Bertrand Duperrin

• OpenAI forecasts revenue of $345 billion between 2024 and 2029. Assuming this is all cash, we then calculate $488bn of spending, mainly to pay for access to compute, to arrive at their projected negative cumulative free cash flow of $143bn. And that was before the most recent announcements of $1.4 trillion in data centre commitments. A broker has more recently said the cash burn could exceed $200bn by 2030.
• We added in OpenAI’s expected cash burn and also included its rival Anthropic, also using data from the Journal. I double-checked the historic numbers against Bloomberg data and they were broadly in line.
• Time Warner’s $99 billion loss in 2002 and a similar size loss for AIG in 2008. Meanwhile, Fannie Mae and Freddie Mac lost $77bn and $59bn respectively within three quarters when the GFC struck.
• "Happy Birthday, ChatGPT?” includes exclusive transactions data from dbDataInsights (dbDIG) showing how subscriptions in major European markets have more or less flatlined since May
• But at present, no start-up in history has operated with losses on anything approaching this scale. We are firmly in uncharted territory.

3 more annotations...

• Resource Management

   
• • Predictive Analytics: AI analyzes historical and real-time data, allowing COOs to order supplies and manage inventory efficiently.
   
  • Automated Scheduling: Once a pattern is established, COOs can automate ordering schedules and assign resources to align with projects.
   
  • Real-Time Monitoring: The technology can monitor inventory and processes in real time, ensuring COOs are on top of delivery schedules and know when to place orders.
   
  • Enhance Decision-Making: COOs can leverage artificial intelligence and analytics to make smarter operational decisions.
   
  • Process Optimization: AI can identify work inefficiencies to ensure COOs develop the most effective processes. It also balances workflows evenly among teams, ensuring no one is overworked.

• Performance Monitoring

   

• With AI, performance monitoring is enhanced with the following features.

   
   
  • Automated and Objective Data: AI tools can use various metrics to measure each employee’s performance. The non-biased view ensures everyone is evaluated equally.
   
  • Real-Time Monitoring: Performance is monitored in real time, and alerts are sent when a company falls behind its goals, ensuring improvements are made.
   
  • Personalized Feedback and Development: The technology can provide performance testing and assess results, helping workers improve in specific areas.
   
  • Predictive Analytics: This strategy can be used to predict future outcomes based on past performance trends.

• Cross-Functional Collaboration

   

• AI has made these processes easier with the following systems.

   
   
  • Streamlines Workflows: AI tools can identify bottlenecks across departments, ensuring teams work well together.
   
  • Data Insights: The technology gathers data from across departments to break down silos, predict trends, make recommendations, and ensure all departments have access to the same, up-to-date information.
   
  • Improved Communication: Automated systems can help COOs create reports that can easily be shared among departments. It can also identify and connect individuals across departments to support innovation.

• Additional COO Tasks

   
• • Choosing Technologies: A COO must now determine which technologies are best suited to boost operations in their company, considering security, ease of use, and efficiency. They may partner with the CIO to make these decisions. However, their insight will be necessary.
   
  • Compliance: AI accesses data, utilizes the internet, and is, therefore, prone to security issues. The COO must ensure that the technology they use does not pose any compliance risks. It should align with GDPR and ensure transparency, explainability, and bias mitigation.
   
  • Operational Transformation: The COO must lead the operational transformation within their department, guiding the culture, and ensuring everyone is trained on new technology. They must address anxieties that may arise from the shift.
   
  • ROI Focus: Returns should be at the heart of every business decision. COOs must ensure the new technology helps generate revenue and boost efficiency without significantly eating into the company’s budget.
   
  • Adaptability: Though more a skill than a task, COOs must learn to be adaptable in today’s age of transformation. They should be ready to adopt new technologies quickly and pivot from one tool to another if situations change or systems fail.

6 more annotations...

• But organizations aren’t gyms where more reps equal better results. They’re complex, contradictory beasts that laugh at neat progression models.
• Real organizational evolution isn’t a linear march toward some promised land. It’s a messy, multidimensional wrestling match with competing tensions and trade-offs.
• An agentic organization doesn’t just deploy AI tools like chatbots and AI-infused deterministic workflows. It integrates AI agents as meaningful participants in value streams, decision-making, and even governance. These aren’t your garden-variety automation scripts and LLM prompts. They are digital actors that exhibit genuine autonomy, influence outcomes, and interact with humans in ways that feel more like collaboration than task execution.
• Most organizations are drowning in automation theater: they deploy AI to make existing processes faster, not fundamentally different. But agentic organizations venture into unexplored territory: they delegate actual authority to machines. They let agents make proposals, manage responsibilities, and initiate changes within defined boundaries. This shift isn’t just technical; it rewrites the social contract of how work actually gets done.

• I suggest a map that rests on two dimensions defining organizational DNA:

  1. Coordination (Horizontal Axis): How does work actually happen among people? Ranges from Structured (predefined rules and peer-to-peer agreements dominate interactions) to Emergent (autonomous individuals and teams with rapid feedback loops drive most decisions).

  2. Control (Vertical Axis): Who really makes decisions? Ranges from Centralized (control and authority hoarded at the top) to Decentralized (freedom to experiment spread across roles, teams, or networks).

• Note: Decentralized ≠ Distributed

  Decentralization is about power—who makes decisions. Distribution is about location—where people and systems sit.

• The Tower
• Agentic readiness here is predictably abysmal. Rigid processes and centralized authority create a perfect storm of resistance to autonomous execution

• The Team Network

• The Cell Structure

• The Zone of Contradiction ⁉️
  Quadrant: Structured + Decentralized

  This quadrant shouldn’t exist, but it probably does. Organizations land here when authority gets decentralized but rigid, top-down processes remain untouched. You get bureaucracy without enforcers or peer pressure that emerges to restore some semblance of control.

  This isn’t an aspirational destination. It’s organizational cognitive dissonance made visible.

• The Ecosystem
• Let’s be honest. No organization fits squarely in any of these quadrants. Most are messy hybrids that stretch across the map.

• The role of agentic systems transforms dramatically across the map:

  • Tower: Enhance executive efficiency while reinforcing central control

  • Machine: Enforce prescribed processes and ensure operational compliance

  • Team Network: Augment team collaboration and accelerate value streams

  • Cell Structure: Facilitate decentralized operations and support dynamic governance

  • Ecosystem: Function as foundational, co-governing components of the system

• Movement across the map gets driven by tensions that every organization must navigate:

  • Autonomy vs. Coordination (Individualist ↔️ Collectivist)
    Balancing individual freedom with collective needs

  • Spontaneity vs. Discipline (Experimental ↔️ Controlled)
    Balancing improvisation with governance

  • Performance vs. Agility (Optimized ↔️ Adapted)
    Balancing excellence with adaptation

  • Self-actualization vs. Resilience (Flexible ↔️ Coherent)
    Balancing individual growth with shared purpose
• Agentic transformation is never smooth because these tensions aren’t problems to solve. They’re features to manage

• . It helps leaders and change agents:

  1. Diagnose their organization’s actual structural logic and hybrid contradictions

  2. Identify internal tensions as sources of energy rather than problems to solve

  3. Design realistic steps toward agentic capability that work with constraints, not against them
• This map provides a compass. The terrain—and the route you choose through it—remains entirely yours to navigate.

17 more annotations...

• the percentage of Americans using AI to “produce goods and services” at large companies rang in at a modest 11 percent in October, the latest available survey date
• it’s suddenly moving in the wrong direction: the financial publication notes that the percentage is actually down from 12 percent in the prior survey, conducted two weeks previously.
• Back in March, the number of businesses with 100-249 employees that reported not using AI within the last two weeks stood at 74.1 percent.
• show a steady uptick in “no” results over the past few months, culminating in a dreadful 81.4 percent as of the latest poll.
• the “no” reports have crept up to 68.6 percent, up from the year’s low of 62.4 percent recorded in February.
• red flag for an industry which is expected to spend $5 trillion on AI infrastructure between now and 2030
• will require a massive increase in revenue from both business and personal AI use — the latter of which has been lagging.
• AI remains more of an experimental plaything in the workplace than a serious driver of productivity.
• One economist at Stanford who tracks the use of generative AI at work found a major drop in usage month to month: though 46 percent of respondents reported using the tech in June, that number had fallen to 37 percent by September.
• AI use at American corporations went through the roof earlier in 2025 to around 40 percent, but has since plateaued.
• models like OpenAI’s GPT-5 falling short of expected performance gains.
• an EY pulse survey of 500 senior executives found over half felt they were “failing in their role” of supporting AI in their companies.
• With a $600 billion gulf between AI revenue and AI spending, an immense amount is riding on whether the tech can start bringing home the bacon.

11 more annotations...

• he eventually diverged from the “copy the rituals” approach to Lean. T
• shaped his lifelong focus on understanding the thinking behind Toyota's methods–not the artifacts.
• including the five principles: solving the right problem, structuring for discovery, connecting the human chain, regulating flow, and making work visible.
• He draws sharp distinctions between work design and leadership style, arguing that good work design produces the behavior and culture leaders often try (and fail) to teach directly.
• nfronting executives who blame “morale problems” rather than looking at broken work systems
• the biggest gains–often 30% or more in weeks–come from redesigning intellectual work, which he calls “almost infinitely compressible.”

4 more annotations...

• Chaque nouvelle édition de l’enquête EY« Work Reimagined » sur le travail met en lumière l’écart croissant entre la disponibilité de l’IA et sa réelle appropriation par les salariés.
• lle révèle que si 91 % des salariés français déclarent utiliser l’IA au travail, seuls 27 % en font un usage quotidien, contre 37 % à l’international
• la majorité des utilisateurs se limitent à la recherche d’informations (49 %) ou à la génération de résumés (39 %), très loin d’une transformation du travail en profondeur
• Seuls 3 % des salariés français (5 % dans le monde) mobilisent plusieurs outils de façon avancée, dégageant jusqu’à une journée et demie de productivité hebdomadaire supplémentaire.
• Les salariés français expriment des réserves multiples, qu’il s’agisse de l’anxiété face à la transformation des métiers (37 % redoutent la perte d’emploi liée à l’IA, 31 % craignent l’érosion des compétences humaines), ou de la perception d’un accompagnement encore trop timide (seuls 14 % estiment recevoir une formation suffisante pour exploiter le plein potentiel de l’IA).
• Cette anxiété se nourrit d’une double réalité : la charge de travail perçue continue d’augmenter (58 % en France, 64 % dans le monde) alors que l’automatisation promise tarde à produire des effets mesurables sur l’organisation.
• Entre 33 et 44 % des salariés français déclarent avoir recours à leurs propres outils d’IA, hors du périmètre officiel de l’entreprise.
• L’étude met également en avant le phénomène du shadow AI
• La culture d’entreprise progresse, mais reste fragile : 52 % des salariés estiment qu’elle s’est améliorée en un an, mais la France demeure en retrait par rapport à la moyenne mondiale (60 %).
• n France, moins d’un tiers des organisations disposent d’une stratégie de gestion des talents suffisamment aboutie pour articuler ces différents leviers : santé et flux des talents, excellence dans l’adoption de l’IA, apprentissage et développement des capacités, transformation culturelle et rémunération globale stratégique.
• Là où ces leviers sont actionnés de façon cohérente, l’écart de productivité atteint 27 points de pourcentage en faveur des entreprises les plus avancées (et 42 points à l’échelle mondiale)
• À l’inverse, les organisations qui négligent la formation et l’intégration RH voient leur effort technologique neutralisé par l’attrition des compétences
• es salariés français qui atteignent le seuil de 81 heures de formation annuelle à l’IA déclarent une économie de 9 heures hebdomadaires, contre 14 heures en moyenne mondiale
• Selon l’étude, les salariés disposant de compétences IA ne se contentent plus des opportunités internes : ils privilégient désormais la rémunération (10 %), la qualité de l’environnement de travail (8 %) et l’accès à des technologies de pointe
• Pour les organisations, l’enjeu ne se limite donc plus à l’intégration technique de l’IA, mais s’étend à l’élaboration d’une expérience collaborateur renouvelée, centrée sur l’autonomie, la flexibilité, la reconnaissance et l’alignement des compétences avec les besoins réels du marché.
• L’étude souligne que seules 28 % des organisations dans le monde parviennent à coordonner ces dimensions de façon systémique,

14 more annotations...

• 1. Niveau 1 : Le Chat IA Conversationnel (Chat RPM)<!----> <!---->

       <!----> <!----> <!----> <!----> <!----> <!---->    

    <!---->Ce premier niveau représente le point d'entrée le plus accessible dans l'IA générative. Il consiste à déployer un assistant conversationnel dont l'objectif est d'augmenter la productivité individuelle et d'acculturer les équipes à la technologie.  <!---->

       <!----> <!----> <!----> <!----> <!----> <!---->    

    <!---->À ce stade, l'IA est un outil de connaissance<!----><!---->, elle n'interagit pas avec les systèmes opérationnels et n'exécute aucune action métier. Le modèle de langage (LLM) y joue le rôle de <!---->"Générateur de Contenu"<!----><!---->.

• L'architecture est d'une grande simplicité et repose sur un flux direct : Utilisateur → Modèle de langage (LLM) → Réponse.<!----> <!---->

       <!----> <!----> <!----> <!----> <!----> <!---->    

   

  • <!---->Outils du marché<!----> : Les fondations de ce système sont les grands modèles de langage disponibles, tels que GPT, Mistral, Gemini ou Claude.<!---->
  • <!---->Comment faire<!----> : La mise en œuvre consiste à choisir un modèle performant et à le déployer via une interface de chat sécurisée. Bien que techniquement simple, <!---->le succès repose sur une gouvernance claire des données et une stratégie d'acculturation des équipes.<!---->
    <!---->
       <!----> <!----> <!----> <!----> <!----> <!----><!----> <!----> <!----> <!---->

• 2. Niveau 2 : L'Agent IA Vertical<!----> <!---->

       <!----> <!----> <!----> <!----> <!----> <!---->    

    <!---->Ce deuxième niveau marque un franchissement de cap de valeur. C'est la <!---->décision stratégique de faire passer l'IA du statut d'outil de productivité de bureau à celui de levier d'excellence opérationnell<!----><!---->e dans un métier spécifique.  <!---->

       <!----> <!----> <!----> <!----> <!----> <!---->    

    <!---->L'agent devient un acteur capable d'exécuter des tâches concrètes au sein d'un périmètre défini (comptabilité, administration des ventes). Le modèle de langage (LLM) évolue pour devenir un <!---->"Interprète d'Intention"<!----><!---->, traduisant le langage naturel en appels d'API prédéfinis vers les systèmes de l'entreprise.
• • Lecture de données internes<!----> : L'agent peut interroger des API de systèmes comme un ERP, (ou autres ATS, E-Commerce...) pour récupérer des informations en temps réel.<!---->
  • <!---->Exécution d'actions prédéfinies<!----> : Il peut déclencher des fonctions spécifiques comme "fournir la liste des factures impayées" ou "générer un devis précis sur la base des éléments fournis".<!---->
  • <!---->Génération de documents formatés<!----> : Il est capable de produire des livrables structurés, comme un devis au format PDF.

• 1. Un <!---->LLM<!----> assure la compréhension de la demande.<!---->
  2. <!---->Un <!---->Backend<!----> (ex: FastAPI) contient la logique métier en se connectant aux outils de l'entreprise (ERP, ATS, OMS, E-Commerce...) et exécute les fonctions.<!---->
  3. <!---->Un système d'<!----><!---->authentification unique (SSO)<!----> garantit un accès sécurisé aux données.<!---->
  4. <!---->Un ensemble de fonctions techniques<!----> permettent d'interroger chaque outil pour obtenir la bonne information.<!---->
    <!---->
       <!----> <!----> <!----> <!----> <!----> <!---->    

• 3. Niveau 3 : L'Agentique Multisystèmes<!----> <!---->

       <!----> <!----> <!----> <!----> <!----> <!---->    

    <!---->L'agentique représente un changement de paradigme. Il ne s'agit plus de déployer un seul agent, mais de prendre la décision de s'attaquer à des problèmes transversaux à forte valeur ajoutée, jusqu'ici insolubles.  <!---->

       <!----> <!----> <!----> <!----> <!----> <!---->    

    <!---->Pour ce faire, on mobilise une <!---->équipe d'agents IA spécialisés<!----> qui collaborent à l'intersection des silos organisationnels, là où aucune expertise unique ne suffit. Géré par un orchestrateur, le LLM agit ici comme un <!---->"Facilitateur de Dialogue"<!----> entre ces experts virtuels.

• Analyse des Capacités et Limites<!----> <!---->

       <!----> <!----> <!----> <!----> <!----> <!---->    

    <!---->Ce niveau débloque des capacités d'analyse et de synthèse uniques, bien au-delà de la simple automatisation :<!----> <!---->

       <!----> <!----> <!----> <!----> <!----> <!---->    

   

  • <!---->Collaboration entre agents spécialisés<!----> : Chaque agent possède sa propre expertise et ses propres outils pour interroger des systèmes spécifiques.<!---->
  • <!---->Analyse multi-systèmes<!----> : Le système interroge simultanément des sources hétérogènes (OSS, BSS, CRM, logs techniques, etc.).<!---->
  • <!---->Diagnostic de cause racine<!----> : En croisant les informations, l'équipe d'agents identifie la cause la plus probable du problème.<!---->
  • <!---->Recommandation d'actions correctives<!----> : Le système propose une synthèse et des actions claires à entreprendre par le technicien.

• • Outils du marché<!----> : Des frameworks comme LangGraph, CrewAI ou AutoGen sont conçus pour gérer ce type de collaboration entre agents.<!---->
  • <!---->Agents Spécialisés<!----> : L'équipe est composée d'experts virtuels : Agent Fibre, Agent Box, Agent Wi-Fi, Agent IPTV, Agent Réseau local, Agent Historique (incidents NOC), et un Agent Synthèse qui agrège les résultats.<!---->
    <!---->
       <!----> <!----> <!----> <!----> <!----> <!---->    

• 4. Niveau 4 : L'IA Industrielle<!----> <!---->

       <!----> <!----> <!----> <!----> <!----> <!---->    

    <!---->L'IA Industrielle est le stade le plus avancé, représentant une mutation du modèle opérationnel.  <!---->

       <!----> <!----> <!----> <!----> <!----> <!---->    

    <!---->L'entreprise passe d'une posture réactive à un modèle <!---->prédictif et prescriptif<!----><!---->. À ce niveau, l'IA ne se contente plus d'assister ou de diagnostiquer : elle pilote activement des opérations physiques complexes.  <!---->

       <!----> <!----> <!----> <!----> <!----> <!---->    

    <!---->Ce niveau combine l'IA Générative avec la puissance des modèles de Machine Learning (ML) traditionnels. Le LLM est élevé au rang d'<!----><!---->"Orchestrateur Stratégique"<!----><!---->, traduisant les objectifs métier en une séquence de tâches complexes exécutées par des modèles spécialisés.

• Infrastructure de Données<!----> :<!----> <!---->

       <!----> <!----> <!----> <!----> <!----> <!---->    

   

  • <!---->Lakehouse (Databricks, Snowflake)<!----> : Il brise les silos de données en agissant comme une source de vérité unique et fiable. Il donne à l'IA une image complète et digne de confiance de la réalité pour prendre des décisions optimales.<!---->
  • <!---->Feature Store<!----> : C'est une bibliothèque "d'ingrédients experts" prêts à l'emploi (ex: saisonnalité des produits, valeur vie client). Il permet à l'entreprise de construire et de déployer de nouveaux modèles d'IA puissants beaucoup plus rapidement que ses concurrents.

• • Sources de données<!----> : Le système intègre une très grande diversité de sources en temps réel : WMS (gestion d'entrepôt), TMS (transport), OMS (commandes), capteurs IoT sur les convoyeurs, et données des robots.<!---->
    <!---->
       <!----> <!----> <!----> <!----> <!----> <!---->    
• Il s'agit de faire passer l'IA d'un rôle d'assistant passif à celui de <!---->pilote intelligent des opérations clés<!----><!---->.

• Alors que la plupart des entreprises visent des gains d'efficacité, les leaders sont plus enclins à poursuivre des objectifs de <!---->croissance et d'innovation<!----><!---->. Ils ne se contentent pas d'automatiser l'existant ; ils cherchent à transformer leur entreprise en profondeur.  <!---->

       <!----> <!----> <!----> <!----> <!----> <!---->    

12 more annotations...

• ibe coding a double-edged sword that makes it trivially easy for competitors to copy your brilliant company.
• said on the podcast “20VC” that “it’s relatively easy to create a vibe coding tool.”
• Every feature that we put out, we know that’s going to take either a few weeks or a few months for competitor to copy,
• But while vibe coding is easy — all it takes is an idea,
• “It’s very, very, very hard to create a platform that could help people build products they’ll actually use,
• “I just see stuff, say stuff, run stuff, and copy-paste stuff, and it mostly works,
• It’s an awesome foundation for a practice which is picking up billions of dollars of momentum in tech circles
• offering a particularly silly example of how fragile the AI economy has become, but he’s not wrong — if AI really does lead to a radical breakdown in the scarcity of intelligence, that’ll be extremely bad news for innovators.

6 more annotations...

• mais le relatif échec des dernières évolutions confirme qu’il y a bien un sujet de fond. Il s’agit bien d’erreurs. OpenAI l’admet d’ailleurs désormais sans détour :
• l’absence de vérification n’est-elle pas une faute, alors même qu’on exige cette rigueur d’un simple étudiant ?
• Avec 30% d’erreurs, la probabilité est telle qu’on ne peut se passer de contrôle. Peut-on sérieusement piloter une activité avec un tel taux ? 
• À titre de comparaison, les standards industriels tournent autour de 90% de fiabilité. À 70% (performance moyenne des LLM), une usine serait considérée comme hors de contrôle, générant des problèmes majeurs de qualité et de rentabilité.
• la performance humaine, dans la logistique par exemple, oscille entre 95 et 100%
• Dans une organisation, ce sont les personnes qui garantissent l’excellence ; pas les outils ni les process
• Avec 70% de fiabilité, il n’y a pas de couple hybride Homme/machine, faute d’équilibre. Sans l’intervention humaine, l’IA générative reste incapable d’atteindre les niveaux de performance exigés
• L’IA n’est utile que si l’Humain a les capacités de corriger les 30% de carence de son outil. Or, contrairement aux idées reçues, l’esprit critique et la créativité ne suffisent pas. Pour traiter les erreurs de la machine, il faut une certaine expertise métier :
• On peut blâmer l’utilisateur, mais cela n’occulte pas la réalité : avec 30% d’erreurs, l’IA n’est pas fiable. 
• Cette réalité impose une prudence légitime, alors que  les éditeurs de logiciels d’IA jugent que les entreprises n’avancent pas assez vite. Mais qui investirait massivement dans un outil non fiable ? 
• La fiabilité existe pourtant : elle se niche aujourd’hui dans les algorithmes traitant les données internes (selon le principe « garbage in, garbage out ») pour éclairer les prises de décisions humaines
• On peut générer une image primée avec l’IA, comme Boris Eldagsen au Sony World Photography 2023. Mais cela nécessite des centaines d’heures de prompts,
• N’importe quel étudiant produit aujourd’hui des présentations visuellement parfaites. Le revers de la médaille ? L’uniformisation.
• ans le recrutement, on promettait un tri de CV considérablement simplifié. C’était sans compter sur la réaction des candidats : eux aussi utilisent l’IA pour produire des CV parfaits
• On mise beaucoup sur les IA agentiques, mais l’humain acceptera-t-il d’échanger et de négocier avec une machine ? L’illusion du « tout-distanciel » a fait long feu quand la crise sanitaire s’est éloignée
• Même quand l’IA permet de gagner du temps, elle se heurte inévitablement à des problèmes qu’elle n’a pas su anticiper ou qu’elle a elle-même engendrés.
• Ainsi, l’IA n’est pas près de détruire massivement les emplois (sauf exceptions d’usage). Une tendance s’affirme désormais clairement : elle les transforme.
• Mais l’une des plus significatives est qu’elle reste, pour l’instant, au service de l’Humain dans les entreprises. Elle les repositionne au centre du jeu, et ce faisant, cela pourrait constituer bien plus qu’une simple transformation.

16 more annotations...

• Amid the rush to deploy AI tools in the enterprise, leaders are faced with a lot of competing priorities at different levels of scale
• But their time is better spent on the wider challenge of how to turn technology capabilities into business capabilities, how to create the environment and context within which enterprise AI can flourish, and the team skills and behaviours to make this happen.
• In our recent piece on world-building, we described how leadership is shifting from managing outputs to designing the worlds where humans and AI work together.
• Mapping AI Value Pathways operates within that System layer - it’s the practical method for shaping the organisation’s “physics,” ensuring that every AI experiment strengthens, rather than fragments, the world it inhabits.
• we also need to focus on how to create intelligent environments and systems, not just individual applications.
• A marketing team model that rewrites content at speed, but with a tone that breaks brand values. A finance pilot that reduces processing time, but uses data defined differently across systems. A supply-chain agent that optimises for efficiency, but erodes resilience. Each might pass narrow acceptance testing, but without oversight and management they can create inconsistency.
• And in the absence of coherence, leadership often defaults to more control - centralising decisions, adding governance layers, or outsourcing direction to vendors.

• It can help leaders see three simple things:

  1. Where the energy already is.

  2. How local wins can link to systemic gains.

  3. What environmental conditions allow or inhibit value flow.
• Where should we deploy AI next?”, leaders can start asking “What kind of world are we building, and how do today’s pathways shape it?”
• we explored world-building as a new leadership discipline, the craft of designing the organisational “physics,” “culture,” and “geography” that allow humans and AI to thrive together.
• In most enterprises today, AI work typically happens within projects: discrete pilots, proofs of concept, and platform upgrades that begin and end in isolation. Progress is measured in deliverables, but this project-based logic disrupts what should be a cumulative change
• Pathways are different. They connect experiments into evolving routes where each step builds on what came before, and where value is measured not only in outputs, but in how much the organisation itself learns and adapts.

• ozens of competing priorities resolve into one repeating loop, Map → Build → Learn, that keeps effort aligned, visible, and compounding.
• Where Value Stream Mapping helped leaders eliminate waste, Value Pathway Mapping helps eliminate fragmentation, revealing how local innovation connects and strengthens the whole
• The goal of mapping AI value pathways is not to introduce another layer of programme management or governance, but to make progress visible and reduce friction in how value emerges. The system should feel light, adaptive, and self-updating, less like a reporting mechanism, more like a shared sense-making surface.
• The Map → Build → Learn loop achieves alignment through visibility and feedback.

• When the organisation applies AI Value Pathway Mapping, the picture changes.

  Mapping exposes shared enablers, the same telemetry data feeding maintenance and logistics, the same governance model guiding supplier intelligence.

• Leaders connect these dots into a single, visible route:

  1. Efficiency: Predictive maintenance improves uptime.

  2. Augmentation: Logistics AI links the same sensor data to automate delivery routing.

  3. Adaptation: Procurement agents learn from both streams to anticipate supply disruption.

  4. Reinvention: A cross-function AI control tower now orchestrates the full chain in real time.
• Learning captured in the Learning Ledger informs the next design cycle; patterns harvested from one function accelerate adoption in others.
• By making those connections explicit, leaders transform AI from a set of parallel projects into a living system of evolving capability, the organisational equivalent of a well-designed world whose rules, feedback loops, and physics now make sense.

19 more annotations...