Lorsque l'entreprise devient un agent : 5 réflexions sur l'organisation à l'ère de l'IA

“AI跃迁者调研” est une série de discussions approfondies sur la lentille de l’IA par AI. La transition n’est pas une évolution linéaire, mais une renversement, une itération puis une reconstruction. À chaque épisode, nous invitons un AI Transcender — un entrepreneur natif de l’IA, une entreprise en transition vers l’IA ou un super individu qui se refait avec l’IA, partageant leurs conclusions, leur processus de décomposition, leur logique de construction, les frais d’apprentissage, et ce qu’ils ont réussi à préserver dans un changement constant, offrant ainsi une référence authentique à ceux qui empruntent cette voie.

Pour ce premier épisode, nous accueillons le Dr Fan Ling, fondateur et CEO de Tezign, professeur à Tongji University, superviseur de doctorat, et directeur du laboratoire d’intelligence artificielle appliquée. Tezign est une entreprise d’Agentic AI d’entreprise, fondée il y a 10 ans, qui s’efforce de construire un système d’agents intelligents d’entreprise capables de comprendre le contexte métier, de participer à des décisions complexes et de continuer à produire des résultats, en s’appuyant sur leur architecture Generative Enterprise Agent (GEA). Elle aide les entreprises à croître, innover et augmenter leur productivité, en servant à long terme la compréhension utilisateur, l’innovation produit et la croissance marketing. Plus important encore, elle se refait aussi elle-même avec l’IA : transformation des pods, développement de communautés, et construction d’Agentic Enterprise Agents avec skills, context et orchestration.

Nous avons discuté avec Fan Ling de comment l’IA change la structure organisationnelle, la densité des talents, la livraison client et les barrières produits, ainsi que des problèmes non résolus derrière ces changements.

【Citations clés et insights】

1. “L’IA n’est pas un outil pour améliorer l’efficacité de la R&D, mais un Agent qui donne accès aux ressources R&D à ceux qui en manquent.”

2. “L’IA est fondamentalement anti-sectorielle et contre la division professionnelle, elle nous ramène à un état renaissance de polyvalence.”

3. “Leadership, ownership, responsabilité, résilience — ces concepts abstraits deviennent très concrets à l’ère de l’IA.”

4. “La majorité des entreprises sont encore au stade du copilote : ajouter de l’IA à leurs fonctions existantes. Mais la capacité de l’IA a évolué à un point où elle peut redéfinir l’organisation elle-même.”

5. “Une organisation native IA n’est pas une IA intégrée dans le flux de travail humain, mais un flux de travail IA dans lequel l’humain insère son jugement. La société peut être un Agent, et l’humain un rôle de jugement dans ces Agents.”

6. “Nous vivons une époque de surabondance de produits et de pénurie d’utilisateurs. La croissance devient de plus en plus difficile, mais aussi de plus en plus cruciale. À l’ère de l’IA, il faut se concentrer sur ces capacités que l’IA ne peut pas réduire en temps.”

Présentation du guest :

Fan Ling, fondateur et CEO de Tezign, professeur à Tongji University, superviseur de doctorat, directeur du laboratoire d’intelligence artificielle. Tezign, fondée il y a 10 ans, utilise depuis longtemps la technologie IA pour aider les entreprises à résoudre des problèmes d’insights utilisateur, d’innovation produit et de croissance marketing. Dans cette discussion, il partage la transformation interne de l’organisation en pods, l’utilisation d’outils IA en mode dogfooding, le système de contexte d’entreprise, et l’exploration de produits comme Atypica / GEA.

Yu Yi, chercheur senior à Tencent Research Institute, spécialisé dans l’innovation de produits IA natifs et la transformation d’entreprise, avec plusieurs années d’expérience en capital-risque et incubation d’écosystèmes. Reconnu comme expert annuel en LinkedIn Chine, et comme meilleur expert et conférencier IA chez Tencent, mentor dans la communauté IA.

【Aperçu de la recherche】Expérience d’organisation IA native chez Tezign

Point de déclenchement de la transformation : Cursor n’est pas le meilleur pour la R&D

Fan Ling a toujours observé qui dans l’entreprise utilise le mieux les outils IA. La réponse surprend : ce ne sont pas les R&D, mais les product managers et designers. Ils utilisent Cursor pour accéder à des ressources qui auparavant nécessitaient une planification R&D. Cela lui a fait réaliser que l’IA ne sert pas à accélérer la travail spécialisé, mais à permettre à une seule personne de jouer plusieurs rôles. Depuis la révolution industrielle, l’hypothèse d’une organisation “un poste par personne, promotion hiérarchique” est en train d’être ébranlée. Il appelle cela “l’IA comme anti-révolution industrielle”.

Réorganisation : pod + communauté en double voie

Sur cette base, Fan Ling a lancé deux réformes. La première consiste à diviser toute l’entreprise en pods — petites équipes transversales de 3 à 10 personnes, avec livraison en boucle fermée, sans dépendance à la coordination inter-départements. Il y a trois ans, ils ont essayé un pod, mais ont échoué car l’équipe n’était pas prête psychologiquement. Mais l’IA a permis de réduire spontanément la coordination horizontale, et le terrain pour le pod s’est mûri. La deuxième réforme consiste à construire une communauté en dehors des pods : une communauté horizontale pour renforcer les compétences en vente, produit, code, etc., et une communauté de leadership — Fan Ling pense qu’à l’ère de l’IA, gérer 100 Agents est plus difficile que 10 personnes, et le leader de pod doit avoir non seulement des compétences IA, mais aussi P&L, intuition commerciale et patience.

Un phénomène lié à cette transformation est la dissolution des frontières de rôle. Les marketeurs utilisent Claude Code pour écrire des scripts pour LinkedIn, devenant en pratique des Marketing Engineers ; les product managers et designers sortent directement des fonctionnalités avec Cursor, sans attendre la planification R&D. La proportion de R&D diminue, mais le nombre de “ceux qui savent coder” augmente.

Moteur culturel : l’engagement des fondateurs dans la construction

L’architecture n’est que la structure, ce qui fait vraiment tourner l’IA, c’est la culture. Tezign propose aussi des formations systémiques (projet ABC Plus), mais Fan Ling constate que la force motrice la plus efficace est la participation directe des fondateurs. Avec le CTO et le responsable produit, ils forment une petite équipe qui utilise l’IA pour créer de nouveaux produits, générant une croissance utilisateur bien supérieure à celle d’une équipe de 7 personnes. Lors des démos lors des déjeuners ou cafés, d’autres leaders de pods suivent. Petit à petit, une habitude de “fierté de montrer ce qu’on construit” se forme. La culture de dogfooding, qui se propage par contagion, dépasse largement la simple promotion descendante.

Infrastructure : système de contexte stratifié

Tezign possède une forte culture documentaire, même les enregistrements de réunions sont transformés en documents. Fan Ling construit un système de contexte stratifié : au niveau de l’entreprise, avec des fichiers comme schema.md pour guider, qui pointent vers des milliards de documents accumulés ; au niveau du pod, avec le contexte propre à chaque petite équipe ; au niveau individuel, avec la gestion de dialogues et préférences personnelles. Il insiste sur le fait que plus le contexte est riche, mieux vaut ne pas tout surcharger — certains scénarios nécessitent un cadre plutôt que des détails. La gestion des permissions et de la confidentialité est essentielle : par exemple, lors d’un partage d’écran, il a recherché le mot de passe Wi-Fi, et l’IA a aussi montré un mot de passe confidentiel réservé à lui seul. Il préfère ne pas mettre certaines données sensibles dans le système de contexte.

Partage produit : GEA, Atypica

Au niveau produit, la stratégie de Tezign tourne autour d’accumuler ce que l’IA ne peut pas réduire en temps.

GEA (Generative Enterprise Agent) est une architecture d’agents d’entreprise. Elle ne se concentre pas sur un seul Agent, mais sur le contexte et l’orchestration — un Lead Agent avec plusieurs Sub-Agents, équipés de skills et de contexte d’entreprise, pour former des équipes d’agents dédiés dans des domaines comme insights utilisateur, croissance de contenu, innovation produit, fonctionnant 7x24 comme une entreprise virtuelle.

Atypica construit une “IA qui comprend l’humain”. En utilisant environ 1 million de données d’expression, d’histoires, de cognition et de comportement de vrais utilisateurs, elle construit un modèle subjectif pour simuler consommateurs et utilisateurs professionnels. Exemple : un professeur américain utilise 20 000 échantillons de familles réelles pour générer 1000 profils types, simulant des discussions entre couples et parents sur la natalité, en injectant des variables politiques pour observer les changements de comportement — une application en sciences sociales.

Game Lab (game.atypica.ai) s’attaque à la précision de simulation humaine par IA. En faisant jouer des humains et des IA à des jeux économiques (dilemme du tramway, ultimatum), en utilisant les données humaines pour affiner l’IA jusqu’à ce que ses décisions soient indiscernables de celles des humains. C’est la méthode centrale d’évaluation chez Tezign.

Boucle commerciale : découverte de scénarios pour engager le client

Une fois que le pod fonctionne en interne, la stratégie externe évolue aussi. Le leader de pod devient un “officier de détection de scénarios” : à partir de plus de 600 besoins clients, il extrait environ 100 scénarios communs, puis les structure selon la méthode SPIS (Situation-Pain-Impact-Solution). Parler des “douleurs des autres” avec le client facilite la conversation plus que la simple démo produit — le client sent “tu me comprends”. Le leader de pod consacre environ 30-40% de son temps à la collecte de scénarios.

Coûts et tensions non résolues

Les meilleurs utilisateurs d’IA sont aussi ceux qui en souffrent le plus — leur frontière de capacités s’étend, et ceux qui excellent prennent en charge plus de responsabilités, ce qui augmente leur fatigue. Fan Ling admet que c’est le problème majeur non résolu. Après avoir construit plusieurs fois, la répétition s’accumule, et un même scénario peut être traité par plusieurs pods. Il préfère tolérer plutôt que contrôler. La transition de démo à production crée un fossé d’évaluation : sans contexte réel et données propres, la simple montée en capacité du modèle fragilise la barrière.

Une tension plus profonde : l’IA réduit le coût d’exploration, mais augmente aussi l’anxiété. La surabondance de produits, la pénurie d’utilisateurs, la facilité de faire des démos, rendent la croissance critique. La réponse de Fan Ling est de “build in public” — construire tout en récoltant du feedback, faire de l’exploration une partie du résultat.

Entretien complet

Restructuration organisationnelle : du Copilot au pod à haute cohésion

Yu Yi : Commençons par ce qui m’intéresse le plus, à savoir la “transformation organisationnelle IA”. D’après ce que je sais, Tezign a commencé très tôt à expérimenter diverses transformations. Il y a environ un an, Tencent Research Institute a publié une étude de cas sur Tezign, évoquant vos expérimentations internes. Un an plus tard, je voudrais connaître les dernières avancées. Ce qui m’a marqué, c’est votre mention de la relance du pod (petite équipe transversale) — c’est la deuxième tentative. Beaucoup ne savent pas vraiment ce qu’est un pod. C’est une architecture, initiée à l’origine par Meta. À mon avis, c’est comme constituer une “force spéciale” interne pour saisir rapidement un nouvel environnement ou une nouvelle technologie. Est-ce que ma compréhension est correcte ? La première tentative a échoué, mais avec l’ère de l’IA, vous pensez que c’est à nouveau viable, et vous avez décidé de réessayer. Pouvez-vous expliquer pourquoi ce choix d’architecture ? Où en êtes-vous aujourd’hui ? Je suis très curieux.

Fan Ling : Je pratique depuis longtemps l’utilisation d’outils IA, étant donné que nous faisons nous-mêmes des produits IA. En utilisant ces outils, je me suis toujours posé la question : à quel point faut-il aller pour vraiment exploiter la valeur de l’IA ? Avant, si un outil permettait d’augmenter l’efficacité de 20-30%, c’était déjà très bien. Mais pour l’IA, est-ce que cette augmentation de 20-30% est une bonne utilisation ou pas ? Je ne savais pas où se situait le standard.

Puis j’ai eu un moment Aha. Ce n’est peut-être pas grand-chose, mais ça m’a bouleversé. Parce que je m’intéresse à l’efficacité, j’ai demandé à l’équipe comment ils utilisaient Cursor, un outil de programmation IA. Résultat : ce n’était pas la R&D, mais les product managers et designers qui l’utilisaient le plus créativement. Leur raison : auparavant, pour réaliser beaucoup de fonctionnalités, ils devaient attendre la planification R&D ; maintenant, Cursor leur a permis d’obtenir directement des ressources R&D. Pour eux, Cursor est une ressource R&D.

Cela m’a fait réaliser une chose : l’IA n’est pas seulement un outil pour accélérer la R&D, c’est un Agent qui permet à ceux qui manquent de ressources R&D d’accéder à ces ressources. L’IA ne sert pas seulement à rendre la spécialisation plus rapide, mais à rendre une personne capable de jouer plusieurs rôles.

Cela m’a amené à réfléchir à l’organisation. Notre architecture, même notre système éducatif, sont conçus selon la logique de la révolution industrielle : “milliers de métiers”, on choisit une spécialité, on progresse de débutant à avancé. Beaucoup disent que l’IA est la prochaine révolution industrielle, mais je pense que, fondamentalement, l’IA est “anti-révolution industrielle”. Elle brise la division stricte des métiers, nous ramène à un état de renaissance où une personne peut être “polyvalente”. Si nos product managers et designers peuvent devenir plus complets grâce à l’IA, alors il n’est plus nécessaire de leur assigner des rôles rigides. Autrefois, une personne ne pouvait avoir qu’un seul rôle, maintenant “humain + IA” permet de jouer plusieurs rôles en même temps.

Yu Yi : Comment avez-vous concrètement appliqué cette idée dans l’organisation ?

Fan Ling : C’est notre principe de base. Le principal avantage : réduire considérablement les réunions de synchronisation, et aussi le temps de coordination entre front-end et back-end. Notre principe est : “haute cohésion, faible couplage”. Un petit groupe, 2-3 personnes, qui peut livrer une tâche complète sans dépendre d’autres départements. Il y a trois ans, on a essayé un pod, mais ça n’a pas marché car tout le monde n’était pas prêt psychologiquement. Mais l’année dernière, avec cette nouvelle compréhension, j’ai vu que l’équipe commençait spontanément à réduire la coordination horizontale, et que le terrain pour le pod était mûr. Je déteste les réunions, je suis plutôt un builder, j’aime faire les choses moi-même. À cette époque, quelqu’un m’a dit que OpenAI utilisait aussi des pods, et que GPT était construit par 35 pods. Ça m’a convaincu : si on devient une unité opérationnelle petite, la dynamique change complètement.

Yu Yi : Diviser une équipe en petites unités, ça paraît idéal.

Fan Ling : Plus l’unité est petite, plus le sens de ownership est fort. Avant, si tu étais développeur front-end, tu ne t’occupais que du code front, sans te soucier du backend ou de l’expérience utilisateur finale. Maintenant, dans un pod de 3-5 personnes, tout le monde doit livrer le résultat final. Cela favorise l’expérience utilisateur et la qualité du produit.

Donc on pousse vers le modèle pod. La maturité est bien meilleure qu’il y a 3 ans, la mentalité et les compétences ont évolué. Mais cela comporte deux effets secondaires. Le premier : plus quelqu’un utilise bien l’IA, plus il prend de responsabilités, et donc il devient plus fatigué. Je dis souvent : en fin de journée, en faisant le tour du bureau, ceux qui restent tard ne sont pas ceux qui travaillent mal, mais ceux qui travaillent trop efficacement.

Yu Yi : Exact, je vois souvent des collègues qui, en fin de journée, sont encore là parce qu’ils sont très efficaces, et ils gèrent plusieurs tâches en même temps.

Fan Ling : C’est ça. D’une part, ils peuvent faire plusieurs tâches en parallèle. D’autre part, ils ont tendance à étendre leur frontière de responsabilité. Avant, tu faisais juste du code front, maintenant, avec l’IA, tu peux aussi faire la conception produit, le go-to-market, etc. Par exemple, hier, un collègue du marketing m’a montré un CMS pour le site web qu’il a construit seul avec l’IA. Avant, cela aurait nécessité une équipe de 20 personnes, maintenant, il l’a fait seul. Je trouvais ça impressionnant, mais en même temps, ces gens deviennent plus fatigués. L’IA ne leur simplifie pas la vie, au contraire. Leur exigence de qualité est très élevée : ils visaient 60 points, avec l’IA ils atteignent 90, et ils bossent sans relâche. C’est le premier effet secondaire à gérer.

Yu Yi : C’est une sorte de bonheur compliqué. Et le deuxième ?

Fan Ling : Le deuxième, c’est qu’on se rend compte qu’il faut systématiser la formation. L’année dernière, on a lancé le projet ABC Plus, avec des formateurs externes pour apprendre aux équipes à utiliser Claude Code, divers agents, etc. La clé, c’est de lever la barrière cognitive initiale, pour qu’ils puissent vraiment utiliser ces outils.

En parallèle, on a créé une communauté parallèle aux pods, appelée Community. Dans l’organisation classique, les ingénieurs, product managers, commerciaux sont en ligne hiérarchique. Maintenant, on a transformé cette hiérarchie en une communauté horizontale. Le rôle du leader de communauté, c’est de faire apprendre la vente, la programmation, le design à plus de personnes. Ce n’est plus une question de KPI, mais de développement global.

Donc, la structure actuelle : les pods sont des unités opérationnelles, orientées client ou technique ; la communauté horizontale aide à la croissance des compétences, sans KPI. En plus, on a une communauté de leadership, car dans l’ère de l’IA, un leader doit gérer 100 Agents ou 100 employés très compétents en IA. Les qualités comme le leadership, la responsabilité, la résilience deviennent des compétences concrètes et essentielles.

Yu Yi : La podification chez Tezign s’inspire des expériences d’OpenAI, mais ce n’est pas une simple copie d’un “escadron spécial”. C’est une règle fondamentale de l’entreprise, complétée par une mécanique de développement communautaire, adaptée à votre contexte.

Fan Ling : En réalité, on ne sait pas vraiment d’où on tire l’inspiration. Le terme “pod” existe ailleurs, on l’a adopté aussi. La logique sous-jacente, c’est de transformer la hiérarchie en cercles concentriques. On aime bien le concept de “blue organization” (organisation bleue), qui correspond à notre tempérament. La différence, c’est qu’avec l’IA, nos capacités ont enfin rattrapé cette vision. Notre transformation est une transformation globale, pas seulement une expérimentation. On a déjà fait un premier bilan Q1, ça a été difficile, mais tout le monde comprend que c’est irréversible. Je pense qu’au Q2, tout le monde sera plus à l’aise.

Yu Yi : D’où vient cette sensation d’inconfort ?

Fan Ling : Elle vient de plusieurs sources. Avant, pour un projet, on créait un groupe de 20 personnes, avec des responsabilités claires. Si quelque chose n’était pas fait, on pouvait facilement pointer la personne responsable. Dans un pod, même avec 3-4 personnes, tout le monde doit se couvrir mutuellement. Si quelque chose ne marche pas, personne ne peut rejeter la faute. La maîtrise devient plus forte, mais la pression aussi.

De plus, au Q1, on a rencontré des problèmes. Par exemple, un pod était trop fatigué, faut-il faire intervenir un autre pod ? À ce stade, tout le monde n’est pas encore “tout en un”. Certains sont plus forts en R&D, d’autres en vente. La collaboration inter-pod pose des défis. La pression sur le leader de pod est énorme. Mais je suis convaincu que cette voie est la bonne.

Yu Yi : Y a-t-il une taille idéale pour un pod ? Un nombre maximum ou minimum ?

Fan Ling : Je préfère que ce soit le plus petit possible. Mais, en pratique, il faut des leaders capables, et ils ne sont pas encore nombreux. Donc, nos pods font environ 10 personnes, parfois divisées en deux sous-groupes.

Yu Yi : Je suis aussi très intéressé par cette question. J’ai entendu Gung Yin, de Anker, dire qu’un bon “unité opérationnelle” fait 6 personnes : un expert en affaires + IA, et 5 personnes qui savent utiliser l’IA. C’est leur règle empirique.

Fan Ling : En principe, il faut que ce soit aussi petit que possible. Si une personne peut faire le boulot seule, pas besoin de plus. Si ce n’est pas le cas, on peut monter à 10. Je ne crois pas à un chiffre magique comme 5 ou 6. La règle, c’est de garder un cercle aussi fermé que possible, avec une ownership complète.

Je tiens à préciser que je ne cherche pas à réduire la “charge de travail” en heures. Par exemple, si une tâche demande 100 personnes-jours, je ne vais pas forcer une équipe de 3 à faire en 30 jours. Chacun optimise ses processus. Ce qui m’importe, c’est de supprimer les activités à faible valeur ajoutée, comme la coordination horizontale, pour gagner du temps.

Développer des leaders IA natifs avec une vision commerciale

Yu Yi : Vous avez dit que peu de personnes peuvent aujourd’hui devenir leader de pod. Deux questions : qu’est-ce qui fait qu’une personne peut devenir leader ? Et comment Tezign identifie et forme ces leaders ?

Fan Ling : Pour devenir leader, il faut des capacités soft (apprentissage, IA) et des capacités hard, difficiles à apprendre mais indispensables : leadership, gestion P&L, responsabilité extrême. Dans ce contexte rapide, la patience devient une qualité clé. Ces qualités sont à la fois soft et hard. La maîtrise des outils IA est aussi essentielle.

Comment former ? C’est la raison pour laquelle on a intégré un module Leadership dans la communauté. On ne peut pas encore tout faire systématiquement, mais on prévoit des formations en leadership, ou des formations en école de commerce. Avant, on formait des chefs d’équipe pour gérer quelques personnes. Maintenant, ces chefs gèrent des centaines d’agents. Ils gèrent une capacité de 100 personnes. Je pense que tout le monde devrait suivre des cours de gestion, de leadership. Dans l’ère de l’IA, la compétence technique est maîtrisée, mais la gestion et la stratégie restent des points faibles.

Yu Yi : Pour les talents IA natifs, pour devenir leader d’une équipe “humain + IA”, il faut surtout apprendre la gestion et le leadership.

Fan Ling : Cela dépend des équipes. Par exemple, dans certains secteurs traditionnels, ils n’ont pas besoin de méthodes ou de leadership, ils gèrent déjà des milliers de personnes. Leur défi, c’est de changer de mentalité — passer d’un SOP rigide à une organisation IA native. Mais pour une entreprise technologique comme Tezign, la gestion devient encore plus cruciale, car l’IA exige une planification plus fine.

Yu Yi : C’est très intéressant. J’ai lu récemment une étude de Harvard sur 500 entreprises, avec un programme de formation d’environ 100 jours, en mode accélérateur. Un groupe suivait une formation classique, l’autre intégrant dès la deuxième semaine des cas concrets d’IA. Résultat : le groupe avec IA a obtenu des résultats financiers et opérationnels bien supérieurs. La méthode et la contenu de la formation comptent énormément.

Fan Ling : Exact. Les outils IA permettent aux leaders d’affaires de concrétiser leurs idées. Avant, beaucoup de théories commerciales restaient abstraites, sans moyens concrets de mise en œuvre. Maintenant, l’IA permet de faire réellement. L’IA devient une “technologie commerciale”.

Comme les ERP ou CRM d’autrefois, qui portaient la pensée commerciale, chaque théorie doit s’incarner dans la technologie. L’IA est une opportunité pour faire prospérer ces idées commerciales, qui restaient souvent au stade de la théorie.

Yu Yi : Je poursuis avec une question liée à la recherche. Certains pensent que, dans les précédentes révolutions technologiques, le rapport entre investissement et rendement était clair, avec une augmentation visible de l’efficacité. Mais avec l’IA, on voit des bénéfices évidents pour l’individu, mais à l’échelle organisationnelle, cette relation semble s’effacer. Une étude veut vérifier si ce décalage existe encore. Selon vous, avez-vous observé une différence d’efficacité entre individuel et organisation ? Est-ce que c’est parce que la réduction des coûts et l’augmentation de la productivité ne sont qu’un espace d’imagination, ou y a-t-il d’autres raisons ?

Fan Ling : Nous n’avons pas encore quantifié précisément ces effets organisationnels, mais les résultats parlent d’eux-mêmes. Par exemple, notre équipe n’a pas augmenté en taille, mais l’année dernière, notre croissance a été de 60%, cette année l’objectif est de 80-90%. Ces chiffres prouvent la valeur de l’IA.

Mais certains effets ne se mesurent pas en chiffres. Par exemple, nos leaders sont très fatigués. Même si l’IA leur décharge beaucoup, leur charge mentale augmente. Si vous restez seul à coder dans un casque, votre travail est concentré, sans interruption ; mais un leader doit gérer 6 ou 10 agents, avec une multitude de tâches en parallèle, ce qui est très lourd mentalement. Ce n’est pas quantifiable facilement.

De plus, même si l’IA évolue rapidement, la capacité humaine évolue lentement. Il y a deux ans, l’IA se limitait à un copilote, un assistant personnel. Cela améliorait l’individu, mais pas la structure organisationnelle. L’année dernière, avec des modèles comme DeepSeek-R1 ou GPT-1, l’IA a commencé à planifier des tâches. Aujourd’hui, c’est l’ère des Agents, où l’IA commence à faire le travail. La majorité des structures d’entreprise sont encore basées sur le modèle Copilot : ajouter un peu d’IA à chaque fonction. Mais en réalité, l’IA permet de repenser l’organisation elle-même.

Il y a beaucoup de discours sur l’intégration d’IA dans l’organigramme, mais cela reste une intégration superficielle. Avez-vous envisagé de repenser l’organisation selon la logique de l’IA ? Par exemple, en créant une organisation où l’IA pilote en continu, ou où la société elle-même est un Agent ? Si une entreprise peut fonctionner comme un Agent, avec l’humain qui fournit le jugement au bon moment, cela changerait tout.

Nous développons actuellement un produit GEA (Generative Enterprise Agent), qui consiste à utiliser l’IA pour refondre les processus de R&D, marketing, etc. La différence, c’est que ce n’est pas l’humain qui pilote, mais le jugement humain intégré dans le flux de l’IA. Une organisation native IA n’est pas simplement “tout le monde utilise l’IA”, c’est une organisation construite selon la logique de l’IA.

Je suis tout à fait d’accord. Si on reste au stade du Copilot, ce n’est pas une organisation IA native. Je pense que la “vraie” organisation IA native n’a pas encore existé, c’est plutôt une amélioration de la productivité individuelle. Après deux mois de développement web intensif, je vois ma relation avec les Agents comme celle de gérer une “entreprise de 100 personnes”.

Ce que je ressens, c’est que l’humain ne peut plus coexister en permanence avec l’IA, car cela devient épuisant. L’IA n’est pas une autre espèce, son rythme de travail est différent. Je commence à utiliser massivement la communication asynchrone, les emails, le calendrier pour gérer les Agents.

Beaucoup de discussions (par ex. Block) explorent cette nouvelle hiérarchie. Si l’IA peut produire, alors la clé est de relier ses résultats au marché. Cela devient plus important que la simple collaboration humain-IA.

Fan Ling : Absolument. Je pense que si votre taille d’entreprise est petite, et que votre produit n’est pas très avancé, alors tout ce que vous avez accumulé devient un frein pour adopter l’IA. Vous ne pouvez pas rivaliser avec une startup légère de 2-3 personnes. Ce n’est pas une critique, mais une réalité : beaucoup de grandes entreprises ressentent cette urgence, et cherchent à se transformer. La transformation peut aller très vite.

Cette année, j’entends passer de “l’IA est intéressante” à “j’ai un problème, je dois licencier” ou “je dois restructurer”. Beaucoup commencent par tester à petite échelle, mais la volonté de se lancer est forte. L’année dernière, c’était surtout dans des vidéos ou discussions, sans mise en pratique. Aujourd’hui, des marques beaucoup plus grandes que Tezign posent la même question, et envisagent des réorganisations IA.

Yu Yi : Je le ressens aussi. La volonté de bouger est très forte, surtout dans la Silicon Valley. Peut-être que l’émergence de produits comme Xiao Long Xia (petits produits) montre concrètement que l’IA produit des résultats tangibles. Avant, avec Claude Code, les dirigeants ne ressentaient pas cette “machine à sous-traiter”. Mais maintenant, ils voient qu’ils peuvent diriger directement l’IA, et que leur expérience peut améliorer le résultat. Ils veulent agir.

Fan Ling : Oui, chaque révolution technologique entraîne plus de personnes dans la boucle. Il y a aussi des points moins discutés : faut-il formaliser les SOP et compétences en Skills, pour que ces Agents puissent les utiliser ? Jack Dorsey, fondateur de Block, évoque une “modèle du monde” partagé, un système de contexte commun.

Construire une base de connaissances ou un système de contexte pour toute l’entreprise est lourd, difficile à déployer. Il faut beaucoup d’efforts pour transformer une idée en un vrai système à valeur. La gestion des évaluations (Evals) est aussi un point peu discuté en Chine, mais très important à l’étranger. Passer du POC à la production nécessite un système d’évaluation robuste. La majorité des entreprises n’y investissent pas encore, elles se contentent d’expérimenter, sans système d’évaluation, ce qui limite la stabilité et la sécurité.

Recherche de scénarios et tension d’équilibre

Yu Yi : La semaine dernière, lors d’un échange à Hangzhou, j’ai rencontré un professeur qui proposait une architecture intéressante : la première couche est le soutien ferme du leader ; la deuxième, une utilisation par le grand public ; la troisième, un laboratoire dédié à identifier les bons cas d’usage, pour en faire des produits ou des solutions à déployer dans toute l’entreprise.

Par exemple, Every, une startup que j’aime beaucoup, a créé un poste de “Responsable de la découverte IA”. Chaque semaine, il discute avec le CEO et l’équipe des points faibles, des usages IA, et formalise ces expériences pour que toute l’entreprise en profite. Connaissez-vous des rôles similaires chez Tezign ?

Fan Ling : Chez nous, le pod leader joue en quelque sorte ce rôle de “Chief AI Scenario Discovery Officer”. Tezign a une forte culture documentaire. Même les enregistrements de réunions sont transformés en documents. Un exemple typique : utiliser OpenClaw pour analyser ces documents et en extraire des scénarios clients.

Ces trois derniers mois, nous avons recueilli plus de 600 besoins clients. L’IA a permis d’en dégager environ 100 scénarios communs. Nous utilisons une méthode appelée SPIS : Situation (état actuel), Pain (douleur), Impact (impact après GEA), Solution (solution proposée). Après avoir identifié ces 20+ points clés, nous faisons deux choses :

Premièrement, partager avec les clients pour vérifier si ces scénarios sont généralisables ;

Deuxièmement, leur demander s’ils ont d’autres scénarios à proposer.

Autrefois, on faisait des démos produits, maintenant on parle “des douleurs des autres”. Les clients partagent davantage, car ils sentent “tu me comprends”. Ensuite, on leur explique comment l’IA peut aider. La collecte de scénarios est cruciale, le leader y consacre 30-40% de son temps.

Yu Yi : La collecte de scénarios semble surtout orientée vers l’extérieur. Et pour l’intérieur, comment faire pour que les employés utilisent leurs compétences (skills) ou leur système de travail (règles internes, “dogfooding”) ?

Fan Ling : L’année dernière, on voulait faire nos nouveaux produits en “mangeant la nourriture” — c’est-à-dire en utilisant l’IA en interne. Avec le CTO et le responsable produit, on a formé une petite équipe qui a codé elle-même. Résultat : cette petite équipe a généré plus d’utilisateurs et de croissance que 7 autres équipes.

En tant que passionnés d’IA, on essaie tout. Après, je ne me contente pas de formations externes, je fais moi-même des démos pour l’équipe.

Yu Yi : Je partage souvent ces cas, c’est comme “le fondateur qui fait du weekend IA Coding et profite des bonus”.

Fan Ling : Après coup, je me rends compte que je ne suis pas si exceptionnel. Beaucoup de fondateurs tech ou produits, comme ceux de Shopify, Intercom, Airtable, disent tous : “Je n’ai jamais écrit autant de code que l’année dernière.” Si on croit qu’on peut gérer une entreprise sans hiérarchie rigide, alors je profite de chaque repas ou café pour montrer ce que j’ai fait. Par exemple, je leur montre comment j’ai construit mon Wiki avec l’IA. Quand on voit des résultats concrets, on a envie de faire pareil. Mon leader de pod me montre ses démos, le responsable marketing montre ses CMS. Tout le monde devient fier de montrer ce qu’il construit.

Le problème, ce n’est pas qu’on travaille peu, mais qu’on construit en double, en triple. Par exemple, chaque pod veut sa propre bibliothèque de scénarios, car le coût de coder est très faible. Je préfère encourager cette expérimentation informelle, plutôt que d’imposer une forte pression. Cela permet de tester différentes idées, et avec la rapidité de l’IA, on ne sait pas encore ce qui est optimal. Quand de nouveaux outils sortent, on pourra mieux décider.

Yu Yi : C’est une belle “richesse de problèmes”. En parlant de ça, je travaille sur une série “One Question”, où je questionne différents experts sur les vrais enjeux de l’ère IA. Un sujet que je suis très attentif, c’est la “gestion des tensions” entre exploration et exploitation.

Ce n’est pas seulement une question d’organisation, mais aussi personnelle. J’ai été très dans l’exploration, en poussant un projet à 80%, puis en le livrant, puis en passant à autre chose. L’IA change très vite, il y a beaucoup d’inconnues. Si on ne cherche pas, on risque de rater des opportunités ; mais si on ne se concentre que sur l’exploration, on ne peut pas durer. En tant que builder passionné, comment gères-tu cette tension ?

Fan Ling : L’anxiété est là. Quand ça arrive, il faut arrêter de regarder trop de vidéos de Xiaohui et Dr. Xiao ! Tout ce qui concerne l’IA crée de l’anxiété, on a l’impression que tout le monde a une meilleure méthode. Mais en discutant avec des gens hors du cercle, on voit que le monde reste un “théâtre de marionnettes”. Beaucoup parlent, mais peu savent vraiment faire.

Donc, dans l’ère de l’IA, il ne faut pas se laisser entraîner dans la compétition effrénée. Il faut plutôt chercher des marchés bleus, où l’IA ne peut pas tout réduire en temps. Récemment, je suis allé aux États-Unis voir des produits et des clients. J’ai constaté que, même si les modèles américains sont bons, certains usages sont très faibles. En Chine, dans le marché saturé, on a fait des IA très raffinées. Si tu regardes à l’étranger, à Singapour par exemple, ils trouvent que la Chine est très avancée dans l’application IA.

C’est un biais de survivant. Si tu es dans un environnement très compétitif, tu as l’impression d’être toujours en retard. Mais si tu regardes le marché bleu, tu vois que ton travail a encore beaucoup de valeur. Il ne faut pas se focaliser uniquement sur la réduction des coûts, mais aussi sur la croissance. Pour l’individu, il faut dormir suffisamment, déconnecter quand il faut.

Yu Yi : Je travaille aussi sur la gestion du sommeil. Revenons à la question : comment garantir des résultats commerciaux concrets dans cette exploration IA ? Comment équilibrer exploration et exploitation ?

Fan Ling : C’est difficile. Je ne suis pas encore très bon là-dedans. La méthode “Build in Public” est une solution : construire tout en récoltant du feedback, faire de l’exploration une partie du résultat.

De plus, on vit une époque de “surabondance de produits et de pénurie d’utilisateurs”. Si une entreprise se vante