Les signaux du changement – Details, episodes & analysis

Podcast details

Technical and general information from the podcast's RSS feed.

Les signaux du changement

Spentia

Business

Frequency: 1 episode/14d. Total Eps: 18

Découvrez Les Signaux du Changement, un tout nouveau podcast qui explore les stratégies de transformation des entreprises et leur impact critique sur le capital humain. Dans un monde où 50 % des cadres préfèrent désormais se confier à un algorithme plutôt qu'à leur manager, comment réinventer le lien au travail ? De la fracture des compétences aux frictions opérationnelles invisibles, nous décodons les signaux faibles qui redessinent les organisations. Une expérience inédite : Pour incarner cette mutation, ce podcast est lui-même une exploration technologique, entièrement réalisé avec l'intelligence artificielle. Une plongée immersive pour comprendre comment naviguer entre automatisation et authenticité humaine à l'horizon 2026. Plus d'informations sur https://www.spentia.com Hébergé par Ausha. Visitez ausha.co/fr/politique-de-confidentialite pour plus d'informations.

Read moreCollapse

Site

RSS

Apple

Data updated on 18/09/2026

Recent rankings

Latest chart positions across Apple Podcasts and Spotify rankings.

Apple Podcasts

Spotify

No recent rankings available

Shared links between episodes and podcasts

Links found in episode descriptions and other podcasts that share them.

See all

https://www.spentia.com
23 shares
https://www.spentia.com/?utm_source=podcast&amp
7 shares
https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/
2 shares

RSS feed quality and score

Technical evaluation of the podcast's RSS feed quality and structure.

See all

RSS feed quality

To improve

Score global : 68%

Publication history

Monthly episode publishing history over the past years.

Year

Latest published episodes

Recent episodes with titles, durations, and descriptions.

See all

L'organigramme ne dit pas qui fait le travail. Organigramme, agents IA, actigramme, équipes hybrides

Season 1 · Episode 17

Thursday, September 17, 2026 • Duration 17:50

Toute entreprise a un organigramme. Il décrit les lignes hiérarchiques et les responsabilités formelles. Il ne décrit pas le travail. Tant qu'un poste était une personne, ce défaut ne gênait personne. Les agents d'intelligence artificielle changent la donne : ils ne prennent pas de postes entiers, ils s'emparent de fragments d'activités répartis sur plusieurs postes, tandis que les humains équipés débordent du leur.

Cet épisode confronte deux positions. Pour la première, l'organigramme est devenu un document social et juridique, déconnecté du flux de travail réel, et il faut lui adjoindre une carte des activités et de ceux qui les font, l'actigramme. Pour la seconde, l'organigramme survit parce qu'il dit qui décide, qui est responsable et qui on appelle quand la chaîne casse ; multiplier les cartes disperse la responsabilité et crée une seconde bureaucratie.

Trois marches. Le fait : dans une entreprise simulée, le meilleur agent testé termine moins d'un tiers des tâches ; chez Procter & Gamble, un professionnel seul avec une intelligence artificielle atteint la qualité d'une équipe de deux. Le mécanisme : le travail réel passe par des réseaux de conseil, de confiance et de communication que l'organigramme ne montre pas, et l'arrivée de l'intelligence artificielle générative multiplie ces liens au lieu de les couper. Ce que ça change : la même machine a fait baisser puis monter les résultats d'une force de vente selon l'organisation qui la recevait, mais le règlement européen sur l'intelligence artificielle exige que le contrôle humain d'un système à haut risque revienne à des personnes physiques dotées d'autorité, et une entreprise qui avait codifié chaque rôle a fini par y renoncer.

Une objection méthodologique traverse l'épisode : les preuves reposent sur des expériences courtes et des liens déclarés ; une méta-analyse de cent six expériences montre que les duos humain-machine font en moyenne mieux que l'humain seul, mais moins bien que le meilleur des deux pris seul. Personne n'a observé une équipe hybride sur un an de travail réel.

L'épisode s'ouvre sur un segment de trois minutes, l'essentiel et le pour action, pour les auditeurs pressés.

Pour aller plus loin, tous nos articles et livrets blancs sur https://www.spentia.com

Hébergé par Ausha. Visitez ausha.co/politique-de-confidentialite pour plus d'informations.

Read moreCollapse

Le robot qui fait fuir les clients, et celui qu'ils préfèrent. Chatbots, service client, écoute : ce que refusent les clients

Season 1 · Episode 16

Tuesday, September 15, 2026 • Duration 16:57

Les clients disent vouloir un humain plutôt qu'une machine ; que refusent-ils exactement ? Une voix tient que la résistance est réelle et de terrain. Dans une expérience randomisée sur plus de six mille clients d'une société de crédit en Asie, un robot vocal qui ne se présente pas comme un robot vend autant qu'un conseiller expérimenté, près d'un client sur quatre ; annoncé comme robot avant la conversation, il vend à moins d'un sur vingt, et plus de la moitié des clients raccrochent dans les cinq secondes. Les clients le jugent moins compétent alors que l'analyse des conversations montre qu'il ne l'est pas. Dans une enquête représentative américaine, près de six personnes sur dix pensant avoir eu un chatbot n'ont pas obtenu l'aide cherchée, contre deux sur dix avec une personne, et près de la moitié ont eu du mal à joindre un humain. Et quand la machine se trompe, le client se méfie ensuite, même du conseiller humain qui reprend, s'il répond trop vite. Depuis le 2 août 2026, le règlement européen impose d'informer la personne qu'elle interagit avec une IA.

L'autre voix tient que la préférence déclarée est un mauvais guide. Les mêmes clients utilisent les machines ; l'aversion baisse avec l'expérience ; ce que les gens fuient d'abord, c'est le processus incertain à étapes, avant même de savoir qui le tient ; et pouvoir corriger ce que la machine propose, même un peu, fait passer son acceptation de moins d'une personne sur deux à sept sur dix. Surtout, il existe un cas où la machine est préférée : quand il s'agit d'être entendu, pas dépanné. On ne lui prête pas d'intention, elle ne juge pas, on lui dit ce qu'on ne dit pas à un humain.

Les deux voix se rejoignent sur une distinction : résoudre ou entendre. Pour résoudre, la machine doit dire ce qu'elle sait faire, afficher le temps d'attente, offrir une sortie vers un humain sans que le client répète son problème, laisser une prise, et ralentir la réponse humaine après un échec. Pour entendre, elle doit dire ce qu'elle est, ce qu'elle fait de la parole, et remettre la décision à des humains. Et trois questions restent ouvertes : personne n'a suivi les mêmes clients de l'impasse à la fidélité, personne n'a chiffré ce que l'impasse coûte, personne n'a comparé une écoute interne par machine et par humain.

Un tiers du temps commercial passé à vendre : et le reste ? Force de vente B2B, temps de vente réel, IA commerciale

Season 1 · Episode 15

Friday, September 11, 2026 • Duration 13:09

Pourquoi une force de vente bien équipée passe-t-elle si peu de temps face au client, et faut-il s'en inquiéter ? Le chiffre du tiers vient d'enquêtes d'éditeurs d'outils de vente qui comptent la prospection comme de la vente et la préparation d'une offre comme du temps hors vente ; il ne mesure ni le temps perdu ni les erreurs réparées. En France, près d'un projet de recrutement de technico-commercial sur deux est jugé difficile avant même d'être lancé : chaque heure de commercial en poste coûte plus cher à remplacer qu'à retrouver.

Une voix soutient que le temps est absorbé par le système et par les outils eux-mêmes ; l'autre, que le pourcentage de temps à vendre ne juge rien et que le service, la préparation, la coordination sont la vente dans les métiers techniques. La recherche en gestion lui donne raison sur un point : la valeur du service dépend du poste, il n'existe pas de proportion universelle. Trois diagnostics récents, dans trois organisations, montrent ce que le temps hors client contient aussi : des factures fausses, des livraisons erronées, des avoirs négociés, des alertes internes ignorées jusqu'à la réclamation du client. Les deux voix se rejoignent sur une distinction : une réparation peut être utile après coup, et sa cause évitable. Rien, dans un tableau de bord, ne sépare les deux.

Avant l'intelligence artificielle, une expérience de terrain publiée dans Management Science : le même outil d'IA de vente, déployé pendant cinq ans et demi dans un groupe pharmaceutique avec un groupe témoin. Quand le contexte de travail (procédure, autorité de décision, formation, incitations) n'était pas adapté aux vendeurs, environ un rendez-vous sur cinq de moins, et moins de ventes ; quand il l'était, plus de 40 % de rendez-vous en plus. Le contexte qui a dégradé les résultats était celui que la direction avait recommandé. Les vendeurs jugeaient l'outil excellent dans les deux cas.

Cinq décisions de management précèdent l'achat d'un outil : un standard de transfert des leads, un circuit court de validation des offres, un responsable unique par compte avec priorité sur les alertes internes, un contrôle de la facture avant émission, et l'écoute de ceux qui font le travail pour mesurer ce que le système n'enregistre pas.

Si l'IA fait le travail des débutants, d'où viendront vos experts ?

Season 1 · Episode 14

Wednesday, September 9, 2026 • Duration 14:19

Les études s'accordent sur un fait et se disputent sur une cause. Le fait : l'IA ne supprime pas l'emploi en bloc, mais les entreprises recrutent moins de débutants. À partir de données de paie couvrant des millions de salariés américains, des chercheurs de Stanford mesurent, dans les métiers les plus exposés à l'IA, un emploi des 22 à 25 ans près d'un cinquième sous ce qu'il serait s'il avait suivi celui de leurs pairs moins exposés ; l'écart passe par les embauches, pas par les départs, et les expérimentés ne montrent aucun écart comparable. Une étude de Harvard sur 62 millions de CV observe le même mouvement dans les entreprises qui adoptent l'IA générative. La cause : la Banque centrale de New York, sur les offres d'emploi, voit un recul des métiers exposés commencé avant ChatGPT et attribue l'essentiel de la hausse du chômage des jeunes diplômés au télétravail, parce qu'on forme mal à distance. En France, l'Apec attend pour 2026 une hausse de 16 % des recrutements de cadres de six à dix ans d'expérience, et de 1 % pour les moins de six ans, et l'attribue à la conjoncture.

Ce que toutes ces sources partagent, c'est le mécanisme : une entreprise ne recrute pas quelqu'un qu'elle ne peut pas former. Les internes en chirurgie robotique étudiés par Matt Beane n'apprennent plus dans l'acte quand la machine permet au chirurgien d'opérer seul. Un modèle économique récent (Enrique Ide, IESE) montre qu'automatiser les tâches d'entrée augmente la production immédiatement et peut réduire la croissance ensuite, parce que les débutants apprennent auprès de moins bons mentors, même si leur nombre ne baisse pas. Chaque entreprise a raison seule ; toutes ensemble assèchent le vivier où elles iront chercher leurs experts.

Le paradoxe : là où on l'a mesuré, l'IA aide d'abord les débutants. Dans un service client de 5 000 agents, un assistant génératif augmente les résolutions de 15 % en moyenne et de 30 % pour les moins expérimentés, avec peu d'effet pour les meilleurs ; les nouveaux atteignent en deux mois le niveau d'agents ayant plus de six mois d'ancienneté. L'outil relève le plancher, pas le plafond. Et c'est au nom de cet outil qu'on ne recrute plus ceux qu'il aide le mieux.

Les pistes pour redessiner le travail partent du travail plutôt que de l'effectif : décider à l'unité de la tâche, ajouter à chaque tâche d'exécution une question (est-ce qu'on y apprend quelque chose ?), organiser l'apprentissage qui n'est plus un sous-produit du travail, suivre les embauches de débutants et le temps de montée en compétence, donner au temps libéré une destination nommée. Et une question annuelle pour un comité de direction : quel poste ouvrons-nous à quelqu'un qui ne sait pas encore faire le travail ?

De qui dépendez-vous quand vous utilisez l'IA ? Cartographie de la chaîne de valeur de l'IA.

Season 1 · Episode 13

Thursday, September 3, 2026 • Duration 22:05

Le cloud a rendu l'infrastructure invisible : on s'abonne, on ne voit ni les lieux, ni les machines, ni les fournisseurs des fournisseurs. Avec l'intelligence artificielle, cette chaîne s'est allongée et concentrée. L'épisode la déroule maillon par maillon, sans jugement et sans alarme, pour que chaque dirigeant sache de quoi son entreprise dépend quand elle utilise l'IA.

La chaîne se pince à presque chaque étage. Les machines de gravure les plus avancées sortent d'un seul fabricant au monde, ASML. Environ sept puces logiques avancées sur dix proviennent de Taïwan, l'essentiel chez un seul industriel, TSMC (direction générale du Trésor, données 2022). Nvidia décrit dans son propre rapport réglementaire une chaîne d'approvisionnement concentrée en Asie : une puce américaine est un assemblage international. Et en France, trois fournisseurs américains ont capté quatre cinquièmes de la croissance des dépenses de cloud public (Autorité de la concurrence, avis de 2023, données 2021). Une entreprise qui s'abonne à un assistant d'IA hérite de tout cet empilement sans l'avoir choisi.

Cette concentration n'est pas une fragilité en soi : elle est le produit d'une efficacité industrielle réelle, et l'épisode ne prédit aucune rupture. Une dépendance est rationnelle quand elle est connue, proportionnée à la criticité de l'usage, contractualisée et substituable. Ce qui expose une entreprise, c'est de l'ignorer.

Trois leviers relèvent d'elle. Savoir où tournent ses traitements et sous quelle juridiction, en distinguant localisation physique, nationalité du fournisseur et droit applicable. Choisir son mode de déploiement, service fermé, poids ouverts ou installation sur site, en sachant que les poids ouverts déplacent la dépendance sans la supprimer. Préserver sa réversibilité avant que le verrouillage ne se construise, par les données stockées, les outils propriétaires et les compétences des équipes.

L'épisode se ferme sur trois questions à poser à ses propres projets : quelles dépendances sont critiques, lesquelles sont substituables, et combien coûterait réellement leur remise en cause.

Pour aller plus loin, tous nos articles et livrets blancs sur https://www.spentia.com

Les données que vos projets IA ignorent : les plus utiles ne sont dans aucun de vos systèmes

Season 1 · Episode 12

Monday, August 31, 2026 • Duration 22:20

Les projets d'intelligence artificielle se nourrissent de ce qui est déjà écrit : procédures, historiques, bases documentaires. Un modèle nourri des seules procédures apprend l'organisation telle qu'elle s'imagine, pas telle qu'elle fonctionne. Cet épisode dresse l'inventaire de trois familles de données que presque personne ne collecte.

La donnée de raisonnement, d'abord : les arbitrages que vos experts font chaque jour sans pouvoir les décrire. Michael Polanyi l'a posé dès 1966, nous en savons plus que ce que nous pouvons en dire ; Ikujiro Nonaka a montré que le passage du tacite à l'explicite est le maillon le plus difficile de toute gestion des connaissances.

La donnée d'articulation, ensuite : ce que l'usage réel des outils raconte, et que les compteurs de licences ne voient pas. Une étude de la Harvard Business School, publiée dans Organization Science, a suivi 758 consultants : sur les tâches où l'outil est compétent, ils travaillent environ un quart plus vite, avec une meilleure qualité ; sur une tâche choisie hors de ses capacités, ils produisent 19 % de bonnes réponses en moins. La carte de cette frontière, dans votre organisation, n'existe nulle part.

La donnée de terrain, enfin : les contournements installés, les doubles saisies, et les idées que vos équipes n'ont jamais eu l'occasion de proposer. La recherche sur la voix des employés montre que ce silence tient rarement à l'indifférence : il tient à la crainte d'être mal vu. Beaucoup d'organisations outillent la remontée des incidents ; presque aucune n'outille la remontée des idées.

Reste la question qui fâche : capter ces données sans basculer dans la surveillance. La réponse de l'épisode tient en un principe : l'anonymat se garantit par la conception du dispositif, jamais par une promesse.

Références citées : Fabrizio Dell'Acqua et al., « Navigating the Jagged Technological Frontier », Harvard Business School, Organization Science (https://ssrn.com/abstract=4573321) · Michael Polanyi, The Tacit Dimension, 1966 · Ikujiro Nonaka, « A Dynamic Theory of Organizational Knowledge Creation », Organization Science, 1994 (https://pubsonline.informs.org/doi/abs/10.1287/orsc.5.1.14) · Liang, Farh et Farh, Academy of Management Journal, 2012 () · Milliken, Morrison et Hewlin, Journal of Management Studies, 2003 ().Pour aller plus loin, tous nos articles et livrets blancs sur

Faut-il rédiger une fiche de poste pour un agent d'intelligence artificielle ?

Season 1 · Episode 11

Thursday, August 27, 2026 • Duration 18:20

Juillet 2024 : Lattice, éditeur de logiciels RH de la Silicon Valley, annonce fièrement des « employés numériques » avec dossiers RH, objectifs trimestriels et manager humain. Trois jours plus tard, face au tollé, tout est retiré. Ce fiasco ouvre la vraie question de l'épisode : un agent d'intelligence artificielle a-t-il besoin d'une fiche de poste ?

La réponse tient en deux mouvements. Oui, il faut spécifier, parce qu'un agent autonome ne porte plus un simple risque de contenu mais un risque d'exécution : il agit dans les systèmes, et il n'a ni bon sens ni implicite. Sa fiche de poste est une spécification technique : mission, périmètre d'autorité, sources de vérité autorisées, conditions d'arrêt, traçabilité des décisions. Le précédent Air Canada le rappelle : l'entreprise répond toujours de ses machines, le tribunal canadien a qualifié de « remarquable » l'argument du chatbot « entité séparée ».

Mais spécifier sans jamais déguiser. Une étude expérimentale de la Harvard Business Review (mai 2026, 1 261 managers) montre que présenter la même production comme celle d'un « employé IA » doté d'un prénom fait chuter la détection d'erreurs de près d'un cinquième, surtout là où l'IA figure déjà à l'organigramme, et dissout le sentiment de responsabilité. Le vernis social endort la vigilance.

Et le retournement final : selon l'enquête mondiale du MIT Sloan Management Review, 76 % des dirigeants voient déjà ces agents comme des collègues plutôt que comme des outils. La fiche de poste à réécrire d'urgence n'est peut-être pas celle de la machine, c'est celle des humains, dont le métier bascule de l'exécution vers la supervision, le jugement et la responsabilité.

Sources : Harvard Business Review, « Research: Why You Shouldn't Treat AI Agents Like Employees » (BCG Henderson Institute / Boston University), 6 mai 2026 — https://hbr.org/2026/05/research-why-you-shouldnt-treat-ai-agents-like-employees · MIT Sloan Management Review & BCG, « The Emerging Agentic Enterprise », 18 novembre 2025 — · Décision du Civil Resolution Tribunal de Colombie-Britannique, Moffatt c. Air Canada, février 2024.

Peut-on mesurer le ROI d'une IA sans mesurer le travail réel ?

Season 1 · Episode 10

Monday, August 24, 2026 • Duration 17:42

Les directions mesurent le retour de leurs investissements d'IA avec trois instruments : le ressenti des équipes, la masse salariale, les tableaux de bord. Cet épisode les passe à l'épreuve des meilleures données de 2025 et 2026.

Le ressenti d'abord : dans l'essai contrôlé du laboratoire METR, des développeurs expérimentés étaient environ 20 % plus lents avec l'IA, en se croyant 20 % plus rapides. La masse salariale ensuite : selon l'enquête Gartner auprès de 350 dirigeants de grandes entreprises, huit organisations sur dix ont réduit leurs effectifs, sans corrélation avec le retour sur investissement, couper crée de la marge budgétaire, pas du retour. Les tableaux de bord enfin : l'enquête Adaptavist auprès de 2 500 travailleurs du savoir montre que plus de quatre sur dix passent plus de temps à vérifier ce que produit l'IA qu'ils n'en gagnent, un travail de reprise qu'aucune mesure ne voit.

Reste alors à mesurer le travail lui-même : l'épisode compare les méthodes disponibles, ce qu'elles voient et ce qu'elles ratent, jusqu'à la probable solution qui les départage, mesurer les tâches sans surveiller les personnes, avec un anonymat garanti par conception.

Sources : METR, essai contrôlé randomisé, juillet 2025 : https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/ · Gartner, enquête T3 2025, mai 2026 : https://www.gartner.com/en/newsroom/press-releases/2026-05-05-gartner-says-autonomous-business-and-artificial-intelligence-layoffs-may-create-budget-room-but-do-not-deliver-returns · Adaptavist via Attest, mars 2026 : https://www.adaptavist.com/blog/what-is-the-human-cost-of-ai-transformatio

L'IA que vous utilisez vous engage : qui répond de quoi ? L'AI Act ne concerne pas que les juristes

Season 1 · Episode 9

Thursday, August 20, 2026 • Duration 18:15

Depuis le 2 août 2026, l'AI Act est entré en vigueur : les autorités peuvent enquêter et sanctionner. Cet épisode pose une grille de lecture pour les directions générales, juridiques et opérationnelles : la responsabilité suit l'usage que vous faites d'un système d'IA, pas l'outil que vous avez acheté. On y sépare le fournisseur du déployeur, on démonte le piège de l'article 25, et on chiffre l'enjeu. À la fin, un geste concret : cartographier ses usages pour savoir, pour chacun, de quoi l'on répond.

Nos derniers articles : https://www.spentia.com/?utm_source=podcast&utm_medium=show-notes&utm_campaign=signaux&utm_content=ep10

Hébergé par Ausha. Visitez ausha.co/politique-de-confidentialite pour plus d'informations.

Read moreCollapse

Cartographier l'IA en entreprise : quatre méthodes, quatre cartes. L'IA cachée au travail : voir ce que les équipes utilisent vraiment.

Season 1 · Episode 8

Monday, August 17, 2026 • Duration 16:56

La plupart des directions croient contrôler l'usage de l'IA chez elles. Une part des équipes le dissimule pourtant, et on ne pilote pas ce qu'on ne voit pas. Cet épisode compare quatre méthodes pour cartographier l'usage réel de l'IA dans une organisation : le sondage, l'audit de maturité, la détection technique, et l'écoute du travail sur preuves. Chacune voit une chose et en manque une autre. La quatrième, celle que Spentia conduit, mesure ce que chaque tâche pèse et ce à quoi les équipes tiennent, la case que les trois autres laissent vide.
Pour aller plus loin, tous nos articles et livrets blancs sur https://www.spentia.com

Hébergé par Ausha. Visitez ausha.co/politique-de-confidentialite pour plus d'informations.

Read moreCollapse

Les signaux du changement – Details, episodes & analysis

Podcast details

Recent rankings

Apple Podcasts

Spotify

Shared links between episodes and podcasts

RSS feed quality and score

Publication history

Latest published episodes

Related Shows Based on Content Similarities

Apple Podcasts

Spotify

Related Shows Based on Content Similarities

Les signaux du changement – Details, episodes & analysis

Podcast details

Recent rankings

Apple Podcasts

Spotify

Shared links between episodes and podcasts

Other11

MIT1

RSS feed quality and score

Publication history

Latest published episodes

Similar podcasts and content

Related Shows Based on Content Similarities

Apple Podcasts

Spotify

Related Shows Based on Content Similarities

Other11

MIT1

Wiley1