Pourquoi les entreprises modernes ont du mal à développer l'innovation

Toutes les grandes entreprises veulent être la prochaine Amazon. Ou du moins, c’est ce qu’ils disent dans le rapport annuel. En pratique, la plupart des entreprises mènent une poignée de projets pilotes, publient un communiqué de presse sur la « transformation numérique », puis regardent tranquillement le tout stagner quelque part entre le laboratoire d’innovation et le déploiement réel. Cet article explique pourquoi cet écart existe et pourquoi il est tellement plus difficile à combler que la plupart des dirigeants ne veulent l’admettre.

Consultez notre dernier blog surRevue TechsSlaash : Techsslaash.com « repousse-t-il vraiment les limites » en 2026 ?

Le modèle opérationnel est généralement le vrai problème

Il est tentant d’attribuer l’échec à un mauvais choix technologique, au mauvais fournisseur ou à une équipe qui n’a tout simplement pas « compris ». Mais si l’on fait abstraction des détails, le même problème apparaît presque à chaque fois : l’organisation elle-même n’a pas été conçue pour absorber rapidement de nouvelles choses.

Pensez à la façon dont la plupart des grandes entreprises fonctionnent réellement. Les cycles budgétaires sont annuels. Les décisions d’effectifs prennent des trimestres. Un nouvel outil logiciel doit vérifier l'approvisionnement, l'examen de la sécurité, les aspects juridiques et la conformité, parfois les quatre dans l'ordre et non en parallèle. Ce processus a été conçu pour gérer les risques dans un environnement stable. Il n’a jamais été conçu pour transformer un prototype d’apprentissage automatique de la preuve de concept à la production en 6 mois.

Les entreprises qui résolvent réellement ce problème, et ne se contentent pas de parler de le résoudre, font généralement d'abord une chose inconfortable. Ils examinent attentivement leur structure opérationnelle interne et admettent qu’elle est brisée à cet effet. C’est aussi exactement pourquoi les entreprises qui souhaitent sérieusement résoudre le problème font appel à desconseil en efficacité opérationnelleà un moment donné, non pas pour externaliser la réflexion, mais parce que les équipes internes ont passé des années à s’adapter à des processus dysfonctionnels et ne peuvent vraiment plus les voir clairement. Un regard neuf capte des choses qui étaient invisibles depuis une décennie.

Consultez notre dernier blog surveganovtrichy.com : trafic de recherche, classements et backlinks

Que signifie le « modèle opérationnel » lorsque vous le décollez

Ce n’est pas un document stratégique. Un modèle opérationnel correspond à la véritable mécanique quotidienne : qui peut approuver quoi, à quelle vitesse l’argent circule et à qui appartient la décision lorsqu’elle traverse les frontières des départements. Dans la plupart des entreprises, ces mécanismes ont été sérieusement examinés pour la dernière fois avant l’apparition de l’iPhone.

Ainsi, lorsqu’une équipe d’IA construit quelque chose de véritablement utile et se heurte ensuite à un mur en essayant de le mettre en production, ce mur constitue le modèle opérationnel. Ce n’est pas un problème de personnes. C'est un problème d'architecture.

Qu'est-ce qui est réellement construit en ce moment

Avant d’expliquer pourquoi les choses échouent, il convient de nommer ce que les entreprises testent réellement. Parce que le côté technologique est légitimement intéressant en ce moment.

Les technologies qui font du bruit

La liste des technologies que les entreprises testent activement à l’heure actuelle est véritablement longue. Ce n’est pas de la spéculation ; il est visible dans les offres d’emploi, les appels sur les résultats et les ordres du jour des conférences.

• L'IA générative dans les opérations.Des entreprises comme JPMorgan Chase et Goldman Sachs ont bien dépassé « l’exploration » de l’IA générative. La plateforme COIN de JPMorgan traite les documents juridiques à la vitesse d’une machine depuis des années. Ce qui est plus récent, c'est l'application des LLM à la gestion des connaissances internes, à la révision du code et au tri du service client, qui sont tous trois en cours de déploiement actif dans les grandes entreprises.
• Jumeaux numériques.Siemens, BMW et Lockheed Martin exploitent des environnements jumeaux entièrement numériques pour les usines et les chaînes d'approvisionnement. L’objectif n’est pas seulement la simulation, c’est l’aide à la décision en temps réel. En cas de rupture d’approvisionnement, un jumeau numérique peut modéliser 50 scénarios d’acheminement alternatifs dans le temps nécessaire pour convoquer une réunion.
• Edge computing pour l’IoT industriel.Des entreprises comme Honeywell et Rockwell Automation déploient l’intelligence de pointe directement dans les équipements de fabrication. La promesse : une latence réduite, une prise de décision locale et une dépendance moindre à l’égard d’une connectivité cloud centralisée.
• Flux de travail d'IA agentique.Celui-ci est véritablement un nouveau territoire. Des systèmes tels que Copilot Studio de Microsoft et Agentforce de Salesforce permettent aux entreprises de déployer des « agents » d'IA qui effectuent des tâches en plusieurs étapes de manière autonome, en réservant, en envoyant des e-mails, en mettant à jour des enregistrements, en déclenchant des flux de travail, sans intervention humaine à chaque étape. La fiabilité de cette évolution est encore en cours de test en production.

Des prototypes qui font du bruit

Plusieurs projets méritent d’être mentionnés car ils façonnent la manière dont la prochaine vague d’innovation d’entreprise sera réellement construite :

• Le projet Astra de Googleest un prototype d'assistant d'IA multimodal capable de raisonner à partir de textes, d'images et d'objets du monde réel. Les cas d'utilisation en entreprise explorés incluent l'inspection qualité en temps réel et l'assistance technique sur le terrain.
• Omniverse de NVIDIA pour la simulation industrielleest utilisé par Toyota et Ericsson pour créer des ensembles de données synthétiques et tester des configurations robotiques avant de toucher une seule machine physique.
• Watsonx d'IBMest la plateforme d'IA repositionnée d'IBM, que les entreprises clientes utilisent pour affiner leurs modèles propriétaires sur les données internes tout en conservant ces données dans leur propre périmètre d'infrastructure. Pertinent pour les industries réglementées.
• Modèles de classe opérateur d’OpenAIsont l'évolution vers des modèles capables d'agir dans des environnements logiciels, et pas seulement de générer du texte, et c'est quelque chose que les entreprises des secteurs de la logistique, de la finance et de la santé surveillentg de près.

Les prototypes sont réels. La plupart des entreprises ne disposent pas de l’infrastructure nécessaire pour les mettre en œuvre à grande échelle.

Les trois façons dont les entreprises tuent réellement l’innovation à grande échelle

Piège n°1 : des pilotes qui n’étaient jamais destinés à être expédiés

Un pilote qui ne devient pas un produit n’est qu’une expérience coûteuse. Et honnêtement, de nombreuses entreprises conçoivent inconsciemment leurs pilotes pour qu’ils restent pilotes, car un pilote est sûr. Il vit dans un bac à sable. Il n’est pas nécessaire qu’il réponde aux exigences SLA, passe un audit de sécurité ou s’intègre au système ERP vieux de vingt ans que personne ne comprend plus complètement.

Le dire ? Plus de trois « laboratoires d’innovation » avec moins de deux produits vivants à eux deux. Un centre d'excellence qui produit principalement des présentations de leadership éclairé et des présentations orales. Des ingénieurs « en découverte » depuis cinq mois. Les fournisseurs ont été décrits comme « en cours d’évaluation » avant les dernières élections américaines.

Ce modèle a un nom, pilote purgatoire et ce n’est pas fortuit. Les pilotes sont financés par les budgets d’innovation. La mise à l’échelle nécessite des budgets opérationnels. Les propriétaires de ces budgets opérationnels souhaitent un retour sur investissement prévisible grâce à des systèmes éprouvés. C’est une position légitime. Mais cela crée un fossé structurel que personne n’est officiellement chargé de combler, de sorte que la plupart des pilotes ne le franchissent jamais.

Deuxième piège : acheter un logiciel avant de corriger le processus

Celui-ci est presque embarrassant. Une entreprise achète un nouvel outil d'IA, une nouvelle plateforme de données ou une nouvelle suite d'automatisation et le déploie sur un processus sous-jacent défectueux. Le résultat est un processus interrompu plus rapide.

Workday, SAP et Salesforce en ont tous fait l'expérience avec leurs propres clients. Pas parce que les produits ne fonctionnent pas. Parce que les clients les mettent en œuvre comme un projet technique plutôt que comme un projet de refonte des processus. La mise en œuvre coûte cher. La gestion du changement est ignorée. Les mesures d’adoption sont terribles. Le vendeur est blâmé.

Le bon ordre est le suivant : comprenez le processus que vous essayez d’améliorer, reconcevez-le, puis choisissez la technologie qui prend en charge la nouvelle conception. Presque personne ne le fait dans cet ordre, car la refonte des processus nécessite d'impliquer des personnes qui se sentiront menacées par les changements, ce qui est une conversation plus difficile que de choisir un fournisseur de logiciels.

Troisième piège : appliquer un mauvais délai de mesure

Demander un retour sur investissement de 90 jours sur une technologie dont le déploiement prend 18 mois et un an supplémentaire pour générer des données significatives n'est qu'un mauvais calcul. Mais c’est le critère que la plupart des équipes financières appliquent, car c’est celui qu’elles appliquent à tout.

Alors que se passe-t-il ? Une initiative d’IA est aux trois quarts d’un cycle de rentabilité de deux ans lorsqu’un mauvais trimestre de revenus survient. Le directeur financier examine le budget d’innovation. Le projet n’a pas encore démontré de retour. Il est coupé. L'équipe se dissout. La connaissance institutionnelle de ce qui a été appris dans ces trois quartiers part avec eux. Et le prochain PDG qui voudra relancer l’initiative devra repartir de zéro et commettre bon nombre des mêmes erreurs.

Le truc de la culture est réel, pas seulement des affiches de motivation

La culture est mentionnée dans chaque conversation sur l’innovation, puis traitée comme quelque chose qui s’arrangera une fois que la stratégie sera adaptée. Ce ne sera pas le cas.

Les normes comportementales qui dirigent réellement une organisation, et non les valeurs dusite Internet, les normes actuelles, sont les infrastructures. Et dans la plupart des entreprises, cette infrastructure a un retard de maintenance plus long que sa dette technique.

Les modèles spécifiques qui causent le plus de dégâts :

• L'aversion au risque habillée en rigueur.« Faisons un autre examen » pour éviter de passer un appel. Ce n’est pas une prudence. C’est le déni.
• Ambiguïté de propriété.Quand quelque chose ne va pas, quelqu’un est blâmé. Quand quelque chose se passe bien, le crédit est largement distribué. Les gens ne sont pas stupides. Ils remarquent cette asymétrie et ajustent leur comportement en conséquence.
• Le problème HiPPO.Opinion de la personne la mieux payée. Les recherches du projet Aristote de Google l'ont bien documenté : les équipes dans lesquelles le point de vue de la personne la plus expérimentée dominait automatiquement ont montré des résultats systématiquement pires que les équipes où les membres les plus juniors se sentaient en sécurité en cas de désaccord. Les données indiquent un défi à la hausse. Les incitations organisationnelles disent que non.
• Pénalités de vitesse.Aller vite signifie prendre des raccourcis. Les raccourcis créent des incidents. Les incidents sont analysés post-mortem. Les autopsies se concentrent sur ce que l’acteur rapide a fait de mal. Alors les gens arrêtent d’avancer vite. Le rythme gravite autour de l’acteur le plus prudent.

Rien de tout cela n’est résolu par l’adoption d’une « culture de l’innovation ». Ce problème est résolu en changeant ce qui est récompensé et ce qui est puni, ce qui est un processus plus long et plus politique que ce à quoi la plupart des équipes de direction ont envie.

Ce qui change réellement les choses : des modèles réels issus de vraies entreprises

La règle des équipes de deux pizzas d'Amazon, qui consiste à garder les équipes suffisamment petites pour que deux pizzas puissent les nourrir, n'est pas seulement une anecdote de gestion originale. Il s’agit d’un choix architectural délibéré visant à éviter que les frais de coordination ne ralentissent l’exécution. Les petites équipes avec une propriété claire expédient plus rapidement. Ce n’est pas de la philosophie ; cela est observable dans la cadence de production.

Le tristement célèbre document culturel de Netflix (celui que Sheryl Sandberg a qualifié de probablement le document le plus important issu de la Silicon Valley) visait fondamentalement à supprimer les frais généraux de processus en faveur de l'embauche de personnes capables de prendre de bonnes décisions de manière indépendante. Le résultat : une entreprise qui est passée du DVD par courrier au streaming et à la production de contenu original en moins d'une décennie.

Le modèle d’équipe de Spotify, des équipes autonomes organisées autour des résultats des clients plutôt que des départements fonctionnels, est devenu un modèle que des dizaines d’entreprises ont tenté de copier, avec des résultats mitigés. Ceux qui ont échoué ont pour la plupart copié l’organigramme sans copier le modèle d’autorité sous-jacent. Les escouades ont besoin d’un réel pouvoir de décision pour fonctionner. Sans cela, ce ne sont que des comités avec une meilleure image de marque.

Le schéma dans chaque cas de réussite est le même : l’autorité se rapproche du travail. Il ne s’agit pas de « nous responsabilisons nos équipes » au sens d’un jeu de stratégie. Littéralement : la personne qui identifie un problème est celle autorisée à le résoudre, sans avoir à passer par quatre niveaux de gestion.

Le leadership doit réellement abandonner quelque chose

C’est la partie qui ne figure pas dans le discours d’ouverture.

Pour développer l’innovation, les dirigeants doivent abandonner le contrôle d’une manière qui semble véritablement risquée, car c’est le cas. Déléguer la véritable prise de décision signifie que certaines décisions seront mauvaises. La décentralisation des budgets signifie qu’une partie de l’argent sera dépensée pour des choses qui échouent. Aller vite signifie que les choses vont s’arrêter dans la production. Pas comme des coûts hypothétiques. Comme coûts garantis d’exploitation différente de celle d’un concurrent plus lent.

La plupart des dirigeants d’entreprise le comprennent intellectuellement. Très peu sont structurellement prêts à l’accepter. Les évaluations de performances récompensent la stabilité. Les conversations au sein du conseil d’administration récompensent la prévisibilité. Les structures de rémunération sont liées à des mesures que l’innovation perturbe à court terme.

Il ne s’agit pas d’un défaut de caractère chez un dirigeant individuel. C’est un système produisant exactement le comportement que les incitations appellent. Pour changer cela, il faut modifier les incitations, ce qui oblige le conseil d'administration à se soucier des résultats de l'innovation à long terme de la même manière qu'il se soucie des chiffres trimestriels. Il s’agit d’une conversation politique lente et, franchement, la plupart des entreprises ne l’accepteront pas tant qu’un concurrent ne les y obligera pas.

Alors, où cela nous mène-t-il

Les entreprises qui intensifient véritablement l’innovation à l’heure actuelle, sans mener de projets pilotes, sans publier de communiqués de presse et en déployant des éléments à grande échelle, partagent un ensemble de caractéristiques reconnaissables. Ils ont délibérément repensé leurs modèles opérationnels, et ne se sont pas contentés de les corriger. Ils financent la mise à l’échelle en tant que ligne budgétaire distincte du projet pilote. Ils mesurent l’innovation au bon moment, même lorsque la finance la déteste. Et ils ont réalisé au moins un travail partiel pour aligner les incitations au leadership sur des résultats qui mettent plus d’un quart à se matérialiser.

Rien de tout cela n’est théoriquement compliqué. Tout cela nécessite de faire des choses inconfortables au sein d’organisations conçues pour résister à l’inconfort.

Les goulots d'étranglement sont identifiables. Les correctifs sont connus. La question a toujours été de savoir s’il existe une volonté organisationnelle suffisante pour les mettre en œuvre et si les dirigeants sont véritablement prêts à troquer un certain contrôle et une certaine prévisibilité contre de la rapidité. La plupart ne le sont pas. Ceux qui le sont ont tendance à s’éloigner de la concurrence d’une manière qui devient très difficile à clôturer.