Le Framework DeGNZ

Note de recherche DeGNZ Labs Auteur : Yassir Haouati Version : 1.1 Date : juillet 2026 Statut : Note publique

L’intelligence artificielle devient largement accessible au sein des organisations, mais l’accessibilité ne signifie pas pour autant que celles-ci sont prêtes sur le plan opérationnel. Les données récentes mettent en évidence un écart croissant entre l’adoption des outils d’IA et la capacité des entreprises à les intégrer en profondeur dans leurs processus, à encadrer leurs actions, à les connecter à des connaissances organisationnelles fiables et à convertir leur usage en valeur mesurable pour l’entreprise. Selon l’AI Index 2026 de Stanford, 88 % des organisations interrogées utilisaient l’IA dans au moins une fonction métier en 2025, tandis que le déploiement d’agents restait inférieur à 10 % dans la quasi-totalité des fonctions. McKinsey rapporte également que 88 % des répondants déclarent que leur organisation utilise régulièrement l’IA, mais qu’environ un tiers seulement a commencé à déployer ses programmes d’IA à l’échelle de l’entreprise. BCG constate que l’intégration des agents dans les processus a plus que doublé entre 2025 et 2026, alors que la moitié des répondants indiquent encore que leur entreprise ne dispose pas d’une gouvernance claire pour les équipes réunissant collaborateurs humains et IA.

Nous introduisons l’Ingénierie opérationnelle native de l’IA, un cadre destiné à analyser, concevoir, construire, gouverner et améliorer l’infrastructure opérationnelle qui permet aux équipes humaines et aux systèmes d’IA de travailler ensemble. La version révisée du cadre structure cette infrastructure autour de quatre domaines interdépendants : l’Infrastructure de cerveau IA, l’Infrastructure d’orchestration des agents IA, l’Infrastructure de gouvernance de l’IA et l’Infrastructure de formation IA. L’Infrastructure de cerveau IA réunit le contexte organisationnel, la mémoire, l’accès gouverné aux données et la connaissance des processus au sein d’un socle cognitif et procédural partagé, à partir duquel les systèmes d’IA comprennent l’entreprise et son fonctionnement.

Nous définissons le cadre, présentons ses fondements empiriques et techniques, décrivons son architecture et ses principes de conception, proposons un modèle de maturité organisationnelle et exposons une méthodologie de mise en œuvre et de mesure. Le document explique également pourquoi DeGNZ Labs commence par l’Infrastructure de cerveau IA, matérialisée à travers son premier produit, Cervo. La thèse centrale est que la prochaine étape de l’IA en entreprise ne dépendra pas uniquement des capacités des modèles. Elle dépendra de la capacité des organisations à bâtir l’infrastructure nécessaire pour rendre l’intelligence machine ancrée dans la réalité, persistante, coordonnée, encadrée, mesurable et responsable.

Mots-clés : opérations natives de l’IA, ingénierie opérationnelle, agents IA, infrastructure de cerveau IA, contexte organisationnel, mémoire organisationnelle, connaissance des processus, orchestration des agents, gouvernance de l’IA, collaboration humain–IA, IA d’entreprise

1. Résumé exécutif
2. Périmètre et méthode de recherche
3. Le problème stratégique : l’adoption progresse plus vite que la préparation opérationnelle
4. L’échec d’une transformation de l’IA centrée sur les outils
5. Définition de l’Ingénierie opérationnelle native de l’IA
6. Le modèle opérationnel humain–IA
7. Conclusion
8. Annexe : Glossaire
9. Références

L’adoption de l’IA a franchi un seuil important. La question stratégique qui se pose désormais aux organisations n’est plus de savoir si leurs collaborateurs utiliseront l’IA. Elle est de savoir si l’organisation peut rendre cet usage fiable, cumulatif, gouverné et relié à des résultats opérationnels concrets.

Cinq constats fondent ce cadre.

Premièrement, l’IA est devenue courante au sein des organisations. L’AI Index 2026 de Stanford indique que 88 % des organisations interrogées utilisaient l’IA dans au moins une fonction métier en 2025, contre 78 % en 2024 et 55 % en 2023. Le même rapport précise que l’IA générative était utilisée dans au moins une fonction métier par 70 % des organisations, tandis que le déploiement d’agents restait inférieur à 10 % dans la quasi-totalité des fonctions (Stanford HAI, 2026).

Deuxièmement, cette adoption ne s’est pas traduite par une profondeur opérationnelle équivalente. McKinsey rapporte que 88 % des répondants déclarent que leur organisation utilise régulièrement l’IA dans au moins une fonction, mais qu’environ un tiers seulement indique avoir commencé à déployer les programmes d’IA à l’échelle de l’entreprise. Vingt-trois pour cent signalent le déploiement à l’échelle d’un système d’IA agentique dans une partie de l’organisation, tandis que 39 % expérimentent avec des agents (McKinsey, 2025).

Troisièmement, la création de valeur demeure inégale. BCG a constaté que seules 26 % des entreprises avaient développé les capacités nécessaires pour dépasser le stade des preuves de concept et commencer à tirer une valeur tangible de l’IA, alors même que 98 % déclaraient mener au moins certaines expérimentations (BCG, 2024).

Quatrièmement, l’adoption des agents progresse plus vite que la refonte des modèles opérationnels. L’étude *AI at Work 2026* de BCG indique que la part des répondants dont l’organisation avait intégré des agents IA dans ses processus est passée de 13 % en 2025 à 30 % en 2026. Cinquante pour cent supplémentaires déclarent que leur environnement de travail avait mené des expérimentations ou des pilotes, tandis que la moitié indiquent que leur organisation ne dispose pas d’une gouvernance claire pour gérer les équipes combinant humains et IA (BCG, 2026).

Cinquièmement, les risques deviennent opérationnels à mesure que l’IA obtient davantage d’accès et de capacité d’action. Le rapport 2025 d’IBM sur le coût des violations de données révèle que 13 % des organisations interrogées ont signalé un incident impliquant un modèle ou une application d’IA ayant conduit à une violation ; 97 % d’entre elles ne disposaient pas de contrôles d’accès adaptés à l’IA. Parmi les incidents impliquant des systèmes d’IA autorisés, 31 % ont provoqué une interruption opérationnelle et 31 % ont entraîné un accès non autorisé à des données sensibles (IBM, 2025).

Ces constats étayent l’argument central du cadre :

L’adoption de l’IA n’est plus le principal facteur limitant. La préparation opérationnelle l’est.

L’Ingénierie opérationnelle native de l’IA est proposée comme réponse à ce facteur limitant. Il ne s’agit ni d’une nouvelle méthodologie de développement de modèles, ni d’une technique de rédaction de prompts, ni d’une pratique générique d’automatisation. Il s’agit d’une discipline d’ingénierie centrée sur la couche opérationnelle de l’organisation qui entoure l’IA.

Le cadre comprend quatre domaines d’infrastructure :

1. Infrastructure de cerveau IA — le socle cognitif et procédural partagé qui combine le contexte organisationnel, la mémoire, l’accès gouverné aux connaissances et aux données, ainsi que les représentations de la manière dont le travail est réalisé.
2. Infrastructure d’orchestration des agents IA — la couche d’exécution et de coordination couvrant les rôles, le routage, les outils, les transferts, les dépendances, les exceptions et l’activité multi-agents.
3. Infrastructure de gouvernance de l’IA — la couche de contrôle couvrant les politiques, l’identité, les permissions, les validations, l’audit, le risque, la sécurité, la responsabilité et les limites économiques.
4. Infrastructure de formation IA — la couche d’apprentissage et d’amélioration continue couvrant les collaborateurs, les agents, les instructions, les évaluations, les processus et les pratiques opérationnelles.

L’architecture ne doit pas être comprise comme quatre produits isolés ni comme une progression linéaire rigide. Les domaines sont interdépendants et, pour partie, transversaux. Le cerveau IA fournit le sens, l’historique, les éléments probants et la connaissance procédurale ; l’orchestration coordonne l’action ; la gouvernance encadre l’ensemble du système ; et la formation transforme le retour d’expérience opérationnel en amélioration des performances humaines et machines.

DeGNZ Labs commence par le socle cognitif avec Cervo, un produit d’Infrastructure de cerveau IA conçu pour créer un cerveau d’entreprise structuré et gouverné, capable de servir les LLM, les copilotes et les agents déjà utilisés par les collaborateurs.

Notre thèse pose la question suivante :

Quelle infrastructure opérationnelle une organisation doit-elle construire pour permettre aux équipes humaines et aux systèmes d’IA de travailler ensemble de manière fiable, sûre et productive dans des opérations métier réelles ?

La question est volontairement plus large que la seule performance des modèles. Un modèle peut obtenir de bons résultats sur un benchmark tout en échouant dans une organisation parce qu’il ne dispose pas du contexte à jour, récupère une politique erronée, reçoit des permissions excessives, ne parvient pas à identifier le responsable, ne dispose d’aucun mécanisme d’escalade ou ne peut pas se coordonner avec les systèmes et les personnes nécessaires à l’exécution du travail.

Le cadre s’adresse aux organisations qui utilisent ou se préparent à utiliser :

• des LLM généralistes ;
• des copilotes d’entreprise ;
• des applications enrichies par la recherche d’information ;
• des agents IA spécialisés par tâche ;
• des systèmes multi-agents ;
• des automatisations de processus intégrant l’IA générative ;
• des assistants IA internes ;
• des logiciels opérationnels augmentés par l’IA.

Le cadre est conçu en priorité pour les environnements de travail intellectuel, mais nombre de ses principes s’appliquent également aux environnements opérationnels et transactionnels dans lesquels l’IA interagit avec les systèmes métier.

Il ne prescrit aucun fournisseur de modèles, aucune plateforme cloud, aucune bibliothèque d’orchestration, aucune architecture de base de données ni aucune interface utilisateur spécifique. Il se situe au niveau de la conception organisationnelle et de l’architecture des systèmes.

Nous synthétisons trois catégories de sources :

1. Les recherches sur l’adoption organisationnelle et le travail, notamment celles de Stanford HAI, McKinsey, BCG, Microsoft et IBM.
2. Les recherches techniques, notamment sur la génération augmentée par récupération, la mémoire des agents, les systèmes combinant raisonnement et action, ainsi que la coordination multi-agents.
3. Les cadres de gouvernance et de sécurité, notamment le NIST AI RMF, la norme ISO/IEC 42001 et les recommandations d’OWASP pour les applications fondées sur les LLM et l’IA générative.

Le cadre lui-même constitue une synthèse conceptuelle originale de DeGNZ Labs.

Les sources empiriques utilisent des échantillons, des définitions, des périodes et des méthodologies d’enquête différents. Leurs pourcentages ne doivent pas être combinés dans un indice synthétique ni interprétés comme des mesures issues d’une même population. Ils sont utilisés comme indicateurs distincts d’une tendance plus large : l’adoption de l’IA progresse, le déploiement à l’échelle de l’entreprise demeure incomplet, l’usage des agents s’accélère et la gouvernance accuse un retard.

Le cadre distingue également :

• les constats descriptifs, étayés par des sources externes ;
• les propositions d’ingénierie, issues de l’analyse des systèmes ;
• les hypothèses stratégiques, qui nécessitent une validation empirique supplémentaire.

La courbe d’adoption n’est plus la principale incertitude. L’AI Index de Stanford indique que l’utilisation de l’IA dans les organisations est passée de 55 % en 2023 à 78 % en 2024, puis à 88 % en 2025 (Stanford HAI, 2026).

### Figure 1. Utilisation organisationnelle de l’IA, 2023–2025

Source : Stanford Institute for Human-Centered Artificial Intelligence, *AI Index Report 2026*. Interprétation : l’accès à l’IA et l’expérimentation organisationnelle deviennent courants. La différenciation dépend de plus en plus de la capacité à intégrer l’IA dans le modèle opérationnel.

L’IA générative s’est diffusée particulièrement rapidement. Stanford indique qu’elle a atteint un taux d’adoption de 53 % en trois ans, soit plus rapidement que l’ordinateur personnel ou Internet dans son analyse comparative de l’adoption. Pourtant, le déploiement d’agents demeurait inférieur à 10 % dans la quasi-totalité des fonctions métier (Stanford HAI, 2026).

Cette dynamique laisse entrevoir une transition entre deux phases :

• Première phase : accès généralisé aux interfaces génératives ;
• Deuxième phase : participation contrôlée des systèmes d’IA aux processus opérationnels.

La deuxième phase exige une ingénierie organisationnelle plus approfondie.

L’enquête mondiale 2025 de McKinsey fait état de :

• 88 % d’utilisation régulière de l’IA dans au moins une fonction métier ;
• environ un tiers des organisations ayant commencé à déployer leurs programmes d’IA à l’échelle de l’entreprise ;
• 23 % déployant à l’échelle une IA agentique dans une partie de l’entreprise ;
• 39 % expérimentant avec des agents IA.

Dans chaque fonction métier prise isolément, pas plus de 10 % des répondants indiquaient que leur organisation déployait des agents à l’échelle (McKinsey, 2025).

### Figure 2. Indicateurs sélectionnés d’utilisation de l’IA et de déploiement agentique

Source : McKinsey & Company, *The State of AI: Global Survey 2025*. Note : le « déploiement des programmes d’IA » est indiqué comme concernant environ un tiers des organisations. Les catégories correspondent à des indicateurs sélectionnés et ne sont pas mutuellement exclusives. Interprétation : l’usage, l’expérimentation, le déploiement à l’échelle de l’entreprise et le déploiement agentique constituent des étapes distinctes. Les seuls indicateurs d’adoption ne démontrent pas une maturité opérationnelle.

Les recherches de BCG montrent que 98 % des entreprises expérimentaient au moins avec l’IA, mais que seules 26 % avaient développé les capacités nécessaires pour dépasser le stade des preuves de concept et commencer à en extraire de la valeur (BCG, 2024).

### Figure 3. Écart entre capacités IA et création de valeur

Source : Boston Consulting Group, *Where’s the Value in AI?*, 2024. Interprétation : la contrainte ne tient pas uniquement à l’accès aux modèles ou à la volonté d’expérimenter. Elle réside dans la capacité à construire les compétences organisationnelles, les processus, les fondations de données, les talents et les mécanismes de gouvernance indispensables au passage à l’échelle.

Les recherches de McKinsey sur les processus en 2025 fournissent un signal complémentaire : parmi les caractéristiques organisationnelles étudiées, la refonte des processus produisait l’effet le plus important sur la probabilité que les répondants déclarent un impact de l’IA générative sur l’EBIT. Seuls 21 % des répondants dont l’organisation utilisait l’IA générative indiquaient qu’au moins certains processus avaient été fondamentalement repensés (McKinsey, 2025).

Ce constat appuie une lecture opérationnelle de l’écart de valeur :

La valeur de l’IA reste limitée lorsque les entreprises ajoutent des modèles aux modes de travail existants sans repenser les systèmes à travers lesquels le travail est compris, attribué, exécuté, contrôlé et amélioré.

L’étude *AI at Work 2026* de BCG montre que les agents entrent dans les processus plus rapidement que les organisations ne redéfinissent les mécanismes de supervision et de responsabilité :

• 84 % des répondants avaient entendu parler des agents IA ;
• 30 % indiquaient que leur organisation avait intégré des agents dans ses processus, contre 13 % en 2025 ;
• 50 % déclaraient que leur environnement de travail avait mené des expérimentations ou des pilotes ;
• la moitié indiquait que leur entreprise ne disposait pas d’une gouvernance claire pour les équipes humain–IA.

(BCG, 2026)

### Figure 4. Adoption des agents et préparation de la gouvernance

Source : Boston Consulting Group, *AI at Work: Why Strategy Matters More Than Tools*, 2026. Note : indicateurs d’enquête sélectionnés ; les catégories ne sont pas mutuellement exclusives. Interprétation : à mesure que l’IA passe de l’assistance à l’exécution, les organisations ont besoin de systèmes explicites de supervision, de responsabilité, d’accès, d’escalade et de redevabilité.

IBM indique que 13 % des organisations interrogées dans son étude 2025 sur les violations de données ont subi un incident impliquant un modèle ou une application d’IA ayant conduit à une violation. Parmi ces organisations, 97 % ne disposaient pas de contrôles d’accès adaptés à l’IA. Les conséquences signalées pour les incidents impliquant une IA autorisée comprenaient :

• une interruption opérationnelle : 31 % ;
• un accès non autorisé à des données sensibles : 31 % ;
• une perte d’intégrité des données : 29 % ;
• une perte financière : 23 % ;
• une atteinte à la réputation : 17 %.

(IBM, 2025)

Le même rapport constate que 41 % des organisations ne disposaient d’aucune politique de gouvernance de l’IA et que 22 % supplémentaires étaient encore en train d’en élaborer une.

La conclusion pertinente n’est pas qu’il faut empêcher l’IA d’entrer dans les opérations. Elle est que l’IA opérationnelle doit être conçue avec la gouvernance comme propriété intégrée du système, et non comme un document de politique ajouté après le déploiement.

De nombreuses organisations abordent la transformation par l’IA comme une séquence d’acquisition :

1. sélectionner un LLM ou un copilote ;
2. donner accès aux collaborateurs ;
3. identifier des cas d’usage ;
4. automatiser des tâches ;
5. mesurer l’utilisation.

Cette séquence peut générer des gains de productivité locaux, mais elle ne produit pas nécessairement un modèle opérationnel cohérent et natif de l’IA. Elle laisse l’organisation sous-jacente inchangée :

• les connaissances restent dispersées entre documents et applications ;
• les collaborateurs utilisent des définitions et des instructions incohérentes ;
• les processus demeurent informels ;
• les décisions ne sont pas systématiquement capitalisées ;
• les droits d’accès sont hérités de systèmes fragmentés ;
• les agents ne peuvent pas identifier les sources faisant autorité ;
• les responsabilités respectives des humains et de l’IA demeurent ambiguës ;
• l’évaluation porte sur l’activité plutôt que sur les résultats métier.

Les recherches 2026 de BCG soutiennent explicitement que les organisations doivent « mesurer la valeur, pas l’adoption » et repenser le travail de bout en bout, plutôt que d’investir uniquement dans davantage d’outils (BCG, 2026).

Un système d’IA n’interagit pas avec une entreprise abstraite. Il découvre l’entreprise à travers :

• les documents ;
• les schémas de données ;
• les API ;
• les permissions ;
• les prompts ;
• les états des processus ;
• les définitions de tâches ;
• les descriptions de rôles ;
• les messages ;
• les instructions des utilisateurs ;
• les systèmes de recherche et de récupération ;
• les sorties des outils.

Lorsque ces représentations sont contradictoires, obsolètes, incomplètes ou dépourvues de gouvernance, le système d’IA hérite de ces déficiences.

Il en découle un principe général :

L’IA ne contourne pas la fragmentation opérationnelle. Elle la traite et peut l’amplifier.

Une organisation fragmentée peut donc produire une IA fragmentée, même lorsqu’elle utilise un modèle performant.

### 4.3.1 Défaillance du contexte

Le système d’IA reçoit un contexte organisationnel insuffisant, incohérent, obsolète ou non pertinent.

Les effets typiques incluent :

• des réponses contraires à la stratégie actuelle de l’entreprise ;
• un ton ou une terminologie incohérents entre les équipes ;
• des recommandations fondées sur des politiques obsolètes ;
• des livrables qui ignorent les contraintes propres aux départements ;
• la nécessité pour les collaborateurs de répéter manuellement les mêmes explications.

### 4.3.2 Défaillance de la mémoire

Le système ne peut pas préserver, retrouver ou réutiliser de manière fiable les informations historiques pertinentes.

Les effets typiques incluent :

• la répétition du travail ;
• la perte de décisions antérieures ;
• l’absence d’apprentissage à partir des corrections ;
• la consommation répétée du même contexte ;
• des ruptures de continuité entre les sessions et les agents.

Les recherches sur la génération augmentée par récupération montrent l’intérêt de combiner les paramètres des modèles avec des référentiels explicites de connaissances non paramétriques, notamment pour améliorer la précision factuelle sur les tâches à forte intensité de connaissances (Lewis et al., 2020). Les travaux sur les agents génératifs présentent également une architecture qui stocke les expériences, les récupère dynamiquement et synthétise des réflexions de plus haut niveau pour soutenir la planification (Park et al., 2023).

### 4.3.3 Défaillance des processus

Le système d’IA est déployé comme une interface isolée, plutôt que comme un acteur intégré à un processus défini.

Les effets typiques incluent :

• des résultats utiles qui ne sont jamais mis en œuvre ;
• une responsabilité incertaine après l’intervention de l’IA ;
• l’absence de parcours de validation ou d’escalade ;
• l’impossibilité de déterminer si le travail est réellement achevé ;
• l’automatisation d’une tâche tandis que le processus de bout en bout reste inchangé.

### 4.3.4 Défaillance des données

Le système d’IA ne peut pas accéder aux données appropriées avec un niveau suffisant de qualité, d’actualité, de traçabilité et de permissions.

Les effets typiques incluent :

• un raisonnement fondé sur des dossiers incomplets ;
• l’incapacité à distinguer les données actuelles des données historiques ;
• une exposition non autorisée ;
• des réponses incohérentes d’un outil à l’autre ;
• des intégrations fragiles.

Les travaux de McKinsey en 2026 sur le passage à l’échelle de l’IA agentique soutiennent qu’un déploiement fiable dépend de fondations de données solides, d’architectures modernisées, de la qualité et de la gouvernance des données, ainsi que de modèles opérationnels capables de soutenir l’autonomie et la prise de décision en temps réel (McKinsey, 2026).

### 4.3.5 Défaillance de l’orchestration

Les agents, les collaborateurs et les applications ne peuvent pas coordonner les rôles, les séquences, les dépendances ou les transferts.

Les effets typiques incluent :

• des agents qui dupliquent le même travail ;
• des tâches transférées sans contexte suffisant ;
• des actions contradictoires ;
• des exceptions non résolues ;
• l’absence d’un état partagé entre les participants ;
• une escalade trop tardive ou adressée au mauvais responsable.

Les recherches multi-agents, telles qu’AutoGen, montrent que les comportements des agents et leurs schémas d’interaction doivent être explicitement composés et programmés, plutôt que supposés émerger de manière fiable (Wu et al., 2023).

### 4.3.6 Défaillance de la gouvernance

Le système d’IA ne dispose pas de contrôles suffisants sur l’accès, l’action, le risque, la revue et la responsabilité.

Les effets typiques incluent :

• des privilèges excessifs ;
• l’accès à des données non autorisées ;
• des actions non auditées ;
• une responsabilité peu claire quant aux résultats ;
• une utilisation non sécurisée des outils ;
• l’impossibilité de reproduire les décisions.

OWASP identifie l’injection de prompt et l’autonomie excessive parmi les principaux risques des applications fondées sur les LLM. L’autonomie excessive apparaît lorsqu’un système reposant sur un LLM reçoit des fonctionnalités, des permissions ou un degré d’autonomie supérieurs à ce qui est nécessaire à son fonctionnement prévu (OWASP, 2025).

### 4.3.7 Défaillance de l’apprentissage

L’organisation ne peut pas améliorer systématiquement les collaborateurs, les agents, les instructions, les processus et les contrôles à partir des retours opérationnels.

Les effets typiques incluent :

• la répétition des mêmes erreurs ;
• des corrections qui restent confinées à quelques individus ;
• l’absence de gestion des versions des instructions ;
• l’absence de lien entre l’évaluation et la refonte ;
• une adoption sans développement des capacités.

Dans ce cadre, la « formation » couvre l’accompagnement des humains, l’instruction des agents, la conception des évaluations, la collecte des retours et l’amélioration opérationnelle continue. Elle ne désigne pas uniquement le préentraînement ou l’ajustement fin des modèles de fondation.

L’Ingénierie opérationnelle native de l’IA est la discipline qui consiste à analyser, concevoir, construire, gouverner et améliorer en continu l’infrastructure opérationnelle à travers laquelle les équipes humaines et les systèmes d’IA participent au travail de l’organisation.

Cette discipline intègre :

• la conception organisationnelle ;
• l’architecture des systèmes ;
• l’ingénierie des processus ;
• la gestion des connaissances ;
• l’ingénierie des données ;
• la gestion des identités et des accès ;
• l’interaction humain–machine ;
• l’évaluation des systèmes d’IA ;
• la gestion des risques ;
• la conduite du changement.

Le résultat recherché n’est pas l’automatisation maximale. Il est une participation opérationnelle fiable.

Un système d’IA est intégré aux opérations lorsqu’il peut :

1. comprendre le contexte organisationnel pertinent ;
2. retrouver les connaissances et l’historique appropriés ;
3. intervenir dans un processus défini ;
4. accéder uniquement aux données et aux outils nécessaires ;
5. se coordonner avec les humains et les autres systèmes ;
6. agir à l’intérieur de limites explicites ;
7. rendre visibles les éléments probants, l’état et l’incertitude ;
8. faire remonter les exceptions de manière appropriée ;
9. être évalué à partir de résultats opérationnels ;
10. s’améliorer grâce à des boucles de retour contrôlées.

Le cadre propose un espace opérationnel centralisé, ou plan de contrôle, destiné aux humains et aux systèmes d’IA.

Le terme « centralisé » ne doit pas être compris comme l’obligation de créer une base de données monolithique unique. Une architecture mature peut demeurer techniquement fédérée. Les données peuvent rester dans les systèmes sources, les départements peuvent conserver un contrôle local et plusieurs fournisseurs de modèles peuvent être utilisés.

La centralisation désigne ici une cohérence logique :

• une cartographie faisant autorité du contexte organisationnel ;
• un modèle unifié de politiques et de permissions ;
• un référentiel commun d’identités et de rôles ;
• un registre des processus et des agents ;
• une couche d’exécution observable ;
• une méthode commune d’évaluation et d’audit ;
• un mécanisme contrôlé de distribution du contexte et des instructions.

L’objectif est de créer de la cohérence sans imposer la consolidation physique de tous les systèmes.

L’Ingénierie opérationnelle native de l’IA complète les cadres de gouvernance établis.

Le cadre de gestion des risques liés à l’IA du NIST structure les activités autour de quatre fonctions : Gouverner, Cartographier, Mesurer et Gérer, la gouvernance s’appliquant à l’ensemble du cycle de vie de l’IA (NIST, 2023).

La norme ISO/IEC 42001 définit les exigences relatives à l’établissement, à la mise en œuvre, au maintien et à l’amélioration continue d’un système de management de l’intelligence artificielle au sein d’une organisation (ISO, 2023).

L’Ingénierie opérationnelle native de l’IA ne remplace pas ces normes. Elle prolonge la réflexion vers l’architecture opérationnelle concrète nécessaire pour rendre exécutable le travail humain–IA. Le NIST et l’ISO contribuent à définir la manière dont les organisations doivent gérer les risques et les responsabilités liés à l’IA. Le présent cadre se concentre sur ce que les organisations doivent intégrer par conception dans le contexte, la mémoire, les processus, les données, l’orchestration, la gouvernance et la formation.

Une erreur fréquente consiste à confier une tâche à l’IA simplement parce que cela est techniquement possible. La répartition du travail doit plutôt tenir compte de :

• la gravité des conséquences en cas d’erreur ;
• la réversibilité ;
• le niveau d’ambiguïté ;
• le besoin d’empathie ou de négociation ;
• l’exposition réglementaire ;
• la sensibilité des données ;
• la variabilité du processus ;
• les exigences en matière de preuves ;
• les contraintes de temps ;
• la valeur économique.

### Mode 1 : Pilotage humain, assistance par l’IA

L’humain reste responsable du processus et utilise l’IA pour l’analyse, la rédaction, la recherche d’information ou la recommandation.

Ce mode convient lorsque :

• le jugement est central ;
• les erreurs ont des conséquences importantes ;
• le travail est fortement ambigu ;
• la responsabilité doit rester clairement visible.

### Mode 2 : Pilotage par l’IA, validation humaine

L’IA prépare ou exécute la majorité des étapes, mais un humain autorise toute action ayant des conséquences significatives.

Ce mode convient lorsque :

• la logique du processus est claire ;
• le résultat peut être contrôlé ;
• l’action est réversible ou soumise à validation.

### Mode 3 : Exécution par l’IA, supervision humaine

L’IA réalise un travail opérationnel délimité sous surveillance, avec une intervention humaine en cas d’exception.

Ce mode convient lorsque :

• le volume est élevé ;
• la variabilité reste maîtrisable ;
• les permissions sont limitées ;
• les exceptions peuvent être identifiées.

### Mode 4 : Exécution par l’IA dans le cadre d’une politique définie

L’IA accomplit automatiquement des tâches bien définies et à faible risque, à l’intérieur de contrôles explicites.

Ce mode convient lorsque :

• les règles sont stables ;
• la qualité des données est élevée ;
• les actions sont réversibles ;
• l’audit est complet ;
• la tolérance au risque est définie.

L’objectif n’est pas de faire évoluer tous les processus vers le Mode 4. Il est d’attribuer à chaque résultat le niveau approprié d’intervention humaine.

Chaque rôle confié à l’IA doit disposer d’un contrat opérationnel précisant :

• sa finalité ;
• son responsable ;
• les utilisateurs autorisés ;
• les données accessibles ;
• les outils autorisés ;
• les actions interdites ;
• le contexte requis ;
• le périmètre de mémoire ;
• les limites du processus ;
• les exigences de validation ;
• les déclencheurs d’escalade ;
• les limites de coût et de temps ;
• les seuils de qualité ;
• les exigences d’audit ;
• les conditions de mise hors service.

L’IA est entrée dans l’organisation, mais l’organisation n’a pas encore été entièrement repensée pour l’IA.

Les données montrent une adoption généralisée, un passage à l’échelle incomplet, une création de valeur inégale, un déploiement accéléré des agents et une gouvernance en retard. Il ne s’agit pas de problèmes distincts. Ce sont les symptômes d’une même couche manquante : une infrastructure opérationnelle conçue pour la participation conjointe des humains et des machines.

L’Ingénierie opérationnelle native de l’IA définit cette couche.

Elle ne considère pas l’entreprise native de l’IA comme une entreprise disposant d’un grand nombre d’abonnements à des outils d’IA, mais comme une organisation capable de fournir :

• un cerveau IA qui combine contexte, mémoire, éléments probants gouvernés et connaissance procédurale ;
• une orchestration qui coordonne les agents, les humains, les outils et les processus en cours d’exécution ;
• une gouvernance applicable à la cognition comme à l’action ;
• une formation, une évaluation et un apprentissage opérationnel continus.

Le cadre part de la réalité des opérateurs. Le travail circule entre les personnes, les outils, les informations, les décisions, les exceptions et les contraintes. L’IA ne crée de la valeur que lorsqu’elle est intégrée par conception à cette réalité.

Le principe stratégique est donc simple :

Plus l’IA devient performante, plus l’infrastructure opérationnelle qui l’entoure devient essentielle.

DeGNZ Labs existe pour construire cette infrastructure depuis le Maroc, au service des marchés mondiaux.

DeGNZ Labs commence par Cervo parce que le cerveau d’entreprise constitue la première fondation manquante, abordée à travers un point d’entrée ciblé donnant la priorité au contexte. La vision à long terme est plus large : construire l’infrastructure logicielle d’un avenir dans lequel les équipes humaines et les systèmes d’IA pourront opérer ensemble avec davantage d’intelligence, de fiabilité et de responsabilité.

Agent IA Système logiciel fondé sur un modèle d’IA, capable de poursuivre un objectif en plusieurs étapes, d’utiliser des outils, d’interagir avec un environnement et d’accomplir des actions dans un périmètre défini.

Entreprise native de l’IA Organisation dont le modèle opérationnel est délibérément conçu autour d’une participation coordonnée des humains et de l’IA, et non organisation qui se limite à donner accès à des outils d’IA.

Opérations natives de l’IA Opérations métier auxquelles les systèmes d’IA participent à travers un cerveau organisationnel administré, une orchestration contrôlée, une gouvernance applicable et une évaluation continue.

Infrastructure de cerveau IA Couche d’intelligence organisationnelle partagée qui réunit le contexte, la mémoire, l’accès gouverné aux connaissances et aux données, ainsi que la connaissance des processus ou des procédures, afin de les mettre à disposition des systèmes d’IA autorisés.

Contexte Ensemble des informations, règles, instructions, relations, priorités et contraintes nécessaires pour interpréter correctement une tâche.

Infrastructure de contexte Sous-système de contexte et d’ontologie au sein de l’Infrastructure de cerveau IA, utilisé pour créer, gouverner, versionner, retrouver et distribuer le sens organisationnel et les instructions aux systèmes d’IA autorisés.

Plan de contrôle Couche logique qui administre les politiques, les identités, les rôles, les définitions de processus, les agents, les permissions et l’observabilité à travers des systèmes distribués.

Humain dans la boucle Principe de conception dans lequel des humains contrôlent, valident, corrigent ou interrompent un travail assisté par l’IA.

Infrastructure de mémoire Sous-système de l’Infrastructure de cerveau IA chargé de préserver et de retrouver l’historique, les décisions, les interactions, les résultats, les états et les retours pertinents sur le plan opérationnel.

Orchestration Coordination, au moment de l’exécution, des agents, des humains, des outils, des tâches, de l’état des processus, des dépendances, des nouvelles tentatives, des exceptions et des transferts.

Ingénierie opérationnelle Conception et construction de systèmes qui rendent le travail organisationnel mesurable, reproductible, connecté et améliorable.

Traçabilité de l’origine Éléments probants décrivant l’origine d’une donnée, d’un contexte ou d’un résultat, ainsi que les transformations qui lui ont été appliquées.

IA fantôme Utilisation d’outils ou de systèmes d’IA sans approbation, visibilité ni gouvernance de l’organisation.

Processus Séquence structurée d’états, de tâches, de décisions, de responsabilités, d’outils et de conditions visant à produire un résultat.

Boston Consulting Group. (2024). *Where’s the Value in AI?*

Boston Consulting Group. (2026). *AI at Work: Why Strategy Matters More Than Tools*

IBM. (2025). *Cost of a Data Breach Report 2025*

Organisation internationale de normalisation. (2023). *ISO/IEC 42001:2023 — Systèmes de management de l’intelligence artificielle*

Lewis, P., Perez, E., Piktus, A., et al. (2020). *Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks*. *Advances in Neural Information Processing Systems*.

McKinsey & Company. (2025). *The State of AI: Global Survey 2025*

McKinsey & Company. (2025). *The State of AI: How Organizations Are Rewiring to Capture Value*

McKinsey & Company. (2026). *Building the Foundations for Agentic AI at Scale*

Microsoft. (2025). *2025 Work Trend Index: The Year the Frontier Firm Is Born*

Microsoft. (2026). *2026 Work Trend Index: Agents, Human Agency, and the Opportunity for Every Organization*

National Institute of Standards and Technology. (2023). *Artificial Intelligence Risk Management Framework (AI RMF 1.0)*

Open Worldwide Application Security Project. (2025). *OWASP Top 10 for LLM and Generative AI Applications 2025*

Park, J. S., O’Brien, J. C., Cai, C. J., Morris, M. R., Liang, P., & Bernstein, M. S. (2023). *Generative Agents: Interactive Simulacra of Human Behavior*. *Proceedings of the 36th Annual ACM Symposium on User Interface Software and Technology*.

Stanford Institute for Human-Centered Artificial Intelligence. (2026). *AI Index Report 2026*

Wu, Q., Bansal, G., Zhang, J., et al. (2023). *AutoGen: Enabling Next-Generation LLM Applications via Multi-Agent Conversation*

Yao, S., Zhao, J., Yu, D., et al. (2022). *ReAct: Synergizing Reasoning and Acting in Language Models*

Haouati, Y. (2026). *Ingénierie opérationnelle native de l’IA*. DeGNZ Labs.