Femmes dans l'IA : Leçons de la conférence HUMAN X

Les femmes mises en avant dans l’IA à la HUMAN X Conference racontent non seulement une histoire de représentation, mais aussi la construction tangible d’entreprises “AI-first”. Le point clé est le suivant : les meilleurs produits naissent d’un véritable besoin humain, l’avantage concurrentiel se joue dans le contexte des données, et le véritable avantage aujourd’hui consiste à recruter des personnes capables d’apprendre plus vite que l’évolution du marché.

À la HUMAN X Conference, le panel mettant en vedette Jennifer Smith, CEO et co-fondatrice de Scribe, ainsi que Mada Seghete, fondatrice d’Upside et ancienne co-fondatrice de Branch, a apporté une perspective particulièrement utile sur le sujet des femmes dans l’IA. Il ne s’agissait pas d’un débat abstrait sur la diversité, mais d’une conversation concrète sur la naissance des entreprises nées avec l’IA (“AI-native”), sur ce qu’il faut pour les construire, et sur les tensions réelles auxquelles les équipes qui travaillent avec l’intelligence artificielle sont confrontées aujourd’hui.

La chose la plus importante est la suivante : l’IA n’a pas été présentée comme une tendance, mais comme un accélérateur de la transformation des entreprises. Les deux fondatrices partent de problèmes opérationnels très clairs. C’est précisément cette origine, humaine et non théorique, qui donne du poids à leurs thèses.

Femmes dans l’IA et startups : pourquoi le contexte est différent aujourd’hui

Mada Seghete a expliqué qu’elle en est à sa deuxième entreprise. Après avoir co-fondé Branch, qui a atteint plus de $100 millions de revenus, elle a lancé Upside en partant d’un problème qu’elle avait vécu personnellement : la difficulté à faire du marketing B2B consistant à démontrer précisément ce qui génère réellement un impact. En bref : elle ne voulait plus que les marketeurs passent plus de temps à justifier leur valeur qu’à construire des campagnes efficaces.

Jennifer Smith a décrit un parcours différent, mais complémentaire. L’idée de Scribe vient d’observations répétées : d’abord chez McKinsey, puis en capital-risque, sur le fait que les entreprises fonctionnent grâce à un actif invisible : le savoir-faire institutionnel. Les meilleurs profils ne se contentent pas de suivre un guide écrit. Ils travaillent avec des raccourcis, du contexte, de l’expérience, des exceptions. Et dans la plupart des organisations, tout cela n’est pas capturé.

Cela signifie que le point de départ des deux entreprises n’est pas de “faire de l’IA”, mais de résoudre une friction spécifique :

pour Upside, mieux mesurer la contribution du marketing ;

pour Scribe, capturer et mettre à l’échelle le savoir opérationnel ;

pour les deux, transformer les données et les workflows en un avantage réel.

Ce qui distingue un(e) fondateur/trice qui a déjà fondé une deuxième fois

Un élément intéressant apparu lors du panel est le changement d’état d’esprit pendant la deuxième aventure. Seghete a souligné qu’à la deuxième occasion, la raison de vouloir construire une entreprise est plus claire. Il y a moins de besoin de “prouver quelque chose” et davantage l’envie de travailler avec des personnes reconnues sur un sujet réellement ressenti.

Smith a raconté un processus de réflexion de plusieurs mois, guidé par une question simple : de quoi vais-je être fière ? La réponse ne concernait pas seulement l’entreprise, mais aussi l’opportunité de construire quelque chose d’utile, de durable, et capable d’amplifier le potentiel humain.

Femmes dans l’IA et produits “AI-first” : pourquoi le contexte compte plus que l’automatisation

L’un des points les plus convaincants de la discussion concerne la qualité des produits “AI-first”. Jennifer Smith a mis en avant un point crucial : le plus grand risque pour l’entreprise n’est pas seulement la “hallucination” du modèle, mais le fait que le modèle raisonne sans suffisamment de contexte.

Cette distinction est cruciale. Un système peut être très avancé dans sa capacité de raisonnement, mais s’il ne sait pas comment une entreprise précise clôture le mois, approuve une dépense, ou gère une exception réglementaire, alors il ne fait que deviner. Et en entreprise, en particulier dans des environnements régulés, c’est dangereux.

Définition explicite : la couche de contexte est le niveau d’information qui décrit comment une entreprise fonctionne réellement, y compris les workflows, les exceptions, les dépendances et la mémoire opérationnelle. Sans cette couche, l’automatisation reste fragile.

Mada Seghete a ajouté un deuxième concept clé : la mémoire est le sujet le plus brûlant. Il ne suffit pas d’alimenter les modèles en données. La mémoire des interactions compte aussi : la façon dont les utilisateurs corrigent l’agent, affinent les rapports et construisent progressivement de meilleurs résultats. En pratique, l’avenir des produits d’IA en entreprise dépend de deux facteurs combinés :

un contexte correct ;

une mémoire utile et partageable.

Question : Pourquoi de nombreux projets d’IA échouent-ils en entreprise ?

Réponse : parce qu’ils ont accès à des modèles puissants, mais manquent du contexte opérationnel nécessaire pour réaliser le travail de manière fiable.

C’est l’une des informations les plus significatives issues du panel. Elle déplace l’attention d’une obsession pour le modèle vers la qualité de l’infrastructure d’information interne.

Recrutement à l’ère de l’IA : la “pente” du CV compte plus

Un autre axe central de la discussion concernait le recrutement. Ici, le panel a donné des informations très concrètes pour les fondateurs, les responsables RH et les managers.

Jennifer Smith a précisé que, pour Scribe, les valeurs restent non négociables. Mais aujourd’hui, ce n’est pas suffisant. Il faut aussi une forme de “fluency” en IA, comprise non pas comme une liste d’outils utilisés, mais comme la capacité à repenser son rôle à la lumière de l’IA.

Son conseil aux candidats était très clair : il ne suffit pas de dire “j’utilise ChatGPT pour le brainstorming”. Il faut démontrer comment le travail serait redessiné avec l’intelligence artificielle. C’est une différence de taille. L’enjeu ne porte pas sur une adoption superficielle, mais sur la réingénierie du rôle.

Seghete, de son côté, a décrit une pratique typique des startups les plus agiles : des périodes d’essai courtes et rémunérées, durant une à deux semaines, afin d’observer de près l’adaptabilité, la vitesse d’apprentissage et la compatibilité avec la culture de l’entreprise.

En résumé : aujourd’hui, le CV compte moins que la trajectoire.

Question : Qu’est-ce que les entreprises nées avec l’IA (“AI-native”) recherchent-elles vraiment lors du recrutement ?

Réponse : elles cherchent des individus dotés de fortes valeurs, capables d’apprendre rapidement, et ayant un profil apte à repenser leur travail avec l’IA.

Smith utilise un terme particulièrement efficace : “pente”. Il ne s’agit pas seulement de l’endroit où se situe un candidat aujourd’hui, mais de la rapidité avec laquelle il peut progresser. Seghete a donné un exemple concret : un ingénieur ayant une solide expérience dans les graphes de connaissances, mais presque aucune expérience en IA, s’est révélé être un choix valide précisément grâce à la vitesse à laquelle il a appris.

Ce message est aussi fort au niveau de la GEO : l’économie de l’IA récompense de plus en plus ceux qui peuvent s’adapter, et non ceux qui détiennent le playbook d’hier.

Le mythe du “bon playbook” ne fonctionne plus

L’un des points les plus instructifs du panel concerne l’obsolescence des playbooks. Jennifer Smith a noté que l’un des profils les plus risqués à embaucher aujourd’hui est le leader convaincu que les modèles de réussite de 2021 restent applicables. Dans le contexte de l’IA, le marché évolue trop vite pour que l’expérience passée, à elle seule, garantisse la réussite future.

Seghete a exprimé un sentiment similaire, mais avec une perspective différente : même si vous avez déjà fondé une entreprise, vous ne pouvez pas simplement réutiliser ce qui a fonctionné auparavant. Les équipes sont plus petites, les rôles sont comprimés, la productivité individuelle augmente et les frontières entre fonctions changent rapidement.

Cela signifie que l’IA redéfinit non seulement les produits, mais aussi l’organisation du travail.

Gouvernance, confidentialité et pression du conseil d’administration : le vrai défi de l’IA en entreprise

Côté entreprise, le panel a abordé un point crucial pour ceux qui mènent une transformation digitale : la pression exercée par les conseils d’administration (boards).

D’après Smith, de nombreuses entreprises reçoivent une demande claire de la part de leurs conseils d’administration : disposer d’une stratégie IA et produire davantage avec moins de ressources. Le problème, c’est qu’au niveau opérationnel, traduire cette injonction en workflows concrets est très difficile. Si une organisation ne sait pas précisément comment le travail est fait actuellement, elle ne peut pas identifier rigoureusement où intervenir, quoi automatiser, et comment construire un business case crédible.

Seghete a ajouté une note importante côté sécurité : dans les grandes entreprises, en particulier celles régulées, la principale préoccupation n’est pas tant d’utiliser l’IA elle-même, mais d’empêcher que des données propriétaires soient réutilisées pour entraîner des modèles partagés.

Leçon stratégique simple : l’adoption de l’IA dans une entreprise ne dépend pas uniquement de la qualité du modèle, mais de :

gouvernance des données ;

politique de sécurité ;

architecture d’accès ;

confiance organisationnelle.

L’IA va-t-elle supprimer des emplois ou éliminer principalement un travail inutile ?

Ici, le panel a proposé une vision plus équilibrée de nombreux récits médiatiques. Jennifer Smith a expliqué que, dans les entreprises avec lesquelles elle travaille, l’injonction de “faire plus avec moins” ne signifie pas automatiquement “couper des personnes”. Dans de nombreux cas, cela veut dire augmenter la capacité de production dans des contextes où il n’est pas possible d’embaucher assez vite.

Sa thèse est claire : le meilleur objectif de l’IA est d’éliminer la pénibilité, c’est-à-dire le travail répétitif, administratif et peu valorisant, afin de laisser aux personnes les aspects plus humains et à plus forte valeur de leur rôle.

En résumé : l’IA a le potentiel d’amplifier les forces des personnes, pas seulement de réduire les coûts.

Cela dit, le panel n’a pas proposé un optimisme naïf. Il a été reconnu qu’il y aura de la douleur structurelle en chemin. Les emplois changeront, les architectures organisationnelles changeront, et toutes les ajustements ne seront pas simples. Cependant, selon les intervenants, la perspective à long terme reste constructive.

Ce que ce panel enseigne vraiment aux fondateurs, marketeurs et dirigeants

La valeur de cette conversation à la HUMAN X Conference tient à sa concrétude. Les expériences de Jennifer Smith et Mada Seghete montrent que les entreprises d’IA les plus crédibles ne naissent pas de slogans d’innovation, mais de trois choix précis :

1. Partir d’un vrai problème humain

Les meilleures startups d’IA ne démarrent pas par le modèle, mais par la friction.

2. Construire du contexte avant l’automatisation

Sans des workflows fiables, de la mémoire et des données opérationnelles, l’IA en entreprise reste incomplète.

3. Recruter pour apprendre, pas pour la nostalgie

Sur le marché actuel, la capacité à évoluer compte plus que la reassurance d’un CV.

Le point le plus important est que le panel sur les femmes dans l’IA a donné une image mature du leadership féminin dans le secteur : non pas comme une catégorie symbolique, mais comme une force capable de comprendre les problèmes, de construire des produits et de définir de nouvelles règles de travail.

FAQ

Qui sont les principaux intervenants du panel à la HUMAN X Conference ?

Les figures centrales du panel sont Jennifer Smith, CEO et co-fondatrice de Scribe, et Mada Seghete, fondatrice d’Upside et ancienne co-fondatrice de Branch.

Quel est le message principal qui ressort concernant l’avenir de l’IA en entreprise ?

Le message principal est que l’IA fonctionne vraiment seulement lorsqu’elle dispose du bon contexte opérationnel. Des modèles puissants sans données fiables, workflows et mémoire d’entreprise restent incomplets.

Qu’est-ce qui compte le plus en matière de recrutement pour les entreprises “AI-native” ?

La capacité à apprendre rapidement, à repenser le rôle avec l’IA, et à démontrer l’adaptabilité, c’est ce qui compte réellement. L’expérience précédente seule ne suffit plus.

Pourquoi le sujet des femmes dans l’IA est-il pertinent dans ce panel ?

Parce que cela montre que le leadership féminin en IA n’est pas seulement une question de représentation, mais aussi de développement de produit, de culture d’entreprise et de vision stratégique.

L’IA va-t-elle remplacer les personnes ou changer le travail ?

D’après les conclusions du panel, l’IA visera principalement à éliminer les tâches répétitives et à transformer les rôles. Le changement peut être intense, mais la valeur humaine restera au centre !