Author: Jean-Philippe St-Jacques

  • Taylorism Is Back — It Traded the Stopwatch for an Algorithm

    In 1911, Frederick Taylor timed workers’ every move to turn work into standards. His promise: more efficiency, decided by data rather than habit.

    A century later, his logic runs warehouses, call centres and sales floors. The stopwatch became a dashboard, then an algorithm. Targets arrive in real time, tasks are sliced up by software, performance is measured continuously.

    Efficient? Often. Neutral? Never.

    A measurement system is a behaviour system. People optimize what you measure — not necessarily what matters. When the metric becomes the target, it stops being a good metric: teams learn to feed the number instead of serving the client.

    That is exactly where governance comes in. Not as a brake, but as the guardrail that asks three questions before the machine runs away with itself:

    1. What are we measuring — and why that?
    2. Who can challenge the number when the field says otherwise?
    3. What happens to what we don’t measure: trust, judgment, ethics?

    The lesson, applicable on Monday: before adding one more metric to your dashboard, ask what it will make your people do. A KPI is never just a measuring tool — it is an instruction in disguise. Governing is not about slowing efficiency down; it is about deciding what efficiency is not allowed to sacrifice.

    Managers who are acted upon by their systems end up managed by them. Those who govern their systems keep human judgment at the centre. Act, don’t be acted upon.

  • Le taylorisme est de retour — il a troqué le chronomètre contre l’algorithme

    En 1911, Frederick Taylor chronométrait les gestes des ouvriers pour en tirer des standards. Sa promesse : plus d’efficacité, décidée par les données plutôt que par l’habitude.

    Un siècle plus tard, sa logique dirige des entrepôts, des centres d’appels et des planchers de vente. Le chronomètre est devenu un tableau de bord, puis un algorithme. Les objectifs arrivent en temps réel, les tâches sont découpées par le logiciel, la performance est mesurée en continu.

    Efficace ? Souvent. Neutre ? Jamais.

    Un système de mesure est un système de comportement. Les gens optimisent ce que vous mesurez — pas nécessairement ce qui compte. Quand l’indicateur devient la cible, il cesse d’être un bon indicateur : les équipes apprennent à nourrir le chiffre plutôt qu’à servir le client.

    C’est exactement là que la gouvernance entre en jeu. Pas comme un frein, mais comme le garde-fou qui pose trois questions avant que la machine s’emballe :

    1. Qu’est-ce qu’on mesure — et pourquoi celui-là ?
    2. Qui peut contester le chiffre quand le terrain dit le contraire ?
    3. Qu’arrive-t-il à ce qu’on ne mesure pas : la confiance, le jugement, l’éthique ?

    La leçon, applicable dès lundi : avant d’ajouter un indicateur à votre tableau de bord, demandez-vous ce qu’il va faire faire à vos gens. Un KPI n’est jamais un simple outil de mesure — c’est une instruction déguisée. Gouverner, ce n’est pas ralentir l’efficacité ; c’est décider ce qu’elle n’a pas le droit de sacrifier.

    Le gestionnaire qui subit ses systèmes finit dirigé par eux. Celui qui les gouverne garde le jugement humain au centre. Agir, pas subir.

  • La décision que personne ne possède

    Ce que révèle un sondage mondial mené auprès de 300 dirigeants bancaires sur l’IA, la performance et le vide de responsabilité.

    Soixante-trois pour cent.

    C’est la proportion de dirigeants bancaires — 300 d’entre eux, répartis dans 31 pays, dans une nouvelle étude de FT Longitude, SAS et Microsoft — qui déclarent qu’ils utiliseraient un modèle d’IA « boîte noire », un modèle dont le raisonnement reste largement opaque, s’il offrait une meilleure performance qu’une solution explicable.

    Relisez bien. Pas « le toléreraient ». Le choisiraient. En toute connaissance de cause.

    Maintenant, placez ce chiffre à côté des autres données du même rapport. Seulement 18 % de ces institutions disposent aujourd’hui d’une gouvernance de l’IA pleinement opérationnelle et intégrée. Quarante-deux pour cent n’ont aucun mécanisme d’arrêt défini pour désactiver un modèle qui franchirait ses limites. Dix-neuf pour cent surveillent la dérive de leurs modèles en temps réel. Et 92 % reconnaissent qu’au moins un grand modèle de langage fonctionne déjà dans leur institution, en dehors de tout cadre de gouvernance formel.

    On délègue les décisions plus vite que la responsabilité qui les accompagne.

    Ce n’est pas un problème de technologie

    Une décision qu’on ne peut pas expliquer est une décision que personne n’assume.

    Quand un client demande : « Pourquoi mon crédit a-t-il été refusé ? », quelqu’un doit pouvoir répondre. « C’est le modèle qui a décidé » n’est pas une réponse — c’est une démission déguisée en innovation. L’explicabilité n’est pas une fonctionnalité destinée aux scientifiques de données. C’est le mécanisme qui relie une décision à une personne qu’on peut questionner, corriger et tenir responsable. Retirez-le, et la responsabilité ne se transfère pas à la machine. Elle s’évapore.

    J’ai déjà vu ce scénario, sous une forme plus lente. Pendant deux décennies, l’industrie a optimisé ce qui se comptait — les cibles, les volumes, les résultats trimestriels — et découvert, à répétition et à grands frais, ce qu’il advient de la confiance quand la personne en face du client ne peut plus expliquer ni défendre ce que le système exige. L’ère des indicateurs a appris aux employés de première ligne à servir la mesure. L’ère de l’IA risque d’enseigner la même leçon à des institutions entières, à la vitesse de la machine.

    La performance se mesure ce trimestre. La responsabilité, elle, ne devient visible que le pire jour — le jour où un modèle inexplicable commet une erreur lourde de conséquences, et où personne dans l’édifice ne peut dire pourquoi.

    La ligne n’est pas « jamais » — c’est « proportionnel »

    L’opacité n’est pas toujours une faute. La détection de la fraude ne doit un essai à personne. La reconnaissance de motifs appliquée à des décisions à faible enjeu et réversibles peut être déléguée en toute conscience.

    La faute éthique commence là où les enjeux deviennent personnels et la décision contestable : un prêt refusé, un compte fermé, un client signalé. Ces décisions-là méritent un être humain capable d’en répondre.

    Une institution canadienne citée dans le rapport décrit cet équilibre simplement. Chez Tangerine, plus de 90 % des décisions de crédit au détail reposent désormais sur l’IA, avec très peu d’intervention humaine — mais pour les portefeuilles à haut risque, la banque a délibérément gardé l’humain dans la boucle « jusqu’à ce que nous ayons davantage confiance en la technologie ». Une autonomie proportionnelle aux enjeux. Une explicabilité proportionnelle aux conséquences. Voilà la ligne.

    Ce qu’« en répondre » exige vraiment

    La gouvernance, ce n’est pas un comité et un PDF. C’est une courte liste de disciplines sans glamour :

    • Un inventaire. On ne peut pas gouverner des modèles qu’on n’a pas répertoriés. Quand 92 % des institutions découvrent des modèles qui tournent hors de leurs cadres, le premier problème n’est pas l’éthique — c’est la vue.
    • Un responsable nommé. Chaque modèle aux conséquences réelles devrait avoir un être humain dont le travail est d’en répondre.
    • Un mécanisme d’arrêt, et le cran de s’en servir. Quarante-deux pour cent des institutions n’en ont pas. Ce n’est pas un retard technologique ; c’est une décision, prise à l’avance, de laisser la machine rouler.
    • Une surveillance à la hauteur de l’autonomie. Plus le modèle est indépendant, plus la vigilance doit être rapprochée — pourtant, seulement 19 % surveillent la dérive en temps réel.
    • Une gouvernance à la vitesse de l’adoption. Le titre du rapport le dit lui-même : Why AI at Scale Needs Governance at Speed (pourquoi l’IA à grande échelle exige une gouvernance à la même vitesse).

    Rien de tout cela ne ralentit une institution sérieuse. Comme le dit un chef du risque européen cité dans le rapport, la gouvernance, c’est avoir fait ses devoirs, créé les balises, fixé les règles — et ensuite, être prêt à avancer.

    La facture arrive toujours

    Trois dirigeants bancaires sur quatre s’attendent à ce que l’IA prenne des décisions autonomes de crédit et de risque à grande échelle d’ici cinq ans. Cet avenir s’en vient, peu importe ce que l’un ou l’autre d’entre nous écrira à son sujet.

    La seule question ouverte : quand la première décision inexplicable causera un préjudice réel — et ce jour viendra — l’institution pourra-t-elle encore faire la seule chose sur laquelle la banque a toujours reposé : regarder un client, un régulateur ou un tribunal dans les yeux et s’expliquer ?

    La performance se rapporte chaque trimestre. La confiance, elle, se compose sur des décennies — et peut se dépenser en une seule décision que personne ne peut expliquer.

    Une décision que personne ne peut expliquer est une décision que personne ne possède. Et dans le secteur bancaire, les décisions sans propriétaire sont la façon dont de bonnes institutions finissent dans de mauvais journaux.


    Jean-Philippe St-Jacques est un dirigeant des services financiers et associé chez 5 Mindset Consulting. Il écrit sur le leadership, l’éthique et la gouvernance de l’IA.

    Source : FT Longitude, SAS et Microsoft, « Why AI at Scale Needs Governance at Speed » — sondage mondial mené auprès de 300 dirigeants bancaires dans 31 pays (rapport publié le 27 octobre 2026).

  • The Decision Nobody Owns

    What a global survey of 300 banking leaders reveals about AI, performance, and the accountability gap.

    Sixty-three percent.

    That is the share of banking leaders — 300 of them, across 31 countries, in new research by FT Longitude, SAS and Microsoft — who said they would use a black-box AI model, one with little or no transparency into how it decides, if it delivered better performance than an explainable alternative.

    Read that again. Not “would tolerate.” Would choose. Knowingly.

    Now place that number next to the others in the same report. Only 18% of these institutions have fully operational, embedded AI governance today. Forty-two percent have no defined kill switch to deactivate a model that crosses its boundaries. Nineteen percent monitor model drift in real time. And 92% acknowledge that at least one large language model is already operating inside their institution outside formal governance frameworks.

    The decisions are being delegated faster than the accountability for them.

    This is not a technology problem

    A decision that cannot be explained cannot be owned.

    When a client asks, “Why was my credit refused?” someone has to answer. “The model decided” is not an answer — it is an abdication dressed up as innovation. Explainability is not a feature for data scientists. It is the mechanism that connects a decision to a person who can be questioned, corrected, and held responsible. Remove it, and responsibility does not transfer to the machine. It evaporates.

    I have watched this pattern before, in a slower form. For two decades, the industry optimized what could be counted — targets, volumes, quarterly numbers — and discovered, repeatedly and expensively, what happens to trust when the human being in front of the client can no longer explain or defend what the system demands. The KPI era taught front-line employees to serve the metric. The AI era risks teaching entire institutions the same lesson, at machine speed.

    Performance is measurable this quarter. Accountability only becomes visible on the worst day — the day an unexplainable model makes a consequential mistake, and no one in the building can say why.

    The line is not “never” — it is “proportional”

    Opacity is not always wrong. Fraud detection does not owe anyone an essay. Pattern recognition on low-stakes, reversible decisions can be delegated with a clear conscience.

    The ethical failure begins where the stakes become personal and the decision becomes contestable: a refused loan, a closed account, a flagged customer. Those decisions deserve a human being who can answer for them.

    One Canadian institution in the report describes the balance plainly. At Tangerine, more than 90% of retail credit decisions are now AI-based, with very little human involvement — but for high-risk portfolios, the bank has deliberately kept the human in the loop “until we have more confidence in the technology.” Autonomy proportional to the stakes. Explainability proportional to the consequences. That is the line.

    What “answering for it” actually requires

    Governance is not a committee and a PDF. It is a short list of unglamorous disciplines:

    • An inventory. You cannot govern models you have not listed. When 92% of institutions find models running outside their frameworks, the first problem is not ethics — it is eyesight.
    • A named owner. Every consequential model should have one human being whose job is to answer for it.
    • A kill switch, and the nerve to use it. Forty-two percent of institutions do not have one. That is not a technology gap; it is a decision, made in advance, to let the machine run.
    • Monitoring that matches the autonomy. The more independent the model, the closer the watch — yet only 19% monitor drift in real time.
    • Governance at the speed of adoption. The report’s own title says it: Why AI at Scale Needs Governance at Speed.

    None of this slows a serious institution down. As one European risk chief puts it in the report, governance means you have done your homework, created the boundaries, set the rules — and then you are ready to run.

    The bill always arrives

    Three in four banking leaders expect AI to be making autonomous credit and risk decisions at scale within five years. That future is coming regardless of what any of us write about it.

    The only open question is whether, when the first unexplainable decision causes real harm — and it will — the institution can still do the one thing banking has always run on: look a client, a regulator, or a court in the eye and explain itself.

    Performance is reported quarterly. Trust compounds for decades, and can be spent in a single decision nobody can explain.

    A decision nobody can explain is a decision nobody owns. And in banking, unowned decisions are how good institutions end up in bad headlines.


    Jean-Philippe St-Jacques is a financial services executive and Partner at 5 Mindset Consulting. He writes on leadership, ethics and AI governance.

    Source: FT Longitude, SAS and Microsoft, “Why AI at Scale Needs Governance at Speed” — global survey of 300 banking leaders across 31 countries (reported October 27, 2026).

  • L’IA peut approuver un prêt. Elle ne peut pas en assumer la responsabilité.

    Par Jean-Philippe St-Jacques

    Pendant plus de vingt ans en services financiers, j’ai vécu avec une règle simple : chaque décision portait un nom. Le mien, ou celui d’un membre de mon équipe. Quand un dossier tournait mal, on ne cherchait pas un coupable — on cherchait la personne qui avait décidé, pour comprendre, corriger et apprendre.

    Cette culture de la responsabilité n’a jamais ralenti les affaires. Elle les a rendues durables. Dans les organisations que j’ai dirigées, elle a coexisté avec une croissance soutenue — des portefeuilles en forte progression, des équipes qui doublent — à travers des cycles économiques, des hausses de taux et des transformations technologiques. On peut croître vite et rester imputable. L’un n’empêche pas l’autre.

    Le décor change, la question demeure

    Aujourd’hui, les modèles décident — ou pré-décident — partout : approbation de crédit, tarification, détection de fraude, traitement des réclamations, priorisation des dossiers commerciaux. Le BSIF vient d’ailleurs de formaliser le cadre : sa ligne directrice E-23, Gestion du risque de modélisation (2027), publiée en version définitive en septembre 2025 et en vigueur le 1er mai 2027, exige des institutions financières fédérales une gestion du risque lié aux modèles — intelligence artificielle comprise — à l’échelle de l’entreprise, tout au long de leur cycle de vie.

    Le régulateur pose le cadre. Mais un cadre ne décide pas à la place des dirigeants. Et c’est là que se joue le vrai risque, qui n’est pas technologique : c’est la dilution de la responsabilité. « Le modèle l’a refusé. » « L’algorithme a produit ce prix. » Chaque fois qu’une décision automatisée n’a plus de nom, quelqu’un, quelque part, vient de se déresponsabiliser — et l’institution vient d’accepter de porter un risque qu’elle ne comprend plus.

    Aucun client ne s’en satisfera. Aucun régulateur non plus. « L’algorithme l’a fait » ne sera jamais une réponse acceptable à une question de traitement équitable.

    Quatre gestes de direction

    La bonne nouvelle : la gouvernance de l’IA n’exige pas de réinventer le management. Elle exige d’appliquer aux modèles les disciplines que les bons dirigeants appliquent déjà aux humains.

    1. Nommer un responsable pour chaque décision automatisée. Pas un comité, pas un fournisseur : une personne, dont le nom figure au dossier, qui répond du résultat — y compris quand le modèle a « décidé » seul.
    2. Documenter les données, la logique et les limites. Un modèle dont on ne peut expliquer ni les intrants ni les angles morts est un passif, pas un actif. La documentation n’est pas de la bureaucratie : c’est la condition pour pouvoir défendre une décision deux ans plus tard, devant un client, un auditeur ou un conseil d’administration.
    3. Tester les biais comme on teste la fraude. Personne ne mettrait en production un processus de paiement sans contrôle. Un modèle qui apprend sur des données historiques peut reproduire — et amplifier — les biais de ces données. Les tests doivent être périodiques, documentés et traités avec le même sérieux qu’un audit.
    4. Garantir un vrai pouvoir de dérogation. Une supervision humaine qui ne peut pas renverser la machine est une fiction. Les employés qui constatent une décision absurde doivent pouvoir la corriger — et être reconnus, pas sanctionnés, quand ils le font.

    L’effet débordera sur toute la chaîne

    E-23 vise les institutions fédérales, mais ses attentes se répercuteront sur leurs fournisseurs et partenaires : fintechs, courtiers, assureurs, fournisseurs de technologie. Le BSIF le dit : les tiers qui servent les institutions devront être prêts à démontrer leur propre gestion du risque de modélisation. Les dirigeants de PME du secteur financier qui attendront qu’on le leur impose auront déjà pris du retard. Ceux qui nomment dès maintenant un responsable, documentent leurs modèles d’aide à la décision et testent leurs biais transformeront une exigence en argument commercial.

    La conviction

    Je poursuis cet automne une formation en transformation et gouvernance de l’IA (programme IBM Lead AI Transformation, puis la certification ISO/IEC 42001). Une conviction s’y confirme : les institutions qui gagneront avec l’IA ne seront pas les plus rapides à l’adopter.

    Ce seront celles dont les leaders mettent leur nom sur le résultat.

    L’algorithme n’a pas de nom. Vos décisions doivent en avoir un.


    Jean-Philippe St-Jacques, EMBA (McGill), Adm.A., C.Mgr., est un dirigeant en services financiers comptant plus de vingt ans d’expérience de direction au sein d’institutions financières canadiennes. Il écrit sur le leadership éthique et la gouvernance de l’IA.

    D’abord publié dans l’infolettre 5 Mindset sur LinkedIn, le 21 octobre 2026.

  • AI Can Approve a Loan. It Can’t Take Responsibility for One.

    By Jean-Philippe St-Jacques

    For more than twenty years in financial services, I worked under a simple rule: every decision had a name on it. Mine, or the name of someone on my team. When a file went wrong, we didn’t look for someone to blame. We looked for the person who had decided, so we could understand, correct, and learn.

    That culture of accountability never slowed the business down. It made it durable. In the organizations I led, it coexisted with sustained growth — portfolios expanding sharply, teams doubling — through economic cycles, rate shocks, and technology shifts. You can grow fast and stay accountable. One does not prevent the other.

    The setting is changing. The question is not.

    Today, models decide — or pre-decide — almost everything: credit approvals, pricing, fraud detection, claims handling, the prioritization of commercial files. Canada’s regulator has now formalized the expectations. OSFI’s Guideline E-23, Model Risk Management (2027), issued in final form in September 2025 and effective May 1, 2027, requires federally regulated financial institutions to manage model risk — artificial intelligence included — on an enterprise-wide basis, across the model’s entire life cycle.

    The regulator sets the framework. But a framework does not decide in place of leaders. And that is where the real risk lies, and it is not technological: it is the dilution of responsibility. “The model declined it.” “The algorithm produced that price.” Every time an automated decision loses its name, someone, somewhere, has quietly shed responsibility — and the institution has accepted a risk it no longer understands.

    No customer will accept that. No regulator will either. “The algorithm did it” will never be an acceptable answer to a question about fair treatment.

    Four leadership moves

    The good news: AI governance does not require reinventing management. It requires applying to models the same disciplines good leaders already apply to people.

    1. Name an owner for every automated decision. Not a committee, not a vendor: a person, named on the file, who answers for the outcome — including when the model “decided” on its own.
    2. Document the data, the logic, and the limits. A model whose inputs and blind spots cannot be explained is a liability, not an asset. Documentation is not bureaucracy: it is what makes a decision defensible two years later, in front of a customer, an auditor, or a board.
    3. Test for bias the way you test for fraud. No one would put a payment process into production without controls. A model trained on historical data can reproduce — and amplify — the biases embedded in that data. Testing must be periodic, documented, and taken as seriously as an audit.
    4. Guarantee a real power to override. Human supervision that cannot reverse the machine is a fiction. Employees who spot an absurd decision must be able to correct it — and be recognized, not punished, when they do.

    The expectations will cascade

    E-23 targets federal institutions, but its expectations will flow to their suppliers and partners: fintechs, brokers, insurers, technology providers. OSFI has been clear that third parties serving institutions will face heightened model-risk expectations. Leaders of smaller financial-sector firms who wait to be told will already be behind. Those who name an owner now, document their decision-support models, and test them for bias will turn a requirement into a commercial argument.

    The conviction

    This fall, I am going deeper into AI transformation and governance — IBM’s Lead AI Transformation program, then ISO/IEC 42001 certification. One conviction keeps being confirmed: the institutions that win with AI will not be the fastest adopters.

    They will be the ones whose leaders put their name on the outcome.

    The algorithm doesn’t have a name. Your decisions should.


    Jean-Philippe St-Jacques, EMBA (McGill), Adm.A., C.Mgr., is a financial services executive with more than twenty years of leadership experience at Canadian financial institutions. He writes on ethical leadership and AI governance.

    First published in the 5 Mindset newsletter on LinkedIn, October 21, 2026.

  • La ruée vers l’IA : tout le monde court, personne n’a bâti la piste

    Tout le monde court.

    Chaque semaine, une nouvelle annonce : un pilote par-ci, un « centre d’excellence » par-là, un outil déployé à des milliers d’employés. La ruée vers l’intelligence artificielle ressemble à une course où personne ne veut être dernier — alors tout le monde part en même temps, dans toutes les directions.

    Le problème n’est pas la technologie. Elle fonctionne. Le problème, c’est que la plupart des organisations ne sont tout simplement pas structurées pour l’absorber.

    Adopter un outil prend une signature. Absorber une technologie prend une organisation : des données propres et accessibles, des processus clairs, des droits de décision explicites — qui décide, qui répond quand le système se trompe, qui peut arrêter la machine. Sans cette structure, l’IA ne transforme rien : elle amplifie ce qui existe déjà. Un processus confus devient un processus confus… à grande vitesse.

    J’ai passé ma carrière dans de grandes organisations. La leçon revient chaque fois : ce ne sont pas les plus rapides qui gagnent, ce sont les mieux structurés. Avant d’accélérer, trois chantiers, dans l’ordre :

    1. La gouvernance avant les outils. Qui est responsable de chaque usage, avec quel niveau d’autonomie, et quel mécanisme d’escalade quand ça dérape ? Si personne ne peut répondre en une phrase, vous n’êtes pas prêt à déployer — vous êtes prêt à espérer.

    2. Les données et les processus avant les modèles. Un modèle entraîné sur des données incohérentes produit des décisions incohérentes, plus vite et avec plus d’assurance. Le travail invisible — nettoyer, documenter, clarifier — est le vrai projet. Le modèle n’en est que la fin.

    3. Les capacités avant les licences. Former les gens à comprendre ce que l’outil fait, ses limites et leurs nouvelles responsabilités vaut plus que mille licences logicielles. Une équipe qui sait juger la machine la rend productive ; une équipe qui la subit la contourne.

    La ruée va finir. Elles finissent toujours. Quand la poussière retombera, il restera deux sortes d’organisations : celles qui auront couru, et celles qui auront bâti. Les secondes auront peut-être démarré plus lentement — mais elles seront encore debout, avec des résultats qu’elles peuvent expliquer et défendre.

    La vitesse sans structure, c’est du mouvement. Pas du progrès.

    — Jean-Philippe St-Jacques

  • The AI rush: everyone is running, nobody built the track

    Everyone is running.

    Every week brings another announcement: a pilot here, a “centre of excellence” there, a tool rolled out to thousands of employees. The rush into artificial intelligence feels like a race nobody wants to finish last — so everyone starts at once, in every direction.

    The problem is not the technology. It works. The problem is that most organizations are simply not structured to absorb it.

    Adopting a tool takes a signature. Absorbing a technology takes an organization: clean, accessible data, clear processes, explicit decision rights — who decides, who answers when the system gets it wrong, who can pull the plug. Without that structure, AI transforms nothing: it amplifies whatever is already there. A confused process becomes a confused process… at high speed.

    I have spent my career in large organizations. The lesson comes back every time: the winners are not the fastest, they are the best structured. Before you accelerate, three builds, in this order:

    1. Governance before tools. Who is accountable for each use, with what level of autonomy, and what escalation mechanism when things go off the rails? If nobody can answer in one sentence, you are not ready to deploy — you are ready to hope.

    2. Data and processes before models. A model trained on inconsistent data produces inconsistent decisions, faster and with more confidence. The invisible work — cleaning, documenting, clarifying — is the real project. The model is just the end of it.

    3. Capability before licences. Training people to understand what the tool does, its limits, and their new responsibilities is worth more than a thousand software licences. A team that can judge the machine makes it productive; a team that endures it works around it.

    The rush will end. They always do. When the dust settles, two kinds of organizations will remain: those that ran, and those that built. The second group may have started more slowly — but they will still be standing, with results they can explain and defend.

    Speed without structure is motion. Not progress.

    — Jean-Philippe St-Jacques