Pourquoi votre entreprise continue-t-elle d'utiliser une structure organisationnelle du siècle dernier pour faire des affaires à l'ère de l'IA ?

Écrire : Cercle de réflexion approfondie

Il y a quelques jours, j’ai vu sur X un long tweet de Freda Duan. Après avoir étudié la mise en œuvre de l’IA dans diverses entreprises, elle a constaté : chaque entreprise insère des outils d’IA dans ses processus existants, mais presque personne ne se demande pourquoi ces processus ont cette configuration particulière.

Un scénario typique : une entreprise achète Copilot, donne une licence à tous, le CTO déclare lors d’un all-hands “Nous devons adopter l’IA”. Trois mois plus tard, bilan — la génération de code est beaucoup plus rapide, la rédaction de documents est plus fluide, les comptes rendus de réunion sont automatisés, mais le ROI n’a pas vraiment été prouvé. Pourquoi ? Parce que l’organisation actuelle limite l’IA à de petites capacités d’autonomisation, le vrai ROI nécessite une refonte organisationnelle.

Les véritables fonctions des hiérarchies

La définition classique de l’organisation est la structure de pouvoir — qui rend compte à qui, qui a le pouvoir d’approuver. Mais ce n’est qu’une apparence. La véritable fonction du système hiérarchique est la gestion du routage de l’information.

Une entreprise de taille significative ne peut pas permettre à chacun de tout voir. Elle installe donc des niveaux de gestion, qui ont deux rôles : agréger les signaux de première ligne, en tirer des jugements, et les transmettre en amont ; traduire la stratégie des hautes sphères en actions concrètes à distribuer en aval. Réunions hebdomadaires, stand-ups quotidiens, QBR, comité de pilotage, réunions d’alignement interservices — tout cela est un dispositif de routage de l’information.

Mais il existe une paradoxe structurel peu discuté : la présence de départements et de niveaux hiérarchiques vise à pallier la limitation des compétences et de la capacité de production individuelles — une personne ne peut tout faire, il faut diviser le travail. Mais cette division et cette hiérarchie créent de nouveaux goulots d’étranglement. Chaque passage d’une couche de gestion dilue l’information, chaque frontière départementale dilue la culture. Plus l’organisation est grande, plus cette dilution est forte, ce qui nécessite davantage de réunions, de processus, de niveaux intermédiaires pour compenser. Et ces niveaux créent encore plus de dilutions. Ce n’est pas un problème de compétence managériale, c’est un cercle vicieux au niveau de l’architecture.

Au cours des dernières décennies, toutes les innovations managériales — agile, OKR, organisation plate, matrice — ont essentiellement consisté à optimiser localement ce cercle vicieux. Aucune ne l’a véritablement brisé.

Ce que l’IA brise, c’est ce cycle lui-même. Lorsque le coût du routage de l’information tend vers zéro, ces structures organisationnelles qui existaient pour compenser la perte d’information n’ont plus de raison d’être.

Le vrai goulot d’étranglement : le coût de traduction

Prenons le processus de livraison d’une fonctionnalité produit de taille moyenne : le PM passe deux ou trois semaines à rédiger un PRD. Le designer reçoit le PRD, comprend l’intention du PM, le traduit en maquettes visuelles. L’ingénieur reçoit ces maquettes, comprend l’intention de design, la traduit en code, et prévoit “huit semaines”. Puis, les exigences changent, le PRD est réécrit. Deux ou trois mois de développement. Le QA reçoit le code, comprend le comportement attendu, rédige des cas de test. La préparation du lancement, la formation des ventes, tout cela prend entre trois et six mois.

Le goulot d’étranglement apparent est la vitesse. Mais le vrai goulot, c’est le coût de traduction. Les idées du PM sont encodées dans un document, déchiffrées par le designer puis ré-encodées en langage visuel, puis décodées par l’ingénieur en code, puis par le QA en logique de test. Chaque étape de traduction perd en fidélité, chaque traduction nécessite une réunion d’alignement, chaque étape introduit un délai d’attente. Ce n’est pas parce que les gens sont lents, mais parce que transformer la compréhension d’une personne en un format consommable par une autre est extrêmement difficile.

L’IA réduit ces couches de traduction. Le PM peut, en une journée, passer d’idées à prototypes interactifs, la traduction entre PM et ingénierie se compresse à presque zéro. L’IA génère simultanément des tests lors de l’écriture du code, la transition entre développement et QA disparaît. Une couche intelligente intègre en temps réel les signaux clients et les indicateurs métier, alors que, auparavant, ces informations étaient agrégées manuellement par un gestionnaire intermédiaire, qui devait redéfinir sa valeur. Ce n’est pas que chaque rôle devienne plus rapide, c’est que l’écart entre les rôles — couches de traduction, files d’attente, réunions d’alignement — s’évapore.

Le vrai changement se produit au niveau du workflow : il ne s’agit pas simplement d’accélérer chaque étape, mais de reconstruire la chaîne de bout en bout. La différence n’est pas une simple question d’intensité, mais de paradigme.

Un fondateur de startup que j’ai récemment rencontré m’a décrit une réaction en chaîne particulièrement intéressante. Son équipe de développement a utilisé l’IA pour réduire un processus de trois mois à deux semaines. La première réaction a été l’enthousiasme. La seconde a été la découverte que le cycle de revue QA, qui durait deux semaines, devenait un nouveau goulot — et donc, le QA a été intégré au développement. Ensuite, le processus de validation et de finalisation, qui prenait un mois, est devenu un nouveau frein — l’équipe PM ne garde que les membres les plus polyvalents. Enfin, la préparation du lancement, qui prenait entre trois et six mois, a été réduite à un ou deux mois, car la majorité du travail GTM est automatisée et parallélisée avec le développement. L’organisation a été réduite de 80 %, la livraison de bout en bout, qui prenait près d’un an, est passée à un ou deux mois.

Ce qui compte dans cette histoire, ce n’est pas “l’IA rend les gens plus rapides”. C’est l’effet en chaîne qui se révèle une fois la couche de traduction éliminée : chaque fois qu’on supprime une couche de traduction, le prochain goulot devient le nouveau point faible. Ce processus ne s’arrêtera pas tant que toute la chaîne sérielle ne sera pas transformée en processus parallèle, avec des équipes très petites, de bout en bout. Si vous ne déployez l’IA que dans un seul maillon, les gains seront faibles, car le goulot se déplace au niveau suivant. Il faut une reconstruction end-to-end, sinon c’est comme ajouter une pompe à haute pression devant un tuyau étroit.

Où les entreprises se bloquent-elles ?

Si l’on adopte un modèle en trois phases —

Première étape : méthodes anciennes, outils nouveaux. C’est la position de la majorité des entreprises aujourd’hui. Dans cette configuration, l’IA est un outil de base — un outil qui aide les employés à faire leur travail, sans changer la structure organisationnelle.

Deuxième étape : méthodes anciennes, processus réinventés. L’histoire du fondateur mentionné ci-dessus illustre cette étape. Le produit reste le même, mais la séquence devient parallèle, les petites équipes remplacent les grandes, la couche de traduction est éliminée. L’IA joue un rôle intermédiaire — elle gère le routage de l’information, la synthèse, la coordination inter-fonctionnelle, qui étaient auparavant du ressort des managers intermédiaires. L’organisation devient plus plate.

Troisième étape : faire des choses impossibles auparavant. Jack Dorsey a raconté l’histoire d’un restaurant dont le flux de trésorerie, en période de basse saison, commence à se resserrer. Le système détecte le motif, automatise un prêt à court terme, ajuste le plan de remboursement, et le propose au commerçant — avant même qu’il ne pense à chercher du financement. Aucun PM n’a décidé de faire cela. Le système a identifié le moment, combiné des capacités existantes, et a fait émerger un nouveau produit. L’IA est au centre, non plus pour assister la décision humaine, mais pour participer à la détection des besoins, à la composition des solutions, à l’allocation des ressources. L’organisation se réorganise autour de l’IA.

La majorité des entreprises restent bloquées entre la première et la deuxième étape, non pas par la technique — qui est désormais prête — mais par l’inertie organisationnelle. Refaire le workflow implique de déplacer des positions clés : les managers intermédiaires perdent leur monopole sur le routage de l’information, les fonctions perdent leur justification, les processus d’approbation sont considérablement raccourcis. Chaque étape remet en cause le pouvoir existant. C’est pourquoi la transformation IA la plus réussie ne peut se faire que dans des entreprises dirigées par leur fondateur — c’est une nouvelle création.

La nouvelle architecture organisationnelle

Réduire une organisation à ses éléments fondamentaux ne laisse que trois composants : l’information, la décision, l’action. Les structures traditionnelles utilisent la hiérarchie pour gérer l’information, la chaîne d’approbation pour décider, et la division par département pour exécuter. L’IA modifie simultanément la structure de coûts de ces trois éléments, ce qui oblige à repenser l’architecture organisationnelle.

Passer d’une course de relais à un jeu de basketball. La livraison sérielle — PM→design→ingénierie→QA→GTM — cède la place à des petites équipes de trois à cinq personnes, aux compétences complètes, qui avancent simultanément. La majorité des décisions se prennent en équipe, seules les grandes orientations font l’objet de paris stratégiques.

La logique sous-jacente : l’IA permet d’étendre considérablement la capacité individuelle. Un PM+IA performant peut faire le travail d’un PM+designer+ingénieur junior. L’individu devient un coureur de longue haleine — la chaîne couverte est plus longue. Quand l’individu est un coureur de longue haleine, l’organisation peut être courte — moins d’étapes, moins de transitions, plus rapide de bout en bout. En analogie militaire : du navy au navy seal. Ce n’est pas une armée plus nombreuse, mais une unité d’élite très compétente.

De la division par département à l’atome de compétences. Au lieu de constituer des équipes par fonction, on décompose en unités de compétences autonomes et modulables — scoring de risque, vérification d’identité, recouvrement, épargne — chaque unité étant autonome, avec des API et interfaces de données claires, pouvant se combiner librement.

Une fois que les compétences sont atomisées, le système peut générer lui-même une feuille de route. Reprenons l’exemple de Dorsey : le système combine des modules existants — prêts, ajustements, notifications — et fait émerger un nouveau produit. Le rôle du PM devient architecte — il définit les frontières et la qualité des compétences atomiques, plutôt que de transporter l’information entre humains.

La qualité devient une barrière de sécurité plutôt qu’un contrôle. Le QA n’est plus une étape indépendante après le développement, mais une contrainte intégrée tout au long du processus.

La publication devient un flux continu. Plus de “version 2.0 en Q3”. Des petites améliorations quotidiennes. La livraison continue remplace le rythme de lancement en gros.

L’IA comme super-employé : les effets secondaires ignorés

Ce que j’ai décrit jusqu’ici concerne surtout le processus. La transformation plus profonde concerne : lorsque l’IA commence à produire réellement — pas seulement en support, mais en créant des choses — le logiciel de l’organisation doit aussi être réécrit, pas seulement le hardware.

Les relations de production changent. Une équipe traditionnelle est une collaboration humaine. Quand l’IA devient un nœud de production central, le management doit gérer une équipe hybride humain-IA. Qui est responsable de la qualité des sorties de l’IA ? Quand l’IA écrit 90 % du code (comme chez Anthropic), à qui revient la revue de code ?

L’unité de répartition des ressources change. La planification classique basée sur le headcount — combien de personnes pour un projet, pour combien de mois — n’a plus de sens si deux personnes + IA produisent autant que vingt personnes. La déclaration de Zuckerberg : “Ce qu’il fallait une grande équipe pour faire, un seul talent peut le faire maintenant.”

Les OKR deviennent peut-être encore plus cruciaux. C’est une conclusion contre-intuitive. L’IA permet à chacun d’en faire dix fois plus, mais l’écart entre ce qu’on peut faire et ce qu’on doit faire s’accroît aussi de dix. Un individu+IA peut réaliser trente tâches par trimestre, mais si la direction est erronée, la perte est dix fois plus grande. S’assurer que tout le monde fait la bonne chose n’est pas moins important, c’est la principale limite aujourd’hui. Les OKR, en tant que mécanisme d’alignement stratégique plutôt que d’évaluation de performance, prennent une importance sans précédent.

Le choc culturel est le plus discret. Quand la production individuelle peut être de cinq à dix fois supérieure, les systèmes traditionnels de promotion, de titres, de rémunération deviennent inadaptés. Qui a plus de valeur : un IC qui produit dix fois plus grâce à l’IA, ou un manager de vingt personnes dont la contribution collective est équivalente ? Les structures classiques ne proposent pas de cadre pour répondre à cette question.

Les grandes entreprises : plus de changements que jamais, mais pas encore nativement IA

Un “secret/astuce” d’investissement a toujours été de choisir des entreprises en pleine reconstruction organisationnelle — après une grande réorganisation, on observe souvent une accélération et une amélioration des marges. Le marché surestime la confusion liée à la réorganisation, sous-estime l’efficacité qu’elle libère. Aujourd’hui, il y a plus d’entreprises en pleine réorganisation qu’il n’y en a jamais eu ; les changements sont plus importants que jamais. Sur le plan de l’investissement, on pourrait dire qu’il y a “des candidats partout”, mais aucune n’a encore une architecture véritablement native IA qui impressionne.

Meta a réorganisé ses ingénieurs à un ratio de 50:1, a effectué d’innombrables réorganisations en un an : intégration de l’IA dans l’architecture fédérée de MSL, création de Meta Compute pour la gestion centralisée des ressources, déplacement complet du centre de gravité organisationnel.

Nadella affirme que 220 000 employés constituent un “avantage compétitif énorme” dans la course à l’IA. Trois réorganisations majeures en 18 mois : réduction des niveaux intermédiaires et des fonctions, unification de l’architecture Copilot, fusion du développement interne de modèles “super-intelligents”. Le coût salarial annuel de Microsoft tourne autour de 55 à 65 milliards de dollars, et l’IA permet d’augmenter la productivité de chaque employé d’au moins 50 %. La dernière étape, en mars 2026, a été l’unification de l’architecture Copilot, la fusion du développement interne de modèles “super-intelligents”, la promotion de jeunes cadres responsables de Copilot — des mouvements d’envergure.

Shopify a vu partir huit cadres supérieurs en un an, le directeur juridique est devenu COO. La plateforme a été restructurée autour des données clients et de l’IA pour la gestion des paiements. La segmentation géographique a été remplacée par une segmentation verticale — un signal : quand l’IA permet de mieux comprendre les besoins spécifiques de chaque secteur, la segmentation géographique n’est plus la meilleure façon de router l’information.

Apple, en plus du départ à la retraite de Cook, a massivement réduit l’organisation AIML, déplaçant Siri sous la direction de Federighi dans l’ingénierie logicielle. La direction IA reporte désormais à l’équipe de livraison iOS/macOS. La conception a été recentrée sur l’ingénierie hardware. La leçon la plus claire d’Apple : l’IA est un outil de livraison, pas de recherche exploratoire. C’est une réorganisation majeure.

Modèle commun : compression systématique des couches de routage de l’information. Mais honnêtement, ces exemples restent des entreprises en transition douloureuse du premier au deuxième stade. La véritable organisation native IA pourrait encore ne pas exister.

Les frontières de l’organisation deviennent floues

Jusqu’ici, tout ce que j’ai évoqué s’inscrit dans le cadre d’une “restructuration interne”. Mais l’impact de l’IA ne s’arrête pas là — il influence aussi la communication avec l’extérieur.

Quand un agent IA peut automatiquement découvrir des services, comparer des options, réaliser des transactions, gérer des paiements — le coût de traduction entre “entreprise” et “utilisateur” s’effondre aussi. Avant, il fallait des équipes de vente, de support, de marketing pour faire la traduction — expliquer la valeur, répondre aux questions, convertir. À l’ère des agents, ces étapes sont largement automatisées.

Cela étend la définition des frontières organisationnelles. Ce n’est pas seulement une question de structure interne, mais aussi : votre service peut-il être découvert et invoqué par un agent ? Où vous situez-vous dans la découverte de l’agent ? Ces questions deviendront aussi importantes que “où vous vous classez dans Google” — voire plus, car l’agent ne se contente pas de présenter des options, il réalise directement la transaction pour l’utilisateur, avec un taux de conversion plusieurs fois supérieur à celui de la publicité par recherche.

La migration des avantages compétitifs

Au cours des dix dernières années, la narration principale sur l’avantage concurrentiel était la rapidité d’exécution — qui pouvait livrer le meilleur produit au plus vite.

Aujourd’hui, cet avantage migre vers la vitesse d’apprentissage — la capacité de l’organisation à absorber rapidement les nouvelles possibilités offertes par l’IA et à se réorganiser en conséquence.

La majorité des entreprises se contentent d’utiliser l’IA pour accélérer leurs structures existantes. C’est utile, mais cela ne touche pas à la racine. La vraie différence viendra si, à partir de zéro, vous savez ce que l’IA peut faire, et que vous construisez cette entreprise différemment. La réponse ne sera pas “organisation existante + outils IA”.

Ce que nous n’avons pas encore vu, c’est une forme que nous n’avons pas encore imaginée — des individus longs, des organisations courtes, des compétences atomisées, un routage automatique, des produits émergents. La voie pour y parvenir ne sera pas une simple réorganisation ponctuelle, mais une démarche continue : se demander sans cesse si chaque étape a encore besoin d’un traducteur humain. Si ce n’est plus nécessaire, pourquoi le conserver ?