- L’écart de productivité entre les utilisateurs de l’IA se creuse rapidement, et les « power users » exploitent activement des outils d’IA avancés comme Claude Code et les MCPs, tandis que la majorité reste encore cantonnée à un usage conversationnel de niveau ChatGPT
- Les grandes entreprises ont du mal à adopter les outils d’IA les plus récents à cause de politiques de sécurité, d’environnements IT fermés et de systèmes legacy, tandis que les petites entreprises intègrent rapidement l’IA pour gagner en efficacité
- Cet écart ouvre une époque où de petites équipes peuvent être bien plus productives que les grands groupes, et la mise en place d’API internes et d’environnements sécurisés d’exécution de code devient un facteur clé de compétitivité future
- En combinant des agents avec un sandbox bash donnant accès à des langages de programmation et à des API, même des utilisateurs non techniques peuvent remplacer presque toutes les applications de productivité, ce qui dessine la forme future du travail intellectuel
Deux types d’utilisateurs de l’IA
- L’écart de productivité entre les utilisateurs de l’IA s’élargit rapidement
- D’un côté, certains utilisent Claude Code, les MCPs et des workflows fondés sur des compétences, et même des non-techniciens utilisent activement l’IA dans le terminal
- C’est particulièrement visible dans la finance, où l’automatisation basée sur Python permet souvent de dépasser les limites d’Excel
- De l’autre, beaucoup en restent encore à un usage simple en questions-réponses de niveau ChatGPT
- De nombreux salariés appartiennent toujours à cette catégorie et n’exploitent pas pleinement le potentiel de l’IA
Les limites de Microsoft Copilot
- M365 Copilot est fourni dans l’abonnement Office 365, ce qui lui donne une forte présence sur le marché des entreprises, mais son interface est au niveau d’une version dégradée de ChatGPT
- La fonctionnalité « agent » est presque risible comparée aux agents de code en CLI, y compris le GitHub Copilot CLI de Microsoft lui-même
Elle échoue souvent sur de gros fichiers, avec des limites mémoire et CPU excessives
- Même chez Microsoft, Claude Code est en cours d’adoption dans des équipes internes
- C’est un exemple qui montre le retard technique de Copilot
- En entreprise, Copilot est souvent le seul outil d’IA autorisé, si bien que les employés doivent risquer leur poste ou fournir beaucoup d’efforts pour utiliser d’autres outils
— des décideurs de haut niveau vivent alors des expériences médiocres avec ces outils puis dénigrent l’IA dans son ensemble, ou dépensent des sommes énormes auprès de grands cabinets de conseil sans obtenir de résultats
Le risque structurel auquel font face les grandes entreprises
- Des politiques IT fermées centrées sur la sécurité bloquent l’innovation
- Environnements extrêmement verrouillés : impossible d’exécuter localement ne serait-ce qu’un interpréteur de scripts de base (au mieux du VBA, et encore souvent limité par des Group Policy)
- Logiciels legacy : les workflows critiques n’ont pas d’API internes, donc les agents n’ont tout simplement rien à quoi se connecter
- Départements d’ingénierie en silos : ils sont souvent entièrement externalisés, avec absence de personnel interne capable de mettre en place l’infrastructure nécessaire pour exécuter des agents sandboxés de façon sûre
- Bien sûr, les préoccupations de sécurité sont réelles — lancer sans contrôle des agents de code sur une base de données de production est dangereux
- Mais le sandboxing est une tâche difficile, et le vrai problème est l’absence d’équipes d’ingénierie capables de le mettre en place de manière sûre
La montée en puissance des petites entreprises
- Les PME sans contraintes legacy adoptent rapidement l’IA et font exploser leur productivité
- D’un côté, on voit des directeurs financiers qui essaient le Copilot de Microsoft pour Excel (et l’intégration de Gemini à Google Sheets est tout aussi médiocre), constatent qu’il gère mal même des tâches simples, puis n’y touchent plus jamais,
- De l’autre, on voit des cadres non techniques ayant appris à utiliser Claude Code exécuter Python en local
- Ils parviennent presque à terminer, en 2 ou 3 prompts, la conversion en Python d’un modèle financier Excel extrêmement complexe composé de 30 feuilles grâce à Claude Code
- Une fois le modèle converti en Python, Claude Code permet d’atteindre un niveau de capacités comparable à celui d’une équipe de data science
- Il devient possible d’exécuter des simulations de Monte Carlo, de connecter des sources de données externes, de construire des dashboards web et d’aider à analyser les faiblesses du modèle (ou de l’activité)
- Autrefois, les employés des petites entreprises enviaient les ressources et les équipes des grands groupes,
mais dans cet environnement, les petites équipes affichent une efficacité bien supérieure aux grandes entreprises et la tendance de productivité s’inverse
La structure du travail de demain
- Les gains de productivité liés à l’IA émergent par le bas (bottom-up)
- De petites équipes tentent de construire des workflows assistés par l’IA pour des processus spécifiques, et comme elles connaissent ces processus dans les moindres détails, elles obtiennent de bons résultats
- À l’inverse d’équipes d’ingénierie logicielle externalisées qui n’ont aucune expérience concrète du processus
- Une dynamique à l’opposé de la plupart des projets traditionnels de « transformation digitale »
- Les entreprises disposant d’API pour leurs systèmes internes peuvent accomplir bien davantage
- Cela va d’un simple data warehouse en lecture seule, auquel les employés peuvent se connecter pour exécuter des requêtes à la place des utilisateurs, jusqu’à l’API-isation des processus métier critiques
- Exécuter des agents de code dans des VM à sécurité contrôlée constitue une alternative réaliste
- C’est adapté au reporting en lecture seule, mais il existe encore des limites pour la modification des données
- Les éditeurs de SaaS enterprise legacy sont soit dans une situation de verrouillage très fort, soit, selon le point de vue, extrêmement vulnérables
- La plupart ne sont pas des produits « API-first », et leurs API existantes sont conçues pour les développeurs, sans être optimisées pour des situations où des milliers d’employés les appellent de manière inefficace
- Mais si le produit constitue la source unique de vérité de l’entreprise (source of truth), la migration est très difficile et cela devient un goulot d’étranglement pour les gains de productivité
- Les petites entreprises ont tendance à utiliser des produits plus récents et mieux conçus du point de vue des API
- Ces nouveaux produits SaaS sont pensés autour des API, ce qui facilite l’intégration de l’IA
Une nouvelle forme de travail intellectuel
- La combinaison d’un sandbox bash donnant accès à des langages de programmation et aux API système avec des frameworks d’agents devient un puissant outil de productivité même pour les non-techniciens
- L’utilisateur saisit un prompt, et l’agent génère le résultat via les API
- Rédaction de rapports, analyse de données, génération de documents : tout ce que demande l’utilisateur peut être exporté dans le format souhaité, ce qui permet de remplacer la plupart des applications bureautiques existantes
- Le fait qu’un utilisateur envoie un prompt, que l’agent se connecte aux API et produise un livrable en fonction de la demande constitue l’avenir du travail intellectuel
- Cette polarisation est réelle et s’accélère rapidement
- Ce changement ouvre une époque où de petites équipes peuvent acquérir plus vite un avantage concurrentiel que les grands groupes
- L’écart dans l’usage de l’IA existe bel et bien, et sa progression s’accélère de plus en plus
- Dans l’histoire, jamais de petites équipes n’avaient pu dépasser aussi facilement des entreprises mille fois plus grandes
Aucun commentaire pour le moment.