01. Mon constat de départ

J'ai passé ces derniers mois à explorer le potentiel pratique de l'IA dans les fonctions que j'ai exercées lors de mes années comme officier d'état-major. J'ai systématiquement confronté chaque tâche de mon quotidien — recherche d'information, analyse, synthèse, planification, production de documents — aux capacités des outils disponibles aujourd'hui.

Mon constat tient en deux phrases. Premièrement, l'IA pourrait réaliser 95 % des tâches que j'avais à réaliser, de manière exponentiellement plus efficace, plus rapide et plus fiable que moi. Deuxièmement, l'IA pourrait également orchestrer ces tâches entre elles, sans intervention humaine.

Je m'accorde encore un petit avantage en termes de créativité, mais je ne pense pas le conserver longtemps.

Ce qui m'a frappé, c'est que je n'ai pas eu besoin de technologies expérimentales ou de budgets pharaoniques. Les outils que je vais décrire dans cet article sont disponibles aujourd'hui, souvent gratuitement ou pour quelques dizaines d'euros par mois. N'importe quel officier d'état-major motivé pourrait les mettre en œuvre demain matin.

Et encore ne s'agit-il ici que de singer les pratiques humaines d'état-major. Il serait possible d'être bien plus efficace encore en adoptant des organisations optimisées pour l'IA, plutôt que d'utiliser l'IA sur des organisations essentiellement conçues pour pallier les limitations humaines. Mais commençons par le commencement.

· · ·

02. Rechercher l'information — RAG, Agents et MCP

Tout officier d'état-major connaît ce rituel : passer des heures à fouiller des dossiers partagés, des bases documentaires hétérogènes, des e-mails archivés, pour retrouver la directive, le RETEX, le précédent qui éclaire le problème du jour. C'est un travail de fourmi, chronophage, dont le résultat dépend largement de la mémoire individuelle et du réseau personnel. Quand l'officier traitant mute, la mémoire part avec lui.

Le RAG : une mémoire institutionnelle instantanée

Le RAG (Retrieval-Augmented Generation) résout ce problème. Le principe est simple : on indexe l'ensemble du corpus documentaire dans une base vectorielle — une sorte de mémoire sémantique — et l'IA peut ensuite rechercher et synthétiser l'information pertinente en langage naturel, en citant ses sources. Elle ne « sait » pas tout par cœur ; elle sait où chercher et comment synthétiser ce qu'elle trouve.

Voici un exemple minimal mais fonctionnel. Supposons que vous disposiez d'un répertoire contenant l'ensemble de la doctrine interarmes en PDF :

 
rag_doctrine.py Python
"""
RAG simplifié sur un corpus doctrinal.
Dépendances : pip install langchain langchain-community chromadb openai pypdf
"""

from langchain_community.document_loaders import DirectoryLoader, PyPDFLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_community.vectorstores import Chroma
from langchain_openai import OpenAIEmbeddings, ChatOpenAI
from langchain.chains import RetrievalQA

# 1. Charger tous les PDF d'un répertoire
loader = DirectoryLoader(
    "./doctrine/",
    glob="**/*.pdf",
    loader_cls=PyPDFLoader
)
documents = loader.load()
print(f"{len(documents)} pages chargées depuis le corpus doctrinal.")

# 2. Découper en segments exploitables (chunks)
splitter = RecursiveCharacterTextSplitter(
    chunk_size=1000,
    chunk_overlap=200
)
chunks = splitter.split_documents(documents)

# 3. Indexer dans une base vectorielle (persistante sur disque)
vectorstore = Chroma.from_documents(
    documents=chunks,
    embedding=OpenAIEmbeddings(),
    persist_directory="./index_doctrine"
)

# 4. Créer la chaîne de question-réponse
qa_chain = RetrievalQA.from_chain_type(
    llm=ChatOpenAI(model="gpt-4o", temperature=0),
    retriever=vectorstore.as_retriever(search_kwargs={"k": 8}),
    return_source_documents=True
)

# 5. Interroger en langage naturel
result = qa_chain.invoke(
    "Quels sont les principes de la manœuvre interarmes "
    "dans un contexte de combat en zone urbaine ?"
)

print(result["result"])
print("\n--- Sources ---")
for doc in result["source_documents"]:
    print(f"  • {doc.metadata['source']}, p. {doc.metadata.get('page', '?')}")
À retenir

En trente lignes de code, vous créez un assistant qui maîtrise l'intégralité de votre corpus doctrinal. Posez-lui n'importe quelle question, il répond en synthèse et cite ses sources. Ce que votre meilleur stagiaire met une demi-journée à produire, l'IA le fait en dix secondes.

Les Search Agents : l'initiative de la recherche

Le RAG est la version statique de la recherche. Les Search Agents vont plus loin : ce sont des IA qui décident elles-mêmes quelles sources interroger, dans quel ordre, et qui savent recouper les résultats. Face à une question complexe (« quel est l'impact des restrictions de mouvement sur la capacité logistique dans le secteur Nord, compte tenu de la menace IED ? »), un Search Agent va décomposer la question, lancer plusieurs recherches parallèles, croiser les résultats, identifier les contradictions, et produire une synthèse structurée.

MCP : brancher l'IA sur le monde réel

Le MCP (Model Context Protocol), développé par Anthropic, est peut-être la brique la plus importante de l'écosystème. C'est un protocole standardisé qui permet à l'IA de se connecter à n'importe quel outil ou base de données : votre SI opérationnel, votre messagerie, vos bases géographiques, vos tableurs, vos systèmes de suivi. Tout peut devenir une source interrogeable par l'IA en temps réel.

Concrètement, là où un officier passe sa matinée à consulter cinq systèmes différents pour compiler un point de situation, un agent IA connecté via MCP interroge tous ces systèmes en parallèle et vous livre la synthèse en quelques secondes.

· · ·

03. Analyser — L'IA croise ce que l'humain juxtapose

L'analyse d'état-major consiste, fondamentalement, à croiser des informations issues de domaines différents pour en tirer une synthèse exploitable. C'est précisément ce que fait naturellement un grand modèle de langage — sans les biais de confirmation, sans la fatigue du vendredi après-midi, et sans les rivalités entre bureaux.

Prenons un exemple concret : l'analyse croisée d'une situation tactique à partir de rapports de sources multiples.

 
analyse_croisee.py Python
"""
Analyse croisée multi-sources avec structuration automatique.
"""
from openai import OpenAI

client = OpenAI()

# Rapports entrants de sources différentes
rapports = {
    "RENS/HUMINT": """
        Source B2 (fiable, information probable) : Mouvements logistiques
        inhabituels observés dans le secteur NORD depuis 48h.
        Augmentation du trafic de véhicules lourds sur l'axe DELTA.
        Population locale signale des restrictions de circulation nocturnes.
    """,
    "RENS/IMINT": """
        Imagerie J-1 : 12 véhicules blindés identifiés en zone de
        regroupement TANGO-3 (coord. : 48.234°N, 2.567°E).
        Comparaison J-7 : cette zone était vide.
        Nouveaux aménagements défensifs détectés sur la ligne de crête EST.
    """,
    "RENS/SIGINT": """
        Augmentation de 300% des communications chiffrées dans le secteur
        depuis 72h. 3 nouveaux réseaux radio identifiés.
        Schéma d'émission compatible avec un PC de niveau brigade.
    """,
    "CIMIC": """
        ONG rapportent un afflux de déplacés venant du NORD.
        Le marché principal du village ALPHA a fermé sans explication.
        Le maire refuse tout contact depuis 3 jours.
    """
}

# Prompt d'analyse structuré
prompt = """Tu es un analyste d'état-major expérimenté. À partir des rapports
suivants, produis :
1. SYNTHÈSE de situation (5 lignes max)
2. ANALYSE croisée des indicateurs convergents / divergents
3. HYPOTHÈSES d'action ennemies classées par probabilité
4. LACUNES de renseignement à combler en priorité
5. RECOMMANDATIONS pour le chef (décisions à prendre)

Évalue la fiabilité selon les critères OTAN (A-F / 1-6).
Signale toute incohérence entre les sources.

RAPPORTS :
"""

for source, contenu in rapports.items():
    prompt += f"\n[{source}]\n{contenu}\n"

response = client.chat.completions.create(
    model="gpt-4o",
    messages=[{"role": "user", "content": prompt}],
    temperature=0.2  # Faible température = rigueur analytique
)

print(response.choices[0].message.content)

Ce script produit en quelques secondes une analyse croisée structurée que le bureau renseignement d'un état-major mettrait des heures à produire — et qui impliquerait la coordination de plusieurs officiers traitants. L'IA identifie spontanément la convergence des indicateurs (HUMINT + IMINT + SIGINT pointent vers un même renforcement ennemi), note les signaux faibles (le comportement du maire, la fermeture du marché), et formule des hypothèses hiérarchisées.

Elle ne remplace pas le jugement humain sur la décision finale. Mais elle comprime radicalement le temps entre la réception du renseignement et la proposition au chef.

· · ·

04. Planifier — De la MEDO en deux minutes

La planification opérationnelle est peut-être le domaine où le gain est le plus spectaculaire. Un exercice de planification classique (type MEDO) mobilise une dizaine d'officiers pendant plusieurs jours. L'IA peut dérouler la méthode complète en quelques minutes — non pas pour remplacer la réflexion humaine, mais pour fournir une première base structurée que l'équipe peut ensuite challenger, enrichir et valider.

 
medo_assistant.py Python
"""
Assistant de planification opérationnelle — déroule une MEDO.
"""
from openai import OpenAI

client = OpenAI()

system_prompt = """Tu es un assistant de planification opérationnelle militaire.
Tu maîtrises la méthode de raisonnement tactique (MEDO) :
  M : Mission reçue → mission déduite → mission restituée
  E : Environnement (terrain, météo, population, ennemi)
  D : Déroulement (modes d'action amis et ennemis)
  O : Ordres (articulation, missions subordonnées, coordination)

Tu produis des analyses rigoureuses et exploitables.
Tu signales systématiquement tes hypothèses et les lacunes d'information.
Tu proposes plusieurs modes d'action comparés selon des critères explicites."""

ordre = """
ORDRE D'OPÉRATION (simplifié) :
Le GTIA LECLERC reçoit pour mission de s'emparer du carrefour
OBJECTIF MARS (48.234°N, 2.567°E) dans un délai de 24h afin de
permettre le passage du flux logistique de la brigade.
Ennemi : 1 sous-groupement mécanisé en défense.
Terrain : semi-bocager, zone urbanisée au sud de l'objectif.
Appuis : 1 batterie de 155mm, section ALAT en alerte 30 min.
"""

response = client.chat.completions.create(
    model="gpt-4o",
    messages=[
        {"role": "system", "content": system_prompt},
        {"role": "user", "content": f"""À partir de l'ordre suivant,
déroule les étapes M, E et D de la MEDO. Pour le D, propose 3 modes
d'action distincts avec une matrice de comparaison multicritères
(audace, sûreté, faisabilité logistique, délai).

{ordre}"""}
    ],
    temperature=0.3
)

print(response.choices[0].message.content)

Le résultat est saisissant : l'IA produit une analyse structurée, identifie des modes d'action pertinents, évalue leurs avantages et inconvénients sur plusieurs axes, et le fait en deux minutes au lieu de deux jours. Le produit doit évidemment être relu, challengé, enrichi par l'expérience. Mais le rapport entre le temps investi et la qualité du premier jet est sans commune mesure avec le processus traditionnel.

L'officier de planification passe ainsi du rôle de rédacteur à celui de critique. Il ne part plus de la page blanche ; il part d'une proposition structurée qu'il amende, conteste, affine. Son expertise ne disparaît pas — elle s'exprime différemment.

· · ·

05. Produire — Rapports, SITREP, ordres

La production documentaire est la tâche la plus ingrate de l'officier d'état-major — et celle où l'IA est la plus immédiatement déployable. Rapports de situation, notes de synthèse, ordres fragmentaires, transparents de briefing : tout ce qui suit un format standardisé peut être généré automatiquement à partir de données structurées.

 
sitrep_generator.py Python
"""
Génération automatique d'un SITREP au format OTAN
à partir de données structurées.
"""
from datetime import datetime
from openai import OpenAI

client = OpenAI()

# Données brutes — pourraient venir d'un SI via MCP
situation = {
    "dtg": datetime.now().strftime("%d%H%MZ %b %Y").upper(),
    "unite": "GTIA LECLERC",
    "position": "Zone de regroupement ALPHA",
    "personnel": {
        "theorique": 850, "reel": 812,
        "blesses": 3, "tues": 0
    },
    "materiel": {
        "leclerc": {"dispo": 12, "total": 14},
        "vbci":    {"dispo": 28, "total": 32}
    },
    "logistique": {
        "carburant_pct": 72,
        "munitions_pct": 85,
        "vivres_jours": 3
    },
    "moral": "BON",
    "ennemi": "Tirs sporadiques secteur EST. "
              "1 drone observé et neutralisé à 14h30.",
    "intentions": "Poursuite mouvement vers OBJ MARS à H+6."
}

response = client.chat.completions.create(
    model="gpt-4o",
    messages=[{"role": "user", "content":
        f"""Rédige un SITREP au format OTAN standardisé (MSGID, REF,
SITUATION AMIE, SITUATION ENNEMIE, LOGISTIQUE, INTENTIONS).
Concis, jargon militaire approprié. Données : {situation}"""
    }],
    temperature=0.1
)

print(response.choices[0].message.content)

Ce SITREP est généré en quelques secondes. Dans un état-major classique, c'est un officier qui passe trente minutes à collecter les informations auprès de chaque cellule (souvent par téléphone), puis trente autres minutes à le rédiger. Multipliez par le nombre de rapports quotidiens — SITREP, INTREP, LOGREP, PERSTAT — et vous comprenez où passe le temps.

En connectant le générateur directement aux systèmes d'information via MCP, le SITREP peut même être produit de manière entièrement automatique, à intervalles réguliers, sans qu'aucun humain n'ait à lever le petit doigt.

· · ·

06. Orchestrer — L'état-major multi-agents

Les exemples précédents montrent l'IA comme un outil — puissant, mais isolé. La vraie révolution, c'est quand l'IA orchestre elle-même l'ensemble du processus. Les architectures multi-agents permettent de créer des systèmes où plusieurs IA spécialisées collaborent, chacune responsable d'un domaine, coordonnées par un agent superviseur.

 
etat_major_multi_agents.py Python
"""
État-major virtuel multi-agents.
Chaque agent simule un bureau (J2, J3, J4...), coordonnés par un CEM.

Dépendances : pip install crewai crewai-tools
"""
from crewai import Agent, Task, Crew

# ── Agents spécialisés (équivalent des bureaux) ──

agent_j2 = Agent(
    role="Officier Renseignement (J2)",
    goal="Analyser les renseignements et produire une synthèse menace",
    backstory="Officier expérimenté en fusion multi-capteurs.",
    verbose=True
)

agent_j3 = Agent(
    role="Officier Opérations (J3)",
    goal="Élaborer les modes d'action et planifier la manœuvre",
    backstory="Breveté de l'École de Guerre, spécialiste planification.",
    verbose=True
)

agent_j4 = Agent(
    role="Officier Logistique (J4)",
    goal="Évaluer la faisabilité logistique des modes d'action",
    backstory="Logisticien chevronné, expert soutien des engagements.",
    verbose=True
)

agent_cem = Agent(
    role="Chef d'État-Major",
    goal="Synthétiser et formuler une recommandation au commandeur",
    backstory="Officier général adjoint, garant de la cohérence.",
    verbose=True
)

# ── Tâches (flux de travail de l'état-major) ──

situation = """Le GTIA doit s'emparer de l'OBJ MARS dans 24h.
Ennemi : 1 SGTIA mécanisé en défense.
Appuis : 1 Bie 155, ALAT alerte 30min.
Logistique : carburant 72%, munitions 85%, vivres 3 jours."""

tache_j2 = Task(
    description=f"Analyse la menace. Situation : {situation}",
    expected_output="Évaluation menace + hypothèses ennemies par probabilité.",
    agent=agent_j2
)
tache_j3 = Task(
    description="Sur la base de l'analyse J2, élabore 3 modes d'action.",
    expected_output="3 MA détaillés avec matrice de comparaison.",
    agent=agent_j3
)
tache_j4 = Task(
    description="Évalue la faisabilité logistique de chaque MA du J3.",
    expected_output="Évaluation logistique par MA, risques et mitigations.",
    agent=agent_j4
)
tache_synthese = Task(
    description="Synthétise J2+J3+J4, recommande un MA au commandeur.",
    expected_output="Note de synthèse avec recommandation argumentée.",
    agent=agent_cem
)

# ── Lancement de l'état-major virtuel ──

etat_major = Crew(
    agents=[agent_j2, agent_j3, agent_j4, agent_cem],
    tasks=[tache_j2, tache_j3, tache_j4, tache_synthese],
    verbose=True
)

resultat = etat_major.kickoff()

print("\n" + "=" * 60)
print("RECOMMANDATION AU COMMANDEUR")
print("=" * 60)
print(resultat)

Relisez ce code. Ce que vous avez sous les yeux, c'est un état-major complet — J2, J3, J4, synthèse du CEM — qui déroule son processus de planification de manière autonome. Chaque agent produit son analyse, la transmet au suivant, et le chef d'état-major virtuel synthétise le tout en une recommandation structurée. Le tout en quelques minutes.

  ┌─────────────────────────────────────────────────────────────┐
  │                    ÉTAT-MAJOR MULTI-AGENTS                  │
  │                                                             │
  │  ┌──────────┐    ┌──────────┐    ┌──────────┐               │
  │  │  Agent   │    │  Agent   │    │  Agent   │               │
  │  │   J2     │───▶│   J3     │───▶│   J4     │               │
  │  │ (RENS)   │    │ (OPS)    │    │ (LOG)    │               │
  │  └──────────┘    └──────────┘    └──────────┘               │
  │       │               │               │                     │
  │       │    ┌──────────┴───────────────┘                     │
  │       │    │                                                │
  │       ▼    ▼                                                │
  │  ┌──────────────┐                                           │
  │  │  Agent CEM   │──────▶  RECOMMANDATION AU COMMANDEUR      │
  │  │ (Synthèse)   │                                           │
  │  └──────────────┘                                           │
  │       ▲                                                     │
  │       │                                                     │
  │  ╔════╧═══════════════════════════════════════╗             │
  │  ║  RAG (doctrine) · MCP (SI ops) · Mémoire  ║              │
  │  ╚════════════════════════════════════════════╝             │
  └─────────────────────────────────────────────────────────────┘

En conditions réelles, chaque agent serait connecté à ses propres sources de données via RAG et MCP, disposerait de mémoire persistante, et le processus inclurait des points de validation humaine aux étapes clés. Mais l'architecture existe, elle fonctionne, et elle est accessible à quiconque sait écrire quelques lignes de Python.

· · ·

07. Le vrai problème : des organisations qui se nourrissent d'elles-mêmes

Tout ce qui précède ne fait qu'accélérer les pratiques existantes. L'IA reproduit nos processus en les comprimant. La vraie question est plus profonde : pourquoi nos processus sont-ils si lourds ?

L'engrenage historique

Face à l'inflation de l'information — toujours plus de capteurs, toujours plus de données, toujours plus de parties prenantes — les états-majors ont répondu par la seule solution qu'ils connaissaient : augmenter les effectifs et fractionner les domaines.

Le raisonnement semblait logique. Trop d'information pour un seul bureau ? Créons-en deux. Le problème est trop complexe pour une seule cellule ? Spécialisons. Le résultat, après des décennies de ce réflexe, est un monstre organisationnel.

+ d'information→+ de bureaux→+ de coordination→− de cohérence
La spirale entropique des états-majors

Un état-major de brigade qui comptait quelques dizaines d'officiers dans les années 1980 en emploie aujourd'hui plus d'une centaine. Le nombre de bureaux et cellules spécialisées n'a cessé de croître : J1 à J9, cellules ciblage, CIMIC, cyber, info-ops, juridique, genre, environnement… Chaque nouveau domaine justifie de nouveaux postes, de nouvelles réunions de coordination, de nouveaux formats de reporting.

Le paradoxe est cruel : plus on crée de spécialistes pour traiter la complexité, plus on crée de coordination entre ces spécialistes, et plus l'énergie de l'organisation se dissipe en fonctionnement interne.

Les réunions de coordination nécessitent des préparations qui nécessitent des pré-réunions. Les notes de synthèse entre bureaux nécessitent des boucles de validation qui nécessitent des réunions d'arbitrage. C'est une spirale entropique.

Le chiffre de 90 % n'est pas une exagération rhétorique. Chronométrez honnêtement une journée type dans un état-major : le temps passé en réunions internes, en e-mails de coordination, en production de documents destinés à d'autres bureaux du même état-major, en relecture croisée. Le temps réellement consacré à ce pour quoi l'état-major existe — aider le chef à comprendre la situation et à décider — est dramatiquement faible.

L'analogie du puzzle

Vous avez une image complexe à analyser. La méthode traditionnelle consiste à découper l'image en morceaux et à distribuer chaque morceau à un spécialiste. Chaque spécialiste devient très bon pour décrire son morceau. Mais reconstituer l'image globale devient un cauchemar : il faut organiser des réunions pour que les spécialistes des morceaux adjacents se parlent, créer des processus pour résoudre les incohérences aux frontières, nommer un coordinateur pour superviser l'assemblage…

L'IA, elle, peut analyser l'image entière d'un coup. Elle n'a pas besoin de découper pour comprendre. Elle n'a donc pas besoin de recoudre. La coordination, ce coût monstrueux de nos organisations, devient en grande partie superflue.

· · ·

08. Revenir à des organisations cohérentes

C'est là que réside la véritable révolution. L'IA ne se contente pas d'accélérer les organisations existantes — elle rend possible un retour à des structures radicalement plus resserrées et plus cohérentes.

Moins de bureaux, plus de vision

Imaginez un état-major où un officier, assisté par un écosystème d'agents IA, peut à lui seul : interroger en temps réel l'ensemble du corpus doctrinal et des RETEX via RAG ; recevoir une synthèse fusionnée du renseignement multi-capteurs via agents de recherche ; dérouler une planification opérationnelle complète via agents de planification ; générer les ordres et documents de coordination ; suivre l'exécution en temps réel avec alerte sur écarts, via agents de monitoring connectés en MCP aux systèmes d'information.

Cet officier n'a plus besoin de dix collègues répartis en cinq bureaux. Il a besoin de trois ou quatre pairs avec qui il peut échanger, challenger, confronter — non pas pour se répartir le travail de compilation, mais pour exercer ensemble un jugement collectif sur les propositions de l'IA.

Le gain n'est pas que quantitatif

Le passage d'un état-major de cent personnes à un état-major de vingt n'est pas qu'une économie de moyens. C'est un changement qualitatif. Quand vous supprimez 80 % des interfaces internes, vous supprimez les délais de transmission entre bureaux, les déformations de l'information à chaque relais, les arbitrages artificiels entre domaines interdépendants, le conformisme qui naît des processus de validation en cascade, le temps perdu à produire des documents destinés uniquement à la coordination interne.

Ce que vous gagnez, c'est la cohérence. Une poignée de personnes qui voient le même problème sous le même angle, en même temps, avec les mêmes données — assistées par une IA qui garantit qu'aucune information critique n'a été oubliée.

L'adaptation des rythmes

L'IA ne dort pas. Les cycles de planification qui prenaient des jours peuvent se réduire à des heures, voire des minutes. Cela implique une transformation profonde de la notion de journée de travail. Le modèle actuel — briefing du matin, travail en bureaux, point de situation du soir — est un héritage du rythme humain de traitement de l'information.

Si l'IA produit une analyse de situation actualisée en continu, le briefing matinal formel perd une partie de sa raison d'être. Le chef peut être informé en temps réel. Les décisions peuvent être prises au fil de l'eau, au rythme des événements et non au rythme des réunions. Le travail en réseau, la hiérarchie même doivent changer de dimension.

· · ·

09. L'officier d'état-major de demain

L'officier d'état-major ne disparaîtra pas. Il deviendra plus rare, et sa plus-value changera de nature.

↓ Ce qui perd de la valeur

  • La mémoire institutionnelle — l'IA avec RAG la surpasse
  • La capacité de compilation — l'IA compile instantanément
  • Le réseau de contacts pour la collecte — les agents automatisés prennent le relais
  • La maîtrise des formats — l'IA génère tout format standardisé
  • La capacité de travail brute — l'IA ne fatigue pas

↑ Ce qui gagne de la valeur

  • La créativité — imaginer ce que l'IA ne propose pas
  • Le dialogue avec l'IA — savoir l'orienter, la contraindre, détecter ses erreurs
  • L'identification des points décisionnels — discerner ce qui mérite l'attention du chef
  • Le jugement éthique — les décisions qui engagent des vies
  • La mise en place de systèmes de mesure de performance

Le piège à éviter

Le piège serait de créer des « officiers IA » supplémentaires qui viendraient s'ajouter à la structure existante, devenant un bureau de plus dans un état-major déjà pléthorique. L'IA n'est pas un domaine de plus à couvrir ; c'est un levier pour réduire le nombre de domaines nécessaires. Si l'introduction de l'IA se traduit par l'ajout d'une « cellule IA » au sein de l'état-major, sans toucher au reste de l'organisation, c'est que l'on n'a rien compris.

· · ·

10. Complet ou cohérent — il faut choisir

Il ne faut toutefois pas s'illusionner. Gödel nous l'a enseigné dans un autre domaine, mais le principe vaut universellement : un système ne peut pas être à la fois complet et cohérent.

Une organisation plus cohérente sera nécessairement incomplète — elle laissera des angles morts, des zones non couvertes. Les états-majors pléthoriques que nous connaissons poursuivent l'illusion de la complétude : un bureau pour chaque sujet, une cellule pour chaque menace, un officier traitant pour chaque problème. Mais cette complétude apparente se paie d'une fragmentation telle que la cohérence d'ensemble est perdue. Personne ne voit plus l'image complète ; chacun ne voit que son pixel.

Le choix fondamental

Le choix n'est plus entre la perfection et l'imperfection. Il est entre une incomplétude assumée et pilotée au sein d'une structure cohérente, et l'illusion de complétude d'une structure devenue si fragmentée qu'elle a perdu toute cohérence.

L'IA offre une issue à cette impasse. En rendant un seul opérateur capable de traiter, synthétiser et croiser des volumes d'information qui nécessitaient hier une équipe entière, elle permet de briser le cycle infernal « plus d'info → plus de monde → plus de coordination → moins de cohérence ».

La question n'est plus de savoir si l'IA va transformer nos métiers. Elle n'est même plus de savoir comment nous allons nous transformer pour collaborer avec elle. La question, la seule qui compte, est de savoir si nous aurons le courage de transformer nos organisations pour en tirer la seule conséquence qui vaille : faire moins, mais faire juste.

Il s'agit là de l'ultime évolution permise par le transistor. Maintenant, passons au quantique.