L’IA simplifie les tâches. Mais simplifie-t-elle vraiment l’entreprise ?

Les gains de productivité liés à l’intelligence artificielle commencent à être mesurés. Mais à mesure que l’IA s’intègre aux processus et que les agents gagnent en autonomie, une autre question apparaît : que devient la complexité nécessaire pour faire fonctionner, contrôler et maintenir ces nouveaux systèmes ?

Dans le Baromètre EntrepreneurIA 2026, 11 % des répondants ont choisi parmi leurs priorités une question qui pourrait sembler secondaire au regard de l’engouement actuel pour les agents : « Comment transformer les processus sans ajouter de complexité ? »

Elle mérite pourtant que l’on s’y arrête.

Depuis trois ans, une grande partie du débat sur l’intelligence artificielle en entreprise se concentre sur les gains qu’elle permet d’obtenir. Combien de temps économisé ? Combien de tâches automatisées ? Combien de contenus produits ? Combien de requêtes traitées ? Ces indicateurs sont utiles et les progrès deviennent tangibles. Mais ils observent essentiellement ce qui se passe à l’endroit où l’IA intervient. Ils disent moins ce qui se passe autour.

Or une tâche automatisée doit s’insérer dans un système de travail. L’IA doit accéder aux bonnes données, communiquer avec les applications existantes, respecter des droits d’accès, fonctionner selon des règles métier, être contrôlée lorsque l’enjeu l’exige et transmettre à un humain les situations qu’elle ne peut pas traiter. À mesure que les entreprises passent du copilote à l’agent capable d’agir, cette infrastructure organisationnelle prend davantage d’importance.

C’est peut-être ici que se trouve l’un des angles morts actuels de la productivité par l’IA : une tâche peut devenir plus simple sans que l’organisation qui la produit le devienne.

Derrière les gains individuels, une transformation plus difficile à mesurer

L’enquête mondiale publiée par McKinsey en 2026 permet de mesurer cet écart. Sur 1 719 participants interrogés entre mai et juin, 80 % déclarent que l’IA améliore leur productivité individuelle. En revanche, 37 % seulement attribuent à son utilisation au moins une partie de l’impact positif sur l’EBIT de leur organisation. Environ 6 % répondent aux critères utilisés par McKinsey pour définir les entreprises les plus performantes avec l’IA.

Il serait excessif d’expliquer cette différence par la seule complexité. Les causes possibles sont nombreuses : mauvais choix des cas d’usage, adoption insuffisante, données difficiles d’accès, coûts, manque de compétences, faiblesse de la gouvernance ou absence de réallocation des gains obtenus. Mais ces résultats rappellent une distinction importante. Améliorer l’exécution d’une tâche ne signifie pas nécessairement améliorer dans les mêmes proportions le système économique auquel elle appartient.

Imaginons qu’un collaborateur consacre trente minutes à une opération et qu’une IA lui permette désormais de la réaliser en dix. Le gain est réel. Mais si l’on veut reproduire cette performance auprès de centaines de collaborateurs, il faudra parfois connecter plusieurs sources de données, gérer les droits d’accès, surveiller la qualité des résultats, documenter les exceptions, sécuriser les échanges et prévoir ce qui doit se produire lorsque le système échoue. Le gain de vingt minutes existe toujours, mais il ne mesure qu’une partie de l’économie réelle du processus.

C’est précisément ce que les indicateurs de productivité individuelle ont du mal à saisir.

La complexité ne se trouve plus nécessairement au même endroit

Les entreprises ont toujours géré de la complexité. Ce qui change avec l’IA tient peut-être davantage à sa localisation qu’à son existence.

Une partie du travail autrefois visible disparaît de l’écran du collaborateur, tandis que de nouvelles contraintes apparaissent dans les connexions au système d’information, la gestion des données, les contrôles, la maintenance des modèles ou les mécanismes d’escalade. La coordination elle-même évolue : lorsqu’un agent réalise une partie du travail, il faut savoir jusqu’où il peut agir, dans quelles circonstances il doit s’arrêter et à quel moment un humain doit reprendre la main.

Les travaux publiés cette année sur les agents montrent que ces difficultés ne sont plus théoriques. Dans une enquête Deloitte consacrée à la transformation agentique, 72 % des dirigeants interrogés citent l’absence d’une base de données unifiée et accessible parmi les obstacles au passage à l’échelle. 70 % évoquent les difficultés liées à la confiance et à la gouvernance, tandis que 67 % mentionnent le coût et la complexité de l’intégration. Moins de la moitié se déclarent prêts pour l’IA agentique dans la plupart des dimensions de leur entreprise.

Il s’agit d’une enquête professionnelle et non d’une démonstration scientifique de causalité. Elle donne néanmoins une indication utile : les difficultés se déplacent progressivement du modèle vers l’environnement dans lequel celui-ci doit fonctionner.

Ce constat devient plus sensible avec la multiplication des agents. Gartner parle déjà d’agent sprawl pour désigner le risque de prolifération de systèmes insuffisamment coordonnés ou gouvernés. Le cabinet anticipe plus de 150 000 agents en moyenne dans une entreprise du Fortune 500 en 2028, contre moins de 15 en 2025. Une projection aussi spectaculaire doit être considérée avec prudence. Le chiffre importe ici moins que le phénomène qu’il cherche à décrire : après la multiplication des applications SaaS, les organisations pourraient être confrontées à celle des agents, de leurs accès, de leurs mémoires, de leurs instructions et de leurs interdépendances.

Plus l’agent devient autonome, plus l’entreprise doit expliciter son fonctionnement

Cette question est apparue de manière très concrète dans mon entretien EntrepreneurIA avec Matthieu Ruatti autour de MULTI.

L’approche présentée repose notamment sur la constitution d’un contexte permettant au système de comprendre l’activité de l’entreprise avant d’agir pour elle. Un document de type Business.md peut formaliser des informations sur le métier, les clients, les produits, les processus ou les priorités. À partir de ce contexte, l’agent peut progressivement prendre en charge certaines séquences de travail et transmettre à un humain lorsque son intervention devient nécessaire.

Ce cas met en évidence une difficulté souvent sous-estimée. Plus l’agent doit devenir autonome, plus l’entreprise doit lui rendre explicite ce qu’elle-même gérait jusque-là de manière relativement implicite : ses règles métier, ses priorités, ses exceptions, ses limites et les situations dans lesquelles un humain doit reprendre la main.

L’autonomie de la machine suppose donc un important travail préalable de clarification organisationnelle.

Ce constat prolonge directement la réflexion menée dans l’article précédent de la série VALEUR sur le savoir de l’entreprise. Une organisation peut posséder une expertise considérable sans l’avoir formalisée, parce que ses collaborateurs savent comment agir face aux situations courantes et aux exceptions. Un agent ne bénéficie pas spontanément de cette connaissance accumulée. Il faut lui fournir du contexte, définir des règles ou organiser l’accès aux sources pertinentes.

L’interface peut alors sembler extraordinairement simple. Cette simplicité est en partie rendue possible par le travail réalisé derrière elle.

Le risque d’automatiser un processus que l’on aurait dû repenser

C’est ici qu’apparaît une distinction importante entre automatiser et transformer.

La manière la plus rapide d’introduire l’IA consiste souvent à partir d’un processus existant et à automatiser certaines étapes. Cette approche est logique. Elle permet de tester une technologie, d’obtenir rapidement des résultats et de limiter les risques.

Mais elle rencontre une limite lorsque l’optimisation d’une étape déplace simplement le problème vers la suivante.

Une étude qualitative publiée par BCG en septembre 2026, fondée sur des entretiens conduits auprès de dirigeants de plus de cinquante entreprises considérées comme avancées dans l’utilisation de l’IA, en donne une illustration intéressante. Dans une activité d’intégration logicielle, des outils d’IA ont fortement augmenté le volume des modifications produites. Or chaque modification devait continuer à être approuvée selon l’ancien processus. L’accélération du développement a donc rendu la revue encore plus contraignante. L’entreprise a finalement dû revoir les droits de décision et rapprocher l’approbation de ceux qui réalisaient le travail.

L’IA avait accéléré une étape. Elle n’avait pas automatiquement accéléré le système.

Le cas est intéressant au-delà du développement logiciel. Dans n’importe quel processus, augmenter brutalement la capacité d’une étape peut révéler un goulot d’étranglement qui était jusque-là moins visible. Si l’IA permet de produire cinq fois plus de dossiers mais que leur validation reste entièrement manuelle, le problème change simplement de place. Même chose si un agent accélère la prospection commerciale mais que l’équipe ne peut pas absorber le volume de prospects qualifiés, ou si la production de documents devient instantanée tandis que leur contrôle reste inchangé.

L’analyse doit donc porter sur le flux de travail complet, pas uniquement sur la tâche qui vient d’être automatisée.

McKinsey développe d’ailleurs cette idée dans ses travaux récents sur ce qu’il appelle la coordination tax. Les organisations ont beaucoup investi dans les copilotes et les cas d’usage fonctionnels, mais une partie importante du potentiel se situe désormais entre les étapes, lorsque le travail passe d’une équipe ou d’un système à un autre. Réduire ces frictions suppose de redessiner les workflows, pas seulement d’améliorer les performances individuelles.

Une autre dette commence à apparaître

La complexité ne concerne pas uniquement l’intégration et la gouvernance. Elle touche aussi à notre capacité à comprendre les systèmes que nous construisons avec l’IA.

Dans le domaine du développement logiciel, la chercheuse Margaret-Anne Storey a proposé en 2026 d’élargir la réflexion traditionnelle sur la dette technique aux notions de cognitive debt et d’intent debt. La première renvoie à l’érosion progressive de la compréhension partagée d’un système par ceux qui doivent continuer à le faire évoluer ; la seconde à la perte des intentions, contraintes et raisonnements qui expliquaient certains choix de conception.

Il faut être prudent avec cette idée. Ces travaux concernent le logiciel et ne permettent pas d’affirmer que toutes les entreprises utilisant l’IA accumulent une « dette cognitive organisationnelle ». Mais la question mérite d’être observée : que se passe-t-il lorsque nous devenons capables de produire ou de modifier des systèmes plus vite que nous ne sommes capables d’en conserver une compréhension collective ?

Une étude présentée à ECIS 2026 apporte un premier éclairage empirique sur le versant technique du problème. Jonas Niemeyer et Michael Wessel ont analysé longitudinalement 1 091 dépôts Python open source. Après la diffusion de l’IA générative, ils observent une accélération statistiquement significative de certaines formes de dette de code dans les projets petits et moyens. Dans les grands projets, les résultats sont différents : la dette architecturale diminue plus rapidement tandis que la dette de conception augmente. Les auteurs concluent donc à un effet fortement dépendant du contexte plutôt qu’à une dégradation uniforme de la qualité.

Cette nuance est importante. Elle empêche de transformer la complexité en nouvel argument alarmiste contre l’IA. La technologie peut supprimer certaines difficultés et en faire apparaître d’autres. Le véritable enjeu consiste à savoir si l’organisation est capable de les voir.

Toutes les complexités ne sont pas inutiles

Une entreprise n’a d’ailleurs aucun intérêt à devenir simple à tout prix.

La sécurité crée de la complexité. La conformité aussi. Une supervision humaine peut ralentir un processus tout en évitant une erreur coûteuse. Dans certains secteurs, la redondance constitue une protection indispensable. Plus le coût potentiel d’une mauvaise décision augmente, plus certains mécanismes de contrôle deviennent rationnels.

Il faut donc distinguer la complexité nécessaire de celle qui s’accumule sans véritable choix organisationnel.

Avec l’IA, cette distinction pourrait devenir plus difficile parce qu’une partie croissante de l’architecture restera invisible à l’utilisateur. Une requête peut déclencher plusieurs agents, appeler différentes bases de données, solliciter des modèles distincts et produire un résultat en quelques secondes. Pour celui qui utilise le système, l’expérience est plus simple. Pour celui qui doit garantir sa fiabilité, elle ne l’est pas forcément.

Cette évolution change aussi la manière dont la valeur doit être mesurée.

Le temps économisé sur une tâche reste un indicateur utile. Mais il faut le rapprocher des coûts nécessaires pour intégrer, superviser et maintenir le nouveau système, ainsi que de la capacité de l’organisation à utiliser réellement les ressources libérées.

C’est l’un des fils directeurs de la série VALEUR : la capacité libérée n’est pas encore de la valeur capturée.

Une entreprise peut réduire de manière spectaculaire le temps consacré à certaines opérations sans que ces gains soient automatiquement transformés en croissance, en qualité, en innovation ou en réduction de coûts. Une partie peut être absorbée par de nouvelles activités de contrôle et de coordination. Une autre peut simplement rester disponible sans être redéployée.

La mesure de la performance doit donc progressivement sortir de la tâche pour revenir au résultat organisationnel.

Repenser le travail plutôt qu’empiler les outils

Les entreprises les plus avancées semblent commencer à emprunter cette voie. L’étude BCG menée en 2026 auprès de plus de cinquante entreprises ne décrit pas simplement davantage d’utilisation de l’IA. Elle observe des modifications des rôles, des droits de décision, des modes de coordination et de la manière dont les équipes sont organisées autour des résultats. Dans près des deux tiers des organisations étudiées, certaines vérifications procédurales ont été fortement réduites au profit d’une responsabilité plus directe des équipes. BCG identifie également de nouveaux rôles, notamment celui de workflow designer, chargé de repenser les processus de bout en bout et de déterminer ce qui doit être confié à l’IA ou rester humain.

Ces observations proviennent d’un échantillon volontairement constitué d’entreprises avancées et ne peuvent être extrapolées à l’ensemble de l’économie. Elles indiquent néanmoins une direction possible.

Pendant les premières années de l’IA générative, les organisations ont surtout cherché les endroits où introduire la technologie. Cette logique était nécessaire pour apprendre. Elle atteint aujourd’hui ses limites.

Avec les agents, la question devient plus exigeante. Il ne suffit plus de demander quelle étape peut être automatisée. Il faut parfois revenir au résultat attendu et examiner si le processus lui-même reste pertinent.

Certaines étapes pourront disparaître. Des validations devront être déplacées. Des décisions simples pourront être prises par des systèmes tandis que les situations ambiguës resteront humaines. Certains rôles évolueront vers la supervision, le jugement ou la conception des workflows. D’autres dépendances devront être supprimées plutôt qu’automatisées.

C’est probablement à ce niveau que se joue la différence entre ajouter de l’IA à une organisation et transformer réellement son fonctionnement.

Le résultat du Baromètre EntrepreneurIA prend alors une autre signification. Les 11 % de répondants qui demandent comment transformer les processus sans ajouter de complexité ne soulèvent pas un problème périphérique. Ils touchent à une difficulté qui pourrait devenir centrale à mesure que l’IA passe de l’assistance à l’action.

Les entreprises devront regarder au-delà du temps économisé et du coût unitaire des tâches pour observer ce que leurs nouvelles architectures exigent en intégration, en supervision, en compétences et en gouvernance.

Après avoir cherché à savoir ce que la technologie pouvait automatiser, elles devront probablement décider ce qu’elles veulent réellement simplifier.

Car l’IA peut simplifier la tâche sans simplifier l’organisation.

Note méthodologique

L’expression « paradoxe de complexité de l’IA » utilisée dans cette analyse désigne une hypothèse exploratoire issue du croisement entre le Baromètre EntrepreneurIA 2026, les entretiens EntrepreneurIA et plusieurs travaux récents sur l’adoption organisationnelle de l’IA. Elle ne constitue ni une théorie scientifique validée ni une métrique. Les travaux consacrés à la dette technique et cognitive concernent principalement le développement logiciel ; leur transposition à l’organisation dans son ensemble doit donc être considérée comme une piste de recherche et non comme un résultat établi.

Références principales

McKinsey & Company, The State of AI in 2026: On the Road to ROI, 25 août 2026.

McKinsey & Company, Cutting the ‘Coordination Tax’: How Agentic AI Can Reshape Workflows, 18 septembre 2026.

McKinsey & Company, AI Is Changing Work. Now It Has to Change the Organization, 5 octobre 2026.

Deloitte Insights, The Path to Agentic Transformation, 2026.

Boston Consulting Group, Sagar Goel, Julie Bedard, Matthew Kropp, Ashley Sim et Charikleia Kaffe, Five Ways That AI Front-Runners Change How Work Gets Done, 24 septembre 2026.

Gartner, Gartner Identifies Six Steps to Manage Artificial Intelligence Agent Sprawl, 28 avril 2026.

Margaret-Anne Storey, From Technical Debt to Cognitive and Intent Debt: Rethinking Software Health in the Age of AI, ACM Queue, 2026.

Jonas Niemeyer et Michael Wessel, GenAI’s Hidden Cost: An Empirical Study of AI-Induced Technical Debt, ECIS 2026 Proceedings, paper ECIS2026-1988.