ChatGPT n'est pas une stratégie de transformation IA : pourquoi les assistants génériques échouent sur le travail de processus

Presque tous les opérateurs qui sont entrés dans une conversation de transformation depuis 2023 ont apporté une version de la même objection : nous payons déjà ChatGPT, Claude ou Microsoft Copilot, l'équipe l'utilise, cela semble assez bien fonctionner, pourquoi achèterions-nous une plateforme de transformation spécialisée en plus. L'objection est légitime. Elle mérite une réponse bienveillante avant une réponse critique.

La version bienveillante de l'argument : les assistants génériques sont véritablement bons. Ils écrivent des premiers jets utilisables. Ils résument des documents longs. Ils extraient de l'information structurée depuis du texte non structuré. Ils traduisent correctement. Ils répondent à des questions rapides sur la politique, la fiscalité, les contrats et le code. Pour une équipe de vingt personnes, un assistant générique est probablement l'achat logiciel au plus fort ROI des cinq dernières années. Personne de sérieux ne soutient le contraire.

L'argument a aussi une deuxième jambe qui mérite reconnaissance : OpenAI, Anthropic et Microsoft dépensent chacun des centaines de millions de dollars par an en amélioration de leurs modèles. Aucun fournisseur spécialisé n'égalera cet investissement sur le modèle central. Si la question est « le modèle généraliste s'améliorera-t-il sur les tâches linguistiques tous les six mois », la réponse est oui, et cette courbe est réelle.

Ces deux points sont corrects. Le problème est qu'aucun des deux ne répond à la question que vous posez réellement quand vous cadrez un programme de transformation.

À l'intérieur d'un programme de transformation, les assistants génériques font plusieurs choses bien. Ce ne sont pas les choses que les gens entendent habituellement quand ils disent « on utilisera juste ChatGPT », mais ce sont de véritables contributions qui méritent d'être nommées honnêtement.

• Rédaction de résumés d'entretiens après avoir parlé avec des opérateurs de première ligne. Un consultant qui enregistre l'entretien et alimente la transcription à un assistant générique économise trente à soixante minutes par entretien.
• Première lecture de la documentation existante. Une pile de procédures, politiques et rapports d'audit peut être triée en « pertinent » et « non pertinent » en une heure d'allers-retours avec un modèle générique.
• Communications aux parties prenantes. Le point hebdomadaire du programme, le briefing d'avant-réunion, le suivi d'après-réunion. Les assistants génériques produisent une prose business correcte dans n'importe quelle langue et n'importe quel ton.
• Recherche interne sur les catégories d'outils IA. Avant de choisir un fournisseur d'automatisation de factures spécifique, vous devez comprendre la catégorie. Les assistants génériques font cette recherche plus vite qu'aucun analyste humain.
• Analyse ad hoc pendant le programme. Une question ponctuelle sur le coût des erreurs si le taux de référence change. Une simulation de trois scénarios d'automatisation différents. Tout ce dont la sortie est lue une fois puis jetée.

Si vous faites le total, un consultant senior qui mène un programme de transformation mid-market utilise probablement un assistant générique trois à six heures par jour. Cet usage n'est pas remplacé par une plateforme spécialisée, et tout fournisseur qui prétend le contraire ment. Les deux sont complémentaires, pas substituts.

L'objection fait surface quand vous essayez d'utiliser un assistant générique comme outil principal du programme lui-même. C'est là qu'apparaissent cinq limites spécifiques, et elles sont structurelles plutôt qu'accidentelles. Un modèle plus récent ne les corrigera pas, parce qu'elles ne concernent pas la qualité du modèle.

État persistant

Un assistant générique traite chaque conversation comme jetable. Vous pouvez recoller du contexte, mais l'assistant ne maintient pas véritablement une mémoire du programme à travers les semaines. Il ne sait pas quels processus ont déjà été analysés, quelles tâches ont été marquées pour élimination, quelles recommandations d'outils ont été rejetées et pourquoi. Sur un programme de seize semaines avec quinze processus, cette mémoire manquante devient le coût dominant de l'utilisation de l'assistant comme outil principal.

Mémoire de processus

Lié mais distinct : une plateforme de transformation modélise le processus lui-même comme un objet de première classe. Tâches, propriétaires, coûts, fréquences, relations prédécesseur et successeur, KPI. Un assistant générique peut raisonner sur tout cela quand vous le lui montrez, mais il ne peut pas posséder les données du processus, les mettre à jour au fil des décisions, ou imposer la cohérence entre plusieurs vues. Chaque conversation repart de zéro.

Sélection d'outils face à un marché actuel

Les assistants génériques sont entraînés sur des données avec une date de coupure typiquement vieille de six à douze mois. Sur le marché de l'outillage IA en particulier, six à douze mois c'est long. Le fournisseur d'automatisation de factures qui était le bon choix en octobre a été racheté en janvier et son produit est en fin de vie. Un assistant générique ne peut pas le savoir. Un compagnon dédié le peut, parce qu'il tire les recommandations d'outils en direct depuis des sources mises à jour chaque semaine.

Imposition et structure

Un assistant générique fait ce que vous lui demandez. Cette flexibilité est une fonctionnalité quand vous brainstormez. C'est un bug quand vous exécutez une méthodologie. Si vous appliquez ESSII à une tâche, l'assistant passera volontiers d'Éliminer directement à Intellectualiser parce que vous lui avez posé la mauvaise question, et rien ne l'arrête. Un outil dédié impose la séquence parce que la séquence est la méthodologie.

Suivi des KPI

La valeur de la transformation vient de l'écart entre la base de référence et l'état futur sur des métriques financières spécifiques. Ces métriques doivent être calculées, stockées, consolidées entre processus et rapportées. Les assistants génériques peuvent faire un calcul ponctuel. Ils ne peuvent pas posséder un tableau de bord persistant qui montre l'état du programme en février et le compare à l'état en août.

Les limites ci-dessus se traduisent en patterns d'échec spécifiques quand les équipes utilisent des assistants génériques comme outil principal de transformation. Aucun n'est hypothétique. Ce sont les patterns que nous voyons quand une équipe qui a essayé l'approche « juste utiliser ChatGPT » nous consulte six mois plus tard.

Mode d'échec 1 : le diagnostic qui change chaque semaine

L'équipe parle à ChatGPT le lundi et obtient un classement des processus par potentiel d'automatisation. Le vendredi, elle lui parle à nouveau avec une formulation légèrement différente et obtient un classement différent. Aucun des deux n'est faux, les deux sont plausibles, et l'équipe passe trois semaines à débattre sur lequel agir. Un outil dédié produit un diagnostic par processus et le garde jusqu'à ce que les données sous-jacentes changent.

Mode d'échec 2 : des recommandations d'outils citant des fournisseurs morts

Un assistant générique recommandera avec assurance un fournisseur qui s'est fait racheter, un produit en fin de vie, ou un palier tarifaire qui n'existe plus. L'équipe passe une semaine à construire un dossier autour d'une recommandation qui était obsolète avant même le début de la conversation. C'est moins fréquent maintenant que les modèles ont une capacité de recherche en direct, mais les résultats de recherche en direct sont génériques et non filtrés : il faut encore un humain pour séparer les vraies options du bruit.

Mode d'échec 3 : l'automatisation qui automatise la mauvaise chose

Sans discipline ESSII, l'équipe saute de « cette tâche est pénible » à « mettons un LLM dessus » en une seule conversation. L'automatisation sort, fonctionne techniquement, et rien ne change opérationnellement parce que la tâche aurait dû être éliminée ou intégrée plutôt qu'intellectualisée. C'est l'échec le plus coûteux parce que l'équipe a « réussi » sur le papier.

Mode d'échec 4 : le dossier d'investissement que personne ne peut reproduire

Un assistant générique produit un calcul de ROI plausible dans une conversation et l'équipe en fait une capture d'écran pour un deck. Trois mois plus tard, le directeur financier demande comment les chiffres ont été dérivés. Personne ne peut reproduire le calcul parce que les entrées n'ont jamais été structurées. Le programme perd la confiance de la direction sur un problème de tenue de dossier, pas de substance.

Mode d'échec 5 : mélange de langues dans les livrables client

Pour les consultants qui servent des clients français, espagnols ou allemands, les assistants génériques ont un problème persistant à produire des livrables dans une seule langue de bout en bout. Des phrases en anglais s'infiltrent dans du texte français. Les termes techniques se traduisent de manière incohérente entre les sections. Les documents destinés au client nécessitent une passe d'édition complète, ce qui consomme les économies de temps que l'assistant était censé fournir.

La question utile n'est pas « assistant générique contre outil dédié ». La question utile est « qu'est-ce que l'outil dédié ajoute au-dessus de l'assistant générique ». Six choses, concrètement.

• Mémoire de processus persistante : une base de données de processus, tâches, KPI et décisions qui survit entre les sessions et les semaines.
• Imposition de la méthodologie : ESSII appliqué dans l'ordre, une tâche à la fois, avec la séquence traitée comme non négociable plutôt qu'optionnelle.
• Recommandations d'outils en direct : des listes de fournisseurs tirées de sources actuelles, avec arbitrage (Recommandé / Alternative / Écarté) plutôt qu'une seule suggestion.
• Dossiers d'investissement traçables : les entrées sont stockées en tant que données structurées, de sorte que le calcul de ROI est reproductible six mois plus tard quand le directeur financier le demande.
• Génération consciente de la locale : livrables produits de bout en bout dans la langue de l'utilisateur sans mélange.
• Un état cible qui se rend : un diagramme BPMN du processus futur, pas seulement une description textuelle, parce que les visualisations changent la qualité des conversations que vous pouvez avoir avec les dirigeants.

Chacun de ces éléments est individuellement constructible avec un assistant générique, un tas de feuilles de calcul et assez de discipline. En pratique, la discipline n'est jamais soutenue sur un programme de seize semaines avec quinze processus. La raison d'être de l'outil spécialisé n'est pas qu'un assistant générique ne peut pas faire le travail. La raison est que l'assistant générique ne fera pas le travail de la même manière à chaque fois, et les programmes de transformation vivent ou meurent sur la cohérence.

Tous les opérateurs n'ont pas besoin d'une plateforme spécialisée. Le test honnête est de savoir si le problème que vous essayez de résoudre a la forme qu'un assistant générique gère bien. Quatre questions séparent les deux cas.

1. S'agit-il d'une analyse ponctuelle ou d'un programme continu ? Les assistants génériques excellent sur les ponctuelles. Les programmes de plus de quatre semaines ont besoin d'état persistant.
2. La sortie est-elle lue une fois ou référencée à plusieurs reprises ? Une sortie jetable est bien sur un assistant générique. Tout ce qui doit être traçable, reproductible ou auditable a besoin de structure.
3. Le périmètre est-il d'un processus ou de plusieurs ? Le travail multi-processus requiert comparaison, consolidation et vues au niveau du portefeuille qu'une interface de chat ne peut produire.
4. Le public est-il interne ou externe ? Les premiers jets internes peuvent tolérer le raté occasionnel d'un assistant générique. Les livrables destinés au client ou au comité de direction ne le peuvent pas.

Si les réponses sont majoritairement « ponctuel / jetable / un processus / interne », continuez à utiliser ChatGPT et n'achetez rien d'autre. Si les réponses sont majoritairement « programme / reproductible / plusieurs processus / externe », l'assistant générique est un outil dans une boîte à outils, pas la boîte à outils elle-même.

L'erreur la plus fréquente est d'utiliser l'assistant générique pour le travail en forme de programme parce que l'assistant générique était déjà payé. Le coût temps des modes d'échec décrits ci-dessus est presque toujours plus élevé que le coût de licence d'un outil spécialisé, surtout pour les consultants dont le temps est le produit.