L'entreprise AI-native n'est pas un outil, c'est une culture
Midjourney facture 4,1 M$ par employé, un SaaS classique 300 K$. Ce n'est pas un écart de productivité — c'est une autre espèce d'entreprise.
Midjourney emploie entre 40 et 100 personnes et facture 4,1 millions de dollars par employé et par an. Cursor : 3,3 millions. OpenAI : 1,5 million. Une entreprise SaaS classique, celle de toujours, tourne autour de 300 000 dollars par employé. Un ordre de grandeur d’écart. Parfois deux.
La tentation, en voyant ces chiffres, c’est de les ranger dans la case « productivité » : ces gens vont plus vite, ils shippent plus. C’est faux, et c’est le piège. Un écart de productivité, ça se compte en pourcentages. Un facteur 13 entre Midjourney et un SaaS classique, ce n’est pas la même entreprise qui va plus vite — c’est une autre espèce d’entreprise. Et la différence n’est ni le modèle qu’ils utilisent, ni l’outil. C’est une culture.
Je vois passer beaucoup de dirigeants qui pensent avoir « fait de l’IA » parce qu’ils ont distribué des licences ChatGPT ou Copilot à leurs équipes. Ce n’est pas ça, une entreprise AI-native. Distribuer un outil, c’est remplacer la poulie à vapeur par une poulie électrique. Ça ne change rien. Voici pourquoi — et par où commencer pour que ça change vraiment.
La métaphore L’électricité a mis 30 ans à payer
Le moteur électrique arrive à la fin du XIXᵉ siècle, avec Westinghouse et Edison. On pourrait croire que la productivité industrielle explose aussitôt. Elle ne bouge quasiment pas : moins de 5 % de gain, souvent 1 ou 2 %, pendant près de trente ans.
La raison est bête et profonde. Les usines de l’époque étaient bâties autour d’une gigantesque roue à vapeur qui entraînait un réseau de poulies. Quand l’électricité arrive, les industriels font la chose évidente : ils remplacent la roue à vapeur par un gros moteur électrique. Même usine, même architecture, même poulies. Résultat nul.
Il a fallu attendre qu’une génération de dirigeants parte à la retraite, et que de nouveaux entrepreneurs construisent des usines repensées autour de l’électricité — un petit moteur sur chaque machine, plus de poulie centrale, une organisation entièrement différente — pour voir la productivité grimper de 10 à 15 %.
Nous sommes exactement à ce moment-là avec l’IA. Coller un agent sur un processus conçu pour des humains, c’est la poulie électrique. Repenser le processus autour de ce que l’IA sait faire, c’est la nouvelle usine. La question n’est pas « quel outil j’achète ? », mais « à quoi ressemblerait mon entreprise si je la construisais aujourd’hui ? ».
Ce qui change vraiment Le manager dont le seul métier est de gérer des gens a disparu
Depuis les légions romaines, la théorie de l’organisation répète le même chiffre : un responsable gère efficacement 7 à 8 personnes. Ce n’est pas un hasard si les entreprises, les armées et les administrations tournent toutes autour de cette cadence depuis deux mille ans.
Avec l’IA, ce chiffre saute. Une même personne peut aujourd’hui piloter 20, 25, 50 collaborateurs, parce qu’une grande partie du travail d’un manager — les remontées de statut, la coordination, le reporting — est justement le genre de tâche que l’IA absorbe. Dans les laboratoires d’IA, il est normal qu’un responsable encadre 30 à 50 chercheurs.
Ça a une conséquence directe, et un peu brutale. Regardez la composition des grandes vagues de licenciements récentes : environ la moitié sont des postes de management. Pas parce que ces gens étaient mauvais, mais parce que le rôle dont le seul contenu était de faire circuler l’information vers le haut et vers le bas n’a plus de raison d’être. La couche intermédiaire fond.
Le patron qui ne fait que gérer des gens s’est éteint. Dans une entreprise AI-native, tout le monde crée — les chefs, le support, les managers, les stagiaires, tous.
— Freddy Vega, cofondateur de Platzi
Platzi, l’école de technologie la plus grande du monde hispanophone, est passée de 320 à 130 personnes — et facture davantage aujourd’hui, avec moins de la moitié des effectifs, qu’à son pic de headcount. Ce n’est pas une histoire de coupes budgétaires. C’est une histoire de structure : moins de couches, des équipes où chacun construit, des ingénieurs qui parlent directement aux clients.
La règle n°1 Si ce n’est pas enregistré, l’IA ne peut pas l’apprendre
Voici la partie que presque personne ne fait, et qui sépare une vraie entreprise AI-native d’une entreprise qui a juste acheté des licences.
Tout doit être capté sous une forme que l’IA peut lire. Toutes les réunions enregistrées et transcrites. Tous les e-mails, tout le support client, tout le trafic, tous les appels commerciaux convertis en texte. Pourquoi ? Parce qu’un modèle a une mémoire d’environ un million de tokens par fil — beaucoup, mais dérisoire face à une base de code ou une base clients qui génère plus d’un million de tokens par jour. Si vous ne stockez pas cette information de façon exploitable, elle est simplement perdue pour l’intelligence au centre de votre entreprise.
C’est la différence entre une organisation en boucle ouverte — une décision, une exécution, et l’information se dissipe — et une organisation en boucle fermée, où chaque action produit une trace, la trace nourrit le système, et le système s’améliore tout seul. Une entreprise AI-native qui capte ses commentaires clients et ses e-mails de support s’auto-améliore pendant que vous dormez. Une entreprise en boucle ouverte réapprend chaque matin ce qu’elle savait la veille.
Attention : « tout enregistrer » n’est pas une autorisation à tout collecter. En France, cela se conçoit avec le RGPD, l’information des salariés et une vraie gouvernance des accès dès le premier jour. La discipline de captation et la conformité ne s’opposent pas — elles se conçoivent ensemble.
Le compteur qui compte Token-maxing, pas headcount
Une objection revient systématiquement chez les dirigeants : « et la facture de tokens ? ». J’ai vu des comités de direction entiers bloqués là-dessus. Un détail : dans ces réunions, personne ne sait jamais combien l’entreprise dépense réellement en tokens par mois. Le chiffre fantasmé est toujours dix fois supérieur au chiffre réel.
Pour l’écrasante majorité des entreprises, le coût des tokens n’est pas un sujet. Le bon arbitrage n’est pas « comment dépenser moins », c’est : une facture d’API un peu inconfortable remplace un poste que vous auriez payé bien plus cher. Une personne outillée fait le travail d’une équipe d’avant. Le nouveau réflexe des entreprises les plus rapides, c’est de maximiser l’usage — le token-maxing — pas de minimiser l’effectif à performance égale.
Mais — et c’est là que je me sépare des évangélistes — brûler des tokens sans discipline, c’est du théâtre coûteux. La vraie économie ne vient pas du modèle le moins cher ; elle vient d’un système qui fait converger le travail au lieu de tourner en rond. C’est tout l’objet du harnais : les fichiers, règles et vérifications qui transforment un modèle imprévisible en processus reproductible. Le token-maxing sans harnais, c’est une usine repensée sans plan.
Par où commencer Automatisez l’intérieur, pas l’extérieur
Si vous ne deviez retenir qu’un conseil opérationnel, ce serait celui-ci, et il est contre-intuitif.
Tout le monde veut commencer par l’extérieur : un chatbot de support client, l’automatisation du marketing, la génération de leads. C’est ce que fait la majorité — et la majorité de ces projets échouent. Un rapport du MIT publié fin d’année dernière l’a montré noir sur blanc : les projets d’IA tournés vers le client échouent en masse. Ceux qui réussissent automatisent l’intérieur : la finance et les opérations.
La raison est limpide. Quand vous automatisez un processus interne, vous maîtrisez parfaitement l’entrée et la sortie, vous avez une boucle de feedback immédiate, et si quelque chose casse, c’est votre problème — vous le réparez sans qu’aucun client ne le voie. Quand vous automatisez le support client et que ça déraille, vous avez détruit votre relation client en direct. Commencez toujours par ce que vous contrôlez totalement.
C’est un sujet qui mérite son propre article — j’y reviendrai en détail. Pour l’instant, retenez la règle : le premier chantier IA d’une entreprise devrait être invisible pour ses clients.
La checklist Six chantiers à ouvrir cette semaine
Assez de théorie. Si vous voulez commencer à migrer vers l’AI-native, voici les six chantiers concrets qui reprennent tout ce qui précède — dans l’ordre où je les attaquerais.
- Enregistrez tout. Réunions transcrites, e-mails, support, appels commerciaux captés dans un format que l’IA peut relire. Sans donnée captée, pas de boucle fermée — et posez-le dès le départ avec le RGPD et l’information des salariés.
- Commencez par l’intérieur. Votre premier chantier IA doit être un processus de finance ou d’opérations que vous contrôlez de bout en bout, et invisible pour vos clients. Pas un chatbot de support.
- Posez la gouvernance des données. Qui accède à quoi, et des API internes que l’IA peut interroger sans jamais exposer les données clients. C’est la phase zéro, avant le moindre agent.
- Payez le palier du haut — avec discipline. Le token-maxing rembourse un poste entier, pas un gadget. Mais seulement encadré par un harnais qui fait converger le travail au lieu de le faire tourner en rond.
- Aplatissez. Supprimez les couches dont le seul rôle est de faire circuler l’information. Dans une organisation AI-native, tout le monde construit — et arrive en réunion avec un prototype, pas un slide.
- Devenez agnostique du modèle. Montez une petite suite d’évaluations — vitesse, coût, qualité — qui vous laisse « tester » chaque nouveau modèle en une après-midi, sans rien refaire. Le modèle change tous les trois mois ; votre grille reste.
Ce qu’il faut retenir Le modèle est une commodité, votre organisation ne l’est pas
Une entreprise AI-native, ce n’est pas une entreprise qui utilise l’IA. C’est une entreprise repensée autour de l’IA : une structure plus plate, une organisation en boucle fermée qui capte tout et s’améliore seule, et une culture où chacun construit au lieu de faire circuler de l’information.
Les chiffres du début — 4,1 M$ par employé, une conversion de 56 % contre 32 %, des entreprises d’une seule personne à plus d’un million de revenus — ne sont pas des anomalies de la Silicon Valley. Ce sont les premiers signaux d’une nouvelle espèce d’entreprise. Et comme pour l’électricité, l’avantage n’ira pas à ceux qui ont électrifié l’ancienne usine, mais à ceux qui ont osé en construire une nouvelle.
La bonne nouvelle : on ne repense pas une organisation d’un coup, et on n’a pas besoin de le faire. On commence par un processus interne que vous contrôlez, on le met en boucle fermée, on mesure, et on avance. Un diagnostic de 30 minutes vaut mieux que six mois de théâtre IA.
Si vous voulez savoir par où commencer dans votre entreprise — quel processus interne automatiser en premier, où est le vrai goulot, ce que ça coûte réellement — c’est exactement ce que je fais dans une Radiographie IA. On repart avec un plan concret, pas une promesse. Et pour comprendre la philosophie derrière cette approche — pourquoi je mise sur l’infrastructure plutôt que sur le dernier modèle à la mode — c’est par ici.