Il est 2 h du matin. Je fixe quatre fenêtres qui tournent en parallèle sur mon écran. L’une traite des documents clients. Une autre corrige du code. Une autre encore rattrape des messages Slack non lus. La quatrième est bloquée par une limite de débit API, en attendant que je décide quoi faire. Je n’utilise pas l’IA. Je gère l’IA — comme un contremaître d’usine qui fait sa tournée à deux heures du matin.
Il y a deux mois, je pensais avoir atteint le plafond de ce que l’IA pouvait faire pour moi. Je l’utilisais tous les jours depuis GPT-3.5 — deux ans de conversations, un interlocuteur plus intelligent, rien de plus. Puis la conversation a cessé et la gestion a commencé. Le gouffre entre ces deux modes — discuter avec l’IA ou travailler réellement avec elle — s’est révélé être le passage professionnel le plus important que j’aie jamais franchi. Voici un rapport de terrain depuis l’autre rive, échecs compris.
Le plafond que je m’étais construit
Je ne suis pas un simple spectateur de l’IA. Je dirige une entreprise qui l’a pleinement adoptée. J’ai écrit du Python, travaillé avec des API, suivi la recherche. Je l’utilisais plusieurs fois par jour — pour rédiger des notes, mettre une stratégie à l’épreuve, préparer des réunions.
Ce confort était précisément le piège.
Parce que ce que je faisais — tout cela — relevait de la conversation. Ouvrir un onglet, poser une question, obtenir une réponse, fermer l’onglet. Repartir de zéro la fois suivante. J’utilisais l’IA comme la plupart des dirigeants l’utilisent : comme un assistant intelligent à qui l’on parle, pas comme un collègue avec qui l’on travaille. J’ai aussi essayé des produits d’agents prêts à l’emploi. Manus pouvait tenir un brief et suivre le contexte d’une session à l’autre — utile pour des présentations, mais l’interaction restait la même : je donne une instruction, il exécute, une étape à la fois.
Je connaissais les copilotes de code — GitHub Copilot et les autres. Mais je suis dirigeant, pas ingénieur. J’avais écrit assez de code pour être dangereux, pas assez pour être productif. L’idée de m’asseoir dans un IDE me donnait l’impression de revenir en arrière dans ma carrière. Sans m’en rendre compte, j’avais rangé les outils par catégories : ceci est pour les programmeurs, cela pour les managers. Ce plafond n’était pas imposé par les outils. Je l’avais construit moi-même. J’avais décidé de ce qui était « pour quelqu’un comme moi » et cessé de regarder au-delà.
Ce que l’on ressent quand le mur tombe
Notre CTO m’a poussé à essayer Cursor. Un IDE — un outil de programmeur. Je n’avais pas codé sérieusement depuis des années. Mais la curiosité l’a emporté.
Cursor ne se soucie pas de votre intitulé de poste. Vous décrivez ce que vous voulez en langage naturel, et il construit — pas de l’autocomplétion, de la construction. Pour quelqu’un qui avait toujours été à une étape de la mise en œuvre, capable de spécifier des choses sans jamais les construire, c’était comme voir un mur tomber. Pour la première fois, je pouvais toucher la couche d’exécution.
Puis il m’a poussé vers Claude Code — l’agent d’IA en ligne de commande d’Anthropic — et quelque chose s’est ouvert.
Cursor est un copilote intelligent — vous êtes toujours au volant, ligne par ligne. Claude Code est un collègue. Je décris l’objectif. Il raisonne à travers le problème, pose des questions de clarification, écrit le code, le teste, corrige ce qui casse. Il garde tout le projet en tête — les fichiers qui existent, la façon dont ils se relient, ce que nous avons construit hier. Mon rôle est passé de l’écriture à la revue. Le goulot d’étranglement s’est déplacé de mes capacités techniques vers deux choses entièrement différentes : la clarté avec laquelle je formule ce que je veux, et la qualité de mon jugement sur ce qui me revient.
Ces deux compétences, au fond, sont des compétences de dirigeant. Je m’étais raconté que les outils de code n’étaient pas pour moi. Ce que je n’avais pas compris, c’est que les outils avaient avancé jusqu’à l’endroit où je me trouvais déjà.
Puis j’ai découvert OpenClaw — un framework multi-agent open source — et le sol s’est de nouveau dérobé.
Manus, puis Cursor, puis Claude Code, puis OpenClaw. Toute la progression a pris environ trois à quatre semaines, une courbe d’accélération : chaque saut plus rapide et plus profond que le précédent. À la fin, je n’utilisais plus un seul outil d’IA. Je faisais tourner un système.
La courbe d’accélération : chaque saut plus rapide et plus profond que le précédent
L’autre rive
Voici à quoi ressemble l’autre côté de ce gouffre — ce sera probablement différent dans un mois :
Je fais tourner deux couches. OpenClaw est la couche toujours active. Il vit sur un serveur cloud, surveille le Slack de notre entreprise et gère le rythme opérationnel d’une société : synthèse des mises à jour de l’équipe, exécution de processus de prospection, suivi des demandes clients, rappels à l’équipe sur les échéances. Il rassemble les morceaux éparpillés entre les personnes, les outils et les canaux que personne n’avait eu le temps de relier auparavant.
Claude Code est la couche de concentration profonde. Quand je dois réfléchir sérieusement à une chose — écrire cet article, concevoir un nouveau processus, déboguer OpenClaw lui-même — je m’installe dans Claude Code. OpenClaw est le plancher de l’usine ; Claude Code est l’établi.
Restructuré pour les agents : les fichiers Markdown servent de documents de briefing afin que l’IA comprenne le projet
Cette séparation compte parce que les différents outils d’IA ont de vraies forces différentes — des modèles différents, une mémoire différente, des niveaux d’autonomie différents. Déterminer quel agent affecter à quelle tâche devient en soi une nouvelle forme de travail, et j’apprends encore. Mais l’essentiel n’est pas tel ou tel outil. L’essentiel, c’est que je suis passé de poser des questions à l’IA à piloter des systèmes d’IA — et la différence n’est pas marginale. Elle est structurelle.
Ce que cela change vraiment
Voici ce qui a changé :
Avant/après : des changements concrets dans six domaines du travail de dirigeant
Les gains de temps sont réels — des tâches qui prenaient auparavant une à deux semaines prennent désormais une heure. Mais la vitesse n’est pas le sujet principal. Quand on dirige une entreprise, il y a toujours plus à faire que de bande passante disponible. Beaucoup de tâches se retrouvent dans un entre-deux gênant : elles valent la peine d’être faites, mais ne justifient pas une embauche. Alors elles ne se font tout simplement pas — la mise à jour aux actionnaires est repoussée, la recherche sur un prospect reste superficielle, le suivi passe à la trappe. L’IA n’a pas seulement accéléré mon travail existant. Elle a rendu possible le travail qui passait entre les mailles du filet.
Et franchir ce gouffre a ouvert une porte que je n’attendais pas : vers l’IA elle-même. J’utilise le chat vocal avec l’IA pendant mes marches, dans les taxis, entre deux réunions — une idée mentionnée en traversant la rue devient une spécification au moment où je m’assois. En travaillant avec des agents au quotidien, je mets les mains dans la frontière elle-même — je passe d’un modèle fondation à l’autre (Claude, Gemini, Qwen, Kimi), je construis des pipelines RAG, je me débats avec des systèmes de mémoire pour agents. Je ne lis pas à leur sujet. Je les utilise. L’angoisse de prendre du retard sur l’IA — ce sentiment que chaque dirigeant porte en ce moment — a disparu. Non pas parce que je sais tout, mais parce que j’ai une installation qui me permet de tout toucher.
Qu’est-ce que cela signifie si vous dirigez un family office ?
Vous ne gérez pas du code. Vous gérez un patrimoine multigénérationnel, des dynamiques familiales complexes et des données sensibles sur le plan réglementaire. Votre prudence face à l’automatisation est justifiée — une mauvaise instruction pourrait affecter des arrangements patrimoniaux sur plusieurs générations, une fuite de données pourrait détruire la réputation d’une famille. Mais la prudence n’est pas l’évitement.
Le cœur du travail d’un family office consiste, au fond, à rassembler des informations fragmentées, synthétiser une compréhension, porter un jugement, exécuter, vérifier. De la consolidation de positions entre banques dépositaires à la prévision des flux de trésorerie de fonds de private equity, jusqu’à la personnalisation de rapports pour chaque membre de la famille — quelle part relève de l’assemblage répétitif de données, et quelle part relève d’une véritable décision ?
L’IA ne prendra pas vos décisions d’allocation d’actifs et ne vous dira pas à quel gérant de fonds faire confiance. Mais elle peut vous fournir une vue complète de portefeuille multi-dépositaires quinze minutes avant une réunion, et signaler les clauses clés et les facteurs de risque enfouis dans les documents de due diligence avant que vous ayez fini votre café. La ligne qui compte se situe entre le traitement de l’information que l’on peut automatiser et le jugement qui doit rester humain. Une fois cette ligne tracée clairement, le volant d’inertie démarre — et l’écart entre ceux qui ont franchi le pas et ceux qui ne l’ont pas fait s’élargit vite.
La partie dont personne ne vous prévient
Ça, c’était la version rose. Voici le reste.
La mise en place vous dévore. Les tâches que j’ai décrites prennent moins de temps maintenant. Mais construire et maintenir le système qui les rend plus rapides est un nouveau travail permanent. J’ai échangé du temps de tâche contre du temps d’infrastructure — et pour moi, le bilan est clairement positif. Mais j’ai la motivation, le bagage technique et les heures à y consacrer. Pour la plupart des gens, ce ne serait pas le cas.
Le monde n’est pas conçu pour les agents. CAPTCHA, demandes de double authentification, expirations de session, PDF, anciens tableurs, limites de débit API pensées pour un usage à vitesse humaine — chaque fois qu’un agent heurte l’un de ces murs, c’est vous qui trouvez le contournement. (Cette friction est aussi une énorme opportunité — y compris pour des entreprises comme la nôtre. Les barrières sont des modèles économiques.) Et les agents faits maison ne sont pas des produits. Ce sont des LEGO — mémoire, reporting, orchestration de tâches, permissions, surveillance, gestion des erreurs, intégrations d’outils — chaque brique exige des décisions, et beaucoup exigent un jugement technique. Cela ne s’arrête jamais, parce que les modèles, les API et les outils sous-jacents changent toutes les quelques semaines.
Même si les agents les plus récents comprennent l’anglais courant, il faut toujours les guider et reprendre la main quand leur raisonnement part de travers.
Récemment, je me suis lancé dans la construction d’un système de mémoire à trois couches pour OpenClaw : mémoire en temps réel, mémoire quotidienne, mémoire hebdomadaire. Ça paraît propre, non ? J’ai demandé à Claude Code de lire une pile d’articles de recherche et de concevoir l’architecture. Il a produit un plan qui avait l’air approfondi et complet. J’ai soufflé, convaincu que c’était réglé.
Cela ne démarrait pas.
J’ai demandé à une deuxième instance de Claude de relire l’architecture. Elle a trouvé des problèmes structurels. Je les ai corrigés. Cela a cassé de nouveau. J’ai ouvert Codex — l’agent de code d’OpenAI — pour un regard neuf. Il a repéré de nouveaux cas limites qui m’avaient échappé. Je les ai corrigés. Puis OpenClaw a publié une nouvelle version qui a écrasé le code que je modifiais depuis des jours. Retour à la case départ.
Le plus absurde : Claude et Codex introduisaient parfois des fautes de frappe — pas des erreurs de raisonnement, seulement des mots mal orthographiés dans les instructions qu’ils écrivaient pour eux-mêmes. Ces erreurs triviales ont doublé le temps passé à chercher les problèmes, parce que l’on suppose toujours que quelque chose de fondamental est cassé, et l’on passe des heures à regarder la vue d’ensemble avant de découvrir qu’il manque une lettre à un mot.
Quatre ou cinq jours de cette boucle : corriger, casser, corriger, casser — la sensation de courir sur place. À la fin, j’ai dû extraire les sections critiques et les relire ligne par ligne, manuellement. Difficile d’être plus loin de l’idée de « gagner du temps avec l’IA ».
Le système de mémoire fonctionne maintenant, peut-être 80 à 90 % du temps. La mémoire en temps réel renvoie encore parfois des erreurs, mais au moins les agents ont consigné assez de leur propre historique de corrections pour que je puisse retracer ce qui s’est passé. Reste-t-il des bugs ? Oui. Suis-je raisonnablement convaincu que les trois couches tiennent ? En grande partie. Croisons les doigts.
Les outils n’ont jamais été aussi accessibles. Le jugement nécessaire pour bien les utiliser n’a jamais été aussi rare.
Claude Code en action — ce à quoi ressemble réellement « travailler avec l’IA »
Et puis il y a ce que cela vous fait. Pendant environ deux semaines, j’ai vraiment eu l’impression d’étouffer. Des agents demandaient constamment des permissions, réclamaient des décisions, produisaient des résultats plus vite que je ne pouvais les relire. Je travaillais jusqu’à 2 ou 3 h du matin chaque nuit — non pas parce que je devais le faire, mais parce que je n’arrivais pas à m’arrêter. J’ai commencé à appeler cela la limite de débit humaine des tokens : le goulot d’étranglement du système n’est plus la machine. C’est vous.
Et cela vous accroche. Des chercheurs ont constaté que la nature non déterministe des réponses de l’IA active les circuits dopaminergiques d’une manière comparable aux machines à sous — des récompenses variables qui vous poussent à chercher le prochain déclencheur. Une étude de HBR publiée ce mois-ci a confirmé le schéma : « Les outils d’IA n’ont pas réduit le travail — ils l’ont systématiquement intensifié. »
Il y a une scène dans The Matrix où Neo se réveille et comprend qu’il a été branché à un système, générant une production qu’il croyait être sa propre vie. Le parallèle n’est pas exact, mais la sensation est inconfortablement familière. Ma conseillère l’a résumé plus simplement : « Vous m’avez dit que l’IA était censée vous libérer du temps. Pourquoi êtes-vous plus stressé qu’avant ? »
Je soupçonne que c’est l’une des questions existentielles de la vague IA — non pas de savoir si la technologie fonctionne, mais ce qu’elle fait aux personnes qui l’utilisent le mieux. Cela dépasse mon expérience personnelle. Je cherche encore comment vivre à l’intérieur de tout cela. Si vous empruntez ce chemin, vous devrez aussi le découvrir.
Si vous commencez maintenant
Si vous sentez qu’il y a plus à tirer de l’IA que ce que vous en obtenez aujourd’hui, vous avez raison. Ce que je n’avais pas compris, c’est que l’IA réduisait la distance depuis son propre côté — les outils sont devenus tellement meilleurs, tellement vite, que vous êtes peut-être à un pas d’un basculement qualitatif sans le savoir. Choisissez une tâche qui compte vraiment pour vous. Donnez à l’IA un contexte réel. Laissez la confiance se construire à partir de là. Le doute ne disparaîtra pas — il change simplement de forme — et la taxe d’apprentissage continue d’être prélevée. Mais les retours sont réels.
La ligne entre discuter avec l’IA et travailler avec l’IA s’élargit. Angelo Robles, qui a travaillé avec plus d’une centaine de familles milliardaires, l’a dit sans détour : « Ce qui nécessitait autrefois vingt employés nécessite aujourd’hui une ou deux personnes avec l’IA. » J’ai franchi ce pas il y a deux mois. C’était brouillon, épuisant et inachevé — j’ai failli m’épuiser complètement. Je n’écris pas depuis le sommet de la montagne. J’écris depuis la moitié de l’ascension, à bout de souffle.
Mais je ne reviendrais pas en arrière.
Dans les prochains articles, j’irai plus loin — données concrètes sur les agents d’IA, manière dont mon équipe utilise ces outils au quotidien, et façon dont nous repensons le produit de Canopy à l’intersection de l’IA et de la gestion de patrimoine. Mais s’il n’y a qu’une chose à retenir de ce texte : le gouffre peut être franchi. Cela commence par une tâche.
Mu Chen est CEO of Canopy, qui accompagne plus de 60 family offices et clients UHNW dans le monde, et suit plus de 90 milliards USD d’actifs. Il est également chargé de cours invité à Tsinghua PBCSF. Il écrit sur la ligne de front entre IA et gestion de patrimoine dans Amongst Families.
[1] M. Karen Shen & Dongwook Yoon, “The Dark Addiction Patterns of Current AI Chatbot Interfaces”, CHI 2025
[2] Aruna Ranganathan & Xingqi Maggie Ye, “AI Doesn’t Reduce Work — It Intensifies It”, Harvard Business Review, February 2026
[3] Angelo Robles, Family Office Association
