Arrêtez de bétonner les chemins de vache : pourquoi analyser et optimiser les processus avant de déployer l’IA

De nos jours, rares sont les conseils d’administration où la question « quelle est notre stratégie en matière d’IA ? » ne se pose pas. La pression pour agir est bien réelle et la peur de passer à côté est forte : les concurrents annoncent des projets pilotes et font la une avec l’IA, les fournisseurs promettent une transformation, et personne ne veut être l’entreprise qui a raté le coche. Sous cette pression, un schéma familier se dessine : les organisations traitent le déploiement de l’IA comme le projet lui-même. Elles choisissent d’abord un outil, puis cherchent où l’appliquer.

Les éléments disponibles — issus de l’économie, de la recherche sur les systèmes d’information et du nombre croissant d’analyses rétrospectives d’initiatives d’IA infructueuses — montrent au contraire que les organisations qui tirent de la valeur de l’Intelligence Artificielle ne sont pas celles qui l’adoptent le plus vite, mais celles qui préparent le terrain : elles repensent leur activité, cartographient, analysent et optimisent leurs processus métier avant même qu’un modèle ne soit mis en production. Un adage souvent attribué à Bill Gates résume cette logique : « (…) l’automatisation appliquée à une opération efficace en amplifie l’efficacité, tandis que l’automatisation appliquée à une opération inefficace en amplifie l’inefficacité. » L’attribution relève peut-être de la légende ; le mécanisme, comme nous allons le voir, est bien documenté.

Cet article défend — preuves à l’appui — une séquence que les professionnels rigoureux ont toujours suivie : analyser d’abord, optimiser ensuite, automatiser enfin.

 

Les chiffres peu réjouissants de l’IA en entreprise

Commençons par les résultats. Une étude de la RAND Corporation publiée en 2024, fondée sur des entretiens avec des scientifiques des données et des ingénieurs expérimentés, estime que plus de 80 % des projets d’IA échouent — soit environ deux fois le taux d’échec des projets informatiques qui ne font pas appel à l’IA [1]. Un an plus tard, le projet NANDA du MIT a présenté un chiffre encore plus frappant pour l’ère de l’IA générative : malgré des dizaines de milliards de dollars d’investissements des entreprises, environ 95 % des projets pilotes d’IA générative n’avaient aucun impact mesurable sur les profits et les pertes, et seuls quelque 5 % des outils personnalisés destinés aux entreprises étaient déployés à grande échelle en production [2].

Les enquêtes racontent la même histoire sous un autre angle. S&P Global Market Intelligence a constaté que la proportion d’entreprises abandonnant la plupart de leurs initiatives d’IA est passée à 42 % en 2025, contre 17 % l’année précédente, et que 46 % en moyenne des preuves de concept ont été abandonnées avant même leur mise en production [3]. Gartner avait précisément anticipé cette sélection, prévoyant qu’au moins 30 % des projets d’IA générative seraient abandonnés après la preuve de concept à la fin de 2025 [4]. Et le phénomène ne se limite pas à l’IA générative : en 2019, avant l’existence de ChatGPT, une enquête mondiale menée par MIT Sloan Management Review et Boston Consulting Group révélait déjà que sept entreprises sur dix jugeaient l’impact de leurs investissements dans l’IA jusqu’alors minime, voire nul [5].

Le constat le plus important ne porte toutefois pas sur le taux d’échec, mais sur ses causes. En classant les causes profondes, les chercheurs de RAND ont constaté que les principales n’avaient presque rien à voir avec les algorithmes : le manque d’alignement entre les dirigeants et les équipes techniques sur le problème que l’IA devait résoudre ; l’absence des données nécessaires pour entraîner des modèles adéquats ; la priorité donnée à l’utilisation des technologies les plus récentes plutôt qu’à la résolution de problèmes réels pour les utilisateurs ; et l’insuffisance des infrastructures et de la gouvernance des données [1]. Le rapport du MIT aboutit à une conclusion complémentaire : les projets pilotes échouent parce que les outils ne s’intègrent pas aux flux de travail réels et ne tirent pas parti du contexte dans lequel le travail est effectué — une « lacune d’apprentissage » liée aux opérations, et non à la qualité des modèles [2].

Autrement dit, l’IA en entreprise échoue principalement à cause du choix des problèmes, des données et de l’intégration aux processus. Or, l’analyse des processus sert précisément à maîtriser ces trois aspects.

 

Nous avons déjà vu ce film

Rien de tout cela ne devrait surprendre quiconque se souvient de la dernière fois qu’une technologie à usage général a déferlé sur les entreprises. En 1990, après une décennie d’investissements massifs des entreprises dans l’informatique, qui n’avaient pas produit les gains de productivité escomptés, Michael Hammer en a diagnostiqué la cause dans l’un des articles de gestion les plus influents jamais publiés : les entreprises utilisaient la technologie pour mécaniser leurs anciennes façons de travailler, en conservant des processus inefficaces et en les faisant simplement exécuter plus vite par les ordinateurs. « Il est temps d’arrêter de bétonner les chemins de vache », écrivait-il : au lieu d’inscrire des processus obsolètes dans le silicium et les logiciels, les organisations devraient d’abord repenser le travail lui-même [6].

Les économistes ont ensuite quantifié ce que Hammer avait pressenti. En étudiant les données des entreprises des années 1990, Erik Brynjolfsson et Lorin Hitt ont montré que les retombées des investissements informatiques variaient fortement, et que cette différence s’expliquait par des « investissements organisationnels complémentaires » : les entreprises qui repensaient leurs processus, décentralisaient les décisions et investissaient dans les compétences obtenaient d’importants gains de productivité grâce à la même technologie, contrairement à celles qui se contentaient de l’installer [7]. Deux décennies plus tard, cette tradition de recherche a formalisé le phénomène sous le nom de « courbe en J de la productivité » : les technologies à usage général — l’électricité, l’informatique et aujourd’hui l’IA — ne produisent leurs bénéfices qu’après un certain délai, car les entreprises doivent d’abord constituer des compléments immatériels tels que de nouveaux processus, de nouvelles compétences et des flux de travail réorganisés. Sans ces compléments, la technologie reste durablement sous-performante [8].

L’IA est la suite de ce film, avec des budgets plus élevés et des cycles d’engouement plus courts. La technologie a changé ; les lois économiques de la complémentarité, non.

C’est pourquoi Mourinho Solutions est le partenaire idéal pour vous accompagner dans l’amélioration de l’efficacité de votre organisation et la maximisation du rendement de votre investissement dans l’IA. Nous sommes convaincus que l’activité de l’entreprise doit passer en premier : la technologie — et l’IA — doit suivre. Et il y a cinq bonnes raisons à cela.

 

Raison 1 : l’automatisation amplifie tout ce qu’elle touche

Un algorithme déployé dans un processus en reprend la logique, y compris ses dysfonctionnements. C’était l’avertissement initial de Hammer au sujet de l’informatique [6], et la communauté de recherche a lancé exactement la même mise en garde lors de l’essor de l’automatisation robotisée des processus (RPA) à la fin des années 2010. Les robots RPA reproduisant la manière dont le travail est effectué actuellement — en cliquant sur les mêmes écrans et en suivant les mêmes règles —, automatiser sans examiner au préalable le processus revient à couler du béton numérique sur l’inefficacité : le processus défaillant devient plus rapide, plus rigide et plus difficile à modifier [9]. Une revue systématique de la littérature sur la RPA a également identifié le choix et l’adéquation des processus — fondés sur des règles, standardisés et matures — parmi les principaux facteurs de réussite, et le mauvais choix des processus comme une cause récurrente d’échec [10].

Cette leçon s’applique directement à l’IA, avec des enjeux potentiellement plus importants. Un modèle de langage qui rédige des réponses dans une chaîne d’approbation défaillante ne fait qu’alimenter plus vite la file d’attente du goulot d’étranglement. Un modèle d’apprentissage automatique qui prévoit la demande pour un processus de planification que personne ne suit produit des prévisions que personne n’utilise. L’amplification est le principe même de l’automatisation — d’où la nécessité d’examiner d’abord ce qui sera amplifié.

 

Raison 2 : la qualité des données découle des processus — et elle est pire que vous ne le pensez

Tout système d’IA dépend des données, qui dépendent elles-mêmes des processus : les opérations quotidiennes de l’entreprise produisent ces données, les saisissent, les transforment et les transmettent. Leur état est préoccupant. Dans une étude où des responsables ont évalué des échantillons de dossiers de leur propre organisation, seules 3 % des entreprises disposaient de données conformes aux critères de qualité élémentaires, et près de la moitié des dossiers nouvellement créés comportaient au moins une erreur critique ayant des répercussions sur le travail [11]. Les personnes interrogées par RAND ont classé le manque de données adéquates et exploitables parmi les principales causes d’échec des projets d’IA, soulignant que les organisations sous-estiment systématiquement le travail de préparation des données qu’exige cette technologie [1].

Les conséquences de cette négligence sont bien documentées sur le terrain. Une étude menée auprès de professionnels de l’IA travaillant dans des domaines à forts enjeux a révélé que 92 % d’entre eux avaient connu des « cascades de données » : des défaillances en chaîne en aval, provoquées par des problèmes de qualité des données en amont, souvent invisibles jusqu’à ce qu’elles se manifestent tardivement sous la forme de modèles défaillants et de déploiements abandonnés [12]. Le titre de l’étude suffit à lui seul à diagnostiquer le problème de séquençage du secteur : « Tout le monde veut travailler sur les modèles, pas sur les données. »

Voici l’enjeu stratégique : un sprint de nettoyage des données ne suffit pas à en améliorer la qualité, car les processus qui les produisent génèrent continuellement de nouvelles données erronées. L’analyse des processus permet de repérer où les données sont créées, dupliquées, ressaisies et altérées ; l’Optimisation des processus corrige le problème à la source. En optimisant d’abord ses processus, une organisation bâtit discrètement, et dans le même temps, le socle de données sur lequel reposera son IA future.

 

Raison 3 : sans visibilité sur les processus, vous choisirez les mauvais cas d’usage

Choisir où l’IA peut être utile relève de la gestion de portefeuille et suppose de bien comprendre le fonctionnement réel du travail. Davenport et Ronanki [13], après avoir étudié 152 projets faisant appel aux technologies cognitives, ont constaté que les déploiements ambitieux de type « moonshot » décevaient régulièrement, tandis que les entreprises qui réussissaient adoptaient une approche progressive : elles examinaient leurs processus tâche par tâche et associaient des capacités d’IA précises à des goulots d’étranglement précis au sein de flux de travail précis.

Cette visibilité à l’échelle des tâches est précisément ce que fournit la discipline de la gestion des processus métier (BPM), qui constitue l’une de nos compétences clés. Le cycle de vie classique de la BPM comprend l’identification, la découverte, l’analyse et la refonte des processus avant leur mise en œuvre et leur automatisation — un ordre établi au fil de décennies de pratique, qui montre qu’automatiser un processus sans l’avoir examiné constitue une erreur de catégorie [14]. L’exploration des processus moderne renforce cette approche : en reconstituant les processus à partir des journaux d’événements des systèmes informatiques existants, elle remplace les cartographies fondées sur des opinions par des preuves et met au jour les variantes réelles des processus, les boucles de reprise, les écarts et les goulots d’étranglement que les entretiens seuls ne révèlent jamais [15]. C’est en quelque sorte une radiographie avant l’opération — et elle montre souvent que le processus décrit par les dirigeants n’est pas celui que l’organisation exécute réellement.

Les grands succès historiques de l’automatisation reposaient précisément sur cette rigueur dans le choix des processus. Chez Telefónica O2, l’un des premiers déploiements de RPA et l’un des plus souvent cités — qui a finalement généré un retour sur investissement de plusieurs centaines de pour cent —, les processus à automatiser ont été sélectionnés avec soin : à fort volume, standardisés, fondés sur des règles et stabilisés avant l’intervention des robots logiciels [16]. La réussite a été préparée dès le choix des processus, et non grâce au logiciel.

 

Raison 4 : parfois, le meilleur « projet d’IA », c’est de supprimer l’étape

L’analyse des processus a une habitude peu commode : elle met sans cesse au jour des problèmes qui ne nécessitent pas du tout d’IA. Une approbation en double, un rapport que personne ne lit, un transfert qui existe à cause d’un organigramme datant de 2014, des données saisies manuellement dans deux systèmes qui pourraient tout simplement être intégrés : les principes classiques du génie industriel recommandent d’éliminer, de regrouper et de simplifier avant d’automatiser, car automatiser le gaspillage ne fait que produire du gaspillage plus rapidement. C’était le cœur de l’argument de Hammer : « ne pas automatiser, mais supprimer » ; une grande partie de ce que l’on demandait à la technologie d’accélérer n’aurait jamais dû exister [6].

À titre personnel, j’aime beaucoup cette formule souvent attribuée à Léonard de Vinci : « La simplicité est la sophistication suprême. » Simplifier un processus est un travail exigeant : il faut de solides Compétences analytiques, savoir relier des informations issues de différents secteurs de l’organisation et intégrer des connaissances de divers domaines. C’est précisément ce savoir-faire qui est au cœur de Mourinho Solutions.

Pour une organisation sur le point de financer un programme d’IA, il ne s’agit pas d’un détour, mais d’une économie immédiate et d’une réduction des risques. Les étapes supprimées ne coûtent rien à automatiser, ne nécessitent aucune maintenance de modèle, ne créent aucun nouveau mode de défaillance et génèrent des économies dès le départ. Le travail sur les processus produit aussi un second bénéfice : une référence de départ mesurée. L’un des constats majeurs du rapport NANDA du MIT était que la plupart des projets pilotes d’IA générative ne pouvaient démontrer aucun impact mesurable sur les profits et les pertes [2] — mais cet impact ne peut être mesuré qu’à partir d’un point de départ connu. Un processus optimisé s’accompagne de temps de cycle, de taux d’erreur et de coûts par transaction documentés ; le déploiement ultérieur de l’IA peut ainsi, sans frais supplémentaires, démontrer son propre retour sur investissement.

 

Raison 5 : la valeur de l’IA se concrétise par le changement organisationnel, pas par l’installation d’un logiciel

Enfin, les recherches sur la véritable source de la valeur de l’IA convergent vers une vérité dérangeante pour les stratégies qui privilégient les outils : la valeur se matérialise au niveau des processus métier, et uniquement lorsque l’organisation évolue en parallèle de la technologie. Une revue systématique de la littérature sur l’IA et la création de valeur dans les entreprises a montré que les effets de premier ordre se traduisent par une meilleure efficacité des processus et de meilleures décisions au sein de ceux-ci — et que leur concrétisation dépend de leviers organisationnels et d’une transformation délibérée des processus métier, et non de la sophistication des modèles [17]. Les études fondées sur des entretiens avec des organisations ayant adopté l’IA identifient également la préparation organisationnelle — alignement stratégique, qualité et gouvernance des données, maîtrise des processus et culture — comme une condition préalable à évaluer avant toute décision d’adoption, et non comme un problème à découvrir ensuite [18].

Les recherches menées auprès des professionnels vont dans le même sens. Des dirigeants de McKinsey écrivant dans la Harvard Business Review ont indiqué que les principaux obstacles au déploiement à grande échelle de l’IA n’étaient pas techniques, mais culturels et organisationnels. La réussite exige de repenser les flux de travail et de mener les initiatives d’IA comme des changements de processus portés par les métiers et menés par des équipes pluridisciplinaires — et non comme de simples installations informatiques [19]. De même, dans l’étude mondiale de MIT Sloan et BCG, les entreprises qui ont réellement tiré de la valeur de l’IA se distinguaient par leur capacité à combiner stratégie, changement organisationnel et technologie, plutôt que de considérer la technologie comme une stratégie en soi [5].

L’analyse et l’Optimisation des processus, c’est précisément ce travail organisationnel, mené dans le bon ordre. Elles alignent les dirigeants sur les problèmes prioritaires (et s’attaquent ainsi à la première cause d’échec relevée par RAND [1]), apportent la compréhension des processus nécessaire à la refonte des flux de travail et créent des opérations stables et standardisées dans lesquelles l’IA peut être déployée en toute confiance.

 

Mourinho Solutions vous propose l’approche « Processus d’abord »

Aucune des raisons précédentes ne plaide pour des années d’analyse avant que quiconque puisse toucher à un modèle. Elle plaide pour une séquence courte et rigoureuse — correspondant pour l’essentiel à la première moitié du cycle de vie de la BPM [14] — menée en quelques semaines, et non en quelques trimestres, et adaptée à l’ambition du programme d’IA qu’elle prépare.

Mourinho Solutions propose une approche de conseil sur mesure, fondée sur des connaissances de pointe et des années d’expérience, qui accompagne votre organisation méthodiquement tout au long du cycle de vie de la BPM afin de maximiser le rendement de votre investissement.

Il convient également de souligner un effet cumulatif. Les organisations de la minorité qui réussit — les 5 % du MIT et les « pionnières » des études de MIT Sloan et BCG — ne se sont pas contentées d’éviter l’échec : elles ont acquis les capacités organisationnelles qui rendent chaque déploiement ultérieur de l’IA moins coûteux et plus rapide que le précédent [5], [2]. La clarté des processus, la fiabilité des flux de données et la rigueur de la mesure constituent des infrastructures. Et leur valeur s’accroît avec le temps.

 

Conclusion : prêt pour l’IA, c’est être prêt sur le plan des processus

La course à la mise en œuvre de l’IA considère l’analyse des processus comme un retard. Les faits montrent le contraire : c’est le moyen de réduire les risques qui offre le plus grand effet de levier, puisqu’il s’attaque aux causes profondes documentées des échecs de l’IA — problème mal défini, données de faible qualité, flux de travail non intégrés — avant qu’elles ne s’accumulent et ne conduisent à l’abandon d’un projet pilote. Reproduire les pratiques existantes sans les remettre en question ne créera pratiquement aucune valeur — et peut même en réduire. Trente-cinq ans de recherche, de la réingénierie des processus d’entreprise [6] à l’économie de la complémentarité [7], [8], en passant par les analyses rétrospectives des échecs de l’IA de la génération actuelle [1], [2], racontent une même histoire : la technologie démultiplie l’organisation dans laquelle elle est déployée. Optimisez d’abord l’organisation, et l’IA démultipliera quelque chose qui mérite de l’être.

La question que doivent donc se poser les équipes dirigeantes n’est pas « À quelle vitesse pouvons-nous mettre en œuvre l’IA ? », mais « Quels processus, une fois compris et optimisés, l’IA pourrait-elle véritablement transformer ? » C’est en répondant à cette question dans cet ordre que l’on se distingue des 95 % pour rejoindre les 5 %.

Mourinho Solutions veille à ce que votre organisation fasse partie des 5 %.

---

Chez Mourinho Solutions, c’est dans cet ordre que nous procédons. Nous aidons les organisations à cartographier et à analyser leurs processus, à les optimiser pour obtenir des gains mesurables, puis seulement à concevoir et à mettre en œuvre l’IA là où son intérêt est démontré. Si votre entreprise envisage une initiative d’IA, commencez par discuter de vos processus : contactez-nous pour faire évaluer vos processus.

 

 

Références

[1] J. Ryseff, B. F. De Bruhl et S. J. Newberry, Les causes profondes de l’échec des projets d’intelligence artificielle et les moyens de les faire réussir : éviter les anti-modèles de l’IA. Santa Monica, CA, États-Unis : RAND Corporation, 2024. [En ligne]. Disponible à l’adresse : https://www.rand.org/pubs/research_reports/RRA2680-1.html

[2] A. Challapally, C. Pease, R. Raskar et P. Chari, « Le fossé de l’IA générative : état de l’IA dans les entreprises en 2025 », MIT NANDA, Cambridge, MA, États-Unis, 2025. [En ligne]. Disponible à l’adresse : https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf

[3] S&P Global Market Intelligence, enquête « Voice of the Enterprise: AI & machine learning », 2025 ; résultats présentés dans « Les taux d’échec des projets d’IA sont en hausse : rapport », CIO Dive, mars 2025. [En ligne]. Disponible à l’adresse : https://www.ciodive.com/news/AI-project-fail-data-SPGlobal/742590/

[4] Gartner, « Gartner prévoit que 30 % des projets d’IA générative seront abandonnés après la preuve de concept d’ici à la fin de 2025 », communiqué de presse, 29 juillet 2024. [En ligne]. Disponible à l’adresse : https://www.gartner.com/en/newsroom/press-releases/2024-07-29-gartner-predicts-30-percent-of-generative-ai-projects-will-be-abandoned-after-proof-of-concept-by-end-of-2025

[5] S. Ransbotham, S. Khodabandeh, R. Fehling, B. LaFountain et D. Kiron, « Réussir grâce à l’IA », MIT Sloan Management Review et Boston Consulting Group, Cambridge, MA, États-Unis, rapport de recherche, 2019. [En ligne]. Disponible à l’adresse : https://sloanreview.mit.edu/projects/winning-with-ai/

[6] M. Hammer, « Réorganiser le travail : ne l’automatisez pas, éliminez-le », Harvard Business Review, vol. 68, n° 4, p. 104–112, juillet–août 1990. [En ligne]. Disponible à l’adresse : https://hbr.org/1990/07/reengineering-work-dont-automate-obliterate

[7] E. Brynjolfsson et L. M. Hitt, « Au-delà du calcul : technologies de l’information, transformation organisationnelle et performance des entreprises », Journal of Economic Perspectives, vol. 14, n° 4, p. 23–48, 2000, doi : 10.1257/jep.14.4.23.

[8] E. Brynjolfsson, D. Rock et C. Syverson, « La courbe en J de la productivité : comment les actifs incorporels complètent les technologies à usage général », American Economic Journal: Macroeconomics, vol. 13, n° 1, p. 333–372, janvier 2021, doi : 10.1257/mac.20180386.

[9] W. M. P. van der Aalst, M. Bichler et A. Heinzl, « Automatisation robotisée des processus », Business & Information Systems Engineering, vol. 60, n° 4, p. 269–272, 2018, doi : 10.1007/s12599-018-0542-4.

[10] R. Syed et al., « Automatisation robotisée des processus : thèmes et défis contemporains », Computers in Industry, vol. 115, art. n° 103162, février 2020, doi : 10.1016/j.compind.2019.103162.

[11] T. Nagle, T. C. Redman et D. Sammon, « Seules 3 % des données des entreprises respectent les normes de qualité élémentaires », Harvard Business Review, 11 septembre 2017. [En ligne]. Disponible à l’adresse : https://hbr.org/2017/09/only-3-of-companies-data-meets-basic-quality-standards

[12] N. Sambasivan, S. Kapania, H. Highfill, D. Akrong, P. Paritosh et L. Aroyo, « “Tout le monde veut travailler sur le modèle, pas sur les données” : les cascades de données dans les systèmes d’IA à forts enjeux », dans Actes de la conférence CHI 2021 sur les facteurs humains dans les systèmes informatiques (CHI ’21), Yokohama, Japon, 2021, art. n° 39, doi : 10.1145/3411764.3445518.

[13] T. H. Davenport et R. Ronanki, « L’intelligence artificielle dans le monde réel », Harvard Business Review, vol. 96, n° 1, p. 108–116, janvier–février 2018. [En ligne]. Disponible à l’adresse : https://hbr.org/2018/01/artificial-intelligence-for-the-real-world

[14] M. Dumas, M. La Rosa, J. Mendling et H. A. Reijers, Fondamentaux de la gestion des processus d’entreprise, 2e éd. Berlin, Allemagne : Springer, 2018, doi : 10.1007/978-3-662-56509-4.

[15] W. M. P. van der Aalst, Process Mining : la science des données en action, 2e éd. Berlin, Allemagne : Springer, 2016, doi : 10.1007/978-3-662-49851-4.

[16] M. C. Lacity et L. P. Willcocks, « Automatisation robotisée des processus chez Telefónica O2 », MIS Quarterly Executive, vol. 15, n° 1, p. 21–35, mars 2016. [En ligne]. Disponible à l’adresse : https://aisel.aisnet.org/misqe/vol15/iss1/4/

[17] I. M. Enholm, E. Papagiannidis, P. Mikalef et J. Krogstie, « Intelligence artificielle et valeur pour l’entreprise : revue de la littérature », Information Systems Frontiers, vol. 24, n° 5, p. 1709–1734, 2022, doi : 10.1007/s10796-021-10186-w.

[18] J. Jöhnk, M. Weißert et K. Wyrtki, « Prêt ou non, l’IA arrive — étude par entretiens des facteurs de préparation organisationnelle à l’IA », Business & Information Systems Engineering, vol. 63, n° 1, p. 5–20, 2021, doi : 10.1007/s12599-020-00676-7.

[19] T. Fountaine, B. McCarthy et T. Saleh, « Construire une organisation propulsée par l’IA », Harvard Business Review, vol. 97, n° 4, p. 62–73, juillet–août 2019. [En ligne]. Disponible à l’adresse : https://hbr.org/2019/07/building-the-ai-powered-organization