Je le vois, je le répète, et je le répète encore.
On va directement vers l’outil. C’est normal, c’est ce qu’il y a de plus visible, et c’est ce que tout le monde nous montre.
Avant l’outil, il y a ce qu’on fait à l’interne. Nos processus. Surtout les plus importants, ceux qui rapportent les revenus et les bons profits, ceux qui portent la pérennité de l’organisation. Ceux-là, il faut les comprendre avant même d’aller plus loin.
Ensuite il y a les gens. Et après ça seulement, l’outil.
« Qu’est-ce que l’outil va faire pour nous ? » n’est pas la bonne question. « Qu’est-ce que les gens doivent faire pour que ça fonctionne ? » en est une partie. La vraie question : est-ce qu’on comprend nos processus comme il faut, assez pour les optimiser et les améliorer ?
C’est là qu’est le retour sur l’investissement. Pas dans l’outil.
Zéro sur cent cinquante
Une étude sortie le 17 août met un chiffre sur ce que beaucoup de monde ressent sans oser le dire.
Sur 150 organisations qui ont déployé de l’intelligence artificielle, aucune n’a réduit ses coûts. Et les deux tiers ont vu leurs coûts d’exploitation monter.
Le chiffre vient de TTEC Digital, publié avec le média CX Dive sous le titre The great CX reset. Deux précisions honnêtes avant d’aller plus loin, parce qu’elles changent la portée du chiffre.
D’abord, l’échantillon : 150 dirigeants de l’expérience client, des centres de contact et des technologies de l’information. C’est un secteur, pas l’économie au complet. Ensuite, TTEC vend justement des services de transformation de l’expérience client. L’étude vient donc d’une firme qui a intérêt à ce que le problème existe.
Ça ne rend pas le chiffre faux. Ça veut dire qu’on ne le généralise pas, et je ne le généraliserai pas.
Ce qui m’intéresse davantage, c’est le diagnostic. Selon l’étude, la cause principale est qu’on boulonne de l’intelligence artificielle de pointe sur un modèle d’opération conçu avant l’IA. Un seul pour cent des dirigeants interrogés décrivent leur modèle d’opération comme vraiment adaptatif.
De ce côté-ci de la frontière, on n’est pas en train de regarder passer le train. ESET a mesuré en avril dernier que 69 % des PME canadiennes intègrent déjà des applications d’IA, contre 81 % aux États-Unis. L’adoption est faite. La question n’est plus là.
Ce n’est pas la faute de tes données
Le réflexe, devant ces chiffres, c’est de dire que les données sont sales. On l’entend partout, et c’est souvent vendu avec la solution.
Sauf que l’étude dit le contraire. Seulement 15 % des répondants citent des données non fiables. La qualité des données s’est améliorée. Ce n’est plus le principal goulot.
Ce qui bloque est ailleurs, et c’est beaucoup plus terre à terre.
60 % des organisations font rouler sept plateformes différentes ou plus. Et seulement 43 % savent avec confiance où l’IA est réellement utilisée chez elles.
Autrement dit : on a empilé des outils sur des façons de faire que personne n’a jamais mises à plat, et on ne sait plus très bien qui fait quoi, avec quoi. L’IA arrive là-dedans. Elle ne range pas. Elle accélère.
Ce n’est pas une opinion de consultant québécois. BCG écrivait la même chose au printemps, et je trouve leur formulation meilleure que la mienne : l’accélération sans simplification se retourne contre toi, parce que poser de l’IA sur des processus fragmentés accélère l’activité sans éliminer le travail à faible valeur, les approbations ni les doublons.
Leur conclusion tient en six mots : retirer le travail inutile avant de le numériser.
Mon mandat le plus fréquent
Dans plusieurs de mes mandats, mon travail a été le même : reprendre un outil qui avait déjà été choisi.
L’organisation avait acheté. Souvent bien acheté, d’ailleurs. Puis ça ne donnait pas ce qui avait été promis, et on m’appelait.
Ce que je fais dans ces cas-là ne commence jamais par l’outil.
Je commence par cartographier les processus en place, en détail. Qui fait quoi, quand, et pourquoi. Ce dernier bout est le plus important, et c’est celui qu’on saute le plus souvent. Quand on pose la question du pourquoi à chaque étape, on découvre régulièrement que plusieurs d’entre elles existent pour une raison qui n’existe plus. Une exigence d’un ancien client. Un contrôle ajouté après une erreur réglée depuis longtemps. Une signature que plus personne ne lit.
Ensuite je refais la cartographie, cette fois en tenant compte de l’outil, sans dénaturer ce qui fonctionnait déjà bien à l’interne. C’est une nuance importante : l’objectif n’est pas de plier l’organisation à l’outil. C’est de garder le bon processus et de faire suivre l’outil.
Puis on configure l’outil pour qu’il suive ce chemin-là.
Et on forme le personnel, pour que ça fonctionne pour vrai.
Au bout du compte, on revient toujours à la base. Évaluer le processus, l’améliorer, et après seulement l’adapter aux gens et à l’outil.
La formation n’est pas une case à cocher
Sur ce dernier point, l’étude de TTEC dit quelque chose de très parlant.
90 % des dirigeants se disent confiants dans leur capacité à déployer de l’IA. Et pas un seul, zéro pour cent, ne dit être sans lacune de compétences à l’interne.
On est confiants d’installer, et on sait qu’on n’est pas prêts à s’en servir. Ouf.
C’est exactement l’écart que la formation vient combler, et c’est pour ça qu’elle arrive avant l’outil dans l’ordre, pas après le déploiement en séance de rattrapage d’une heure et demie.
Mauvais ordre ou mauvais choix
Voici la nuance qui compte le plus, et c’est la bonne nouvelle de ce texte.
Dans ces mandats-là, l’outil est presque toujours un bon outil. Il est mal configuré, mal utilisé, et il ne rapporte rien. Ça, ça se rattrape. C’est du travail, ça prend une cartographie sérieuse et de la formation, mais l’investissement n’est pas perdu.
Quand c’est l’outil lui-même qui a été mal choisi, le retour en arrière est plus brutal. Là, on ne reconfigure pas, on recommence. Migration, reprise des données, réapprentissage complet, et souvent un contrat à honorer jusqu’au bout pour un logiciel qu’on n’utilisera plus.
C’est toute la différence entre un mauvais ordre et un mauvais choix. Le premier se corrige. Le second se paye.
Et c’est précisément pour ça que la séquence compte avant l’achat : elle ne sert pas seulement à mieux configurer, elle sert à ne pas se tromper d’outil.
Par où commencer, concrètement
Si tes coûts ont monté depuis que tu as ajouté de l’IA, tu n’as pas fait d’erreur exotique. Tu as fait ce que presque tout le monde a fait, et les chiffres le confirment.
Trois choses, dans l’ordre.
Un. Prends tes processus les plus importants. Pas tous. Ceux qui rapportent réellement, ceux qui portent la pérennité de l’organisation. Mets-les à plat et pose la question du pourquoi à chaque étape.
Deux. Enlève ce qui ne sert plus, avant de numériser quoi que ce soit. C’est l’étape qu’on saute, et c’est celle qui paye. Numériser une étape inutile, c’est payer pour la conserver.
Trois. Regarde tes gens. Ce qu’ils savent faire, ce qu’ils devront faire autrement, et ce qu’il faut leur montrer avant que l’outil arrive.
L’outil vient après. Et là, il a une vraie chance de rapporter.
Si tu as déjà acheté, ce n’est pas perdu. La plupart du temps, l’outil est correct et c’est la séquence qui a manqué. Ça se reprend.
Sources
- TTEC Digital et CX Dive, The great CX reset: Why outdated operating models are stalling AI’s payoff, 17 août 2026. Enquête auprès de 150 dirigeants de l’expérience client, des centres de contact et des TI. Communiqué · Rapport
- ESET, SMB Cyber Readiness Index 2026, 16 avril 2026. Communiqué
- Boston Consulting Group, Making AI Productivity Pay Off, 2026. Article
