Fermeture de l'écart de valeur de l'IA générative

Transcription complète

Conor Doherty: Ceci est Supply Chain Breakdown, et pendant les 30 prochaines minutes nous allons décortiquer l’écart de valeur de l’IA générative. Je m’appelle Conor. Je suis directeur de la communication ici chez Lokad, et à ma droite, comme toujours, le fondateur de Lokad, Joannes Vermorel.

Pour être clair, lorsque nous disons “generative AI value gap” nous entendons, et je cite, “l’absence générale de données claires soutenant un retour sur investissement (ROI) positif pour de nombreux projets d’IA en entreprise.” Avant d’entrer dans le vif du sujet, commentez ci-dessous quels problèmes de supply chain vous espérez voir résolus par GenAI, et envoyez également vos questions dès que possible. Joannes et moi en discuterons dans environ 20 minutes. Poursuivons.

Joannes, le contexte de cette conversation est né lorsque j’ai découvert certaines enquêtes de grandes sociétés de conseil et d’institutions publiques qui parlaient essentiellement du retour sur investissement douteux de ces projets d’IA dont nous parlons. Pour ceux qui l’auraient manqué, un très bref aperçu. Selon BCG, c’est-à-dire Boston Consulting Group, environ 75% des entreprises ne parviennent pas à étendre ou à monétiser leurs projets d’IA. Selon McKinsey, environ 80% ne constatent aucun impact sur l’EBIT. Selon PwC, au moins la moitié des entreprises n’ont même pas effectué de vérifications des risques liés à l’IA. Et selon KPMG, environ un exécutif majeur sur dix dans des entreprises valant des milliards de dollars est, je cite, très confiant quant à la perspective de voir un ROI pour leurs projets.

J’entends cela et je te réponds : Harvard, qui a déclaré que seulement entre 0,5% et 3,5% des heures de travail utilisent réellement l’IA générative, ce qui se traduit par une augmentation de productivité d’environ 0,5%. Le National Bureau of Economic Research en 2025 a indiqué que les chatbots d’IA n’avaient eu aucun impact significatif sur les revenus. Et enfin, selon Reuters, plus de 50% des grandes organisations ne suivent même pas le ROI de ces projets. Maintenant, Joannes, je pourrais continuer sincèrement pendant les 30 minutes complètes, mais je te demande : est-ce que l’une de ces données te surprend ?

Joannes Vermorel: Non. Ce sont exactement les mêmes schémas que l’industrie observe avec toutes les technologies transformatrices. Vous voyez, le web, il y a 25 ans, était exactement le même. Si l’on remonte 45 ans, c’était l’introduction de l’informatique dans les entreprises — pareil. Plus récemment, disons le cloud computing — encore, pareil.

Donc, en fin de compte, lorsque l’on a des technologies transformatrices, c’est très intéressant. Beaucoup d’entreprises voient la technologie, identifient correctement qu’elle est massive et transformatrice, et font quelque chose — et ça échoue lamentablement. Cela se produit encore et encore.

Il peut sembler que 90% d’échecs soient absolument terribles, mais la réalité est que les 10% qui réussiront changeront l’industrie à jamais. On peut donc avoir les deux en même temps : quelque chose qui connaît 90% d’échecs et 10% de succès qui font évoluer l’industrie. Si l’on revient au web, la réalité est que la quasi-totalité des investissements réalisés dans le domaine du web dans les années 2000 s’est déroulée de manière extrêmement médiocre, et pourtant nous voilà, 25 ans plus tard, et le web est partout. Le le e-commerce est super massif; plus de 80% des personnes trouvent leur partenaire en ligne, etc. L’impact est absolument énorme. Les vidéos et les films se vendent désormais via le web — Netflix. L’impact est énorme. Mais les portails web qui étaient à la mode dans les années 2000 ? Ils ont disparu. C’était parmi de nombreuses mauvaises idées similaires de l’époque. Et je pense que GenAI suit une trajectoire très similaire. Il y a une tonne de tentatives gadget-y qui échoueront.

Selon moi, ce n’est pas tant que nous constatons un manque de retours car, encore une fois, il s’agit d’une phase précoce pour les technologies transformatrices — il ne faut pas se laisser tromper par l’absence de métriques. La question est plutôt celle du manque de substance : faites-vous quelque chose qui a vraiment du sens ? Chez Lokad, nous avons plus d’une demi-douzaine de projets, et pour certains segments dans lesquels nous utilisons ces technologies, elles ont complètement révolutionné notre pratique. Nous n’allons pas revenir en arrière. Il y avait un monde avant et un monde après. C’est profondément différent — pour le mieux.

Conor Doherty: D’accord, je ne veux vraiment pas passer sous silence l’essentiel. Certaines personnes, moi y compris, ont souligné qu’il y a une énorme somme d’argent dépensée. Encore une fois, Gartner — je crois — a dit quelque chose comme qu’en 2025 il y aurait environ 644 milliards de dollars, si je me souviens bien du chiffre, estimés pour cette année. Tout le monde ne peut pas faire partie des 10% supérieurs. Cela représente donc beaucoup d’argent et une importante restructuration organisationnelle autour de cette technologie. Peut-on établir des parallèles entre, disons, l’hystérie des tulipes aux Pays-Bas au XVIIe siècle, la bulle internet, la crise financière mondiale ? Cela relève-t-il d’une hystérie ou y a-t-il une véritable substance ?

Joannes Vermorel: Les fondations sont réelles. Je veux dire, quiconque passe 30 minutes à jouer avec ChatGPT — le choc est tout simplement incroyable. Ces LLM accomplissent quelque chose d’époustouflant. Il en va de même pour la génération d’images ; idem pour toutes ces catégories de technologies génératives. Le choc est réel. Il y a vraiment quelque chose ici. Nous ne parlons pas de pure spéculation ; la technologie est réelle.

Maintenant, nous pouvons discuter de la question de savoir si la valorisation des entreprises qui sont à l’origine de ces technologies est justifiée. C’est une autre question qui dépend de savoir si la technologie restera limitée à un petit nombre d’entreprises en tant que fournisseurs, ou si elle sera largement commoditisée. Mais l’innovation technique est réelle.

Cependant, le problème est que de nombreuses entreprises abordent ces technologies transformatrices de la mauvaise manière. Elles identifient correctement le potentiel, puis elles allouent simplement un budget à ce sujet. C’était la même chose pour le web : “Le web décolle — d’accord, lançons un projet web de 50 millions de dollars. Ce sera un portail web, et nous allons consolider les idées de tout le monde et voir ce qui fonctionne.” Et devinez quoi ? C’était une perte d’argent à l’époque. GenAI est très souvent abordée de la même façon, et ce sera de l’argent gaspillé.

Le problème n’est pas quelque chose que l’on résout en dépensant plus d’argent. Il faut regarder à l’intérieur de son entreprise et identifier ce qui doit changer pour tirer parti de ces technologies — qui sont en fait très abordables. Encore une fois, c’était la même chose pour le web : le web est abordable; l’IA générative est abordable; l’adoption du cloud computing est abordable. Si vous l’utilisez à grande échelle, oui, cela coûtera cher. Mais lorsque l’on souhaite démarrer, il n’y a aucune raison de penser que l’exploitation de GenAI commence à des millions de dollars. Cela commence à 20 $ par mois avec un abonnement Google Gemini ou un abonnement GPT.

Pour moi, le véritable constat est qu’il y a un manque de substance parce que, très souvent, les personnes qui se lancent de la sorte n’ont pas d’empathie commerciale mécanisée. Elles manquent d’empathie pour leur propre entreprise quant à la manière dont elles vont l’utiliser — une empathie pour le cas d’utilisation : “Comment vais-je…” — ce qui serait une empathie avec le client; et ensuite une sympathie mécanique pour comprendre le potentiel et les limites de la technologie, de manière à ce que ce que vous entreprenez ait 90% de chances de réussir. Je veux dire, chez Lokad — avec de petits nombres — mais ma série de tentatives avec l’IA générative pour diverses choses réussit à plus de 90% parce que j’ai, je pense, une bonne idée des choses qui ont une très bonne chance de fonctionner, et je n’essaie même pas celles pour lesquelles je pense que cela ne va pas marcher.

Conor Doherty: Encore, c’est un point clé car ce que tu viens de dire — quand tu l’utilises —, en gros, environ 90% de taux de succès. Lorsque j’ai publié cela sur LinkedIn, j’ai reçu de nombreux retours privés de personnes disant, “Oui, pour moi, à un niveau individuel, c’est transformateur. Je suis passé d’un certain niveau de performance à un autre. Je peux paralléliser de nombreuses tâches différentes. Ma productivité individuelle a explosé.” La question devient alors : qu’est-ce qui manque ? Au niveau individuel, les gens peuvent être incroyablement productifs, mais lorsqu’une entreprise rassemble ces individus, soudainement, selon une vaste gamme de sources de données, cette productivité s’effondre.

Joannes Vermorel: Oui. Parce que, encore une fois, si vous lancez un projet GenAI — pour la grande majorité des entreprises — aborder la technologie transformatrice uniquement sous l’angle de la technologie est une erreur. Il faut penser : qu’est-ce que je vais faire pour mes clients qui rendra mon entreprise meilleure, plus efficace et qui servira mieux mes clients ? Et il s’avère que des choses qui étaient auparavant impossibles deviennent désormais possibles grâce à GenAI. Pas tout; beaucoup de choses qui étaient impossibles restent impossibles. Mais nous disposons d’une gamme d’options un peu plus large, et c’est là que réside une opportunité massive.

On ne peut pas simplement allouer de l’argent à GenAI et s’attendre à ce que ça donne des résultats. C’est exactement l’attitude que les entreprises avaient avec leurs portails web il y a 25 ans : “Oh, le web est génial — investissons des dizaines de millions dans quelque chose de web.” Non. Mais si vous avez l’idée, “Je vais lancer un le e-commerce store,” alors très bien, et vous l’exécutez brillamment. C’est très différent de dire, “J’investis 10 millions de dollars dans le web,” ou “Je construis un le e-commerce store et une le e-commerce experience pour ma base de clients.” C’est une proposition tout à fait différente.

Conor Doherty: Ensuite, cela nous ramène à un point clé. Si nous ne—si, d’accord, je paraphrase; vous pouvez me corriger si je me trompe—il semblait que vous disiez que vous n’étiez pas surpris qu’il n’y ait pas encore un ROI important parce qu’il est trop tôt pour le déterminer. D’accord, nous pouvons jouer avec cette hypothèse, mais vous devez quand même montrer un impact. Alors, si vous ne mesurez pas le retour sur investissement, quels sont, en général, les signes indiquant que les gens font les bonnes choses ou qu’ils ont un bon impact?

Joannes Vermorel: Si vous essayez d’utiliser ces technologies et que vous ne vous retrouvez pas dans une situation où vous dites, “D’accord, le monde dans lequel je vis aujourd’hui est désormais radicalement différent de celui d’avant,” alors vous avez manqué le virage. Pour donner quelques exemples : il y a quelques années, nous avons décidé d’opter pour la traduction automatisée. Notre site web est automatiquement traduit; cela fait des années que c’est le cas. Nous sommes passés de la gestion de plus d’une demi-douzaine de traducteurs professionnels à zéro, et tout est complètement automatisé. Désormais, dès que nous publions une page en anglais, en quelques heures, nous aurons la page traduite dans plus d’une demi-douzaine de langues.

Vous voyez, le “avant” et l’“après” représentent deux mondes différents. Dans un cas, nous gérions une équipe — nous avions même une application pour gérer le workflow de ces traducteurs. De nos jours, c’est entièrement automatisé. Un autre cas : les RFPs — Requests for Proposal. Certaines entreprises nous envoient des centaines de questions, et nous y répondons désormais automatiquement. Là encore, c’est le genre de chose où nous sommes passés de centaines de questions à “passons 20 minutes pour répondre à ces mêmes 400 questions,” puis quelques heures passées sur les plus importantes afin d’apporter la touche humaine et d’améliorer les réponses clés.

Sachez que dans les RFPs, vous avez des centaines de questions très banales comme “Accepterez-vous de souscrire à un NDA pour nos données?” et d’autres du même acabit. Des tonnes de questions banales qui nécessitent une réponse, mais qui ne méritent pas nécessairement l’attention d’un humain dans ce processus. Donc, je parle de quelque chose où, avec ou sans GenAI, l’impact n’est pas de 1%. Non — c’est le jour et la nuit. L’impact est absolument massif. Le nouveau processus est complètement différent de l’ancien et est perceptiblement bien meilleur, même si vous ne pouvez pas le mesurer précisément.

Il serait très difficile pour une entreprise comme Lokad de dire quel est le ROI exact de l’automatisation du problème extrêmement fastidieux de répondre aux RFPs. Vous pouvez mesurer en heures de travail le temps que cela prenait auparavant — oui — mais cela sous-estimerait considérablement le cas, car la réalité est que vous n’avez pas nécessairement autant de personnes dans votre équipe capables de répondre à cela, et les rares qui le sont trouvent cela extrêmement fastidieux. Ils n’ont pas envie de le faire; c’est une torture pour eux. Grâce à ce nouveau processus, vous pouvez conserver vos meilleurs éléments au sein de votre équipe commerciale plus longtemps. C’est très difficile à évaluer, mais l’impact est massif.

Conor Doherty: Encore, c’est un bon point car cela nous amène au sujet suivant, qui est : vous avez très bien exposé les applications marketing, les applications administratives. Lorsque nous parlons strictement du domaine de la supply chain et de l’optimization de la supply chain, connaissez-vous des cas d’utilisation spécifiques de GenAI qui sont en production ? La raison pour laquelle je pose la question est qu’une étude d’IDC, réalisée plus tôt cette année, a constaté que 88% — disons neuf sur dix — des pilotes GenAI dans ce domaine, les processus réels de decision-making de supply chain, n’aboutissent jamais en production. Ils appellent cela une zone morte de preuve de concept. Connaissez-vous donc des cas d’utilisation spécifiques de supply chain qui ont réellement été validés ?

Joannes Vermorel: Oui. Mais la supply chain est très quantitative — du moins telle que Lokad l’aborde. Il s’agit d’allocation de ressources. Vous voulez allouer vos ressources — stocks, capacité de production, capacité de transport, capacité d’étagère, etc. Si j’investis 1 $ de capacité dans quoi que ce soit — capacité de stocks, etc. — quelle option me procure le meilleur retour une fois que vous prenez en compte tous les futurs possibles, pour obtenir une décision optimisée et ajustée au risque ?

Maintenant, c’est un problème hautement quantitatif, et ici les LLM ne sont pas adaptés pour l’aborder directement. Ils peuvent l’aborder indirectement, potentiellement pour vous aider à générer la recette numérique qui régit vos décisions — si celles-ci sont régies par une recette numérique. Chez Lokad, c’est le cas pour les clients, mais pour la plupart des entreprises, ce n’est pas le cas, donc le LLM est impuissant.

Ensuite, vous avez quelques cas d’utilisation annexes — un complément. Par exemple, le nettoyage des données de catalogue : vous souhaitez améliorer vos étiquettes de produit ; vous voulez enrichir votre catalogue avec des catégories qui n’existaient pas. C’est le genre de choses pour lesquelles les LLM peuvent vraiment vous aider, mais cela ne résout pas le problème central de la supply chain. Cela rend simplement votre vie beaucoup plus facile pour résoudre certains des sous-problèmes de la supply chain. Donc, c’est bien; c’est utile — très utile —, mais si vous commencez en coup de tête en disant, “Je vais lancer un projet GenAI,” cela ne résoudra pas vos problèmes de supply chain. En ce qui concerne la supply chain, GenAI ressemble davantage à une technologie optionnelle qui, pour les sous-problèmes, vous facilitera grandement la vie.

Conor Doherty: Mais encore, nous ajoutons—“Oh, je vais juste brancher ça et tout roule”—au lieu de, “Voici des sous-applications utiles.” Elles ne sont pas aussi sexy qu’une transformation complète, mais elles aident.

Joannes Vermorel: Oui. Et quand on dispose de technologies transformatrices, il faut aussi repenser son entreprise. Pensez au web : vous avez un site web, mais en soi, il est plutôt inutile. Ces portails web étaient en grande partie insignifiants. Ce qui est, par exemple, très utile, c’est d’avoir le e-commerce. Mais alors, dans le e-commerce, cela signifie qu’il faut disposer d’un centre de distribution capable de gérer l’exécution des commandes. Ce n’est donc pas seulement la technologie web. Vous vous rendez compte que si vous voulez gagner de l’argent sur le web, il faut réorganiser toute votre entreprise pour pouvoir exploiter le e-commerce. C’est une transformation bien plus exigeante comparée au simple fait “d’investir et d’obtenir un site web.”

C’est là que je dis que ces investissements sont généralement mal orientés, car ils misent sur des portails web — et GenAI, c’est pareil — sur la technologie nue au lieu de considérer la transformation de l’entreprise qui l’accompagne. Un investissement guidé par des mots à la mode ne fonctionne tout simplement jamais, et c’est ainsi depuis probablement 50 ans dans le domaine de l’innovation logicielle.

Conor Doherty: Existe-t-il des signes subtils que les gens peuvent discerner en interne — par exemple, d’accord, je ne peux pas encore mesurer le ROI, mais voici quelques indications que peut-être il faudrait freiner un peu les dépenses, ou, au contraire, les augmenter ?

Joannes Vermorel: La réalité, c’est : ne le considérez pas comme un investissement. Il est trop tôt. L’investissement est un problème d’allocation de capital une fois que l’on connaît le terrain — une fois que je sais où je devrais investir. Ici encore, c’est une technologie très bon marché. La question est plutôt la suivante : avez-vous des personnes qui ont identifié quelque chose qui aurait énormément de sens et qui peut être prototypé — même au niveau d’un seul employé ? Avez-vous quelque chose qui fonctionne, et puis vous dites, “D’accord, j’ai ce truc ; ça a vraiment du sens. Je vois que ça résonne. Je n’ai même pas besoin de métriques sophistiquées — je sais que c’est bon.”

Pensez à l’époque où je suis passé de la gestion de six traducteurs à une traduction entièrement automatisée de bout en bout. Je n’ai pas réalisé d’étude de cas. C’était très évident. De plus, nous avons obtenu de meilleures traductions. Vous pourriez penser, “Si une machine s’en charge, cela va être pire.” Il s’est avéré que la qualité était supérieure. Pourquoi ? Parce que Lokad avait tant à traduire qu’au prix que nous négociations, nos traducteurs ne pouvaient pas consacrer un temps infini à chaque page. Cela devait être fait rapidement, et parfois, la qualité en pâtissait. GenAI a résolu ce problème.

Vous pouvez d’abord le faire à une échelle limitée : “J’utilise un changement pour traduire — est-ce que cela fonctionne ? Puis-je fournir des instructions contextuelles supplémentaires pour améliorer la traduction ?” Oui — et ça fonctionne. Une fois que j’ai validé cela, je peux passer à la phase d’investissement où je robotise le processus — pas pour une page, ce n’est qu’une démo, mais pour mille pages — et mettre en place l’infrastructure IT nécessaire pour rendre cela pratique. Lorsque je me suis engagé dans la robotisation de l’initiative, j’étais déjà convaincu à 100 % que cela fonctionnerait. J’avais déjà testé le système en traduisant manuellement quelques pages.

C’est la même chose pour le web. Si vous effectuez une première expérience — est-ce que cela a vraiment du sens ? Le e-commerce : si je commence à vendre quelques produits en ligne, est-ce que cela a du sens ? Y a-t-il quelqu’un prêt à le faire ? Si je ne peux pas mener une première expérience qui corresponde à ce que j’essaie d’offrir à mes clients, c’est probablement insensé et vous devriez arrêter le projet avant d’y injecter davantage d’argent.

Conor Doherty: Vous décrivez des applications très, disons, basées sur le texte, et celles-ci sont assurément transformatrices — nous le savons, car nous les développons en interne. Il existe aussi d’autres applications, même aux premiers stades de la prévision, où vous pouvez déployer GenAI — et nous le faisons également, en utilisant des embeddings dans le cadre de la prévision initiale, etc. Il y a des applications des LLM dans ce domaine.

Joannes Vermorel: Oui, mais encore, c’est un ajout. L’essentiel, c’est de réaliser des prévisions probabilistes, et si vous utilisez des embeddings, vous pouvez obtenir des probabilités légèrement meilleures dans certaines circonstances. Mais ceci n’est qu’un élément — et ici, c’est très incrémental. Je pense que ce n’est probablement pas ce que recherchent les gens quand ils pensent à GenAI. Ils n’envisagent pas quelque chose qui va seulement améliorer légèrement un sous-processus. Ils veulent quelque chose de super transformateur et immédiatement visible.

Vous avez de telles situations. Par exemple, pouvez-vous automatiser la relation avec vos fournisseurs ? Ils écrivent des emails ; vous leur répondez par email. Cela peut-il être largement automatisé ? Vous n’avez pas besoin d’une entreprise IT et de plusieurs millions pour y parvenir. Vous pouvez réaliser une première expérience : puis-je composer un prompt qui donnerait une réponse raisonnable à une question posée par un fournisseur ? Puis-je composer un prompt qui générerait l’email que je souhaite envoyer à ce fournisseur ? Est-ce que cela fonctionne ? Puis-je obtenir un prototype fonctionnel, même basique ? Une fois cela établi, les entreprises pourront commencer à envisager d’automatiser de grandes portions de leur activité avec ce type de technologie.

Conor Doherty: Ce sujet est si intéressant parce qu’il comporte de multiples facettes. Nous avons abordé les applications potentielles, mais le processus réel de leur mise en œuvre est un grand problème. Permettez-moi d’ajouter un peu de contexte ici : beaucoup — trop pour que je puisse tout détailler, que je regroupe simplement sous le terme “de nombreuses études” cette année — soulignent qu’il y a un manque de gestion du changement robuste pour ces projets GenAI. Lire entre les lignes : ils sont simplement imposés. Pensez-vous qu’une meilleure gestion du changement aiderait à améliorer les chiffres en termes de ROI — formation, montée en compétences ?

Joannes Vermorel: C’est exactement de cela dont je parlais : l’allocation de capital. Le mot-clé pouvait être cloud computing, big data, blockchain, et maintenant c’est GenAI. “Nous allouons autant de millions à cela.” C’est tout simplement faux. Ensuite, on se demande à propos de la gestion du changement — non. Tout commence par “Il y a quelque chose que je comprends sur la manière de mieux servir mes clients”, et cela implique une transformation. Cette transformation devient possible au final simplement parce que GenAI est là, mais vous y voyez autrement.

Vous commencez par vous concentrer sur la formulation du bon problème. Quatre-vingt-dix pour cent de l’effort consiste à formuler le bon problème, et non à exécuter la technique. Pour reprendre l’exemple du web : le portail web pensait à créer un site web et des technologies web — c’était le problème. Il s’avère que ce n’est absolument pas le cas. Le web est facile du point de vue technologique. Mettre en place un site web actif, c’est la partie facile. Avoir une entreprise de le e-commerce rentable, c’est la partie difficile.

Donc, première expérience : “Je veux un segment de le e-commerce très florissant.” Peut-être vous rendez-vous compte que la partie web de cet investissement n’est pas vraiment liée aux technologies web. Vous avez bien d’autres problèmes à résoudre si vous voulez une entreprise de le e-commerce viable. C’est pareil pour GenAI : si vous pensez d’abord à la technologie, vous investissez là-dedans, mais pour la transformation que vous recherchez, 95 % de l’effort n’aura rien à voir avec GenAI. GenAI sera le seul composant qui rendra possible toute cette transformation ; autrement, cela aurait été impossible. Il ne fait qu’en permettre une partie, tandis que le reste de la transformation constitue votre véritable objectif. C’est votre point de départ. GenAI est simplement branché au bon endroit — critique, mais fondamentalement une technicalité.

Conor Doherty: Eh bien, de la manière dont vous le décrivez — je ne sais pas, parce que je vous connais bien à ce stade. Je ne suis même pas sûr que vous y croyiez — non, laissez-moi reformuler. Lorsque vous dites que ce que doivent faire les grandes entreprises, c’est repenser le problème, et qu’ensuite, une fois le problème repensé, elles peuvent remonter le fil et identifier les nœuds sur la carte où elles peuvent brancher l’IA — quelle est la probabilité que cela se produise, à l’échelle dont nous discutons, lorsqu’on parle d’un demi-billion de dollars?

Joannes Vermorel : Ça va être assez rare. D’après l’histoire, combien d’entreprises, il y a 15 ans, investissaient massivement dans des data centers ? Un tas d’entre elles. Qui a eu le courage de faire ce que Jeff Bezos a fait — « Nous investissons tellement dans nos data centers que nous allons les ouvrir au monde » ? Les gens auraient dit, « Amazon ? » Pensez à combien de banques disposaient de data centers super-larges ; elles auraient pu effectuer ce mouvement dix ans plus tôt. Amazon ne possédait pas, à l’époque, les plus grands data centers du monde. Il existait de très grandes institutions bancaires avec des data centers bien plus vastes. Mais le courage résidait dans ceci : cette technologie émergente que nous en venons à appeler cloud computing. Bezos a décidé : « Vous savez quoi ? Nous vendons des livres, mais nous allons aussi louer des serveurs. » C’est le genre de transformation dont je parle.

C’est très difficile, car cela requiert une transformation très profonde de votre entreprise. Statistiquement, si vous observez le siècle passé des affaires, très peu de grandes entreprises ont réellement réussi à le faire. Évidemment, un grand nombre d’équipes de direction brillantes parviendront à être ces exceptions qui surpassent le marché et opèrent le virage là où leurs pairs ont échoué. Mais elles resteront des exceptions.

Conor Doherty : Ensuite, nous revenons au point initial concernant essentiellement une bulle. Si beaucoup de gens investissent énormément d’argent dans une chose pour laquelle ils ne disposent pas des moyens nécessaires pour la gérer ou l’exécuter correctement, cela ne signifie-t-il pas qu’à un moment donné une masse critique sera atteinte et—

Joannes Vermorel : Une bulle, c’est comme si c’était vraiment exceptionnel. Ce que je vois dans GenAI, c’est que nous avons des valorisations très élevées pour une série d’entreprises — cela pourrait être une bulle, oui. Mais pour les entreprises qui dépensent de l’argent, selon moi, la base est probablement que 80 % de l’argent dépensé sur enterprise software est gaspillé. Voilà la base. Peut-être que pour GenAI, c’est 90 %, mais la base reste que 80 % est gaspillé.

Pour moi, il n’existe pas de bulle très spécifique dans le domaine de GenAI. C’est plutôt le mot à la mode du jour. Il y a quelques années, cela aurait été gaspillé dans la blockchain ; avant cela, gaspillé dans une initiative ponctuelle en big data ; avant cela, dans une initiative ordinaire du Web 2.0, etc. L’essentiel de l’argent dépensé par les grandes entreprises sur des projets logiciels est gaspillé — 80 % serait ma référence. Ici, ce n’est pas bien au-delà de la norme ; c’est simplement un peu plus élevé. Je ne verrais pas une bulle aussi significative sur ce front comparé aux valorisations vraiment époustouflantes dont bénéficient globalement les entreprises GenAI.

Conor Doherty : Il y a une autre dimension à cette considération, cependant, à savoir : de nombreuses entreprises — prenons-en une, sans parler de l’un de nos clients — Shopify, par exemple, qui introduit des compétences en GenAI comme exigence réelle lors du recrutement et pour évaluer ses candidats, parce qu’elle misent tout sur cette technologie. Il y a également l’effet réel de restructuration de l’emploi induit par cette technologie, qui, à court terme, pourrait en réalité ne produire aucun effet.

Joannes Vermorel : Là encore, c’est là que je remettrais un peu en question cette tendance. À mon sens, Shopify a un modèle d’affaires très spécifique qui n’est pas excessivement complexe. Si l’on prend l’exemple de nos clients — l’aviation, par exemple — il existe des milliers de métiers différents, extrêmement obscurs et très difficiles. Il faut des mois pour même comprendre ce qui se passe exactement dans ce segment, car c’est techniquement très exigeant et compliqué. Conor Doherty : Mais ils ne sont qu’un exemple de la tendance. Joannes Vermorel : Oui, et mon point est que pour quelque chose comme Shopify — c’est très bien si la culture d’entreprise s’oriente vers ces tendances émergentes — je pense toutefois que cela relèvera principalement de la haute direction pour identifier les éléments clés où GenAI transformera réellement l’expérience des clients et des partenaires de Shopify. Je ne perçois pas cette activité comme étant si diffuse qu’elle conduise à une transformation ascendante. Je dirais la même chose pour Apple. Quand vous avez une entreprise super-massive construite autour d’un produit hyper-réussi — l’iPhone — ce n’est pas le fait d’avoir 100 000 employés familiers avec GPT qui transformera votre entreprise. C’est plutôt le fait que les dirigeants de très haut niveau comprennent parfaitement ce que cela signifie pour Apple, pour l’iPhone, puis déploient quelque chose qui a véritablement du sens — en faisant les bons choix. C’est là que je dirais, oui, il y a un changement de culture, mais le défi pour la plupart des entreprises résidera davantage dans la direction que dans la base de la pyramide. Conor Doherty : Je vais insister un peu et vous demander — car c’est quelque chose qui m’a été communiqué en privé sur LinkedIn. Nous sommes sur YouTube en ce moment à cause de difficultés techniques avec LinkedIn, mais cela prépare la question suivante. Gartner — quoi qu’il en soit —, selon leurs Top 10 Strategic Technology Trends de 2025 (source), place l’agentic AI — des agents logiciels autonomes agissant comme des travailleurs virtuels — en tête de son classement. La question est donc : chatbots, agents IA — voyez-vous cela comme le facteur révolutionnaire que Gartner—

Si par « agentic AI » vous entendez le résultat — c’est-à-dire une prise de décision non assistée — où nous décidons de ce qu’il faut acheter, de ce qu’il faut construire, de l’endroit où stocker, et du prix affiché ; tout cela évolue quotidiennement, automatiquement, de manière non assistée — oui, c’est absolument massif. Ainsi, si Gartner entend par « agentic AI » ce résultat, alors je suis d’accord. Mais si, par « agentic AI », ils signifient intégrer un LLM dans le processus, alors je ne suis pas d’accord.

Conor Doherty : Je n’ai plus de questions. Je vais passer aux questions qui ont été soumises. Certaines d’entre elles sont arrivées via LinkedIn, même si nous sommes en réalité sur YouTube, alors merci pour cela — merci d’avoir assuré la transition. Donc, Joannes — oui, Joannes — je vais lire ceci mot pour mot ; c’est assez long : « Quelles métriques publiques pouvons-nous utiliser pour mesurer les progrès globaux de l’industrie dans l’adoption de l’IA générative et l’extraction de valeur financière à partir de celle-ci ? Devons-nous examiner les dépenses d’API GenAI, les licenciements massifs ou d’autres signaux ? » Puis-je répéter cela ?

Joannes Vermorel : Ce que Lokad fait depuis une décennie — oui, c’est absolument révolutionnaire —. Mais je mettrais de côté les mots à la mode. Ce que nous recherchons, c’est une prise de décision non assistée. C’est révolutionnaire. Alors, quelles sont les technologies qui le permettent ? Je dirais que les LLMs ne représentent qu’une infime partie optionnelle pour y parvenir.

Si par « agentic AI » vous entendez le résultat — c’est-à-dire une prise de décision non assistée — où nous décidons de ce qu’il faut acheter, de ce qu’il faut construire, de l’endroit où stocker, et du prix affiché ; tout cela change quotidiennement, automatiquement, de manière non assistée — oui, c’est absolument énorme. Ainsi, si Gartner entend par « agentic AI » ce résultat, alors je suis d’accord. Mais si, par « agentic AI », ils veulent dire intégrer un LLM dans le processus, alors je ne suis pas d’accord.

Conor Doherty : Je n’ai plus de questions. Je vais passer aux questions qui ont été soumises. Certaines d’entre elles sont arrivées via LinkedIn, même si nous sommes en réalité sur YouTube, alors merci pour cela — merci d’avoir assuré la transition. Donc, Joannes — oui, Joannes — je vais lire ceci mot pour mot ; c’est assez long : « Quelles métriques publiques pouvons-nous utiliser pour mesurer les progrès globaux de l’industrie dans l’adoption de l’IA générative et l’extraction de valeur financière à partir de celle-ci ? Devons-nous examiner les dépenses d’API GenAI, les licenciements massifs ou d’autres signaux ? » Puis-je répéter cela ?

Joannes Vermorel : Non, c’est bon. C’est une longue question. Ma suggestion est : ne vous fiez pas aux métriques. Ces dernières prendront du retard et, lorsqu’elles seront visibles, il sera trop tard. Encore une fois, pensez à Amazon avec le e-commerce. Amazon n’était rien, rien, rien — c’était insignifiant pour des entreprises comme Walmart — jusqu’à ce qu’elle devienne soudainement imparable et trop grande. La même chose s’est produite avec les appareils photo numériques par rapport aux anciens appareils photo chimiques : pendant longtemps, les appareils numériques étaient insignifiants, puis ils sont devenus soudainement dominants. C’est le principe de la plupart des transformations technologiques.

Il en est arrivé de même dans de nombreuses industries—for example, fly-by-wire for aviation. Ce n’était rien, puis Airbus l’a fait, et ensuite c’est devenu la norme, et tout ce qui n’était pas fly-by-wire était pratiquement voué à l’échec. Le problème est que les indicateurs seront en retard. Oui, vous verrez des licenciements, mais ces licenciements interviendront des années plus tard. Les entreprises peuvent automatiser et réaliser d’importantes économies de productivité, sans pour autant déclencher immédiatement des licenciements — elles veulent préserver le moral, être gentilles, donner aux gens l’opportunité de partir ailleurs — puis viendra une récession, possiblement une décennie plus tard, et alors il y aura des licenciements. On peut donc observer des effets très retardés.

Pour les dépenses API—oui, mais cela sera très difficile car vous aurez des spécialistes de l’IA ou des entreprises comme Lokad qui peuvent complètement fausser le marché parce qu’elles dépensent beaucoup. Lorsque vous constatez que beaucoup de personnes dépensent de l’argent, s’agit-il de votre entreprise moyenne, ou 90% des dépenses sont-elles effectuées par des entreprises très spécifiques—disons, l’industrie du jeu vidéo? Ce sera difficile.

Mon avis : ne prêtez pas trop attention aux métriques. Elles sont sans pertinence dans les cas de transformation technologique. Vous êtes replongé en 2000; vous n’avez pas expérimenté l’achat en ligne; essayez de vous projeter : “Est-ce que cela va changer la vie de mes clients s’ils peuvent acheter en ligne ?” C’est un exemple de quelque chose de transformateur. Réfléchissez : puis-je faire quelque chose de véritablement transformateur pour mes clients avec ces technologies ? Si oui, alors foncez. N’attendez pas. Si vous attendez, vous ferez face à des géants sortis de nulle part lorsque vous déciderez enfin de prendre cette direction.

Conor Doherty : Peut-être que c’est quelque chose—d’après ce que vous avez dit—chez Lokad, il y a évidemment une perspective ROI-first en ce qui concerne les décisions. Alors, aux CFO qui regardent—and we both know many in our networks—to the CFOs who are watching and who have got in touch privately to say, “Yeah, you know…” de temps en temps, à savoir : quel est le retour, de quelque manière que ce soit que vous souhaitez l’exprimer ? Quel est le retour ? Quel est l’impact ? Quel conseil leur donneriez-vous spécifiquement—aux CFO—en ce qui concerne la navigation dans ces projets et leur rôle dans tout cela ?

Joannes Vermorel : Pour les CFO, la question clé est : quelle est la valeur ajoutée de votre personnel de cols blancs ? Si nous devons procéder à une évaluation sérieuse, alors il faut poser des questions très difficiles et peut-être jouer avec ChatGPT pour réfléchir : est-ce que cette tâche va être automatisée, ou est-elle vraiment au-delà de ce que la technologie peut faire ? Vous n’avez pas besoin de consultants coûteux, ni d’entreprises informatiques onéreuses pour répondre à ces questions. Vous pouvez utiliser GPT et réaliser de petites expériences pour répondre à cette interrogation.

En faisant cela, vous pouvez répondre à l’essentiel du message : pensons-nous que ces technologies automatisent 10% de notre personnel, 20%, ou 90% ? Pour Lokad, il existe des catégories entières de tâches qui ont été automatisées à 100%—nous passons d’une demi-douzaine de personnes impliquées à zéro—pour cette tâche.

Donc, je dirais : commencez à établir une évaluation approfondie de votre personnel de cols blancs et de ce qui est exactement en jeu, puis définissez une trajectoire. Évidemment, cela permet seulement de voir la sorte de retour sur investissement, mais cela implique une transformation très profonde. Ce ne sera pas une démarche menée par les CFO. Ces transformations sont si profondes. Pensez à Amazon : vous êtes un libraire en ligne et vous voulez devenir un provider de cloud computing. Il est évident qu’au plus haut niveau, les décisions seront prises—probablement au niveau du CEO ; le CEO devra convaincre le board, compte tenu de l’ampleur des transformations dont nous parlons.

Conor Doherty : Eh bien, Joannes, nous sommes à court de questions et nous manquons définitivement de temps. Aux personnes qui ont assisté sur YouTube, et à celles qui regarderont cela plus tard, merci pour votre attention. Au fait, si vous n’êtes pas déjà en contact avec Joannes et moi sur LinkedIn—pourquoi pas ? Nous sommes formidables. Contactez-nous; nous discuterons. Mais sur ce, Joannes, merci beaucoup de m’avoir rejoint et pour vos réponses. Et à tous les autres, je dis : retournez au travail.