Intégrer l’IA aux bons endroits : de la friction au flux

Au cours des derniers mois, j’ai fait des dizaines d’interventions en entreprises et en organisations : des formations, des ateliers d’équipe, des accompagnements de direction. Des PME, des OBNL, des organismes publics. Des contextes très différents, des tailles très différentes.

Et pourtant, d’une intervention à l’autre, j’ai vu revenir le même portrait.

L’IA est déjà là. Elle est entrée par la fenêtre plutôt que par la grande porte : quelqu’un a essayé un outil, a gagné vingt minutes sur un courriel, en a parlé autour de la machine à café. Quelques mois plus tard, la moitié de l’équipe s’en sert, chacun à sa façon. Les gens se sentent plus productifs, et ils ont raison. Mais quand je pose la question à la direction (« Qu’est-ce qui a changé pour les personnes que vous servez ? »), la réponse est presque toujours la même : pas grand-chose. Les délais sont les mêmes. La file d’attente aussi.

J’ai longtemps pensé que c’était une question de maturité, qu’il suffisait d’un peu plus de formation et de meilleurs outils. Je n’y crois plus. Ce que j’ai vu sur le terrain, c’est un problème de focus. L’IA travaille, mais pas là où le service bloque.

Cet article présente le modèle que j’ai construit pour répondre à ça. Il s’appelle la Cartographie IA (AI Mapping en anglais), et son principe tient en quatre mots : de la friction au flux. Je vous explique d’où il vient, comment il fonctionne, et ce qu’il ne règle pas.

Trois choses que j’ai vues partout

Premièrement, on met l’IA là où c’est facile à voir. Les courriels, les publications, le site web, les comptes rendus de réunion. Ce sont des usages légitimes. Mais quand je demande à une équipe de dessiner le trajet d’un dossier, de la première demande jusqu’au résultat, ces endroits-là sont rarement ceux où le dossier attend.

Deuxièmement, le temps gagné ne va nulle part. Vingt minutes économisées par une personne qui n’est pas la plus occupée deviennent vingt minutes de plus... à attendre la personne qui l’est. Le gain est réel pour l’individu. Pour l’organisation, il s’évapore.

Troisièmement, personne n’avait la même réponse à la question « où est-ce que ça bloque chez nous ? ». La direction voit un problème. Les intervenants en voient un autre. L’adjointe administrative en voit un troisième, et c’est souvent elle qui a raison. Sans une façon commune de regarder le service, chacun place l’IA dans sa propre friction.

Les chiffres racontent la même histoire

Ce que j’observais en atelier, la recherche le documente à plus grande échelle.

• Au deuxième trimestre de 2026, 19,2 % des entreprises canadiennes utilisaient l’IA, trois fois plus qu’en 2024 (Statistique Canada).
• 80 % des OBNL canadiens l’utilisent sous une forme ou une autre, surtout pour les communications. Seulement 10 % ont une politique formelle (Imagine Canada, 2026).
• Près de 9 000 dirigeants de sept pays estiment que l’IA a ajouté environ 0,2 % par année à la productivité du travail de leur entreprise depuis trois ans (NBER, 2026).
• Au Danemark, chez 25 000 travailleurs de professions exposées, le temps économisé grâce à l’IA représente en moyenne 2,8 % des heures, sans effet mesurable sur les salaires ni sur les heures travaillées (Humlum et Vestergaard, 2025).

L’adoption grimpe. Les gains mesurés restent minces.

Le cas le plus parlant vient du développement logiciel, là où l’IA est la plus avancée. En 2025, des équipes outillées en IA soumettaient 98 % plus de demandes d’intégration de code. Le temps de révision a bondi de 91 %. Et la livraison de l’organisation, elle, est restée stable (Faros, environ 10 000 développeurs).

On a accéléré la production. La révision est devenue le point de blocage. Le résultat final n’a pas bougé. Quand j’ai lu ces chiffres, j’ai reconnu exactement ce que je voyais dans les organismes et les PME, à une autre échelle.

D’abord, cinq mots à connaître

Le goulot. L’étape qui limite le résultat de tout le service. Comme le goulot d’une bouteille : vous pouvez verser l’eau aussi vite que vous voulez, elle sortira à son rythme.

Le débit. Le nombre de personnes (ou de dossiers, de commandes, de soumissions) qui traversent le service jusqu’au résultat, par semaine ou par mois. Pas le nombre de tâches accomplies : le nombre de résultats.

La demande de défaillance. Une expression du chercheur britannique John Seddon (failure demand). C’est la demande qu’on crée nous-mêmes : le client qui rappelle pour savoir où en est son dossier, le formulaire à recommencer, l’appel jamais retourné.

La carte de parcours. Un outil du design de services (journey map) qui suit une personne à travers le service et montre où ça accroche pour elle.

Le plan de service. Le même parcours, mais avec tout ce que fait l’organisation à l’interne pour le livrer (service blueprint).

L’idée centrale : une bouteille se vide au rythme de son goulot

Prenez n’importe quel service. Et tout est service : même un produit vendu comble d’abord un besoin, et chaque entreprise a ses services internes (RH, comptabilité, promotion, service client). Un client qui attend une soumission, une facture à émettre, une demande de soutien technique. Chaque demande traverse une suite d’étapes. Et l’une d’elles limite toutes les autres.

Dans cet exemple fictif, une PME envoie 4 propositions par semaine, pas une de plus. Doubler la capacité de qualification n’y change rien. Pire : ça fait grossir la pile devant la rédaction. Et pendant que la pile grossit, les clients signent ailleurs.

Cette idée a un nom : la théorie des contraintes, d’Eliyahu Goldratt (Le But, 1984). Elle tient en quatre conséquences concrètes.

Une heure gagnée au goulot est une heure gagnée pour tout le système. Une heure gagnée ailleurs est un mirage.

Le goulot est souvent une règle, pas une ressource. Un formulaire à remplir au complet avant de commencer. Une signature obligatoire. Une habitude qui avait du sens il y a dix ans.

L’attente se calcule. La loi de Little donne une règle simple, valable en moyenne : délai = file ÷ débit. Si 16 demandes attendent et que l’équipe rédige 4 propositions par semaine, l’attente est d’environ quatre semaines. Pas besoin de logiciel.

Le goulot n’est pas toujours à l’interne. Si vos équipes attendent les clients, le goulot, c’est la demande. L’IA y a aussi sa place : préparer une campagne, produire et publier des contenus, analyser ce qui attire des clients, relancer les clients potentiels. Et une organisation a souvent plus d’un flux (vendre, livrer, facturer), chacun avec son goulot. La démarche reste la même : trouver le goulot qui limite l’organisation aujourd’hui, puis y appliquer l’IA.

Goldratt avait même vu venir le piège de l’IA dès l’an 2000. Dans Necessary But Not Sufficient, il écrivait en substance qu’une technologie n’apporte un bénéfice que si elle réduit une limitation. Et il ajoutait une condition que presque personne ne respecte : changer aussi les règles qui s’étaient adaptées à cette limitation. Si l’IA rédige une note en trente secondes, mais qu’on exige encore la même révision ligne par ligne, rien n’a changé.

Vingt-six ans plus tard, je n’ai pas trouvé de meilleure grille pour évaluer un projet d’IA.

Ce qui manquait à nos cartes : le temps

Le design de services nous a donné deux outils précieux, la carte de parcours et le plan de service. Je les utilise depuis longtemps. Mais en atelier, j’ai fini par voir leur angle mort : le temps. Tels qu’on les pratique aujourd’hui, ni l’un ni l’autre ne montre les files d’attente, la capacité ou le débit. Ils montrent la friction. Ils ne montrent pas le flux.

Petite ironie de l’histoire : Lynn Shostack, qui a inventé le plan de service en 1984, chronométrait chaque étape. Les pratiques modernes ont laissé tomber le chronomètre. Le modèle le remet.

Concrètement, le plan de service se lit en trois couches.

Couche 1, le parcours : la friction. Ce que vit la personne : ses efforts, ses attentes, ses creux. On la construit en atelier avec des gens qui vivent le service, pas seulement entre gestionnaires.

Couche 2, les processus internes : les causes. Ce que fait l’organisation pour livrer chaque étape. J’y ajoute deux voies que personne ne dessine : les exigences externes (clients, assureurs, bailleurs de fonds, ministères), et l’IA comme acteur à part entière.

Couche 3, le flux : le goulot. Pour chaque étape, le temps de travail réel, le délai total, la file, la capacité et la part du travail qui arrive utilisable à l’étape suivante.

Cette troisième couche réserve presque toujours une surprise. Dans les services et les bureaux, le temps où un dossier avance réellement représente typiquement de 1 à 10 % de son délai total (Martin et Osterling, 2013). L’essentiel du délai n’est pas du travail. C’est de l’attente, et des allers-retours aux passages de relais.

À retenir. Une IA qui accélère le travail ailleurs qu’au goulot rate la cible. Et comme le travail ne représente qu’une petite part du délai, accélérer le travail ne suffit souvent même pas : c’est l’attente qu’on doit attaquer.

La démarche : rien de nouveau, trois moments différents

La Cartographie IA ne réinvente pas le design de services. Elle suit sa démarche classique : un brief, puis la recherche, l’idéation, le prototypage et l’implémentation. Elle y ajoute ce qui manque pour décider où va l’IA. Trois moments font la différence.

On écoute la demande avant tout. Pendant deux semaines, l’équipe classe chaque demande qui entre : est-ce qu’elle a de la valeur, ou est-ce une demande de défaillance ? Dans les services publics qu’il a étudiés, Seddon en trouve souvent entre 40 et 80 %. Cette demande-là s’élimine à la source. Elle ne s’automatise pas. Un robot conversationnel qui répond plus vite à « où en est mon dossier ? », c’est de l’échec industrialisé.

On cherche des solutions sans IA d’abord. Une fois le goulot nommé, la première question est : que peut-on changer sans technologie ? Retirer du goulot tout ce qui n’a pas besoin de lui. Ne lui envoyer que des dossiers complets. Changer la règle, si la contrainte en est une. L’IA coûte de l’argent et de l’attention : elle vient après.

On prototype avant d’acheter. Avant de bâtir ou d’acheter quoi que ce soit, on teste l’idée en mode « Magicien d’Oz » : une personne joue le rôle de l’IA pendant quelques semaines, sans outil. On mesure si le goulot se libère. Si oui, on implémente. Sinon, on a perdu quelques semaines plutôt qu’un budget.

La règle avant l’outil : quatre cas qui m’ont convaincu

Quatre histoires documentées ont beaucoup pesé dans la construction du modèle. Deux viennent des services publics et de la santé, deux de l’entreprise.

En Utah, le département des services de main-d’œuvre faisait face à des dossiers plus que triplés et à une coupe de plus de 9 M$ US. Le goulot : les agents d’admissibilité, interrompus sans cesse par des appels « où en est mon dossier ? » et travaillant sur des dossiers incomplets. La solution : leur retirer les tâches non prioritaires, et exiger qu’un dossier soit complet avant de leur arriver. Le délai de décision est passé de 15 à 11 jours, l’attente au téléphone de 23 à 9 minutes (Governing, 2012).

En Nouvelle-Zélande, une clinique de chimiothérapie a découvert que son goulot était une règle : confirmer chaque patient avant de préparer ses médicaments. En la changeant, elle a fait passer l’attente moyenne de 129 à 16,5 minutes, et réduit de 67 % les heures supplémentaires des infirmières.

Chez Ford, le service des comptes fournisseurs comptait environ 500 personnes, occupées à rapprocher bons de commande, bons de réception et factures. Le goulot était une règle : payer sur facture. Ford l’a remplacée par une autre : payer à la réception de la marchandise, une fois la commande confirmée. L’effectif a diminué d’environ 75 % (Hammer, 1990). Un service interne que le client ne voit jamais, et pourtant un goulot.

Chez IBM Credit, chaque demande de financement d’un client passait par quatre spécialistes, l’un après l’autre. Six jours en moyenne, pendant lesquels le client pouvait aller voir ailleurs. La solution : une seule personne traite la demande du début à la fin, et les spécialistes n’interviennent que dans les cas inhabituels. Le délai est tombé à quatre heures (Hammer et Champy, 1993).

Aucun de ces gains n’a demandé de l’IA. C’est justement le point. Quand l’IA arrive après, elle agit sur un goulot déjà débarrassé de ses règles inutiles. Elle fait alors une vraie différence.

Cinq critères avant chaque idée d’IA

Chaque idée d’IA qui sort de l’idéation passe ensuite cinq critères, dans l’ordre. Un critère non rempli ne veut pas dire « jamais ». Il veut dire « pas maintenant, et pas comme ça ».

Le quatrième critère mérite qu’on s’y arrête. Dans une étude auprès de 758 consultants, le même outil d’IA a amélioré la qualité de plus de 40 % sur certaines tâches, et réduit de 19 points la proportion de bonnes réponses sur une tâche voisine (Dell’Acqua et coll., 2023). De l’extérieur, les deux tâches se ressemblaient. Et une IA qui produit plus vite déplace souvent le goulot vers la personne qui vérifie. C’est exactement ce qui est arrivé aux équipes de développement logiciel.

Le cinquième s’appuie sur le cadre québécois. La Loi 25 encadre les décisions fondées exclusivement sur un traitement automatisé et exige une évaluation des facteurs relatifs à la vie privée pour les nouveaux systèmes qui traitent des renseignements personnels. À mes yeux, une validation humaine de façade ne suffit pas. En Pologne, les intervenants pouvaient corriger le classement algorithmique des chercheurs d’emploi : ils l’ont fait dans environ un cas sur cent, surtout faute de temps. L’humain dans la boucle était devenu un tampon.

Le portefeuille : où agir, où protéger

Les idées qui passent les critères se placent ensuite sur deux axes : l’effet de l’étape touchée sur le goulot, et sa charge relationnelle. Les quatre cases portent des noms tirés du plan de service. Ce sont les mêmes que dans la matrice du Canvas IA : seul le premier axe change. L’effet sur le goulot remplace le niveau d’irritant.

Processus internes critiques : automatiser en premier. Effet fort sur le goulot, peu de relation. Le travail que la personne ne voit pas, mais qui bloque tout le reste : la facturation qui retarde l’encaissement, la saisie en double, la recherche d’information dans d’anciens dossiers, les dossiers incomplets. L’IA peut y aller franchement, à condition de changer les règles et de prévoir la vérification.

Moments de vérité : augmenter, jamais remplacer. Effet fort sur le goulot, et forte charge relationnelle. Ce sont les moments où la personne juge le service, et le temps de la relation y est souvent le goulot lui-même. Aucune IA ne s’y installe. Celle qui travaille autour (préparer la rencontre, ébaucher la proposition, faire les suivis) libère du temps qui doit y retourner. C’est une décision explicite, prise avec l’équipe.

Soutien courant : outiller. Les courriels mieux tournés, les publications, la veille de la concurrence. La veille revient souvent dans ce que les entreprises me demandent : utile, mais rarement le goulot. Sauf quand le goulot, c’est la demande : la veille, les campagnes et les publications passent alors en tête de liste. Utile en libre-service, encadré par une politique d’usage. Ce n’est pas une transformation. C’est là que se trouvent la majorité des usages que j’ai vus sur le terrain.

Points de contact : préserver. L’appel de découverte, la rencontre de démarrage, les échanges informels. Ils ne limitent pas le débit, et ils construisent ce qui fait que les gens reviennent.

Pourquoi protéger la relation à ce point ? Parce que dans les métiers d’aide, la qualité de l’alliance entre l’intervenant et la personne est l’un des prédicteurs les plus constants du résultat. Une méta-analyse de 295 études le confirme (Flückiger et coll., 2018). Rendre ce moment plus « efficace » risque d’abîmer le résultat lui-même. Dans une PME, c’est la même logique avec la relation client : on n’automatise pas la conversation qui fait signer le contrat.

Et une règle coiffe toutes les autres : jamais d’IA qui décide qui mérite de l’aide.

Mesurer le débit, pas les minutes

C’est probablement le changement le plus difficile à faire accepter en atelier. Les minutes économisées ne sont pas une preuve de succès. Une minute gagnée ailleurs qu’au goulot ne change pas le débit (elle peut réduire l’usure, et ça compte, mais ça se mesure autrement). Une minute gagnée au goulot ne compte que si on sait où elle est allée.

Le modèle suit cinq mesures, pas plus :

1. Le débit de mission, par profil. Combien de personnes atteignent le résultat pour lequel le service existe, sans écrémer les cas faciles.
2. Le délai à chaque étape. Où les gens attendent.
3. Le taux de demande de défaillance. Combien de travail on crée nous-mêmes.
4. La destination du temps libéré. La relation, plus de personnes servies, ou nulle part.
5. Le prochain goulot prévu. Où la contrainte ira quand celle-ci sera libérée.

Parce que le goulot va bouger. C’est même le signe qu’on a agi au bon endroit. Et le cycle recommence.

Où ça se situe par rapport à la Corbeille et au Canvas IA

Si vous suivez Humains augmentés, vous connaissez déjà deux de mes outils. La Corbeille IA sert à apprendre à déléguer une tâche à l’IA. Le Canvas IA sert à choisir, en équipe, ce qui mérite d’être bâti, en triant les tâches selon ce qu’elles pèsent et la valeur humaine qu’elles demandent.

La Cartographie IA se place un cran plus haut. Elle ne regarde plus la tâche, ni même le processus isolé : elle regarde le service au complet, de la première demande jusqu’au résultat. Sa question n’est pas « qu’est-ce qui nous irrite ? », mais « qu’est-ce qui limite tout ? ». Les deux réponses ne sont pas toujours les mêmes. Une tâche peut être très irritante sans jamais ralentir le service. Une autre peut sembler anodine et retenir tout le monde derrière elle.

En pratique, je vois les trois s’emboîter : la Cartographie IA dit où agir, le Canvas IA aide à concevoir quoi y mettre, et la Corbeille aide chaque personne à déléguer correctement une fois la solution en place.

Les limites, honnêtement

C’est une approche nouvelle. Ses pièces ont fait leurs preuves séparément : le plan de service (Shostack, 1984), la théorie des contraintes (Goldratt, 1984), la demande de défaillance (Seddon, 2003), la cartographie de la chaîne de valeur (Martin et Osterling, 2013). Leur assemblage pour décider où placer l’IA est, à ma connaissance, inédit. Aucune étude ne l’a encore testé au complet. C’est une hypothèse de travail solidement ancrée, pas une méthode validée. Je documente chaque projet pour la raffiner.

Les preuves ont leurs propres limites. Les résultats de la théorie des contraintes en services viennent surtout d’études de cas, souvent écrites par des praticiens convaincus. Une revue de 42 implantations en santé rapporte en moyenne 50 % moins d’attente et 34 % plus de débit (Bacelar-Silva et coll., 2022), mais ses auteurs signalent eux-mêmes un biais de publication probable.

Le chronomètre peut faire mal. Dans le réseau québécois de la santé, le Lean a parfois servi à compresser le travail : une visite à domicile standardisée à 30 minutes alors qu’elle en prenait deux heures (IRIS, 2024). Une méthode de flux mal utilisée détruit ce qu’elle devait protéger. D’où trois garde-fous non négociables : on mesure le travail, jamais les personnes ; les moments de vérité ne se compressent pas ; et le temps libéré a une destination décidée d’avance avec l’équipe. Si la seule destination envisagée est une coupe de postes, ce n’est plus cette approche.

Le goulot, c’est parfois la direction. Dans une organisation de dix personnes, le goulot est parfois une seule personne. Et parfois, c’est celle qui doit tout approuver. J’ai d’ailleurs quelques soupçons sur mon propre cas. Le modèle ne fonctionne que si la direction accepte d’être cartographiée comme les autres.

Ça demande du temps. Un diagnostic complet, c’est environ huit semaines, avec quatre ateliers de trois heures où toute l’équipe est présente, pas seulement les cadres. C’est un vrai investissement pour une petite organisation déjà essoufflée. Je travaille à une version plus courte.

Cinq questions à poser à votre équipe lundi matin

Pas besoin d’attendre un diagnostic pour commencer. Ces cinq questions suffisent à ouvrir la discussion.

1. Si on avait deux fois plus de temps à une seule étape de notre service, laquelle choisirions-nous ? (C’est probablement votre goulot.)
2. Quelle part des appels et des courriels qu’on reçoit sont des relances ou des corrections ?
3. Combien de temps un client attend-il entre sa demande et le moment où le travail commence vraiment ?
4. Quelle règle suivons-nous parce qu’on a toujours fait comme ça ?
5. Nos usages actuels de l’IA libèrent-ils du temps au goulot, ou ailleurs ?

Si l’équipe hésite sur deux réponses ou plus, vous venez de trouver par où commencer.

En résumé

1. L’IA entre partout, mais le service ne va pas plus vite, parce qu’elle travaille rarement là où ça bloque.
2. Le débit d’un service est fixé par une seule étape : son goulot. Une heure gagnée ailleurs est un mirage.
3. Nos cartes montrent la friction, pas le flux. Il leur manque le temps : les files, la capacité, l’attente.
4. Avant l’IA, on change les règles. Les plus beaux gains documentés sont venus d’une règle retirée.
5. Le temps humain se protège, il ne se compresse pas. L’IA libère du temps pour la relation. Jamais elle ne décide qui mérite de l’aide.

Être un humain augmenté, ce n’est pas faire plus de choses plus vite. C’est mettre l’outil exactement là où il libère du temps pour ce que seul un humain peut faire.

Pas plus d’IA. Pas plus vite. Au bon endroit.

Vous voulez savoir où se trouve le goulot de votre organisation, et si l’IA peut vraiment y faire quelque chose ? C’est exactement le genre de diagnostic que nous faisons chez KODRA. Écrivez-moi à seb@kodra.ca.

Sources

• Statistique Canada (2026). Utilisation de l’intelligence artificielle par les entreprises. Lien
• Imagine Canada (2026). Les OBNL canadiens et l’intelligence artificielle. Lien
• NBER (2026). Firm Data on AI, document de travail w34836. Lien
• Humlum, A. et Vestergaard, E. (2025). Large Language Models, Small Labor Market Effects. Synthèse
• Faros (2025). AI Productivity Paradox et lecture du rapport DORA 2025. Lien
• Goldratt, E. M. et Cox, J. (1984). The Goal. Goldratt, E. M., Schragenheim, E. et Ptak, C. (2000). Necessary But Not Sufficient. Présentation
• Loi de Little. Synthèse
• Shostack, G. L. (1984). Designing Services That Deliver. Harvard Business Review, 62(1).
• Bitner, M. J., Ostrom, A. L. et Morgan, F. N. (2008). Service Blueprinting. California Management Review, 50(3).
• Stickdorn, M., Hormess, M. E., Lawrence, A. et Schneider, J. (2018). This is Service Design Doing. O’Reilly.
• Martin, K. et Osterling, M. (2013). Value Stream Mapping. McGraw-Hill.
• Seddon, J. (2003). Freedom from Command and Control. Demande de défaillance : synthèse
• Hammer, M. (1990). Reengineering Work: Don’t Automate, Obliterate. Harvard Business Review, 68(4). Lien
• Hammer, M. et Champy, J. (1993). Reengineering the Corporation. HarperBusiness.
• Governing (2012). Utah Department of Workforce Services. Lien
• Clinique de chimiothérapie, Nouvelle-Zélande. Health Systems (2017). Lien
• Bacelar-Silva, G. M., Cox, J. F. et Rodrigues, P. P. (2022). Outcomes of managing healthcare services using the Theory of Constraints. Health Systems, 11(1). Lien
• Dell’Acqua, F. et coll. (2023). Navigating the Jagged Technological Frontier. Harvard Business School. PDF
• AlgorithmWatch. Pologne : abandon du profilage des chercheurs d’emploi. Lien
• Flückiger, C. et coll. (2018). The Alliance in Adult Psychotherapy. Psychotherapy, 55(4). Synthèse
• IRIS (2024). Fiches sur le Lean dans le réseau de la santé. PDF
• Gouvernement du Québec. Décision fondée sur un traitement automatisé. Lien