Manifeste

Il se dit beaucoup de choses sur l'IA. Beaucoup sont fausses. Beaucoup relèvent de la panique, du marketing, ou des deux. Nous avons passé l'année écoulée à construire un produit IA en production, à vrais utilisateurs, avec vrais paiements, vraies intégrations, vraies pannes. De cette expérience, nous avons tiré quatre convictions. Elles ne sont pas consensuelles. Elles guident notre travail. Les voici.

La question qui vient toujours en premier est celle de l'emploi, et la réponse honnête est qu'elle n'est pas tranchée. Début 2026, on n'observe pas de signal de chômage clair dans les métiers les plus exposés ; on observe en revanche que la porte d'entrée se ferme pour les plus jeunes, et que l'exposition touche d'abord les emplois qualifiés — les bureaux avant les ateliers (Anthropic Economic Index).

Nous ne savons pas dire quel sera l'effet net sur le volume d'emploi. Personne ne le sait, et ceux qui l'affirment vendent quelque chose. Ce que nous savons dire, parce que nous le voyons dans nos propres systèmes, c'est ce qui se déplace : l'IA exécute les gestes répétitifs, rédige les brouillons, synthétise les documents, prépare les dossiers. Le jugement, la relation, la décision, l'arbitrage — tout ce qui engage quelqu'un — reste humain, parce que la responsabilité, elle, ne se délègue pas à une machine. Et c'est là que se trouve la bonne nouvelle : à mesure que la machine absorbe l'exécution, ce qui reste dans une journée de travail est la part la plus difficile à remplacer. Le travail humain ne diminue pas, il se concentre — et sa valeur monte d'autant.

La bonne question n'est donc pas « l'IA va-t-elle supprimer des postes ». Elle est : quelles tâches, dans quels métiers, chez nous — et qu'est-ce qu'on fait des heures libérées ? Celle-là, on peut y répondre, et il faut y répondre avant de construire quoi que ce soit. Une automatisation qui rend deux heures par semaine à quelqu'un ne vaut que ce que cette personne en fait.

Quand une entreprise découvre l'IA, son premier réflexe est de chercher des tâches à automatiser. Qu'est-ce qui nous prend du temps aujourd'hui ? Faisons-le plus vite. C'est logique. C'est confortable. Et c'est rarement le bon premier projet — pour une raison de mesure avant d'être une raison de stratégie.

Disons-le sans détour : automatiser ce que vous faites déjà a une utilité réelle. Cela rend des heures, cela fatigue moins les équipes, et c'est souvent le geste le plus simple à réussir. Nous le vendons d'ailleurs — c'est la troisième marche de notre parcours. Ce que nous contestons n'est pas l'automatisation, c'est sa place dans l'ordre. Un premier projet doit prouver quelque chose. Et une heure rendue ne prouve rien tant que personne ne dit ce qu'il en a fait.

Automatiser un processus existant fait gagner des heures réparties sur plusieurs personnes. Personne ne les voit passer. Six mois plus tard, vous-même ne savez pas dire ce que le projet a rapporté — le gain est peut-être réel, il ne se montre pas. C'est très exactement le mécanisme des 95 % de pilotes d'IA générative sans impact mesurable au compte de résultat relevés par le MIT dans The GenAI Divide : l'échec n'est pas technique, il tient au choix du sujet et à l'absence de refonte du processus — ce que la grande majorité des entreprises n'a pas fait.

La vraie question n'est pas qu'est-ce que je peux automatiser ? Elle est qu'est-ce que je ne fais pas aujourd'hui, et que je pourrais faire avec une IA ? Lire tous les contrats en un jour au lieu de trois semaines. Qualifier cent prospects au lieu de dix. Ouvrir un service qui demandait trois experts à plein temps. Servir un marché qu'on avait abandonné faute de ressources. Surveiller en continu une anomalie qu'on découvrait au bilan.

Ces ouvertures ont un avantage décisif sur les gains de productivité : elles se mesurent sans se disputer. La chose existait ou elle n'existait pas. C'est pour cette raison que le premier projet que nous vendons est un pilote sur une tâche neuve, et pas une automatisation.

Le chemin complet est un continuum, et nous le vendons dans cet ordre. D'abord ouvrir ce que vous ne faisiez pas, parce que c'est ce qui se mesure sans discussion et ce qui installe la confiance. Puis soulager : reprendre les enchaînements manuels entre vos outils, maintenant que vous savez ce qu'un assistant produit et ce qu'il coûte. Puis piloter l'ensemble, quand il y en a assez pour que la question se pose. Commencer par le deuxième, c'est faire le pari le plus difficile à prouver avec l'argument le plus faible.

Le mythe : la formation. Depuis deux ans, un marché entier s'est monté autour de l'acculturation IA. Des webinaires, des MOOC, des certifications, des journées de sensibilisation. Nous en voyons l'effet tous les jours : presque aucun. Les collaborateurs formés repartent avec des concepts, des noms de modèles, une théorie des prompts. Le lundi matin, ils reprennent leur travail exactement comme avant.

C'est normal. On ne devient pas nageur en regardant des vidéos, ni manager en lisant un livre sur le management. Ces compétences sont des façons d'habiter un problème, par réflexe — elles se construisent en pratiquant, dans un contexte réel, avec des enjeux réels. Sur les mêmes outils, les utilisateurs expérimentés obtiennent des résultats nettement meilleurs (Anthropic Economic Index) ; ce qui les sépare des autres n'est pas ce qu'ils ont appris, c'est ce qu'ils ont fait. Pour former vos équipes à l'IA, il faut donc leur donner de vrais projets IA. Vos données, vos dossiers, vos contraintes. Et accepter que les premiers mois soient maladroits.

La conséquence : le calendrier. Si l'IA s'apprend en la pratiquant, alors il n'y a pas de bon moment pour commencer : il y a un premier projet, ou il n'y en a pas. Attendre que ça se stabilise est une décision confortable et vide — ça ne se stabilisera pas, et pendant ce temps l'organisation n'apprend rien. La dépense qui compte n'est pas la licence, c'est le premier projet.

Commencer ne veut pas dire lancer le grand projet IA. C'est exactement l'inverse : un problème précis, petit, bien délimité, mis en production en six à huit semaines. Pas une démonstration. Pas un prototype qui finit dans un placard. Un système qui sert de vrais utilisateurs, avec de vraies conséquences s'il marche comme s'il ne marche pas. Puis un deuxième. C'est là que la compétence se dépose.

On entend souvent qu'il y aurait un écart définitif avec ceux qui ont commencé avant. C'est faux pour la technologie et vrai pour l'organisation, et tout tient dans cette distinction.

Ce qui se rattrape, et vite : les modèles, les outils, les licences. Ils baissent de prix et montent en capacité tous les trimestres. Arriver un an plus tard, c'est payer moins cher un outil meilleur. De ce côté-là, il n'y a rien à craindre — et rien à précipiter.

Ce qui ne se rattrape pas : les données propriétaires qu'on n'a pas commencé à structurer, l'apprentissage collectif — savoir ce qui marche chez soi, où placer les garde-fous, comment les équipes réagissent — et la compétence réelle des personnes. Sur les mêmes outils, les utilisateurs expérimentés obtiennent des résultats nettement meilleurs que les débutants (Anthropic Economic Index) : cet écart-là se creuse pendant qu'on attend.

Et le retard le plus lent de tous : le métier même de vos salariés change. Quelqu'un qui travaille avec un ou plusieurs assistants cesse d'exécuter une partie de ses tâches pour définir ce qui doit être fait, vérifier ce qui a été fait, et décider de ce qui remonte. Il devient le manager de ses assistants — un poste à définir, des accès à proportionner, un budget à plafonner, une évaluation à tenir. Cette façon de travailler ne s'achète pas et ne se décrète pas : elle s'installe, sur des mois, en la pratiquant. C'est la compétence la plus longue à installer — et celle qu'on ne rachète pas.

Rien de tout cela ne s'achète, et tout cela compose : chaque cycle d'apprentissage rend le suivant plus rapide. La question n'est donc pas quand acheter, elle est ce que vous perdez à ne rien commencer cette année. Faites-en la liste. Si tout y est rattrapable en signant un contrat, attendez sans inquiétude. Si une seule ligne concerne vos données ou vos équipes, celle-là commence maintenant.

Nous construisons. Vite, petit, en production, avec vous.

Pas des slides. Pas des ateliers d'idéation. Pas des prototypes qui s'enterrent dans un placard. Des systèmes qui tournent, qui servent de vrais utilisateurs, qui se laissent mesurer — et que nous arrêtons quand ils ne rapportent rien.

Nous le faisons parce que c'est ce qui marche, et parce que c'est ce que nous avons appris nous-mêmes en opérant depuis un an une plateforme IA en production. Nous disons aussi « n'y allez pas » quand c'est la bonne réponse.

Si vous êtes d'accord avec ce que vous venez de lire, vous savez quoi faire.

REVERALL et Compagnie — 2026.