Pendant plus de vingt ans, les entreprises ont mené leur transformation digitale.
Elles ont créé des sites et des plateformes e-commerce, déployé des CRM, ERP, PIM, outils marketing et solutions cloud, automatisé leurs processus et accumulé toujours plus de données.
Cette transformation a profondément changé la manière dont elles produisent, vendent, communiquent et interagissent avec leurs clients. Mais elle reposait sur un principe qui est longtemps resté relativement stable : derrière les interfaces et les systèmes, l’essentiel de la compréhension, du raisonnement et de la décision restait humain.
L’intelligence artificielle change cette frontière.
La machine ne se contente plus de stocker, calculer, classer ou restituer de l’information. Elle devient capable de comprendre une demande formulée en langage naturel, rechercher et synthétiser des informations, comparer des alternatives, produire une recommandation, appliquer certaines règles et, avec le développement des systèmes agentiques, déclencher des actions.
Ce changement est important parce qu’il touche précisément des activités que les vagues précédentes d’automatisation avaient relativement épargnées. McKinsey estime que l’IA générative devrait avoir un impact particulièrement important sur le knowledge work, notamment sur les activités impliquant l’application d’expertise, la prise de décision et la collaboration.
Nous entrons donc dans une nouvelle étape.
Après avoir digitalisé les processus puis appris à exploiter la donnée, les entreprises doivent désormais engager leur transformation cognitive.
La transformation digitale a connecté l’entreprise.
La transformation cognitive doit lui permettre de rendre son intelligence accessible, compréhensible et mobilisable, aussi bien par les humains que par les machines.
Cette révolution est déjà en train de se produire à l’extérieur.
Pendant l’ère digitale, nous avons consacré une énergie considérable à concevoir et optimiser des interfaces.
Sites, applications, menus, moteurs de recherche, filtres, formulaires, tunnels de conversion, espaces clients, dashboards…
L’objectif était de construire le meilleur chemin possible entre un utilisateur et ce qu’il cherchait.
Mais l’utilisateur devait encore comprendre comment fonctionnait le système.
Pour acheter un produit, réserver un voyage, choisir un logiciel professionnel ou identifier un fournisseur, il devait chercher, naviguer, filtrer, ouvrir plusieurs pages, comparer les informations puis prendre une décision.
L’intelligence artificielle introduit progressivement une autre logique.
L’utilisateur n’est plus obligé de traduire son besoin dans le langage de l’interface.
Il peut directement exprimer son intention :
« Je cherche une destination à moins de trois heures de Lyon pour quatre jours avec deux enfants, avec des activités possibles même s’il pleut. »
Ou, dans un contexte B2B :
« Je cherche une machine compatible avec notre ligne de production actuelle, disponible avant novembre, répondant à telles contraintes techniques et pour un budget inférieur à 30 000 euros. »
Le changement peut sembler subtil. Il est en réalité considérable.
Dans le premier modèle, l’humain devait comprendre le système pour trouver l’information.
Dans le second, le système doit comprendre l’humain pour trouver la réponse.
Nous avons passé vingt ans à apprendre aux humains à utiliser les machines.
Nous commençons à apprendre aux machines à comprendre les humains.
Le changement le plus profond n’est pas que les consommateurs puissent rechercher un produit ou préparer un achat avec une IA. Cette évolution est déjà acquise.
Il est ailleurs : une partie de la relation entre l’entreprise et son marché peut désormais se dérouler dans une interface qu’elle ne contrôle pas.
Pendant l’ère digitale, l’entreprise maîtrisait largement la manière dont son offre était présentée. Elle organisait son site, hiérarchisait ses contenus, construisait ses parcours, travaillait son merchandising, mettait en avant certains arguments et optimisait ses tunnels de conversion.
Même Google renvoyait finalement l’utilisateur vers ces environnements propriétaires.
Avec les interfaces génératives, cette logique se fragmente.
L’IA peut extraire des informations provenant de plusieurs sources, les interpréter, les reformuler, les comparer à celles de concurrents et construire sa propre représentation de l’offre avant même que l’utilisateur n’entre en contact avec l’entreprise.
Le sujet stratégique n’est donc plus simplement celui de la désintermédiation du site.
C’est celui de la désintermédiation de la compréhension.
L’entreprise peut parfaitement posséder une proposition de valeur différenciante sans que celle-ci soit correctement comprise par les systèmes qui répondent à la place de ses interfaces.
Elle peut disposer du meilleur produit sans que les critères permettant de démontrer cette supériorité soient suffisamment explicites ou structurés.
Elle peut posséder une expertise considérable sans que celle-ci soit accessible aux modèles.
Elle peut enfin disposer d’une information exacte dans son système d’information alors qu’une IA utilise une information ancienne, ambiguë ou issue d’une source secondaire.
Le rapport de force change donc.
Pendant l’ère digitale, l’entreprise cherchait principalement à attirer l’utilisateur vers son environnement.
Dans l’économie cognitive, elle doit également être capable de projeter une représentation fiable de son offre et de son expertise dans des environnements qu’elle ne contrôle pas.
Les évolutions récentes du commerce agentique ne sont intéressantes qu’en ce qu’elles matérialisent cette bascule. Avec l’Agentic Commerce Protocol, par exemple, les marchands peuvent transmettre aux agents des données produits et commerciales structurées et actualisées.
Ce qui importe ici n’est pas la fonctionnalité d’achat elle-même, mais le changement architectural qu’elle révèle : les systèmes externes commencent à avoir besoin d’accéder directement à une représentation exploitable de l’entreprise.
Et cette logique dépassera nécessairement le commerce.
Demain, ce ne sont pas seulement des produits qui devront être compris par des machines, mais des tarifs, des expertises, des disponibilités, des conditions contractuelles, des capacités industrielles, des services, des règles métier ou des engagements.
Une entreprise devra donc progressivement savoir répondre à une nouvelle question :
« Quelle représentation de mon entreprise une machine est-elle capable de construire sans passer par moi ? »
Car être cité n’est qu’un premier niveau.
Le véritable enjeu est d’être correctement compris.
C’est ici que le sujet dépasse largement le GEO ou l’optimisation des contenus pour les moteurs génératifs.
Car être compris suppose que l’entreprise soit capable d’exposer correctement ce qu’elle sait.
Et cela fait apparaître une notion que l’on peut appeler son capital cognitif.
Le capital cognitif désigne : l’ensemble des connaissances, données, règles, preuves et capacités d’action qu’une entreprise est capable de rendre compréhensibles et mobilisables par des systèmes d’intelligence artificielle.
Cette distinction avec la donnée est fondamentale.
Une entreprise peut posséder des millions de données et disposer malgré tout d’un capital cognitif relativement faible.
Ses informations peuvent être dispersées entre un ERP, un CRM, un PIM, des documents, des bases métiers et des fichiers Excel.
Ses règles métier peuvent n’exister que dans la tête de quelques collaborateurs.
Ses données produits peuvent être incomplètes.
Deux systèmes peuvent utiliser des référentiels différents.
Des contenus peuvent se contredire.
Une expertise déterminante peut se trouver dans un PDF vieux de trois ans.
Un prix peut être accessible à un commercial mais pas à une machine.
Une règle commerciale peut être connue de tous sans jamais avoir été formalisée.
Le savoir existe, mais il n’est pas réellement mobilisable.
C’est probablement l’une des différences essentielles entre capital data et capital cognitif.
Le premier correspond à ce que l’entreprise possède.
Le second à ce qu’elle est capable de faire comprendre et mobiliser à partir de ce qu’elle possède.
Une entreprise capable de structurer ses connaissances, documenter ses règles, fiabiliser ses référentiels, expliciter ses offres et connecter ses systèmes construit progressivement un patrimoine exploitable aussi bien par les intelligences artificielles que par ses collaborateurs.
La transformation cognitive externe ne consiste donc pas simplement à produire davantage de contenus ou à optimiser sa présence dans les LLM.
Elle consiste à rendre l’entreprise elle-même intelligible et progressivement actionnable par les machines.
C’est paradoxalement la partie du sujet que l’on réduit encore trop souvent à la productivité individuelle.
L’attention se concentre aujourd’hui sur les outils.
On équipe les collaborateurs de copilotes.
On déploie des assistants internes.
On connecte des LLM à des bases documentaires.
On automatise les comptes rendus, les emails, les synthèses, les présentations ou la production de contenus.
Ces usages ont de la valeur.
Et certains effets commencent à être solidement documentés.
L’étude de Brynjolfsson, Li et Raymond, publiée dans le Quarterly Journal of Economics, porte sur 5 172 agents de support client. L’accès à un assistant d’IA générative a augmenté en moyenne de 15 % le nombre de problèmes résolus par heure, avec des gains particulièrement importants chez les collaborateurs les moins expérimentés.
Mais ce résultat est plus intéressant qu’un simple gain de productivité.
Il suggère que l’IA peut permettre à des collaborateurs moins expérimentés de bénéficier plus rapidement de pratiques associées aux collaborateurs les plus performants.
Autrement dit, elle peut devenir un moyen de capturer, distribuer et rendre mobilisable une partie du savoir de l’organisation.
Le capital cognitif possède donc deux faces.
1. À l’extérieur, il permet à l’entreprise d’être comprise par les systèmes utilisés par ses clients et partenaires.
2. À l’intérieur, il permet à ses collaborateurs et à ses propres agents de mobiliser plus facilement son savoir, ses données et ses règles.
C’est là que la transformation cognitive devient véritablement organisationnelle.
L’adoption de l’IA dans les organisations est désormais massive.
Le Stanford AI Index 2026 indique que 88 % des organisations interrogées utilisent désormais l’IA dans au moins une fonction.
Mais le même rapport montre quelque chose de beaucoup plus intéressant : le déploiement des agents IA reste encore limité dans la plupart des fonctions métier étudiées.
Nous sommes donc dans une situation paradoxale : l’adoption est rapide. La transformation l’est beaucoup moins.
Une expérimentation menée auprès de 7 137 knowledge workers dans 66 entreprises permet de comprendre pourquoi.
Les chercheurs ont donné aléatoirement accès à certains collaborateurs à une IA générative intégrée aux outils qu’ils utilisaient déjà pour leurs emails, réunions et activités rédactionnelles.
Parmi les utilisateurs effectifs, le temps consacré aux emails a diminué d’environ deux heures par semaine.
Mais les chercheurs n’ont pas constaté de transformation significative de la quantité ou de la composition globale des tâches.
Cette nuance est essentielle.
L’IA transforme facilement une tâche individuelle. Elle transforme beaucoup plus difficilement une organisation.
Donner un copilote à un commercial ne transforme pas le processus de vente.
Ajouter un assistant au CRM ne transforme pas l’organisation commerciale.
Installer un assistant conversationnel ne transforme pas la relation client.
Connecter un LLM à une base documentaire ne transforme pas la gestion de la connaissance.
Dans chacun de ces cas, on peut obtenir des gains.
Mais on améliore souvent une étape d’un processus conçu avant l’IA.
C’est précisément là que se situe la différence entre adoption de l’IA et transformation cognitive.
Elle doit devenir :
« Si nous concevions aujourd’hui ce processus en partant des capacités de l’IA, comment fonctionnerait-il ? »
La nuance est fondamentale.
Dans la première approche, l’entreprise part de l’existant :
Voici notre processus. Où pouvons-nous ajouter de l’IA ?
Dans la seconde :
Voici l’objectif métier. Quelle combinaison entre humains, données, systèmes et IA permettrait aujourd’hui de l’atteindre de la manière la plus efficace ?
Cette logique oblige à repenser les workflows.
Et les premières études montrent que c’est justement là que se situe une partie importante de la création de valeur.
Dans son étude The State of AI, McKinsey a analysé 25 caractéristiques organisationnelles associées à l’impact économique de l’IA générative. Parmi elles, la refonte des workflows est celle qui présente l’association la plus forte avec l’impact déclaré sur l’EBIT.
Pourtant, seulement 21 % des organisations utilisant l’IA générative déclaraient avoir fondamentalement repensé au moins certains de leurs workflows.
C’est probablement l’un des chiffres les plus révélateurs de la situation actuelle.
Beaucoup d’entreprises sont encore dans une logique :
Humain + IA = même processus, plus rapide.
La transformation cognitive commence lorsqu’elles envisagent :
Humain + IA + agents = nouveau processus.
Un assistant répond.
Un copilote accompagne.
Un agent poursuit un objectif et peut utiliser différents outils pour l’atteindre.
Cette différence est fondamentale.
Dès lors qu’un système peut rechercher une information, interroger plusieurs applications, appliquer des règles métier et déclencher une action, l’IA ne constitue plus simplement une nouvelle interface.
Elle devient un acteur du processus opérationnel.
Prenons un cas de service client.
Un assistant peut expliquer au conseiller comment traiter une demande.
Un agent peut identifier le client, retrouver sa commande, vérifier son statut, consulter les règles applicables, proposer une solution, déclencher une action autorisée dans le système puis documenter automatiquement l’intervention.
Même chose en B2B.
Un agent commercial pourrait comprendre le besoin d’un client, vérifier son historique dans le CRM, rechercher les produits compatibles dans le PIM, consulter les stocks dans l’ERP, appliquer les conditions commerciales autorisées et préparer une proposition.
Le système d’information n’est alors plus seulement utilisé par des humains.
Il commence à être utilisé par des machines au nom des humains.
C’est un changement d’architecture majeur.
C’est probablement le malentendu qu’il faut aujourd’hui lever.
Une entreprise n’est pas AI-centric parce qu’elle possède plusieurs milliers de licences Copilot, expérimente dix LLM ou a développé vingt assistants.
Une entreprise devient AI-centric lorsqu’elle commence à concevoir ses données, sa connaissance, ses processus, son système d’information et son organisation pour travailler nativement avec l’intelligence artificielle.
Cette transformation impose plusieurs défis.
L’IA ne corrige pas magiquement une mauvaise qualité de données.
Elle peut au contraire en amplifier les conséquences.
Référentiels incohérents, informations contradictoires, documentation obsolète, attributs produits manquants, règles implicites : ces faiblesses deviennent critiques lorsqu’un système doit raisonner et agir à partir de ces informations.
L’entreprise doit donc savoir où se trouve sa connaissance, qui en est responsable, comment elle est structurée, comment elle est mise à jour et dans quelles conditions une IA peut l’utiliser.
La première infrastructure de l’entreprise AI-centric n’est pas le LLM.
C’est la qualité de sa connaissance.
Comprendre ne suffit pas.
Pour créer réellement de la valeur, l’IA doit progressivement pouvoir interagir avec le SI.
Consulter un stock.
Interroger un PIM.
Récupérer une commande.
Créer une opportunité dans le CRM.
Calculer un tarif.
Vérifier une disponibilité.
Déclencher un workflow.
Cela suppose de passer d’un système d’information principalement conçu pour alimenter des interfaces humaines à un système capable d’être interrogé et actionné de manière sécurisée par des agents.
Les APIs, les modèles de données, l’identité, les permissions, l’observabilité et l’architecture événementielle prennent alors une importance nouvelle.
Deloitte identifie précisément la maturité des APIs, la cohérence des données, l’observabilité, la maturité de l’infrastructure, la confidentialité et la supervision humaine parmi les piliers nécessaires au passage de l’expérimentation agentique à des processus opérationnels à l’échelle.
Le sujet de l’IA rejoint donc directement celui de l’architecture d’entreprise.
Un SI difficilement interopérable pour les applications le sera encore davantage pour les agents.
C’est probablement le chantier le plus complexe.
Nos processus ont été conçus autour des capacités et des contraintes humaines et technologiques d’hier.
Pourquoi conserver six validations si l’IA permet de vérifier automatiquement quatre des six critères ?
Pourquoi demander à un collaborateur de rechercher manuellement une information présente dans quatre systèmes ?
Pourquoi générer un reporting, le transmettre à un manager puis lui demander de l’analyser si un système peut détecter directement les anomalies nécessitant son attention ?
Pourquoi conserver certains formulaires si une IA peut comprendre l’intention de l’utilisateur et collecter dynamiquement les informations manquantes ?
La transformation cognitive oblige donc à distinguer trois choses :
1. ce qui doit être automatisé,
2. ce qui doit être augmenté
3. ce qui doit rester humain.
Ce n’est pas simplement un chantier technologique.
C’est un chantier de design organisationnel.
Plus les systèmes deviennent capables d’agir, plus une question nouvelle apparaît : jusqu’où sommes-nous prêts à les laisser agir ?
Il devient nécessaire de définir plusieurs niveaux d’autonomie.
Ce que l’IA peut lire.
Ce qu’elle peut analyser.
Ce qu’elle peut recommander.
Ce qu’elle peut préparer.
Ce qu’elle peut exécuter après validation humaine.
Ce qu’elle peut exécuter seule dans un périmètre défini.
Et ce qui doit rester exclusivement humain.
Les premières architectures agentiques mettent précisément l’accent sur cette combinaison entre autonomie, contrôle, traçabilité et supervision humaine.
Deloitte considère notamment la gouvernance human-in-the-loop comme l’un des piliers d’une architecture agentique à l’échelle.
La gouvernance de l’IA ne peut donc plus se limiter à une charte d’utilisation des outils génératifs.
Elle devient une gouvernance de l’autonomie accordée aux machines.
La transformation cognitive ne signifie pas faire disparaître l’humain du processus.
Elle oblige en revanche à redéfinir sa valeur.
Lorsque la machine peut rechercher, synthétiser, produire et exécuter certaines tâches, les compétences différenciantes se déplacent.
Formuler correctement un problème.
Comprendre un contexte.
Exercer un jugement.
Identifier une exception.
Challenger une recommandation.
Arbitrer entre plusieurs objectifs contradictoires.
Créer.
Négocier.
Assumer une décision.
Définir ce qui mérite d’être optimisé.
La question n’est donc pas : : « Comment former nos collaborateurs à l’IA ? »
Mais : « Dans une organisation où certaines capacités cognitives deviennent disponibles à la demande, quelles doivent être les responsabilités respectives de l’humain et de la machine ? »
L’étude publiée dans le Quarterly Journal of Economics est ici particulièrement éclairante : les gains les plus importants ont été observés chez les collaborateurs les moins expérimentés.
Cela signifie potentiellement que l’IA ne modifie pas uniquement la productivité.
Elle peut modifier la manière dont l’expertise se diffuse dans l’entreprise.
Et donc la manière dont nous pensons la formation, la séniorité et la transmission du savoir.
Une entreprise AI-centric ne peut pas fonctionner sur le principe : « Le modèle a dit que… »
Plus les IA interviennent dans des processus importants, plus l’entreprise doit pouvoir comprendre quelles informations ont été utilisées, quelles actions ont été déclenchées, avec quelles permissions, dans quel contexte et avec quel niveau de contrôle humain.
La traçabilité, l’observabilité, les droits d’accès, la sécurité et la capacité d’interrompre ou de reprendre la main deviennent donc aussi importants que la performance du modèle lui-même.
L’enjeu n’est pas d’obtenir l’autonomie maximale.
C’est d’obtenir le bon niveau d’autonomie pour chaque situation.
Enfin, l’entreprise doit sortir d’une logique de mesure fondée principalement sur l’usage.
Nombre de licences.
Nombre de prompts.
Nombre d’utilisateurs actifs.
Nombre d’assistants.
Nombre d’agents déployés.
Ces indicateurs mesurent une activité.
Ils ne mesurent pas une transformation.
Les questions importantes restent économiques et opérationnelles :
Qu’est-ce qui est devenu possible ?
Qu’est-ce qui est devenu meilleur ?
Qu’est-ce qui est devenu plus rapide ?
Qu’est-ce qui coûte moins cher ?
Quel impact sur la conversion, la marge, le temps de résolution, la satisfaction, la qualité, le nombre d’erreurs, le time-to-market ou la capacité d’un collaborateur ?
La transformation cognitive ne se mesure pas au nombre d’IA utilisées.
Elle se mesure à l’évolution de la capacité d’action de l’entreprise.
L’erreur serait finalement de considérer l’intelligence artificielle comme une nouvelle couche technologique venant simplement s’ajouter au système d’information existant.
Elle est beaucoup plus que cela.
À l’extérieur, elle devient une nouvelle couche d’intermédiation entre l’entreprise et ses marchés.
À l’intérieur, elle devient une nouvelle couche de compréhension, de connaissance, de décision et d’action.
Et ces deux transformations vont progressivement se rejoindre.
Une entreprise dont les produits sont parfaitement structurés pour être compris par des agents externes, mais dont la connaissance interne reste enfermée dans des silos, n’est pas AI-centric.
Une entreprise qui distribue des copilotes à tous ses collaborateurs, mais dont aucun agent ne peut accéder de manière sécurisée aux processus métier, ne l’est pas davantage.
Une entreprise qui multiplie les POC mais ne repense aucun processus ne l’est toujours pas.
Les données du Stanford AI Index 2026 résument assez bien le moment que nous traversons : 88 % des organisations interrogées utilisent déjà l’IA dans au moins une fonction, alors que le déploiement d’agents reste encore limité dans la plupart des fonctions métier.
Le prochain enjeu n’est donc probablement plus l’adoption de l’IA.
C’est sa transformation en capacité organisationnelle.
C’est là que la notion de transformation cognitive prend tout son sens.
La transformation digitale nous a appris à rendre l’entreprise numérique.
La transformation data nous a appris à mesurer et exploiter son activité.
La transformation cognitive doit désormais rendre son intelligence accessible, compréhensible et actionnable.
Pour ses collaborateurs.
Pour ses clients.
Pour ses partenaires.
Et désormais pour les machines qui interagiront avec elle.
Dans cette nouvelle économie, l’avantage concurrentiel ne viendra pas de celui qui possède le plus de données, la meilleure technologie ou la meilleure interface.
Il appartiendra à celui qui saura transformer son savoir, ses données, ses règles, son expertise et ses capacités d’action en un véritable capital cognitif.
Un capital que les humains peuvent enrichir.
Que les machines peuvent comprendre.
Et que l’entreprise peut transformer en capacité à mieux comprendre, mieux décider et mieux agir.