« Il faut redessiner les workflows. » La formule revient dans toutes les études sur l’IA en entreprise, sans que personne ne dise ce qu’elle recouvre. Elle sépare pourtant les entreprises qui tirent un vrai résultat de l’IA des autres : d’après l’enquête mondiale de McKinsey publiée fin août 2026, près des trois quarts des organisations les plus performantes ont refondu leurs flux de travail à cause de l’IA, contre un quart seulement des autres [1].
Quatre schémas types et deux cas réels montrent ce que cela veut dire concrètement, et ce que les refontes réussies ont en commun.
Cet article développe le deuxième déplacement décrit dans notre analyse de la conduite du changement à l’heure de l’IA : passer de la formation à l’outil à la transformation du travail.
Sommaire
- Redessiner un workflow : de quoi parle-t-on ?
- Pourquoi ajouter l’IA au processus existant plafonne
- Quatre processus redessinés : banque, assurance, RH, industrie
- Cas réel : les autorisations préalables chez MUSC Health
- Cas réel : France Travail, des outils efficaces à côté du processus
- Ce que ces exemples ont en commun
- Une grille pour redessiner un workflow
- Ce que cela change pour les rôles, et par où commencer
- Conclusion
- FAQ
Redessiner un workflow : de quoi parle-t-on ?
Un workflow, ou flux de travail, est la chaîne réelle par laquelle une demande devient un résultat : un dossier de crédit devient une décision, une déclaration de sinistre devient un remboursement. Le redessiner, c’est modifier cette chaîne elle-même, et pas seulement l’outil qu’utilise une personne à l’une de ses étapes.
Concrètement, cinq éléments peuvent bouger. L’ordre des étapes, d’abord : certaines disparaissent, d’autres se font en parallèle au lieu de s’enchaîner. La répartition du travail ensuite, entre la personne, l’IA et les systèmes existants. Les points de décision, puis : qui valide quoi, à quel moment, sur quelle base. Il y a aussi l’information qui circule entre les étapes, préparée ou à aller chercher. Et enfin ce que l’on mesure : le temps gagné sur une tâche, ou le délai et la qualité de bout en bout.
Jesuthasan, du cabinet américain de conseil RH Mercer, résume la démarche en trois mouvements dans la MIT Sloan Management Review : déconstruire les postes et les processus en tâches, redéployer ces tâches vers la bonne combinaison d’humains et de technologies, puis reconstruire une nouvelle façon de travailler [2]. Son diagnostic est sévère : le travail reste organisé en postes rigides plutôt qu’en système fluide de tâches, et déployer l’IA en formant les salariés ne suffit pas à le changer. Équiper chacun d’un assistant relève de l’outillage ; redessiner un workflow relève de l’organisation.
Pourquoi ajouter l’IA au processus existant plafonne
Quand l’IA est simplement ajoutée à un processus conçu pour un travail sans elle, les gains restent locaux. Une personne rédige plus vite, mais le dossier attend toujours la même validation, passe par les mêmes reprises et met autant de temps à aboutir. C’est aujourd’hui la situation la plus répandue.
En France, la Banque de France constate qu’au début de 2026, plus des deux tiers des entreprises d’au moins 20 salariés utilisent l’IA générative, surtout des outils généralistes dans les fonctions support ou transverses, comme l’administration et les ventes [3]. Les effets économiques observés restent limités.
À l’échelle mondiale, Deloitte arrive au même constat dans son enquête annuelle publiée en janvier 2026 : seules 30 % des organisations redessinent des processus clés autour de l’IA [4]. Les autres l’ajoutent à des processus inchangés, ou s’en tiennent à un usage de surface.
McKinsey décrit les entreprises qui s’en sortent le mieux comme celles qui refondent des flux de travail rendus possibles par l’IA, au lieu d’insérer l’IA dans les flux existants [1]. L’écart avec les autres se creuse vite, et il tient moins à l’accès à la technologie qu’à la volonté de toucher à l’organisation du travail.
Nous l’avions montré avec les agents IA et la leçon de Klarna, la fintech suédoise du paiement fractionné : la valeur dépend surtout de la façon dont on répartit le travail autour de l’outil.
Quatre processus redessinés : banque, assurance, RH, industrie
Les quatre schémas ci-dessous, repris de l’illustration de cet article, sont des cas types : ils décrivent une logique de refonte, pas le fonctionnement d’une entreprise précise. D’un secteur à l’autre, la même mécanique revient : l’IA prépare, l’humain se déplace vers ce qui demande du jugement.
Banque : accorder un crédit
Avant, l’analyste collecte lui-même les données financières du demandeur et les analyse une à une. Dans le workflow redessiné, l’IA rassemble les données et signale les incohérences. L’analyste concentre son temps sur les dossiers atypiques ou risqués, et le circuit de validation s’adapte au niveau de risque au lieu d’être identique pour tous les dossiers.
Assurance : traiter un sinistre
Avant, le dossier est réceptionné puis instruit dans l’ordre d’arrivée, et les pièces manquantes se découvrent en cours de route. Après refonte, l’IA vérifie la complétude dès la réception et identifie ce qui manque, une relance part automatiquement si nécessaire, et le gestionnaire se concentre sur les litiges et les cas complexes.
RH : pourvoir un poste en interne
Avant, l’équipe RH recherche et compare les candidatures à la main. Dans la version redessinée, l’IA rapproche les compétences disponibles dans l’entreprise, y compris les compétences transférables d’un métier à l’autre. RH et managers évaluent ensuite le potentiel et les besoins de développement, puis décident et organisent les entretiens.
Industrie : planifier la maintenance
Avant, l’intervention part de la détection d’une anomalie. Après, l’IA analyse les données des capteurs et l’historique des pannes pour proposer des priorités d’intervention, les techniciens arbitrent selon les risques et la réalité du terrain, et les interventions deviennent plus ciblées et mieux planifiées.
Cas réel : les autorisations préalables chez MUSC Health
MUSC Health, le système de santé universitaire de Caroline du Sud aux États-Unis, a confié une partie du traitement des autorisations préalables à des agents IA. Environ 40 % de ces autorisations sont désormais traitées sans intervention humaine, et une tâche qui prenait une trentaine de minutes à la main en demande environ une [6].
Une autorisation préalable est l’accord qu’un assureur santé américain doit donner avant certains examens ou traitements.
Un agent IA est un programme capable d’enchaîner seul plusieurs actions dans des logiciels, et pas seulement de produire un texte. Selon Becker’s Hospital Review, qui a décrit le dispositif mi-2025, l’agent fourni par l’éditeur américain Notable travaille directement dans le portail de l’assureur. Si l’examen est accepté, il saisit le code d’accord dans le dossier patient pour que le rendez-vous puisse être programmé. Si la demande est refusée, le dossier part vers un humain [6].
L’agent prend en charge le cas standard de bout en bout, du portail de l’assureur jusqu’à la programmation du rendez-vous, et le circuit prévoit dès le départ où l’humain reprend la main : sur les refus.
Deloitte cite ce cas dans une analyse publiée en février 2026 sur l’IA agentique dans la santé américaine [5]. 70 % des assureurs santé interrogés y donnent la priorité à ces agents pour les autorisations préalables et le traitement des demandes de remboursement. Il note aussi que les solutions ponctuelles, ajoutées tâche par tâche, redessinent rarement les flux de bout en bout.
Cas réel : France Travail, des outils efficaces à côté du processus
France Travail, l’opérateur public français de l’emploi, utilise l’IA depuis près de dix ans. Dans un rapport publié le 8 janvier 2026, la Cour des comptes salue des outils qui fonctionnent, mais relève que les gains dépassent à peine les coûts et que la contribution de chaque outil est mal suivie [7].
Les outils sont nombreux : analyse automatique des CV, détection des offres d’emploi illégales, tri des courriels, et ChatFT, un assistant conversationnel ouvert à l’ensemble des agents en novembre 2024 [8]. Sur la période étudiée, les gains d’efficience sont estimés entre 85 et 120 millions d’euros selon les hypothèses retenues, pour 93 millions d’euros dépensés entre 2017 et 2024.
Le détail le plus instructif concerne la cible des outils. Environ 80 % des cas d’usage profitent directement aux agents, tandis que des processus entiers comme l’indemnisation ou la lutte contre la fraude restent peu couverts [8]. L’IA a surtout équipé les personnes, beaucoup moins refondu les chaînes de traitement. La Cour juge d’ailleurs la liste des cas d’usage « floue et changeante » et demande une stratégie pluriannuelle avec des objectifs, des indicateurs et un calendrier.
Le rapport pointe enfin deux angles morts : les effets sur les conditions de travail des agents ne sont pas encore évalués [9], et la conformité au RGPD, le règlement européen sur les données personnelles, accuse un retard important. Le cas montre ce que donne une IA qui fonctionne bien mais reste insérée à côté des processus, sans avoir servi à les concevoir de nouveau.
Ce que ces exemples ont en commun
Les workflows qui produisent un résultat partagent cinq traits : l’IA prend en charge le cas standard de bout en bout, l’humain est déplacé vers les exceptions, le circuit de décision est redéfini, l’information arrive préparée à chaque étape, et l’on mesure le processus entier plutôt que la tâche.
Le premier trait est un tri en amont. Dans les quatre schémas comme chez MUSC Health, l’IA intervient dès l’arrivée du dossier pour vérifier, compléter et classer. Les dossiers simples suivent un chemin court, les autres sont orientés vers une personne.
Le deuxième est un déplacement explicite de l’humain. L’analyste de crédit, le gestionnaire de sinistres et le technicien restent dans la boucle, avec un temps recentré sur les cas atypiques, les litiges et les arbitrages. Chez MUSC Health, ce point de reprise a été fixé dès la conception.
Le troisième touche à la validation, qui devient proportionnée au risque ou à la complexité du dossier au lieu d’être identique pour tous.
Le quatrième concerne la circulation de l’information. Le gain vient souvent de ce qui passe automatiquement d’un système à l’autre, comme le code d’accord saisi directement dans le dossier patient.
Le cinquième est la mesure. France Travail montre en creux ce que donne le suivi d’outils plutôt que de processus : des gains réels, mais difficiles à attribuer. Délai de bout en bout, taux de reprise, part des dossiers traités sans intervention : ces indicateurs disent si le workflow a vraiment changé.
Une grille pour redessiner un workflow
On peut tirer de ces exemples une grille simple : partir du résultat attendu, cartographier le processus réel, le découper en tâches, décider pour chacune qui la prend en charge, réordonner la séquence, fixer les garde-fous, puis mesurer de bout en bout. Elle sert à poser les bonnes questions avant de choisir un outil.
Le point de départ est le résultat que l’on vise : un délai, un taux d’erreur, un coût par dossier, la satisfaction d’un client ou d’un adhérent. Partir de l’outil disponible conduit presque toujours à l’insérer dans l’existant.
Vient ensuite la cartographie du processus tel qu’il se déroule vraiment, avec ses doubles saisies, ses attentes et ses exceptions. Les personnes qui font le travail sont les mieux placées pour le décrire.
Le découpage en tâches permet de répartir le travail selon quatre cas de figure :
- l’IA exécute seule : extraction de données, classement, vérification de complétude ;
- l’IA prépare, l’humain décide : synthèse de dossier, proposition de réponse, recommandation ;
- l’humain décide et contrôle : décision sensible, litige, relation difficile ;
- le système orchestre : transmission entre étapes, alertes, traçabilité.
Il faut ensuite réordonner la séquence. Quelles étapes disparaissent, lesquelles peuvent se faire en parallèle, où un contrôle devient-il redondant, où faut-il au contraire en ajouter un ? C’est l’étape qui distingue une refonte d’un simple outillage.
Restent les garde-fous et la mesure : quelles données l’IA peut utiliser, dans quels cas elle agit seule, qui répond de ses erreurs, et quels indicateurs suivre avant et après. Sur ce point, le chemin reste long : selon Deloitte, seules 21 % des entreprises qui utilisent des agents IA disposent d’un modèle de gouvernance mature pour les encadrer [4].
Ce que cela change pour les rôles, et par où commencer
Redessiner un workflow modifie les rôles avant de modifier les compétences. Le gestionnaire qui traitait tous les dossiers devient celui qui traite les cas difficiles et supervise le reste. C’est pour cette raison que la refonte relève autant de la direction des ressources humaines que des opérations.
Deloitte le formule clairement à propos de la santé : le personnel passe du traitement routinier à la supervision, les humains restent responsables des décisions critiques et de la validation des résultats produits par l’IA, et l’autorité de décision doit être redistribuée entre les fonctions [5].
Pour un DRH, trois conséquences en découlent. Les fiches de poste décrivent des tâches qui ne sont plus faites de la même façon. Le travail restant est plus dense, puisque les cas simples ont disparu de la journée, ce qui pose une question de charge. Et les managers de proximité absorbent une part importante de la nouvelle supervision, alors que nous avons montré qu’ils sont souvent déjà saturés. C’est aussi ce qui explique pourquoi beaucoup de DRH placent désormais la refonte des postes avant la formation.
Pour commencer, mieux vaut choisir un seul processus que lancer une dizaine d’expérimentations. Un bon candidat est fréquent, mesurable et coûteux aujourd’hui en délais ou en reprises. On le mesure, on le cartographie avec ceux qui le font tourner, on le redessine, puis on compare. MUSC Health et France Travail le rappellent : le point de reprise humain et les indicateurs se décident au départ, pas une fois l’outil en place.
Conclusion
« Redessiner les workflows » cesse d’être une formule creuse dès qu’on la décompose. Elle désigne un travail précis sur la séquence, la répartition des tâches, la décision, l’information et la mesure. Ce travail touche aux rôles et aux métiers, et c’est pour cela que tant d’entreprises s’arrêtent avant.
Se demander où placer l’IA dans vos processus actuels mène vers l’outillage. La question plus exigeante, et plus utile, est celle-ci : quel processus faudrait-il reconstruire plutôt que simplement automatiser ?
C’est ce que nous travaillons avec les équipes. Quel levier IA activer ? réunit plusieurs collaborateurs autour d’un même défi métier, avec l’outil IA déjà disponible, pour repérer où la valeur se crée et où elle se bloque. Managers et IA accompagne les managers de proximité pour que les nouvelles façons de travailler tiennent dans la durée.
Caroline Prat
FAQ
Quelle différence entre automatiser une tâche et redessiner un workflow ?
Automatiser une tâche accélère une étape sans toucher au reste. Redessiner un workflow revoit toute la chaîne : ordre des étapes, répartition entre humain et IA, circuit de validation, indicateurs. Le premier produit des gains locaux, le second change le délai et la qualité de bout en bout.
Faut-il cartographier tous ses processus avant de commencer ?
Non. Mieux vaut choisir un processus fréquent, mesurable et coûteux en reprises, le cartographier tel qu’il se déroule vraiment avec ceux qui le font, puis le redessiner. L’expérience acquise sur ce premier processus sert ensuite pour les suivants.
Comment savoir si un workflow redessiné fonctionne ?
En mesurant le processus entier avant et après : délai de bout en bout, taux de reprise, part des dossiers traités sans intervention, taux de transmission à un humain, coût par dossier et charge réelle des équipes. Le temps gagné sur une tâche isolée ne suffit pas.
Sources
- McKinsey & Company, « The state of AI in 2026 », 25 août 2026. Enquête mondiale menée en ligne du 4 mai au 8 juin 2026 auprès de 1 719 répondants dans 97 pays. Les organisations les plus performantes sont celles qui attribuent à l’IA une part significative de leur résultat opérationnel (EBIT). La part de celles qui ont fondamentalement redessiné leurs workflows est passée de 55 % à près des trois quarts en un an.
- Ravin Jesuthasan (Mercer), « Want AI-Driven Productivity? Redesign Work », MIT Sloan Management Review, 2025, repris sur le site de Mercer.
- Banque de France, Véronique Genre et Léo Parpais, « L’IA s’installe dans les entreprises françaises : une diffusion rapide, mais des gains de productivité encore limités », Bulletin de la Banque de France n° 266, 3 septembre 2026. 67 % des entreprises de 20 salariés et plus déclarent un usage de l’IA générative, de 64 % (20 à 49 salariés) à 83 % (1 000 salariés et plus).
- Deloitte, « State of AI in the Enterprise », édition 2026, 21 janvier 2026. Enquête menée en août et septembre 2025 auprès de 3 235 dirigeants métiers et informatiques dans 24 pays. 37 % déclarent n’utiliser l’IA qu’en surface et 34 % l’utiliser pour transformer en profondeur leur activité.
- Deloitte Center for Health Solutions, « Health care leans into agentic AI », Deloitte Insights, 11 février 2026. Enquête menée en septembre 2025 auprès de 100 dirigeants technologiques de systèmes de santé et d’assureurs santé américains, complétée par des groupes de discussion ; résultats présentés par Deloitte comme indicatifs.
- Becker’s Hospital Review, « Prior authorizations, patient check-ins: MUSC Health’s AI agents », juin 2025. Témoignage de Crystal Broj, directrice de la transformation numérique de MUSC Health ; agents fournis par la société Notable.
- Cour des comptes, « France Travail et l’intelligence artificielle », observations définitives, 8 janvier 2026.
- Banque des Territoires (Localtis), « La Cour des comptes salue l’usage fait de l’IA depuis 10 ans par France Travail », 9 janvier 2026. En mars 2025, 56 % des agents déclaraient utiliser l’IA, dont 9 % chaque jour.
- Next, « IA à France Travail : une relative efficacité, mais un encadrement des données à améliorer », 12 janvier 2026.
