AI operating system : ce que McKinsey a raison de dire, et ce qu'il ne prouve pas

Le 13 octobre 2026, McKinsey a mis en ligne « The AI operating system: A new way for CEOs to run the enterprise » (QuantumBlack). La thèse : l'entreprise a besoin d'une couche permanente qui porte son contexte, raisonne entre les fonctions, recommande ou exécute des décisions et apprend de leurs résultats. Un « second cerveau », branché sur les systèmes vivants, là où un tableau de bord rend compte du passé. Nous déployons l'IA à trois étages chez nos clients (AI4All, AI4IT, AI4Business), et cette expérience nous permet de dire que nous sommes alignés sur quatre points et sur la propriété du contexte. Les gains qu'il annonce sont des retours de cabinet sans méthode publiée, et une question précède toute signature : qui écrit l'ontologie, et qui la possède.

Ce que McKinsey appelle un AI operating system

L'article part de l'enquête State of AI 2026 du cabinet : 40 % des répondants de grandes entreprises (plus d'un milliard de dollars de chiffre d'affaires) disent avoir passé des agents à l'échelle, et 6 % seulement attribuent à l'IA au moins 5 % de leur EBIT, « about the same as the prior year ». D'où le point de départ : « the challenge is no longer simply getting people to use AI; it is changing how the enterprise itself works ».

L'AI OS décrit garde l'existant en place. Infrastructure et données, legacy compris, se raccordent à une couche sémantique (ontologies, graphes de connaissance, règles métier) qui doit « extend the context window of the agents so they can operate like experienced employees » ; au-dessus, modèles déterministes exposés comme outils, agents réutilisables, couche d'expérience. Les LLM sont multi-fournisseurs, open-weight compris : « ensure the LLM models are not allowed to train on your data ».

L'article s'ouvre sur un scénario fictif. La directrice générale d'un assureur international apprend que plusieurs régulateurs veulent plafonner les marges de certains produits de détail. L'AI OS lit les projets de règles et passe au crible quelque 140 produits dans sept pays, dont un tiers risquent l'infraction, en signalant que chaque régulateur définit la marge à sa manière. À 9 h 15, le responsable de la filiale allemande conteste une hypothèse d'allocation de coûts et ramène à neuf les produits en infraction sur son périmètre. Le lendemain, la direction arbitre en séance entre repricing, refonte des garanties, commissions et retrait ; le système enregistre ses choix comme garde-fous pour les agents qui conçoivent les nouvelles offres. « The next regulation will be faster. »

Suivent les chiffres, introduits par « Our experience shows » : cycles de planification accélérés « by up to ten times », première valeur sur un domaine en « about 12 weeks », délai de retour sur investissement réduit de 50 % quand le système s'étend à de nouveaux domaines, 40 % de productivité en plus, 50 % d'économies, jusqu'à 90 % de temps de cycle en moins. Aucune méthode, aucun échantillon. Puis les règles : l'implication directe du dirigeant, la propriété du contexte, un à trois AI OS par entreprise financés comme un socle partagé plutôt que par cas d'usage, et quatre bascules de management, reprises plus bas.

D'où nous parlons : trois vagues, trois vitesses

Nos retours viennent de programmes clients que nous ne nommons pas (données internes au 15 octobre 2026, non auditées par un tiers) : des retours de terrain, au même titre que le « our experience » du cabinet.

AI4All, l'accès à l'IA pour tous, est gagné. Chez un client, nous avons accompagné un assistant IA généraliste de 1 000 à 200 000 utilisateurs. Nous en avons tiré la leçon que mesurent les 40 % et 6 % de McKinsey : l'accès seul produit des gains individuels sans changer le fonctionnement de l'entreprise.

AI4IT, l'IA appliquée à la production du SI, a changé la donne. Chez un client, 2 500 développeurs ont été formés en un an ; nous constatons des gains de ×2 à ×10 sur la production logicielle ; SFEIR Institute forme 5 000 à 6 000 personnes par an ; 180 de nos consultants, sur environ 850, étaient certifiés Anthropic au début d'octobre 2026. Notre preuve y est la plus solide.

AI4Business, l'IA dans les processus métier, est attendue et plus lente. Notre position : le processus doit être réingénieré de bout en bout. La thèse McKinsey s'y applique le plus directement ; notre recul y est le plus court.

Le 10x : des facteurs, pas des pourcentages

Didier Girard, CTO de SFEIR, le formule ainsi : « si je dis 10 %, je ne change pas ma manière de faire ; si je dis 10 fois plus, je dois me repenser ». Notre factory en a fait une règle d'admission, pas de ×2, pas de projet : nous refusons les projets où nous ne savons pas faire ×2, parce qu'un gain de 5 % est invisible dans le système. Voir arrêter de viser 5 % et viser 10x, et appliqué au « plus de 30 % » de Capgemini et l'IA agentique.

McKinsey écrit « up to ten times » sur les cycles de planification, et surtout : « Much of the first wave of generative AI has focused on improving existing activities. True profit-and-loss (P&L) value requires companies to redesign workflows end to end. » Un objectif exprimé en facteur oblige à toucher à ce qui produit la lenteur ; un pourcentage s'obtient en optimisant l'existant.

Une précision : le ×10, c'est dix fois plus de valeur à effectif constant, jamais un développeur à la place de dix, parce que le code devenu moins cher appelle plus de logiciel (paradoxe de Jevons).

Un processus qui garde des humains en son milieu tourne à l'horloge humaine

Notre modèle repose sur des hypothèses et sert d'illustration : un ×10 sur un processus demande ×2 à ×4 sur l'individu, une division par 8 des passages de main et par 4 de la latence de décision. Le gain vient des passages de main supprimés et des décisions qui n'attendent plus, très peu de la vitesse de frappe.

Deux des quatre bascules managériales de McKinsey décrivent ce mécanisme. La première remplace le calendrier par l'intervention (« Manage by intervention, not by calendar ») : la direction supprime les revues récurrentes et définit les seuils et les exceptions qui déclenchent son action. La seconde fait piloter en continu (« Manage continuously, not through checkpoints ») sur un plan permanent ; les auteurs notent qu'à mesure que les cycles d'analyse raccourcissent, le goulot se déplace vers les fonctions de contrôle et l'exécution terrain. Nous l'avons observé dans la production logicielle : l'effet miroir décrit par DORA 2025 fait que l'IA amplifie ce qui existe et, sur des fondations fragiles, pousse le goulot vers la revue, le test et la mise en production.

Côté logiciel, notre réponse est un SDLC IA en 11 étapes, 3 gates et 2 capitalisations : l'IA exécute, l'humain encadre, le projet apprend. L'AI OS fait de même quand il enregistre les décisions de l'assureur comme garde-fous.

Des équipes de trois, et des managers de quarante ?

En production, nos équipes augmentées tournent à deux ou trois personnes au maximum ; une personne seule est performante, mais fragile. Nous l'avons observé sans en faire une règle universelle. La Sandwich Team remplace la pizza team de huit : un App Owner augmenté couvre l'essentiel du périmètre, des contributeurs ponctuels interviennent via un contexte partagé (la Sandwich Team et l'App Owner). On change d'unité, pas de taille : nous démultiplions le portefeuille de produits à effectif constant. Une pizza team de huit à dix multipliée par dix en capacité obligerait à coordonner 80 à 100 personnes, et cela ne fonctionne pas.

McKinsey décrit le même mouvement : moins de couches (« Many layers in the organization are likely to become unnecessary »), moins de passages de main, la décision plus proche du terrain. Nous sommes alignés, avec une réserve : notre preuve porte sur les équipes de production, pas sur l'empan de contrôle des managers.

Le cabinet pose ici une question, pas un résultat : « How does the AI OS support coaching and development so that managers can expand their reporting lines from ten to 12 people today to about 20 to 40? » Gallup (Jim Harter, 13 janvier 2026) donne l'échelle : aux États-Unis, 12,1 collaborateurs par manager en moyenne en 2025, mais une médiane stable autour de cinq à six, 13 % seulement des managers qui encadrent 25 personnes ou plus, et aucune taille optimale universelle sur 92 252 équipes. Passer à 20 ou 40, c'est multiplier l'équipe médiane par 3 à 7. Un AI OS absorbe le reporting ; il ne fournit pas les heures d'entretien, de feedback et de gestion des conflits qu'exigent 40 personnes, et l'article pose la question du coaching sans y répondre. Gartner ajoute un garde-fou (prédiction de septembre 2026, rapportée par CIO.com) : d'ici 2029, 30 % des postes supprimés au motif de leur remplacement par l'IA devront être repourvus, souvent plus cher.

Le management fait lui-même, en public

Nous appliquons à SFEIR, environ 850 personnes, le cadre d'Ethan Mollick « Making AI Work: Leadership, Lab, and Crowd » (One Useful Thing, 22 mai 2025 ; voir la méthode Leadership, Lab, Crowd).

• Leadership : le dirigeant fait lui-même, en public. Tous les managers de SFEIR utilisent l'IA.
• Crowd : un budget de 10 € par heure et par ingénieur pour les usages IA, une charte plutôt qu'un contrôle, des hackathons d'un mois. Objectif fin 2026 : 100 % des consultants « AI fluent », un objectif d'entreprise, pas une mesure.
• Lab : un AI Champion sur dix, certification obligatoire pour l'être, un SDLC commun.

McKinsey l'écrit dans son propre vocabulaire. « CEOs and their top teams need to be closely involved in designing and building the system », et redessiner tôt les droits de décision entre agents, jugement humain et escalade, en acceptant que ce soit « uncomfortable » : c'est le Leadership. Fixer les règles communes, qui gouverne la compréhension sémantique et quels standards gardent connaissances et agents réutilisables : c'est le rôle de notre Lab, qui porte le SDLC commun. Et sa question sur les incitations qui font travailler dans l'AI OS plutôt que dans des « organic shadow systems » : notre Crowd, qui rend visibles les usages de l'ombre au lieu de les interdire, parce qu'un shadow AI interdit continue d'exister sans gouvernance.

Ce que l'article laisse implicite : environ 80 % de ce qui décide du succès se joue hors technologie, entre RH, organisation et conduite du changement (voir l'IA fonctionne, le goulot est RH).

Posséder le contexte : deux chemins vers la même règle

« Own the context; rent or replace the technology. » Notre pratique de la production logicielle nous a menés à une règle voisine, que nous appliquons chez nos clients : possédez le contexte, louez le harnais. Le contexte dans Git est l'actif ; le harnais est remplaçable et le modèle est loué (voir pourquoi l'ontologie n'est pas louable).

Le context engineering porte la même règle côté production : la valeur se trouve dans le contexte structuré (specs, règles, architecture, connaissance métier), versionné et relu, très peu dans le modèle. Notre chaîne médaillon raw → bronze → silver → gold l'applique au livrable : on ne retouche jamais le gold, on règle la chaîne en amont et on régénère. La couche sémantique de McKinsey, où chaque domaine reprend une tranche de l'ontologie, en est l'équivalent à l'échelle de l'entreprise.

Le cabinet fait trois choses bien. Son cas d'OEM fixe des formats ouverts (« open-standard formats ») pour l'architecture et les ontologies avant de construire, puis fait raisonner ses agents sur l'intention d'une pièce : là où les achats cherchaient la même vis inox moins chère, les agents partent de sa fonction (tenue thermique, corrosion, résistance, poids) et proposent au concepteur d'autres matériaux et d'autres fournisseurs. Il interdit aux LLM de s'entraîner sur les données. Et il intègre l'économie des tokens aux décisions (coût unitaire en baisse de 95 % et plus, dépense IA souvent triplée) : « The cheapest intelligence does not necessarily lower costs if lower quality creates expensive mistakes ».

Reste le corollaire, sur lequel l'article est muet. Si le contexte est l'actif, une direction générale doit savoir avant de signer qui l'écrit, dans quel format, et qui saura le faire évoluer une fois le prestataire parti. Le cas OEM donne la réponse technique ; il manque la réponse contractuelle, que nous appelons Design to Exit. Cela vaut pour tout intégrateur, SFEIR compris : un client qui ne peut pas reprendre son ontologie sans nous a loué le contexte.

Ce que l'article ne prouve pas

Les chiffres de résultats viennent de « our experience », sans méthode ni échantillon. Ils se citent comme des retours de cabinet, au même titre que nos ×2 à ×10 sont des retours SFEIR. Le seul cas détaillé, un industriel américain, donne environ 16 semaines pour une première phase opérationnelle, avec une centaine de sources connectées ; il mesure autre chose que les « about 12 weeks » de première valeur.

L'enquête State of AI 2026 (McKinsey, 25 août 2026) est déclarative : 1 719 répondants dans 97 pays, terrain du 4 mai au 8 juin 2026. Rien ne relie ses 6 % à un AI OS.

Il y a une offre derrière la doctrine. McKinsey commercialise EcliptOS, présenté comme son « AI operating system » (James Kaplan, partner du cabinet, dans SiliconANGLE le 9 octobre 2026), en trois formules : McKinsey opère la plateforme, construction dans le cloud du client, ou construire-exploiter-transférer. L'article ne mentionne pas l'offre, et aucun client n'est nommé à ce jour. Cela n'invalide pas la thèse, mais le lecteur doit le savoir : la mise en garde contre l'enfermement vise les éditeurs et ne dit rien de la dépendance envers l'intégrateur qui conçoit l'ontologie.

Ce que ça change, selon votre rôle

Direction générale et COMEX. La décision est d'organisation avant d'être technologique. McKinsey recommande de commencer par trois à cinq domaines ; nous recommandons de mesurer en facteurs et de refuser tout domaine où ×2 reste hors de portée. La dernière action de l'article : « Redesign decision rights and management rhythms… This can be uncomfortable, but overly cautious action can derail progress. »

DSI. Une couche sémantique et un contexte versionnés, des formats ouverts fixés avant de construire, plusieurs modèles interchangeables, et le refus d'un AI OS par fonction : un à trois au maximum.

DRH. L'élargissement des équipes de managers reste une question de coaching, posée sans réponse ; prudence sur les suppressions de couches, que Gartner chiffre à 30 % de postes repourvus d'ici 2029 ; la fluence IA des managers avant celle de leurs équipes ; et des managers propriétaires d'un pipeline au lieu de relais d'information (« manage for judgment, not information flow »).

Achats. Une clause de réversibilité sur l'ontologie et le contexte : qui opère, qui possède, et un transfert documenté. La formule construire-exploiter-transférer existe chez McKinsey ; exigez-la de tout intégrateur.

Sources

• Asutosh Padhi, Brian Elliott, Daniel Swan, Kim Baroudy, Vik Sohoni, « The AI operating system: A new way for CEOs to run the enterprise », QuantumBlack, AI by McKinsey, octobre 2026 (mis en ligne le 13 octobre 2026). Lire l'article.
• McKinsey, page de l'offre EcliptOS. Consulter la page.
• Dan Tinkoff, Lieven Van der Veken, Michael Chui, Tara Balakrishnan, « The state of AI in 2026: On the road to ROI », McKinsey, 25 août 2026. Lire l'enquête.
• Mark Albertson, « McKinsey connects enterprise data using knowledge graph AI », SiliconANGLE, 9 octobre 2026. Lire l'article.
• Jim Harter, « Span of Control: What's the Optimal Team Size for Managers? », Gallup, 13 janvier 2026. Lire l'étude.
• CIO.com, sur la prédiction Gartner (Tori Paulman), septembre 2026. Lire l'article.
• Ethan Mollick, « Making AI Work: Leadership, Lab, and Crowd », One Useful Thing, 22 mai 2025. Lire le billet.
• Chiffres SFEIR : retours d'expérience SFEIR (programmes clients non nommés, données internes au 15 octobre 2026), non audités par un tiers.