L’expert en innovation de la livraison décrypte les conditions nécessaires à une intégration réussie de l’IA
Michael Housman est le fondateur d'AI-ccelerator et l'auteur de Future Proof : Transformez votre entreprise avec l'IA (ou restez à la traîne). En résumé, son rôle est de remettre en question les méthodes traditionnelles de gestion de projet et de moderniser la livraison des projets au sein des organisations. Il y parvient en formant les chefs de projet, en repensant les processus et en intégrant l’IA dans les flux de travail.
Michael Housman
Fondateur et PDG d’Aiccelerator
L’itération rapide surpasse la planification rigide à l’ère de l’IA: Michael soutient que la gestion de projet traditionnelle échoue dans des environnements en évolution rapide. Une livraison alimentée par l’IA nécessite de courtes habitudes répétitives — des analyses hebdomadaires, des revues mensuelles et des micro-expérimentations quotidiennes — au lieu de longues feuilles de route. Les équipes performantes instaurent un rythme d’expérimentation, d’ajustement et d’apprentissage continu.
Le changement de culture est plus important que les outils: L’adoption de l’IA échoue lorsque les organisations la considèrent comme un simple « ajout ». Michael insiste sur la conception centrée sur l’humain, les habitudes et les rituels : formations entre pairs, succès partagés, bibliothèques d'instructions et petites expérimentations de processus. La vraie transformation résulte d’un changement de comportement, pas du déploiement d’un nouveau logiciel.
L’IA devient un collaborateur, pas seulement un outil: L’avenir de la livraison repose sur le partenariat humain-IA. L’IA prend en charge la recherche, la synthèse, l’analyse, la rédaction et les processus répétitifs, tandis que les humains se concentrent sur la stratégie, le jugement, la créativité et l’alignement. Les chefs de projet s’éloignent des tâches administratives pour aller vers l’orchestration et le leadership stratégique — l’IA réduisant la distance entre la donnée et l’insight.
Nous avons rencontré Michael pour comprendre ce qu'il faut pour réussir la modernisation des systèmes de livraison avec l'IA. Il nous a expliqué que tout repose sur la mise en place d’une itération rapide — ce qui est plus facile à dire qu’à faire.
Aider les équipes à faire de l’IA un partenaire fiable
Je dirige AI-ccelerator, où mon équipe et moi aidons les organisations à moderniser leurs systèmes de livraison en intégrant directement l’IA dans leurs flux de travail.
Unlock for Free
Create a free account to finish this piece and join a community of forward-thinking leaders unlocking tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
Mon parcours couvre la science des données, l’économie comportementale et la mise en œuvre à grande échelle de l’IA, mais aujourd’hui la majeure partie de mon travail consiste à aider les entreprises à repenser la façon dont le travail s’effectue dans un monde où l’intelligence elle-même devient évolutive. Plutôt que de traiter l’IA comme un simple outil additionnel, j’aide les équipes à repenser les processus afin que les humains puissent se concentrer sur la créativité, le jugement et la stratégie — tandis que les machines prennent en charge les tâches analytiques de projet répétitives et chronophages .
Concrètement, cela signifie que je consacre beaucoup de temps à guider les équipes à travers la planification de l’IA, la mise en place de cadres d’expérimentation, la stratégie d’adoption et le développement massif des capacités. Que j’aide une équipe marketing à lancer des campagnes plus rapidement ou que je forme les analystes à prendre de meilleures décisions plus vite, mon rôle dans la livraison de projet est de faire de l’IA un membre d’équipe fiable plutôt qu’une inconnue intimidante.
Pourquoi l’adoption de l’IA échoue sans changement culturel et conception centrée sur l’humain
L’IA a fait évoluer mon rôle de « constructeur de solutions » à « architecte de capacités ». Je consacre moins de temps à l’analyse manuelle, à la recherche ou à la création de contenu car l’IA peut désormais gérer l’essentiel du travail lourd, rapidement et à grande échelle. Je me concentre alors sur la conception des systèmes, la mise en place de dispositifs de contrôle et l’aide aux équipes pour instaurer les habitudes nécessaires afin d’intégrer l’IA de façon à réellement transformer les résultats.
Le domaine qui s’est le plus développé est l’orchestration : choisir où l’IA s’intègre, veiller à ce que l’humain reste présent là où c’est essentiel, et ajuster en continu les flux de travail. L’IA réduit le délai entre l’obtention d’un insight et la prise de décision, donc mon rôle consiste de plus en plus à séquencer, aligner et aider les équipes à « surfer la vague » plutôt qu’à s’y noyer.
Et finalement, la technologie est la partie facile ; ce sont les personnes qui sont complexes. Ainsi, une large partie de mon attention porte sur l’accompagnement des dirigeants, le développement de l’adoption, et la refonte des rituels pour permettre aux équipes de travailler différemment.
Comment créer les conditions pour une itération rapide
Dans un environnement exponentiel, le leadership en matière de livraison consiste moins à contrôler le plan qu’à créer les conditions où l’itération rapide n’est pas seulement possible, mais attendue. Et instaurer ces conditions exige la mise en place d’un rythme opératoire répétable.
Avec les clients, nous commençons par cartographier un seul flux de travail de bout en bout et par réaliser ce que j’appelle un « recensement IA » : où les gens effectuent-ils aujourd’hui un travail manuel d’aide à la décision où l’IA pourrait réellement intervenir ? Ensuite, nous définissons une ou deux expérimentations à faible risque et fort impact (par exemple, accélérer la synthèse d’études, la génération de campagnes ou l’analyse), et nous leur attribuons des responsables clairs, une métrique de réussite simple et une boucle de retour courte. Nous ajoutons ensuite des rituels légers : points hebdomadaires de veille technologique pour voir ce qui a changé, bilans mensuels pour décider des expérimentations à approfondir, et « rame quotidienne ». Autrement dit, des usages concrets et réels de l’IA au sein du travail en direct pour qu’elle devienne un automatisme plutôt qu’un projet annexe.
Voici un exemple concret : j’ai accompagné une équipe d’analystes sceptiques au sein d’un grand groupe des sciences de la vie, chargés de décisions stratégiques sur les marchés et les pipelines. Plutôt que d’imposer « utilisez l’IA », nous avons commencé par cartographier la production d’un livrable spécifique, puis utilisé Gemini pour automatiser seulement les aspects les plus pénibles — lecture des données de marché, synthèse du renseignement concurrentiel, tests de résistance de scénarios.
Nous les avons formés à l’aide d’un modèle « voir-faire-enseigner » : d’abord des démonstrations live sur leurs propres flux de travail, ensuite une mise en pratique sur des cas à faible risque, puis l’animation de sessions d’apprentissage auprès de leurs pairs. Puis nous avons institutionnalisé de petits rituels valorisant la progression — présentations hebdomadaires, bibliothèques de prompts, victoires partagées.
En quatre mois, l’usage quotidien de l’IA parmi les analystes formés est passé de 16 % à 83 %, et l’adoption à l’échelle du département de 31 % à 100 %. La technologie comptait évidemment, mais le véritable facteur décisif fut ce rythme d’expérimentations ciblées et de rituels récurrents, associé à l’apprentissage entre pairs, qui a rendu l’itération rapide naturelle, sécurisée et attendue.
Dans un environnement exponentiel, le leadership dans la livraison devient moins une question de contrôle du plan et davantage la création de conditions où l’itération rapide n’est pas seulement possible, mais attendue.
Comment passer à une livraison légère portée par l’IA
La gestion de projet traditionnelle repose sur une planification lourde en amont et des structures rigides, qui s'effondrent dans des environnements dynamiques.
Je soutiens que l’IA nécessite un passage de feuilles de route sur cinq ans à des habitudes courtes et répétables : analyses prospectives hebdomadaires, revues de positionnement mensuelles et micro-expérimentations quotidiennes. L’IA évolue trop vite pour la méthode Waterfall. Au lieu du schéma « planifier > construire > lancer », la livraison moderne ressemble plutôt à « explorer > tester > s’adapter ».
Les systèmes légers misent sur l’alignement en temps réel via des synthèses générées par l’IA à l’aide de logiciels de prise de notes, des instantanés d’avancement et une documentation automatisée. Les équipes passent moins de temps à mettre à jour des livrables et plus de temps à itérer sur les résultats. Nous privilégions des prototypes fonctionnels à des plans théoriques et utilisons l’IA pour raccourcir drastiquement les cycles afin d’apprendre plus vite que la concurrence. Le résultat est un rythme de livraison qui ressemble à du surf : mouvement constant, ajustement perpétuel et opportunité permanente.
Lorsque nous avons délaissé la gestion de projet traditionnelle au profit de systèmes plus légers et dopés à l’IA, nous avons pris soin d’intégrer progressivement ces outils aux workflows existants plutôt que de tout remplacer d’un coup. ChatGPT est devenu le pivot multitâches : rédaction de cahiers des charges, génération de briefs, clarification des besoins et production d’aperçus projet. Gemini s’est chargé des tâches de recherche approfondies : veille concurrentielle et synthèse technique.
Pour les équipes créatives, Flux Replicate a permis la génération d’images rapide, RunwayML a géré les transformations image-vidéo, et Suno/ElevenLabs ont fourni en un instant des ressources audio. Côté automatisation, Atlas et Lindy ont servi à prototyper des workflows agents, nous aidant à automatiser des étapes comme la collecte de références, la réécriture de supports pour différents acteurs ou la génération de listes de tâches à partir de documents projet. Enfin, des outils comme Claude et Manus ont permis d'accélérer le développement et le prototypage de code.
La transition a suivi la méthode simple et répétable que j’ai détaillée plus haut :
- Cartographier un workflow de bout en bout.
- Identifier quelles étapes peuvent être déléguées à quels outils.
- Fournir aux équipes une bibliothèque de prompts de démarrage.
- Organiser une session pratique en conditions réelles, où chaque membre réalise tout le workflow avec la nouvelle chaîne d’outils.
- Institutionnaliser de petits rituels qui valorisent les progrès.
Comment naviguer dans la complexité organisationnelle et déployer l’IA à grande échelle
Voici un autre exemple. J’ai collaboré avec une entreprise de compléments alimentaires pour animaux en forte croissance, dont l’équipe marketing peinait à suivre la cadence. Elle lançait près de 500 campagnes par mois, et chaque support nécessitait des designers, des rédacteurs et des itérations manuelles. Quand l’IA générative s’est démocratisée fin 2022, nous avons introduit des outils comme Midjourney et formé l’équipe pour les intégrer directement dans leur pipeline de campagnes.
Avec seulement quelques ajustements de processus et un peu de pratique, leur temps de production est passé de 45 minutes à 5 minutes par publicité : une amélioration de près de 900 %! Cela a débridé la mise à l’échelle : 2 300 campagnes mensuelles, des taux de conversion en hausse et, au final, une croissance annuelle du chiffre d’affaires de 50 %.
Les changements de processus étaient volontairement minimes mais à fort effet de levier. Exactement comme décrit plus haut.
Nous avons commencé par isoler un workflow unique — la production de publicités sur les réseaux sociaux — en le découpant par étapes : conception, rédaction, création visuelle, mise en forme des supports, QA et mise en ligne. Plutôt que de repenser toute la chaîne, nous n’avons remplacé que deux étapes : la conception initiale et la création visuelle de premier jet. Nous avons mis en place des prompts Midjourney adaptés à chaque gamme de produits, conçu des prompts de rédaction sur mesure dans ChatGPT, et élaboré un arbre de décisions pour que les créateurs sachent quand utiliser l’IA, et quand affiner manuellement.
L’équipe s’est ensuite entraînée dans un cadre contrôlé : une publicité, un support, un prompt à la fois. Après avoir constaté la réduction du temps — de 45 minutes à environ 5 — l’adoption s’est faite tout naturellement. Les résultats concrets génèrent la confiance beaucoup plus vite que toute formation théorique.
Comment l’IA change le point de départ de chaque rituel de livraison
L’IA change le point de départ de chaque rituel.
Par exemple, la question du périmètre ne se résume plus à « que pouvons-nous réellement accomplir avec nos heures disponibles ? » mais devient plutôt : « que devient-il possible lorsque notre capacité s'accroît ? » Lors de la définition du périmètre, nous co-créons désormais avec l’IA : nous générons plusieurs versions, remettons en question les hypothèses et explorons des voies alternatives avant de nous engager. Cela élargit l’espace de solutions et réduit les angles morts dès le départ.
L’alignement évolue également, car l’IA fournit une source unique de vérité. Elle crée des briefs, des résumés, des analyses de risques et des options partagés, éliminant les écarts d'interprétation qui ralentissent souvent la collaboration.
La validation devient continue plutôt qu’épisodique : l’IA teste les hypothèses, vérifie les livrables et signale en temps réel les incohérences.
L’exécution ne consiste plus tant à gérer des tâches qu’à orchestrer des flux de travail hybride homme–machine, en veillant à ce que le bon travail soit assigné au bon « membre de l’équipe », qu’il soit humain ou IA.
Pourquoi le partenariat humain–IA est la formule gagnante
Globalement, les tâches répétitives, manuelles, analytiques et à fort volume sont les plus faciles à automatiser. Les activités telles que la synthèse de recherche, la collecte de besoins, l’analyse concurrentielle, les premiers brouillons, la validation technique, l’assurance qualité et le raffinement du backlog sont idéales pour l’IA car elles reposent sur la reconnaissance de motifs et s’adaptent bien à l’automatisation.
L’IA pour les travailleurs de la connaissance, c’est ce que fut la machine à vapeur pour le travail manuel : un multiplicateur de force qui prend en charge les tâches lourdes afin que l’humain puisse se concentrer sur ce que lui seul est capable de faire.
Les activités qui nécessitent encore une intervention humaine incluent la gestion de l’ambiguïté, l’alignement interfonctionnel, la résolution de conflits, la narration, l’intelligence émotionnelle et les arbitrages stratégiques : des domaines où le contexte, le jugement et les compétences relationnelles comptent plus que le calcul. Les machines peuvent proposer des options, mais c’est à l’humain de choisir quelle montagne gravir.
La formule gagnante est le partenariat : laissez l’IA prendre en charge les tâches de précision, et laissez les humains guider par la créativité, la stratégie et la connexion.
L’IA pour les travailleurs de la connaissance, c’est ce que fut la machine à vapeur pour le travail manuel : un multiplicateur de force qui prend en charge les tâches lourdes afin que l’humain puisse se concentrer sur ce que lui seul est capable de faire.
Comment les agents IA réduisent la charge cognitive
Les processus basés sur des agents deviennent rapidement fondamentaux. Nous nous concentrons sur trois axes :
- Réduire la charge cognitive
- Automatiser les flux de travail répétitifs de bout en bout
- Créer des systèmes « en boucle fermée » où les agents peuvent raisonner, agir et vérifier les résultats
Les premières expérimentations intègrent des agents qui génèrent des variantes de campagnes, examinent des ensembles de données, affinent les requêtes, construisent des tableaux de bord ou gèrent des processus de recherche complexes sans supervision manuelle entre les étapes.
Quand on combine des personnes talentueuses avec les bons systèmes d’IA, la production s’accroît de façon exponentielle. Dans certains cas, ce qui prenait des jours prend désormais des heures — voire des minutes. La clé réside dans une orchestration réfléchie : s’assurer que les agents disposent de contraintes, de critères d’évaluation et de voies d’escalade, afin que l’humain garde la maîtrise du jugement et de la stratégie. En d’autres termes, les agents doivent opérer dans un « cadre » clairement défini, et les humains doivent toujours être ceux qui prennent les décisions interprétatives ou stratégiques.
Par exemple, avec une analyste en pharmacie, nous avons identifié précisément les domaines où les agents IA pouvaient intervenir de manière fiable, et ces zones sont devenues les limites de l’agent : il pouvait collecter, organiser et rédiger, mais pas interpréter, recommander ni prioriser. Ces décisions de niveau supérieur restaient strictement du ressort des analystes.
Nous avons également établi des critères d’évaluation avant que l’IA n’entame la moindre tâche. Par exemple, chaque résumé généré par l’IA devait représenter fidèlement ses documents sources, chaque scénario devait citer les hypothèses sous-jacentes et chaque tableau comparatif devait correspondre aux formats préférés des analystes. Lorsque l’IA rencontrait des données ambiguës, des signaux contradictoires ou des lacunes importantes — ce qui arrivait fréquemment lors des premières itérations — elle transmettait automatiquement le problème à un évaluateur humain qui pouvait clarifier la direction et apporter de la nuance.
L’orchestration fonctionnait parce que l’IA avait des limites, les productions avaient des critères, et les analystes possédaient des déclencheurs d’escalade pour maintenir le contrôle du travail. Quand cet équilibre est atteint, les gains de productivité paraissent presque injustes.
Comment l’IA réduit la distance entre données et insights
Mais la capacité la plus sous-estimée de l’IA n’est pas un outil ou un agent en particulier, c’est la prise de décision assistée par l’IA.
Quand chaque membre de l’équipe dispose dans sa poche d’un assistant de recherche intelligent, d’un stratège et d’un analyste, les réunions raccourcissent, les décisions deviennent plus nettes et l’exécution s’accélère de manière spectaculaire. Les équipes ne passent plus des heures à rassembler des informations mais quelques minutes à choisir parmi les options générées par l’IA.
Pour la plupart de mes prises de décision, je m’appuie sur une rotation des principaux modèles d’avant-garde — ChatGPT, Gemini, Claude et Grok — car chacun possède ses propres points forts, et la qualité d’une réponse dépend souvent d’un bon appariement entre la question et le modèle. En pratique, je “teste” constamment chacun d’eux lorsque j’évalue des compromis, mets à l’épreuve des hypothèses ou explore des options stratégiques. Cette triangulation entre modèles me donne de l’assurance : si plusieurs systèmes convergent vers un même raisonnement, j’y vois un indice plus solide.
Cela dit, ChatGPT reste généralement mon premier choix. La raison est simple : la fonction mémoire le rend particulièrement performant pour les décisions nécessitant une certaine continuité. Il se souvient du contexte de mon entreprise, des types de clients que je sers, de mon ton, de mes préférences et des schémas présents dans mon travail. Cette continuité s’amplifie au fil du temps — aussi, lorsque je réfléchis à mon positionnement, à ma stratégie, à mon message ou à tout autre sujet qui bénéficie d’un contexte de long terme, ChatGPT devient ma “base principale”.
Les autres modèles se comportent comme des conseillers spécialisés ; ChatGPT agit comme celui qui me connaît le mieux.
Comment les couches d’orchestration et les GPT personnalisés unifient les outils d’IA
Ma pile principale s’articule désormais autour de :
- Modèles multimodaux comme ChatGPT, Gemini et Claude
- Outils agentiques pour l’automatisation des workflows
- Copilotes spécialisés par domaine pour le design, le codage, l’analytique et la documentation
En définitive, la plus grande évolution ne réside pas dans les outils en eux-mêmes, mais dans la couche d’orchestration — l’utilisation de cadres d’automatisation et de GPT personnalisés pour tout connecter. Avant, ma pile était constituée d’outils séparés pour la recherche, la rédaction, la production de schémas et la gestion de projets. Aujourd’hui, nombre de ces workflows convergent dans une seule couche d’IA posée au-dessus des outils existants.
En somme, il s’agit d’un ensemble de systèmes d’IA interopérables avec lesquels les équipes interagissent afin de fluidifier leurs workflows. Concrètement, cela prend la forme de modèles généralistes (ChatGPT, Claude, Gemini) agissant comme moteurs cognitifs pour des tâches de recherche, de synthèse, de rédaction ou d’analyse, tout en tirant parti de copilotes spécialisés ou de plug-ins intégrés dans les outils existants comme Notion, Google Workspace, Figma ou Jira. Plutôt que de passer d’une douzaine d’applications fragmentées, les équipes s’appuient de plus en plus sur un nombre réduit d’interfaces IA principales reliées au reste de leur pile technique.
La valeur réside dans la réduction des coûts cognitifs liés au changement de tâche.
La pile technologique d’IA qui accélère l’itération et la livraison
Au cours de l’année écoulée, j’ai misé sur des outils permettant une itération rapide (générateurs visuels, interprètes de code), l’orchestration (Zapier, Make) et la gouvernance (bibliothèques de prompts, journaux d’audit). Parallèlement, j’ai remplacé bon nombre d’anciens outils, car les systèmes 100 % IA sont désormais plus flexibles, plus rapides et plus faciles à adapter.
L’objectif est d’éliminer les étapes rébarbatives qui consommaient des heures à l’échelle de l’équipe : dispatcher les ressources, résumer les discussions, générer des comptes rendus d’avancement, transformer des notes de réunion en tâches ou reconditionner des livrables pour différents interlocuteurs. Tout cela peut maintenant s’exécuter de manière autonome. Le temps cumulé gagné est gigantesque, non pas parce qu’une de ces tâches était lourde, mais parce que le travail de livraison est composé de milliers de micro-tâches.
Ma pile évolue tous les mois, mais le principe reste le même : utiliser l’IA pour supprimer des étapes, réduire la friction et démultiplier la production. J’utilise littéralement des dizaines d’outils à tout moment, mais voici ceux que j’utilise le plus actuellement :
- ChatGPT : modèle linguistique polyvalent
- Google Gemini : recherche approfondie
- Lindy : conception de workflows agentiques
- Manus : prototypage assisté par IA
- Claude : outil de développement de code
- Atlas : navigateur agentique
- NotebookLM : synthèses audio
- Flux Replicate : génération d’images
- Suno : transformation de texte en musique
- ElevenLabs : voix-off
- RunwayML : passage d’image à vidéo
- AKool : avatar IA/gemmeau numérique
Pourquoi l’IA va transformer la gestion de projet en un pilotage stratégique
Bientôt, l’IA deviendra un collaborateur à part entière dans la livraison, et non plus un simple outil. Nous aurons des systèmes capables de gérer des projets de bout en bout en toute autonomie : génération de cahiers des charges, séquencement des tâches, gestion des dépendances, identification des risques, voire animation des stand-ups et rétrospectives. Les responsables de livraison quitteront l’orchestration de tâches pour se concentrer sur la stratégie, la culture et l’alignement transversal. Le versant “administratif” de la gestion de projet sera automatisé à 80-90 %.
Plus important encore, nous verrons des concurrents natifs de l’IA dans chaque secteur. Des équipes avec presque aucun frais généraux, une capacité de création infinie et des systèmes de livraison fonctionnant à des vitesses que les organisations traditionnelles ne peuvent pas égaler.
L’écart entre les adopteurs et les retardataires s’élargit de façon exponentielle, et non linéaire. Les responsables de livraison qui mettent en place maintenant des systèmes d’exploitation améliorés par l’IA posséderont l’avenir. Ceux qui attendent se retrouveront à essayer de rivaliser avec des organisations capables de livrer en quelques jours ce qui prenait auparavant des trimestres entiers.
Nous verrons des concurrents natifs de l’IA dans chaque secteur. Des équipes avec presque aucun frais généraux, une capacité de création infinie et des systèmes de livraison fonctionnant à des vitesses que les organisations traditionnelles ne peuvent pas égaler.
Pourquoi attendre la clarté freine l’adoption de l’IA
Voici donc mon conseil : N’attendez pas une clarté parfaite.
La plus grande erreur commise par les responsables de livraison est d’essayer de prédire la vague parfaite. Vous n’avez pas besoin d’un plan sur cinq ans ; vous avez besoin d’une posture d’expérimentation continue. Commencez petit, avancez vite, testez souvent et adoptez des habitudes qui maintiennent l’apprentissage. Le changement exponentiel récompense l’action et sanctionne l’hésitation. Les équipes qui gagnent sont celles qui pagaient tôt et souvent.
Et investissez dans l’humain avant les plateformes. L’adoption de l’IA s’effondre si votre équipe se sent menacée, mal informée ou dépassée. Créez une culture de curiosité, organisez des formations pratiques, célébrez les premiers succès et rendez l’adoption visible. Lorsque l’IA devient source de joie plutôt qu’intimidante, elle devient pérenne.
En fin de compte, cette ère n’appartient pas aux équipes dotées des meilleurs outils, mais à celles qui apprennent à s’associer avec eux.
Suivre l’actualité
Vous pouvez suivre le travail de modernisation des systèmes de livraison de Michael sur son site personnel, LinkedIn, et YouTube. Découvrez aussi AI-ccelerator !
D’autres interviews d’experts arrivent sur The Digital Project Manager !
