Automatiser sans repenser, c'est la façon la plus coûteuse de préserver le passé
Il existe une séquence de décisions qui se répète avec une constance surprenante dans les grandes entreprises dotées de budgets considérables pour la transformation numérique : elles identifient un processus qui génère des frictions, font appel à une technologie d'automatisation, déploient l'outil sur le flux existant et publient leurs avancées. Les tableaux de bord exécutifs affichent de la vitesse. Les présentations en comité parlent d'efficacité. Et six mois plus tard, les mêmes problèmes réapparaissent, désormais enveloppés dans un système bien plus difficile à démonter.
Ce n'est pas un phénomène anecdotique. McKinsey rapporte que 88 % des organisations utilisent l'intelligence artificielle dans au moins une fonction métier, mais que seulement 39 % lui attribuent un impact sur leur marge opérationnelle. La différence entre ces deux groupes ne réside ni dans le fournisseur choisi ni dans le budget alloué. Elle réside, presque invariablement, dans le fait que l'organisation a — ou non — repensé ses flux de travail avant d'introduire l'automatisation, ou si elle s'est contentée de les recouvrir d'une couche de technologie.
L'ampleur de cet écart mérite d'être lue avec attention. Nous ne sommes pas face à un problème d'adoption technologique. Nous sommes face à un problème de conception organisationnelle que la technologie rend visible à plus grande échelle et à un coût plus élevé.
Quand l'automatisation transforme l'erreur en vitesse
L'automatisation traditionnelle, fondée sur des règles définies et des flux étroits, présentait déjà cette fragilité. Si un processus contenait des exceptions non documentées, des étapes dépendant du jugement tacite de certains employés ou des données incomplètes qu'un collaborateur corrigeait manuellement avant que le système ne les voie, l'automatisation de ce processus produisait des résultats incohérents. Mais les volumes étaient limités et les dégâts restaient gérables.
L'IA agentique fonctionne différemment. Elle interprète des objectifs, génère des recommandations, active des flux et prend des décisions dans plusieurs systèmes simultanément. Cela la rend plus puissante dans des contextes bien conçus, et significativement plus néfaste dans des contextes mal conçus. Un agent déployé sur un processus dont la logique de décision est ambiguë ne détecte pas l'ambiguïté : il l'exécute avec cohérence et volume. Ce qu'un analyste senior résolvait auparavant par le jugement, l'escalade et l'intuition institutionnelle devient désormais un schéma automatisé d'erreurs qui circule dans le système avant que quiconque ne le remarque.
Le cas documenté d'une compagnie d'assurance Fortune 500 illustre ce mécanisme avec précision. L'entreprise disposait de procédures opérationnelles documentées et d'une base d'automatisation mature. Pourtant, le traitement direct des dossiers avait chuté de manière prononcée. Le diagnostic a révélé que l'automatisation avait été déployée sur des flux saturés d'exceptions. Le résultat était un système fragile et coûteux. La solution n'a pas été davantage de technologie : ce sont des experts métier qui ont repensé le flux, éliminé les goulots d'étranglement et attribué des responsabilités claires à des responsables désignés. Après cela, la performance s'est améliorée de façon soutenue.
Le schéma que révèle ce cas n'est pas d'ordre technique. Il relève de la conception organisationnelle. L'automatisation a amplifié la structure préexistante, défauts compris. Ce qui manquait n'était pas un meilleur modèle d'IA, mais un processus qui méritait d'être automatisé.
Le piège qui n'apparaît pas dans les rapports d'avancement
Il existe une dynamique qui parvient rarement aux rapports exécutifs des projets de transformation : les organisations ont tendance à confondre activité et fondement. Lorsque l'automatisation est déployée, certaines métriques s'améliorent immédiatement, du moins en apparence : vitesse de traitement, réduction des interventions manuelles visibles, temps de cycle apparent. Ces indicateurs alimentent les présentations trimestrielles et renforcent la perception d'avancement.
Ce qui n'apparaît pas dans ces rapports, c'est le coût des tâches non documentées qui ont disparu avec l'automatisation. Non pas le travail manuel que le système a remplacé, mais le travail invisible de correction, de validation informelle et de jugement situationnel que les employés accomplissaient pour compenser les lacunes du processus. Lorsque l'automatisation supprime ce travail humain sans avoir d'abord résolu les déficiences qui le rendaient nécessaire, ces déficiences demeurent présentes dans le système, mais désormais sans amortisseur.
BCG nomme cette erreur avec clarté : la tentation fréquente est d'automatiser ce qui existe déjà. La valeur vient du fait de partir du résultat souhaité et de réinventer la façon de le produire. Cette distinction n'est pas sémantique. Elle a des conséquences structurelles. Une organisation qui part du résultat doit se demander quel flux de décisions, de données et de responsabilités est nécessaire pour le produire de façon durable. Une organisation qui part du processus existant se contente de traduire en code ce qui se passait déjà, avec ses inefficacités intégrées.
Le coût de cette différence s'amplifie. Démonter une automatisation mal conçue requiert une réingénierie des systèmes, un réentraînement des modèles, une révision de la gouvernance et, dans de nombreux cas, la gestion des dommages que le système a causés pendant la durée de son fonctionnement. La dépense n'est pas seulement financière : elle inclut la confiance perdue auprès des équipes qui dépendaient du processus et des clients qui en ont fait l'expérience.
Les cinq mouvements qui séparent la correction de l'escalade des dommages
Pour les organisations qui ont déjà déployé une automatisation sur des processus aux fondements fragiles, faire une pause ne suffit pas. Arrêter le déploiement limite les dommages supplémentaires, mais ne corrige pas la source. Les cinq actions qui font la différence entre une véritable correction et un simple pansement pointent toutes vers le même nœud : rendre le processus visible avant de tenter de le gouverner par la technologie.
Le premier mouvement consiste à identifier les flux à plus haut risque et à stopper leur expansion. Tous les processus mal conçus ne présentent pas le même profil de risque. Ceux qui combinent une haute fréquence, des décisions difficiles à inverser et une exposition réglementaire ou financière sont là où le coût du délai est le plus élevé. Ceux-là nécessitent une attention prioritaire, non des analyses supplémentaires.
Le deuxième mouvement consiste à cartographier le processus tel qu'il existe réellement, et non tel qu'il est documenté. Dans la plupart des organisations, le processus documenté et le processus effectivement opéré divergent de façons que les équipes informatiques ou d'automatisation ne perçoivent pas depuis leur position. Les exceptions, les contournements et les interventions informelles qui ont maintenu le flux en marche ne figurent pas dans les diagrammes. Ils résident dans la pratique quotidienne des personnes qui les exécutent. Les rendre visibles n'est pas un exercice d'audit : c'est un prérequis pour tout redesign qui entend fonctionner.
Le troisième mouvement consiste à assigner la responsabilité sur le processus, et non sur l'outil. Lorsque la reddition de comptes est fragmentée entre l'équipe technologique, l'équipe opérationnelle et le département métier, le processus n'a pas de propriétaire. Il a des gardiens partiels qui optimisent leur segment sans se sentir responsables du résultat global. L'IA agentique traverse horizontalement de multiples fonctions, décisions et données. Sans un responsable du résultat de bout en bout, l'automatisation améliore des tâches isolées pendant que l'indicateur métier reste stagnant ou se dégrade.
Le quatrième mouvement consiste à reconstruire la validation humaine aux points où l'erreur est coûteuse. Cela ne signifie pas freiner indéfiniment l'automatisation ni récupérer des étapes manuelles sans valeur ajoutée. Cela signifie identifier les nœuds de décision où une sortie incorrecte entraîne des conséquences matérielles difficiles à inverser, et maintenir une supervision active à ces points pendant que le processus se stabilise. L'autonomie des agents doit être gagnée progressivement, et non présumée dès le départ.
Le cinquième mouvement consiste à changer les métriques de succès. La vitesse de cycle et la réduction des interventions manuelles sont des indicateurs d'activité, non de résultat. Les organisations qui parviennent à des corrections durables surveillent la qualité des décisions, le coût de récupération des erreurs, la solidité de la conformité réglementaire et l'impact sur l'expérience client. Ces indicateurs ne s'améliorent pas avec davantage d'automatisation appliquée à des processus fragiles. Ils s'améliorent lorsque le processus sous-jacent est solide.
La crise s'est produite avant l'arrivée de l'IA
Il y a une lecture du problème qu'il convient de ne pas perdre de vue : lorsque l'automatisation par IA produit des résultats défaillants, la crise qui se manifeste à ce moment n'a pas été créée par l'IA. Elle a été créée avant, au moment où l'organisation a choisi de ne pas investir dans la conception de ses processus. L'IA n'a fait que rendre visible, à plus grande échelle et avec plus d'urgence, une fragilité structurelle qui existait déjà.
Cela change la nature du diagnostic. Nous ne sommes pas face à un problème d'adoption technologique qui se résout avec davantage d'investissement dans les outils, une meilleure gestion du changement ou plus de formation technique. Nous sommes face à des organisations qui ont utilisé la promesse de l'automatisation pour différer une décision de conception qui était devenue, à un moment donné, inconfortable ou coûteuse à prendre.
Le cas de l'entreprise technologique aux projections de revenus erronées est révélateur à cet égard. Les flux de travail de projection impliquaient de multiples transferts de responsabilité et des mises à jour asynchrones qui produisaient des prévisions incorrectes. Ces projections faussaient les décisions de recrutement, de planification et de marges. La solution n'a pas été un modèle de prévision plus sophistiqué. Ce fut un processus repensé avec des points de contrôle clairs et une responsabilité assignée à des responsables interfonctionnels. Une fois le fondement corrigé, l'automatisation qui avait amplifié le problème a commencé à combler l'écart.
La leçon n'est pas que l'IA ne fonctionne pas. La leçon est que l'IA fonctionne exactement à la mesure de la conception du processus qui l'entoure. Les organisations qui montent en puissance avec confiance sont celles qui traitent la clarté du processus comme un actif stratégique avant de le considérer comme une destination pour la technologie.
Une organisation qui automatise ce qui est déjà mal conçu n'accélère pas sa transformation. Elle accélère sa distance par rapport au point depuis lequel elle devra, inévitablement, repartir.
