Contexte et données d'adoption
Le PwC 29th Global CEO Survey révèle que seulement 12 % des dirigeants déclarent avoir observé à la fois une croissance du chiffre d’affaires et une réduction des coûts attribuables à l’IA, tandis que 56 % n’identifient aucun bénéfice financier notable. Ces chiffres illustrent l’écart entre l’adoption technologique et la création de valeur mesurable dans les cabinets de services professionnels.
Matt Cook, partenaire chez PwC U.K., et Prasad Narasimhan Sulur, chief business officer de Certinia, soulignent que les organisations qui se contentent d’ajouter des outils d’IA restent limitées. La transformation requiert une refonte des processus afin que l’IA devienne un levier d’issues répétables et quantifiables.
Architecture de l’opérationnel IA
Deux composantes techniques sont présentées comme essentielles : l’orchestration des flux de travail et la gestion des données d’entreprise. Les systèmes d’orchestration doivent modéliser les étapes d’un projet, identifier les tâches requises et exploiter le travail antérieur, ce qui permet à l’IA de placer chaque recommandation dans le bon contexte opérationnel. En parallèle, les plateformes de gestion de données doivent rendre accessibles les informations non structurées – transcriptions de réunions, communications internes, documents de projets – tout en appliquant des contrôles d’accès afin d’éviter la fuite de données propriétaires.
Cette architecture impose des contraintes de gouvernance : les modèles d’IA doivent être soumis à des vérifications de conformité, les permissions doivent être gérées dynamiquement, et les sorties doivent être comparées à des résultats attendus pour détecter les dérives. L’objectif n’est pas d’éliminer le jugement professionnel, mais de le soutenir avec des preuves générées automatiquement.
Impact sur les processus et les compétences
Dans le développement logiciel, l’IA peut raccourcir les cycles de codage, mais les phases de test, d’intégration et de mise en production restent des goulets d’étranglement. De même, en conseil, l’IA accélère la collecte d’informations et l’analyse, mais la validation finale et la prise de décision restent humaines. Cette dissociation montre que l’automatisation de tâches isolées ne suffit pas à réduire les délais de livraison de projets.
Les recherches internes de PwC indiquent que les postes juniors exposés à l’IA exigent désormais des compétences traditionnellement associées aux cadres seniors, notamment la capacité à diriger et à prendre des décisions. Ainsi, la montée en compétence des employés devient un facteur déterminant pour exploiter l’IA de façon efficace.
Enjeux de confiance et perspectives
Les recommandations générées par l’IA peuvent paraître convaincantes tout en contenant des erreurs subtiles, ce qui annule les gains de productivité attendus. La confiance repose donc sur deux piliers : la précision technique du modèle et la capacité du système à fournir un contexte métier, à appliquer des permissions strictes et à valider les résultats. Les cabinets qui investissent dans ces mécanismes d’orchestration et de gestion de connaissances sont susceptibles de différencier leurs offres, non pas par la quantité d’analyse produite, mais par la pertinence du jugement appliqué aux résultats.
