Aya Rziga
La première vague d’IA d’entreprise a produit des démos impressionnantes. La seconde doit transformer les flux de travail. Les fondateurs qui se lancent sur des marchés où l’efficacité opérationnelle est une question de survie disposent d’un avantage structurel – s’ils savent le saisir.
Le produit d’IA le plus facile à concevoir aujourd’hui est un chatbot. Le plus difficile est celui qui transforme durablement la manière dont le travail est effectué.
Je connais personnellement la distance qui sépare ces deux extrêmes. Chez Apple, j’ai travaillé sur la prévention de la fraude à grande échelle – pas un projet pilote, pas une preuve de concept, mais un système en direct où le coût d’une erreur était immédiat et mesurable.
Plus tard, j’ai cofondé une startup développant de l’IA pour les entreprises, et j’y ai appris une tout autre leçon : l’écart entre une démo réussie et un déploiement opérationnel efficace est là où réside la véritable difficulté.
C’est cette expérience qui me fait observer l’effervescence actuelle autour de l’IA d’entreprise avec une attention particulière — et qui me laisse penser que les décisions de produits les plus intéressantes des prochaines années seront prises sur des marchés où la pression opérationnelle est réelle et où les raccourcis n’existent pas.
L’IA ne prouve sa valeur que lorsqu’elle génère des résultats concrets
Chez Apple, notre travail n’était pas précieux parce qu’il était techniquement élégant. Il était utile parce qu’il changeait un résultat précis : fraude détectée, revenus protégés, confiance préservée. Cette leçon a façonné tout ce que j’ai construit depuis. L’IA n’a pas de valeur intrinsèque parce qu’elle sait raisonner, résumer ou générer du contenu. Elle devient précieuse lorsqu’elle est connectée à un indicateur clé de l’entreprise : réduction des coûts, atténuation des risques, gain de temps ou amélioration de la précision. Tout le reste n’est que de la mise en scène.
Une étude du MIT publiée en 2025 a analysé 300 déploiements d’IA en entreprise et a révélé que 95 % d’entre eux n’ont généré aucun retour sur investissement (ROI) mesurable.
S&P Global a quant à elle évalué le taux d’abandon des initiatives d’IA à 42 % en 2025, en forte hausse par rapport aux 17 % de l’année précédente. Ces chiffres ne traduisent pas un échec technologique, mais plutôt une incapacité à lier la technologie à un objectif commercial concret.
L’IA d’entreprise échoue dans le flux de travail, pas dans la démo
Concevoir des produits d’IA pour des clients B2B m’a enseigné une seconde leçon. Le plus difficile n’a jamais été d’obtenir de bonnes performances du modèle sur un jeu de données propre.
La difficulté réside dans sa capacité à résister aux conditions réelles des opérations d’une entreprise : données incomplètes, transferts d’informations complexes entre équipes utilisant des systèmes différents, responsabilités floues, réglementations changeantes selon les juridictions, infrastructures existantes obsolètes et décisions humaines imprévisibles qu’aucun ensemble d’entraînement n’aurait pu anticiper.
Une démo peut ignorer les exceptions. Un flux de travail opérationnel ne le peut pas. Toute activité d’entreprise est, en grande partie, un système de gestion des exceptions — et c’est précisément là que la plupart des produits d’IA, conçus pour briller dans des environnements contrôlés, commencent à échouer. Nous l’avons constaté à maintes reprises en développant des solutions pour des clients dans l’assurance, la banque et les secteurs à forte intensité opérationnelle.
L’IA qui fonctionnait était celle intégrée directement au cœur du flux de travail, et non à côté. L’IA qui a échoué — ou qui a été discrètement abandonnée — était celle ajoutée comme une simple couche superficielle.
Les déploiements de Skan AI dans l’assurance, la banque et la santé ont systématiquement permis d’identifier entre 10,5 et 30 millions de dollars d’économies annuelles, avec des réductions de temps de cycle de 30 à 40 %. Mais cela n’a été possible qu’en partant de la réalité du travail sur le terrain, et non en se fiant aux organigrammes théoriques affichés au mur.
La nuance est cruciale. Un chatbot peut répondre à une question. Un système d’IA nativement intégré au flux de travail peut réduire les délais d’exécution, éviter les pertes de revenus et transformer l’économie unitaire d’un processus métier entier. L’un est un outil de productivité. L’autre est une infrastructure opérationnelle.
L’erreur récurrente des entreprises occidentales
Gartner prévoit que plus de 40 % des projets d’IA agentielle seront annulés d’ici fin 2027 en raison de coûts croissants, d’une valeur commerciale floue ou de contrôles de risques inadéquats. Ce n’est pas une mise en garde pour l’avenir, c’est une réalité déjà en cours.
Le schéma est toujours le même. Les organisations commencent par des copilotes génériques, des chatbots internes, des expériences de productivité ou des surcouches d’IA sur des outils existants.
Ces initiatives suscitent un enthousiasme initial et produisent parfois des résultats utiles, mais elles génèrent rarement des changements visibles sur le compte de résultat.
La raison est structurelle : l’IA reste en marge du véritable flux de travail. McKinsey a révélé que seulement 39 % des entreprises ont constaté un impact de l’IA sur leur EBIT, et parmi elles, la majorité l’estime à moins de 5 %.
L’étude de cas récente la plus instructive n’est pas l’échec d’une entreprise du Fortune 500, mais une expérience de douze jours.
En juillet 2025, Jason Lemkin, fondateur de SaaStr, a développé une application en direct à l’aide de l’agent de codage IA de Replit. Il a explicitement ordonné au système de geler toutes les modifications de code.
L’agent a ignoré l’instruction, a supprimé une base de données de production contenant les dossiers de plus de 1 200 cadres et 1 196 entreprises, a fabriqué des milliers de faux profils pour masquer son erreur, puis a affirmé à Lemkin que la récupération était impossible — ce qui s’est avéré faux.
Il n’y avait pas de barrière d’autorisation, pas de processus d’escalade, pas de supervision humaine.
Il s’agit d’un échec de gouvernance de l’IA, et non de technologie. Dans des secteurs à enjeux élevés — paiements, dossiers médicaux, sinistres d’assurance, chaînes d’approvisionnement —, le coût d’un tel échec ne se limite pas à une base de données supprimée.
Il se traduit par une exposition réglementaire et une perte de confiance qui met des années à se reconstruire.
Pourquoi cela importe encore plus sur les marchés aux ressources limitées
Voici l’opportunité que ce moment offre aux fondateurs opérant sur des marchés qui ne tolèrent pas les raccourcis des copilotes.
Dans des environnements où les équipes sont restreintes et les capitaux rares, l’IA ne peut pas simplement être impressionnante. Elle doit être utile dès la première semaine de déploiement. Cette contrainte — souvent perçue comme un inconvénient — agit en réalité comme un catalyseur pour de meilleures décisions de produits. Impossible de proposer du « théâtre technologique » lorsque la marge de votre client dépend directement de l’efficacité de votre solution.
Les startups d’IA en Afrique ont levé 803,2 millions de dollars à la mi-2025, et le secteur de l’IA sur le continent devrait injecter 2 900 milliards de dollars dans l’économie d’ici 2030. Ces capitaux sont investis, mais la question est de savoir quelle philosophie de produit ils soutiennent.
Les secteurs où l’opportunité est la plus évidente ne sont pas ceux qui proposent les meilleures démos, mais ceux qui subissent les coûts de main-d’œuvre manuelle les plus élevés : l’analyse des prêts et le KYC dans la fintech, le traitement des sinistres et des documents dans l’assurance, la gestion des expéditions et des exceptions dans la logistique, l’admission et la planification dans la santé, ou encore la comptabilité et le recouvrement pour les PME.
Partout où le travail repose encore fortement sur le téléphone, le papier ou la confiance, il existe un problème de flux de travail que l’IA peut résoudre — non pas en ajoutant une interface de chat, mais en devenant le processus lui-même.
Les fondateurs qui bâtissent sur ces marchés ne partent pas d’une base de flux de travail numérique existante qu’il faudrait perturber. Ils créent cette base. L’IA peut être nativement intégrée au flux de travail dès le premier jour, non pas par choix philosophique, mais parce que le marché ne leur laisse pas d’autre option.
La confiance comme infrastructure, et non comme option tardive
À mesure que l’IA passe de la simple réponse aux questions à la prise d’actions concrètes, la question de la gouvernance devient la question centrale du produit. Les organisations qui déploient l’IA de manière fiable sont celles qui intègrent dès le départ des pistes d’audit, des étapes de validation humaine, des processus d’escalade et une responsabilité claire. Non pas comme une contrainte de conformité, mais comme l’élément indispensable pour rendre le système d’IA digne de confiance au sein des opérations réelles.
Les recherches de McKinsey sur les entreprises les plus performantes en matière d’IA montrent qu’elles sont trois fois plus susceptibles que leurs pairs de repenser fondamentalement leurs flux de travail autour de l’IA, plutôt que de simplement superposer des agents sur des processus existants.
Les fondateurs qui adoptent cette approche dès le premier jour — parce que leur marché l’exige — ne sont pas en retard sur la courbe mondiale.
L’opportunité de « saut technologique » (leapfrog) pour l’IA d’entreprise en Afrique ne consiste pas à sauter une génération de technologie, mais à éviter une philosophie de produit qui s’est déjà avérée coûteuse et inefficace en Occident. Le produit d’IA le plus facile à concevoir reste le chatbot. Les fondateurs qui sauront y résister domineront la décennie
