L’ingénierie de l’intention pour les entreprises algériennes : avant de déployer l’IA

L’Algérie est en plein sprint de déploiement de l’IA. Sonatrach a annoncé sa feuille de route de transformation numérique intégrant l’IA dans l’analyse de l’exploration et de la production en amont. Algérie Télécom déploie un service client alimenté par l’IA sur l’ensemble de son réseau. Le ministère de la Poste et des Télécommunications (MPTIC) a positionné l’intelligence artificielle comme un pilier de la stratégie nationale de numérisation de l’Algérie. Banques, organismes publics et entreprises étatiques se précipitent tous pour déployer des systèmes d’IA — souvent avec plus d’enthousiasme que de clarté sur ce que ces systèmes sont censés accomplir.

Cette course reflète un schéma qui s’est déjà produit à l’échelle mondiale, et les résultats devraient faire réfléchir tout directeur technique algérien. Le cas d’avertissement le plus instructif ne vient pas d’une entreprise où l’IA a échoué. Il vient d’une entreprise où l’IA a fonctionné brillamment — et c’était justement le problème.

L’avertissement Klarna : quand l’IA optimise pour la mauvaise chose

Début 2024, le géant suédois de la fintech Klarna a déployé un agent de service client alimenté par l’IA. Les chiffres étaient extraordinaires : 2,3 millions de conversations traitées au cours du premier mois, sur 23 marchés, en 35 langues. Les temps de résolution sont passés de 11 minutes à 2 minutes. Le PDG a projeté 40 millions de dollars d’économies annuelles. L’agent IA de Klarna a fini par remplacer l’équivalent du travail de 853 employés à temps plein.

Puis les clients ont commencé à se plaindre. Réponses génériques. Ton robotique. Aucune capacité à traiter quoi que ce soit nécessitant du discernement. Un client fidèle depuis trois ans exprimant de la frustration était traité de la même manière qu’un nouvel utilisateur posant une question simple. L’IA ne savait pas que la rétention compte plus que la vitesse de résolution. Elle ne savait pas qu’un décalage de ton est un indicateur avancé de désabonnement. Elle ne savait pas que certains clients devraient être redirigés vers des humains — non pas parce que l’IA en est incapable, mais parce que préserver la relation l’emporte sur le gain d’efficacité.

Mi-2025, le PDG Sebastian Siemiatkowski a déclaré à Bloomberg que le coût avait été le facteur d’évaluation prédominant, ce qui avait entraîné une baisse de qualité. Klarna a commencé à réembaucher en urgence les agents humains qu’elle avait éliminés. Les 700 agents licenciés avaient emporté avec eux le savoir institutionnel qui comptait vraiment — la compréhension de quels clients nécessitent de la patience, quelles situations requièrent du jugement, et quelles interactions construisent la valeur relationnelle qui génère les revenus à long terme.

L’intention organisationnelle de Klarna n’était pas « résoudre les tickets rapidement ». C’était « construire des relations durables avec les clients qui génèrent de la valeur sur le long terme ». Mais personne n’a traduit cette distinction dans un format lisible par la machine. Non pas parce que l’IA a échoué, mais parce que l’entreprise ne disposait pas de l’infrastructure pour traduire son intention réelle dans un format que l’IA pouvait utiliser.

Cet écart — entre ce que l’IA est chargée d’optimiser et ce dont l’organisation a réellement besoin — est ce que l’industrie appelle désormais l’écart d’intention. Et il est sur le point de devenir le problème d’IA le plus coûteux de l’Algérie.

L’écart d’intention de l’Algérie est déjà en train de se former

Considérons le contexte algérien. Sonatrach déploie un système d’IA pour optimiser la sélection des sites de forage. Quel est l’objectif ? « Trouver les puits les plus productifs » semble évident. Mais l’intention organisationnelle réelle de Sonatrach est plus complexe : équilibrer l’efficacité de production avec la conformité environnementale, les relations communautaires dans les régions sahariennes où elle opère, les indicateurs de sécurité des travailleurs et la gestion des réservoirs à long terme. Un système d’IA optimisant uniquement le rendement de production à court terme pourrait recommander des stratégies d’extraction agressives qui nuisent à la viabilité à long terme des champs — exactement le type de résultat techniquement correct mais stratégiquement erroné qui a piégé Klarna.

Ou considérons Algérie Télécom déployant l’IA pour le service client. L’objectif mesurable est clair : réduire les temps d’attente, augmenter les taux de résolution au premier appel. Mais l’intention organisationnelle inclut l’expansion de l’adoption du haut débit dans les wilayas mal desservies, le soutien à la démarche de gouvernance électronique du gouvernement et le maintien de l’équité sociale dans l’accès aux télécommunications. Un agent IA qui résout rapidement les tickets mais redirige les demandes complexes des clients ruraux vers des impasses automatisées atteindrait ses indicateurs tout en sapant la véritable raison d’être de l’organisation.

Ce ne sont pas des risques hypothétiques. C’est exactement la catégorie de défaillance documentée par l’enquête mondiale sur l’IA de McKinsey en 2025 : 74 % des entreprises ne rapportent aucune valeur tangible de leur investissement en IA, contre 70 % l’année précédente — alors que les dépenses moyennes en IA ont doublé. Plus d’argent investi, aucun retour en sortie, parce que les organisations déploient l’IA sans l’infrastructure nécessaire pour la diriger vers ce qui compte vraiment.

Le plat de spaghetti des données : le problème de base de l’Algérie

L’ingénierie de l’intention opère à trois niveaux. Le premier — où la plupart des organisations sont bloquées, et où la plupart des entreprises algériennes n’ont même pas commencé — est l’infrastructure de contexte unifiée. Il s’agit de la manière dont les données, les processus et les connaissances alimentent les systèmes d’IA.

L’Algérie a un problème de spaghetti de données qui ferait passer l’entreprise moyenne du Fortune 500 pour bien organisée. Les données gouvernementales sont fragmentées entre les ministères sans cadre d’interopérabilité unifié. Les données opérationnelles de Sonatrach vivent dans des systèmes SCADA hérités, des environnements SAP et des tableurs départementaux qui ne communiquent pas entre eux. Les banques algériennes fonctionnent avec un patchwork de systèmes bancaires de base — certains modernisés, d’autres datant de plusieurs décennies — avec des données clients cloisonnées entre les agences, les canaux numériques et les systèmes de reporting réglementaire.

Le rapport 2026 de Deloitte sur l’état de l’IA en entreprise a révélé que seuls 20 % des dirigeants mondiaux sont pleinement convaincus que leurs données sont prêtes pour l’IA. Seuls 14 % ont mis en place une stratégie de données entièrement unifiée. En Algérie, ces chiffres sont presque certainement plus bas. L’infrastructure de données du pays a été construite pour le reporting aux autorités de tutelle, pas pour alimenter des systèmes d’IA autonomes nécessitant un accès en temps réel aux historiques clients, aux contextes opérationnels et aux politiques organisationnelles simultanément.

Un agent IA essayant d’aider un employé d’Algérie Télécom à répondre à la question d’un client pourrait ne pas savoir que ce client a un ticket de support ouvert dans un système, une commande d’installation en attente dans un autre, et un historique d’interruptions de service enregistré dans un troisième. Les données existent. Elles ne sont tout simplement pas connectées de manière à ce que l’agent puisse y accéder. C’est le niveau le plus fondamental de l’infrastructure d’intention : si les agents ne peuvent pas voir le tableau complet, ils ne peuvent pas prendre de bonnes décisions.

Avant que toute entreprise algérienne ne déploie l’IA pour des opérations en contact avec la clientèle, elle doit répondre à une question simple : notre système d’IA peut-il accéder, en temps réel, au contexte complet dont il a besoin pour prendre des décisions qui servent notre objectif organisationnel ? Pour la plupart des organisations algériennes, la réponse honnête est non.

La boîte à outils du travailleur IA : quand les outils importés rencontrent les flux de travail locaux

Le deuxième niveau est ce que l’industrie appelle la boîte à outils cohérente du travailleur IA — comment les humains et les agents collaborent, quels outils existent, et quels flux de travail sont conçus pour l’interaction humain-agent.

L’Algérie fait face à une version spécifique de ce problème. La plupart des outils d’IA disponibles sur le marché ont été conçus pour des flux de travail organisationnels qui n’existent pas en Algérie. Microsoft Copilot suppose un déploiement mature de Microsoft 365 avec des sites SharePoint bien organisés, des archives d’e-mails propres et des canaux Teams structurés. Salesforce Einstein suppose un écosystème CRM avec des années de données clients propres. Ces outils ont été construits pour des organisations où les flux de travail numériques ont été affinés pendant deux décennies.

De nombreuses entreprises algériennes en sont encore aux premières étapes de la numérisation de base. Les processus papier restent courants dans les organismes gouvernementaux. Les chaînes d’approbation impliquent des signatures physiques. Les flux d’approvisionnement mélangent bons de commande numériques et traitement manuel des factures. Déployer des outils d’IA conçus pour des organisations numériquement matures sur des flux de travail encore partiellement analogiques crée le même décalage qui a affecté Microsoft Copilot à l’échelle mondiale : Gartner a constaté que seuls 5 % des organisations sont passées d’un pilote Copilot à un déploiement à plus grande échelle, et qu’environ 3 % seulement de la base totale d’utilisateurs Microsoft 365 ont réellement adopté Copilot en tant qu’utilisateurs payants.

La leçon pour les entreprises algériennes n’est pas « évitez les outils d’IA ». C’est « repensez vos flux de travail avant d’y déployer l’IA ». Greffer un agent IA sur un flux de travail conçu pour le papier et le téléphone ne crée pas une transformation numérique. Cela crée un chatbot coûteux que personne n’utilise.

Cela exige de cartographier les flux de travail réels — pas ceux qui figurent dans les documents de processus officiels, mais ceux que les employés suivent effectivement. Chaque entreprise algérienne a des processus informels, des solutions de contournement et un savoir tribal qui n’existent que dans la tête des gens. Ces processus doivent être documentés, numérisés et structurés avant que l’IA puisse y participer de manière significative.

L’ingénierie de l’intention : rendre la mission organisationnelle lisible par les machines

Le troisième niveau — et celui qui n’existe presque certainement dans aucune entreprise algérienne — est l’ingénierie de l’intention proprement dite. C’est la discipline qui consiste à encoder la mission organisationnelle dans des formats lisibles par les machines et exploitables par les agents.

Les cadres traditionnels de définition des objectifs organisationnels — OKR, KPI, plans stratégiques — ont été conçus pour les humains. Ils encodent des objectifs lisibles par l’humain qui supposent un jugement humain sur la priorisation, les compromis, les valeurs et l’ambiguïté. Quand vous donnez à un employé de Sonatrach l’objectif « augmenter l’efficacité de la production », il l’interprète à travers des couches d’expérience professionnelle, de culture de la sécurité, de conscience réglementaire et de mémoire institutionnelle. Il sait quand pousser et quand escalader. Il développe ce jugement à travers des années de mécanismes informels auxquels aucun système d’IA n’a accès.

Un agent IA a besoin que ce même jugement soit codifié explicitement. Non pas sous la forme d’un document de politique de 500 pages enfoui sur un site SharePoint, mais comme des paramètres structurés qu’il peut interroger et appliquer en temps réel. Cela signifie :

Infrastructure de traduction des objectifs. Convertir les objectifs organisationnels lisibles par l’humain en paramètres exploitables par l’agent. « Augmenter la satisfaction client » est une aspiration lisible par l’humain. Un agent a besoin de savoir : quels signaux indiquent la satisfaction client dans notre contexte ? Quelles sources de données contiennent ces signaux ? Quelles actions suis-je autorisé à entreprendre ? Quels compromis suis-je habilité à faire — rapidité contre rigueur, coût contre qualité ? Où sont les limites strictes que je ne dois pas franchir ?

Cadres de décision codifiés sous forme de règles. La plupart des organisations algériennes ont des schémas bien établis pour gérer les situations courantes. Un ingénieur de terrain de Sonatrach sait que quand deux objectifs légitimes entrent en conflit — objectifs de production contre protocoles de sécurité — la sécurité l’emporte. Toujours. Un agent IA a besoin que cette hiérarchie soit codifiée sous forme d’arbre de décision, et non supposée comme relevant du bon sens.

Protocoles d’escalade avec des déclencheurs définis. Des critères clairs pour déterminer quand les agents doivent s’arrêter et impliquer des humains. Pas seulement quand ils sont incertains, mais quand les enjeux sont suffisamment élevés pour que le jugement humain soit organisationnellement requis. Dans l’environnement réglementaire algérien, où la supervision gouvernementale est un facteur constant, ces limites d’escalade revêtent un poids particulier.

Boucles de rétroaction mesurant l’alignement, pas seulement l’achèvement. L’agent a-t-il accompli la tâche ? C’est le minimum. L’agent a-t-il accompli la tâche d’une manière qui sert les objectifs plus larges de l’organisation ? Cette seconde mesure est ce que l’ingénierie de l’intention exige — et ce qui manquait à Klarna.

Une feuille de route pratique pour les directeurs techniques algériens

L’écart entre la situation actuelle des entreprises algériennes et celle où elles doivent être est significatif mais pas insurmontable. Voici une séquence pratique, classée par priorité :

Mois 1-3 : Auditez votre paysage de données. Avant d’acheter un quelconque outil d’IA, cartographiez chaque source de données qui devrait être connectée pour qu’un système d’IA dispose d’un contexte adéquat. Identifiez les lacunes, les silos et les systèmes hérités qui ne peuvent pas être facilement intégrés. Cet audit révélera presque certainement que les prérequis pour un déploiement efficace de l’IA n’existent pas encore — et c’est une connaissance précieuse.

Mois 3-6 : Documentez vos flux de travail réels. Pas les schémas de processus officiels. Les vrais. Interrogez les employés qui font le travail. Identifiez les processus informels, les solutions de contournement, les décisions de jugement qui se produisent des dizaines de fois par jour. Ce sont les processus que l’IA doit comprendre, et ce sont les processus que personne n’a écrits.

Mois 6-9 : Définissez explicitement votre intention organisationnelle. Pour quoi votre organisation optimise-t-elle réellement ? Pas ce que dit le plan stratégique. Ce qui se passe réellement quand les objectifs entrent en conflit ? Quand la sécurité et les objectifs de production se heurtent, qu’est-ce qui l’emporte ? Quand la satisfaction client et la réduction des coûts se contredisent, laquelle a la priorité ? Ces hiérarchies de compromis existent implicitement dans chaque organisation. Les rendre explicites — et lisibles par les machines — est le travail fondamental de l’ingénierie de l’intention.

Mois 9-12 : Pilotez l’IA avec des garde-fous d’intention. Déployez l’IA dans un contexte limité où vous disposez d’un accès complet aux données, de flux de travail documentés et de paramètres d’intention explicites. Mesurez non seulement si l’IA a accompli ses tâches, mais si elle les a accomplies en alignement avec votre intention organisationnelle. Itérez sur les paramètres d’intention en fonction de ce que vous apprenez.

Cette séquence est lente. Elle n’est pas glamour. Elle ne produira pas une démo impressionnante pour la prochaine visite ministérielle. Mais c’est la différence entre déployer une IA qui fonctionne et déployer une IA qui fonctionne sur la mauvaise chose — l’erreur la plus coûteuse qu’une organisation puisse commettre.

La course que l’Algérie ne peut pas se permettre de perdre

La course dans l’IA d’entreprise ne porte plus sur les capacités des modèles. Les modèles convergent. Ils sont tous raisonnablement performants. Ce qui diffère considérablement, c’est de savoir si les organisations disposent de l’infrastructure pour diriger ces capacités vers ce qui compte vraiment.

La dynamique de transformation numérique de l’Algérie a créé un élan. La stratégie nationale d’IA, l’investissement dans les centres de données, l’accent sur la formation de professionnels de l’IA — ce sont des conditions nécessaires. Mais elles ne sont pas suffisantes. Sans ingénierie de l’intention — sans l’infrastructure organisationnelle qui indique aux systèmes d’IA ce que votre entreprise veut réellement — l’Algérie risque de répéter l’erreur de Klarna à l’échelle nationale. Des milliards investis dans des outils d’IA qui optimisent brillamment pour les mauvais objectifs.

Les 700 agents humains licenciés par Klarna ont emporté avec eux un savoir institutionnel qui n’avait jamais été capturé, jamais formalisé et jamais mis à la disposition du système d’IA qui les avait remplacés. Les entreprises algériennes portent des décennies de savoir institutionnel dans la tête de leurs ingénieurs, administrateurs et opérateurs. Ce savoir est l’actif IA le plus précieux qu’elles possèdent. La question est de savoir si elles le formaliseront avant de déployer les systèmes censés le remplacer.

La réponse à cette question déterminera si l’investissement de l’Algérie dans l’IA produit une transformation ou une déception coûteuse.

Questions Fréquemment Posées

Sources et lectures complémentaires

• Klarna AI Agent Handles 2.3M Conversations — Klarna Press Release, 2024
• Klarna CEO on AI Quality Trade-offs — Bloomberg, 2025
• McKinsey Global AI Survey 2025: 74% Report No Tangible Value
• Deloitte 2026 State of AI in the Enterprise
• Salesforce Survey: 86% Believe Agentic AI Is Coming, 74% Not Ready
• Gartner: Only 5% Moved from Copilot Pilot to Scale Deployment, 2025
• Algeria National AI Strategy 2025-2030 — MPTIC
• Sonatrach Digital Transformation Roadmap
• Algérie Télécom Modernization Initiatives
• Google DeepMind — Five Levels of AI Agent Autonomy, 2025