Votre IA est un artefact. Est-elle conçue pour votre monde ?

À l'épisode 2, nous avons rencontré Herbert Simon le théoricien des organisations — celui qui a montré que la firme existe pour traiter l'information sous contrainte cognitive. Simon le concepteur pose une question plus précise. Dans « The Sciences of the Artificial » (1969), il distingue l'environnement interne d'un système — sa structure, sa logique, ses règles — de l'environnement externe dans lequel il doit opérer. Sa thèse : la performance d'un système artificiel ne tient pas à la sophistication de sa structure interne, mais à la précision de son ajustement à l'environnement externe.

La plupart des organisations qui déploient l'IA ne posent pas cette question. Elles donnent un copilote à tout le monde. La structure ne change pas. Le modèle du monde avec lequel l'IA opère est générique — entraîné sur d'immenses jeux de données, calibré sur le monde tel qu'il est en gros, pas tel qu'une entreprise précise fonctionne. Comme l'a montré Yann LeCun, les LLM échouent précisément là où la réalité s'écarte de leur distribution d'entraînement. Pour l'entreprise, cet écart est là où vivent les décisions les plus lourdes.

En mars 2026, Jack Dorsey et Roelof Botha ont décrit à quoi ressemble la réduction de cet écart. Leur prémisse : la hiérarchie existe parce que les humains avaient besoin d'un mécanisme pour router l'information. L'IA peut le remplacer — mais seulement si elle porte un modèle suffisamment précis du monde de la firme.

Block a bâti deux modèles du monde simultanément. Un modèle de l'entreprise — continuellement mis à jour à partir des artefacts lisibles par machine d'une organisation en télétravail. Et un modèle du client — construit des deux côtés de millions de transactions quotidiennes, qui se renforce à chaque interaction. Ensemble, ils alimentent une couche d'intelligence qui compose des solutions pour des clients précis à des moments précis — sans qu'un chef de produit décide quoi construire.

C'est Simon 1969 mis en œuvre. Mais avec un ajout critique que Simon n'anticipait pas : l'ajustement entre environnement interne et externe ne peut pas être évalué une fois pour toutes. L'environnement externe évolue — les clients changent, les marchés bougent, les règles se déplacent. Et l'environnement interne d'un LLM est opaque : vous ne pouvez pas inspecter ce qu'il croit de votre monde. Vous ne pouvez qu'observer là où il échoue.

L'implication est directe. Réduire l'écart entre votre IA et votre environnement propre n'est pas un projet. C'est un processus — d'observation continue, de correction délibérée et d'encodage systématique de ce que le modèle se trompe. Les entreprises qui prennent la tête ne sont pas celles qui ont déployé le modèle le plus précis au lancement : ce sont celles qui ont bâti les boucles de rétroaction pour le garder calibré à mesure que leur monde évolue.