GitHub Copilot bascule en facturation au token le 1ᵉʳ juin. Anthropic et OpenAI ont déjà fait le même mouvement sur leurs offres entreprise. Le CTO d’Uber a brûlé son budget IA 2026 en quelques mois et reconnaît publiquement être « retourné à la planche à dessin ». Un cadre de Nvidia explique que pour son équipe, le compute coûte plus cher que les humains qu’il était censé remplacer.
Cette opacité a façonné nos usages. Un outil qui semble gratuit, on l’utilise sans considération. On laisse tourner un agent en boucle sur un prompt mal posé. On empile trois, quatre, cinq agents en parallèle, et au-delà de trois la productivité auto-déclarée chute.
Pendant ce temps, le paradoxe de Solow refait surface. Six mille dirigeants interrogés dans quatre pays : neuf sur dix disent que l’IA n’a eu aucun impact mesurable sur leur productivité ni leurs effectifs depuis trois ans. On voit l’âge de l’IA partout, sauf dans les chiffres de productivité.
C’était prévisible. Quand la matière première est invisible, on n’en fait rien de sérieux.
Vitesse n’est pas valeur
L’erreur de raisonnement est ancienne. Nous avons importé dans l’économie de l’information un mode de pensée hérité de l’industrie : produire plus vite la même chose. La logique des chaînes de montage. Elle ne tient plus dans une économie déjà saturée de slides, de notes, de tableaux de bord, de propositions commerciales que personne ne lit jusqu’au bout.
Dans ce contexte, gagner du temps ne crée pas de valeur. Souvent, ça en détruit, parce que les destinataires saturent et que rien ne se décide.
L’IA crée de la valeur seulement quand elle renforce la capacité de discernement. Pas quand elle accélère uniquement l’exécution.
Ce que ça change concrètement
Une journée de Claude Code coûte 30 dollars en moyenne, 100 sur les usages lourds. Une équipe de dix développeurs qui code en boucle dans un IDE pour voir ce qui sort, ça représente 75 000 à 250 000 euros par an. Personne ne signait pour ça il y a un an. Tout le monde va devoir signer pour ça l’année prochaine, ou décider que non.
Décider que non, c’est revenir à des questions simples qu’on s’épargnait tant que c’était gratuit (ou trop largement subventionné). Sur quel travail précis on lâche un agent. Avec quels garde-fous ? Pour quel résultat attendu, mesuré comment, par qui ? Ces questions ne sont pas nouvelles. Elles étaient celles qu’on posait avant de lancer un projet. On les avait juste mises de côté parce que l’expérimentation ne coûtait rien.
Ça change aussi la manière de fabriquer. Quand le compute commence d’être facturé à sa vraie valeur à chaque appel, on cesse de tout faire passer par le même modèle haut de gamme.
On confie les tâches simples à des modèles plus petits, on garde les modèles puissants pour les moments où ils font la différence, on coupe quand l’agent boucle. Et en utilise d’autres techniques d’IA plus adpatées.
Ce qui passait pour de la coquetterie technique devient une question de marge. Et pendant qu’on y est, on découvre l’utilité de ne pas dépendre d’un seul fournisseur. Anthropic a relevé ses tarifs en mars, Microsoft vient de faire pareil. Les organisations qui avaient construit toute leur chaîne sur un seul modèle comprennent comment le piège se referme en lisant leur facture.
Cultiver, pas extraire
Il ne s’agit pas de freiner l’IA. Il s’agit d’en raisonner l’usage. Et de l’orienter vers ce que l’IA ne fera pas spontanément : faire grandir le savoir-faire des organisations et des personnes qui s’en servent.
Sans ça, l’usage débridé fait exploser la facturation et paupérise nos entreprises. On injecte de la pression dans le sol pour en extraire ce qu’il reste. Trimestre après trimestre, il faut injecter davantage pour obtenir le même rendement, parce qu’on a abîmé le terrain à force de creuser. Et le terrain, dans une organisation, ce sont les savoir-faire des équipes. Ce qu’elles seules savent faire. Ce qu’elles transmettent aux nouveaux.
L’addition se présente alors deux fois. Une première fois sur la note de cloud, qui fait uniquement monter. Une seconde fois, plus tardivement, dans la dépendance acquise et dans les savoir-faire qu’on aura laissés filer parce que l’outil semblait les rendre superflus.
Notre conviction à La Forge tient en une phrase : démultiplier les savoir-faire par l’IA pour rendre les individus meilleurs dans ce qu’ils font. Cultiver, pas fracturer.
Si vous dirigez une entreprise en ce moment, vous avez vu passer les démos. Vous avez peut-être même signé pour quelques-unes. L’IA agentique, boostée à l’IA générative, fait réellement ce qu’elle prétend faire. Elle prend en charge des tâches que l’automatisation classique laissait tomber, elle débloque des chantiers que tout le monde évitait, elle soulage des équipes qui faisaient du laborieux à longueur de journée. Ce n’est pas rien !
Pourtant, quand on regarde ce qui se passe au niveau de l’entreprise, on reste sur sa faim.
L’institut METR a publié en 2025 une étude randomisée qui a fait un peu de bruit. Des développeurs expérimentés, équipés des meilleurs outils du moment, travaillant sur leurs propres projets, se sont avérés 19% plus lents avec l’IA. Eux étaient persuadés d’aller 20% plus vite. L’écart entre la sensation et la réalité s’est maintenu même après qu’on leur a montré les chiffres. La même année, le MIT a publié « The GenAI Divide », un rapport construit sur l’analyse de trois cents déploiements en entreprise. Verdict : 95% des projets n’ont aucun impact mesurable sur le compte de résultat. On parle de trente à quarante milliards de dollars dépensés pour un zéro à l’arrivée.
Un outil qui marche, dont tout le monde parle, et dont le résultat reste invisible à l’échelle où ça compte. Il y a quelque chose qui cloche, et ce quelque chose ne se règle pas en achetant plus d’agents.
On automatise ce qui se voit, on rate ce qui compte
Dans la plupart des déploiements que l’on observe à La Forge, l’IA agentique sert à faire disparaître des tâches. Traduire un document, extraire les informations d’un CCTP, générer une facture, rédiger une relance standard, produire un compte rendu de réunion. Je comprends l’attrait : c’est du laborieux qui saute, c’est visible, c’est chiffrable, les équipes sont contentes de récupérer du temps. L’erreur n’est pas là. L’erreur, c’est de croire qu’en automatisant ces tâches on a développé son métier.
Une activité, c’est ce qui occupe une personne en poste dans sa journée. Un savoir-faire, c’est ce qu’une entreprise sait faire via ses équipes et que personne d’autre ne sait faire exactement comme elle. Ce sont deux choses différentes. La manière qu’a une équipe commerciale de qualifier un client dès le premier appel, le coup d’œil d’un chef de chantier qui sent qu’un devis a un problème avant d’avoir lu la dernière ligne, la façon dont un responsable R&D arbitre entre deux pistes qui semblent équivalentes sur le papier : tout ça, c’est du savoir-faire. Et c’est ça qui fait qu’on est choisi plutôt qu’un autre.
Ce que l’IA agentique fait très bien, c’est automatiser des activités. Ce qu’elle ne sait pas faire, ou ne devrait pas faire, c’est remplacer du savoir-faire. Tacite, situé, incarné, il est souvent invisible même pour ceux qui le portent, et il ne se laisse pas coder dans un prompt. Quand on essaie quand même, on obtient une version dégradée, lissée, interchangeable. On prend ce qui faisait la différence et on le rend générique.
Il y a pire. Quand on se contente d’automatiser les activités, on fige le modèle de travail qui les a produites, et ce modèle est le plus souvent obsolète. Steve Blank le formule avec une brutalité salutaire : une entreprise de plus de trois ans est morte. Il ne veut pas dire qu’elle n’existe plus. Il veut dire que ses activités ont été dessinées pour un monde qui n’est plus là, que ses processus traînent des contraintes qui ont disparu, et que personne n’ose les remettre en cause parce qu’on les regarde depuis trop longtemps pour les voir. Automatiser les activités de 2015 avec les outils de 2026, ce n’est pas moderniser. C’est accélérer un travail qu’il aurait peut-être fallu cesser de faire.
Quand l’intelligence métier se dissout dans les outils
Le deuxième effet est plus lent à apparaître, et c’est probablement celui qui coûtera le plus cher.
Dans une organisation qui se met sérieusement à l’agentique, chaque équipe assemble ses propres workflows. Les commerciaux construisent leurs agents de qualification, de relance, de préparation de devis. Les ops montent les leurs pour prioriser les incidents et produire les comptes rendus. La R&D bricole des chaînes qui lui sont propres. Aucune de ces équipes ne fait ça mal, aucune ne cherche à saboter la cohérence globale. Mais chacune, en assemblant ses agents, en écrit une version locale du métier. Ce qu’est un bon lead, une bonne relance, un bon incident, un bon brief : tout cela finit incarné dans des outils montés séparément, par des gens différents, sans référentiel commun.
L’intelligence métier qui était portée par les équipes et par la culture (c’est flou, mais c’est justement ça, la culture) se déporte alors progressivement dans les outils. Et comme les outils sont montés à la main dans chaque coin de l’entreprise, il n’y a plus rien qui les tient ensemble. On se retrouve avec une organisation qui commence à ressembler à un agrégat de freelances très bien équipés, qui partagent un logo, un bureau et une fiche de paie, mais plus grand-chose d’autre.
La question que je pose aux dirigeants ces derniers mois est simple. Si vous retirez les agents que chacun s’est construits, qu’est-ce qui fait encore que votre entreprise est la vôtre ? Le nom ? L’actionnariat ? La façade ? Rien de tout ça n’est un actif défendable. Ce qui faisait singularité, c’était la manière : un geste partagé, une exigence collective, une façon de voir le client, une qualité reconnaissable entre mille. Quand cette manière n’est plus incarnée quelque part de cohérent, elle disparaît. Pas d’un coup, par dilution. Et quand on s’en aperçoit, il est déjà tard, parce qu’on n’a plus aucun lieu où aller la reprendre.
Le vrai risque est que l’IA remplace les gens et qu’elle banalise les entreprises. Deux boîtes qui orchestrent leurs agents à partir du même catalogue d’outils, sur les mêmes API, avec les mêmes pratiques de prompt engineering, finissent par produire la même chose. L’avantage compétitif s’évapore au rythme où les outils se standardisent, et les outils se standardisent vite.
Le MIT arrive par son chemin à un constat proche. Dans les 5% de projets qui produisent un impact réel, les réussites se concentrent là où les entreprises ont une doctrine métier claire en amont, où le déploiement s’intègre profondément dans les workflows existants, où les choix d’outillage sont faits de façon cohérente plutôt qu’empilée. Partout où chacun orchestre dans son coin, l’impact reste anecdotique et s’érode à mesure que les outils circulent sur le marché.
Reprendre la main sur son métier
Il n’y a rien de mystérieux dans ce qu’il faut faire, c’est juste exigeant et ça demande de résister à la pente.
Avant de déployer un agent, il faut savoir quel savoir-faire on cherche à amplifier. Ce n’est pas la même question que « quelle activité puis-je automatiser parce que c’est techniquement possible ». La première oblige à nommer ce qu’on sait faire de singulier, à le rendre visible, à le mettre au centre. La seconde laisse le catalogue de l’outil dicter le chantier, et on finit par empiler des automatisations qui ne convergent vers rien.
Il faut aussi arrêter de laisser l’outil décider de la manière de faire. Si un agent optimise une relance client à sa façon, et que cette façon n’est pas la vôtre, c’est sa façon qui devient votre métier. Vos clients achètent une manière, pas un workflow. Chaque fois qu’on accepte une suggestion par défaut sans la passer au filtre de ce qui fait votre identité, on cède un petit bout de ce pour quoi on est choisi. Il suffit de répéter ce geste mille fois pour se réveiller dans une entreprise qui ressemble à toutes les autres.
Et il faut accepter que ce qui est automatisable sans perte n’est pas du métier. Traduire un texte, générer une facture, extraire un CCTP, produire un compte rendu : automatisez, vite et bien, sans regret. Mais ne vous racontez pas que vous avez transformé quoi que ce soit. Vous avez soulagé du laborieux, c’est utile, ça libère du temps, ça rend la vie plus simple à vos équipes. Ce n’est pas stratégique pour autant, et confondre les deux est précisément le piège qui mène aux 95% de la courbe MIT.
Ce que nous faisons
La Forge est un studio de produits IA, nous utilisons intensément ces outils, et nous sommes exposés au même risque que tout le monde. Nous nous posons la même question que tous les dirigeants : comment faire grandir les équipes et l’entreprise ?
Nous avons fait un choix qui nous coûte du temps et de l’énergie. Nous construisons en interne un système qui cristallise notre manière de faire, notre méthode, notre vision du métier, notre exigence de qualité. Ce n’est pas un outil qui automatise notre métier. C’est un endroit où notre métier est écrit, partagé, corrigé collectivement, et où chaque agent que nous utilisons passe par ce filtre avant d’agir. Sans ce système, nous serions comme les autres : mille visions locales assemblées dans notre coin, aucune boucle de cohérence, une singularité qui fond à mesure qu’on déploie.
Je ne vais pas le détailler ici, pas encore. Mais si le sujet vous parle, si vous sentez que dans votre propre entreprise l’intelligence métier commence à fuir dans des outils que personne ne maîtrise vraiment, venez nous en parler. C’est précisément ce que nous aidons à construire ailleurs.
Je ne cesse de lire des rapports pour tenter de mieux comprendre et anticiper l’impact de l’IA sur les individus et les organisations. Faire le lien entre toutes ces analyses est ardu. Mais j’ai trouvé une clé de lecture qui permet d’assembler pas mal de pièces du puzzle et de relier enfin les usages de l’IA à la valeur qu’ils génèrent. Il s’agit d’une étude réalisée par deux chercheurs australiens (Lodge et Loble, UTS) qui explique en grande partie ce que l’on observe : les ROI décevants, les adoptions qui plafonnent, les Copilot qu’on paie et que personne n’utilise…
Spoiler : ce n’est pas un problème de technologie mais bien de conception. Un produit IA mal conçu dégrade les compétences de ceux qui l’utilisent. Et ça coûte une fortune.
Je vous propose un plongeon dans quelques travaux de recherche et les chiffres de 2025-2026 pour comprendre pourquoi la conception des produits IA est devenue un enjeu de souveraineté. Pas seulement technologique. Économique, compétitive, et humaine.
La valeur de l’IA vous échappe. Et ce n’est pas un problème d’outil.
56 % des PDG interrogés par PwC en janvier 2026 déclarent que l’IA n’a produit ni augmentation de revenus, ni réduction de coûts dans leur organisation (source). 95 % des pilotes d’IA générative ne génèrent aucun impact mesurable sur le compte de résultat, selon le MIT (source). Gartner place officiellement l’IA générative dans le « creux de la désillusion » de son Hype Cycle 2025 (source).
Face à ces résultats, la réaction est généralement d’investir encore plus dans les outils en espérant qu’ils soient meilleurs. De passer le plus vite possible à la version suivante. D’ajouter des licences. Bref, y aller en marche forcée.
Et évidemment c’est la mauvaise réponse. Ce que le rapport Lodge & Loble démontre, c’est que le problème est en amont : dans la façon dont les logiciels IA sont conçus. Quand une solution IA est déployée sans réflexion sur ce que l’utilisateur doit garder comme effort cognitif et ce qu’il peut déléguer, il ne rend pas les gens plus productifs. Il les rend moins compétents.
Et c’est exactement ce que les chiffres confirment, secteur après secteur.
Le mécanisme : comment un mauvais design détruit de la valeur
Dans une expérimentation sur près de 1 000 lycéens en mathématiques (Bastani et al., 2025), ceux qui utilisaient l’IA résolvaient mieux les problèmes pendant qu’ils avaient accès à l’outil. Mais une fois l’IA retirée, leur capacité s’effondrait. La performance assistée ne s’était pas transformée en compétence. Les chercheurs appellent ça le « paradoxe de performance ».
Ce n’est pas un résultat isolé. Une étude METR de juillet 2025, en conditions contrôlées, montre que des développeurs expérimentés utilisant des assistants IA de codage étaient 19 % plus lents que ceux qui travaillaient sans, tout en étant convaincus d’avoir été plus rapides. Le rapport DORA de Google confirme ce qui semble être un paradoxe en s’appuyant sur une étude menée sur 39 000 professionnels : chaque hausse de 25 % du taux d’adoption de l’IA dans les équipes se traduit par une baisse de 1,5 % de la vitesse de livraison et de 7,2 % de la stabilité des systèmes.
Le mécanisme est simple. Les applications d’IA (générative) produisent des réponses fluides, bien formulées, convaincantes. Cette fluidité crée une illusion de compétence. L’utilisateur confond la facilité de lecture avec la profondeur de compréhension. Il fait moins d’effort. Et moins il fait d’effort, plus il a besoin de l’outil. Les chercheurs ont un mot pour ça : la paresse métacognitive.
Stanford et BetterUp ont chiffré le coût de ce cercle vicieux en septembre 2025. Le contenu produit par l’IA sans supervision, ce qu’ils appellent le « workslop » (du contenu qui a l’air bien mais qui ne vaut rien), coûte en moyenne 186$ par employé et par mois en retravail. Pour une entreprise de 10 000 personnes : 9 millions de dollars par an.
Ce n’est pas l’IA qui est en cause. C’est le design de l’interaction entre les technologies d’IA et l’utilisateur. La même technologie, utilisée différemment, produit des résultats opposés.
Bien conçu vs mal conçu : la preuve par les chiffres
Le rapport Lodge & Loble propose une dichotomie des usages tout à fait pertinente :
Il y a la délégation bénéfique : confier à l’IA ce qui n’est pas le travail de fond. Compiler des données, vérifier une syntaxe, générer une première structure. Ça libère la tête pour ce qui compte : analyser, arbitrer, décider. Une étude montre que des personnes formées à ne déléguer que les tâches de bas niveau ont obtenu des gains très nets en pensée critique par rapport aux groupes témoins.
Et il y a la délégation préjudiciable : confier à l’IA le travail qui construit la compétence elle-même. Quand un professionnel demande à l’IA de formuler le diagnostic, d’écrire l’analyse ou de produire la recommandation, il court-circuite le processus qui fait de lui un expert. Le rapport le dit sans détour : l’information récupérée via des techniques d’IA ne s’intègre pas dans les structures de connaissance nécessaires au raisonnement complexe. Elle reste dans l’outil. Pas dans la tête.
L’étude Harvard/BCG/Wharton sur 758 consultants BCG illustre exactement cette ligne de partage. Sur les tâches que l’IA maîtrise, les utilisateurs sont 25% plus rapides et produisent 40% de qualité en plus. Mais sur les tâches qui sortent du périmètre de l’IA, ceux qui l’utilisent ont 19% de chances en moins de produire une réponse correcte. Ils ont délégué leur jugement en même temps que leur travail.
La différence entre les deux scénarios ? Le design du produit. Dans le premier cas, le produit est conçu pour que l’utilisateur reste maître du raisonnement. Dans le second, il est conçu pour aller vite, et l’utilisateur décroche.
Pourquoi c’est un problème de souveraineté
Quand on parle de souveraineté et d’IA, on pense tout de suite aux supercalculateurs, aux modèles, aux données. C’est nécessaire. Mais c’est loin d’être suffisant.
Il me semble qu’il y a trois dimensions de souveraineté en jeu. Et la plus négligée est celle qui coûte le plus cher :
Souveraineté des ressources et de l’infrastructure. Plus de 80 % de l’infrastructure IA européenne repose sur des fournisseurs américains (source). Hardware, modèles de fondation, plateformes cloud : chaque couche crée une dépendance avec des acteurs dont les intérêts ne sont pas alignés avec les nôtres. L’Europe investit pour rattraper son retard (10 milliards via EuroHPC, AI Factories dans 16 États membres, 2,22 milliards pour la stratégie IA française). Le rapport Draghi (septembre 2024) a sonné l’alarme : seules 4 des 50 premières entreprises tech mondiales sont européennes (source). L’effort est réel. Mais il ne suffit pas. Un supercalculateur souverain ne sert à rien si les produits qui tournent dessus rendent leurs utilisateurs moins compétents. L’article 4 de l’AI Act, en vigueur depuis le 2 février 2025, impose d’ailleurs à toute organisation d’assurer un niveau suffisant de littératie IA (aptitude à utiliser l’IA dans la vie courante) chez ses collaborateurs (source). Ce n’est pas une recommandation. C’est une obligation réglementaire. Et pourtant seules 9,9 % des entreprises françaises utilisaient l’IA en 2024, contre 27,6 % au Danemark (source). L’écart n’est pas technologique. Il est méthodologique. La souveraineté de l’infrastructure est nécessaire. Mais sans souveraineté de la conception, elle ne produit rien.
Souveraineté économique. C’est la conséquence directe du premier point, et la moins visible. Quand une entreprise française construit un produit au-dessus d’un LLM hébergé chez OpenAI ou Anthropic, l’essentiel de la valeur part à l’étranger. Les emplois qualifiés ne sont pas créés ici. Les données d’usage, cet or numérique qui nourrit l’amélioration continue des modèles, ne sont pas thésaurisées chez nous. C’est un patrimoine jeté par la fenêtre, souvent sans que les porteurs du projet en ait conscience. McKinsey montre sur 300 déploiements que les organisations qui captent réellement la valeur de l’IA investissent 2 à 3 dollars en montée en compétences pour chaque dollar d’outillage (source). Celles qui se contentent d’acheter des licences voient l’adoption plafonner à 34 % en six mois. BCG confirme : le succès de l’IA dépend à 10 % des algorithmes, 20 % de la technologie, et 70 % des personnes et des processus (source). La valeur économique de l’IA est captée par ceux qui investissent dans la conception de l’usage. Pas dans la licence.
Souveraineté des savoir-faire. C’est la dimension la plus critique et la plus ignorée. L’usage de solutions génériques, inadaptées aux métiers de l’entreprise, paupérise les compétences. Il infantilise les novices en leur donnant des réponses qu’ils ne savent pas vérifier. Il isole les experts et rend invisible la valeur de ce qu’ils savent. Et plus globalement, il ne rend pas les utilisateurs meilleurs dans ce qu’ils font. Le rapport Lodge & Loble met un nom sur ce phénomène : l’effet Matthieu. Les experts qui ont déjà un socle solide savent quoi déléguer et quoi garder. Ils tirent profit de l’IA. Les profils moins expérimentés, eux, n’ont pas ce filtre. Ils s’y fient davantage, apprennent moins, deviennent plus dépendants. L’écart se creuse. IDC estime que le déficit de compétences coûtera 5 500 milliards de dollars à l’économie mondiale d’ici fin 2026 (source). Mais au-delà du chiffre macro, la question pour un dirigeant est plus simple : qu’est-ce qui fait « boîte » au bout du bout ? Ce sont les savoir-faire. C’est la culture opérationnelle. C’est ce qu’un concurrent ne peut pas copier en achetant la même licence. Et c’est exactement ce que l’IA générique, déployée sans cadre, dissout à petit feu. Un produit IA bien conçu développe ce patrimoine. Un produit mal conçu l’atrophie. C’est un choix de conception, pas une fatalité technologique.
Reprendre la valeur : ce que nous construisons à La Forge
À La Forge, notre mission est claire : développer des produits IA qui rendent leurs utilisateurs meilleurs dans ce qu’ils font. Quand on l’a formulée en 2020, c’était une conviction. En 2026, c’est une réponse à un problème économique avéré.
Concrètement, nous appliquons trois principes dans chaque produit.
Le contexte métier est au cœur de la conception. La pensée critique n’est pas une compétence générique : un ingénieur pense de façon critique en s’appuyant sur ses connaissances techniques, un commercial sur sa connaissance du marché. C’est pourquoi nous partons toujours des savoir-faire métier, jamais d’une grille générique de cas d’usages IA. Le rapport Lodge & Loble le confirme : les compétences transversales enseignées hors contexte ne transfèrent pas.
Pour chaque cas d’usage, la ligne entre augmentation et délégation est tracée dès la conception. La question que nous posons : si l’utilisateur fait cette tâche lui-même, est-ce que ça le fait mieux comprendre le problème ? Si oui, c’est un effort intrinsèque à protéger. Si non, le produit peut le prendre en charge.
L’IA doit outiller l’expert, pas court-circuiter le novice. Le rapport montre qu’un outil d’assistance au tuteur (pas à l’élève) produit de meilleurs résultats chez les apprenants, y compris quand les tuteurs sont peu expérimentés, avec une réduction de coût de 165x par rapport à la formation traditionnelle (source).
Notre programme de R&D travaille sur la frontière la plus difficile : comment mesurer, dans la durée, si un produit IA augmente réellement les savoir-faire de ses utilisateurs ou s’il les dégrade. C’est un sujet émergent, encore peu exploré par la recherche, et c’est là que La Forge veut innover.
Si vous êtes intéressé, si vous sentez que la réponse ne peut pas être « distribuer des licences et espérer », parlons-en. La science donne les raisons d’agir. Les chiffres donnent l’urgence. Et la souveraineté de vos savoir-faire en dépend.
La capacité à produire du logiciel se banalise. La valeur se déplace vers le contexte, la distribution et la responsabilité.
Il y a encore deux ans, produire un logiciel demandait du temps, du talent et du capital. Aujourd’hui, n’importe qui peut sortir un prototype fonctionnel en quelques jours. Les outils de génération de code, les plateformes no-code et les modèles d’IA ont fait tomber la dernière barrière : celle de la fabrication.
La question qui en découle est plus dérangeante qu’il n’y paraît :
Si tout le monde peut fabriquer, où se trouve encore la valeur d’un produit logiciel ?
La commoditisation du BUILD
Steve Blank, l’architecte du mouvement Lean Startup, a posé un diagnostic il y a quelques jours avec sa brutalité habituelle : si votre startup a plus de deux ans, elle est morte car vos hypothèses de départ sont probablement obsolètes. Le MVP (Minimum Viable Product) ne prouve plus la compétence d’une équipe.
Le goulot d’étranglement a quitté l’ingénierie pour remonter vers :
le discernement : savoir quoi construire, pour qui, et dans quel contexte,
la connaissance des usages et,
la distribution.
Ce constat est vertigineux pour toute l’industrie du logiciel. Pendant des décennies, la capacité à produire du code de qualité constituait un avantage compétitif. Les équipes d’ingénierie étaient le moteur, le recrutement de développeurs la priorité absolue. Ce monde-là est en train de basculer.
La bascule ne signifie pas que le code disparaît. Elle signifie que le code, seul, ne vaut plus grand-chose. Ce qui se commoditise, c’est la capacité à transformer une idée en artefact logiciel. Ce qui ne se commoditise pas, c’est tout le reste.
L’intelligence est une commodité, le contexte est le produit
Un ingénieur et entrepreneur du nom d’adlrocha a donné dans un article une formulation limpide de ce déplacement : l’intelligence (au sens anglo-saxon de « renseignement », la capacité à analyser et à produire du signal) devient une commodité. Accéder à des modèles capables de raisonner et d’exécuter des tâches complexes est de plus en plus facile et bon marché.
Ce qui crée la valeur, ce n’est plus le modèle lui-même. C’est le contexte dans lequel il opère : les connexions à l’environnement, les données métier, les contraintes opérationnelles, les garde-fous de sécurité.
Pour illustrer cette idée, prenons l’exemple des outils de développement de nouvelle génération. Le cœur de ces agents fait quelques milliers de lignes de code. Le reste est seulement du « contexte » : des fichiers qui décrivent comment activer telle ou telle capacité selon le besoin. C’est un système de plugins piloté par du contexte, pas par du code. Pour adlrocha, le produit, ce n’est plus le moteur. C’est l’environnement dans lequel le moteur tourne. On pourrait dire que la valeur est dans le dernier kilomètre.
Cela a une conséquence immédiate sur la manière dont on pense la capture de valeur dans la chaîne de l’IA générative. La vision dominante place le hardware et les hyperscalers en haut de la pyramide, avec une couche applicative comprimée.
Mais cette lecture est incomplète. Une couche est en train d’émerger au-dessus : celle du contexte, du runtime et des environnements d’exécution sécurisés. C’est cette couche qui va jouer le rôle qu’avait le SaaS dans l’architecture Cloud. La question n’est pas de savoir si cette couche va apparaître, mais qui va l’occuper.
Probabiliste ou déterministe : la ligne de fracture ?
David Chen, qui dirige la banque d’investissement technologique de Morgan Stanley, propose une grille de lecture complémentaire.
Sa distinction est simple : il existe du logiciel probabiliste et du logiciel déterministe. Je ne suis pas fan de cette dichotomie car simpliste mais elle donne une clé intéressante.
Résumer une réunion, préparer des notes, suggérer une réponse : si le système se trompe un peu, ce n’est pas dramatique. C’est le territoire du probabiliste, là où les agents IA excellent déjà. En revanche, calculer une paie, une taxe, une facture, ou opérer dans un workflow critique ne tolère quasiment aucune erreur.
Imaginez un agent IA qui gère vos réservations de restaurant : s’il se trompe d’horaire, c’est agaçant. Imaginez maintenant un agent qui calcule vos déclarations de TVA : s’il se trompe, c’est un redressement fiscal.
C’est dans cette seconde catégorie que la valeur résiste le mieux : les systèmes d’enregistrement, les processus métier critiques, la conformité, l’intégration aux systèmes d’information existants, la responsabilité opérationnelle. Pour David Chen, la valeur du software ne disparaît pas. Elle se recompose autour des endroits où l’erreur coûte cher.
Cette ligne de fracture est déterminante pour comprendre quels produits logiciels vont survivre et lesquels vont se faire comprimer.
Les produits qui n’apportent qu’une interface ou une couche d’organisation de service sont les plus exposés. Ceux qui sont ancrés dans des processus critiques, couplés à un métier spécifique, intégrés à un environnement réglementaire mouvant, sont les mieux protégés.
Du logiciel-interface au logiciel-résultat
Steve Blank introduit dans son analyse une reformulation qui mérite attention. Le MVP devient MPO : Minimum Productive Outcome. La recherche du Product/Market fit devient la recherche d’un AI Agent/Customer Outcome fit.
Le glissement est profond. On ne parle plus de livrer une interface, mais de livrer un résultat. Le pricing suit : au ticket résolu, à la réunion organisée, au lead qualifié. Ce passage de « software-as-interface » à « software-as-outcome » redistribue les cartes. Les produits qui facturent l’accès à une fonctionnalité (le modèle du siège dans le SaaS) se trouvent en tension. Les produits qui assument la responsabilité d’un résultat dans la durée occupent une position plus défendable. Car promettre un résultat suppose de maîtriser le contexte métier, les contraintes opérationnelles, les intégrations, la conformité, bref, tout ce qui ne se génère pas avec un prompt.
Les « sunk costs » qui restent des actifs
La distinction la plus opérationnelle proposée par Steve Blank est peut-être celle-ci : il existe des coûts irrécupérables qui restent des actifs, et des coûts irrécupérables devenus des passifs.
Dans la première catégorie : les données propriétaires, la connaissance client, les intégrations physiques ou réglementaires, les positions acquises dans un écosystème. Ce sont des formes de contexte cristallisé : de la valeur accumulée qui ne se reproduit pas en un week-end à coups de prompts.
Dans la seconde catégorie : les grosses équipes d’ingénierie calibrées pour des cycles lents, le pricing par siège, les roadmaps orientées fonctionnalités plutôt que résultats. Ce sont des structures héritées d’un monde où la fabrication était le goulot d’étranglement.
Prenons l’exemple d’une société comme Pennylane (dont je suis fan du produit). Ce qui protège cette plateforme de comptabilité, ce n’est ni le capital ni le compute. C’est l’accumulation de données comptables dans un environnement réglementaire mouvant. Une copie de cette plateforme est faisable. Mais, quand les règles changent en permanence, qui va suivre l’évolution pour mettre à jour cette copie ? Pas grand monde.
Ce constat a une conséquence : la valeur d’un produit logiciel n’est pas le code mais son contexte cristallisé. Il s’agit de sa base installée, ses workflows éprouvés, ses données structurées, ses intégrations, ses relations avec les métiers, etc. Encore une fois, tout ce qui ne se génère pas avec un prompt et ne se copie pas en un sprint.
La distribution, actif irréductible
Quand tout le monde peut fabriquer ou copier vite, l’actif le plus rare n’est plus le code. C’est l’accès aux utilisateurs, la rétention, la boucle d’usage en place.
Et il ajoute un point clé : l’IA a une connaissance exhaustive du passé, mais elle ne sait rien de l’émergent. Les signaux faibles, le terrain, les intentions restent des richesses rares.
La distribution ne se télécharge pas, ne se copie pas, ne s’achète pas en un clic. Elle se construit par la crédibilité, la présence, le réseau, la réputation. C’est un actif profondément humain dans un monde où la production devient algorithmique.
OpenAI elle-même formule son « triangle stratégique » comme compute, distribution et capital. Deux de ces trois piliers (compute et capital) relèvent de la puissance financière. Le troisième, la distribution, relève du terrain.
Ce que le produit logiciel devient
Si l’on rassemble ces fils, le produit logiciel de demain ne ressemble plus à celui d’hier. Ce n’est peut-être plus une application monolithique vendue à la licence ou l’abonnement. C’est un peut-être un agent adaptable, piloté par du contexte métier, déployé dans un environnement d’exécution sécurisé, et facturé au résultat.
Le cas échéant, le maintenir ne ressemblerait plus du tout à de la maintenance classique. C’est de la curation de contexte : quelles données injecter, quels garde-fous poser, quels agents orchestrer, quelle gouvernance appliquer.
Le produit logiciel ne disparaît pas. Mais la part du code dans sa valeur diminue, tandis que la part du contexte, de la distribution et de la responsabilité augmente.
Pour les acteurs du secteur, la question posée par Steve Blank reste la plus inconfortable et la plus nécessaire : si vous recommenciez aujourd’hui, avec les outils d’aujourd’hui et dans le marché d’aujourd’hui, que construiriez-vous réellement ?
La réponse honnête à cette question est probablement le meilleur test de survie qui existe.
Conclusion
C’est précisément cette conviction qui guide notre travail à La Forge depuis 2020. Notre mission est de forger des produits IA qui démultiplient les savoir-faire et rendent leurs utilisateurs meilleurs dans ce qu’ils font. Pas de produire du code. Pas de livrer des interfaces. De transformer un savoir-faire métier en actif logiciel durable, ancré dans un contexte réel, distribué à des utilisateurs réels, et assumé dans la durée.
Si la valeur quitte le code pour migrer vers le contexte, la distribution et la responsabilité, alors la question pour chaque organisation devient : qui va m’aider à cristalliser mon savoir-faire avant qu’il ne devienne reproductible par n’importe quel agent ?
C’est à cette question que nous répondons, un produit à la fois 👍
Nous en sommes le carburant. Comment sortir de ce piège ?
🧠 Kant donne le cadre moral. Nietzsche, le cadre existentiel.
Kant rappelait que l’être humain est une fin en soi, jamais un simple moyen. Or, les usages actuels de l’IA transforment nos savoir-faire, nos données et nos créations en matière première exploitable. L’humain devient une ressource extractible.
Ce glissement entraîne deux dérives majeures : 1️⃣ Instrumentalisation. Nos compétences deviennent du carburant d’entraînement. Le système capte nos idées, notre créativité et organise leur valorisation ailleurs. L’utilisateur perd son rôle d’agent créateur de valeur.
2️⃣ Inégalité. La méritocratie reposait sur le travail et la compétence. L’IA fait dépendre la valeur de la puissance de calcul, des données et des infrastructures. Le capital technique surpasse l’effort individuel, créant une élite technologique et une masse d’utilisateurs captifs.
Ces dérives brisent notre contrat social et contredisent l’idée de l’humain comme fin.
Nietzsche offre ici un contrepoint utile. Il voyait l’homme comme capable de créer ses propres valeurs et de ne pas subir les systèmes qui l’enserrent. Autonomie, responsabilité, affirmation de la vie.
Dans l’ère numérique, cela signifie cultiver nos qualités distinctives: – créativité, – empathie, – jugement.
Et les rendre opérantes dans nos usages de l’IA, au lieu de s’en remettre passivement aux systèmes.
Autrement dit, construire une IA qui augmente l’humain au lieu de l’appauvrir.
C’est le socle de notre travail à La Forge : concevoir des produits IA performants, durables et responsables. Ce qui implique : – de rendre leurs utilisateurs meilleurs dans ce qu’ils font, – de considérer l’humain comme une finalité (et non un moyen), – de renforcer l’autonomie (plutôt que la dépendance).
Le sens n’est pas donné par la technologie. Il est forgé par celles et ceux qui l’utilisent et la conçoivent.
Notre responsabilité collective est de structurer l’IA comme multiplicateur humain et non comme extracteur systémique.
🤔 La question que l’on doit tous se poser maintenant : quelles mesures concrètes pouvons-nous déployer, dans nos organisations et nos sociétés, pour que l’IA soit un multiplicateur humain plutôt qu’un extracteur systémique ?
Le véritable enjeu stratégique, c’est la collecte et l’exploitation de nos données.
Dans un échange récent, Robby Stein (VP Product, Google Search) rappelle une vérité rarement abordée dans le débat public : ce qui donne à Google (ou à tout géant technologique) son avance, ce n’est pas uniquement sa capacité à entraîner des modèles. C’est l’immense volume de données d’usage collectées via les services du quotidien.
C’est ce qu’il sait de nous. Gmail, Maps, Chrome, Drive…
Ces données permettent d’améliorer en continu les modèles, mais surtout d’accroître la personnalisation, jusqu’à rendre certains services quasi incontournables.
La mécanique est simple. Un modèle moyen nourri de beaucoup de données dépasse un excellent modèle qui n’a presque rien à apprendre. Énoncé ainsi, cela paraît trivial. Pourtant, cette réalité change notre responsabilité collective.
Si nous voulons des champions français et européens capables de rivaliser, il faut leur donner les moyens d’apprendre, de progresser et de rester compétitifs. Cela implique de les utiliser, de tester leurs produits et de leur confier nos données de manière encadrée, maîtrisée et transparente.
C’est exactement la mission de La Forge : construire des produits d’IA utiles, responsables, qui démultiplient les savoir-faire de ses utilisateurs. Une solution IA qui respecte l’utilisateur, exploite raisonnablement des données et crée de la valeur pour les écosystèmes qui les portent. Ni défiance généralisée, ni dépendance aux plateformes étrangères. Une voie concrète et pragmatique.
À l’heure où les géants renforcent leur avance grâce à ce qu’ils savent déjà de nous, une question devient stratégique : voulons-nous simplement consommer l’IA des autres, ou participer à l’écriture de notre propre modèle de société numérique ?
Il y a de fortes chances que nous en soyons déjà tous un peu victimes. Le New York Times a publié une enquête qui chiffre ce que beaucoup observent depuis des mois : l’exposition continue aux contenus pauvres, rapides et automatisés détériore les capacités cognitives.
Et l’association IA + réseaux sociaux amplifie le phénomène.
Perte d’attention. Mémoire immédiate affaiblie. Raisonnement appauvri. L’ère du brain rot est là.
Un chiffre frappe particulièrement : 👉 Dans une étude du MIT, 83 % des participants ayant utilisé un chatbot pour rédiger un texte étaient incapables de citer une seule phrase une minute plus tard. Leur activité cérébrale était la plus basse du panel.
Ce n’est pas un problème d’IA. C’est un problème d’usage.
Nous consommons des résumés instantanés au lieu d’explorer, analyser, comprendre. Résultat : les scores de lecture, de mémoire et de vocabulaire chutent dans de nombreux pays, surtout chez les adolescents.
Il y a pourtant une alternative à défendre !
L’IA peut produire exactement l’inverse :
augmentation des compétences
meilleure capacité d’analyse
accélération de l’apprentissage
À La Forge, nous en sommes convaincus : tout dépend de la qualité des produits IA que nous fabriquons.
Un bon produit IA supporte l’expertise humaine, renforce l’autonomie, améliore la prise de décision et augmente la valeur ajoutée de chacun. Il enrichit les savoir-faire au lieu de les appauvrir.
Il n’éteint pas la pensée, il l’amplifie.
Le défi n’est donc pas d’éviter l’IA, mais de concevoir ce qui élève par l’IA.
🔥 Et vous, comment percevez-vous ce risque de « brain rot » ? Votre retour m’intéresse et vos partages permettront d’élargir les échanges 🙏
Les fonds voient passer la même chose en boucle, donc ils haussent le niveau d’exigence.
Jennifer Keiser Neundorfer (January Ventures) le dit très clairement : ce qui compte n’est plus l’IA en elle-même, mais la capacité à en faire un vrai produit. La techno est devenue une commodité. La vision produit, non.
Ce qu’elle regarde, et que nous voyons aussi à La Forge:
Sortir du gadget IA : Ne pas ajouter un bouton magique, mais réécrire le workflow. Si l’IA ne change pas une étape entière, ce n’est pas assez.
Avoir un avantage défendable : Donnée propriétaire ou difficile à obtenir. Et un accès marché clair. Sans « secret sauce », même la meilleure démo meurt.
Prouver la valeur économique : Qui paie, combien, pour quel gain mesurable. L’inférence a un coût. Il faut montrer que le client le couvre et y gagne.
Démontrer l’exécution : Pilotes, POC, premiers clients. C’est le signal le plus fort. On finance ceux qui font, pas ceux qui racontent.
Être un cran en avance : Ne pas copier la démo du moment. Construire pour la vague suivante.
Message important : en 2025, ce n’est pas la techno qui manque. Ce qui manque, c’est la clarté produit. Ceux qui la travaillent sérieusement sortent du bruit.
C’est exactement pour ça qu’on a créé La Forge : faire des produits qui change vraiment la façon de travailler, porté par une équipe qui montre des résultats dès maintenant. Pas pour faire des PoC jetables, mais pour faire émerger des produits IA qui rendent leur utilisateurs meilleurs.
Notre société obsédée par la performance oublie l’essentiel : la robustesse.
Dans le vivant, ce n’est ni la vitesse ni la perfection qui garantissent la survie, mais la robustesse qui est le fruit de l’adaptabilité, de la coopération et de la diversité.
Le biologiste Olivier Hamant le montre : le vivant valorise l’imperfection, l’hétérogénéité, la lenteur et le bricolage plutôt que l’optimisation rigide. Les êtres vivants sont robustes avant d’être performants ; ils traversent des fluctuations en s’adaptant, pas en maximisant.
Cette logique rejoint la vision d’entrepreneur d’Alexandre Mulliez (podcast Génération Do It Yourself#gens) : la performance n’est pas un but, c’est un résultat. On sert d’abord le client et on donne de l’autonomie aux équipes ; si ces deux axes sont bien traités, les KPI suivent. C’est l’esprit Toyota : s’occuper des clients et des équipes, pas courir après les chiffres.
Et avec Nicolas Ravier, je découvre les travaux de Tanguy Châtel sur la vulnérabilité féconde : accepter nos limites n’est pas faiblir, c’est ouvrir des boucles d’apprentissage qui alignent nos actions avec nos valeurs, renforcent les liens et libèrent la créativité.
Voilà le chaînon manquant : l’obsession de performance rigidifie et fragilise ; l’acceptation de la vulnérabilité crée des apprentissages, donc de la robustesse… qui, elle, conduit à une performance durable.
La leçon pour l’IA ? Cessons d’en faire une machine à optimiser qui remplace l’humain. Construisons des systèmes qui augmentent l’intelligence collective, la coopération et l’apprentissage continu. La robustesse d’abord, la performance ensuite.
C’est l’engagement de La Forge : développer une IA au service des savoir-faire des individus, de la robustesse des territoires et d’un modèle économique et social pérenne.
Le chiffre est brutal : environ 95 % des projets pilotes d’IA générative n’aboutissent pas à un déploiement en production et ne produisent aucune valeur mesurable pour l’entreprise.
Pourquoi cet échec massif ?
Parce que nous nous concentrons sur le déploiement d’assistants génériques ou généralistes (« one-size-fits-all tools »), alors que la fiabilité et l’efficacité résident dans les usages spécialisés, conçus pour des problèmes précis. L’approche des géants de la Tech, qui consiste à vendre de l’IA généraliste (comme Copilot) est en train de générer un manque à gagner estimé à 800 milliards de dollars pour les entreprises d’IA d’ici à 2030.
L’histoire de l’IA le prouve : des exemples comme AlphaFold (DeepMind) pour la prédiction de la structure des protéines ou les systèmes de conduite autonome de Waymo (Alphabet) prouvent que l’efficacité et la fiabilité résident dans la spécialisation. Ces systèmes sont bâtis sur la base de connaissances expertes spécifiques.
L’IA Gen et l’IA Agentique sont des opportunités incroyables pour se transformer, mais encore faut-il les utiliser au bon niveau.
Prenons une image : l’IA doit augmenter nos expertises, faire de nous des chirurgiens plus que des managers de tâches. Le chirurgien se concentre sur la partie critique du travail, laissant les tâches secondaires. Il entre dans une salle d’opération préparée. Il est prêt à faire ce pourquoi il excelle.
✊ Faisons de même. Soyons des artisans-experts et déléguons aux agents IA les tâches préparatoires ou secondaires.
🎯 Il est devenu vital de concevoir et de lancer ces outils spécialisés qui servent l’expertise humaine. C’est notre mission à La Forge. Nous sommes un Product Studio IA qui bâtit des solutions pour démultiplier les savoir-faire par l’intelligence artificielle et rendre les individus meilleurs dans ce qu’ils font.
🎁 Si vous vous interrogez sur le niveau d’utilisation de l’IA dans vos activités, envoyez-moi un message direct ou par commentaire et je vous partagerai notre méthode de diagnostic flash.
En matière d’IA, on parle souvent d’emplois. On parle moins de qualité et de salaires.
L’IA telle qu’imposée par les gros acteurs de la tech installe une réalité simple : une course au toujours-moins-cher, au détriment de l’expertise et de la qualité.
Quand on nous propose comme seule stratégie l’automatisation de tâches ou le déploiement d’agents conversationnels génériques, je m’inquiète…
C’est une course au moins-disant :
Moins de qualité pour des services et produits standardisés, conçus pour dominer le marché par les prix.
Moins de valeur pour les travailleurs, avec une déqualification massive (deskilling) et une pression à la baisse sur les salaires.
Moins de singularité, car les savoir-faire et les expertises métiers sont laminés par des solutions génériques, souvent étrangères.
Résultat ? Un modèle économique qui n’a rien à envier à la fast fashion : des produits et services jetables, conçus pour être remplacés, jamais pour durer.
Les professions techniques et intellectuelles (développeurs, juristes, designers) sont en première ligne : déqualification, pression sur les salaires, érosion des emplois intermédiaires.
Faut-il accepter cette fatalité ? Je ne pense pas, non.
La Forge, contre l’allorythme (rythme étranger à soi), pour une IA qui élève.
Nous refusons la médiocrité déflationniste. Notre mission ? Démultiplier les savoir-faire par l’IA pour rendre les individus meilleurs dans ce qu’ils font.
Notre réponse ? Un Product Studio IA qui place l’excellence au cœur de la technologie pour créer de la valeur au lieu d’alimenter la perte de qualité.
Nos 3 leviers pour briser la spirale :
1️⃣ Valoriser les savoir-faire singuliers : pas de solutions génériques. Nous co-développons des produits IA concrets, ancrés dans les expertises et les territoires.
2️⃣ Repenser la souveraineté : aider les entreprises à devenir éditrices de leurs solutions IA, pour capter la valeur créée. Éviter la dépendance aux plateformes étrangères qui uniformisent et appauvrissent.
3️⃣ Sortie de la guerre des prix : En développant des produits IA à forte valeur d’usage, nous quittons la spirale déflationniste pour des modèles économiques basés sur la valeur créée.
Et vous, quel rôle jouez-vous dans cette bataille ?
👉 Avez-vous déjà été confronté à cette logique de déflation par l’IA ?
Seulement 14% des enseignants français ont utilisé l’intelligence artificielle en classe cette année.
14%. Le chiffre le plus bas de toute la zone OCDE.
À Singapour, c’est 76%. 3 enseignants sur 4.
Chez nous ? À peine 1 sur 7.
J’ai lu ce week-end l’enquête internationale sur l’enseignement et l’apprentissage de l’OCDE publiée le 7 octobre et c’est édifiant !
Pendant que d’autres pays inventent déjà la salle de classe augmentée, la France reste coincée dans une logique d’interdiction, de retard, et de peur.
Résultat : nous creusons l’écart avec ceux qui forment déjà leurs enfants à vivre avec l’IA.
Ne nous trompons pas : le problème n’est pas les enseignants car ils sont passionnés et engagés.
Le problème, c’est un système qui ne leur donne ni formation, ni outils, ni confiance. Moins de 10% ont reçu une formation à l’IA. Et on s’étonne qu’ils n’osent pas se lancer…
La réalité est crue : nous sommes de très mauvais élèves.
Mais le constat n’est pas une fatalité. Au contraire, c’est un point de départ.
« Il ne faut pas avoir peur de se lancer » nous dit d’ailleurs Éric Charbonnier, analyste à l’OCDE. La France a toutes les ressources pour rattraper son retard : des enseignants passionnés et innovants, des chercheurs de pointe en IA, des startups EdTech pleines d’idées, et des parents prêts à soutenir les initiatives positives pour nos enfants.
Ce qu’il nous faut maintenant, c’est une mobilisation collective et réelle : former massivement nos professeurs aux outils numériques et à l’IA créer un cadre clair et éthique pour leur usage en classe, et surtout partager les bonnes pratiques entre enseignants.
La France a raté le début de la course, mais la course n’est pas finie. Mais je refuse que l’école de la République reste à la traîne sur un enjeu si crucial pour l’avenir.
Maintenant, on appuie sur l’accélérateur sans jamais perdre de vue l’essentiel : l’humain.
Ne laissons pas l’école française devenir un musée. Forgeons ensemble son avenir : – Enseignants : quels sont les freins à lever ? – Élèves et étudiants : quelles sont vos idées et attentes ? – Parents : quelles garanties attendez-vous ? – Citoyens : quelle initiative locale seriez-vous prêts à soutenir ?
Partagez vos idées et identifiez une personne à qui faire passer le message 👍
🥋Croire qu’on peut former une génération à coups de prompts, c’est oublier que même Daniel LaRusso a dû peindre des palissades avant de monter sur le tatami.
Face à l’IA deux voies s’offrent à nous :
🏖️ La voie de la facilité : tout, tout de suite
C’est la tentation de la passivité devant des outils qui font à notre place.
Conséquences immédiates :
Tremplins cassés. L’IA automatise les tâches et supprime les petits boulots. Toutes ces missions ingrates qui forment les juniors par la pratique. Plus de terrain d’apprentissage, c’est moins de compétences.
Écart qui se creuse. En valorisant ceux qui savent l’utiliser pour leur métier, l’IA profite qu’aux experts.
Créativité en trompe-l’œil. Oui, l’IA peut doper la créativité individuelle. Collectivement, elle uniformise et appauvrit la nouveauté.
Pensée atrophiée. Les LLM améliorent l’apprentissage immédiat, mais n’entraînent pas à la réflexion. Quand tout arrive prémâché, la pensée critique s’effrite.
Dépendance algorithmique. Les plateformes actuelles transforment le savoir en spectacle cognitif. Vidéos courtes, contenus générés à la chaîne. Du fast-food mental qui stimule la dopamine, rend accro, mais ne nourrit pas l’esprit.
🤓La voie de l’excellence : prendre le contrôle pour exiter l’IA qui nous grandit
Les juniors n’apprendront pas par magie. Ils apprennent comme Daniel avec M. Miyagi : lentement, par la répétition, l’effort. « Wax on, wax off » : des gestes apparemment inutiles qui forgent les réflexes et la maîtrise.
Si vous n’avez pas la ref regardez :
À nous de faire de l’IA un entraîneur exigeant comme M. Miyagi, pas une béquille intellectuelle.
Il est temps de choisir la voie de l’excellence, pour faire de l’IA un levier de développement et non un gadget d’assistanat.
C’est la mission de La Forge : rendre les individus meilleurs par l’IA.
Qui est partant pour cette approche exigeante ?
Si le sujet vous parle et que vous souhaitez participer à nos travaux sur le sujet, avec vos équipes et les nôtres, contactez-moi.
Quelques articles très interessant pour étayer ce constat :
Avec la Gen AI, on peut produire des kilomètres de slides qui donnent l’illusion de bosser. Du verbiage calibré, des KPI sous Lexomil, et zéro valeur sur le terrain.
👀 À lire si vous souhaitez sortir de la « doxIA » qui nous empêche de voir les vrais enjeux.
Quelques constats tirés l’articke, très bien sourcé, en particulier avec le livre d’Emmanuelle Duez sur la transfo du travail avec l’IA :
1️⃣ L’engagement au travail s’effondre, la productivité patine, la « permacrise » sert d’alibi. Résultat : on commente la carte au lieu d’aller sur le territoire.
2️⃣ Agents IA : oui, ils arrivent. Non, ils ne vont pas » tout remplacer » demain matin. Ils déplacent le travail plus qu’ils ne le suppriment. La vraie question n’est pas quand adviendrait l’IA générale, mais » que fait-on maintenant avec la CI (Cognitive Intelligence) pour augmenter le travail réel ? »
3️⃣ Vibe coder n’est pas industrialiser. Générer du code, ça va vite. Le maintenir, l’intégrer au legacy, sécuriser, versionner… c’est là que la belle théorie se casse les dents. La révolution avance, mais à la vitesse d’un marathon. Ceux qui vendent le sprint vous vendent surtout du rêve.
4️⃣ Le piège du metaland. Le metaland, c’est la carte : tableaux de bord, frameworks, narratifs. C’est super utile (et facile à coup de GenAI) mais à condition de rester couplé au territoire (le gemba). Débranché du réel, ça produit du bruit plutôt que de la valeur, alimente le désengagement et les “bullshit jobs”.
Ces constats nourrissent nos réflexions La Forge dont la mission est de valoriser les savoir-faire par l’IA, partir du terrain, livrer des produits utiles, mesurer l’impact, industrialiser. Pas l’inverse.
Merci Yves Caseau pour ce joli morceau de réflexion partagée 🙏
Je vous recommande la lecture d’un article très intéressant à propos du livre « The AI Con » d’Emily Bender et Alex Hanna.
Quelques extraits qui valent le détour : ➡️ « L’intelligence artificielle est un terme marketing ». ➡️ « Babysitter les IA : l’exploitation est la norme. » ➡️ « tenter de remplacer le travail par des systèmes d’IA… c’est moins pour plus de préjudices. » ➡️ « L’IA n’est qu’un pauvre fac-similé de l’État providence. » ➡️ « La capacité des modèles d’IA générative à performer aux évaluations tient d’un effet Hans le malin. »
⚠️ Pourquoi c’est important : ces rappels recadrent ce qu’est (et n’est pas) à l’IA. Loin de l’anthropomorphisme et de la hype, l’article recentre le débat sur ce que l’IA fait réellement aux organisations, aux métiers et au travail. Ils invitent à évaluer l’utile, pas l’illusion.
Notre mission : Nous sommes dans le vrai à vouloir augmenter les savoir-faire plutôt que de les imiter.
Notre ambition : lancer des « Produit IA » qui rendent leurs utilisateurs meilleurs dans leur métier.
Notre boussole : mesurer la progression de l’utilisateur plutôt que de collectionner des benchmarks déconnectés.
Notre méthode : de l’idée à l’adoption, en développant des logiciels avec une UX pédagogique et une gouvernance responsable, ancrée dans les usages réels.
Si vous voulez démystifier (vraiment) et vous approprier le sujet, écoutez cet épisode de La Science CQFD. C’est clair, pédagogique, et… ça remet quelques pendules à l’heure !
Pourquoi ça vaut votre temps :
1️⃣ Des intervenants solides, pédagogues : Clémentine Fourrier (Hugging Face) décortique les benchmarks comme des « opérationnalisations » de nos idées sur l’intelligence (connaissance, mémoire, suivi d’instructions, raisonnement). Alban Leveau-Vallier replace tout ça dans l’histoire des sciences de l’esprit : de l’effet ELIZA au test de Turing, jusqu’aux « capacités émergente » des LLM. On sort de l’incantation, on comprend les mécanismes.
2️⃣ Anti-arnaque en bonus : on y découvre comment certains tests finissent « contaminés » (les modèles ont déjà vu les questions) ou « saturés » (tout le monde optimise le même score). ⚠️ Autrement dit : chiffres impressionnants ≠ intelligence générale. Parfait pour éviter la stratégie des go-go de l’IA façon terre brûlée : vendre des miracles, encaisser, et laisser entreprises & utilisateurs sur le carreau.
3️⃣ Des exemples concrets : du « Dernier examen de l’humanité » (où les IA plafonnent ~10 %) au test SARA (raisonnement fiscal) qui montre des progrès spectaculaires mais non transférables tels quels au réel. On comprend où l’IA performe, où elle hallucine, et pourquoi.
Penser « IA », c’est surtout évaluer nos hypothèses sur l’intelligence toute humaine. Au final, c’est moins de magie, plus de méthode => des choix produits et métiers plus pertinents.
Encore une perle d’Hubert Guillaud, à partir des travaux de Nolwenn Maudet.
Tout d’abord le constat ➡️ l’IA générative c’est la standardisation des interactions : mêmes patterns, mêmes frictions, moins de contrôle. On “simplifie” en retirant le volant. ⚠️ Paupérisation des usages
Ce que je retiens et qui fait écho à nos convictions à La Forge :
Les interfaces ne sont pas une fin : elles permettent l’action humaine. La vague IA pousse pourtant à les effacer au profit d’agents « tout-en-un ».
Du côté IA, méfiance envers l’action explicite des utilisateurs ; du côté design, volonté de laisser paramétrer et régler.
« Le design reste la condition de succès de l’IA » : le succès de TikTok tient d’abord à son UX (le scroll hypnotique) plus qu’au seul algo de reco.
Standardisation et appauvrissement des interactions : on revient vers une « informatique mainframe ». 🤕 Ça pique, mais je trouve la comparaison tellement juste !
Reco de Nolwenn Maudet : 1️⃣ Améliorer les IA et améliorer les interfaces nécessite une bien meilleure collaboration entre les concepteurs d’IA et les concepteurs d’interfaces. 2️⃣ réaffirmer l’objectif de l’IHM : « mettre la puissance de l’ordinateur entre les mains des utilisateurs et d’accroître le potentiel humain plutôt que celui de la machine ».
Conclusion : l’IA a besoin d’interfaces, d’une manière ou d’une autre. A nous de les concevoir !
Pour offrir les meilleures expériences, nous utilisons des technologies telles que les cookies pour stocker et/ou accéder aux informations des appareils. Le fait de consentir à ces technologies nous permettra de traiter des données telles que le comportement de navigation ou les ID uniques sur ce site. Le fait de ne pas consentir ou de retirer son consentement peut avoir un effet négatif sur certaines caractéristiques et fonctions.
Fonctionnel
Toujours activé
L’accès ou le stockage technique est strictement nécessaire dans la finalité d’intérêt légitime de permettre l’utilisation d’un service spécifique explicitement demandé par l’abonné ou l’utilisateur, ou dans le seul but d’effectuer la transmission d’une communication sur un réseau de communications électroniques.
Préférences
L’accès ou le stockage technique est nécessaire dans la finalité d’intérêt légitime de stocker des préférences qui ne sont pas demandées par l’abonné ou l’internaute.
Statistiques
Le stockage ou l’accès technique qui est utilisé exclusivement à des fins statistiques.Le stockage ou l’accès technique qui est utilisé exclusivement dans des finalités statistiques anonymes. En l’absence d’une assignation à comparaître, d’une conformité volontaire de la part de votre fournisseur d’accès à internet ou d’enregistrements supplémentaires provenant d’une tierce partie, les informations stockées ou extraites à cette seule fin ne peuvent généralement pas être utilisées pour vous identifier.
Marketing
L’accès ou le stockage technique est nécessaire pour créer des profils d’internautes afin d’envoyer des publicités, ou pour suivre l’utilisateur sur un site web ou sur plusieurs sites web ayant des finalités marketing similaires.
