L’IA au travail, ça ressemble de plus en plus à un sport de combat. D’un côté, des gens (parfois non-tech) qui pilotent des agents, branchent des outils, automatisent des process et gagnent des heures chaque semaine. De l’autre, des équipes entières qui “discutent” avec ChatGPT comme si c’était un moteur de recherche un peu poli.
Et non, ce n’est pas un détail. C’est un écart de productivité qui devient structurel.
Martin Alderson l’a formulé simplement : deux types d’utilisateurs IA émergent, et le gap est “astonishing” (son mot). Je confirme. Chez Deepthix, on le voit tous les jours : la différence ne vient pas du QI, ni du métier, ni même du niveau technique. Elle vient de la manière d’utiliser l’IA.
- définir ces deux profils (sans blabla),
- expliquer pourquoi l’entreprise “classique” est en train de se tirer une balle dans le pied,
- te donner un plan concret pour passer du camp “chat” au camp “automation”.
Les deux camps : “power users” vs “chat-only”
1) Les power users : l’IA comme exécuteur, pas comme jouet
Les power users ne “posent pas des questions”. Ils donnent des missions.
- des agents en CLI (ex : Claude Code, Copilot CLI, etc.),
- des workflows (Make, n8n, Zapier, scripts Python),
- des connecteurs (MCP, API, webhooks),
- des environnements où l’IA peut agir : lire/écrire des fichiers, lancer des tests, transformer des données, appeler des services.
Point important (et contre-intuitif) : ils ne sont pas forcément techniques. Alderson note avoir vu beaucoup de non-devs utiliser Claude Code en terminal pour des tâches non-SWE. Pareil sur le terrain : finance, ops, RH, sales ops… dès que tu as des tableaux, des règles, des exceptions, l’IA + un vrai environnement d’exécution devient une arme.
- tu reçois 200 factures PDF/mois,
- tu dois extraire montants/TVA/échéances,
- tu les rapproches avec des lignes bancaires,
- tu pousses dans ton outil (Pennylane, QuickBooks, NetSuite…).
Un utilisateur “chat-only” va demander “fais-moi un modèle de tableau”. Un power user va monter un flux : extraction → validation → export → alertes. Résultat : des heures gagnées, moins d’erreurs, et un process traçable.
2) Les chat-only : l’IA comme Google amélioré
- ils utilisent ChatGPT (ou équivalent) en mode conversation,
- ils copient-collent des bouts de texte,
- ils font des prompts “écris-moi un email / résume ce doc / donne-moi des idées”.
Ça aide, oui. Mais ça plafonne vite.
- pas de droit d’installer des outils,
- pas d’accès aux données internes,
- pas de process clair pour tester,
- et des outils corporate… médiocres.
Le vrai accélérateur : l’exécution (pas la conversation)
La différence majeure entre les deux camps : la capacité à exécuter.
- Le chat-only reste dans le monde du texte.
- Le power user connecte le texte au réel : fichiers, bases de données, CRM, facturation, tickets support, code, etc.
C’est pour ça que l’IA “directive” (tu donnes une consigne précise, l’outil exécute) progresse en entreprise. Un rapport Anthropic (relayé par Windows Central) montre qu’une grande partie des tâches via API sont automatisées de manière très poussée, avec des usages plus “opérationnels” que conversationnels.
Traduction : l’IA rentable, c’est l’IA branchée à tes systèmes.
Le cas Microsoft 365 Copilot : quand le bundle te ralentit
Alderson tape fort sur M365 Copilot : interface pauvre, agent “laughable”, exécution limitée, lenteur, gestion des gros fichiers catastrophique.
Ce n’est pas juste un rant. C’est un pattern.
- imposé par IT,
- acheté “par pack”,
- évalué sur des slides,
… il devient souvent le minimum viable politiquement, pas le meilleur produit.
Le passage le plus révélateur : Microsoft déploierait Claude Code en interne (selon Alderson), malgré Copilot disponible à coût marginal et leur proximité avec OpenAI. Si même l’éditeur ne mise pas uniquement sur son propre outil, tu comprends le niveau.
Pourquoi c’est dangereux pour les entreprises
Parce que les décideurs testent l’IA avec un outil bridé → résultats moyens → conclusion : “l’IA c’est surfait”.
Pendant ce temps, des concurrents plus agiles automatisent réellement.
- Aux États-Unis, l’adoption des services IA payants en entreprise monte à 46,6% (données Ramp relayées par Business Insider, déc. 2025), avec OpenAI en tête (36,8%) devant Anthropic (16,7%).
- Côté usage réel au quotidien, c’est plus froid : un sondage Gallup fin 2025 (relayé par TechRadar) indique que 49% des travailleurs déclarent ne jamais utiliser l’IA dans leur rôle, et que la progression trimestrielle est faible.
Conclusion : l’IA est partout dans les budgets, pas encore partout dans les habitudes. Et c’est exactement là que l’écart se creuse.
Le vrai coupable : la politique IT “zéro risque” (donc zéro progrès)
- environnements verrouillés (impossible d’installer Python, d’exécuter un script, parfois même VBA est limité),
- données en silos (accès compliqué, permissions absurdes),
- procurement interminable (“remplis ce formulaire, on revient vers toi dans 3 mois”),
- “un seul outil autorisé” (souvent le plus médiocre).
Résultat : tu obtiens une IA de vitrine. Pas une IA de production.
Et là arrivent les cabinets de conseil/ESN qui vendent des “programmes de transformation IA” overpriced pour te livrer… des POCs qui ne passent jamais en prod. Corporate bullshit classique.
Comment passer du camp “chat” au camp “power user” en 30 jours
Tu n’as pas besoin d’être dev. Tu as besoin d’un plan.
Semaine 1 — Choisis 1 process qui saigne (et mesure)
- tri et réponse aux emails entrants,
- qualification de leads,
- préparation de reporting hebdo,
- extraction de données de PDF/Excel,
- mise à jour CRM.
Mesure : temps passé / semaine, taux d’erreur, délai.
Semaine 2 — Donne à l’IA un environnement d’action
Objectif : arrêter le “copier-coller”.
- n8n (auto-hébergé possible) pour orchestrer,
- Make/Zapier pour aller vite,
- un petit script Python (même sur un serveur) si tu as besoin de manipuler des fichiers,
- un connecteur API vers ton CRM/ERP.
Le point clé : l’IA doit pouvoir lire (inputs) et écrire (outputs) sans toi.
Semaine 3 — Ajoute des garde-fous (sinon tu vas te brûler)
Automatiser ≠ faire n’importe quoi.
- une étape de validation humaine sur les actions à risque (paiement, suppression, envoi externe),
- des logs (qui a fait quoi, quand),
- des tests sur un échantillon,
- une gestion des exceptions (quand l’IA est incertaine → escalade).
Semaine 4 — Industrialise et déploie
Tu passes de “ça marche sur mon laptop” à “ça tourne toutes les semaines”.
- documentation simple (1 page),
- monitoring (même basique : Slack/Email en cas d’échec),
- droits d’accès propres,
- KPI avant/après.
- heures économisées,
- temps de cycle réduit,
- erreurs évitées,
- cash libéré.
Exemples de cas d’usage qui créent un vrai écart
Ops / Admin - Génération automatique de contrats + remplissage depuis CRM - Relances de paiement personnalisées selon statut - Création de tickets internes à partir d’emails
Sales - Recherche enrichie (site, LinkedIn, signaux) + scoring - Emails de prospection adaptés au secteur + objections - Mise à jour CRM automatique après call (résumé + next steps)
Finance - Consolidation multi-sources (banque, factures, notes de frais) - Détection d’anomalies (doublons, montants atypiques) - Reporting mensuel automatisé (graphiques + commentaire)
Ces cas-là ne sont pas “sexy”. Ils sont rentables.
Le futur proche : une bifurcation durable
Les chiffres “consumer” donnent le vertige : Menlo Ventures estime 1,7–1,8 milliard de personnes ayant utilisé un outil d’IA sur les 6 derniers mois, mais seulement 3–5% paient. Ça veut dire : énorme diffusion, mais usage souvent superficiel.
En parallèle, côté entreprise, l’argent se concentre sur les usages intégrés (API, agents, automatisation). C’est là que tu crées un avantage compétitif.
Donc oui : deux types d’utilisateurs émergent.
La question n’est pas “est-ce que tu utilises l’IA ?”.
La question c’est : est-ce que tu la laisses parler, ou est-ce que tu la fais bosser ?
Tu veux automatiser tes opérations avec l'IA ? Réserve un call de 15 min pour en discuter.