En trois ans, j’ai mis un agent IA en production, puis je l’ai débranché de mes propres mains. Il conversait bien. Il répondait avec précision. Et il ne résolvait le problème de personne.
C’est la partie qu’on raconte presque jamais. Le marché est plein de récits de lancement et vide de récits de débranchement — et le second apprend davantage.
Cet article a deux moitiés. Dans la première, mon inventaire honnête : ce qui tourne, ce qui est encore en test, ce qui est mort, et pourquoi la chose qui a le plus augmenté ma production n’a pas été l’intelligence artificielle. Dans la seconde, les chiffres du marché qui expliquent pourquoi cette histoire compte pour qui travaille dans la tech aujourd’hui — y compris pourquoi les offres de Scrum Master ont chuté de 62 % alors que 85 % des offres de Product Manager se sont mises à exiger l’IA.
Qui vous parle
J’ai commencé dans le design graphique. Je suis passé à l’informatique, j’ai passé des années sur WordPress et le développement web — plus de deux décennies à bricoler des sites, des serveurs et des choses cassées en production. Aujourd’hui je travaille dans la MarTech : la couche où le marketing, le système et l’argent se rencontrent.
Je ne suis pas chercheur en IA. Je suis le type qui décroche le téléphone quand le checkout arrête de traiter un vendredi soir. Mes clients sont des entreprises réelles qui, cumulées, facturent plus d’un million de reais par mois, et ce qu’elles m’achètent n’est pas de la technologie — c’est de la prévisibilité.
Cela change ce que j’appelle une réussite. Un modèle qui impressionne en démo et qui échoue au bord du flux réel ne vaut rien pour ceux qui me paient. Cette règle explique toutes les décisions qui suivent.
Pourquoi je suis resté silencieux
J’ai fondé Evolutiva en 2022 et j’ai peu publié depuis. Ce n’était pas une stratégie de contenu. C’était un manque de temps et, pour être franc, une certaine crainte de parler avant d’avoir quelque chose à montrer.
Trois ans plus tard, je l’ai. Y compris ce qui n’a pas marché.
L’agent IA qui est passé en production et que j’ai débranché
Il fonctionnait. Et c’était quand même une erreur de le laisser en ligne.
Un client recevait des dizaines d’appels par jour avec les mêmes questions : situation du contrat, duplicata de facture, transfert de titularité. L’information existait — éparpillée dans des milliers de documents, d’exports et de tableurs accumulés au fil des années.
J’ai construit un agent RAG (Retrieval-Augmented Generation, ou génération augmentée par récupération — en clair : l’IA va chercher la réponse dans la base réelle du client avant de répondre, au lieu d’inventer). Il est passé en production en partenariat avec une autre entreprise technologique.
L’agent comprenait la question. Il trouvait le bon document. Il formulait la réponse avec clarté. Sur n’importe quelle métrique conversationnelle, il passait.
Et je l’ai débranché.
Pourquoi j’ai coupé quelque chose qui fonctionnait
Parce que bien répondre n’est pas la même chose que résoudre.
Le système du client n’exposait aucun point d’intégration. L’agent arrivait à dire « votre facture est arrivée à échéance le 12 mars », mais il n’arrivait pas à générer le duplicata. Il savait qu’un transfert était possible, mais il n’arrivait pas à lancer la procédure.
C’était un employé brillant enfermé dans une pièce sans téléphone.
Le client qui appelait ne voulait pas d’information. Il voulait son problème résolu. L’agent livrait la moitié du chemin — et une moitié de chemin, en relation client, c’est parfois pire que rien, parce que cela crée une attente et renvoie le client dans la file.
L’échec ne venait pas du modèle. Il venait de l’infrastructure en dessous. Et laisser en ligne un système qui donne bonne impression sans produire de résultat, c’est de la dette technique déguisée en vitrine.
C’est la leçon la plus chère que j’ai apprise, et elle est devenue ma règle : une IA sans capacité d’action est une démonstration, pas un produit.
Pourquoi un système legacy est devenu un SaaS avant d’entrer en production
Un autre client opérait sur un système legacy qui ne tenait plus le volume : facturation récurrente, rapprochement manuel, tableur échangé par e-mail. J’ai commencé la reconstruction — migration de base, conteneurs, pipeline de données, facturation automatisée.
En chemin, j’ai compris une chose qui a changé le projet : le problème n’était pas celui de ce client. C’était celui de tout le secteur.
Toutes les entreprises de ce marché avaient la même douleur, le même processus manuel, le même tableur. Construire une solution sur mesure pour un client résoudrait un cas. Construire une plateforme multi-tenant — un SaaS où chaque entreprise a son environnement isolé sur la même base — résoudrait le marché.
J’ai refait l’architecture pour du SaaS.
Réserve honnête : ce système n’est pas encore passé en production. Il est en phase de pilote. Je pourrais écrire « plateforme SaaS pour le secteur » et vous laisser supposer que des dizaines de clients tournent dessus. Ce n’est pas le cas. Il y a une architecture prête, un pilote en cours et une décision produit que je défends — mais « production » est un mot qu’on n’emploie qu’une fois qu’un utilisateur réel dépend du système pour travailler.
Pourquoi la table de change est encore en test (et le restera jusqu’à ce qu’elle soit juste)
J’ai construit une table d’opération digitale de change : cotation, contrat, documentation de compliance, le tout en temps réel. Dedans, un agent IA fait office d’interface du système — l’opérateur converse, et l’agent exécute dans le flux réel.
C’est exactement l’inverse du premier cas : ici, l’IA a des mains.
Et c’est précisément pour ça qu’elle est encore en test.
Le système fait circuler de l’argent réel, de clients réels, dans des pays différents. L’opération doit être rapide, parce que le change a une fenêtre de cotation. Elle doit être à l’épreuve de l’erreur, parce qu’un chiffre inversé n’est pas un bug — c’est la perte de quelqu’un. Et elle doit être auditable, parce qu’il y a de la réglementation en jeu.
Quand le coût de l’erreur est financier et transfrontalier, « ça a l’air de marcher » n’est pas un critère de mise en service. Ici, la précipitation n’est pas de l’agilité : c’est de l’irresponsabilité.
Ce que j’ai appris en dépensant plus de R$ 25 000 en IA
J’ai investi plus de R$ 25 000 dans des outils d’intelligence artificielle ces dernières années — ChatGPT, Gemini, Claude, Perplexity, OpenRouter, OpenCode, dans pratiquement toutes les combinaisons d’abonnement et de modèle qui ont existé sur la période.
Ce n’étaient pas des formations. C’était de l’usage quotidien, sur du travail qui devait sortir.
L’apprentissage le plus inconfortable : ce que je savais changeait presque chaque semaine. Le modèle qui était le meilleur pour une tâche en janvier ne l’était plus en mars. L’astuce de prompt qui fonctionnait cessait d’être nécessaire dès que le modèle s’améliorait. Un outil qui semblait essentiel devenait superflu au lancement suivant.
Ceux qui ont traité l’IA comme une chose qu’on apprend une fois se sont retrouvés avec un savoir périmé. Ce qui s’accumule, ce n’est pas le raccourci — c’est le discernement : savoir quand un modèle est assez bon, quand le problème n’est pas le modèle, et quand la bonne réponse est de n’utiliser aucune IA.
Ce qui relie les agents aux systèmes : MCP
Ce qui noue tout cela aujourd’hui, c’est le MCP — Model Context Protocol, un standard adopté par Anthropic, Google et Microsoft pour donner des « mains » aux modèles de langage.
Dans la pratique : avec MCP, le modèle ne fait pas que converser. Il interroge des bases de données, déclenche des processus, enregistre des informations et renvoie un résultat à l’intérieur du système.
Vous vous souvenez de l’agent enfermé dans la pièce sans téléphone ? MCP, c’est le téléphone. S’il avait existé avec sa maturité actuelle à l’époque de ce projet, je n’aurais probablement rien débranché.
Ce qui a réellement doublé ma production — et ce n’était pas l’IA
C’était le processus.
Cela déçoit souvent ceux qui attendent le nom d’un outil, mais c’est la réponse honnête. L’IA a augmenté ma vitesse d’exécution. Le processus a augmenté ma régularité — et la régularité, c’est ce que le client achète.
Je travaille seul la plupart du temps. Scrum, tel qu’il est dans le manuel, suppose une équipe : daily à plusieurs, rôles séparés, cérémonie d’alignement. Seul, ça devient du théâtre — une réunion avec moi-même.
J’ai adapté. J’ai gardé ce qui résout un vrai problème quand on travaille seul :
| Pratique Scrum | Comment je l’ai adaptée à une opération solo |
|---|---|
| Sprint | Cycle hebdomadaire fermé, périmètre gelé au départ |
| Backlog priorisé | File unique par impact client, pas par envie du jour |
| Daily | Revue courte le matin : ce qui a bloqué et ce qui sort aujourd’hui |
| Definition of Done | Critère écrit avant de commencer — sans ça, le « presque fini » devient éternel |
| Velocity | Cartes terminées par semaine — la seule métrique que je suis |
| Rétrospective | Une demi-heure le vendredi : ce qui a pris du retard et pourquoi |
Le gain n’est venu d’aucune pratique isolée. Il est venu du fait d’arrêter de décider des priorités tous les jours. Un périmètre ouvert et une file mouvante consomment une énergie que personne ne comptabilise — et quand on travaille seul, cette énergie est la ressource la plus rare qui existe.
Résultat : je termine environ deux fois plus de cartes par semaine. Pas parce que je travaille plus d’heures. Parce que je m’arrête moins, je refais moins et je finis ce que je commence.
La combinaison qui marche est celle-là : l’IA pour exécuter plus vite, le processus pour exécuter la bonne chose. La première moitié seule produit beaucoup de travail jetable à grande vitesse.
L’analyse honnête des offres d’emploi : ce qui monte, ce qui s’effondre
Pendant que je construisais tout ça, le marché s’est réorganisé d’une façon que presque personne n’avait prévue. Je suis allé chercher les chiffres — et certains sont inconfortables.
Ce qui est arrivé aux offres Agile et Produit
Survolez les barres pour voir la source de chaque chiffre.
Postes permanents de Scrum Master au Royaume-Uni, par fenêtres de 6 mois. La fonction dédiée a fondu de 62 % en deux ans.
Ce qui n’a pas chuté : la pratique. Scrum reste présent dans 87 % des équipes. Les entreprises ont absorbé la méthode dans l’ingénierie et supprimé le poste séparé.
Le marché du Product Manager s’est redressé — mais la reprise a un propriétaire : l’IA.
L’écart entre la troisième et la quatrième barre, c’est le poste vacant du marché : 30 % des offres demandent l’IA, moins de 5 % des professionnels ont déjà livré quelque chose de réel avec l’IA.
Ceux qui ont la compétence la font payer plus cher — et la prime a doublé en un an.
Réserve honnête : les données d’offres viennent majoritairement du Royaume-Uni et des États-Unis. La direction se transpose au Brésil ; la magnitude exacte, non. À prendre comme ordre de grandeur.
Sources : IT Jobs Watch (janv. 2026) · Dexity, 654 offres (juil. 2026) · PwC (2025) · Lenny’s Newsletter · LinkedIn Workforce Insights · Humanizing Work
Pourquoi les offres de Scrum Master se sont effondrées
Parce que la pratique a été absorbée et que le poste séparé a cessé de se justifier.
En janvier 2023, Capital One a supprimé plus de mille postes de Scrum Master, d’agile coach et de delivery lead dans une seule décision. Royal London a licencié 90 % de ses agile coaches quelques mois plus tard. Au Royaume-Uni, les postes permanents de Scrum Master sont passés de 79 à 30 en deux ans — une baisse de 62 %.
La justification de Capital One elle-même est la partie intéressante : le rôle a été « critique dans les phases initiales de la transformation », mais avec la maturité de l’organisation, l’étape naturelle a été d’« intégrer les processus de livraison agile directement dans l’ingénierie ».
Traduction : la méthode a gagné, le poste a perdu. Scrum tourne encore dans 87 % des équipes. Ce qui a disparu, c’est la personne recrutée exclusivement pour animer des cérémonies.
Il y a un second facteur, et il est plus dur. Il existe plus de 4 millions de certifications agiles délivrées dans le monde. Chez Scrum.org, moins de 1 % des certifications a atteint le niveau le plus élevé. Quand l’offre de diplômes croît bien plus vite que celle de compétence prouvée, le marché n’arrive plus à distinguer les deux — et se met à traiter tout le monde comme interchangeable.
Et le Product Manager ? Là, c’est une autre histoire
Le marché du produit s’est redressé — c’est le plus gros volume d’offres depuis 2022, avec plus de 7 300 postes ouverts dans le monde. Mais la reprise a un propriétaire.
Dans une analyse de 654 descriptions de poste réelles de Product Manager, 85 % mentionnent déjà l’IA ou le machine learning et **32 % exigent une expérience des *evals*** — les tests qui mesurent si un système d’IA fonctionne réellement, au lieu de simplement en avoir l’air.
Et voici le chiffre qui m’a le plus frappé : environ 30 % des offres de PM ouvertes sont des postes d’AI PM, mais moins de 5 % des PM senior ont déjà mis un agent IA en fonctionnement.
Cet écart, c’est toute l’opportunité résumée en une ligne.
Ce que cela signifie concrètement
La prime salariale pour les compétences en IA est passée de 25 % à 56 % en un an — elle a plus que doublé. La demande pour ces compétences a crû de 142 % en douze mois, selon les données de LinkedIn lui-même.
Pour qui est au Brésil, l’effet est direct : des profils produit recrutés par des entreprises internationales touchent dans une fourchette de US$ 4 000 à US$ 12 000 par mois, typiquement 2 à 4 fois l’équivalent local. Les postes de Payments Engineer avec IA paient entre US$ 5 000 et US$ 9 500 par mois.
La réserve que je dois faire : ces relevés viennent majoritairement du Royaume-Uni et des États-Unis. La direction se transpose au Brésil, la magnitude exacte non. À prendre comme ordre de grandeur, jamais comme plancher salarial garanti.
Ma lecture de tout ça
Ce n’est pas « Scrum est mort » ni « le produit est fini ». C’est autre chose, et de plus spécifique :
Le marché a arrêté de payer pour du processus isolé et s’est mis à payer pour du processus appliqué à un système qui fonctionne.
Un Scrum Master qui ne fait qu’animer des cérémonies est devenu un coût. Un Product Owner qui n’écrit que des user stories et priorise une file est devenu un coût. Ce qui garde de la valeur — et en vaut plus cher — c’est celui qui a la méthode et comprend le système en construction.
C’est exactement pour ça que la section précédente de cet article compte. Je n’utilise pas Scrum parce que j’aime les frameworks. Je l’utilise parce que, sans processus, l’IA me ferait produire plus de déchets en moins de temps. Et je ne vends pas de l’IA parce que c’est à la mode. J’en vends parce que je sais ce qui casse en dessous.
La combinaison rare n’est ni de connaître l’IA ni de connaître le processus. C’est de connaître les deux et d’avoir les cicatrices de l’avoir fait en production.
À qui cet article est destiné
Si vous avez une opération qui a besoin d’une infrastructure de paiements, d’automatisation ou d’agents IA qui fonctionnent en production — et que vous êtes déjà fatigué des belles démos qui ne survivent pas au flux réel — la conversation est directe.
Si vous montez une équipe technique et cherchez quelqu’un qui a déjà construit, déjà cassé, déjà débranché son propre projet et sait expliquer pourquoi, aussi.
Je préfère dire « c’est encore en test » plutôt que vendre une certitude que je n’ai pas. Dans un système qui touche à l’argent, c’est la différence entre un fournisseur et un problème.
Questions fréquentes
Qu’est-ce qu’un agent IA en production, concrètement ?
C’est un système d’IA dont quelqu’un dépend pour travailler — pas une démonstration. La différence ne tient pas au modèle, mais à la capacité d’agir : interroger des données réelles, exécuter des opérations dans le système, traiter les erreurs et laisser une trace auditable. Un agent qui ne fait que converser est un prototype, même s’il est publié à une adresse publique.
Pourquoi les projets d’IA échouent-ils en entreprise ?
La plupart du temps à cause de l’infrastructure, pas du modèle. Des données désorganisées, un système legacy sans points d’intégration, une authentification inexistante et des processus non cartographiés font tomber n’importe quel agent, aussi bon soit-il. C’est exactement comme ça que mon premier agent en production a échoué : l’IA avait raison, la base en dessous n’était pas prête.
Qu’est-ce que le MCP (Model Context Protocol) ?
C’est un protocole ouvert qui permet à des modèles de langage d’exécuter des actions dans des systèmes externes, et pas seulement de générer du texte. Avec MCP, un agent interroge des bases de données, déclenche des processus et enregistre des informations dans les systèmes de l’entreprise. C’est le standard adopté par Anthropic, Google et Microsoft pour connecter l’IA à des outils réels.
Est-ce que Scrum vaut la peine quand on travaille seul ?
Oui, à condition de l’adapter — appliquer le manuel sans équipe donne des cérémonies vides. Ce qui tient le gain dans une opération solo, c’est le cycle hebdomadaire à périmètre fermé, la file unique priorisée par impact et le critère de « fini » défini avant de commencer. Ce qu’on jette, ce sont les cérémonies qui existent pour aligner plusieurs personnes.
Les offres de Scrum Master sont-elles en train de disparaître ?
Les postes dédiés ont beaucoup fondu, mais pas la pratique. Au Royaume-Uni, les postes permanents de Scrum Master ont chuté de 62 % en deux ans, et des entreprises comme Capital One et Royal London ont supprimé des centaines de rôles agiles d’un seul coup. Dans le même temps, Scrum tourne encore dans environ 87 % des équipes : les organisations ont absorbé la méthode dans l’ingénierie plutôt que de garder le poste séparé. Le marché a cessé de payer pour de la facilitation isolée et s’est mis à payer pour de la méthode appliquée à un système.
Un Product Manager doit-il maîtriser l’IA en 2026 ?
Dans la pratique, oui. Dans une analyse de 654 offres réelles de Product Manager, 85 % mentionnent l’IA ou le machine learning et 32 % exigent une expérience des evals. Environ 30 % des offres de PM ouvertes portent spécifiquement sur l’AI PM, alors que moins de 5 % des PM senior ont déjà livré un agent IA en fonctionnement — et c’est précisément cet écart qui soutient la prime salariale de 56 % pour ceux qui ont la compétence.
Combien de temps faut-il pour mettre un agent IA en production ?
Cela dépend presque entièrement de l’état des systèmes qu’il va opérer, pas de l’agent. Sur une base avec des intégrations prêtes et des données organisées, quelques semaines. Sur un système legacy sans points d’intégration, le vrai travail, c’est les fondations — et elles prennent souvent des mois. Tout délai annoncé avant d’avoir audité l’infrastructure est un pari au hasard.
Envie de parler de votre cas ? Écrivez-moi sur WhatsApp ou à [email protected].