# padhi-mckinsey-ai-operating-system-ceos-2026-10-01

## Veille

Article de **Asutosh Padhi**, **Brian Elliott**, **Daniel Swan**, **Kim Baroudy** et **Vik Sohoni** (senior partners, McKinsey), présenté comme exprimant les vues de **QuantumBlack, AI by McKinsey**, publié en **octobre 2026** (jour non précisé, daté du 1ᵉʳ par convention) ; 12 pages, 2 exhibits, un tableau, un encadré d'architecture et deux cas.

**(1)** Constat chiffré tiré de l'enquête **State of AI 2026** : **40 %** des répondants de grandes entreprises (plus d'**1 Md$** de CA) déclarent avoir passé des agents à l'échelle, mais **6 %** attribuent à l'IA au moins **5 % de l'EBIT**, niveau stable sur un an ; *« it is changing how the enterprise itself works »*. **(2)** L'**AI OS**, *« second brain »* de l'entreprise : couche permanente qui maintient le contexte, raisonne entre fonctions, recommande ou exécute et apprend des résultats. Architecture en deux étages : l'existant (infrastructure, données laissées en place, LLM multi-fournisseurs sans entraînement sur les données) et, par-dessus, couche sémantique (ontologies, graphes de connaissances), modèles déterministes exposés aux agents, orchestration d'agents réutilisables, couche d'expérience. **(3)** Six priorités, dont la règle *« Own the context; rent or replace the technology »*, un à trois AI OS au plus, la réutilisation des composants d'ontologie (exhibit 2) et l'économie de l'IA (coût unitaire du token **−95 %**, dépense **×3**). **(4)** Quatre bascules managériales : intervention sur signal plutôt que calendrier, pilotage continu, jugement plutôt que circulation d'information, connexions directes plutôt que couches (de **10-12** à **20-40** rapports directs, posé comme question). **(5)** Deux cas anonymes (un OEM mondial, un industriel américain : **~100** sources, première phase en **~16 semaines**) et quatre premières actions.

Les gains annoncés (planification jusqu'à **×10**, première valeur en **~12 semaines**, cycles **−90 %**) sont attribués à *« our experience »*, sans méthode ni périmètre. Rapproche du TO agentique de [[covington-mckinsey-agentic-transformation-office-2026-09-01]], du même éditeur.

## Titre Article

The AI operating system: A new way for CEOs to run the enterprise

## Date

2026-10-01

## URL

https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-ai-operating-system-a-new-way-for-ceos-to-run-the-enterprise

## Keywords

AI operating system, AI OS, second cerveau, second brain, système d'exploitation IA, couche sémantique, ontologie d'entreprise, graphe de connaissances, contexte d'entreprise, orchestration d'agents, réutilisation, souveraineté du contexte, own the context, enfermement propriétaire, économie de l'IA, coût des tokens, State of AI 2026, EBIT, management par signal, pilotage continu, délayering, droits de décision, McKinsey, QuantumBlack

## Authors

Asutosh Padhi, Vik Sohoni (Chicago), Brian Elliott (Carolinas), Daniel Swan (Connecticut), Kim Baroudy (Copenhague) — senior partners, McKinsey (QuantumBlack).

## Ton

Profil : article de conseil adressé aux PDG et comités exécutifs, sur un ton prescriptif et confiant. Le texte s'ouvre sur un scénario narratif heure par heure (une assureuse face à un plafonnement réglementaire des marges, du mardi au jeudi), pose ensuite le paradoxe adoption/valeur avec des chiffres d'enquête maison, définit l'objet, puis enchaîne les listes de priorités, de bascules et d'actions. Chaque bascule managériale se termine par des « Key CEO questions », ce qui laisse ouvertes les propositions les plus organisationnelles (délayering, culture, confiance). Les gains et les cas sont anonymes et rapportés à l'expérience des auteurs ; le vocabulaire (moat, compounding advantage, second brain) est celui de la stratégie plus que de l'ingénierie. L'encadré d'architecture reste générique, sans produit ni éditeur nommé.

## Pense-betes

- **Paradoxe** : 40 % des grandes entreprises ont des agents à l'échelle, 6 % voient ≥ 5 % d'EBIT attribuable à l'IA (State of AI 2026, stable sur un an).
- **Définition** : AI OS = couche de management continue — contexte, raisonnement transverse, recommandation/exécution, apprentissage ; un cockpit temps réel, pas un dashboard rétrospectif.
- **Scénario** : assureuse, ~140 produits dans 7 pays, définitions de marge divergentes ; 9 produits en infraction après contestation d'une hypothèse ; décisions du comité enregistrées comme garde-fous ; suivi post-lancement.
- **Architecture** : existant intact (cloud propre ou on-prem en cible, données en place, LLM multi-fournisseurs dont open-weight, pas d'entraînement sur les données) + couche sémantique, modèles ML déterministes en outils, agents réutilisables avec routage de modèles, couche d'expérience.
- **Règle** : *Own the context; rent or replace the technology* ; 1 à 3 AI OS max ; refonte bout en bout (industriel : 140-180 M$/an sur ventes et opérations).
- **Économie** : token −95 %, dépense ×3 ; le modèle le moins cher coûte plus s'il produit des erreurs coûteuses.
- **Management** : signal > calendrier ; plan *always-on*, goulot déplacé vers le terrain et les fonctions de contrôle ; jugement > transmission ; 10-12 → 20-40 rapports directs (question ouverte).
- **Actions** : 3 à 5 domaines, gouvernance sémantique, financer l'AI OS partagé et non des cas d'usage, redéfinir les droits de décision humains/agents.
- ⚠️ **Portée** : gains (×10, 12 semaines, −50 % délai de ROI, −90 % cycles) sans méthode ni périmètre ; cas anonymes.

## RésuméDe400mots

L'article s'ouvre sur un scénario. La PDG d'une assureuse internationale apprend que des régulateurs veulent plafonner les marges de certains produits. En quelques minutes, l'AI OS de l'entreprise lit les projets de règles, les confronte au catalogue et identifie environ 140 produits concernés dans sept pays, dont un tiers à risque, tout en signalant que chaque régulateur définit la marge différemment. Les patrons de pays valident ; l'un d'eux conteste une hypothèse d'allocation de coûts et ramène le nombre de produits en infraction à neuf. Le lendemain, le système modélise les options (repricing, refonte, commissions, retrait), le comité arrête un plan que le système enregistre comme garde-fous, puis des agents génèrent des conceptions et des prix soumis aux actuaires, à la conformité et aux responsables de ligne. Après le lancement, le système surveille chaque produit ; la réglementation suivante sera traitée plus vite.

Les auteurs partent d'un écart : selon l'enquête State of AI 2026 de McKinsey, 40 % des grandes entreprises ont déployé des agents à l'échelle, mais 6 % seulement attribuent à l'IA au moins 5 % de leur EBIT. Le défi n'est plus l'adoption mais le fonctionnement de l'entreprise. L'AI OS, second cerveau de l'entreprise, maintient le contexte, raisonne entre fonctions, recommande ou exécute des décisions et apprend des résultats. Il repose sur l'existant (infrastructure, données en place, modèles de plusieurs fournisseurs) et ajoute une couche sémantique faite d'ontologies et de graphes de connaissances, des modèles analytiques déterministes appelés par les agents, une orchestration d'agents réutilisables et une couche d'expérience.

Six priorités guident la construction : posséder le contexte et louer ou remplacer la technologie ; limiter le nombre d'AI OS à un, deux ou trois ; refondre les processus de bout en bout ; concevoir pour la réutilisation afin que l'avantage se cumule ; intégrer l'économie de l'IA, le coût du token ayant baissé de plus de 95 % quand la dépense a triplé ; partir des technologies déjà payées.

Le management doit changer : intervenir sur signal plutôt que selon un calendrier, piloter en continu, consacrer le temps des dirigeants au jugement et passer par des connexions directes plutôt que par des couches, au point d'envisager 20 à 40 rapports directs par manager. Un OEM mondial et un industriel américain illustrent la démarche. Les auteurs recommandent de cibler trois à cinq domaines, de fixer la gouvernance sémantique, de financer l'AI OS partagé et de redéfinir les droits de décision.

## GrapheDeConnaissance

- McKinsey —publie→ article The AI operating system (DOCUMENT, 0.97)
- QuantumBlack —fait_partie_de→ McKinsey (ORGANISATION, 0.95)
- Asutosh Padhi —travaille_chez→ McKinsey (ORGANISATION, 0.95)
- article The AI operating system —référence→ State of AI 2026 (DOCUMENT, 0.95)
- State of AI 2026 —mesure→ 40 % des grandes entreprises déclarent des agents à l'échelle, 6 % attribuent à l'IA au moins 5 % de l'EBIT (MESURE, 0.92)
- McKinsey —a_créé→ AI operating system (CONCEPT, 0.8)
- AI operating system —utilise→ Couche sémantique (CONCEPT, 0.93)
- Couche sémantique —utilise→ Ontologie (CONCEPT, 0.92)
- Couche sémantique —utilise→ Knowledge graph (TECHNOLOGIE, 0.9)
- AI operating system —utilise→ Orchestration d'agents (METHODOLOGIE, 0.92)
- AI operating system —utilise→ LLM (TECHNOLOGIE, 0.88)
- AI operating system —permet→ Management par intervention (METHODOLOGIE, 0.88)
- McKinsey —recommande→ Own the context, rent or replace the technology (CONCEPT, 0.95)
- McKinsey —recommande→ limiter l'entreprise à un, deux ou trois AI OS (AFFIRMATION, 0.92)
- McKinsey —recommande→ financer l'AI OS partagé plutôt que des cas d'usage isolés (AFFIRMATION, 0.93)
- McKinsey —mesure→ planification jusqu'à dix fois plus rapide, première valeur en environ 12 semaines, délai de ROI réduit de 50 % (MESURE, 0.8)
- McKinsey —affirme_que→ le coût unitaire du token a baissé de plus de 95 % tandis que la dépense IA a plus que triplé (AFFIRMATION, 0.88)
- McKinsey —prédit→ des managers passant de 10-12 à environ 20-40 rapports directs (AFFIRMATION, 0.75)
- AI operating system —s_applique_à→ Assurance (CONCEPT, 0.8)

---
Canonical: https://www.thekb.eu/fr/fiches/padhi-mckinsey-ai-operating-system-ceos-2026-10-01/