Quel rapport entre Toyota et votre usage de l’IA ?
Pour le comprendre, il faut repartir d’une scène devenue emblématique du système Toyota. Taiichi Ohno faisait tracer un cercle au sol, sur la ligne d’assemblage, puis demandait à un ingénieur d’y rester pour observer. Le message est d’une grande simplicité : avant de commenter, avant d’expliquer, avant de décider, il faut regarder les faits là où ils se produisent. Dans le vocabulaire lean, cela renvoie au gemba, le lieu réel où la valeur se crée, et au genchi genbutsu, que le Lean Enterprise Institute résume par « go and see », autrement dit aller voir sur place la situation réelle plutôt que de s’en remettre uniquement aux remontées indirectes ou aux données informatiques.
Lean Enterprise Institute, « Genchi Genbutsu », https://www.lean.org/lexicon-terms/genchi-genbutsu/
; Lean Enterprise Institute, « Gemba Walk », https://www.lean.org/lexicon-terms/gemba-walk/
C’est une leçon de management beaucoup plus profonde qu’elle n’en a l’air. Un graphique dans un PowerPoint est net, propre, rassurant. Un bar chart montre 19 % ou 22 % et constitue un indicateur précieux. Oui, bien sûr, il faut des indicateurs. Oui, bien sûr, il faut des tableaux de bord. Mais il faut garder en tête que ce chiffre et cette barre ne sont que des résultantes. Ils condensent une réalité plus dense, plus irrégulière, plus concrète. Le Lean Enterprise Institute le formule très bien dans un article consacré à cette différence entre données et faits : « Data is Good; Facts that Tell You What’s Actually Happening in Your Business Are Better ». L’idée est limpide : la donnée est utile, mais les faits observés au plus près des opérations disent souvent davantage sur ce qu’il est réellement possible de changer ou d’améliorer.
Lean Enterprise Institute, « Data is Good; Facts that Tell You What’s Actually Happening in Your Business Are Better », https://www.lean.org/the-lean-post/articles/data-is-good-facts-that-tell-you-whats-actually-happening-in-your-business-are-better/
Toute la force de Toyota est là : ne pas confondre la représentation avec la réalité. Plus on ne regarde que les synthèses, plus on s’éloigne du terrain. Plus on s’éloigne du terrain, plus on risque de piloter à partir d’une image lissée, parfois exacte dans son résultat, mais pauvre dans son pouvoir d’action. C’est précisément pour cela que Toyota constitue, à mes yeux, une excellente porte d’entrée pour penser l’IA en entreprise. Car l’erreur la plus fréquente, aujourd’hui, consiste à demander à l’IA de produire des synthèses toujours plus rapides, sans se demander ce que ces synthèses résument réellement.
Depuis 2023, je mène des formations IA auprès de cadres, de managers et de dirigeants. Ce que j’y vois très souvent, c’est une fascination pour la vitesse de réponse, alors que la vraie question devrait être celle-ci : sur quelle matière l’outil travaille-t-il exactement ?
L’IA ne remplace pas le contact avec le réel
L’IA ne supprime pas la nécessité de revenir à la source. Elle la rend plus importante encore. Lorsqu’un manager demande à un assistant de résumer un trimestre, un portefeuille clients, des verbatims commerciaux ou des incidents opérationnels, il obtient parfois une synthèse propre, structurée, convaincante. Mais cette synthèse ne vaut que par la qualité de ce qu’elle résume. Si les données de départ sont incomplètes, contradictoires, datées ou mal structurées, l’IA n’améliore pas la décision : elle accélère simplement une lecture apparemment fluide d’une réalité mal comprise. Cette idée se retrouve très clairement chez McKinsey, qui écrit : « If your data isn’t ready for generative AI, your business isn’t ready for generative AI ».
McKinsey, « The data dividend : Fueling generative AI », https://www.mckinsey.com/capabilities/tech-and-ai/our-insights/the-data-dividend-fueling-generative-ai
C’est là que la leçon de Toyota retrouve toute son actualité. Le cercle à la craie n’était pas une mise en scène. C’était une discipline. Regarder longtemps, au bon endroit, pour distinguer le symptôme de la cause, le résultat de son mécanisme, l’indicateur de la situation qui l’a produit. Dans l’univers de l’IA, ce cercle s’est déplacé. Il ne se trouve plus seulement sur la ligne d’assemblage. Il se trouve autour de la donnée, des documents, des flux, des traces d’activité, des échanges clients, des processus réels.
Le cas Toyota montre le bon ordre
Le cas de Toyota Motor Europe est intéressant justement parce qu’il remet les priorités dans le bon sens. Avant de parler d’IA comme d’un accélérateur universel, l’entreprise a cherché à rendre ses données plus accessibles, plus fiables et plus réutilisables. Snowflake présente cette transformation comme la mise en place d’une plateforme simple, sécurisée et fiable, capable d’unifier les données en une single source of truth et de rendre les produits de données plus facilement accessibles aux équipes. Collibra insiste, de son côté, sur la capacité à faire découvrir, comprendre et utiliser une donnée de confiance à l’échelle de l’organisation. Ce point est capital : Toyota n’a pas commencé par demander à l’IA de compenser le désordre informationnel. Toyota a commencé par traiter le désordre lui-même.
Snowflake, « Toyota Motor Europe Drives Data Trust, Simplicity and Accessibility », https://www.snowflake.com/en/customers/all-customers/video/toyota-motor-europe/
; Collibra, « Toyota Motor Europe », https://www.collibra.com/customer-stories/toyota-motor-europe
Cette séquence devrait inspirer beaucoup d’entreprises. On voit encore trop souvent l’ordre inverse : d’abord une interface impressionnante, ensuite quelques démonstrations séduisantes, puis seulement après la découverte tardive d’un problème de qualité de donnée, de doublons, de versions contradictoires, d’absence de gouvernance ou de formats peu exploitables. Toyota rappelle qu’une architecture sérieuse commence par la confiance dans la donnée.
D’abord, travailler sa donnée
Il faut donc considérer la gouvernance de la donnée comme un véritable sujet de direction. Et cela pour deux raisons.
La première tient au travail du manager sur sa propre donnée. Un manager décide à partir d’informations commerciales, financières, opérationnelles, RH ou clients. S’il veut utiliser l’IA de façon utile, il doit d’abord s’assurer que les données qu’il analyse pour arbitrer, prioriser ou corriger sont fiables, à jour, cohérentes et suffisamment structurées. Autrement dit, la qualité de sa décision dépend directement de la qualité de la donnée qu’il mobilise. McKinsey explique très clairement que les fondations de la donnée déterminent ce qu’il est réellement possible de faire avec l’IA générative et rappelle que 72 % des organisations avancées interrogées citaient déjà la gestion des données comme l’un des principaux obstacles au passage à l’échelle.
McKinsey, « The data dividend : Fueling generative AI », https://www.mckinsey.com/capabilities/tech-and-ai/our-insights/the-data-dividend-fueling-generative-ai
La seconde raison relève du rôle de pilotage du manager. Un manager ne peut pas traiter la donnée comme un simple sujet technique délégué à la DSI ou à la data team. Il doit vérifier que le sujet est bien traité avec le bon niveau de priorité, que les responsabilités sont claires, que les sources critiques sont identifiées, que les règles de mise à jour existent, et que la donnée utile à l’activité est gouvernée avec sérieux. Deloitte souligne, dans sa série « State of Generative AI in the Enterprise », que les principales préoccupations des organisations concernent la gouvernance, les talents et les risques. De son côté, la California Management Review propose un « Data Quality Funnel Model » précisément pour améliorer la fiabilité, l’accessibilité et la sécurité des données utilisées dans les systèmes d’IA et, ce faisant, améliorer la qualité de la décision. La gouvernance de la donnée n’est donc pas un sujet de support. C’est une condition de la qualité d’exécution et de la qualité de décision.
Deloitte, « State of Generative AI in the Enterprise », https://www.deloitte.com/uk/en/issues/generative-ai/state-of-generative-ai-in-enterprise.html
; California Management Review, Luca Collina, Mostafa Sayyadi et Michael Provitera, « The New Data Management Model : Effective Data Management for AI Systems », https://cmr.berkeley.edu/2024/03/the-new-data-management-model-effective-data-management-for-ai-systems/
Je fais aussi du coaching de dirigeants pour les aider à s’approprier l’IA. Et, très souvent, le déclic se produit précisément à ce moment-là : quand le sujet cesse d’être perçu comme un choix d’outil et commence à être compris comme une discipline de management.
Le format de la donnée change la qualité de lecture
Il y a ensuite un point qui paraît technique, mais qui est en réalité très concret : le format. Beaucoup de managers transmettent encore leurs contenus à l’IA sous la forme dans laquelle ils circulent déjà dans l’entreprise, c’est-à-dire des PDF figés, des présentations très mises en forme, des fichiers Excel complexes ou des documents visuellement agréables, mais structurellement confus. Or un assistant IA ne lit pas un document comme un comité de direction le lit. Il a besoin de structure, de hiérarchie, de cohérence, d’un découpage exploitable. McKinsey insiste d’ailleurs sur la nécessité de construire dans l’architecture des capacités spécifiques, comme les pipelines de prétraitement et de post-traitement, notamment pour les données non structurées.
McKinsey, « The data dividend : Fueling generative AI », https://www.mckinsey.com/capabilities/tech-and-ai/our-insights/the-data-dividend-fueling-generative-ai
La conséquence pratique est simple. Plus le format est lisible par une machine, plus la réponse a des chances d’être fiable. Un document textuel bien structuré sera souvent mieux exploité qu’un PDF élégant mais peu parseable. Un export tabulaire simple sera souvent plus robuste qu’un classeur complexe. Ce sujet paraît secondaire jusqu’au jour où l’on comprend que l’IA n’a pas accès à « la vérité du document », mais seulement à ce qu’elle parvient réellement à en extraire. C’est une autre manière de retrouver la leçon Toyota : ce que l’on voit à distance n’est pas toujours ce qui se passe réellement au niveau opérationnel.
Ne pas demander seulement un résumé
Le mauvais réflexe, en entreprise, consiste souvent à demander à l’IA de résumer en boucle. Résume-moi cette réunion. Résume-moi ce rapport. Résume-moi les tendances clients. Résume-moi les priorités. Cela donne un sentiment de maîtrise. Mais ce n’est pas toujours ainsi que l’on décide mieux. J’ai déjà abordé ce sujet avec cet article.
Une synthèse peut être utile, bien sûr. Mais elle n’est pas le meilleur point d’entrée pour piloter. Elle lisse les aspérités. Elle absorbe les cas atypiques. Elle peut masquer ce qui mérite justement d’être isolé. Là encore, le lean et les travaux récents sur l’IA convergent. Le Lean Enterprise Institute rappelle qu’il faut revenir aux faits là où ils se produisent. McKinsey, dans un article publié en 2026 sur les fondations de l’IA agentique, explique à son tour que ces systèmes ne fonctionnent pas de manière fiable à l’échelle sans un flux régulier de données de haute qualité, une gouvernance cohérente, de la traçabilité et de l’auditabilité. La question n’est donc pas seulement de produire une réponse élégante. La question est de savoir si cette réponse reste ancrée dans des faits contrôlables.
Lean Enterprise Institute, « Data is Good; Facts that Tell You What’s Actually Happening in Your Business Are Better », https://www.lean.org/the-lean-post/articles/data-is-good-facts-that-tell-you-whats-actually-happening-in-your-business-are-better/
; McKinsey, « Building the foundations for agentic AI at scale », https://www.mckinsey.com/capabilities/mckinsey-technology/our-insights/building-the-foundations-for-agentic-ai-at-scale
C’est pour répondre à ce besoin que j’ai conçu un agent IA destiné aux managers pour les aider à analyser leur donnée. Son nom résume la méthode : L’aigle et le limier. L’aigle pour prendre de la hauteur, repérer les tendances, les écarts, les signaux faibles. Le limier pour descendre dans le détail, suivre une piste, isoler une anomalie et remonter vers les causes concrètes.
L’aigle et le limier
Cette image me semble utile parce qu’elle redonne au manager son vrai rôle. L’aigle ne confond pas vision d’ensemble et résumé paresseux. Il cherche des variations, des ruptures, des zones d’attention. Il demande : qu’est-ce qui change ? Qu’est-ce qui diverge ? Qu’est-ce qui mérite que j’y regarde de plus près ?
Le limier, lui, n’est pas là pour survoler. Il suit une piste. Il remonte une chronologie. Il compare des segments. Il cherche ce qui, dans le réel opérationnel, produit l’écart observé. C’est à ce moment-là que l’IA devient intéressante : non pas quand elle remplace le jugement, mais quand elle aide à alterner entre une vision haute et une enquête précise.
Cette alternance est, au fond, très toyotiste. On part d’un indicateur, mais on ne s’y arrête pas. On revient au terrain documentaire et opérationnel. On cherche les causes, pas seulement les résultats. On refuse de prendre la représentation pour la réalité. Et c’est exactement ce que beaucoup de managers doivent réapprendre dans leur rapport à l’IA.
Conclusion
Le cercle à la craie de Toyota n’appartient pas au folklore industriel. Il rappelle une discipline intemporelle : pour comprendre, il faut regarder au bon endroit. Pour décider, il faut rester suffisamment proche des faits. Pour améliorer, il faut distinguer ce qui relève de la résultante et ce qui relève de la cause.
À l’heure de l’IA, cette discipline devient encore plus précieuse. Car l’outil est désormais capable de produire très vite une formulation convaincante. Mais une formulation convaincante n’est pas un fait. Une synthèse élégante n’est pas un diagnostic. Une barre à 22 % n’est pas l’explication de ce qui l’a produite.
Le manager augmenté n’est donc pas celui qui consomme des synthèses plus vite que les autres. C’est celui qui prépare sa donnée avec exigence, vérifie qu’elle est gouvernée avec le bon niveau de priorité, choisit des formats exploitables, borne correctement ses assistants et utilise l’IA pour approfondir sa compréhension du réel plutôt que pour s’en dispenser. Toyota nous l’avait déjà appris sur la ligne d’assemblage. L’IA nous oblige simplement à le réapprendre dans nos systèmes d’information.
Sources
Girardot, S. (2025, 13 juin). L’IA ne résume pas elle raccourcit. IA en Action. https://iaenaction.fr/lia-ne-resume-pas-elle-raccourcit/
Lean Enterprise Institute. (n.d.). Genchi genbutsu. https://www.lean.org/lexicon-terms/genchi-genbutsu/
Lean Enterprise Institute. (n.d.). Gemba walk. https://www.lean.org/lexicon-terms/gemba-walk/
Lean Enterprise Institute. (n.d.). Data is good; facts that tell you what’s actually happening in your business are better. https://www.lean.org/the-lean-post/articles/data-is-good-facts-that-tell-you-whats-actually-happening-in-your-business-are-better/
McKinsey & Company. (2023, September 15). The data dividend: Fueling generative AI. https://www.mckinsey.com/capabilities/tech-and-ai/our-insights/the-data-dividend-fueling-generative-ai
McKinsey & Company. (2026, April 2). Building the foundations for agentic AI at scale. https://www.mckinsey.com/capabilities/mckinsey-technology/our-insights/building-the-foundations-for-agentic-ai-at-scale
Deloitte AI Institute. (2024). The state of generative AI in the enterprise: 2024 year-end generative AI report. https://www.deloitte.com/az/en/issues/generative-ai/state-of-generative-ai-in-enterprise.html
Collibra. (n.d.). Toyota Motor Europe fuels growth via data democratization. https://www.collibra.com/customer-stories/toyota-motor-europe
Snowflake. (n.d.). Toyota Motor Europe drives data trust, simplicity and accessibility. https://www.snowflake.com/en/customers/all-customers/video/toyota-motor-europe/
Collina, L., Sayyadi, M., & Provitera, M. (2024, March 26). The new data management model: Effective data management for AI systems. California Management Review. https://cmr.berkeley.edu/2024/03/the-new-data-management-model-effective-data-management-for-ai-systems/
FAQ
Pourquoi parler de Toyota dans un article sur l’IA ?
Parce que Toyota rappelle une règle de management essentielle : il faut regarder les faits là où ils se produisent. Cette logique vaut aussi pour l’IA. Une synthèse ou un tableau de bord ne doivent jamais remplacer le contact avec la donnée source et avec la réalité opérationnelle.
Pourquoi la gouvernance de la donnée est-elle un sujet de direction ?
Parce qu’elle conditionne directement la qualité de la décision. Un dirigeant doit à la fois travailler sur sa propre donnée pour décider et vérifier que, dans l’organisation, le sujet data est traité avec le bon niveau de priorité.
Pourquoi le format des documents compte-t-il dans l’usage de l’IA ?
Parce qu’un assistant IA n’exploite pas tous les formats avec la même qualité. Un document bien structuré ou une donnée proprement tabulaire sera souvent mieux interprété qu’un PDF figé ou qu’un fichier complexe mal organisé.
Pourquoi ne faut-il pas demander seulement des résumés à l’IA ?
Parce qu’un résumé lisse souvent les écarts, les anomalies et les signaux faibles. L’IA devient vraiment utile lorsqu’elle aide à comparer, explorer, isoler des causes et documenter une décision.
Qu’est-ce que « L’aigle et le limier » ?
C’est un agent IA conçu pour aider les managers à analyser leur donnée. L’aigle sert à prendre de la hauteur sur les tendances et les écarts. Le limier sert à enquêter dans le détail pour remonter vers les causes concrètes.