Lorsque nous avons commencé à parler d’IA avec les Big Four, les échanges ont avancé étonnamment vite. Pas de longue introduction, pas besoin d’expliquer pourquoi l’IA comptait. Presque immédiatement, les associés et les consultants seniors ont commencé à parler de ce qui occupait réellement leur temps. Non pas la prise de décision ou l’analyse, mais la préparation. Extraire des données de différents systèmes. Aligner les chiffres. S’assurer que les analyses respectaient les standards internes avant même de pouvoir commencer à réfléchir à ce que signifiaient les résultats.
Ce qui nous a frappés, c’est qu’aucun de ces travaux n’était de faible valeur. Ils étaient nécessaires. Mais ils étaient aussi épuisants. Des personnes très expérimentées passaient une grande partie de leur journée simplement à essayer d’atteindre le point où la vraie réflexion pouvait commencer.
À mesure que les échanges se poursuivaient, ils ont permis d’identifier bien plus que des dizaines de processus dans lesquels l’IA pouvait jouer un rôle. Reporting, conformité, contrôles financiers, analyse fiscale, revues internes. En apparence, cela ressemblait à un problème classique d’automatisation. Ce n’en était pas un.
La plupart de ces processus disposaient déjà d’outils, de modèles et d’une automatisation partielle. Ce qui ralentissait tout se situait entre les étapes. Changer de contexte. Réconcilier les résultats. Appliquer le jugement de manière cohérente à travers des informations fragmentées. Le véritable coût n’était pas seulement le temps, c’était la charge cognitive.
C’est à ce moment-là que le cadrage a changé.
Au lieu de nous demander comment l’IA pouvait faire le travail de bout en bout, nous avons commencé à nous demander comment elle pouvait soutenir les personnes qui faisaient ce travail. Et si l’IA pouvait prendre en charge les parties qui épuisent l’énergie, sans retirer le contrôle ? Et si elle pouvait préparer des brouillons structurés, faire remonter les incohérences et rendre son raisonnement visible, afin que les experts puissent se concentrer sur le jugement plutôt que sur la mise en place ?
Une fois cette approche mise en production, l’impact est devenu tangible.
Dans l’ensemble des équipes, les temps de cycle ont chuté de 80 à 90 pour cent pour le travail analytique récurrent. Les erreurs manuelles, en particulier dans les processus fortement axés sur la réconciliation, ont nettement diminué. Tout aussi important, les livrables sont devenus plus cohérents entre des équipes qui abordaient auparavant le même travail de façons légèrement différentes. En moyenne, les consultants ont récupéré environ 40 à 50 heures par mois, qu’ils pouvaient désormais consacrer à une réflexion à plus forte valeur ajoutée.
Mais le changement le plus intéressant ne se voyait pas dans les chiffres.
Il se voyait dans la manière dont les gens parlaient de leur travail. Les revues sont devenues plus sereines. Les discussions sont devenues plus ciblées. Les réviseurs seniors passaient moins de temps à vérifier que tout était correct et davantage à discuter de ce que signifiaient réellement les résultats.
Avec le temps, le système a cessé d’être perçu comme un outil que les gens devaient utiliser. Il a commencé à ressembler à une manière de travailler partagée, absorbant discrètement la façon dont les décisions étaient prises et la reflétant dans les analyses futures.
Cette expérience a aussi renforcé quelque chose que nous croyons depuis longtemps. Les progrès vers une intelligence plus générale ne viendront pas de systèmes qui cherchent à remplacer les experts dans des domaines complexes. Ils viendront de systèmes qui réduisent les frictions autour de la pensée experte et l’amplifient.
Dans ces missions, l’IA a créé de la valeur non pas en étant autonome, mais en étant collaborative. Elle ne prenait pas les décisions à la place des gens. Elle les aidait à en prendre de meilleures, plus vite.
S’il existe un signal précoce indiquant où les systèmes de type AGI compteront d’abord, c’est ici. Non pas dans l’automatisation complète, mais dans le soutien du jugement humain à grande échelle.
Ce basculement, de l’automatisation vers l’effet de levier, est ce qui a fait la différence.
