Pourquoi générer à l'échelle ne suffit pas à exécuter à l'échelle

Cinq obstacles, dans l'ordre où ils apparaissent

Ils ne forment pas une liste mais une progression : le volume déplace le goulot, la fiabilité interdit de faire confiance au modèle seul, l'échelle transforme une erreur de marque en incident systématique, la dispersion empêche de capitaliser, et l'ajout d'agents crée à son tour un besoin d'orchestration.

• 01

  Le volume augmente, le bottleneck se déplace

  La génération n'est plus la contrainte. La revue, la conformité de marque, le contrôle juridique et la validation humaine le deviennent.

  • < 10 %

    des CMOs ont capturé de la valeur sur des workflows de bout en bout, alors que près de 90 % expérimentent l'IA

    Source : McKinsey, Reinventing marketing workflows with agentic AI · CMOs interrogés.

  Les gains obtenus pendant la génération peuvent être absorbés pendant la validation : c'est le cycle complet qu'il faut mesurer, pas la seule étape de production. Le Human-in-the-Loop peut lui-même devenir le nouveau bottleneck.

  Explorer cet obstacle
• 02

  Capacité ne signifie pas fiabilité

  La performance des modèles suit une frontière dentelée — la jagged technological frontier — : très forte sur certaines tâches, instable sur d'autres, sans que la limite soit visible pour l'utilisateur.

  • +12,2 % / −19 pts

    de tâches supplémentaires dans la zone de compétence du modèle, mais 19 points de probabilité en moins d'obtenir la bonne réponse en dehors, sur 758 consultants

    Source : Dell'Acqua et al., Navigating the Jagged Technological Frontier · expérience contrôlée.

  • > 98 %

    de fiabilité exigée par certaines applications critiques : un horizon de succès à 50 % ne suffit pas à déléguer une tâche

    Source : METR, Time Horizons.

  Une très forte performance sur certaines tâches n'implique pas une fiabilité stable sur toutes. Le modèle ne peut donc pas être l'unique unité de confiance.

  Explorer cet obstacle
• 03

  L'IA peut aussi passer à l'échelle les erreurs de marque

  Ce qui rend l'IA utile — produire vite et en volume — rend aussi une erreur de marque reproductible à la même vitesse.

  • 63 % / 80 %

    des grandes marques utilisent déjà l'IA générative en marketing, mais 80 % sont inquiètes de la façon dont leurs agences l'utilisent ; les risques cités sont juridiques, éthiques et réputationnels

    Source : WFA, Annual Report 2024 · annonceurs membres de la WFA.

  BCG défend l'idée d'une brand intelligence layer : purpose, règles, identité, contexte et critères de décision encodés dans les systèmes eux-mêmes. Sans elle, des agents sans identité organisationnelle diffusent la même réponse générique à grande échelle. À l'échelle, la marque ne peut plus rester un brand book destiné aux humains : règles, identités, contraintes et validations doivent devenir exécutables par le système.

  Explorer cet obstacle
• 04

  Les entreprises doivent reprendre possession de leur machine marketing

  Lorsque données, contenus, règles, workflows, technologie et apprentissages sont dispersés entre équipes, plateformes et prestataires, chaque campagne recrée une partie de la connaissance au lieu d'enrichir un actif commun.

  • 12 % / 36 %

    des agences internes interrogées considèrent l'IA comme totalement intégrée ; 36 % jugent l'intégration aux systèmes de l'entreprise encore difficile

    Source : WFA, How AI is changing in-house agencies · agences internes interrogées.

  Le véritable actif propriétaire n'est pas seulement la donnée. C'est la boucle d'apprentissage : données → connaissance → contenu → activation → mesure → nouvel apprentissage. Internaliser sans système revient à reprendre la complexité sans pouvoir l'absorber — ce qui suppose aussi de maîtriser contrôle des données, permissions, sécurité et propriété intellectuelle.

  Explorer cet obstacle
• 05

  Connecter des agents ne crée pas automatiquement un système

  La complexité ne disparaît pas avec l'ajout d'agents : elle se déplace vers l'orchestration.

  • 180

    configurations d'agents testées : ajouter des agents peut atteindre un plafond ou dégrader les performances

    Source : Google Research, Towards a science of scaling agent systems · étude de laboratoire.

  • > 40 %

    des projets d'IA agentique pourraient être abandonnés avant fin 2027, pour cause de coûts, de valeur mal définie ou de contrôles insuffisants

    Source : Gartner, prévision sur les projets d'IA agentique · prévision, non un résultat observé.

  Multiplier les agents fait apparaître de nouvelles classes de défaillances, des coûts supplémentaires et des questions de permissions, d'observabilité et de validation. Plus de modèles et d'agents augmentent la capacité, mais aussi le besoin d'un orchestrateur.

  Explorer cet obstacle