Pourquoi une IA plus rapide ne fait pas des entreprises plus rapides

Les modèles sont devenus dix fois plus rapides. Votre entreprise est devenue deux ou trois fois plus rapide. L’écart n’est pas un mystère, et ce n’est pas la faute de l’IA.

La vitesse est une propriété du système entier. Elle l’a toujours été. Nous la mesurions au mauvais endroit.

L’arrêt aux puits

Un moteur plus rapide ne vous fait pas gagner la course si vos arrêts aux puits sont lents. La voiture est une partie du système. La chorégraphie autour de la voiture est tout le reste. Le temps au tour est nécessaire. Il n’est pas suffisant.

La plupart des entreprises ont passé les deux dernières années à construire un moteur plus rapide. La génération de code qui prenait une heure prend maintenant des minutes. Les brouillons de documents qui prenaient une journée prennent maintenant une pause café. La recherche qui prenait une semaine se fait maintenant pendant la nuit. Chacun de ces gains est réel, et chacun est aussi le mauvais endroit où chercher la vitesse à l’échelle de l’entreprise.

Le travail qu’un assistant IA a remplacé était, dans la plupart des cas, déjà la partie rapide. Taper n’a jamais été le goulot d’étranglement. Rédiger n’a jamais été le goulot d’étranglement. Le goulot a toujours été ailleurs : dans la réunion où le travail a été spécifié, dans la file de revue où il attendait qu’on le regarde, dans le déploiement qui exigeait trois approbations venues de trois fuseaux horaires, dans l’escalade qui devait attendre le point de direction du mardi.

Ces parties-là sont encore entièrement humaines. Elles tournent à vitesse humaine. Elles tournent sur des calendriers humains. Et le débit, comme vous le dira quiconque a déjà construit quelque chose d’industriel, est déterminé par l’étape la plus lente.

Le plancher de trois jours

Imaginez un flux de développement qui ressemblait à ceci. Spécification, trois heures. Implémentation, huit heures. Revue de code, trois jours. Déploiement, quatre heures. Total : environ quatre jours.

Imaginez maintenant que l’IA comprime l’implémentation de huit heures à vingt minutes. Stupéfiant. Un changement de catégorie. Le nouveau total : trois jours, quatre heures et vingt minutes. Les économies sont réelles et elles sont aussi une erreur d’arrondi contre le plancher de trois jours de la revue.

C’est le motif qui revient dans chaque domaine que nous touchons avec l’IA. Le modèle est rapide. Le travail qui a produit l’entrée du modèle est lent. Le travail qui consomme la sortie du modèle est lent. Nous célébrons la vitesse du modèle parce que c’est la partie visible. Les parties invisibles continuent de tourner au même rythme de calendrier qu’avant.

Quiconque a vu F1 : le film l’été dernier a regardé cette histoire se jouer en deux heures. APXGP avait une voiture assez rapide. Ils avaient un pilote champion. Et chaque fois qu’ils s’arrêtaient aux puits, ils rendaient ce qu’ils avaient gagné en piste. La voiture n’était pas le problème. La chorégraphie autour de la voiture, oui. Le film se termine quand l’équipe répare enfin ses arrêts aux puits, pas quand elle répare la voiture. C’est la leçon. La partie rapide a toujours été assez rapide. La partie lente allait toujours être la partie lente.

Ce qui a bougé d’un centimètre

Voici la seconde vérité inconfortable. Le goulot d’étranglement n’a pas disparu. Il a bougé d’un centimètre. Et ce déplacement peut ressembler à une transformation si nous ne regardons que l’activité que l’IA a remplacée, tout en ne ressemblant à rien du tout si nous regardons les résultats visibles pour le client.

Les ingénieurs sentent le changement parce que leur temps de cycle personnel a changé. Les clients ne le sentent pas parce que le temps de cycle de l’entreprise a à peine bronché. Les deux perceptions sont justes. Elles regardent des parties différentes du même système.

C’est ici qu’une si grande part du débat actuel sur la productivité de l’IA dérape. Les études qu’on cite mesurent la vitesse des tâches individuelles et rapportent des gains énormes. Les rapports que compilent les dirigeants mesurent le débit organisationnel et en rapportent de modestes. Les chiffres ne sont pas en conflit. Le système a plusieurs goulots d’étranglement, et l’IA en a déplacé exactement un.

L’écart entre la capacité des modèles et le bénéfice organisationnel ne se referme pas tout seul. Il est structurel. Mila offre un programme de formation continue pour les dirigeants du secteur public intitulé « AI Advantage: Productivity in Public Service ». Le fait qu’un tel programme doive exister, et doive être enseigné, est justement le point. Sans changer le reste du système, la vitesse du modèle n’a nulle part où couler.

Le problème de mesure

Si vous voulez savoir si l’IA rend réellement votre entreprise plus rapide, cessez de compter les jetons. Cessez de suivre le pourcentage de code venu d’un modèle. Cessez de mesurer « l’adoption de l’IA ». Aucun de ces chiffres ne vous dit ce que vous devez savoir.

Mesurez le temps de cycle de bout en bout. Du moment où une idée entre dans le système jusqu’au moment où un client en ressent le résultat. Comparez-le à celui d’il y a un an. C’est la seule mesure qui compte.

Si le temps de cycle de bout en bout ne s’est pas beaucoup amélioré, les gains du modèle sont absorbés par le système environnant. Cherchez le nouveau goulot d’étranglement. C’est probablement la revue, l’intégration, l’alignement, ou une passation maintenant exposée parce que tout ce qui l’entoure a accéléré. Le goulot a bougé. Votre travail est de le suivre.

Suivre le goulot d’étranglement

Trois endroits où regarder d’abord.

Les files de revue. Quand le code ou les documents arrivent dix fois plus vite, les gens qui les révisent révisent toujours au même rythme. La file s’allonge. L’attente s’allonge. La vitesse du modèle compose dans le mauvais sens. Il faut soit plus de capacité de revue, soit plus de parallélisme, soit plus de délégation à l’IA elle-même. Ne rien faire, c’est laisser la file manger le gain.

La cadence des décisions. La plupart des entreprises prennent leurs décisions importantes à une cadence hebdomadaire ou mensuelle : réunions de planification, revues, points de synchronisation. Quand le travail avance à la vitesse des machines, les cadences hebdomadaires deviennent le plancher. Soit la prise de décision accélère, soit le travail l’attend. Il n’y a pas d’option mitoyenne.

La friction d’intégration. L’IA produit plus d’extrants, mais le système qui intègre ces extrants (CI/CD, barrières de déploiement, promotion d’environnements) a été dimensionné pour un débit humain. Le pipeline devient le nouveau goulot d’étranglement presque du jour au lendemain. Le travail pour corriger cela est ingrat et ne produit pas de démo. Il produit une entreprise plus rapide.

La vraie leçon

On nous avait promis que l’IA rendrait tout plus rapide. L’IA a fait sa part. Elle a rendu plus rapide la partie qu’elle touchait, parfois de façon spectaculaire. Le reste de l’entreprise, non.

Ce n’est pas un réquisitoire contre l’IA. C’est un rappel de la façon dont le débit fonctionne réellement. La vitesse n’est jamais une propriété de la partie la plus rapide. Elle est toujours une propriété de la plus lente. Et les parties les plus lentes de la plupart des entreprises n’étaient pas, et ne seront jamais, les parties que l’IA a remplacées.

Si nous voulons que nos entreprises deviennent réellement plus rapides, nous devons cesser de célébrer les temps au tour et commencer à compter les secondes dans la voie des puits.

Le prochain goulot d’étranglement de votre entreprise est probablement celui dont vous étiez fier hier parce qu’il n’en était pas un. C’est ce qui le rend difficile à voir.