Nik Suresh, consultant auprès de grandes entreprises, publie un article rempli d’anecdotes anonymes sur la façon dont la frénésie IA bloque les décisions dans les organisations avec lesquelles il travaille. Il mérite la lecture parce qu’il raconte quelque chose de vrai que les textes marketing ne disent pas.

Le fait le plus parlant est un dirigeant qui avoue n’avoir jamais ouvert ChatGPT de sa vie, juste après avoir signé une stratégie technique entièrement fondée sur l’IA pour une entreprise à plus de 2 milliards de dollars de chiffre d’affaires. Un ingénieur raconte qu’il demande à l’IA de réécrire un dépôt entier de Go vers Zig pendant qu’il travaille sur autre chose, seulement pour « garder sa place » dans une entreprise obsédée par les classements de tokens.

Pourquoi ça vous concerne. Si vous travaillez dans une entreprise qui « fait de l’IA », le problème n’est pas l’outil mais la dynamique sociale qui se construit autour. Suresh décrit le mécanisme avec précision : les dirigeants des clients annoncent des gains de productivité de 100x, et les vendeurs ne peuvent pas les démentir parce que ce serait perçu comme une attaque, mettrait en péril le contrat enterprise et vous ferait licencier. Le battage devient un pacte silencieux où personne n’a intérêt à dire comment vont vraiment les choses.

C’est la version d’entreprise du « arrête de me dire de demander à un LLM » que nous racontions le 12 juillet : la délégation du jugement à quelque chose qui ne peut pas répondre, mais en version collective et avec un budget à six chiffres. L’exact opposé de la méthode que nous proposons ici : essayer sur votre cas, mesurer, décider avec vos propres chiffres. Comme le rappelaient les métriques de ROI qu’OpenAI a publiées le 17 juillet, la façon de sortir du brouillard est de remplacer les affirmations par des données vérifiables. Si vous ne pouvez pas le mesurer, vous ne pouvez pas non plus le défendre devant un dirigeant qui a déjà décidé quoi croire.

En détail

L’article de Suresh est drôle et incisif, mais sa valeur ne tient pas aux anecdotes croustillantes : elle tient au fait qu’il décrit un mécanisme social, pas un problème technologique. Les grandes entreprises qui achètent du conseil se trompent parce que la pression de « faire quelque chose avec l’IA » a dépassé la capacité d’évaluer si cette chose sert à quelque chose, pas parce que l’IA ne fonctionne pas.

Le cas du dirigeant qui n’a jamais utilisé ChatGPT mais signe une stratégie IA est l’extrême d’un schéma répandu. Suresh le raconte comme une anecdote, mais c’est la synthèse de quelque chose que reconnaît quiconque travaille dans une grande entreprise : la distance entre qui décide le budget et qui utilise l’outil est devenue si large que le budget s’attribue sur le récit, pas sur l’expérience.

La deuxième anecdote, l’ingénieur qui réécrit un dépôt entier dans un autre langage, est le symptôme de la même maladie vu d’en bas. Quand la métrique interne devient « combien tu utilises l’IA » au lieu de « ce que tu as produit », les gens apprennent rationnellement à montrer de l’activité IA au lieu de résultats. Ce n’est pas un problème de mauvaise foi : c’est un problème d’incitations.

La partie la plus intéressante est la dynamique fournisseur-client. Un vendeur raconte à Suresh que les dirigeants de ses clients enterprise déclarent publiquement une productivité 100x, et que si lui ou un collègue du fournisseur essayait de dire que ces chiffres ne sont pas plausibles, la conséquence serait l’annulation du contrat. En pratique, le battage s’autoprotège : qui a investi sa crédibilité dans une promesse excessive ne peut pas permettre que quelqu’un la démente, et qui dépend de ce client ne peut pas se permettre d’être celui qui dément.

C’est dans ce contexte qu’il faut lire les textes qui publient des cadres de mesure, comme la scorecard d’OpenAI sur laquelle nous écrivions le 17 juillet. La question « comment je mesure le ROI de l’IA » n’a de sens que s’il y a quelqu’un de disposé à regarder les chiffres. Si la dynamique organisationnelle récompense qui promet et punit qui vérifie, aucun cadre ne suffit.

Les limites du texte doivent être dites clairement. Les sources sont anonymes et filtrées par un consultant qui a un point de vue (et un public à divertir). Les anecdotes sont vraisemblables mais pas vérifiables indépendamment. Suresh ne propose pas de solutions systémiques, et à juste titre : le problème qu’il décrit est structurel et ne se résout pas avec un outil. Ce que vous pouvez faire, à votre échelle, c’est garder ouvert le canal de la vérification : utiliser l’IA sur vos cas concrets, comparer les résultats, et quand on vous demande « si ça marche », apporter vos chiffres plutôt que votre opinion.