Depuis près d’un an et demi, le podcast 100 % IA suit presque quotidiennement les transformations provoquées par l’intelligence artificielle générative dans le travail. Initialement centré sur les ressources humaines, il s’est progressivement élargi au management, au leadership, à l’organisation des entreprises et au rôle des comités de direction.

Cette évolution a rencontré une audience croissante. Sur la période, le nombre d’écoutes et de téléchargements a progressé d’environ 2 000 %, pour atteindre près de 40 000 lectures cumulées auprès d’environ 12 000 auditeurs. Chaque épisode rassemble régulièrement plusieurs centaines de personnes. La moitié de l’audience est constituée d’auditeurs récurrents, tandis que l’autre moitié découvre le contenu pour la première fois. Le temps d’écoute moyen atteint environ 25 minutes, soit l’équivalent de deux épisodes, puisque leur durée habituelle se situe entre dix et douze minutes.

L’audience est majoritairement située en France, en Belgique, en Suisse et dans plusieurs pays d’Afrique du Nord. Les États-Unis représentent toutefois près de 19 % des écoutes, tandis qu’une audience plus inattendue apparaît également au Japon. La répartition entre les femmes et les hommes est équilibrée, avec une légère majorité de femmes, autour de 53 %.

L’analyse des résultats montre que les sujets liés aux talents, aux compétences et à la gestion des équipes sont les plus appréciés. Les contenus consacrés aux dangers de l’intelligence artificielle rencontrent également un fort intérêt, notamment lorsqu’ils abordent la fatigue cognitive, la surcharge informationnelle, la perte de compétences ou les risques de mauvaises décisions. Les auditeurs semblent rechercher en priorité des clés de compréhension, des méthodes et des outils applicables à leur quotidien professionnel.

À l’inverse, les sujets plus théoriques, comme la souveraineté technologique ou les idéologies liées à l’intelligence artificielle, obtiennent généralement moins d’écoutes. Ils ne sont pas nécessairement moins importants, mais leur lien avec les préoccupations immédiates des managers est parfois moins visible.

Derrière les voix générées par intelligence artificielle se trouve un travail humain important : recherche documentaire, sélection des sujets, analyse des tendances et intégration d’expériences issues d’interventions auprès de managers et de comités de direction.

Une pause de deux semaines est désormais prévue au mois d’août, avec une reprise envisagée autour du 24 août, puis un retour à un rythme régulier en septembre. Cette interruption permettra de préparer de nouveaux épisodes davantage orientés vers les outils, les compétences et les décisions concrètes.

Contenu généré avec l'aide de l'IA générative

L’intelligence artificielle est désormais présente dans un grand nombre d’entreprises, mais sa simple mise à disposition ne garantit pas qu’elle soit réellement utilisée. C’est l’un des principaux enseignements des travaux publiés récemment par Gallup. Les organisations investissent dans des licences, des plateformes et des formations, mais l’adoption reste souvent superficielle. Beaucoup de salariés utilisent l’IA pour gagner du temps sur quelques tâches ponctuelles, sans que leur manière de travailler ne change en profondeur.

Les chiffres sont révélateurs. Une majorité de salariés estime que l’IA améliore sa productivité ou son efficacité, mais seule une faible proportion considère qu’elle transforme véritablement l’organisation du travail. Ce décalage montre que les gains obtenus restent souvent individuels. On rédige plus vite un document, on résume plus rapidement un rapport ou on prépare une présentation en moins de temps, mais les processus, la répartition des responsabilités et les modes de collaboration évoluent encore très peu.

Le rôle du manager apparaît alors comme déterminant. Les équipes dont le responsable encourage activement l’utilisation de l’IA déclarent un recours beaucoup plus fréquent à ces outils que celles où le sujet reste absent ou ambigu. Le manager ne se contente pas d’autoriser l’usage de l’IA. Il aide son équipe à identifier les tâches où elle apporte une réelle valeur, fixe les règles de qualité, rappelle les limites liées aux données sensibles et accompagne les collaborateurs dans leurs expérimentations. Il transforme une technologie disponible en une pratique quotidienne.

Cette évolution souligne une réalité souvent sous-estimée. Les projets IA échouent rarement parce que les modèles sont insuffisants. Ils échouent plus souvent parce que personne ne traduit les ambitions stratégiques en méthodes de travail concrètes. Sans accompagnement de proximité, les salariés hésitent, craignent de commettre des erreurs ou continuent simplement à travailler comme auparavant.

Pour autant, il serait excessif d’attribuer toute la réussite de l’adoption au seul management. Les études disponibles mettent également en avant l’importance de l’intégration des outils dans les logiciels métiers, de la qualité des formations, de la pertinence des cas d’usage et de la culture de l’entreprise. Les données reposent principalement sur les déclarations des salariés et établissent des corrélations, sans démontrer un lien de causalité direct.

La véritable transformation ne consiste donc pas à multiplier les licences ou les démonstrations spectaculaires. Elle consiste à aider chaque équipe à revoir ses pratiques, à expérimenter, à mesurer les résultats et à intégrer progressivement l’IA dans son fonctionnement quotidien. Dans cette transition, le manager devient le trait d’union entre la stratégie de l’entreprise et la réalité du terrain.

Contenu généré avec l'aide de l'IA générative

Construire son propre équivalent de Claude Cowork est désormais techniquement envisageable, mais le projet ne consiste pas simplement à installer un grand modèle d’intelligence artificielle sur quelques serveurs.

La publication de modèles open-weight très puissants, comme Kimi K3, change la donne en permettant à une entreprise d’héberger elle-même les poids du modèle et de conserver ses données dans une infrastructure privée.

Cela réduit la dépendance à des fournisseurs comme Anthropic, OpenAI ou Google, mais ne fournit pas automatiquement une plateforme agentique complète.

Claude Cowork associe plusieurs couches. Il comprend un modèle performant, une interface utilisateur, une mémoire par projet, des agents capables de décomposer une tâche, des outils de création de documents, des connecteurs vers les applications de l’entreprise, une gestion fine des droits et des environnements sécurisés pour exécuter du code ou manipuler des fichiers.

Le modèle ne représente donc qu’une partie du système. Le reste repose sur de l’ingénierie logicielle, de la cybersécurité et une exploitation continue.

Plusieurs scénarios sont possibles. Une entreprise peut utiliser une API propriétaire et construire sa propre interface. Elle peut aussi consommer un modèle ouvert hébergé dans un datacenter européen.

Pour davantage de contrôle, elle peut louer un cluster GPU dédié en France ou en Allemagne. Le niveau maximal consiste à acheter ses propres serveurs et à les installer dans un centre de données ou sur un site maîtrisé.

Les coûts varient fortement selon l’ambition. Une plateforme privée ciblée sur quelques usages peut demander entre 5 et 12 millions d’euros de développement, puis entre 3 et 7 millions d’euros par an.

Une solution largement comparable à Claude Cowork peut nécessiter entre 12 et 30 millions d’euros au lancement, puis entre 6 et 15 millions d’euros par an. Une plateforme générale, redondée et capable de servir plusieurs milliers d’utilisateurs peut dépasser 30 millions d’euros.

La vraie difficulté n’est donc plus seulement d’accéder à un modèle puissant. Elle consiste à construire un produit fiable, sécurisé et réellement utile. Pour la plupart des entreprises, la stratégie la plus rationnelle consiste à cibler quelques tâches à forte valeur, à utiliser plusieurs modèles selon la complexité des demandes et à héberger l’ensemble dans un cloud européen contrôlé.

Copier Cowork dans toute sa largeur serait très coûteux. Construire un Cowork spécialisé sur ses propres métiers est en revanche crédible.

Contenu généré avec l'aide de l'IA générative

L’intelligence artificielle ne constitue plus une évolution périphérique pour les entreprises. Elle modifie déjà la manière de décider, de travailler et de diriger. Chez Sanofi, cette transformation est assumée à grande échelle. Des milliers de salariés utilisent chaque jour des outils d’IA pour accéder plus rapidement à l’information, analyser des données et réduire le temps consacré à des tâches de traitement ou de préparation.

Cette adoption révèle cependant une résistance profonde. Face à l’IA, de nombreux dirigeants commencent par parler de gouvernance, de règles et de contrôle. Ces sujets sont nécessaires, mais ils peuvent aussi devenir un refuge commode pour retarder l’action. Le risque principal n’est pas seulement de commettre des erreurs. Il est aussi de laisser d’autres organisations apprendre plus vite, améliorer leurs pratiques et prendre une avance difficile à rattraper.

L’IA transforme également les rapports de pouvoir. Lorsque les données deviennent accessibles en temps réel, l’information circule sans attendre les filtres hiérarchiques habituels. Les dirigeants peuvent voir les mêmes indicateurs que les équipes opérationnelles, au même moment. Cette transparence remet en cause les habitudes de présentation, les récits construits a posteriori et la maîtrise traditionnelle de l’information par les différents niveaux de management.

La question de l’emploi ne peut pas être évacuée, mais elle est souvent mal posée. Certains métiers vont évoluer et certaines compétences perdront de leur valeur. En parallèle, l’IA peut libérer du temps pour l’analyse, les idées et l’action. L’enjeu n’est donc pas de préserver chaque tâche existante, mais de repenser les organisations et de permettre aux salariés de se concentrer sur des activités plus utiles.

Cette transformation exige aussi une autre conception du leadership. Les dirigeants expérimentés ne sont pas nécessairement ceux qui comprennent le mieux les nouveaux usages. Les jeunes collaborateurs peuvent avoir une connaissance plus concrète des outils et doivent pouvoir contribuer directement aux décisions. L’autorité ne repose donc plus seulement sur l’ancienneté ou la position hiérarchique.

Dans un contexte de crise permanente, le leader doit accepter de ne pas tout savoir. Il doit écouter le terrain, décider avec des informations imparfaites et maintenir une direction claire. L’IA ne remplace pas cette responsabilité. Elle la rend plus visible. Elle oblige les dirigeants à choisir entre une prudence qui protège les habitudes et une audace encadrée qui prépare réellement l’avenir.

Contenu généré avec l'aide de l'IA générative

La science-fiction ne permet pas de prévoir précisément l’avenir de l’intelligence artificielle. Elle offre en revanche un cadre utile pour réfléchir aux transformations du management. Depuis plusieurs décennies, les romans, les films et les séries imaginent des organisations dans lesquelles des machines évaluent les individus, distribuent les tâches, prennent des décisions ou contrôlent les comportements. Ces récits montrent que le principal danger ne vient pas toujours d’une intelligence artificielle devenue hostile. Il vient souvent d’une organisation qui lui confie des objectifs mal définis, des pouvoirs trop étendus ou une responsabilité que personne ne veut plus assumer.

Un premier enseignement concerne l’obsession de l’optimisation. Dans de nombreuses œuvres, l’IA accomplit parfaitement la mission qui lui est confiée, mais elle le fait au détriment de la finalité réelle. Lorsqu’un indicateur devient plus important que le travail lui-même, les salariés finissent par adapter leurs comportements à ce qui est mesuré. Le manager ne pilote alors plus l’activité. Il pilote un score, une note ou un tableau de bord.

La science-fiction montre également que l’automatisation du management ne fait pas disparaître le pouvoir. Elle le rend plus difficile à identifier. Derrière chaque décision algorithmique se trouvent des choix humains concernant les données, les critères, les seuils et les conséquences. Dire que « la machine a décidé » permet surtout d’éviter de préciser qui a défini les règles.

Un autre avertissement porte sur la surveillance. Plus les organisations collectent de données sur leurs salariés, plus elles risquent de confondre visibilité et compréhension. La surveillance permanente encourage la conformité, mais peut réduire l’initiative, la confiance et la capacité à signaler les erreurs. Les salariés apprennent à satisfaire les critères visibles plutôt qu’à accomplir correctement leur mission.

La science-fiction pose enfin la question de la responsabilité. Le scénario le plus préoccupant n’est pas nécessairement celui d’un manager remplacé par une IA. C’est celui d’un manager toujours en poste, mais réduit à annoncer, justifier et appliquer des décisions qu’il ne comprend plus et qu’il ne peut pas modifier.

Ces récits invitent donc les organisations à conserver une responsabilité humaine réelle, un droit de contestation, des compétences critiques et une capacité de fonctionnement sans l’outil. La question centrale n’est pas de savoir jusqu’où l’IA peut manager. Elle consiste à déterminer quelles décisions et quelles responsabilités une organisation refuse de déléguer.

Contenu généré avec l'aide de l'IA générative

Le refus d’utiliser l’intelligence artificielle générative au travail ne doit être traité ni comme une faute immédiate, ni comme une objection automatiquement légitime.

Le manager doit d’abord comprendre ce qui est réellement refusé. Derrière un argument moral, éthique ou écologique peuvent se trouver une inquiétude sur la qualité du travail, une crainte de perdre son expertise, un manque de confiance dans l’outil, une peur du déclassement ou une opposition de principe.

Certaines objections sont parfaitement fondées. Un collaborateur peut avoir raison de refuser un usage mal encadré lorsqu’il existe un risque de fuite de données, de non-respect du RGPD, d’erreur grave, de biais, de violation de la confidentialité ou d’absence de contrôle humain.

Dans ce cas, le problème ne vient pas du salarié mais de la faiblesse du cadre fixé par l’organisation.

L’entreprise doit donc préciser les outils autorisés, les données utilisables, les responsabilités, les règles de vérification et les usages interdits.

À l’inverse, un salarié ne dispose pas d’un droit général lui permettant de refuser tout outil choisi par l’employeur au nom de ses convictions personnelles.

Dès lors que l’usage est légal, proportionné, sécurisé, utile et compatible avec le poste, l’entreprise peut exiger un niveau minimal de maîtrise et parfois une utilisation effective.

Cette exigence suppose toutefois que le salarié ait été formé, accompagné et informé des risques.

La réponse managériale la plus solide consiste à organiser un entretien, faire préciser le refus, examiner la légitimité de l’usage demandé, puis tester le travail avec et sans IA sur un cas réel. La comparaison doit porter sur la qualité, les erreurs, le temps gagné, l’effort de vérification et les conséquences sur les compétences.

Le rôle du manager n’est donc pas de convertir les sceptiques, mais de rendre les règles discutables, compréhensibles et applicables. Une adoption forcée produit de la conformité apparente. Un cadre exigeant permet une utilisation responsable, mesurable et réellement utile.

Une solution alternative peut être acceptée si elle produit un résultat comparable sans transférer la charge sur les collègues. En revanche, si le refus bloque le fonctionnement collectif, persiste malgré la formation et concerne un outil devenu nécessaire au poste, il doit être traité comme un problème professionnel documenté.

Le principe à retenir est simple : chacun peut critiquer l’IA, signaler un risque et contester un usage précis. Personne ne devrait disposer d’un droit de veto général sur l’organisation du travail.

Contenu généré avec l'aide de l'IA générative

À mesure que les outils IA deviennent capables de rédiger, synthétiser, analyser ou proposer des scénarios, la valeur managériale repose moins sur la production directe que sur la capacité à cadrer, vérifier, décider et organiser le travail.

La première compétence à acquérir est une compréhension fonctionnelle de l’IA. Le manager n’a pas besoin de devenir expert technique, mais il doit connaître les capacités des modèles, leurs limites, les risques d’erreur et les conditions dans lesquelles ils peuvent être utilisés. Cette culture minimale lui permet d’éviter deux écueils opposés : la confiance aveugle dans les résultats et le rejet systématique de l’outil.

Le manager doit ensuite savoir analyser une activité au niveau des tâches. Certaines peuvent être automatisées, d’autres seulement assistées, tandis que certaines doivent rester sous contrôle humain strict. Cette décomposition suppose de prendre en compte le coût d’une erreur, la sensibilité des données, la facilité de vérification et la responsabilité finale.

La formulation des demandes constitue également une compétence importante. Il ne s’agit pas seulement de rédiger de bons prompts, mais de préciser l’objectif, le contexte, les contraintes, les sources disponibles et les critères de qualité. Une demande floue adressée à une IA produit souvent une réponse convaincante, mais inutilisable.

La capacité de contrôle devient alors déterminante. Le manager doit vérifier les faits, les raisonnements, les sources, la conformité et les biais éventuels. Plus la décision est sensible, plus la supervision humaine doit être formalisée. L’IA peut éclairer une décision, mais elle ne peut pas en assumer les conséquences.

Le manager doit aussi renforcer ses compétences en sécurité, protection des données et gouvernance. Il lui revient de faire respecter les règles d’usage, d’identifier les informations sensibles et de signaler les cas à risque.

Enfin, il doit accompagner l’évolution des compétences de son équipe. Une utilisation excessive de l’IA peut créer une dépendance et affaiblir l’expertise. Le défi consiste donc à obtenir des gains de qualité ou de temps sans supprimer l’apprentissage, le jugement et l’autonomie.

Le manager de demain ne sera pas celui qui utilise l’IA partout. Ce sera celui qui saura précisément quand l’utiliser, comment la contrôler et quand décider de s’en passer.

Contenu généré avec l'aide de l'IA générative

L'intelligence artificielle générative transforme progressivement le travail des cadres de l'administration publique française, mais son impact dépasse largement la simple automatisation de certaines tâches administratives.

Pour les directeurs généraux des services (DGS) et les autres cadres dirigeants, elle modifie avant tout la manière de piloter les équipes, de préparer les décisions et d'organiser le fonctionnement de l'administration.

Les premiers bénéfices sont déjà visibles. Les outils d'IA permettent de rédiger plus rapidement des notes, de synthétiser des documents volumineux, de préparer des réunions, de rechercher des informations ou encore de produire des premières versions de courriers et de présentations. Ces gains de productivité sont réels, mais ils ne doivent pas masquer un changement beaucoup plus profond. Lorsque la production d'un document devient presque instantanée, la valeur du travail se déplace vers la capacité à vérifier les informations, exercer son jugement, arbitrer entre plusieurs options et assumer la responsabilité des décisions prises.

Le rôle du manager public évolue ainsi d'un superviseur de la production vers un garant de la qualité, de la conformité et de la fiabilité des résultats. Il doit définir les usages autorisés, protéger les données sensibles, mettre en place des procédures de contrôle adaptées au niveau de risque et accompagner les agents dans l'acquisition de nouvelles compétences. Il lui appartient également d'éviter deux écueils : considérer l'IA comme une solution miracle ou, à l'inverse, chercher à l'interdire sans proposer d'alternative adaptée.

Cette transformation soulève également des enjeux importants en matière de gouvernance. Les administrations doivent clarifier les responsabilités entre direction générale, directions métiers, DSI, juristes, DPO et ressources humaines. Elles doivent également mettre en place des règles précises concernant la confidentialité des données, la traçabilité des décisions, la transparence des usages et le respect du règlement européen sur l'intelligence artificielle ainsi que du RGPD.

L'enjeu n'est donc pas uniquement technologique. Il est organisationnel, juridique, managérial et humain. Les administrations qui réussiront cette transition seront celles qui sauront expérimenter rapidement tout en conservant un haut niveau d'exigence sur la qualité des décisions publiques. Elles devront former leurs cadres avant de généraliser les usages, mesurer les bénéfices réels des expérimentations et revoir progressivement leurs méthodes de travail.

Au final, l'IA générative ne remplace pas le manager public. Elle renforce au contraire son rôle en faisant de lui le garant du discernement, de la responsabilité et de la qualité du service public dans un environnement où produire un document devient facile, mais où décider reste une responsabilité pleinement humaine.

Contenu généré avec l'aide de l'IA générative

L’IA générative ne favorise pas automatiquement les managers intuitifs. Elle avantage surtout ceux dont l’intuition repose sur une expérience réelle, une bonne connaissance du terrain et une capacité à remettre en cause leur première impression. À l’inverse, elle peut renforcer les erreurs des managers qui confondent intuition, assurance personnelle et qualité du jugement.

Une intuition managériale fiable ne relève pas d’un talent mystérieux. Elle provient généralement d’une exposition répétée à des situations comparables, associée à des retours suffisamment clairs pour apprendre de ses décisions. Un manager expérimenté peut ainsi détecter rapidement qu’un projet va déraper, qu’une équipe décroche ou qu’un client hésite, avant même d’être capable d’expliquer précisément son diagnostic. Cette intuition reste toutefois limitée à son domaine d’expertise. L’ancienneté seule ne garantit rien.

L’IA générative peut renforcer cette forme d’intuition en aidant le manager à expliciter une impression, formuler plusieurs hypothèses et identifier les informations manquantes. Elle permet aussi de simuler des objections, d’examiner une situation depuis le point de vue d’un collaborateur, d’un client ou d’un dirigeant, puis de construire différents scénarios avant de décider. L’intuition devient alors le point de départ d’une analyse, et non une conclusion incontestable.

Le danger apparaît lorsque l’IA est utilisée pour justifier une décision déjà prise. Un modèle peut produire très rapidement un raisonnement cohérent, des arguments convaincants et une note bien structurée à partir d’une hypothèse fausse. La qualité de la rédaction peut alors masquer la faiblesse du diagnostic. Les modèles ont également tendance à suivre le cadrage proposé par l’utilisateur et à confirmer ses présupposés, surtout lorsque les consignes ne demandent pas explicitement une contradiction.

Le manager le plus favorisé par l’IA n’est donc ni le manager purement intuitif ni le manager exclusivement analytique. C’est celui qui sait alterner les deux approches. Il utilise son intuition pour détecter un problème ou ouvrir une piste, puis mobilise l’analyse pour vérifier les faits, chercher des explications concurrentes et mesurer les conséquences de sa décision.

L’IA améliore le jugement lorsqu’elle sert de contradicteur. Elle le dégrade lorsqu’elle devient un avocat chargé de défendre la première idée du manager. La compétence décisive n’est donc pas de savoir produire de bons prompts, mais de savoir douter, vérifier et réviser son jugement.

Contenu généré avec l'aide de l'IA générative

Le lancement de Claude Fable 5 marque une rupture dans l’économie de l’intelligence artificielle générative. Le sujet n’est plus seulement la qualité des réponses, mais le coût réel d’une mission complète exécutée par un modèle autonome. Avec Fable 5, l’utilisateur ne se contente plus de poser une question.

Il confie un objectif, laisse tourner plusieurs agents pendant des heures, puis récupère un livrable terminé. Cette évolution transforme l’IA en prestataire opérationnel capable de gérer des tâches complexes, notamment en développement, en migration de code, en production documentaire ou en orchestration de workflows.

Cette puissance a un prix. Le texte insiste sur le fait que le tarif au million de tokens devient secondaire. La vraie métrique est le coût de la mission réussie. Une tâche longue peut mobiliser des centaines d’appels au modèle, relire des dizaines de millions de tokens en contexte et générer une facture proche de plusieurs centaines de dollars.

Tant que l’abonnement absorbe cette consommation, le coût reste invisible. Dès que la facturation à l’usage s’impose, chaque fichier ajouté, chaque boucle inutile et chaque erreur de cadrage deviennent des dépenses directes.

L’analyse défend l’idée qu’Anthropic est pris entre deux contraintes. D’un côté, ses modèles haut de gamme consomment énormément de ressources serveurs. De l’autre, la concurrence des modèles ouverts ou chinois pousse le marché vers des alternatives moins chères. Le modèle illimité devient donc difficile à maintenir. Plus les utilisateurs exploitent réellement l’outil, plus l’entreprise doit supporter une charge de calcul élevée. La facturation au token apparaît alors comme une manière de préserver la rentabilité, surtout dans un contexte de valorisation financière et de possible entrée en bourse.

Le texte souligne aussi une ambiguïté autour des garde-fous de sécurité. Ils protègent contre certains usages dangereux, mais ils servent également de barrière commerciale contre la copie, la distillation et l’exploitation concurrentielle des modèles. La sécurité devient ainsi à la fois un argument public, une contrainte technique et un mécanisme de protection économique.

La conclusion opérationnelle est claire : les entreprises doivent apprendre à router leurs tâches entre plusieurs modèles. Les missions critiques et complexes justifient un modèle premium. Les tâches simples doivent être confiées à des modèles moins chers, locaux ou ouverts. La compétence stratégique n’est donc plus seulement de savoir prompter, mais de savoir arbitrer le coût, le risque, la confidentialité et la valeur livrée par chaque modèle.

Contenu généré avec l'aide de l'IA générative