtés. Remettez en question l'hypothèse selon laquelle les plateformes mondiales hyperscale resteront l'architecture par défaut de l'IA d'entreprise. En Arabie saoudite, nous sommes témoins de l'émergence d'une véritable infrastructure d'IA souveraine grâce à des plateformes comme HUMAIN ONE. Ces plateformes s'appuient sur des modèles linguistiques conçus d'abord pour l'arabe, sont hébergées sur une infrastructure nationale de calcul et sont spécifiquement conçues pour répondre à la complexité de la gouvernance des grandes institutions. Pour les CTO qui évoluent dans des environnements réglementés ou sensibles sur le plan de la sécurité, la question de savoir où fonctionne votre IA, sur quelle infrastructure, sous quelle juridiction et à partir de quelles données elle a été entraînée n'est pas une simple case de conformité à cocher ; c'est une décision architecturale fondamentale qui définira la posture de votre organisation en matière d'IA pour la prochaine décennie.

Cinquièmement et enfin, investissez dans votre propre discernement en tant que dirigeant avec la même rigueur que celle consacrée aux capacités techniques de votre organisation. C'est le conseil que je considère comme le plus important et le moins abordé dans les cercles technologiques. Les CTO qui traversent cette période avec succès ne comprennent pas nécessairement l'IA le plus en profondeur sur le plan technique. Ils associent culture technique, sagesse institutionnelle, clarté stratégique et courage moral pour prendre des décisions justes pour leur organisation, même lorsqu'elles sont impopulaires à court terme. L'IA continuera de progresser, quoi que nous fassions. La variable déterminante est la qualité du leadership humain qui la dirige.

Nous ne sommes pas engagés dans une course pour adopter l'IA le plus rapidement possible ; nous sommes engagés dans une course pour l'adopter avec le plus de discernement possible. D'après mon expérience, la sagesse n'a jamais été une fonctionnalité que l'on pouvait installer.

Suivez son actualité

Vous pouvez suivre le travail d'Abdulrhman AlOdhayb sur LinkedIn.

D'autres entretiens avec des experts seront bientôt publiés sur The CTO Club.