Nous entrons dans l'ère du Decision AI.

Le mot « intelligence » dans intelligence artificielle recouvre deux choses qu'on continue de confondre, alors qu'elles n'ont presque rien en commun.

Deux sens du mot « intelligence »

La première, c'est produire. Écrire un texte, résumer un document, générer une image, assembler du code. C'est l'intelligence qu'on a vendue depuis trois ans, et elle a tenu ses promesses : elle produit davantage, plus vite, à moindre coût. Mais c'est une intelligence de sortie. Elle ne coûte rien à personne quand elle se trompe, parce qu'un texte raté se réécrit.

La seconde ne se réécrit pas. C'est décider. Regarder une situation, trancher ce qu'il faut faire, dire à qui, et quand. Une décision engage une responsabilité, un budget, une relation. Elle ne peut pas être « à peu près bonne » de la même façon qu'un résumé peut être à peu près fidèle.

survolez les cartes

Ces deux intelligences ont été traitées comme un seul et même progrès. Elles ne le sont pas. La première a occupé tout l'espace médiatique et budgétaire des trois dernières années. La seconde vient seulement de devenir possible, et c'est elle qui va compter davantage.

Ce qui rend ça possible maintenant

Jusqu'ici, un logiciel ne pouvait arbitrer que sur des données structurées : des champs, des statuts, des montants. Tout ce qui se disait en dehors de ces champs — un email, une note prise en réunion, le ton d'un échange — restait illisible pour une machine, donc invisible pour un système de décision. La donnée existait. Elle n'était simplement d'aucune utilité pour arbitrer quoi que ce soit.

Ce qui a changé, ce n'est pas la puissance de calcul. C'est la capacité d'un modèle à lire ce texte non structuré — des milliers d'emails, des échanges CRM, des comptes rendus — et à en tirer un jugement comparable à celui qu'un humain expérimenté formulerait après relecture. C'est cette capacité, plus que n'importe quel gain de rapidité, qui ouvre la possibilité d'une IA qui ne produit plus du texte, mais une décision fondée sur du texte. C'est ce qu'on appelle ici le Decision AI : une IA dont le produit fini est une action recommandée, priorisée, assignée à quelqu'un, sur un enjeu métier réel — et non un contenu de plus à relire.

Ce que la première vague a raté

Les entreprises qui ont adopté l'IA générative depuis 2023 ont, presque sans exception, automatisé de la production : des mails plus vite rédigés, des comptes rendus plus vite produits, du code plus vite écrit. Elles n'ont rien changé à la manière dont elles décident. Elles produisent plus, et arbitrent exactement comme avant.

C'est un angle mort qu'on ne voit qu'en le nommant : produire plus vite donne l'impression de traiter plus de sujets, alors qu'on n'a fait qu'accélérer la sortie sans toucher à l'entrée du problème — quel arbitrage fallait-il rendre, et qui devait le rendre. Une entreprise peut tripler sa production de contenu et rater, au même rythme qu'avant, les décisions qui comptaient vraiment.

Satya Nadella s'approchait de ce constat, sans le nommer ainsi, quand il déclarait sur le podcast BG2, en décembre 2024, que le SaaS était mort¹. Sa thèse distingue deux modèles : le copilot, qui rend un professionnel plus efficace dans son travail, et l'autopilot, qui vend directement le résultat du travail en s'adressant à celui qui l'achète. Le Decision AI n'est ni l'un ni l'autre. Il ne remplace pas le professionnel comme le ferait un autopilot. Il ne se contente pas de l'accélérer comme le fait un copilot. Il prend en charge l'étape qui, dans les deux modèles, reste non résolue : celle où un signal, déjà présent dans la donnée non structurée, ne rencontre jamais la personne qui devrait en tirer une décision.

L'endroit où le problème se loge vraiment

On pourrait croire que ce qui manque, c'est de meilleurs modèles de prédiction : plus de scoring, plus de finesse dans les alertes, plus de puissance de calcul appliquée aux données commerciales. C'est un diagnostic confortable, et il est faux. Le signal, dans l'immense majorité des cas, est déjà présent quelque part : un délai de réponse qui s'allonge, un ton qui change dans un échange, une réunion repoussée deux fois. Ce n'est pas la détection qui échoue. C'est ce qui devrait suivre la détection, et qui n'existe tout simplement pas dans la plupart des organisations.

Le rapport State of Sales 2026 de Salesforce, mené auprès de plus de 4 000 professionnels de la vente, quantifie exactement pourquoi² : un commercial ne consacre en moyenne que 40 % de son temps à vendre réellement. Le reste part dans l'administratif, la saisie de données, les réunions internes, la recherche de contenu. Le signal entre dans le système. Le temps pour le relire, le prioriser et en tirer une décision a disparu depuis longtemps.

Ce sont deux affirmations très différentes, et c'est exactement dans cet écart que se loge le Decision AI.

Ce qu'on observe sur le terrain

Chez un sous-traitant du secteur du BTP que nous appellerons ici Méridienne pour préserver sa confidentialité, une lecture hebdomadaire, automatisée, des échanges commerciaux a fait apparaître un premier signal de dégradation dès la semaine 34 : le ton des échanges avec le donneur d'ordre se formalisait, les délais de réponse s'allongeaient, deux réunions consécutives avaient été repoussées. L'impayé ne s'est matérialisé que huit à dix semaines plus tard.

Ce n'est pas une statistique de marché. C'est une observation ponctuelle sur un compte précis. Mais elle illustre le mécanisme dans son entier : le signal n'a jamais eu besoin d'être inventé ou deviné, il était là depuis le début. Ce qui a fait la différence, c'est qu'un système ait relié ce signal à une personne, au bon moment, avant que le silence ne se transforme en fait accompli.

Une objection légitime

On peut objecter que les CRM font déjà de la notation de comptes à risque depuis des années, et que le Decision AI n'est qu'un habillage récent d'une fonction ancienne. L'objection tient, en partie, mais elle rate ce qui a réellement changé.

Un score de risque niché dans un onglet du CRM ne fonctionne que si quelqu'un a l'attention disponible pour aller le consulter et l'interpréter. C'est précisément cette attention disponible que le chiffre Salesforce montre en déficit structurel. Le Decision AI ne prétend pas calculer un meilleur score à partir des mêmes données structurées. Il lit une matière que les scores classiques ne lisent pas — le texte brut des échanges — et il retourne le sens du flux : au lieu d'attendre que quelqu'un vienne chercher l'information dans un tableau, il la pousse vers la personne concernée, déjà formulée comme une action.

Comment reconnaître un outil qui appartient à cette catégorie

Le test à appliquer à un outil aujourd'hui ne porte pas sur son niveau d'intelligence apparente. Il porte sur ce qui se passe après la détection : quand le système repère un problème, qui en est informé, sous combien de temps, et que doit précisément faire cette personne.

Si la réponse s'arrête à « cela apparaît dans un rapport », l'outil appartient encore à l'ancienne génération, celle qui informe sans décider. Si la réponse nomme une personne, une échéance et une action concrète, il appartient à celle qui s'ouvre — celle qui ne se contente plus de produire de l'information, mais qui produit un choix.

Ce que ça change, concrètement

Rien de tout cela n'a besoin d'attendre une prochaine génération de modèles pour être vrai. Le signal existe déjà, aujourd'hui, dans les emails et les CRM de la plupart des entreprises, sous une forme que les modèles actuels savent désormais lire. Ce qui manque n'est pas de l'intelligence supplémentaire appliquée à la donnée structurée. C'est un mécanisme qui va chercher le signal là où il est réellement — dans le texte, pas dans les champs — et le relie à une décision : quel compte, pourquoi, quoi dire, à qui, quand.

C'est très précisément ce que fait ANCRE : lire chaque semaine les échanges commerciaux d'une entreprise, CRM et emails compris, en lecture seule, projeter les signaux détectés sur l'échelle d'escalade de Glasl³, et restituer chaque alerte comme une action assignée plutôt que comme un score de plus à interpréter. La littérature sur la rétention client documente depuis longtemps qu'acquérir un client coûte 5 à 25 fois plus cher que d'en conserver un⁴, et qu'une hausse de 5 % de la rétention peut augmenter le profit de 25 % à 95 % selon les secteurs⁵. Ces chiffres n'ont jamais manqué de scoring pour être vrais. Ils manquaient d'un mécanisme qui transforme un signal disponible en décision prise à temps. C'est ce mécanisme qui définit, plus que n'importe quel modèle sous-jacent, l'ère qui commence.

ANCRE