« La compétence clé à développer ? La curiosité ! Questionner, challenger, explorer sans cesse. »
Vanessa Vierling
Fondatrice & Présidente
Dans la pharma, secteur réglementé qui avance avec précaution, Biocodex a fait le pari d’intégrer très tôt l’IA générative. Julien Dureisseix, Chief Digital Officer, raconte une démarche collective : un COMEX engagé dès le départ, des équipes outillées et formées, une GenAI Squad au plus près des métiers.
Les Visages du Virage : des conversations à cœur ouvert avec celles et ceux qui portent des transformations stratégiques, organisationnelles, culturelles et surtout humaines. Chaque interview éclaire une initiative à partir du regard de la personne qui la mène.
Si ton rapport à l’IA était un membre de ton équipe, quel serait son poste et son caractère ?
Deux postes. Le premier, « Second Brain Officer », une sorte de deuxième cerveau : je lui confie énormément d’informations et de sujets que je porte au quotidien, pour qu’il ait le contexte et qu’on soit dans une vraie collaboration. Le second, « Chief Challenging Officer », parce qu’il me challenge en permanence sur mes approches, et plus ça va, plus les modèles sont pertinents là-dessus. C’est un peu un directeur de cabinet brillant : il prépare tout, il synthétise tout, il est disponible en permanence. Mais parfois un peu trop flatteur, un peu trop sûr de lui. Il faut toujours valider ce qu’il produit, parce qu’on peut avoir tendance à trop lui faire confiance.
Un dirigeant business à la tête du digital, de la data, de l’IA et de l’IT d’un groupe pharmaceutique : comment en arrive-t-on là ?
J’ai toujours été passionné de technologie : je codais déjà adolescent. J’ai ensuite construit ma carrière dans des fonctions de direction business et de management d’équipes, à l’international, en gardant ce prisme digital. Dès 2018, chez Biocodex, nous avons créé une entité digitale et e-commerce au niveau global, que j’ai eu la chance de piloter avec une équipe. En septembre 2021, j’ai pris la direction de notre filiale américaine. En novembre 2022, ChatGPT sortait : j’ai décidé de me reformer (cours du soir, deux heures chaque soir : Python, data, machine learning et deep learning) pour comprendre concrètement, loin des discours trop marketing, comment cette technologie pouvait être utile au business. Quand notre CEO, Nicolas Coudurier, a engagé le COMEX à se saisir du sujet, j’ai proposé de co-construire avec eux une feuille de route IA. Elle a été finalisée au premier semestre 2024 ; à mon retour des États-Unis, en septembre 2024, j’ai pris en charge sa mise en œuvre.
Pourquoi confier ce rôle à un dirigeant business plutôt qu’à un expert technique ?
Parce qu’au tout début de l’IA générative, ceux qui s’emparaient du sujet n’étaient pas uniquement les profils tech : c’étaient aussi ceux qui comprenaient bien les organisations, les process, les tâches, et qui voyaient qu’il y avait quelque chose à jouer. Il fallait faire dialoguer le business et la tech. Et comme dans beaucoup d’organisations, la question était : par où commencer ? Chez Biocodex, une valeur forte nous a aidés à nous lancer : le dare to innovate, cet esprit entrepreneurial qui nous a permis d’avancer en nous posant les bonnes questions et en fixant le bon cadre. Nous avons fait collectivement le choix d’y aller tôt : nous avons adopté ChatGPT Enterprise dès les premières étapes de notre feuille de route IA, avec la volonté d’expérimenter rapidement tout en définissant un cadre adapté aux exigences de notre secteur.
Tu as démarré par le COMEX.
Qu’est-ce que ça a débloqué ?
J’avais d’abord commencé avec mon équipe de direction aux États-Unis, dès 2023, par des sessions de démonstration : rédiger des e-mails, explorer les capacités de langage des modèles… de quoi comprendre que cette technologie allait entrer dans notre quotidien. Au niveau du groupe, c’est notre CEO qui a souhaité que la feuille de route soit co-construite avec le COMEX, et cela a été déterminant : chaque membre a pu partager ses priorités, nous nous sommes alignés sur le pourquoi et sur ce que la technologie pouvait apporter à nos activités, et les décisions ont suivi. Les membres du COMEX prennent en main les nouveaux outils dès les premières étapes : cela leur permet d’en parler à leurs équipes et de montrer l’exemple. Aujourd’hui, ils partagent volontiers « moi, j’utilise l’IA au quotidien, ça me fait gagner du temps, ça me challenge ». Nous avons constaté une forte adhésion dès le départ. L’enjeu était surtout de permettre à chacun de comprendre les capacités réelles des modèles et de s’approprier progressivement ces nouveaux outils. On entend beaucoup de discours flous sur l’IA. Or l’IA agit au niveau des tâches quotidiennes : c’est concret, pragmatique. Une fois alignés sur ce que les modèles savent faire, le débat n’était plus si, mais comment : comment déployer, à quel coût, pour quel ROI.
Comment avez-vous déployé concrètement ?
Sur trois piliers : Engage, Learn, Build. « Engage » : pour embarquer les équipes, le meilleur moyen n’est pas de les former au machine learning, c’est de leur mettre un outil entre les mains. Nous avons déployé largement Microsoft Copilot et ChatGPT Enterprise. Résultat : après un mois et demi, avant même les premières formations, le taux d’usage était déjà très élevé. Il faut faire confiance aux équipes : une fois les outils en main, elles s’en emparent très vite, chacune à son niveau. Aujourd’hui, 98 % des utilisateurs équipés se connectent chaque mois, 86 % chaque semaine, et ce sont les équipes qui viennent nous demander davantage de capacité de compute pour leurs projets. « Learn » : ateliers sur site, webinaires, et surtout des hackathons internes réunissant des collaborateurs de différents métiers, pour être au plus près des besoins de chacun. Une demi-journée en trois temps : acculturation (comment on en est arrivé là, ce que savent faire les modèles), démonstrations utiles adaptées à chaque métier, puis construction de leur premier chatbot (un système de RAG) pour dialoguer avec leurs propres données. À la sortie, l’engagement progressait et les chatbots se multipliaient. Enfin, « Build » : passer très vite en mode construction sur des cas d’usage concrets, avec la GenAI Squad.
Comment passe-t-on d’usages individuels à de la valeur collective pour l’entreprise ?
C’est la question centrale. Dès le départ, quasiment au moment de la mise à disposition des outils, nous avons créé une « GenAI Squad » : une dizaine de personnes au plus près des métiers, qui pour la plupart reportent aux membres du COMEX et connaissent les enjeux, les priorités, les projets, mais aussi les tâches répétitives et les obstacles du quotidien. Dès le lancement, OpenAI est venu la former dans nos bureaux. Trois missions : devenir experts des outils, aider les équipes de leur département, et surtout cartographier les cas d’usage à développer, puis accompagner leur développement et leur déploiement, le tout animé par notre PMO IA. C’est ce qui fait passer l’impact du niveau individuel au niveau des équipes et des départements. Car les cas d’usage les plus impactants ne sont pas top-down : ils sont bottom-up. Ce sont les équipes, au cœur des tâches et des process, qui les identifient et les construisent elles-mêmes : ChatGPT Enterprise leur permet d’expérimenter dans un environnement sécurisé.
Comment avance-t-on aussi vite dans un secteur aussi réglementé, sans prendre de risques ?
Deux obstacles se présentent souvent. Le premier, commun à beaucoup d’organisations, est technologique : les plateformes n’ont pas toujours été conçues pour l’accès à la donnée et le déploiement de l’IA, d’où l’importance d’une collaboration étroite avec la DSI. Le second, plus spécifique à la pharma, est réglementaire : l’AI Act européen, qui impose notamment de recenser les cas d’usage et leurs impacts, mais surtout la réglementation pharmaceutique, qui s’applique déjà pleinement. Notre réponse : démarrer sur des activités non soumises à la réglementation santé, et expérimenter dans des environnements sécurisés (sandbox), comme ChatGPT Enterprise. Notre PMO IA déploie une gouvernance fine sur ces sujets. On teste, on apprend, on progresse étape par étape, en pleine conscience des exigences réglementaires et éthiques du secteur.
Un cas d’usage qui illustre ce que la pharma devrait saisir ?
La pharmacovigilance. Une part importante du travail y est rédactionnelle. Les équipes ont elles-mêmes construit, dans notre environnement sécurisé, un assistant qui, à partir de leurs données et d’un cadre précis, prépare une première version des textes. Cet outil intervient en appui des équipes, sans se substituer à leur expertise ni aux processus de contrôle et de validation applicables. Les experts gardent donc la main, contrôlent et valident la qualité et la conformité de ce qui est produit. Le plus marquant, c’est que ce cas est né dans les équipes elles-mêmes : un vrai wake-up call sur la force d’une démarche qui part du terrain.
Avec le recul, qu’est-ce que tu referais différemment ?
Sur l’approche, rien : elle a été très itérative, on a appris en même temps que les modèles et les plateformes évoluaient. Nous avons progressivement structuré notre gouvernance pour accompagner le déploiement, sécuriser les usages et répondre aux exigences de notre secteur. Deux learnings quand même. Un : je mettrais tout de suite en place un administrateur de plateforme pour l’outil IA retenu, au sein du digital ou de la DSI, car les modèles évoluent chaque semaine. Deux : ne pas trop intellectualiser la formation. Se former au machine learning ou au deep learning est très technique et apporte peu pour bien utiliser les outils, dont les capacités changent chaque semaine. La première des formations, c’est la curiosité : pousser et challenger les modèles en permanence, car ce qui n’était pas possible la semaine dernière le sera peut-être la semaine prochaine. Et sur le build, rester raisonnable dans les investissements : un POC a vocation à être dépassé. Les modèles progressent si vite que certains de nos premiers développements, dont nous étions fiers, ne sont plus nécessaires aujourd’hui. Des MVP (Minimum Viable Product) légers suffisent pour apprendre.
Qu’est-ce que l’IA change dans le métier de manager ? Ce qu’elle augmente, ce qu’elle ne remplacera jamais ?
Les modèles permettent trois choses : aller plus vite (synthétiser, comprendre la donnée, proposer des options, exécuter), aller plus loin (un sujet que je ne maîtrise pas, comme un processus S&OP, les enjeux RSE ou le code, devient accessible) et faire mieux (relecture, challenge, quality checks intégrés aux agents récents). Et leurs capacités progressent très vite : des modèles ont atteint le niveau médaille d’or aux Olympiades internationales de mathématiques. Face à des outils aussi capables et aussi assertifs, le risque, c’est de perdre notre autonomie de jugement et de décision : notre capacité à agir par nous-mêmes, à décider, à assumer. On pourrait présenter en réunion ce que l’IA a cadré, décidé et produit, sans l’avoir challengé. Avant, on se construisait une conviction en travaillant le sujet en profondeur. L’IA ne doit jamais remplacer l’ownership, la décision, la relation humaine ni le sens qu’on donne à nos actions. L’enjeu : garder notre capacité à comprendre, juger, décider et donner du sens.
Quels challenges as-tu eu à arbitrer ?
J’en vois trois principaux. D’abord, la data : l’IA en a fait une burning platform. L’obsession des équipes, désormais, c’est d’accéder à la bonne donnée, de qualité, en temps réel (e-mails, SharePoint, dossiers partagés, plateformes data comme Snowflake…) pour mieux décider et mieux exécuter. Les organisations qui ne mènent pas leur transformation data rencontreront de réels obstacles. La dépendance aux modèles : s’ils tombent en panne, ou si l’accès était coupé pour des raisons géopolitiques, comment fait-on ? J’en discute avec notre CEO et les membres du COMEX. C’est pourquoi nous n’activons pas automatiquement chaque nouvelle capacité dès sa sortie : nous évaluons d’abord l’impact, le ROI et la maîtrise de cette dépendance. Nous étudions aussi l’intégration de modèles open source, installables sur nos propres serveurs, pour les tâches courantes. Enfin, l’impact environnemental des data centers et des modèles, encore difficile à objectiver faute de transparence des acteurs : nous travaillons à le mesurer. La décarbonation est un enjeu fort chez Biocodex, piloté au niveau du groupe, et il est hors de question d’avancer en aveugle. Nous avons posé une première charte d’usage plus durable, avec la volonté de mieux intégrer les impacts environnementaux dans l’évaluation de nos usages de l’IA, au même titre que leur pertinence et leur valeur ajoutée. C’est un travail que nous devons poursuivre.
Qu’est-ce qui fait qu’une transformation IA réussit vraiment ?
Le partenariat décisif des prochaines années, c’est celui entre le Chief Digital Officer et le Chief People Officer. D’un côté, comment déployer la technologie dans l’organisation ; de l’autre, comment elle transforme nos façons de travailler, nos activités et nos coopérations. Je n’ai aucun doute : cette collaboration sera centrale. Chez nous, ce partenariat existe depuis le lancement de la feuille de route : ces débats, nous les avons en COMEX, et de façon encore plus dense avec ma collègue du COMEX en charge de la stratégie RH du groupe.
Quel est le rôle du leader à l’ère de l’IA ?
Rester lucide : aborder l’IA par la peur n’a aucun intérêt. Il faut savoir dépasser les inquiétudes qu’elle peut susciter pour en comprendre les opportunités comme les limites, et prendre des décisions éclairées. Cultiver la curiosité : ce sont les bonnes questions, la capacité à challenger les modèles, qui feront la qualité de ce qu’on en retire. Oser (DARE) : expérimenter, sortir de ses habitudes, remettre en question ses certitudes et accepter de faire des choix pour faire évoluer nos façons de travailler. Et incarner l’exemplarité : pas seulement dire qu’on utilise l’IA, mais montrer concrètement comment, pour inspirer les équipes. Les managers qui l’utilisent et en parlent au quotidien avec leurs équipes sont probablement ceux qui ont le plus d’impact.
Merci à Julien pour sa franchise et sa hauteur de vue.
Partager cet article :
( À lire aussi )
