Le miroir et le levier

Pourquoi l'AI reflète avant d'amplifier 🪞

Francois Lanthier Nadeau
5th juin 2026

Le paradoxe de l'AI en entreprise : les gains individuels sont souvent évidents ; ceux de l'organisation restent... flous.

Donne Claude, Codex ou ChatGPT à quelqu'un qui sait écrire, coder, vendre, analyser ou opérer : sa capacité augmente. Produit plus de brouillons, teste plus d'idées, clear plus de tâches, apprend plus vite.

Ça commence à grafigner quand tu dois traduire ces gains individuels en capacité organisationnelle.

AKA l'AI doit vivre dans une vraie business. Un workflow branché sur des données. Des permissions. Des clients. Des coûts. Des responsabilités. Des erreurs à monitorer. Un CA qui veut du ROI. Des humains qui doivent adopter une nouvelle façon de travailler sans toujours comprendre ce qu'on attend d'eux.

C'est là que le cadre devient central :

Quel problème on règle? Pourquoi? Avec quelles données? Dans quel workflow? Qui est responsable? À quoi ressemble un bon résultat?

(Si ça sonne familier pour les product managers, c'est normal 🙃)

Ces questions-là sont moins sexy que "quel modèle est le meilleur?", mais elles décident souvent si l'AI devient un vrai levier ou un paquet de POC (Proof of Concept) qui flottent dans l'éther.

Cet édito-là s'est imposé en croisant plusieurs signaux : l'épisode avec David Beauchemin de Baseline, After Automation de Dan Shipper, des nouvelles sur les budgets AI, des discussions avec des builders qui mettent ça en prod, puis une solide conversation (coming soon) avec Philippe Trépanier de Unicorne sur l’AI et les agents chez AWS.

D'un côté, des gens sauvent des heures chaque semaine, ou attaquent un nouveau segment de marché. De l'autre, des compagnies se demandent où est le ROI. Quantum thought : les deux peuvent être vrais en même temps.

L'AI devient un miroir un peu brutal de l'élégance et de la robustesse d'une organisation. Pis pour plusieurs, c'est rough de réaliser qu'ils ressemblent à Quasimodo.

Ça montre si les processus sont compris, si les données sont utilisables, si les responsabilités sont nommées, si les équipes savent ce qu'elles essaient vraiment d'améliorer.

Cette semaine, j'essaie donc de comprendre pourquoi certains potentiels AI se transforment en vraie capacité business, pendant que d'autres restent coincés dans des démos impressionnantes ou des projets qui survivent pas la POC.

On va aussi parle du duo qui risque de devenir très payant dans les prochaines années : l'expert métier collé à l'expert AI.

Le cadre

Au premier contact, l'interface AI est presque insultante de simplicité : tu demandes, elle répond. Prompt in, output out.

Dan utilise beaucoup le mot cadre dans After Automation, et je pense que c'est le bon. Les modèles deviennent très forts à l'intérieur d'un cadre : une intention, une direction, du contexte, puis une compréhension profonde du travail à faire.

Le danger, c'est de confondre la simplicité de l'interface avec la simplicité du problème.

Dès que tu veux faire quelque chose de permanent, de sécuritaire, de rentable, de mesurable, toute la couche de complexité cachée apparaît.

L'AI amplifie les bons cadres... et les mauvais.

Le mur de production

C'est à ça que l'épisode avec David m'a fait penser le plus.

Chez Baseline, mettons, la discussion part rarement du choix de l'outil. Elle part de la business, du workflow, du contexte, de ce qui doit tenir en production.

La démo clean est devenue cheap.

Tu peux sortir une interface, un agent, un résumé automatique, un mini workflow ou une démo impressionnante beaucoup plus vite qu'avant. Claude Code, Codex, Cursor, Replit, Lovable, Viktor, name it. Une personne motivée peut fabriquer assez de cossins pour donner l'impression que JOB'S DONE.

Mais pour aller en PROD, t'as besoin de répondre à un tas de questions.

Quel modèle est assez bon pour cette étape? Quel modèle est trop cher pour cette tâche? Qu'est-ce qui devrait rester dans une plateforme fermée? Qu'est-ce qui mérite une intégration custom? Quand est-ce que tu bâtis ton propre MCP server? Quel agent a le droit d'appeler quel outil?

Qui voit les logs? Qui reçoit l'alerte quand un modèle se trompe, qu'un fournisseur change son pricing, ou qu'une automatisation commence à faire de la bouette dans un coin sombre de la business?

C'est ça le vrai stock sale de la prod.

Et c'est là que l'expertise valuable vit en ce moment.

David parle d'intégrer l'AI, oui, mais surtout de planifier son intégration : comprendre où il crée réellement de la valeur, comment il change les coûts, comment il change peut-être même ce qu'une compagnie peut vendre.

Un intégrateur AI qui ne comprend pas tes processus, ta logique de business, ton industrie, tes exceptions et tes clients peut brancher beaucoup de bébelles. Il peut même faire une belle démo, mais pas faire briller ça en prod comme des vrais devs AI épaulés par des vrais experts métiers.

Tu peux vibe-coder une interface en un après-midi.

Tu ne vibe-codes pas le jugement opérationnel dans une industrie.

Ce qui reste premium $$$ baby, c'est l'expertise.

Étrange ROI

Via cette lentille, les nouvelles sur le ROI de l'AI semblent moins contradictoires qu'elles en ont l'air.

Quand on parle de AI sticker shock, j'y vois surtout un signal de mauvais cadrage, de coûts mal compris et d'ownership flou.

Si tu crées un leaderboard de "qui brûle le plus de tokens dans la shop" ou que ta stratégie d'adoption AI c'est "vous avez tous une sub Claude Max maintenant, impressionnez-nous!"...

(FWIW c'est pas mal ça la stratégie chez SaaSpasse 😂)

Y'a ben des chances que ton CFO finisse par froncer des sourcils après quelques trimestres. La peur de manquer la vague laisse alors place à une question plate mais nécessaire : qu'est-ce qu'on essaie vraiment d'améliorer?

Je dis ça sans lancer de roches. La tech est nouvelle, bouge constamment, et est rarement plug'n'play. Pas pour rien qu'OpenAI a lancé une Deployment Company avec des FDE (Forward Deployed Engineers) intégrés aux organisations, pendant qu'Anthropic recrute le même genre de profils pour shipper des apps Claude, des MCP servers, des sub-agents et des skills en prod. Les gros labs savent que l'adoption enterprise ne se règle pas juste avec un modèle.

Le gain de productivité individuel qu'on voit souvent hint vers quelque chose de plus gros : une capacité potentielle pour l'organisation.

Une organisation, c'est un système de personnes qui travaillent ensemble avec des capacités, des outils, des contraintes et des promesses à tenir. Si les personnes dans le système gagnent en capacité, il y a peut-être une nouvelle capacité collective à débloquer.

Mais ça s'active pas tout seul.

Le vrai sujet devient : comment tu capitalises là-dessus?

Est-ce que cette capacité sert à :

livrer plus vite;
servir plus de clients;
réduire un vrai coût;
vendre une nouvelle offre;
augmenter une marge;
améliorer une promesse client;
réduire un risque;
remplacer une tâche complète, au lieu d'accélérer juste un morceau.

Sinon, la productivité individuelle devient juste plus d'activité.

Plus d'itérations. Plus de projets. Plus de review. Plus de meetings. Plus de bruit.

Ça aide aussi à lire les nouvelles sur les layoffs liés à l'AI qui libèrent du budget sans livrer le retour attendu. Couper des coûts au nom de l'AI peut faire respirer un budget. Mais le recâblage du travail autour de l'AI demande autre chose.

Dan, dans After Automation, raconte le mouvement inverse chez Every. L'automatisation augmente la quantité de premiers jets, de décisions et de systèmes à maintenir. Quand l'AI est bien cadré, il peut ouvrir plus de travail utile : plus de choses à définir, valider, maintenir, vendre.

Un founder m'expliquait récemment comment il ingérait et standardisait 24/7 tous les signaux entrant/sortant de sa startup dans une base de données où tous ses agents AI étaient pluggés. Si tes agents vivent dans une représentation à jour et "cherchable" de ta compagnie, ça change drastiquement le genre de tâches que tu décides de faire toi-même au quotidien. Tu review un peu, sure, mais best believe que t'update pas le CRM à la mitaine. Pis guess what? Ils ont lancé un nouveau produit connexe tellement ils avaient automatisé la majorité des ops du premier…

MOAR WORK, JEVONS GO BRRRRR

C'est ça la différence entre accélérer des individus et augmenter la capacité réelle d'une organisation.

Le duo rare

Le duo le plus redoutable en ce moment, c'est peut-être l'expert métier collé à l'expert AI.

La personne qui connaît le domaine sait où le travail fait mal pour vrai. Elle connaît les exceptions, les faux raccourcis, les détails que les clients ne disent pas dans un brief, les règles tacites, les endroits où une erreur coûte cher. Elle sait reconnaître un output qui a l'air bon mais qui manque le petit 5% qui rend le résultat utilisable.

La pro AI, elle, sait transformer ce jugement en systèmes : workflow, données, agents, evals, monitoring, interface, processus qui tient quand quelqu'un d'autre que le founder s'en sert.

Quand les deux se parlent bien, il se passe quelque chose de puissant.

Tu peux aller plus profond dans une verticale. Mieux comprendre les cas limites. Choisir un petit modèle cheap pour une étape simple, garder un gros modèle pour ce qui demande du raisonnement, brancher les bonnes données métier au bon endroit, bâtir une expérience qui comprend vraiment le job.

C'est probablement pour ça que les produits AI verticaux sont aussi intéressants. Le moat vient de l'expertise. De tous les petits choix qui accumulent du jugement dans un contexte précis.

À l'autre bout, les cas simples vont se commoditiser vite.

Un petit site. Une app interne. Un workflow Zapier-ish. Un résumé automatique. Un assistant de rédaction. Un mini-agent qui fait trois calls API.

Tout ça va devenir de plus en plus accessible à des solopreneurs, des PME, des équipes non techniques motivées. Tant mieux! Mais quand la barrière baisse, le bruit monte aussi.

Le premium se déplace donc ailleurs.

Vers les problèmes plus complexes. Plus verticaux. Plus réglementés. Plus physiques. Plus politiques. Plus chers.

Vers le monde capable de regarder une industrie et de dire : voici le vrai cadre, voici les données qui comptent, voici ce qu'on peut automatiser maintenant, voici ce qui doit rester humain, voici comment on transforme la capacité créée en meilleure business.

La nouvelle full-stack 10x rockstar AAA, pour combiner des expressions un peu gossantes, c'est l'experte AI + métier. Celle qui peut recâbler une organisation sans la scrapper.

Ou en starter une from scratch : )

full-stack 10x rockstar AAA

L'AI reflète ton organisation avant de l'amplifier.

Si le reflet est flou, regarde le cadre, le workflow, les données, l'ownership, le jugement.

Quand tout ça commence à se clarifier, l'AI fait mieux qu'accélérer le travail existant.

Ça ouvre du nouveau possible.

Et le miroir devient levier.

Bobye.

—

Quelque chose à ajouter? Good. Laisse un commentaire ou réponds à ce courriel direct.

Cheers,

Frank 💜

Le cloud qui coûte cher 💸

Eric Pinet (CEO & cofondateur @ Unicorne) s’est fait remettre le Canada Rising Star Consulting Partner of the Year d'AWS à Toronto y’a quelques mois. Rien de moins.

Mais le prix, c'est juste le début de la jasette. Frank s'assoit avec lui pour décortiquer le futur de la compagnie et plusieurs sujets comme :

Des due diligence où Unicorne fait sauver des centaines de milliers $ aux acheteurs
Le FinOps comme nouveau superpower des CFO
L'explosion des LLM via AWS Bedrock pis les factures de tokens
Stable, leur produit qui analyse déjà plus de 30 M$ de dépenses cloud

Poka et ses designers 🎨

Sébastien (directeur du design) et Audrey (designer produit) conçoivent des apps chez Poka. Elles sont utilisées sur des lignes de production partout dans le monde.

Un même réflexe : partir du problème, pas de la surface.

On jase de design distribué, de valider des maquettes avec des gros clients, et de comment l'AI change la game du designer.

Si t'as envie de designer des produits qui ont un impact réel — va jeter un oeil à Poka.

Du cash maintenant, pas dans 18 mois 💰

David Leblanc (VP Financement chez Finalta Capital) décode comment financer ta croissance SaaS sans diluer ton cap table en avançant tes crédits d'impôt R&D futurs.

Pas de dilution, pas de personal guarantee, pas d’attente pour que Revenu Québec te paie.

Si tu construis au Québec et que tu veux pas attendre ou diluer, cette jasette est pour toi.