When everyone has AI and the company still learns nothing
- Auteurs
- Robert Glaser, robert-glaser.de
- Thème
- IA
- Mots-clés
- AI adoption, organizational learning, Copilot, ROI, messy middle
- Ton
- opinion
Résumé
Robert Glaser s'appuie sur les écrits d'Ethan Mollick pour pointer un angle mort majeur de l'adoption IA en entreprise : les gains de productivité individuels ne deviennent pas automatiquement des gains organisationnels. La phase actuelle — appelée "messy middle" — est celle où l'usage est partout, hétérogène, partiellement caché, et où le management observe des coûts sans observer l'apprentissage. La question utile n'est pas "les gens utilisent-ils l'IA ?" mais "l'organisation, elle, apprend-elle quelque chose ?".
💡 Pourquoi ça compte
C'est le complément naturel de l'article de Cutler sur les glue people : si l'organisation n'apprend pas, alors les gains de productivité s'évaporent dès qu'un dev part. Pour la veille tech, c'est un cadrage utile pour les architectes et les engineering managers qui doivent justifier des investissements IA auprès du COMEX.
Analyse approfondie
Les gens utilisent-ils l'IA, ou l'organisation apprend-elle quelque chose ? Qu'est-ce qui a changé parce qu'on a dépensé ces tokens ? Et qui déplace les découvertes des individus vers les équipes, puis vers les capacités organisationnelles ?
Ethan Mollick écrit depuis un moment sur l'adoption IA en entreprise. Dans Making AI Work: Leadership, Lab, and Crowd, il fait le constat qu'une amélioration de productivité individuelle ne devient pas automatiquement une amélioration organisationnelle. Les gens peuvent aller plus vite, mieux écrire, analyser plus, automatiser plus, ou silencieusement devenir des versions cyborg d'eux-mêmes. L'entreprise, elle, peut quand même n'apprendre presque rien.
De plus en plus d'entreprises entrent dans la phase où les licences GitHub Copilot sont provisionnées, ChatGPT Enterprise traîne quelque part dans la stack, Claude, Gemini ou Cursor apparaissent par poches, et chaque équipe a au moins une personne beaucoup plus avancée que ce que prévoit le matériel d'enablement officiel. Une partie est visible, une grande partie ne l'est pas. Le management voit la consommation de licences ("Où est le ROI des 2 millions d'euros qu'on a versés à Anthropic l'an dernier ?"), parfois le nombre de prompts, parfois un sondage, parfois quelques PoC internes assez encourageants pour finir dans un slide de comité de pilotage. Dans d'autres entreprises, l'IA est partie direct à la DSI et y est morte.
C'est la phase où ça devient compliqué, vraiment compliqué. Le "messy middle" de l'adoption IA commence quand l'usage est partout, inégal, partiellement caché, difficile à comparer, et pas encore connecté à un apprentissage organisationnel.
Everyone has Copilot now
La première phase de l'adoption IA est (relativement) confortable parce qu'elle ressemble à d'autres déploiements d'entreprise. Tu achètes des sièges. Tu définis un usage acceptable. Tu organises de la formation. Tu mets en place un réseau de champions. Tu demandes aux gens de partager des cas d'usage dans un canal Teams, qui aura l'air vivant pendant une semaine avant de devenir un grenier de bonnes intentions.
La deuxième phase est beaucoup plus étrange : une équipe utilise Copilot en autocomplétion et s'arrête là. À côté, une autre fait tourner Claude Code en boucles serrées, avec tests, revues, pilotage constant. Un product owner prototype soudain du logiciel réel au lieu de mocker des écrans dans Figma. Un ingénieur senior délègue une root-cause analysis à un agent et revient avec la bonne solution en une heure ; ça lui aurait pris deux semaines sans IA.
L'angle mort : la circulation des découvertes
Ce qui manque dans la plupart des organisations, ce n'est pas l'usage de l'IA. C'est le mécanisme qui transforme un usage individuel exceptionnel en pratique d'équipe, puis en capacité d'organisation.
Glaser insiste : tant qu'on mesure les jetons consommés, on mesure le coût. Tant qu'on ne mesure pas ce qui a été appris, ce qui a changé dans les rituels, ce qui a été transmis, on est aveugle. Et on prend des décisions de réduction d'effectifs en croyant qu'on a remplacé du travail, alors qu'on a juste accéléré la production sans capitaliser dessus.