Compétences côté serveur, réussite côté équipe : le chaînon manquant de l’IA

Nous connaissons tous cette personne.

L’IA a rendu une personne de votre équipe plus rapide. Elle était censée rendre toute l’équipe plus performante. Cet écart explique pourquoi 95 % des projets pilotes d’IA en entreprise ne sont jamais rentables, et c’est précisément ce que nous avons cherché à corriger.

Le Cachotier. Chaque équipe en a un. La personne qui « maîtrise » l’IA : elle livre deux fois plus vite, donne l’impression que c’est facile et n’apprend rien à personne. Elle ne partagera pas l’invite, celle-ci est précieuse. Elle ne l’écrit pas. Elle aime secrètement jouer les magiciens. Cela ressemble à une victoire. Ce n’en est pas une. Un superpouvoir personnel n’est qu’un point de défaillance qui présente bien. Le gain repose sur une seule personne : si elle prend une semaine de congé, toute l’équipe perd en vitesse. Si elle démissionne, tout s’en va avec elle. Ce n’est pas de l’adoption. C’est un ticket de loterie.

Le Canon à slop. Nous connaissons également cette personne-là, et si nous sommes honnêtes, nous l’avons tous été le soir venu vers 17 h, sous la pression d’une échéance. Elle confond « prolifique » avec « qualité ». Il génère du markdown, du HTML à moitié construit, des documents de 12 pages que personne n’a demandés, et laisse à tous les autres le soin de vérifier les faits de ces absurdités. L’IA ne l’a pas rendue meilleure. Elle a seulement accéléré ses erreurs. Volume n’est pas synonyme de valeur. Un canon à slop n’a rien d’un artisan.

Voici ce que ces deux profils révèlent : ce n’est pas un problème d’IA. C’est un problème de standards. L’un garde les standards pour lui, l’autre n’en a tout simplement aucun. L’IA n’a créé ni l’un ni l’autre, elle a simplement amplifié les biais de ces deux personnes. Appliquez l’IA à une équipe qui partage des standards clairs, et vous obtenez un service qui réinvente sa façon de travailler. Appliquez-la à une équipe qui n’en a pas, et vous accélérez le génie en même temps que le chaos. L’IA est un amplificateur. Elle amplifie vos standards, ou vous révèle que vous n’en avez aucun.

Et c’est précisément pour cette raison que les résultats sont aussi déséquilibrés. L’étude NANDA réalisée par le MIT s’est penchée sur des déploiements réels en entreprise en 2025 et a constaté qu’environ 95 % des projets pilotes d’IA générative n’avaient aucun impact mesurable sur le résultat net. Environ 5 % seulement ont réellement créé de la valeur. Le problème ne venait pas des modèles eux-mêmes, ils sont exceptionnels. Il venait du fait que les gains restaient individuels. Des astuces individuelles, et non le fruit d’une collaboration. Une entreprise ne se transforme pas parce qu’une seule personne devient plus rapide. Elle se transforme lorsque toute l’équipe travaille selon les mêmes standards et progresse ensemble.

Smartsheet est la première plateforme de travail à concrétiser ce standard, et à l’appliquer automatiquement. Ce n’est pas quelque chose que vous découvrez dans une invite. Ce n’est pas quelque chose que chacun doit comprendre seul. La méthode de travail de votre équipe, ses règles, ses définitions et ses attentes, est diffusée depuis notre plateforme à chaque personne et à chaque agent, puis affinée semaine après semaine. Vous la définissez une fois. Vous en faites le standard par défaut. Et toute l’équipe – toute l’entreprise – peut l’appliquer.

Le niveau de qualité n’a jamais été une question d’IA

Voici un point important à retenir : un standard partagé n’est pas une fonctionnalité d’IA. Les équipes devraient définir des exigences de qualité pour tout leur travail, mais la plupart ne les ont tout simplement jamais mises en œuvre. Les bonnes pratiques finissent toujours par être reléguées aux oubliettes : un wiki jamais ouvert, un document d’intégration jamais terminé, une procédure opérationnelle standard rangée au fond d’un tiroir. Tout le monde rédige le manuel. Personne ne l’applique.

Nous nous sommes donc posé une question différente de celle de tous ceux qui se précipitent pour commercialiser des outils d’IA. Ils cherchaient tous à optimiser le travail du dactylographe : comment rendre telle personne plus rapide ? Nous nous sommes posé la question suivante : comment faire pour que la meilleure façon de travailler dans une équipe devienne le standard par défaut de toute l’équipe, appliqué automatiquement, utilisé de manière cohérente et amélioré dans le temps ?

La réponse ne réside pas dans un nouveau modèle, mais dans les compétences. Ce terme n’est pas le nôtre ni l’une de nos inventions : il s’agit d’une idée vers laquelle tout le secteur de l’IA converge, et dont le format est désormais un standard ouvert. Une compétence est un savoir-faire conditionné qu’un agent assimile instantanément lorsqu’il en a besoin : elle attribue au modèle son rôle, interprète ce que vous voulez dire, sélectionne l’outil approprié pour la tâche, formate la réponse selon le style de l’équipe et applique ses règles et ses définitions de ce qu’« en retard » ou « terminé » signifient. L’expert en qui vous avez confiance est présent dans chaque tâche.

Nous avons simplement mis ces compétences à profit de notre côté. L’expertise réside dans notre infrastructure, et non dans les paramètres de chaque utilisateur, elle est ainsi diffusée automatiquement à chaque agent connecté, reste cohérente et s’améliore pour tous en même temps.

Voici la fonction d’une compétence : elle attribue au modèle son rôle, interprète l’intention, reformule la demande, sélectionne le bon outil, applique le style de l’équipe et encode les règles ; le tout instantanément, évitant ainsi à l’IA de gaspiller des ressources pour tout redécouvrir.

Donnez le cap une seule fois, tenez-le de manière centralisée, et chaque personne et chaque agent travaillera pour l’atteindre. La méthode ingénieuse du « cachotier » devient le point d’ancrage de l’équipe, et lui survit même après son départ. Le « Canon à slop » se retrouve contraint par un standard en dessous duquel il ne peut pas descendre. Les bonnes pratiques sont enfin mises en œuvre au lieu de rester lettre morte dans un document.

Mais parler d’un « standard partagé » est réducteur, car deux éléments transforment ce standard en quelque chose de véritablement personnel ; et les deux sont indispensables.

Le premier réside dans l’expertise, ajustée à votre réalité : votre secteur, puis votre entreprise, puis votre équipe, puis vous-même. La notion de « risque » n’est pas la même dans une entreprise de construction que dans un hôpital. La définition de « terminé » d’un PMO n’est pas la même que celle d’une équipe sur le terrain. Il ne s’agit pas de bonnes pratiques génériques, mais des vôtres spécifiquement.

Le second réside dans votre contexte, et il recouvre en réalité deux dimensions. D’un côté, la cartographie vivante de votre travail, vos relations : qu’est-ce qui dépend de quoi, qui est responsable de quoi, quels partenaires interviennent sur quels projets, ce qui est en retard et ce qui bloque. D’un autre, la mémoire des agents : ce que l’IA a conservé à propos du fonctionnement réel de votre équipe, afin qu’elle ne reparte pas de zéro à chaque fois. L’expertise indique à l’IA comment bien effectuer le travail, vos relations et votre mémoire lui indiquent votre situation. En les combinant, il ne s’agit plus de bonnes pratiques abstraites, mais de la bonne décision, pour ce projet précis, avec ces interdépendances, au sein de votre équipe. Cette combinaison est précisément ce qui ne peut pas être copié : n’importe qui peut greffer un modèle à une application, mais l’expertise, la cartographie de votre travail en temps réel et la mémoire du fonctionnement d’une équipe n’existent que là où votre travail est déjà présent.

De plus, le système est en constante évolution. Lorsque votre équipe valide le travail d’un agent, en le corrigeant ou en le renvoyant, ces décisions deviennent des apprentissages dont la compétence IA tire des enseignements. Le jugement de l’équipe affine progressivement l’IA de votre entreprise, semaine après semaine, dans votre sens. Les modèles qui se sont avérés efficaces dans des milliers d’entreprises, sans jamais utiliser de données confidentielles, mais en identifiant les pratiques qui fonctionnent, profitent à tous. Votre méthode de travail, fruit de vos efforts, cesse d’être un document oublié et devient un système qui s’améliore à chaque utilisation. Vos données restent toujours dans votre environnement ; seuls les enseignements sont diffusés.

Voilà la véritable révélation. Non pas une IA qui possède des connaissances, mais une IA qui maîtrise vos modes opératoires et qui s’améliore chaque semaine. Expertise, relations, mémoire et jugement de votre équipe : tout est évalué selon un standard que vous avez défini.

(Pourquoi le « côté serveur » est important : lorsque les compétences circulent sur des plateformes ouvertes, la chaîne d’approvisionnement se dégrade. Des chercheurs ont constaté qu’environ un quart des 40 000 compétences publiées présentaient une faille de sécurité. Gérées de manière centralisée et nous appartenant, elles ne nécessitent aucune installation, dérive ou contamination. Le standard dans un seul et même lieu sécurisé.)

Un outil rend une personne plus rapide. Une équipe a besoin d’un environnement.

C’est le point faible de la plupart des stratégies d’IA. Votre compte IA personnel, l’assistant auquel vous vous connectez, est excellent pour vous rendre plus rapide derrière votre bureau. Mais le travail ne se résume pas à une seule personne derrière son bureau. Il s’agit d’un système de relais : d’humain à humain, d’humain à agent, d’équipe à équipe, d’entreprise à entreprise. Et c’est au niveau du relais que la rapidité s’essouffle. Un génie isolé reste un génie isolé. Même la personne la plus rapide doit transmettre le travail à quelqu’un qui n’en a aucune idée.

Pour qu’une équipe soit plus performante, la rapidité doit se maintenir lors de la transmission des informations. Cela nécessite un environnement de travail collectif, un système d’enregistrement en temps réel, où humains, agents et partenaires externes visualisent simultanément la même situation, et où le standard est défini pour que chacun puisse s’y conformer. Cet environnement est déterministe et régi d’une manière telle qu’une fenêtre de chat classique ne pourra jamais égaler : le modèle est créatif et probabiliste, mais l’enregistrement est précis, la ligne est mise à jour ou non, l’approbation est déclenchée ou non. Vous bénéficiez de la créativité d’un agent et de la responsabilité d’un système qui laisse des traces écrites. Une créativité que vous pouvez auditer. Tel est ce dont les entreprises ont besoin, et ce qu’une simple fenêtre de chat ne peut pas offrir.

Et l’environnement gère déjà l’entreprise

Voici ce qui rend cette solution concrète et non pas utopique : cette couche de coordination existe déjà, à une échelle difficilement imaginable.

Sur notre plateforme, plus de 250 millions de règles d’automatisation s’exécutent discrètement en arrière-plan : des instructions permanentes du type « quand cela se produit, faites cela ». En un seul mois, la plateforme a géré plus de 170 millions de transferts de tâches : du travail passant d’une personne à l’autre, d’une équipe à l’autre, et à travers plus de 300 000 frontières de l’entreprise, tandis que fournisseurs, sous-traitants et agences interagissent au sein des espaces de travail des uns et des autres. Désormais, les agents peuvent agir sur toutes ces données : lire et écrire les mêmes données en temps réel, déclencher les mêmes automatisations, effectuer les mêmes transferts de tâches que leurs collègues humains. Ils ne sont pas arrivés parce que nous leur avons présenté un produit ; ils le sont parce que le travail était déjà là.

Ainsi, lorsqu’un agent arrive, il ne se trouve pas face à une page blanche. Il intègre un réseau de travail dynamique : déjà connecté, déjà orchestré, déjà présent dans plusieurs entreprises. Il ne construit pas le réseau. Le réseau gère déjà l’entreprise.

Pourquoi nous nous devions être les premiers

Dans le domaine de l’IA, chacun s’est lancé dans une course contre la montre pour rendre les individus plus rapides. De notre côté, nous avons construit l’autre moitié, le lieu où le standard d’une équipe prend vie, pour chaque personne et chaque agent, dans un registre qui coordonne déjà le travail. Nous sommes ravis d’être la première plateforme de travail à y parvenir et, à en juger par les données publiques, c’est bien le cas : une enquête du secteur menée fin 2025 a révélé que presque aucun serveur connecté à l’IA ne propose ce type d’expertise, et qu’aucune solution de gestion du travail ne le faisait à cette échelle.

Nous ne sommes pas les premiers pour planter le drapeau. Mais parce que notre expertise ne cesse de s’amplifier : chaque standard que nous proposons améliore simultanément chaque équipe connectée, et il fonctionne avec n’importe quelle IA que vous utilisez déjà.

Parce qu’une vérité se cache derrière tout cela. L’entreprise a toujours été un sport d’équipe, mais attention, pas le genre de sport qui se gagne en recrutant la plus grande star. Les entreprises gagnent en agissant plus vite, plus précisément, ensemble et avec moins d’efforts : en transformant leurs connaissances en un système auquel toute l’équipe adhère et en surpassant ainsi une concurrence chaque jour plus féroce. La chaîne de montage, l’organigramme, le processus, tout cela relève de technologies de coordination. L’IA augmente les enjeux, mais elle ne change pas la donne.

Il n’a jamais été question de rendre une seule personne plus rapide. Il s’agissait de rendre toute l’entreprise performante, ensemble. Il n’a jamais été question d’individus. Et ça ne le sera jamais.

Sources

• Projet NANDA du MIT : The GenAI Divide: State of AI in Business 2025 — via Sheryl Estrada, « MIT report: 95 % of generative AI pilots at companies are failing », Fortune, 18 août 2025. https://fortune.com/2025/08/18/mit-report-95-percent-generative-ai-pilots-at-companies-failing-cfo/

• Anthropic, Agent Skills (open standard), décembre 2025. https://agentskills.io — et Effective context engineering for AI agents. https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents

• Microsoft Research, Tool-space interference in the MCP era, novembre 2025. https://www.microsoft.com/en-us/research/blog/tool-space-interference-in-the-mcp-era-designing-for-agent-compatibility-at-scale/

• Yi Liu et al., Agent Skills in the Wild: An Empirical Study of Security Vulnerabilities at Scale, arXiv:2601.10338, 2026. https://arxiv.org/abs/2601.10338

Les chiffres d’activité de la plateforme sont indicatifs, issus de données internes sur les produits (2026).