Cessez de considérer l'IA comme une stratégie

Un PDG demande à chaque division d’élaborer un plan en matière d’intelligence artificielle. En l’espace de quelques semaines, l’entreprise dispose d’un catalogue d’idées prometteuses : service client automatisé, contenu marketing généré par IA, rapports financiers plus rapides, recherche intelligente et assistant interne capable de répondre aux questions des employés.

Cette liste donne un élan, mais ne constitue pas nécessairement une stratégie.

Chaque projet peut démontrer que la technologie fonctionne, mais aucun n’apporte de réponse aux questions commerciales les plus épineuses. Quel problème rencontré par les clients est devenu le plus urgent ? Dans quels domaines l’entreprise perd-elle en marge, en rapidité ou en part de marché ? Quel processus opérationnel faudrait-il repenser plutôt que de se contenter de l’accélérer ? Quel avantage subsistera lorsque les concurrents pourront se procurer des modèles comparables ?

C'est là que de nombreux programmes d'IA en entreprise commencent à perdre le cap. L'entreprise considère la mise en œuvre comme une preuve de progrès, recense les projets pilotes et les licences d'utilisation, et présente l'IA comme une priorité stratégique. Ce qu'elle n'a toutefois pas défini, c'est la stratégie commerciale que l'IA est censée servir.

Cette distinction prend de plus en plus d’importance à mesure que l’expérimentation se généralise. L’enquête mondiale 2025 de McKinsey a révélé que près de neuf répondants sur dix déclaraient utiliser régulièrement l’IA à un niveau ou un autre au sein de leur organisation, mais que la plupart des entreprises peinaient encore à transformer ces expérimentations en un impact à grande échelle sur leurs activités. Seuls environ 39 % ont fait état d’un effet mesurable sur le résultat avant intérêts et impôts (EBIT), et la plupart d’entre elles attribuaient moins de 5 % de leur EBIT à l’IA.

Cet écart ne signifie pas que l'IA n'ait aucune valeur. Il montre simplement que l'accès à cette technologie devient plus facile que le travail organisationnel nécessaire pour en tirer parti.

L'IA peut soutenir la stratégie, modifier la rentabilité d'un processus et, parfois, permettre l'émergence d'un nouveau modèle économique. Elle ne remplace toutefois pas les décisions concernant les domaines dans lesquels l'entreprise va se positionner sur le marché, les clients qu'elle va servir ou les raisons pour lesquelles elle doit s'imposer.

Commencez par la contrainte métier

Un programme d'IA utile part d'un problème dont les implications commerciales sont déjà bien comprises.

Un fabricant peut subir des pertes de temps de production parce que ses équipes de maintenance ne parviennent pas à détecter suffisamment tôt la détérioration des équipements. Un assureur peut employer des souscripteurs qualifiés qui passent une trop grande partie de leur journée à extraire des informations de documents. Une société de services professionnels peut savoir que ses experts ont produit des connaissances précieuses, mais ne parvient pas à les récupérer assez rapidement pour les réutiliser. Un détaillant peut se retrouver avec des stocks excessifs parce que les prévisions réagissent trop lentement à la demande locale.

Il s'agit là de contraintes stratégiques ou opérationnelles. L'IA ne prend tout son sens qu'une fois que l'organisation a identifié quelle décision, quelle tâche ou quelle lacune en matière d'information contribue au problème.

La différence réside dans le service client. “ Mettre en place un chatbot basé sur l’IA ” est une initiative technologique. “ Réduire le temps nécessaire pour traiter les demandes courantes liées aux comptes tout en garantissant l’accès à un collaborateur qualifié pour les clients complexes ou vulnérables ” est un objectif commercial.

La deuxième formulation définit l'objectif, le périmètre client et l'un des principaux risques. Elle permet à l'entreprise de comparer l'IA à d'autres mesures, notamment des factures plus claires, une meilleure formation du personnel, une navigation améliorée sur le site web ou la suppression d'un processus générant des appels inutiles.

Sans cette étape, les entreprises se contentent souvent d'automatiser les symptômes. Le chatbot répond à des questions générées par des politiques confuses ; l'outil de synthèse traite des rapports dont personne n'a besoin ; et l'assistant interne effectue des recherches dans une base de connaissances fragmentée dont les informations sous-jacentes sont obsolètes.

L'IA peut accélérer un processus inefficace. Cela ne rend pas pour autant ce processus plus utile.

Distinguer la stratégie du cas d'utilisation et de la plateforme

Les équipes de direction ont souvent tendance à regrouper trois décisions distinctes en une seule.

Le stratégie définit l'objectif commercial : améliorer la fidélisation des clients rentables, réduire les arrêts de production imprévus ou raccourcir les délais de mise sur le marché d'un produit.

Le cas d'utilisation décrit les tâches que l'IA peut accomplir : prévoir les pannes d'équipement, résumer des dossiers techniques ou élaborer une première conception de produit.

Le plateforme fournit les modèles, l'infrastructure de données et les outils permettant la mise en œuvre de ce cas d'utilisation.

L'ordre dans lequel on procède a son importance. Lorsque les entreprises commencent par acquérir une plateforme d'IA très générale, elles peuvent se sentir obligées de trouver suffisamment d'applications pour justifier cet investissement. Le portefeuille technologique finit alors par dicter les priorités de l'entreprise au lieu de les soutenir.

L'erreur inverse consiste à autoriser l'utilisation de centaines d'outils non coordonnés. Les employés résolvent rapidement les problèmes locaux, mais l'entreprise se retrouve avec des contrats redondants, des contrôles de sécurité incohérents et des données circulant dans des systèmes que la direction centrale ne peut pas surveiller.

Une organisation rigoureuse s'appuie sur une infrastructure technologique relativement restreinte, tout en permettant à ses unités opérationnelles de proposer des cas d'utilisation répondant à des critères communs. Cette infrastructure peut inclure des modèles approuvés, des contrôles d'identité, un accès sécurisé aux données de l'entreprise, ainsi que des normes de surveillance et d'approvisionnement. Elle doit permettre l'expérimentation sans déterminer à l'avance où réside la valeur.

L'architecture technologique est importante, mais elle ne revêt un caractère stratégique que lorsqu'elle est liée aux choix de l'organisation en matière de clientèle, d'aspects économiques et de capacités.

Concentrer les investissements là où les retombées économiques sont tangibles

L'engouement suscité par l'IA générative a incité les entreprises à répartir des investissements modestes entre de nombreux services. Il en résulte un nombre impressionnant de projets pilotes, mais une faible concentration.

L'étude réalisée par le BCG en 2024 a révélé que 49 % des entreprises interrogées en étaient encore largement au stade de la validation de concept, tandis que seules 4 % d'entre elles avaient mis au point ce que le BCG qualifie de « moteurs de valeur IA matures ». Les entreprises affichant les meilleurs résultats avaient tendance à concentrer leurs efforts sur un nombre limité de processus métier clés, plutôt que de répartir leurs ressources de manière uniforme entre de nombreuses initiatives de moindre envergure.

Un portfolio utile doit contenir plusieurs types de candidatures, mais il doit respecter une hiérarchie claire.

Certaines utilisations permettent d'améliorer la productivité individuelle : la rédaction de textes courants, la synthèse de réunions ou la recherche de documents. Elles peuvent permettre à l'ensemble du personnel de gagner du temps, même si les gains sont souvent dispersés et difficiles à concrétiser, à moins que l'organisation ne modifie la manière dont ce temps est utilisé.

D'autres applications permettent d'optimiser un processus de travail bien défini. Elles peuvent accélérer le traitement des demandes d'indemnisation, réduire le nombre de fausses alertes de fraude ou aider les ingénieurs à diagnostiquer des pannes. Leur valeur se mesure généralement en termes de temps, de coût, de précision, de rendement ou de résultats pour les clients.

Les applications les plus importantes d'un point de vue stratégique modifient la rentabilité d'un produit ou d'un modèle économique. L'IA pourrait permettre à une entreprise de s'adresser à un segment de clientèle jusqu'alors non rentable, de personnaliser un service à grande échelle ou de créer un avantage en matière de données qui s'améliore à mesure de son utilisation.

L'entreprise n'a pas besoin que chaque initiative soit source de transformation. Elle doit toutefois savoir à quelle catégorie appartient chaque initiative et la financer en conséquence.

Un assistant de saisie ne devrait pas bénéficier de la même attention de la part de la direction qu'un système susceptible de modifier les décisions de souscription au sein d'un portefeuille d'assurance.

Repenser le flux de travail plutôt que d'ajouter un écran supplémentaire

De nombreuses organisations intègrent l'IA dans un processus existant sans modifier ce dernier.

Un employé reçoit un résumé généré par l'IA, mais doit tout de même le copier manuellement dans un autre système. Un modèle recommande une décision, mais le nombre de validations requises reste inchangé. Un assistant du service client propose une réponse, mais l'agent doit consulter plusieurs bases de données pour la vérifier.

Cette technologie ajoute une étape supplémentaire au lieu d'en supprimer une.

L'étude menée par McKinsey sur les organisations qui tirent parti de l'IA générative identifie la refonte des processus comme l'une des pratiques ayant le plus d'impact. Parmi les autres pratiques importantes, on peut citer l'intégration de la technologie dans les systèmes quotidiens, l'élaboration de feuilles de route claires pour son adoption, la formation du personnel en fonction de son rôle et le suivi d'indicateurs de performance bien définis.

La refonte d'un processus commence par une analyse de la manière dont le travail est actuellement effectué. Quelles activités nécessitent un jugement ? Lesquelles existent parce que les informations sont difficiles à obtenir ? À quel moment le processus est-il bloqué en attente d'une validation, et quelles erreurs entraînent des retouches ultérieures ?

L'organisation peut alors décider quelles étapes l'IA doit automatiser, lesquelles elle doit faciliter et lesquelles doivent rester sous contrôle humain.

Un prêteur hypothécaire, par exemple, peut recourir à l’IA pour extraire des informations de documents et signaler les incohérences, tout en laissant à l’humain la responsabilité des décisions de crédit et des cas atypiques. L’avantage ne réside pas uniquement dans une lecture plus rapide des documents. Il tient à la réorganisation du flux de travail, qui permet aux chargés d’évaluation de consacrer davantage de temps à l’évaluation des risques et moins de temps à la constitution des dossiers.

Le modèle opérationnel doit également préciser ce qui se passe en cas d'incertitude. Un système d'IA capable de traiter efficacement les cas courants peut tout de même échouer sur le plan commercial si ses exceptions sont acheminées vers une file d'attente en sous-effectif, sans responsable clairement désigné.

Attribuer un responsable à chaque initiative

Les programmes d'IA sont souvent pilotés par des équipes techniques, car celles-ci maîtrisent l'infrastructure et connaissent les fournisseurs. La maîtrise technique est indispensable, mais elle ne suffit pas.

Le responsable chargé du processus commercial doit assumer la responsabilité du résultat.

Si l'IA est mise en œuvre dans le domaine des achats, c'est au responsable des achats qu'il revient de rendre compte de l'amélioration des décisions relatives aux fournisseurs. Si elle est au service du marketing, c'est au responsable marketing qu'il revient de rendre compte des taux de conversion, de la qualité de la marque et des coûts d'acquisition des clients. Le service informatique reste responsable de l'architecture, de la sécurité et de la fiabilité, mais on ne devrait pas lui demander d'élaborer une analyse de rentabilité pour le compte d'un autre service.

Chaque initiative doit avoir un responsable désigné, doté des pouvoirs nécessaires pour gérer le déroulement des opérations, le budget et les décisions relatives à sa mise en œuvre. Ce responsable doit définir la situation de référence avant la mise en œuvre et convenir de la manière dont les bénéfices seront mesurés.

En l'absence de référence, presque n'importe quel projet pilote peut être qualifié de réussite. Les employés peuvent avoir l'impression qu'il est plus rapide, la démonstration peut se dérouler sans accroc et les dirigeants peuvent apprécier de l'utiliser. Aucune de ces observations ne permet toutefois d'établir sa valeur financière.

L'indicateur pertinent dépend de l'application. Il peut s'agir du coût par requête traitée, des temps d'arrêt en production, des pertes liées aux réclamations, de la durée moyenne du cycle de vente ou de la part du temps des ingénieurs consacrée à des tâches répétitives.

L'organisation doit également déterminer comment cette valeur sera concrétisée. Le fait de faire gagner dix minutes à un employé ne se traduit pas automatiquement par une réduction des coûts ou une augmentation du chiffre d'affaires. Ce gain de temps doit être cumulé, réorienté vers des tâches à plus forte valeur ajoutée ou se traduire par une augmentation du rendement.

Une analyse de rentabilité convaincante précise non seulement le gain de temps que l'IA pourrait permettre, mais aussi ce que l'entreprise compte en faire.

La préparation des données est un choix stratégique

Les entreprises décrivent souvent la qualité des données comme un obstacle technique rencontré lors de la mise en œuvre. En réalité, elle est le reflet d'années de décisions stratégiques.

Les dossiers clients peuvent comporter des doublons, car les unités régionales étaient autorisées à utiliser des définitions différentes. Les données sur les produits peuvent être incomplètes, car aucun responsable n'était chargé de leur mise à jour. Des connaissances précieuses peuvent rester confinées dans des dossiers personnels, car les mesures d'incitation favorisaient la propriété individuelle plutôt que la réutilisation au sein de l'organisation.

L'IA met en évidence ces faiblesses, car les modèles ont besoin d'informations accessibles, pertinentes et suffisamment fiables. Un système sophistiqué alimenté par des données de mauvaise qualité peut produire des réponses rapidement et avec assurance, mais celles-ci ne seront pas correctes.

La solution ne consiste pas à nettoyer chaque ensemble de données avant de commencer. Cela pourrait se transformer en un programme coûteux dont on ne voit pas clairement la fin. L'entreprise devrait améliorer les informations nécessaires à ses cas d'utilisation prioritaires et désigner un responsable permanent pour celles-ci.

Dans le cadre d'une application commerciale, cela peut impliquer de définir quelles interactions avec les clients doivent être enregistrées, qui est habilité à modifier une fiche client et dans quel délai les informations obsolètes doivent être corrigées. Dans le cadre d'un modèle industriel, cela peut impliquer un étalonnage cohérent des capteurs, ainsi que l'utilisation d'étiquettes de maintenance et d'identifiants d'équipement harmonisés d'un site à l'autre.

La gouvernance des données doit être axée sur la valeur métier. Les informations les plus importantes en matière de tarification, de risques, de clientèle et d'opérations doivent faire l'objet des contrôles de responsabilité et de qualité les plus rigoureux.

Le même principe s'applique aux données exclusives en tant qu'avantage concurrentiel. De nombreuses entreprises partent du principe que le fait de disposer de grands volumes d'informations leur permettra de se démarquer. Cela ne sera toutefois le cas que si ces données sont légalement exploitables, pertinentes pour la prise de décision et suffisamment bien organisées pour améliorer le système.

Il ne faut pas confondre « modèle d'accès » et « avantage concurrentiel »

La plupart des entreprises peuvent acquérir l'accès à des modèles de base similaires. À mesure que ces modèles s'améliorent et que leurs prix baissent, le modèle lui-même devient un facteur de différenciation durable de moins en moins déterminant.

C'est plutôt dans la manière dont l'entreprise combine la technologie avec ses informations exclusives, son expertise sectorielle, son réseau de distribution et ses processus repensés que réside son avantage.

Une banque et un détaillant peuvent utiliser le même modèle linguistique, mais la valeur que la banque en tire dépend de son intégration aux politiques de gestion des risques, aux dossiers clients et aux processus d’approbation réglementés. L’avantage du détaillant peut quant à lui dépendre des données sur la demande, des relations avec les fournisseurs et de sa capacité à adapter rapidement ses décisions en matière de stocks.

Le plus gros du travail concerne le modèle : préparation des données, intégration au système, évaluation, conception des processus et adoption par les collaborateurs.

Cela signifie également qu'il pourrait s'avérer nécessaire de changer de modèle. Les exigences en matière de performances, de prix, de réglementation et de localisation des données évolueront. Une architecture conçue autour d'un seul fournisseur peut s'avérer coûteuse à modifier par la suite, en particulier lorsque les invites, les systèmes d'évaluation et les applications sont étroitement liés à des fonctionnalités propriétaires.

Les entreprises n'ont pas besoin d'éviter de s'associer à des partenaires technologiques stratégiques, mais elles doivent bien comprendre dans quels domaines une dépendance se crée. Les contrats doivent aborder les questions relatives à l'utilisation des données, à l'entraînement des modèles, aux droits d'audit, à la continuité du service et à la faisabilité de la migration.

L'objectif n'est pas une neutralité théorique vis-à-vis des fournisseurs. Il s'agit plutôt de disposer d'un levier suffisant pour empêcher que la plateforme d'IA ne devienne la stratégie implicite de l'entreprise.

La gouvernance doit s'aligner sur la décision qui comporte un risque

Certaines entreprises réagissent aux risques liés à l'IA en créant un comité central chargé d'examiner chaque expérience. Il en résulte souvent des retards, des contournements informels et le recours, par les employés, à des outils non approuvés en dehors du processus officiel.

D'autres se contentent d'énoncer des principes généraux et laissent aux équipes le soin de les interpréter, ce qui donne lieu à des contrôles incohérents.

Un modèle proportionné part de la conséquence de l'erreur.

Un outil interne destiné à aider un employé à réécrire une présentation comporte des risques différents de ceux d'un système qui recommande un traitement médical, détermine l'accès au crédit ou communique directement avec des clients vulnérables. La gouvernance doit devenir plus stricte à mesure que le système gagne en autonomie, traite des informations plus sensibles ou influe sur des décisions aux conséquences plus importantes.

Le cadre de gestion des risques liés à l'IA du NIST articule ce travail autour de quatre fonctions permanentes : gouverner, cartographier, mesurer et gérer. Son profil dédié à l'IA générative aborde également des risques tels que la confabulation, la vie privée, la sécurité de l'information, les biais préjudiciables, la propriété intellectuelle et la dépendance excessive de l'être humain.

Dans la pratique, l'entreprise doit consigner l'utilisation prévue, les données concernées, le responsable de la décision, les tests de performance et la procédure d'escalade. Elle doit savoir si les résultats ont un caractère consultatif ou contraignant, quelles personnes sont habilitées à passer outre le système et comment les incidents seront consignés.

Les modèles doivent faire l'objet d'un suivi après leur déploiement, car le comportement des utilisateurs, les données et les conditions d'exploitation évoluent. Un système qui fonctionnait bien lors des tests peut voir ses performances se dégrader dès lors que les clients apprennent à l'utiliser ou que les employés commencent à s'en servir pour des tâches ne relevant pas de son champ d'application initial.

La gouvernance ne se résume donc pas à la réunion de validation qui précède le lancement. Il s'agit de la discipline opérationnelle qui se poursuit par la suite.

L'adoption relève de la responsabilité de la direction

Un outil d'IA peut être techniquement abouti mais sans intérêt commercial, car les employés ne l'utilisent pas ou l'utilisent mal.

L'adoption échoue lorsque les employés assistent à une démonstration générique sans comprendre en quoi leur rôle va évoluer. Elle échoue également lorsque la direction présente l'IA uniquement comme un programme d'amélioration de l'efficacité et que les employés interprètent, à juste titre, cette efficacité comme une menace pour leur emploi.

Les dirigeants doivent expliquer avec précision le modèle opérationnel envisagé. Quelles tâches sont appelées à disparaître ? Quelles décisions resteront du ressort des humains ? Comment les performances seront-elles évaluées lorsque la production augmentera ? Quel soutien sera disponible en cas de défaillance de l'outil ?

Une formation axée sur les rôles est plus efficace qu'un simple enthousiasme général. Un avocat doit comprendre les principes de confidentialité, de vérification des sources et de responsabilité professionnelle. Un commercial doit savoir à quel moment un message suggéré devient trompeur. Un responsable doit savoir reconnaître les biais liés à l'automatisation et remettre en question une recommandation plutôt que de considérer le modèle comme une autorité.

Les cadres supérieurs doivent également utiliser les systèmes qu’ils approuvent. L’implication de la direction est importante, non pas parce que chaque dirigeant doit devenir un expert en rédaction rapide, mais parce que le fait d’utiliser ces outils de manière visible met en évidence leurs limites pratiques et montre clairement que leur adoption s’inscrit dans le cadre d’une transformation opérationnelle plutôt que d’un simple projet informatique isolé.

L'entreprise doit mettre en place un dispositif simple permettant aux employés de signaler les résultats erronés, les problèmes de sécurité et les dysfonctionnements dans les processus de travail. Les retours d'expérience doivent parvenir suffisamment rapidement à l'équipe chargée du produit ou de la mise en œuvre pour permettre l'amélioration du système.

L'adoption de l'IA ne s'achève pas avec la distribution des licences. Elle s'achève lorsque ce nouveau mode de fonctionnement devient la norme dans la réalisation de tâches à forte valeur ajoutée.

Mesurer la valeur à trois niveaux

Le premier niveau est performances techniques. Le système fournit-il des résultats suffisamment précis, fiables et opportuns dans des conditions réelles ?

Le deuxième est performances du flux de travail. Cela permet-il de réduire les délais de traitement, d'augmenter le débit, d'améliorer la cohérence ou de permettre aux employés de consacrer davantage de temps à des activités à plus forte valeur ajoutée ?

Le troisième est résultats de l'entreprise. Ce changement permet-il d'améliorer le chiffre d'affaires, la marge, la fidélisation de la clientèle, les résultats en matière de risques ou un autre indicateur stratégique ?

Un système peut fonctionner correctement à un premier niveau tout en échouant aux deux autres. Un outil de synthèse très précis n'apporte que peu de valeur ajoutée si les employés ne lui font pas confiance ou si les synthèses n'ont jamais constitué un frein. Un traitement plus rapide des demandes d'indemnisation peut nuire à l'entreprise s'il entraîne une augmentation des versements indus ou des réclamations des clients.

Les avantages et les coûts doivent être évalués conjointement. Les frais liés au modèle peuvent être modestes, tandis que les coûts liés à l'intégration, à l'ingénierie des données, à la vérification humaine et à la gestion du changement sont considérables. Les coûts d'utilisation peuvent également augmenter de manière imprévisible à mesure que l'adoption du modèle se généralise.

Le modèle financier doit prendre en compte la mise en œuvre, l'exploitation, le suivi, la sécurité et le coût de la correction des erreurs. Il doit faire la distinction entre les gains de productivité temporaires et les améliorations structurelles de la rentabilité du processus.

La direction doit mettre fin aux initiatives qui ne génèrent pas suffisamment de valeur. Les portefeuilles d'IA doivent être soumis à la même discipline en matière de capital que les autres investissements. Un projet pilote qui échoue ne coûte pas cher lorsqu'il apporte une réponse rapide ; il devient coûteux lorsque l'entreprise le maintient en vie pour donner l'impression de progresser.

Un programme pratique de remise à zéro en 90 jours

Au cours du premier mois, les dirigeants devraient cesser de solliciter les services pour obtenir des idées en matière d'IA et s'attacher plutôt à identifier le petit nombre d'objectifs opérationnels qui comptent le plus. Chaque priorité doit être traduite en un critère mesurable : temps, coût, erreur, capacité, taux de conversion ou expérience client.

Le mois prochain devrait être consacré à la cartographie des flux de travail et des données concernés. Les équipes doivent comprendre comment le travail s'organise concrètement, à quels moments un jugement est nécessaire et quelles informations font défaut ou ne sont pas fiables. Les interventions potentielles de l'IA pourront ensuite être comparées à des modifications plus simples apportées aux processus, aux politiques ou aux logiciels.

Au cours du dernier mois, l'entreprise devrait sélectionner un petit portefeuille d'initiatives, avec des responsables désignés, des références de départ et des critères d'arrêt clairement définis. Au moins l'une d'entre elles devrait être en mesure de générer une valeur mesurable à court terme, tandis qu'une autre pourrait servir à tester une capacité plus stratégique dont la rentabilité nécessite une intégration plus poussée.

L'organisation devrait également mettre en place des bases communes en matière de technologie et de gouvernance : modèles approuvés, contrôles d'accès aux données, procédures d'évaluation, signalement des incidents et normes d'approvisionnement. Ces bases devraient être suffisamment solides pour réduire les risques sans pour autant servir de prétexte à la centralisation de toutes les décisions.

Au bout de 90 jours, le conseil d'administration ne devrait pas se demander combien de projets d'IA sont en cours. Il devrait plutôt se demander quelles contraintes opérationnelles sont levées, quelles preuves étayent les avantages annoncés et quels changements doivent être apportés au modèle opérationnel pour que les résultats puissent être déployés à plus grande échelle.

L'IA mérite qu'on y accorde une attention stratégique sérieuse, car elle peut modifier les structures de coûts, les processus décisionnels et la conception des produits. Cela ne signifie pas pour autant qu'elle constitue une stratégie à part entière.

Une stratégie explique où l'entreprise va créer de la valeur et pourquoi elle est mieux placée pour le faire que ses concurrents. L'IA peut étayer cette réponse, mais elle ne peut pas la fournir à elle seule.