Cette semaine, une chose m'a fait réagir.
Klarna, la fintech suédoise valorisée 19 milliards de dollars, vient d'admettre publiquement qu'elle s'était trompée sur l'IA. Entre 2022 et 2024, ils ont supprimé 700 postes du service client pour les remplacer par une IA. Au début, les chiffres étaient spectaculaires : 2,3 millions de conversations gérées en un mois, 75% des chats clients automatisés.
Mai 2025. Revirement complet. Klarna réembauche des humains. Le CEO Siemiatkowski reconnaît dans Bloomberg : "On est allés trop loin. Le résultat, c'est de la qualité plus faible."
Ce qui a calé chez Klarna, ils n'ont pas su le nommer. Et ils ne sont pas seuls d’ailleurs.
C'est de ça que parle le numéro de The Ergon Report cette semaine, dont voici un extrait essentiel gratuitement (le rapport complet sort dimanche à 7h)
Si vous dirigez, si vous managez, si vous arbitrez des investissements ou des recrutements, ce qui suit n'est pas une lecture culturelle. C'est de l'information opérationnelle. Le genre qui détermine si les choix que vous allez faire dans les 6 prochains mois, et plus encore dans les 18 suivants, vous renforcent ou vous coûtent cher.
N.B. The Ergon Report est la newsletter premium, dérivée de GenevIA, qui s'adresse aux dirigeants et professionnels qui ne veulent pas rester à l'écart de l'IA et prendre les bons choix dans les 18 prochains mois. Une thèse par numéro. Des cas concrets. Une lentille pour voir clair et aller plus loin. Un outil utilisable (prompts prêts à l'emploi, Claude Skills, cheatsheets…) chaque semaine.
Pour comprendre ce qui a calé chez Klarna, il faut d'abord comprendre ce qu'est vraiment cette machine qu'on appelle un LLM (modèle de langage, type ChatGPT). Pas dans les grandes lignes. Précisément. Parce que si vous saisissez le mécanisme, vous comprenez automatiquement ce qu'elle peut faire. Et ce qu'elle ne peut pas.
Voici la vérité, débarrassée du marketing.
Un LLM ne raisonne pas. Il prédit. Mot par mot, fragment par fragment. À chaque instant, il regarde ce qui a été écrit jusqu'ici et il calcule, parmi des dizaines de milliers de mots possibles, lequel est statistiquement le plus probable comme suite. Il choisit celui-là. Puis il recommence pour le mot d'après. Et ainsi de suite.
C'est tout. C'est vraiment tout.
Ce qui rend cette mécanique si bluffante, c'est l'échelle. Un LLM moderne comme GPT-5 a été entraîné sur de l'ordre de 30 000 milliards de mots.
Maintenant tenez-vous bien. Un enfant humain, pour maîtriser sa langue maternelle vers 3 ans, a entendu environ 45 millions de mots dans sa vie. C'est l'étude classique de Hart et Risley.
Faites le rapport. 30 000 milliards divisé par 45 millions. La machine a besoin de plus de 600 000 fois plus de données qu'un cerveau humain pour atteindre une performance linguistique comparable.
Cette comparaison, à elle seule, devrait vous faire reconsidérer ce que vous appelez "intelligence" quand vous parlez de l'IA.
Mais reprenons. Une fois que vous avez compris que le LLM prédit le mot suivant le plus probable, vous comprenez du même coup pourquoi il est si fort sur certaines choses, et pourquoi il y a une zone précise où il cale.
Il est fort sur tout ce qui forme des séquences prévisibles. Rédiger un contrat type. Traduire. Coder une fonction. Reformuler un email. Parce que ces tâches sont des suites de mots qui suivent des patterns que la machine a vus des millions de fois pendant son entraînement.
Et sur ce qui demande de raisonner sur du vraiment nouveau ?
Là, ça se complique. Pas parce que la machine "ne sait pas", mais parce qu'elle n'a pas le mécanisme du raisonnement sur du nouveau. Quand elle semble y arriver, c'est qu'elle a vu, dans son corpus, quelque chose de suffisamment proche. Ou une combinaison de choses suffisamment proches pour reconstituer une réponse plausible.
Cette nuance est importante. Dire que l'IA "n'est pas intelligente" est faux. Elle est extraordinairement performante sur tout ce qui ressemble à du déjà-vu, même de loin.
Et c'est de plus en plus de choses, parce que son corpus est immense. Mais il y a une zone, précise, où le mécanisme statistique cale.
Voilà. Vous avez le mécanisme. Maintenant, le pas suivant. Et c'est là que ça devient inconfortable pour beaucoup de métiers.
La loi de la décomposition.
Toute tâche complexe est un agrégat de sous-tâches simples. Plus on découpe finement, plus la machine peut prendre en charge.
C'est exactement comme ça que fonctionnent les agents IA actuels : ils décomposent un problème complexe en chaîne de sous-tâches simples, et les exécutent en séquence.
Prenez une tâche concrète. Une analyse de marché que vous payez 30 000 francs à un cabinet.
Décomposez-la.
Étape 1 : récupérer les données disponibles sur le secteur (rapports sectoriels, communiqués, comptes annuels).
Étape 2 : extraire les chiffres pertinents et les structurer.
Étape 3 : identifier les concurrents principaux et leurs positionnements.
…Ainsi de suite jusqu’à l’étape finale.
Et si l'une de ces étapes vous semble encore trop complexe pour être confiée à une IA, il suffit de la décomposer encore.
Si vous faites suffisamment ça, en descendant aussi profond que nécessaire, vous arrivez toujours à un niveau où chaque micro-tâche est faisable par une IA aujourd'hui. C'est ça, la vraie loi de la décomposition : il n'y a pas de plancher en deçà duquel la machine cale, tant qu'on accepte de décomposer encore.
Cette phrase, si vous la prenez au sérieux, change votre façon de regarder votre entreprise. Vos collaborateurs. Vos prestataires. Vos prochaines décisions d'investissement. Et même vos actions au quotidien.
Mais alors une question reste. Si tout ce qui se découpe peut être fait par une machine, qu'est-ce qui se découpe vraiment ? Qu'est-ce qui résiste ? Et comment opérer entre les deux ?
C'est la vraie question de ce numéro de The Ergon Report.
Dans la suite du numéro (qui sort dimanche à 7h), on développe :
la définition opérationnelle exacte de ce qui résiste à la décomposition, pourquoi cette définition est la seule qui tient sur cinq ans, et comment l'identifier dans n'importe quel métier,
pourquoi exactement le projet Klarna a planté sur ce point précis, et la grille qui aurait permis de l'éviter avant le premier franc investi,
les décisions à reconsidérer cette semaine, les 6 prochaines mois, et les 18 prochaines mois si vous prenez ce cadre au sérieux.
Décomposez vous-même, gagnez votre temps.
Comprendre tout ça, c'est un début. L'appliquer au quotidien sur votre travail réel, c'est autre chose. C'est exactement le principe que je suis en train de mettre en place dans ErgonOS, qui sort bientôt pour vous.
ErgonOS est une application dans laquelle vous entrez, sur quelques semaines, les tâches que vous faites vraiment dans votre travail. Pas un audit théorique. Vos vraies tâches, fines, telles qu'elles existent.
Une fois suffisamment de matière collectée, ErgonOS analyse l'ensemble et vous dit 3 choses.
D'abord, votre ergon. Précisément. Ce que vous, dans votre rôle, êtes seul à pouvoir faire et qui justifie votre valeur.
Ensuite, les tâches qui doivent être confiées à l'IA dès maintenant, parce qu'elles se décomposent et vous coûtent du temps précieux.
Enfin, et c'est probablement le plus important, les zones où vous devez investir de l'effort humain pour devenir plus fort. Parce que ces zones sont précisément celles que l'IA ne fera pas dans les années qui viennent.
ErgonOS est entraîné sur l'ensemble des Ergon Report. Vous pouvez lui parler comme à un conseiller qui a lu chaque numéro avec attention. Toutes ses analyses passent par le prisme de la grille ergon / mécanique.
ErgonOS sera gratuit pour tous les abonnés Ergon Report qui s'inscrivent avant le lancement.
Pour ceux qui s'abonnent aujourd'hui, le prix actuel est conservé, et l'accès à ErgonOS est inclus quand il sortira. Pour ceux qui attendent, ErgonOS sera disponible aussi, mais à des conditions différentes.
Si vous voulez en faire partie dès le premier jour, c'est le moment :
C’est tout pour aujourd’hui.
Petite note IMPORTANTE au passage : ErgonOS sera gratuit pour tous les abonnés Ergon Report qui s'inscrivent avant le lancement.
À très vite,
Salim
