Bertrand's Recent LinkedIn Posts

L'intérêt que je trouve à cet article tient dans le fait qu’il déplace le débat sur les agents IA vers quelque chose de moins moins théorique mais nettement plus concret. Il ne s’agit plus de savoir s’il est possible de multiplier les agents à l’infini en espérant voir émerger une intelligence collective, mais plutôt de comprendre pourquoi les performances chutent dès qu’il faut coordonner les actions, partager le contexte, distribuer les rôles et faire circuler l’information sans la dénaturer. C’est ce que met en lumière l’étude citée. Elle ne se contente pas de dire que les systèmes multi-agents sont encore imparfaits ou qu’ils s’amélioreront avec de meilleurs modèles. Elle montre quelque chose de plus intéressant, à savoir que dès que l’organisation se complexifie, les agents rencontrent des problèmes très similaires à ceux des structures humaines. Ils passent à côté de certaines consignes, refont des tâches déjà réalisées, délèguent mal, s’enlisent dans la planification et finissent par mobiliser des ressources sans produire les résultats attendus. Autrement dit, la limite ne réside pas uniquement dans la qualité de chaque agent pris individuellement, mais dans la coordination. C’est là que de nombreux discours sur les systèmes agentiques montrent leurs limites en promouvant une vision où des dizaines d’agents coopéreraient presque spontanément. En effet, l’article suggère plutôt l’inverse : plus l’organisation collective gagne en complexité, plus le risque d’échec augmente. Ce constat rappelle qu'automatiser ne fait pas disparaître les problèmes d’organisation du travail. Aujourd’hui, ce qui fonctionne réellement ne ressemble pas à une coopération totalement autonome entre agents, mais plutôt à une chaîne de spécialisation, structurée par une couche d’orchestration. Celle-ci définit les rôles, encadre les échanges, limite les interactions et prévoit les moments où l’intervention humaine reste nécessaire. Dans cette perspective, la promesse la plus crédible des agents IA n’est pas celle d’un essaim entièrement autonome, mais celle d’une collaboration hybride. Des agents spécialisés prennent en charge des tâches bien définies, tandis que l’orchestration globale et le jugement restent entre les mains de l’humain.

On a le sentiment qu’un basculement est en train de se produire. Pas du côté de la technologie elle-même que dans la façon dont on commence à en percevoir les effets, comme si l’enthousiasme des débuts faisait peu à peu place à une forme de lucidité, plus nuancée, parfois même inconfortable. Certains misent déjà sur ce qui viendra après. Pour eux, même si une bulle de l’IA devait finir par éclater, elle aura au moins permis de financer des avancées qu’on n’aurait sans doute jamais soutenues dans un autre contexte. C’est une vision assez dure qui suppose que les dégâts font partie du mouvement, sans jamais affecter tout le monde de la même manière. De l’autre côté, le vrai sujet ne semble plus être de savoir si l’IA créera de la valeur, mais plutôt de comprendre où cette valeur se forme réellement. C’est sans doute là que le contraste devient vraiment frappant. En effet, alors que les investissements continuent de croître à un rythme soutenu, les usages, eux, semblent marquer le pas dans certaines entreprises. Non pas parce que les outils manquent, mais parce que le cadre, la formation et la confiance ne suivent pas toujours. Tout se passe comme si le déploiement avait été plus rapide que la préparation du terrain. Ce décalage apparaît aussi dans les rivalités internes autour de la question de savoir qui doit prendre en main l’IA, un signe assez révélateur du fait que l’enjeu dépasse largement la technique pour toucher directement à l’organisation du pouvoir et des responsabilités. Au fond, ce que montrent beaucoup de ces analyses, c’est que la valeur ne vient pas de l’IA seule, mais de la rigueur qu’on construit autour d’elle : dans la manière de la piloter, de faire des choix, et parfois aussi de renoncer. Les entreprises qui progressent réellement ne sont pas forcément celles qui expérimentent le plus, mais celles qui relient l’IA à des objectifs clairs, qui ajustent leur fonctionnement et acceptent de revoir leurs priorités. Les autres risquent surtout d’ajouter une couche de complexité à des structures déjà fragiles ou saturées. Il y a aussi un aspect qui concerne le travail lui-même. L’IA ne le supprime pas, elle le reconfigure. Elle le rend parfois plus dense, le déplace vers davantage de supervision, de contrôle et de décisions permanentes, avec une fatigue qui ne peut pas être considérée comme secondaire. On parle beaucoup des gains de productivité, mais bien moins de ce qu’il faudrait arrêter de faire pour que cette productivité ait une réelle valeur. On retrouve la même tension du côté du management, où l’on redécouvre que suivre le travail réel n’a rien d’accessoire et que c’est au contraire un point central. En réalité, on avance, mais seulement à condition d’affronter ce que cette transformation implique vraiment. Pas seulement en matière d’investissements ou d’outils, mais aussi dans les choix à faire, dans l’organisation à repenser, et dans l’attention portée au travail tel qu’il se vit au quotidien.

IA et travail : l’humain ne disparaît pas, il change de place. Affirmer que l’humain restera au centre dans une organisation transformée par l’IA est devenu un réflexe. Pourtant, à mesure que les outils s’intègrent aux processus, cette formule masque une redéfinition concrète des rôles et des responsabilités. Dans la plupart des environnements AI First, l’IA ne remplace pas directement l’activité. Elle en produit une première version que l’humain corrige et valide. Ce schéma installe un rôle de supervision continue. Les recommandations sont acceptées par défaut, mais la responsabilité demeure humaine. Le travail ne disparaît pas, il se concentre sur la vigilance et la gestion d’exceptions. Si l’algorithme fonctionne, la contribution paraît secondaire. S’il échoue, la responsabilité reste attachée à celui qui a validé. Cette logique s’inscrit dans une dynamique plus large d’accélération. Lorsque produire devient plus rapide, l’organisation absorbe cette capacité supplémentaire. Les délais se contractent, les itérations se multiplient, les attentes augmentent. Les recherches sur l’automatisation montrent que ces technologies transforment et densifient les tâches davantage qu’elles ne les suppriment. L’humain reste présent, mais dans un environnement plus rapide et plus exigeant, sans que le niveau de charge acceptable soit toujours discuté. Un autre enjeu concerne l’apprentissage. Si les tâches d’entrée de métier sont automatisées, elles ne jouent plus leur rôle formateur. La progression par exposition à des cas simples s’amenuise, ce qui peut fragiliser la construction des compétences. Certaines entreprises commencent à ajuster leurs politiques de recrutement et de formation pour préserver des trajectoires cohérentes dans un contexte où l’IA prend en charge une partie des tâches de base. Dire que l’humain reste au centre ne suffit pas si l’on ne précise pas les conditions concrètes d’exercice de son autonomie et le maintien d'espaces d’apprentissage maintenus. j'examine comment la supervision continue, l’accélération des rythmes et la transformation des parcours redessinent la place de l’humain, et pourquoi cette place relève de choix organisationnels qui se doivent d'être explicites.

Salesforce isn’t giving up on agents. Above all, the company emphasizes that a technological promise, however appealing it may be, cannot replace a robust operational framework. This repositioning makes perfect sense, because when it comes to understanding vague requests, assessing a situation, or suggesting a course of action, artificial intelligence delivers real value. On the other hand, as soon as we enter into sequences of sensitive actions, where reliable execution must be ensured and every decision must be justified, excessive autonomy no longer appears to be progress but instead becomes a risk factor. This is the key point: AI handles diversity and uncertainty, while the system ensures consistency and stability. This is precisely what Salesforce’s messaging is increasingly making clear. Beyond a certain volume of instructions, performance deteriorates. The image of the grand autonomous agent, capable of handling everything on its own, then gives way to a far more pragmatic approach: orchestration, control, and human intervention at truly critical stages. And this line of thinking extends far beyond the case of Salesforce alone. Across all sectors, companies are arriving at the same conclusion: a model can handle ambiguity, help sort, interpret, and accelerate, but it cannot bear sole responsibility for an entire process without a clear framework, explicit logic, and verification mechanisms. For leaders, the lesson is quite simple. The question is not how far an agent can act on its own, but at what point the model’s probabilistic reasoning must give way to structured engineering—something no conversational interface can replace. Robust automation does not rely on one agent being more impressive than the others. It relies on a smarter distribution of roles among AI, software, and humans. In this article, I discuss in detail what Salesforce’s shift means and, above all, what we must not hastily and simplistically attribute to it.

Ce que ce post met bien en évidence, ce n’est pas simplement la montée du logiciel dans les produits industriels, c’est le fait que cette évolution finit par transformer en profondeur la manière même dont les entreprises doivent organiser le travail de développement, parce qu’à partir du moment où un produit n’évolue plus au même rythme selon ses différentes couches, on ne peut plus continuer à le piloter comme un ensemble homogène. L’idée la plus utile est, à mes yeux, l que plus la base physique du produit se rapproche d’un état de maturité élevé, plus la création de nouvelles fonctionnalités se concentre dans les couches électroniques, logicielles et applicatives, ce qui ne signifie pas que la mécanique, l’électronique de base ou les contraintes industrielles disparaissent, mais qu’elles cessent d’être l’espace principal où se joue la vitesse de transformation. Autrement dit, l’objet matériel reste décisif, sauf qu’il devient de plus en plus le socle d’un autre régime d’évolution, porté par le logiciel. C’est précisément à partir de là que la question cesse d’être seulement technique. Car si un produit combine une infrastructure physique relativement stable et une couche applicative appelée à évoluer beaucoup plus vite, alors l’organisation du développement ne peut plus être pensée selon une seule cadence, une seule méthode et une seule logique de coordination. L’architecture du produit impose peu à peu une pluralité de temporalités, donc une pluralité de modes de pilotage. C’est d’ailleurs ce que l’auteur formule lorsqu’il refuse l’idée selon laquelle l’agile finirait par absorber toute la logique industrielle. Son point est plus intéressant que l’opposition classique entre ancien et nouveau modèle, puisque son raisonnement consiste à dire qu’il faut d’abord savoir sur quelle couche du produit on intervient. Dès que cette distinction est clarifiée, une grande partie de la confusion managériale disparaît, parce qu’on comprend qu’il ne s’agit pas d’arbitrer abstraitement entre cycle classique et agile, mais d’associer chaque mode de développement à la nature du changement effectivement visé. Le sujet de fond n’est donc pas seulement la place croissante du logiciel mais que la structure du produit devient progressivement la matrice de la structure de travail, de la coordination entre équipes et du rôle même du management de projet. Plus les objets techniques intègrent de couches logicielles et de connectivité, plus l’enjeu consiste à faire coexister des vitesses, des dépendances et des niveaux système différents sans perdre l’intelligibilité de l’ensemble. Un texte utile pour les entreprises industrielles, parce qu’il rappelle qu’on ne gagne pas en vitesse en proclamant l’agilité partout, mais en identifiant avec précision ce qui, dans le produit, peut évoluer vite, ce qui doit rester plus stable, et la manière dont ces deux dynamiques doivent être articulées.

Pendant deux ans, beaucoup ont interprété la dynamique de l’IA comme une simple course aux modèles. Dans cette lecture, tout semblait se jouer sur la supériorité technique, la puissance de communication ou la vitesse de diffusion. Pourtant, le texte propose une autre vision, bien plus intéressante. Ce qu’il montre, ce n’est pas l’ascension méthodique d’un leader incontesté, mais plutôt l’incapacité, même pour un acteur aussi puissant et intégré que Microsoft, de verrouiller à lui seul toute la chaîne de valeur. En réalité, cette période ne montre pas seulement que les positions dominantes peuvent être remises en cause rapidement. Elle révèle surtout que les différentes couches du marché peuvent évoluer séparément. Avoir les meilleurs modèles ne garantit pas la maîtrise de la distribution. Contrôler la distribution ne suffit pas à assurer l’usage. L’usage, lui non plus, ne garantit pas automatiquement la monétisation. Quant à l’infrastructure, qu’on pouvait croire reléguée au rang de simple support technique, elle redevient centrale dès lors qu’il ne s’agit plus uniquement de produire du texte, mais d’héberger des agents, de conserver du contexte et d’absorber des besoins massifs en calcul. C’est précisément pour cette raison que l’enchaînement impliquant Microsoft, OpenAI, AWS, Anthropic, Apple et Google ne doit pas être compris comme une succession de coups de théâtre. Il faut plutôt y voir la preuve qu’aucune position n’est durablement acquise. Microsoft pouvait financer OpenAI sans être certain d’en orienter la trajectoire à long terme. OpenAI pouvait profiter d’Azure sans accepter d’y rester captif. Apple pouvait mettre OpenAI en avant lors de la WWDC sans considérer pour autant que cette technologie constituait la meilleure base pour l’avenir de Siri. De son côté, Amazon, moins exposé dans la bataille symbolique des modèles, pouvait revenir au premier plan en s’appuyant sur d’autres atouts : la puissance de calcul, la solidité contractuelle et la capacité à accueillir les nouveaux usages fondés sur les agents. Au fond, la vraie question n’est peut-être plus de savoir qui dispose aujourd’hui du produit le plus visible ou le plus impressionnant. Elle est plutôt de comprendre qui contrôle la partie de la chaîne dans laquelle la valeur pourra être captée de manière durable. Or le texte laisse entendre qu’à ce stade, personne ne maîtrise l’ensemble. Chaque acteur domine une couche, puis découvre qu’une autre lui échappe. C’est sans doute la leçon la plus utile pour les entreprises. En matière d’IA, on ne choisit pas simplement un outil. On entre dans une architecture faite de dépendances, de fournisseurs, de coûts et d’usages, dont l’équilibre peut évoluer bien plus vite que les stratégies arrêtées en comité de direction. Ah si, une autre leçon. Utiliser une IA pour faire des recherches avant d'écrire c'est bien, c'est même recommandé. Ne pas nettoyer le texte au moment de faire un copier/coller ça l'est moins. https://buff.ly/w4ZLZcZ

AI and work: humans are not disappearing, they are changing roles. It has become commonplace to say that humans will remain at the center of organizations transformed by AI. However, as tools become integrated into processes, this statement masks a concrete redefinition of roles and responsibilities. In most AI First environments, AI does not directly replace the activity. It produces an initial version that humans correct and validate. This pattern establishes a role of continuous supervision. Recommendations are accepted by default, but responsibility remains human. The work does not disappear; it focuses on vigilance and exception management. If the algorithm works, the contribution seems secondary. If it fails, the responsibility remains with the person who validated it. This logic is part of a broader dynamic of acceleration. When production becomes faster, the organization absorbs this additional capacity. Deadlines are shortened, iterations multiply, and expectations increase. Research on automation shows that these technologies transform and intensify tasks rather than eliminate them. Humans remain present, but in a faster and more demanding environment, without the acceptable level of workload always being discussed. Another issue concerns learning. If entry-level tasks are automated, they no longer play their formative role. Progression through exposure to simple cases is diminishing, which can undermine the development of skills. Some businesses are beginning to adjust their recruitment and training policies to maintain consistent career paths in a context where AI is taking over some of the basic tasks. Saying that humans remain at the center is not enough if we do not specify the concrete conditions for exercising their autonomy and maintaining learning spaces. I examine how continuous supervision, accelerating rhythms, and the transformation of career paths are reshaping the place of humans, and why this place is a matter of organizational choices that must be made explicit.