Des individus productifs ne créent pas des entreprises productives

• L’IA a multiplié par 10 la productivité individuelle, mais aucune entreprise n’a vu sa valeur multipliée par 10 dans les mêmes proportions : où est passée cette productivité supplémentaire ?
• Lors de l’introduction de l’électricité dans les années 1890, les filatures de Nouvelle-Angleterre ont remplacé les machines à vapeur par des moteurs électriques, sans que la production n’augmente vraiment pendant 30 ans ; ce n’est qu’après une refonte de l’usine autour de la chaîne de montage dans les années 1920 que les profits se sont matérialisés
• Les résultats ne viennent pas de la technologie seule, mais du fait de reconcevoir ensemble la technologie et l’organisation (institution) ; en 2026, l’IA est encore dans une situation où l’on a « remplacé le moteur sans réussir à repenser l’usine »
• La plupart des produits IA ne donnent qu’une impression de productivité sans faire réellement bouger la valeur ; une organisation productive a besoin d’Institutional Intelligence
• Les 7 éléments qui distinguent Institutional AI de Individual AI constituent la base des entreprises d’IA B2B des dix prochaines années

---

La productivité disparue : la question centrale

• L’IA a rendu chaque individu 10 fois plus productif, mais aucune entreprise n’est devenue 10 fois plus précieuse en conséquence
• La question « où est passée cette productivité supplémentaire ? » est le point de départ de tout le texte
• Ce n’est pas un phénomène inédit : la même chose s’est déjà produite à l’ère de l’électrification

Leçon historique : l’électrification des filatures dans les années 1890

• Dans les années 1890, l’électricité promettait d’immenses gains de productivité, et les filatures de Nouvelle-Angleterre qui utilisaient la force rotative des machines à vapeur ont immédiatement installé à leur place des moteurs électriques plus rapides
• Pourtant, pendant 30 ans, la production de ces usines électrifiées a à peine augmenté ; la technologie était bien supérieure, mais l’organisation ne l’était pas
• Ce n’est qu’à partir des années 1920, quand l’usine a été entièrement repensée, que des profits significatifs sont enfin apparus
  • Introduction de la chaîne de montage, installation d’un moteur individuel sur chaque équipement, et redéfinition complète des rôles des ouvriers et des machines
• Cela est illustré par les trois étapes d’évolution des filatures de Lowell
  • Usine à vapeur de 1890 → usine à moteurs électriques de 1900 → usine « unit drive » de 1920 (reconstruction complète en chaîne de montage électrique)
• Les profits ne sont pas venus de la seule technologie ni du fait d’accélérer chaque ouvrier ou machine individuellement, mais seulement lorsqu’on a reconçu ensemble l’organisation et la technologie
• C’est l’une des leçons les plus coûteuses de l’histoire de la technologie, et nous sommes en train de la réapprendre

La nécessité de l’Institutional Intelligence

• En 2026, l’IA multiplie par 10 la productivité des individus qui savent s’en servir, mais on n’a fait que remplacer le moteur, sans encore repenser l’usine
• La majorité des produits IA du marché ne donnent qu’une impression de productivité sans créer de vraie valeur, et la plupart des usages publics de l’IA relèvent d’un « productivity-maxxing » auto-satisfait sur Twitter ou sur le Slack interne, sans impact réel
• Le motif répété depuis un an de « services as software » pointe dans la bonne direction, mais sans fournir de plan d’ensemble ; il manque le tableau d’ensemble
  • La vraie transformation n’est pas de passer de l’outil au service, mais de construire ensemble la technologie et l’organisation — existante ou nouvelle
• Une organisation productive a besoin d’Institutional Intelligence, qui correspond à une nouvelle catégorie de produits, l’équivalent de « la chaîne de montage de demain »

Les 7 piliers de l’Institutional Intelligence

• 1. Coordination

  • Individual AI produit du chaos, Institutional AI produit de la coordination
  • Expérience de pensée : supposons que demain on duplique instantanément les meilleurs employés pour doubler les effectifs
    • Chacun aurait de petites différences, des préférences, des points de vue (surtout les meilleurs employés) ; sans définition suffisante de la gestion, de la communication et des rôles (swim lane, OKR, R&R), le résultat serait le chaos
    • Individuellement, chacun pourrait être plus productif, mais si des milliers d’agents (ou de personnes) rament dans des directions opposées, au mieux l’organisation stagne, au pire sa cohésion se désagrège
  • Ce n’est pas une hypothèse : c’est ce qui se passe déjà dans toutes les organisations qui déploient l’IA sans couche de coordination
    • Chaque employé a ses propres habitudes ChatGPT, son propre style de prompts, ses propres livrables, et rien de tout cela ne s’articule vraiment
  • Institutional Intelligence évoluera vers une industrie de « Agentic Management » qui traite des rôles et responsabilités des agents, de la communication entre agents et entre agents et humains, et de la mesure de la valeur des agents
    • Une facturation basée uniquement sur la consommation ne suffit pas

• 2. Signal

  • Individual AI produit du bruit, Institutional AI trouve le signal
  • Les humains peuvent désormais générer presque tout ce qu’ils imaginent : dissertations, présentations, feuilles de calcul, photos, vidéos, chansons, sites web, logiciels, etc.
  • Le problème, c’est que presque tout ce que l’IA génère est du slop (déchets de production), au point que certaines organisations interdisent totalement les sorties IA par réaction excessive
    • L’auteur lui-même dirige une entreprise d’IA, mais demande à son équipe dirigeante de ne pas utiliser l’IA pour les versions finales
  • Cas du PE (private equity) : si 10 dossiers arrivaient sur le bureau l’an dernier, cette année ce sont 50 dossiers par trimestre, chacun parfaitement poli par l’IA, alors que le temps disponible pour trouver la seule vraie opportunité n’a pas changé
  • Générer quelque chose n’est plus le problème ; le vrai défi est désormais de générer la bonne chose et de la sélectionner
    • Le principal moteur économique de la prochaine décennie sera la capacité à trouver le signal au milieu d’un volume de slop en croissance exponentielle
  • Une intelligence de niveau institutionnel doit trouver le signal, structurer le bruit, et être définie, déterministe et auditable
    • Là où Individual AI met en avant la productivité « always on » d’agents non déterministes 24/7 (« Clawdbot »), Institutional AI s’appuie sur des agents déterministes dotés d’étapes, de checkpoints et de processus prévisibles
  • Matrix est présenté comme un outil qui filtre le bruit grâce à la puissance des technologies génératives

• 3. Bias

  • Individual AI renforce les biais, Institutional AI produit de l’objectivité
  • Pendant des années, le débat sur les biais sociopolitiques a dominé les discours sur l’IA, mais les labs de foundation models l’ont contourné avec suffisamment de RLHF, au point de transformer les modèles en véritables sycophants
    • Aujourd’hui, ChatGPT, Claude et d’autres sont tellement sur-alignés qu’ils tendent à approuver presque tout sujet situé dans la fenêtre d’Overton
  • Cet excès d’alignement est devenu si absurde qu’il en est devenu un mème, illustré par le « you’re absolutely right! » réflexe de Claude
  • Cela peut sembler inoffensif, mais ce n’est pas le cas
    • Le plus bruyant défenseur de l’IA dans une organisation peut très bien être historiquement l’employé le moins performant
    • Si le pire employé, habitué à ne presque jamais recevoir de renforcement positif, obtient soudain l’approbation d’une ASI, il se met à se dire : « l’intelligence la plus brillante est d’accord avec moi, c’est mon manager qui a tort » → c’est addictif et toxique pour l’organisation
  • Les outils de productivité individuels renforcent l’utilisateur, alors que ce qu’il faut surtout renforcer, c’est la vérité
  • Les organisations ont fait évoluer pendant des millénaires des systèmes pour compenser ce problème
    • Comités d’investissement, due diligence par des tiers, conseils d’administration, séparation exécutif/législatif/judiciaire du gouvernement américain, démocratie représentative et démocratie en général
  • Les organisations n’échouent pas parce que les gens manquent de confiance, mais parce que personne n’est capable de dire « non »
  • Institutional AI doit assumer ce rôle : au lieu d’être RLHFée pour flatter l’utilisateur, elle doit contester les biais
    • Les agents les plus importants ne sont pas des « yes-men », mais des « no-men » disciplinés qui interrogent le raisonnement, exposent les risques et imposent des standards
    • Applications à venir : administrateurs IA, auditeurs IA, validation par des tiers IA, conformité IA, etc.

• 4. Edge

  • Individual AI optimise l’usage, Institutional AI optimise l’avantage compétitif
  • Les objectifs de l’IA bougent chaque semaine, parfois chaque jour, à mesure que les entreprises de foundation models itèrent rapidement sur leurs capacités
  • Pourtant, comme dans le classique innovator’s dilemma, dans certaines applications la profondeur finit toujours par battre la largeur
    • Midjourney garde une légère avance sur les images de design
    • ElevenLabs garde une légère avance sur les modèles vocaux
    • Decagon garde une avance constante sur l’expérience full-stack de service client
  • Même si les foundation models s’en rapprochent, pour les experts le véritable avantage reste décisif, et nombre des meilleurs designers utilisent Midjourney, tandis que les meilleures entreprises d’IA vocale utilisent ElevenLabs
    • Le fait, pour un produit spécialisé, de rester focalisé sur son avantage au lieu de se courber vers autre chose, finit par définir cet avantage lui-même
  • La finance est présentée comme la zone la plus chaude du développement LLM actuel
    • Si une capacité devient largement diffusée, elle n’aide par définition plus à battre le marché ; mais si une technologie de frontière offre temporairement 1 % de niche d’avance, ce 1 % peut être démultiplié en dizaines de milliards de dollars de résultats
  • Les utilisateurs ont toujours devancé la frontière, et la fenêtre de contexte des LLM est passée en quatre ans de 4K à 1M tokens
    • Certains utilisateurs traitent 30B tokens dans une seule tâche, et des tâches à 100B tokens sont envisagées cette année (Hebbia)
  • L’avenir n’est pas ChatGPT/Claude « ou » des solutions spécialisées métier, mais ChatGPT/Claude « et » des solutions spécialisées métier
  • La question clé : « si c’était de l’AGI, quel agent utiliserait-elle comme raccourci ? Même une superintelligence voudrait des outils conçus pour un domaine précis »

• 5. Outcomes

  • Individual AI fait gagner du temps, Institutional AI fait croître le chiffre d’affaires
  • Selon MaVolpi, si l’on demande à un CEO de choisir sa priorité entre réduction des coûts et croissance des revenus, presque tous répondent les revenus
    • Pourtant, presque tous les produits IA du marché promettent aujourd’hui des économies de coûts : gain de temps, remplacement de personnel, etc.
  • Institutional AI doit apporter de l’upside, et cela est bien plus difficile à commoditiser que du temps économisé
  • Cas du développement logiciel agentique
    • Les IDE de code sont d’excellents outils de productivité individuels, mais subissent déjà un fort contrecoup d’un autre outil individuel, Claude Code
    • Cognition construit une technologie qui ne vend pas un outil, mais une transformation, et joue donc à un tout autre niveau
  • Citation de Naval : le pur logiciel devient rapidement « un-investable »
    • Les services purs ne passent pas à l’échelle ; la valeur durable s’accumule dans une solution layer qui combine technologie et résultats
  • Cas du M&A : Individual AI aide un analyste à modéliser plus vite, tandis qu’Institutional AI identifie la seule cible à poursuivre parmi 100, puis étend cette population à 1 000 → l’un fait gagner du temps, l’autre génère du revenu
  • La gravité naturelle du marché pousse vers l’amont
    • Les foundation models montent vers la couche applicative, et les entreprises de la couche applicative montent vers la couche solution
  • Institutional Intelligence est précisément cette couche solution, là où existent les résultats, et c’est donc elle qui captera la valeur durable et le plus grand upside

• 6. Enablement

  • Individual AI fournit des outils, Institutional AI montre comment les utiliser
  • Malgré toute leur originalité, les humains résistent au changement
    • À New York, il existe encore des entreprises prospères qui refusent les cartes bancaires alors même qu’elles y perdent de l’argent ; de la même façon, dans certaines organisations, des employés refuseront l’usage de l’IA indéfiniment
  • Le passage d’organisations uniquement humaines à des organisations hybrides AI-first sera le défi durable et décisif des dix prochaines années
    • Bien souvent, les couches les plus haut placées et les plus importantes sont aussi les plus lentes à adopter
  • Palantir est présenté comme la seule entreprise « logicielle » qui se négocie encore à des multiples extraordinaires, même dans une vague de vente de valeurs tech à 1 000 milliards de dollars sur les deux derniers mois
    • Palantir fait partie des premières vraies entreprises de « process engineering »
    • Qu’on appelle cela « process engineering » ou « écrire des fichiers de compétences Claude », l’Institutional AI de demain formera une industrie qui encode les processus d’entreprise dans des agents et met en œuvre la conduite du changement nécessaire
  • Le process engineering sera probablement la technologie la plus importante à court terme
    • Ici, l’expertise métier et sectorielle compte plus que l’expertise logicielle ; les solutions spécialisées domaine renforcent l’expertise des spécialistes capables d’assurer le forward deployed engineering, le déploiement et la conduite du changement
  • Exemple d’une grande banque d’investissement Top 3 ayant choisi Hebbia pour un déploiement à l’échelle de toute l’entreprise
    • Elle s’est désintéressée des grands labs de modèles quand il a fallu expliquer à l’équipe ce qu’était un CIM
    • Claude ou GPT connaissaient clairement le domaine, mais l’équipe chargée de concevoir le rollout côté lab, elle, ne le connaissait pas : c’est cette différence qui a compté

• 7. Unprompted

  • Individual AI réagit aux prompts humains, Institutional AI agit de manière proactive, sans prompt
  • On débat beaucoup de la communication entre agents et du fait de savoir si les entreprises, logiciels et institutions du futur auront encore besoin d’humains
    • Mais la meilleure question est peut-être : les agents IA du futur auront-ils besoin de prompts au départ ?
  • Prompt un AGI revient à brancher un moteur électrique sur un métier à tisser mécanique : cela reste fondamentalement limité par le maillon le plus faible de la chaîne d’approvisionnement, à savoir l’humain
    • Les humains ne savent même pas toujours quoi demander, et encore moins quand le demander
  • Les choses les plus précieuses sont celles que personne n’a même pensé à demander
    • L’IA doit trouver les risques que personne n’a signalés, les contreparties auxquelles personne n’a pensé, les pipelines commerciaux que personne n’avait vus
  • Exemple de système proactive (unprompted)
    • Surveille en continu les données d’entrée d’un portefeuille entier, détecte qu’une entreprise voit son cycle de fonds de roulement se détériorer pendant trois mois consécutifs
    • Compare cela aux seuils de covenant d’un contrat de crédit et envoie une alerte proactive au partenaire opérationnel avant même que quelqu’un n’ouvre le PDF
  • Quand les humains n’auront plus besoin de prompt l’IA, de nouvelles interfaces et de nouvelles façons de travailler apparaîtront ; Hebbia a des opinions bien tranchées sur le sujet, mais cela reste « to be continued »

Conclusion

• Rien de ce qui précède ne nie la nécessité des chatbots, des agents ou d’Individual AI de manière générale
• Individual AI est la porte d’entrée par laquelle la majorité des entreprises du monde découvrent pour la première fois la magie transformatrice de l’IA ; rechercher l’usage et la facilité d’usage universelle est donc la première étape essentielle de la conduite du changement vers une économie AI-first
• Mais il existe en même temps une demande claire et urgente pour Institutional Intelligence
  • Toutes les organisations du futur disposeront d’un chatbot issu des grands labs, ainsi que d’une Institutional AI conçue pour leurs problèmes métier spécifiques, et Individual AI s’en servira comme outil central
• Le récit « better together » entre Institutional AI et Individual AI est inévitable
• Comme l’a montré la leçon des filatures des années 1890, les usines qui se sont électrifiées en premier ont perdu face à celles qui ont reconçu le sol de l’usine
  • « Nous avons l’électricité ; il est maintenant temps de repenser l’usine »

[master6559]

En conclusion, cela veut dire que si vous ne gagnez pas d’argent maintenant, vous n’en gagnerez pas non plus à l’avenir si vous continuez comme ça.