Comment Make construit la couche d'orchestration des boîtes AI-native

Make construit des outils d'automatisation de workflows depuis plus de 10 ans. La boîte s'est d'abord fait connaître pour son approche très visuelle et intuitive de l'automatisation, qui aide les utilisateurs à connecter des applications, automatiser des workflows et orchestrer des opérations sans compétences techniques avancées.

Avec le temps, Make est passée de l'automatisation no-code classique à l'orchestration AI-native. Aujourd'hui, la plateforme propose plus de 3 000 intégrations, sert plus de 150 000 clients dans le monde et travaille avec des profils qui vont du créateur indépendant aux grandes entreprises. La boîte a aussi connu une croissance rapide ces dernières années : elle a multiplié son chiffre d'affaires par 15, tout en faisant passer l'équipe de moins de 100 salariés à plus de 300.

Fabian Q Veit a rejoint l'aventure après avoir été COO de Celonis, où il a aidé à faire grandir l'un des plus gros éditeurs de logiciels enterprise d'Europe. Il a ensuite mené le rachat de Make en 2020 et en est aujourd'hui le CEO.

J'ai échangé avec Fabian Q Veit, CEO de Make, pour parler des points où les boîtes bloquent dans leur transformation IA, de la façon dont Make utilise sa propre plateforme en interne, et des raisons pour lesquelles l'orchestration et l'observabilité deviennent critiques dans les organisations AI-native.

Disclaimer : les choix d'organisation et les solutions techniques partagés dans cette newsletter ne sont pas faits pour être copiés-collés tels quels. Garde toujours en tête le contexte de ta boîte avant d'adopter quelque chose qui marche ailleurs ! 😊

‍

Former des champions IA en interne avant de passer à l'échelle

Beaucoup de boîtes abordent la transformation IA avec des plans trop larges dès le premier jour. Fabian explique que l'adoption de l'IA marche mieux quand les organisations partent de cas d'usage concrets et de salariés motivés, déjà curieux de la technologie.

Chez Make, l'idée est de créer de l'élan progressivement dans toute la boîte :

• repérer les salariés enthousiastes
• leur donner des outils rapidement
• encourager l'expérimentation
• partager les réussites en interne
• passer à l'échelle les workflows qui marchent

La direction garde un rôle important. Les leaders doivent créer assez d'énergie en interne pour que les équipes comprennent que l'IA compte, sur le plan stratégique comme opérationnel.

Make pense aussi que l'adoption de l'IA ne doit pas rester limitée aux équipes techniques. Les utilisateurs business, les plus proches des workflows, comprennent souvent mieux que personne les points de douleur opérationnels :

• les opérations client
• l'exécution commerciale
• le reporting
• les workflows marketing
• la coordination interne

« Les personnes les plus proches des process business connaissent les problèmes qu'elles veulent résoudre », Fabian Q Veit

C'est pour ça que l'accessibilité et les workflows visuels sont devenus centraux dans la stratégie produit de Make.

‍

Structurer la transformation IA autour des compétences, de la volonté et de l'environnement

Fabian a partagé un framework que Make utilise en interne et avec ses clients pour évaluer la maturité IA. Il repose sur trois dimensions :

• les compétences
• la volonté
• l'environnement

La première couche, ce sont les compétences. Les boîtes doivent comprendre à quel point les salariés sont à l'aise avec les workflows IA et où il faut de la formation.

La deuxième couche, c'est la volonté. Certains salariés se lancent naturellement plus vite que d'autres dans l'expérimentation. Ces personnes deviennent souvent des multiplicateurs internes de l'adoption.

La troisième couche, c'est l'environnement. Les leaders doivent créer des conditions qui favorisent l'expérimentation :

• l'accès aux outils
• des hackathons
• la refonte des workflows
• l'autonomie opérationnelle
• de la place pour tester

Selon Fabian, ces trois dimensions doivent évoluer ensemble.

« Si tu réussis ces trois choses, la compétence, la volonté et l'environnement, c'est tout ce qu'il te faut », Fabian Q Veit

Ce framework aide les boîtes à traiter la transformation IA comme un changement opérationnel dans toutes les équipes, et pas seulement comme une initiative technique.

Créer des leaders IA dans chaque département

Make a opérationnalisé l'adoption de l'IA en interne avec un programme appelé « Make Runs Make ».

Au départ, l'initiative visait à s'assurer que les salariés utilisaient vraiment Make en interne. Avec le temps, la boîte l'a élargie en un programme de transformation IA plus large.

Make a créé un groupe d'experts internes appelés les « Samurai ». Chaque département a au moins une personne dédiée à l'automatisation IA, aux agents et à l'orchestration de workflows.

Leur rôle :

• repérer les cas d'usage
• prioriser les opportunités d'automatisation
• estimer le potentiel de ROI
• partager les apprentissages
• accélérer l'adoption

La boîte a aussi fixé des attentes minimales d'automatisation IA dans les équipes. Les salariés sont encouragés à construire des workflows qui améliorent leur propre travail au quotidien.

Fabian a partagé un exemple de l'équipe product marketing. Une salariée a construit des « agents de lancement produit » capables de générer :

• des annonces de lancement
• des textes courts
• des textes longs
• du contenu multiplateforme
• des workflows réutilisables

L'humain relit et améliore toujours les livrables, mais la charge de travail opérationnelle change fortement.

« Sans aucun bagage en engineering, tu construis vraiment aujourd'hui des agents qui aident à débloquer beaucoup de valeur business », Fabian Q Veit

‍

Utiliser l'automatisation IA pour faire croître le chiffre d'affaires plus vite que les effectifs

Fabian a partagé un résultat business particulièrement intéressant.

Selon lui, Make a grandi d'environ 50 % en chiffre d'affaires et en nombre de clients l'an dernier, tout en gardant des effectifs à peu près stables.

Cet effet de levier opérationnel vient de l'automatisation de workflows répétitifs dans les équipes :

• le reporting
• la préparation des lancements
• les opérations client
• le traitement des données
• l'exécution des workflows

Fabian a aussi partagé un cas d'usage de Celonis autour des notes de frais de déplacement.

Avant, plusieurs salariés vérifiaient à la main les notes de frais par rapport à la politique de la boîte. Make a automatisé une grande partie du process :

• lire les documents envoyés
• vérifier le respect de la politique
• signaler les exceptions
• envoyer les cas particuliers à des humains

Résultat : environ 80 % des demandes pouvaient passer automatiquement dans le système.

Ce type d'automatisation prend encore plus de valeur pour les boîtes en forte croissance qui veulent passer à l'échelle sans créer trop de charge opérationnelle.

« Si tu dois faire quelque chose trois fois, tu devrais réfléchir à comment l'automatiser ou le confier à un agent », Fabian Q Veit

‍

Construire l'observabilité avant que les opérations IA ne deviennent trop complexes

Fabian explique que les organisations font déjà tourner des centaines, voire des milliers de workflows et d'agents en interne.

À mesure que les opérations IA passent à l'échelle, les boîtes ont besoin de visibilité sur :

• ce qui tourne
• comment les systèmes sont connectés
• où circulent les données
• où se fait la relecture humaine
• comment les workflows se comportent dans le temps

C'est pour ça que Make se positionne de plus en plus comme une couche d'orchestration visuelle pour les opérations AI-native.

La boîte met fortement l'accent sur :

• le monitoring
• la gouvernance
• les logs
• la cartographie visuelle
• la visibilité sur l'orchestration

Fabian décrit ça comme le passage d'une « boîte noire » à une « boîte de verre », où les boîtes peuvent inspecter et comprendre plus facilement leurs opérations automatisées.

« On veut être ce paysage visuel où tu peux regarder à l'intérieur et comprendre ce qui se passe », Fabian Q Veit

Ça change aussi le rôle des humains dans les organisations. Les équipes passent moins de temps à exécuter des workflows répétitifs et plus de temps à superviser des systèmes, relire des livrables et orchestrer les exceptions.

‍

Passer de l'automatisation à l'orchestration agentique

Make s'est d'abord fait connaître pour l'automatisation no-code visuelle. Aujourd'hui, la boîte évolue vers ce que Fabian appelle le « spectre de l'automatisation agentique ».

Certains workflows restent très déterministes :

• automatisations à base de règles
• chemins d'exécution prédéfinis
• systèmes opérationnels stables

D'autres deviennent plus autonomes :

• agents IA
• systèmes de raisonnement
• workflows adaptatifs
• exécution guidée par un objectif

La plupart des boîtes vont fonctionner quelque part entre ces deux approches.

Fabian explique que des process business différents demandent des niveaux de flexibilité et de contrôle différents. Les workflows sensibles demandent souvent encore une forte supervision humaine et une exécution déterministe.

En même temps, l'IA change profondément la façon dont les workflows sont construits.

Avant, les workflows no-code demandaient aux utilisateurs de cartographier chaque étape à la main. Beaucoup d'actions peuvent maintenant démarrer directement à partir de prompts en langage naturel.

Ça réduit la complexité de mise en place, tout en rendant l'automatisation accessible à beaucoup plus d'équipes.

Fabian résume cette évolution très simplement :

• le langage devient le moyen le plus rapide de construire
• les systèmes visuels deviennent le moyen le plus rapide de comprendre

‍

Adapter Make quand l'IA a changé les attentes des utilisateurs

L'un des plus gros défis pour Make a été d'adapter son produit pendant que l'écosystème de l'IA évoluait extrêmement vite.

La boîte avait d'abord grandi autour de l'automatisation no-code et des workflows visuels. Les modèles d'IA récents ont élargi ce que les utilisateurs attendaient des outils d'automatisation.

Certains workflows qui demandaient avant un paramétrage en glisser-déposer pouvaient tout à coup être générés directement à partir de prompts.

Ça a changé :

• les attentes à l'onboarding
• la création de workflows
• les modes d'interaction
• le comportement des clients
• le positionnement face à la concurrence

Fabian explique que les utilisateurs s'attendaient de plus en plus à ce que les workflows soient quasi instantanés.

En même temps, l'IA a élargi le nombre de cas d'usage que les clients pouvaient automatiser.

Make a donc dû faire évoluer :

• son produit
• son positionnement
• sa stack technique
• son modèle opérationnel
• l'expérience de création de workflows

tout en continuant à accompagner une base clients en forte croissance.

• La transformation IA marche mieux quand les boîtes combinent la conviction de la direction et une forte expérimentation bottom-up dans les équipes.
• L'adoption opérationnelle de l'IA s'accélère quand les utilisateurs business, les plus proches des workflows, peuvent construire et tester eux-mêmes des cas d'usage d'automatisation.
• Les compétences, la motivation et l'environnement de l'organisation doivent évoluer ensemble pour que la transformation IA passe à l'échelle.
• Les champions IA internes peuvent devenir des multiplicateurs très efficaces quand ils sont intégrés directement dans les équipes opérationnelles.
• L'automatisation IA crée un effet de levier opérationnel en aidant les boîtes à faire croître leur chiffre d'affaires et leur nombre de clients sans hausse proportionnelle des effectifs.
• L'observabilité et la gouvernance deviennent de plus en plus importantes quand les organisations déploient des centaines de workflows automatisés et d'agents IA.
• Les outils de workflow de demain combineront sans doute la création en langage naturel et une supervision opérationnelle très visuelle.
• Les boîtes ont besoin de niveaux d'automatisation différents selon la sensibilité des workflows, les exigences de fiabilité et le risque opérationnel.
• L'orchestration AI-native transforme progressivement les humains, d'exécutants de tâches en superviseurs de workflows et en orchestrateurs de systèmes.
• Les boîtes qui créent le plus de valeur avec l'IA font évoluer en continu, et en même temps, leurs produits et leurs workflows d'organisation