Un bon point de départ pour repenser intelligemment la division du travail avec l’IA consiste à s’attaquer aux charges les moins appréciées, comme la lourdeur administrative.

Une enquête de 2024 menée auprès de plus de 13 000 travailleurs du savoir dans six pays a révélé que plus de la moitié (53 %¹) de leur temps disparaissait dans des sables mouvants administratifs, comme planifier et replanifier des réunions, rédiger des mises à jour de statut et relancer des décisions routinières qui étaient bloquées et engluées dans la bureaucratie. Une étude de 2025² menée par Yijia Shao et ses collègues de Stanford auprès de 1 500 travailleurs dans 104 professions a confirmé qu’il s’agit du type de travail que les gens veulent que l’IA leur enlève des épaules. Ce sont des tâches répétitives, ennuyeuses, à faible valeur, parfois abrutissantes, qui doivent pourtant être réalisées et être réalisées vite et bien.

Chez Time Magazine, une source de lourdeur consistait à préparer les réunions clients. La DSI Sharon Milz a partagé : « Les commerciaux devaient fouiller dans les systèmes internes pour retrouver les interactions passées, puis parcourir le web à la recherche de communiqués de presse et de mentions dans l’actualité : des heures de travail épuisant avant même que la vraie conversation ne commence. Désormais, un assistant IA fait les recherches. Ce qui prenait autrefois quelques heures prend maintenant cinq minutes. »

Pourquoi est-il si difficile d’éviter et d’éliminer les lourdeurs administratives ? Souvent parce que les informations nécessaires pour faire avancer le travail sont piégées dans des données non structurées : e-mails, PDF, transcriptions d’appels, wikis, conversations, tickets de support, notes CRM. Lorsque les données sont dispersées entre formats et systèmes, même les tâches les plus simples se transforment en chasses au trésor numériques.

Un rapport IDC de 2023¹ estime que 90 % des données générées par les entreprises ne sont pas structurées. C’est pourquoi le PDG de Box, Aaron Levie, désigne² un point de départ évident : « Le travail qui nécessite une grande quantité de données et d’informations non structurées — documents, données visuelles à l’écran, contenu vidéo. »

Une fois que vos données non structurées sont consultables par l’IA, attaquez-vous à l’une des plus grandes usines à vase : les réunions.

Les réunions déversent des montagnes d’informations non structurées : des paroles prononcées, des idées à peine abouties, des ragots, des désaccords, des interruptions, des décisions prises à la volée et des signaux non exprimés. Tout analyser est presque impossible. L’IA peut repérer ce qui échappe aux humains et éviter à tout le monde des fouilles archéologiques dans les transcriptions et les notes éparpillées. Chez Glean, un agent populaire utilisé par les employés est le Daily Meeting Action Summary. Il extrait les actions à mener de chaque réunion que vous avez eue ce jour-là et les livre dans un récapitulatif unique sur Slack.

Chaque lieu de travail repose sur un travail invisible : planifier des relances, prendre des notes, suivre les actions à mener, rappeler aux gens de respecter les échéances. C’est un travail essentiel, mais peu gratifiant. Et depuis des décennies, il est de manière disproportionnée délégué aux femmes¹.

L’IA peut prendre en charge une partie de cette charge cachée. Comme nous l’a expliqué Kelly Daniel, Prompt Director chez Lazarus AI :

« Vous n’avez plus besoin de vous tourner vers la femme dans la pièce pour prendre des notes… Je n’ai plus à regarder autour de moi et à me demander : bon, qui va se souvenir de tout ça ? Maintenant, je peux vraiment me concentrer. »

Certaines des formes de boue les plus exaspérantes s’accumulent dans le support client. Une grande partie de cette friction frustrante (pour les employés comme pour les clients) s’accumule parce que les employés doivent fouiller dans des données non structurées, telles que d’anciens tickets, une documentation incohérente et des wikis éparpillés, pour répondre à des questions que les clients posent encore et encore. C’est un travail répétitif et régi par des règles, apparemment parfait pour l’IA.

Les dirigeants de Klarna le pensaient aussi. En 2023, cette entreprise « achetez maintenant, payez plus tard » a affirmé que son assistant IA pouvait remplacer 700 agents humains et a commencé à réduire les effectifs du support client. Pourtant, dès 2025, faisant preuve d’un leadership réfléchi, ils ont fait marche arrière. « Nous avons eu une révélation : dans un monde d’IA, rien n’aura autant de valeur que les humains », a déclaré Sebastian Siemiatkowski¹, PDG de Klarna. « Nous redoublons d’efforts — en investissant dans la dimension humaine du service : l’empathie, l’expertise et de vraies conversations », a déclaré un porte-parole de Klarna².

Traiter tout le support client comme une boue interchangeable peut se retourner contre vous. Pour certaines demandes, la plupart des clients ne se soucient que d’une réponse rapide et précise. Mais lorsque le problème est complexe ou inédit, ou qu’un client important est mécontent, votre organisation a tout à gagner à offrir un accès facile au jugement humain, à l’empathie, à la chaleur humaine et à la confiance.

Siemiatkowski a ensuite déclaré³ : « Il est tellement essentiel que vous fassiez comprendre à votre client qu’il y aura toujours un humain si vous le souhaitez. » En effet, 89 %⁴ des 1 011 consommateurs américains interrogés par la plateforme cloud Kinsta estiment que les clients devraient toujours avoir la possibilité de parler à un humain.

L’IA peut rédiger des réponses instantanées et automatiser entièrement les interactions avec les clients. Mais la confiance ne vient pas d’une efficacité aussi froide. Elle vient des aspects humains de la conversation, désordonnés, émotionnels et chronophages — comme les banalités sur vos plats préférés et les blagues lancées en passant sur l’équipe de votre ville.

Comme l’a raconté un dirigeant de Navan Travel, qui fait partie d’une entreprise mondiale du voyage, Navan¹ a décrit la rencontre d’un commercial avec le PDG d’une banque du top 10 : « Nous avons rencontré le PDG d’une banque du top 10 la semaine dernière. Le commercial savait que le directeur financier avait étudié à Villanova et adore les Knicks. Le PDG a fait Boston University et a grandi dans les environs. D’une manière ou d’une autre, il a tout relié dans une blague sur le fait que le Pape avait étudié à Villanova et qu’une intervention divine aidait les Knicks à gagner le championnat. Ce type de création de lien ? L’IA n’en est pas encore là. »

Plus vous vous appuyez sur l’IA, plus il devient facile de perdre ce qui fait que votre travail vous appartient. Sans garde-fous clairs, l’IA peut discrètement diluer votre style, aplatir votre créativité et faire en sorte que votre production ressemble à celle de tout le monde.

La créatrice de contenu sur les réseaux sociaux Aishwarya Srinivasan nous a confié qu’elle a fixé une limite stricte : pas plus de 10 % de ses publications ne peuvent être générées par l’IA. Elle a décidé que cet équilibre suffit pour obtenir un gain d’efficacité significatif sans diluer sa voix ni sacrifier l’authenticité ou le lien avec son audience.

Ce n’est pas parce que vous pouvez automatiser quelque chose que vous devriez le faire. Certaines tâches sont lentes volontairement. Certaines sont agréables. Certaines sont profondément humaines. Une étude de Stanford¹ a révélé que 41 % des startups IA de Y Combinator automatisent des tâches que les travailleurs préféreraient garder manuelles.

Dans une entreprise d’edtech, un rédacteur de contenu a décrit² les conséquences d’une nouvelle directive imposant que tout le contenu soit généré par l’IA : « Être forcé d’utiliser l’IA a transformé un travail que j’aimais en quelque chose que je redoute. En tant que personne issue du journalisme, je trouve insultant d’utiliser l’IA au lieu de créer des articles de blog de qualité sur les politiques éducatives. »

Une étude de 2025 de l’Université de Groningue³ menée dans 20 pays européens a constaté un schéma similaire. Les travailleurs occupant des emplois fortement automatisés ont déclaré ressentir moins de sens, moins de contrôle et plus de stress — même lorsque le travail était techniquement plus facile. Les travailleurs disaient se sentir comme des extensions des machines plutôt que comme des contributeurs qualifiés.

Le professeur Matt Beane, de l’Université de Californie à Santa Barbara, nous a expliqué qu’il voit cela se reproduire sans cesse dans le développement logiciel. À mesure que l’IA prend en charge davantage de code, les ingénieurs seniors sont relégués à des rôles de supervision : revue, prompting, débogage. Certains apprécient. D’autres regrettent l’art d’écrire et de construire du code.

Chez Duolingo, le membre du conseil d’administration John Lilly nous a parlé de deux personnes non ingénieures, sans aucune expérience aux échecs, qui ont utilisé des outils d’IA pour prototyper une fonctionnalité d’échecs opérationnelle en seulement quatre mois. Il nous a expliqué : « Ce n’étaient pas des ingénieurs. Ce n’étaient pas des experts des échecs. Mais ils ont construit quelque chose de réel, et cela a dépassé d’autres initiatives internes. »

L’IA a inversé l’ordre du workflow. Au lieu que des experts interviennent tôt et descendent les idées dès l’étape du tableau blanc, ils sont intervenus plus tard, une fois qu’il y avait quelque chose de concret sur lequel réagir. Lilly a expliqué : « Si vous faites intervenir les experts trop tôt, ils vous donneront toutes les raisons pour lesquelles ça ne marchera pas. L’IA a permis [aux non-ingénieurs] de montrer rapidement ce qui était possible. »

Google adopte une approche similaire. La responsable produit Madhu Gurumurthy déclare¹ qu’ils passent de longs Product Requirements Document (PRDs) à des prototypes d’abord. Avec le « vibe coding » propulsé par l’IA, les équipes prototypent désormais en code avant de rédiger de longues propositions — ce qui accélère l’itération et écarte moins d’idées prématurément.

L’inconvénient de laisser les généralistes construire en premier, c’est de savoir à quel moment les experts doivent se tenir épaule contre épaule avec les personnes les plus proches du travail. Une règle empirique utile : si le flux de travail est exploratoire et que le coût de l’échec est faible, laissez les généralistes construire en premier. Mais si le flux de travail est critique, là où des erreurs pourraient compromettre la conformité, exposer des données ou perturber les opérations essentielles, les experts doivent être intégrés dès le départ.

Le professeur de Wharton Daniel Rock a observé une tendance claire au sein des organisations nativement IA, ainsi que des entreprises historiques, comme une entreprise Fortune 500 de produits de grande consommation et une compagnie d’assurance Fortune 100, qui utilisent l’IA avec succès pour transformer leurs opérations. « Les résultats arrivent lorsque les ingénieurs IA sont intégrés directement aux unités métiers. Assis côte à côte avec les équipes commerciales, opérations ou support, ils co-développent des solutions avec les personnes les plus proches des problèmes. »

Ce n’est pas une idée nouvelle. Procter & Gamble a utilisé une approche similaire lors de sa démarche de design thinking, en intégrant des designers au sein des équipes métiers plutôt que dans un silo séparé. La Rapid Equipping Force de l’armée américaine¹ l’a fait aussi pendant le conflit en Afghanistan : ils ont déployé des technologues dans des zones de combat pour identifier des problèmes et développer des solutions prototypes avec des soldats dans les environnements où ils travaillaient, et non pas pour eux sur la base d’hypothèses douteuses quant aux besoins des soldats.

Le « vibe coding » permet à des ingénieurs logiciels débutants de générer du code qui semble exploitable sans avoir d’abord maîtrisé les fondamentaux. Mais cela produit souvent ce qu’Andy Ballester, cofondateur de GoFundMe et aujourd’hui chez EyePop.ai, et Cyril Gorlla, cofondateur de l’entreprise d’IA pour les entreprises CTGT, appellent¹ de la « bouillie IA » : du code bon marché, auto-généré, truffé de bugs, qui fait bonne impression en démo mais s’effondre à l’échelle.

S’ils reconnaissent tous deux que l’IA peut faciliter la production de code fonctionnel à la chaîne, il est souvent médiocre. La véritable excellence et l’élégance exigent toujours un savoir-faire humain et des années d’expérience. Une étude² du professeur de Stanford Erik Brynjolfsson et de ses collègues le confirme : les embauches de développeurs en début de carrière ont diminué, tandis que la demande d’ingénieurs de niveau intermédiaire et senior (35 ans et plus) n’a cessé d’augmenter.

Plusieurs dirigeants à qui nous avons parlé décrivent cela comme le « problème du dernier kilomètre ». Avec l’IA, beaucoup peuvent passer de zéro à un prototype. Mais bien moins sont capables de le mener jusqu’au bout : mise à l’échelle, sécurisation et livraison de systèmes prêts pour la production. Cette dernière ligne droite exige une expérience et un jugement auxquels on ne peut pas accéder par le « vibe coding ».

Le dernier kilomètre n’est pas seulement un problème d’ingénierie. Dans les domaines créatifs et de la connaissance, le test, c’est de savoir si le travail résonne, s’aligne et tient face à l’examen. Ce jugement final doit encore revenir aux experts.

Chez Stitch Fix, un détaillant de vêtements en ligne, ils ont utilisé des algorithmes¹ pour passer au crible le stock et les préférences des clients afin de repérer des lacunes — des styles, des couleurs, des motifs ou des tissus qui ne sont pas satisfaits. L’IA a ensuite généré des suggestions de design à partir de ces lacunes. Mais au lieu de laisser le système valider la mise en production, Stitch Fix a transmis ces suggestions à des designers humains, qui ont décidé lesquelles correspondaient à la marque, respectaient les standards de qualité et résonnaient avec les clients. L’IA a élargi l’éventail des options créatives ; les experts l’ont réduit à ce qui vaut la peine d’être fait.

Eric Colson, ancien Chief Algorithms Officer chez Stitch Fix, avait ceci à dire : « Nos cerveaux sont conçus pour la survie, pas pour l’objectivité. Nous sommes câblés pour fuir le buisson qui bruisse, pas pour nous asseoir et analyser s’il s’agit d’un lapin ou d’un tigre. L’IA n’a pas ce câblage — elle peut explorer calmement des millions, voire des milliards, de possibilités sans broncher. Elle est excellente pour élargir l’ensemble des options envisagées et classer ce qui semble le plus prometteur. Ensuite, les humains interviennent avec le contexte — marque, valeurs et stratégie — pour prendre la décision finale sur ce qui mérite d’exister. »

Tout comme avec les contenus médiocres générés par l’IA, l’IA peut donner à un travail moyen une apparence trompeusement soignée. Chez Udemy, Rebecca Stern, Chief Learning Officer par intérim, a vu des équipes utiliser l’IA pour générer des plans d’apprentissage pour le développement des employés, avec des plans détaillés, des objectifs et des quiz. En surface, les plans avaient l’air soignés. En dessous, ils passaient à côté des bases de l’ingénierie pédagogique (par exemple, en ordonnant les concepts dans le désordre, en désalignant objectifs et évaluations).

C’est le danger d’exclure les experts de la boucle. Quand l’IA saute des étapes, les failles ne se voient souvent pas avant la mise en production. Et à ce stade, les corrections sont plus difficiles, plus coûteuses et douloureusement publiques.

Certaines organisations ont créé des rôles formalisés, dédiés à traquer et automatiser les tas de lourdeurs administratives dont nous avons parlé.

Chez Glean, les membres de l’équipe « Glean on AI » travaillent en interne de manière transverse pour repérer les processus manuels qui valent la peine d’être automatisés, puis élaborent une feuille de route pour les transformer en agents pilotés par l’IA. En parallèle, une équipe « AI Outcomes » applique le même playbook avec les clients. Le modèle s’inspire du rôle de « forward-deployed engineer » de Palantir (des ingénieurs qui travaillent côte à côte avec les clients, en affinant les produits directement sur site, chez les clients).

Quora a adopté une approche similaire¹, en affectant des équipes à l’identification systématique des opportunités d’automatisation et à leur conversion en solutions d’IA.

Certains des nouveaux rôles les plus importants dans l’adoption de l’IA ne sont pas des intitulés officiels pour autant : ce sont les « champions de l’IA » ou des « influenceurs IA » internes qui diffusent de nouvelles connaissances et habitudes de pair à pair.

Le professeur de Babson College Rob Cross a constaté que, si le changement impulsé par le haut n’atteint généralement que 30 à 35 %¹ des employés, associer ces efforts formels à des influenceurs internes peut être deux fois plus efficace. C’est pourquoi il est important d’identifier vos champions de l’IA : des personnes suffisamment curieuses, crédibles et bien connectées pour inciter les autres à expérimenter.

Chez PwC, une partie du déploiement de l’IA comprenait un modèle « former les formateurs »². Le cabinet a désigné des champions de l’IA au sein de chaque ligne de service. Ces champions se sont portés volontaires pour accompagner leurs pairs, animer des exercices pratiques et adapter les cas d’usage de l’IA au travail quotidien de leur équipe.

Souvent, les meilleurs champions de l’IA ne lèvent pas la main et ne sont pas non plus nommés par leur manager — ils se révèlent par l’action. C’est ainsi qu’Uber a trouvé les siens. La responsable stratégie GenAI, Manjari Agochiya, nous a expliqué comment elle a lancé un appel à contributions ouvert pour des cas d’usage de l’IA. Elle nous a dit : « Cela a fait émerger 150 idées, mais plus important encore, cela a révélé plusieurs parties prenantes, dans divers domaines chez Uber, qui réfléchissaient à l’IA, la mettaient en œuvre de manière expérimentale et étaient enthousiastes à l’idée de partager leur parcours avec tout le monde chez Uber. Il y en avait environ 53 en Marketing et Performance Marketing, environ 30 au Juridique, et plusieurs petites équipes au sein des équipes Community Operations, Engineering et Customer Obsession. » Ces personnes qui ont levé la main avec enthousiasme sont devenues le premier véritable réseau de champions de l’IA d’Uber.

Udemy a adopté une approche similaire. Lors de ses « UDays » à l’échelle de l’entreprise, où les employés se réunissaient pour créer des prompts et des prototypes d’IA, l’équipe ne s’est pas contentée de suivre la participation ; elle a observé les comportements. La directrice de l’apprentissage par intérim, Rebecca Stern, nous a dit : « Nous avons regardé qui se présentait avec curiosité. Qui aidait les autres à apprendre. Qui partageait des outils et des conseils. Ce prisme a fait émerger 31 premiers champions de l’IA dans toute l’entreprise. » Les personnes qui font, pas celles qui parlent.

L’IA commence à faire tomber les murs entre des métiers autrefois spécialisés. Dans certains contextes, un travail qui nécessitait auparavant une équipe d’experts — chercheur, rédacteur, designer, développeur — peut désormais être réalisé par une seule personne avec les bons outils d’IA.

Dans le logiciel, un seul ingénieur doté de l’IA peut imaginer, écrire du code, générer des tests et déployer — des tâches qui exigeaient autrefois des chefs de produit, des testeurs QA et des ingénieurs release. En marketing, une personne avec l’IA peut faire de la recherche, rédiger des campagnes, concevoir des assets et programmer des publications — en fusionnant les rôles d’analyste, de concepteur-rédacteur, de designer et de responsable de campagne en un seul poste.

Krishna Mehra, ancien Head of Engineering chez Meta, soutient¹ qu’il s’agit d’une opportunité de « reconditionner » les rôles. Les startups sautent des couches de chefs de projet et d’équipes hypertrophiées, et recrutent à la place des « full-stack builders » : des personnes capables de mener une idée du concept au déploiement, en s’appuyant sur l’IA à chaque étape. Comme le note Mehra, ces rôles adaptatifs de bout en bout alimentent déjà des entreprises comme Cursor (20 personnes, 100 M$ d’ARR) et Midjourney (10 personnes, 200 M$ d’ARR) à la mi-2025.

Rebundler la façon dont le travail s’effectue signifie aussi repenser qui en est responsable. Avant l’IA, les grands projets avaient souvent plusieurs responsables, ou ce qu’Apple appelle des « DRI » (directly responsible individuals). Un responsable engineering pilotait l’exécution technique. Un responsable produit définissait les priorités. Un responsable opérations gérait la logistique.

L’IA commence à changer la donne. Dylan Field, CEO de Figma, a indiqué¹ que « des domaines qui étaient considérés comme des phases distinctes du processus de développement produit fusionnent désormais. Le produit se confond aussi avec le design et le développement, et potentiellement même avec certaines parties de la recherche. »

Tony Gentilcore, cofondateur et Head of Product Engineering chez Glean, suggère qu’il est temps de repenser les structures de responsabilité des projets. Répartir les DRI avait du sens lorsque chaque fonction devait gérer manuellement sa propre part du travail — le produit à la poursuite des exigences, l’engineering à suivre les dépendances, les ops à gérer les échéances. Mais l’IA commence à prendre en charge ces mécanismes. Les systèmes peuvent désormais générer automatiquement des mises à jour de statut, acheminer les tâches vers le bon responsable et signaler les dépendances avant qu’elles ne bloquent l’avancement. Avec cette charge administrative en moins, avoir trois DRI distincts, par exemple, peut ajouter des coûts de coordination inutiles.

L’organigramme est la manière dont nous répartissons les rôles. Il découpe le travail en cases pour que les décisions ne submergent pas les personnes. Mais les algorithmes de détection de schémas et de cartographie des connexions ne fonctionnent pas à l’intérieur de ces cases. Ils peuvent repérer des liens que les rôles traditionnels n’ont pas été conçus pour gérer.

Dans une étude de 10 mois¹ menée par Rebecca Hinds avec Melissa Valentine de Stanford, elles ont observé ce type de cartographie des connexions chez un e-commerçant qui utilisait l’IA pour optimiser les stocks. Les acheteurs (merchants) humains étaient responsables de catégories étroites comme « denim grande taille » ou « robes grande taille ». C’est ainsi que l’organigramme répartissait le travail. Les outils d’IA (et les experts), en revanche, ont identifié des schémas transverses entre catégories que les humains n’avaient pas vus (comme des pics de ventes de denim qui prédisaient des pics de ventes de robes).

Des difficultés de coordination sont apparues parce que personne n’avait le mandat d’agir sur des insights qui traversaient les silos. Ces problèmes se sont atténués après que les dirigeants ont redessiné les rôles — en élargissant les responsabilités des managers pour couvrir des gammes de produits plus larges — afin qu’il soit clair quels managers avaient la visibilité et l’autorité nécessaires pour agir sur les insights à l’échelle du système fournis par l’IA.

Le même changement se produit ailleurs². Certaines entreprises consolident les lignes de produits et les plateformes pour que l’IA puisse analyser les relations entre l’usage, le renouvellement et l’expansion. L’IA pourrait révéler que l’adoption d’une fonctionnalité prédit les taux de renouvellement ou le potentiel d’upsell des mois plus tard. Mais dans un organigramme traditionnel, les chefs de produit sont responsables de l’adoption, tandis que les customer success managers sont responsables du renouvellement. Comme la responsabilité est partagée, aucun des deux côtés ne peut agir avec une vision complète. De précieux insights de l’IA se perdent dans les interstices.

L’IA transforme aussi le rôle de chef de produit (PM). Comme le dit Amandeep Gill, PM chez Cvent¹, « Oui, l’IA peut rédiger vos PRD [document des exigences produit], cartographier votre backlog, et même vous sortir un plan de lancement à peu près correct avant que vous ayez fini votre café. »

Mais une partie du métier n’a pas changé, et ne changera pas de sitôt : créer un terrain d’entente entre des personnes qui ont tendance à être en désaccord à cause de leurs rôles et de leurs personnalités. Les commerciaux poussent pour aller vite. Les ingénieurs exigent de la stabilité. La finance resserre les budgets. Et certains pensent être la personne la plus intelligente de la pièce et ont rarement tort sur quoi que ce soit. Le PM est celui qui est chargé de trouver un terrain d’entente, d’apaiser les egos susceptibles, d’arbitrer les compromis et de faire avancer le groupe ensemble. L’IA peut rédiger les documents, mais elle ne peut pas amener une salle de personnes en désaccord à se mettre d’accord (parfois à contrecœur) sur les calendriers, les priorités, les actions et les objectifs.

L’architecte de solutions est un autre rôle en pleine transformation sous l’effet de l’IA. Historiquement, les personnes occupant ces postes passaient des mois à mémoriser les spécifications produit et la documentation technique avant d’être crédibles aux yeux des clients. Comme Michael Arena, ancien Chief Talent Officer chez General Motors et doyen de la Crowell School of Business à Biola University, nous l’a expliqué : « Les architectes de solutions doivent assimiler énormément de matière technique dès le départ… si vous pouvez augmenter cela et leur donner les outils… ils peuvent alors investir dans la construction de la confiance nécessaire, afin de créer des liens de travail et que les gens les sollicitent plus tôt ou plus rapidement. »

Mais Arena nous a aussi mis en garde contre un piège. Utiliser l’IA uniquement pour permettre aux équipes de vente et de service de gérer plus de comptes (par exemple en résumant les notes d’appels de découverte dans Gong et en générant automatiquement des schémas d’architecture de systèmes dans Lucidchart AI) revient à les traiter comme des machines à produire du volume. Le gain le plus important intervient lorsque les personnes réinvestissent ce temps nouvellement gagné auprès des clients — en construisant la confiance, en révélant les besoins et en façonnant une croissance à long terme.

L’IA engloutit tellement de puissance de calcul qu’elle est, et devrait, changer ce que font les directeurs financiers. Traditionnellement, les responsables finance ont été les gardiens du capital et de la main-d’œuvre. Désormais, dans de nombreuses entreprises, les ressources de calcul se sont ajoutées à la liste.

Lily Zhang, VP of Engineering chez Instacart, nous a expliqué que l’allocation des ressources de calcul — qui a accès aux GPU, aux licences de modèle et aux tokens — est de plus en plus l’endroit où se créent les plus grands gains de productivité ou les principaux goulots d’étranglement. Elle a cité la directrice financière de Meta, Susan Li, qui a déclaré¹ que la capacité de calcul est désormais l’une des ressources stratégiquement les plus rares que l’entreprise gère.

Les décisions d’allocation ont des implications importantes. Donnez-vous à chaque développeur des tokens d’IA illimités, comme Shopify l’a fait², en considérant qu’un supplément de 1 000 $ par ingénieur et par mois est peu cher s’il apporte un gain de productivité de 10 % ? Ou rationnez-vous l’usage, comme le font d’autres entreprises, au risque de freiner l’adoption ?

C’est une erreur. Comme nous l’a dit Alexandre Guilbault, VP IA chez Telus : « Les meilleures personnes sont celles qui peuvent conduire les plus grandes transformations… mais souvent, les organisations veulent garder leurs meilleurs éléments dans les opérations. »

‍

Trop de pilotes IA finissent par être dotés en personnel avec celles et ceux qui ont une « capacité disponible » plutôt qu’avec les personnes qui pourraient avoir le plus grand impact. Les meilleurs éléments sont souvent laissés de côté — parfois parce qu’ils maîtrisent déjà la tâche testée dans le cadre du pilote et considèrent l’IA comme inutile. Le plus souvent, parce qu’ils sont accaparés par un travail crucial et que les dirigeants hésitent à les en détourner pour essayer un prototype ou un pilote.

‍

Lorsque les initiatives IA excluent les meilleurs éléments, deux problèmes apparaissent :

• Le système apprend à partir des habitudes des employés moyens, au lieu des pratiques qui rendent vos meilleurs éléments excellents.
• Les personnes influentes sur lesquelles tout le monde se cale n’ont aucun enjeu dans le résultat — donc, lorsque l’outil est déployé, ce sont les premières à hausser les épaules ou à résister. Cela freine la diffusion d’outils capables d’accélérer et d’améliorer la qualité du travail réalisé dans toute votre organisation.

Alors que l’IA redéfinit la manière dont le travail est réalisé, de nouvelles responsabilités apparaissent rapidement : rédiger des prompts efficaces, gérer les résultats, détecter les hallucinations, affiner le comportement du modèle. Les dirigeants sont face à un choix difficile : à quel moment une nouvelle capacité mérite-t-elle un rôle formalisé, et quand doit-elle rester une compétence de base ?

‍

Prenons l’ingénierie de prompts. Certaines entreprises recrutent des prompt engineers à plein temps. D’autres l’intègrent au travail de chacun. Kelly Daniel, Prompt Director chez Lazarus AI, mise sur la deuxième option. Elle nous a déclaré : « Cela ressemble à quelque chose dans lequel tout le monde devra être compétent — et non à un travail qui reviendra uniquement à celles et ceux qui auront un intitulé de poste spécialisé d’ici les prochaines années. »

‍

C’est un défi classique dans les périodes de transformation : formalisez un rôle trop tôt, et vous risquez de créer quelque chose d’obsolète avant même d’arriver à maturité. Attendez trop longtemps, et un travail critique se retrouve dilué, sans responsable clairement identifié.

Lorsque l’IA crée de nouveaux types de travail ou de responsabilités, certains dirigeants réagissent en inventant un tout nouveau rôle bien tape-à-l’œil. Le Chief AI Officer en est un bon exemple. Certains dirigeants nous ont dit que, dans sa meilleure version, ce rôle est pensé pour avoir de l’impact et confié à une pointure — quelqu’un capable de définir la stratégie, d’attirer d’autres talents de premier plan, de structurer la gouvernance et de fédérer des équipes entre fonctions pour concevoir et déployer des outils d’IA. Mais trop souvent, ce n’est qu’un titre honorifique — un simple habillage, sans budget, sans autorité et sans véritable influence à l’intérieur ou à l’extérieur de l’entreprise.

Cela paraît évident, mais trop de dirigeants essaient de concevoir des structures et des contrôles autour de l’IA sans comprendre la technologie ni la façon dont elle transforme le travail. Quand les dirigeants ne comprennent pas l’IA, ils prennent des décisions impulsives. Certains centralisent tout sous un seul département « pour la gestion des risques » et créent des goulots d’étranglement bureaucratiques autour de l’IA, où les idées étouffent dans des files d’attente d’approbation (souvent gérées par des personnes qui ne comprennent pas l’IA non plus). D’autres basculent à l’autre extrême, ouvrant grand les portes au nom de « l’agilité » et se retrouvant avec une dispersion aléatoire de projets d’IA non coordonnés et non stratégiques (et d’énormes failles de sécurité aussi).

‍

Au lieu de théoriser et de faire des proclamations du haut de leur tour d’ivoire, Reid Hoffman, cofondateur de LinkedIn et Partner chez Greylock, a construit un clone IA de lui-même, puis a eu des conversations avec lui. Il a expliqué¹ que « converser avec une version de moi-même générée par l’IA peut conduire à l’introspection, à de nouveaux éclairages sur mes schémas de pensée et à des vérités profondes ». Le CEO de NVIDIA, Jensen Huang, interroge la technologie pour comprendre comment elle fonctionne en posant la même question à différents modèles d’IA afin d’obtenir la meilleure réponse, et va même jusqu’à leur faire se critiquer mutuellement. Il a déclaré² : « Dans des domaines qui me sont assez nouveaux, je pourrais dire : “Commence par me l’expliquer comme si j’avais 12 ans”, puis progressivement monter jusqu’au niveau doctorat au fil du temps. »

Trop d’entreprises se sont précipitées dans l’IA sans formaliser par écrit les garde-fous et les règles. Une enquête de 2024 menée par Vanta¹ auprès de 2 500 responsables IT et métiers aux États-Unis, au Royaume-Uni et en Australie a révélé que seuls 36 % travaillent dans des organisations qui disposent d’une politique IA ou sont en train d’en élaborer une.

‍

Sans garde-fous, l’IA devient un Far West. Certains employés se figent parce qu’ils ne savent pas ce qui est autorisé et ce qui ne l’est pas, et craignent de franchir des limites invisibles qui déclencheraient un rappel à l’ordre, voire un licenciement. Et lorsque les entreprises mettent en place des politiques IA rigides et, par ailleurs, mal conçues, les gens peuvent faire preuve d’une désobéissance constructive pour mener leur travail à bien. C’est l’une des principales raisons pour lesquelles une enquête² de l’entreprise de sécurité Anagram a constaté que 45 % des employés ont utilisé des outils d’IA interdits par leur organisation.

‍

Une politique unique et statique à l’échelle de l’entreprise n’est pas la solution. De nouveaux outils émergent, les réglementations évoluent, et les risques changent plus vite qu’une politique rigide ne peut les couvrir. Comme nous l’a confié un SVP d’une entreprise du Fortune 20, ils ont donné la priorité à un système de gouvernance vivant : des comités de pilotage transverses, des revues juridiques et des garde-fous qui s’adaptent selon le contexte (par exemple, données de santé versus opérations en magasin). Ils ont également mis en place un portail interne où les employés peuvent accéder aux outils approuvés, demander des licences et voir chaque outil étiqueté selon son niveau de risque (de « sûr à utiliser » à « procédez avec prudence »).

‍

Lorsque nous avons échangé avec elle, Kristi Rible, CEO de The Huuman Group, a souligné que les politiques IA devraient être associées à des principes qui expliquent pourquoi des garde-fous et des règles sont en place — comme « les humains restent responsables des décisions » ou « la transparence avant tout ». « Contrairement aux outils ou aux règles qui évoluent à chaque nouveau modèle, vos principes IA n’expirent pas. Ils donnent à la politique une ossature durable, centrée sur l’humain, même lorsque la technologie change. »

La hiérarchie est l’un des principaux moyens par lesquels les dirigeants expérimentés contrôlent la façon dont les décisions liées à l’IA sont prises — mais ils la considèrent comme flexible plutôt que comme un organigramme figé, unique et valable pour tous.

‍

Les recherches de Lindy Greer, professeure à l’Université du Michigan¹, montrent que les meilleurs dirigeants adaptent la hiérarchie pour accompagner les évolutions des tâches et des dynamiques interpersonnelles. Les équipes se coordonnent et performent mieux lorsque les membres indiquent, par exemple : « il y a un leader clairement identifié sur certaines tâches, et sur d’autres tâches, nous fonctionnons tous entre pairs ». Pour des défis et des environnements stables, la hiérarchie apporte de la clarté et facilite la coordination. Mais dans des situations qui évoluent rapidement, un ordre hiérarchique rigide crée des goulots d’étranglement. Ainsi, les dirigeants efficaces « aplanissent la hiérarchie ». Ils délèguent la prise de décision et donnent du pouvoir aux personnes les plus proches du travail, afin que les équipes puissent agir et s’adapter à la volée.

‍

L’IA rend une telle flexibilité encore plus essentielle, car elle peut mettre en œuvre des changements rapides dans la vitesse et l’ampleur des décisions. L’IA fait émerger des signaux en temps réel — trop rapidement pour une chaîne d’approbations rigide. Et ces signaux traversent souvent les équipes, les produits ou les plateformes — un périmètre souvent trop vaste pour qu’un seul manager local puisse le gérer efficacement.

La place de l’IA dans la hiérarchie de votre organisation détermine l’attention, les ressources, le prestige et, oui, le pouvoir de ces dirigeants et équipes. Si les responsables technologiques (y compris ceux qui se consacrent à l’IA) sont relégués trois niveaux plus bas, l’IA passe au second plan face à d’autres enjeux opérationnels et stratégiques. En revanche, lorsqu’ils siègent au sein du comité de direction, les décisions et les déploiements liés à l’IA remontent en haut de la liste des priorités.

‍

C’est pourquoi les DSI ont passé la dernière décennie à se rapprocher, de haute lutte, du sommet de l’organigramme. De 2015 à 2023, le Wall Street Journal a indiqué que la proportion de DSI rattachés directement aux PDG est passée de 41 % à 63 %¹. En étant positionnée au sommet, l’informatique peut influencer les décisions d’investissement, la stratégie produit et l’orientation concurrentielle de l’organisation.

‍

Chez Blue Shield of California, en 2022, la DSI de l’époque, Lisa Davis, a défendu avec succès l’idée qu’elle devait reporter au PDG. Son influence accrue a permis à son équipe IT de piloter, à l’échelle de l’entreprise, des transformations technologiques avec plus de rapidité, de visibilité et des résultats business mesurables. Davis a expliqué² : « Cela ne serait jamais arrivé si l’IT était cantonnée à un bureau au fond du couloir. » Elle a ajouté : « L’IA générative n’a fait que renforcer la nécessité d’avoir un leader technologique et numérique qui comprend la mission et les résultats de l’entreprise, et la manière dont ils sont reliés entre eux. »

De nombreux géants de la tech aplatissent leurs organisations, en réduisant les niveaux de management (en théorie) afin de diminuer les goulets d’étranglement et d’accélérer les décisions pilotées par l’IA. Dans toute l’Amérique корпоративative, des couches de management sont supprimées ; les ratios médians ont bondi¹ d’environ 1:5 en 2017 à près de 1:15 en 2023 et semblent continuer de s’élargir².

‍

Le fait de réduire les niveaux hiérarchiques aide ou nuit selon le type de travail que vos équipes réalisent. Comme Michael Arena, doyen de la Crowell School of Business à Biola University et ancien Chief Talent Officer chez General Motors, nous l’a expliqué : « La vraie question [à se poser], c’est : quel travail suis-je en train de faire ? Suis-je “tête baissée” ou “tête levée” ?… si vous poussez trop loin l’étendue de contrôle… ça casse. » Des recherches menées par Arena et ses collègues³ ont montré que « les managers qui dirigent des équipes plus grandes, en particulier celles avec plus de sept collaborateurs en direct… [ont] une charge de travail implacable [qui] réduit leur disponibilité, créant des goulets d’étranglement ».

‍

Arena suggère de distinguer :

• Le travail “tête baissée” : Le développement, les tâches de centre d’appels, le traitement des données, l’exploitation de machines ou de véhicules. Ce type de travail permet une plus grande étendue de contrôle, car il est routinier, prévisible, et la coordination (voire même la supervision des employés) peut souvent être prise en charge par l’IA.
• Le travail “tête levée” : La conception produit, la planification stratégique, les revues de code. Ce type de travail dépend de la collaboration, du jugement et d’un alignement constant. Ici, aplatir l’organisation risque de surcharger les managers ou de priver les équipes du temps dont elles ont besoin pour se synchroniser sur un travail moins prévisible et plus improvisé.

Une autre façon de tracer les lignes de contrôle consiste à décider dans quelle mesure vos initiatives IA doivent être centralisées — ou décentralisées. Une approche courante consiste à centraliser l’IA au sein d’un Centre d’Excellence (CoE). Cela apporte de la cohérence, des standards partagés et de la gouvernance. Mais si tout doit passer par le CoE, vous risquez de créer des goulots d’étranglement, chaque équipe faisant la queue pour obtenir du support. À l’inverse, si vous misez trop sur la décentralisation, vous obtenez le problème opposé : des projets redondants, des modèles incompatibles et une sécurité fragmentée.

‍

Un CIO d’une grande université américaine nous a décrit leur modèle hybride. Un Centre d’Excellence au sein du département informatique central de l’université assume les responsabilités clés liées à l’IA, notamment l’intégration, le risque et l’infrastructure de données. Mais les facultés et les unités ont l’autorité de mener des pilotes décentralisés pour gagner en vitesse et expérimenter. Il a recommandé de centraliser les initiatives IA lorsque l’échelle et la gouvernance comptent le plus, et de décentraliser là où l’agilité et l’apprentissage sont plus importants.

Un autre levier de contrôle consiste à redessiner les frontières entre les fonctions. En 2025, Moderna a fusionné ses départements Ressources humaines et Technologie sous une seule direction : la Chief People and Digital Technology Officer. Tracey Franklin (ancienne directrice des RH chez Moderna), qui a pris ce nouveau poste, a expliqué cette réorganisation¹ : « Fusionner les RH et le numérique ne relève pas seulement de la consolidation — c’est une démarche délibérée pour combler l’écart entre ceux qui façonnent la culture et ceux qui construisent les systèmes qui la soutiennent. »

Alors que Moderna a fusionné ses fonctions RH et IT sous la direction d’un seul responsable, l’entreprise a également déployé plus de 3 000 agents GPT¹ dans une variété de rôles. Dans les années à venir, il est probable que la plupart des employés ne se contenteront pas d’utiliser l’IA - ils piloteront de petites flottes. McKinsey² appelle cela l’essor de l’organisation agentique, où les humains et les agents d’IA opèrent côte à côte, chacun apportant discernement, exécution et apprentissage. Ils ont déjà observé des équipes de deux à cinq humains supervisant des « usines d’agents » de 50 à 100 agents spécialisés exécutant des processus de bout en bout. Bien que ce ne soit pas la réalité pour la plupart des organisations, c’est un exercice utile pour commencer à l’esquisser.

Vous ne pouvez pas simplement greffer l’IA sur un système défaillant en espérant que ça fonctionne. Si vous l’intégrez à un vieux système hérité imparfait, les mêmes échecs de coordination qui nuisent à la productivité, à l’innovation et au bien-être — et qui, de manière générale, ont rendu les gens fous pendant des décennies — persisteront, voire s’aggraveront.

‍

Dans le secteur de la santé, par exemple, le travail est souvent fragmenté en rôles et silos spécialisés, mal connectés entre eux, ce qui entraîne des transmissions ratées et des ruptures dans le partage d’informations. Ces problèmes sont amplifiés par des lois, des règles et des normes — animées des meilleures intentions — visant à protéger la confidentialité des patients. Ces mêmes enjeux rendent désormais difficile l’entraînement d’outils d’IA pour améliorer la qualité et la coordination dans les systèmes de santé.

‍

Le professeur Hatim Rahman de Northwestern a décrit un projet hospitalier dans lequel son doctorant étudie l’utilisation de l’IA pour améliorer l’accès aux diagnostics médicaux. Pour entraîner des modèles d’IA, il faut un grand nombre d’images d’échographie, en particulier des images des mêmes patients prises au fil du temps. Mais des décennies de pratiques axées sur l’efficacité dans le secteur de la santé ont appris aux cliniciens à prendre le moins d’images possible. Un autre obstacle consiste à obtenir l’autorisation écrite des patients pour utiliser leurs examens afin d’entraîner des modèles d’IA. À cela s’ajoute le fait que des services d’imagerie ayant pris, au fil du temps, différentes images d’un même patient peuvent manquer d’incitations, ou avoir des antécédents d’hostilité, ce qui compromet la coopération. Et des techniciens en imagerie qui soupçonnent que la direction utilisera les données pour les évaluer, augmenter leur charge de travail ou supprimer leurs postes peuvent résister à l’idée de soutenir des projets d’IA. Résultat : la collecte des images nécessaires pour entraîner des modèles d’IA prend bien plus de temps que les responsables de la santé ne l’avaient anticipé.

Même après avoir résolu les problèmes structurels qui freinent l’IA, vous vous heurterez toujours à la réalité désordonnée du quotidien : la façon dont le travail se fait EN PRATIQUE plutôt qu’EN THÉORIE. La plupart du travail tient grâce à des corrections informelles, des raccourcis, des contournements, des écarts aux règles et des décisions au jugement qui ne sont pas documentés — et pourtant, les employés expérimentés s’en servent en permanence et ne peuvent pas faire leur travail sans eux.

‍

Par exemple :

• « Le système dit de refuser le remboursement, mais ce client dépense 2 M$ par an, donc nous ferons une exception. »
• « Le système dit que ce n’est pas possible. Je vais juste contacter Priya directement sur Slack, parce que je sais qu’elle l’approuvera. »
• « Je vais sauter l’étape 4 pour respecter la date limite. »

‍

Si les modèles d’IA ne savent pas comment les personnes de votre organisation arrivent à faire avancer le travail MALGRÉ — plutôt que GRÂCE — au système formel, ils mettront fidèlement à l’échelle des processus qui ne fonctionnent que grâce à des contournements invisibles (malgré une conception « officielle » médiocre), en reproduisant et en propageant des passages de relais défaillants, des redondances, ainsi que des politiques et des règles de décision mal rédigées. « Si vous appliquez l’IA à un processus existant qui a des lacunes, vous ne faites que mettre à l’échelle [les dysfonctionnements] — ou de mauvaises décisions — à une vitesse supérieure », explique Adam Treitler, Manager of People Technology and Analytics chez Pandora.

‍

Chez WestRock, Paul McClung, VP de l’audit interne, a d’abord imaginé une solution d’IA en un clic pour automatiser leur processus d’audit. Mais lorsqu’il a cartographié¹ le workflow sur un tableau blanc, les lacunes (et les solutions informelles) sont devenues évidentes : des données dispersées entre les systèmes, des décisions au jugement consistant à ne pas comptabiliser les mauvais déjeuners, et des détours et contournements informels qui maintenaient l’ensemble. Au final, son équipe a utilisé l’IA pour automatiser des parties spécifiques des workflows (comme la création de matrices de risques et de contrôles et la génération de listes de demandes clients) plutôt que d’automatiser l’ensemble du processus.

Il existe deux outils puissants pour comprendre comment le travail se déroule réellement au sein des organisations. D’abord, les « cartes de parcours » adoptent une vision de l’extérieur vers l’intérieur : elles montrent comment les clients ou les utilisateurs vivent un processus à travers les points de contact. Ensuite, les « cartographies de processus » adoptent une vision de l’intérieur vers l’extérieur : elles documentent la séquence réelle des tâches, des décisions et des transmissions que le personnel effectue.

‍

Pour appliquer l’IA au mieux, vous devez comprendre les deux. Les cartes de parcours¹ mettent au jour l’expérience humaine : la manière dont les clients ou les usagers traversent un système — les étapes qu’ils suivent, et les points qui semblent simples, frustrants ou surprenants. Les cartographies de processus² révèlent comment le travail circule dans l’organisation du point de vue des employés qui opèrent le système.

‍

Une étude de 2024³ sur la rééducation après un AVC a cartographié la manière dont la prise en charge des patients se déroulait selon les deux perspectives pour 130 patients. Au lieu d’une seule séquence claire, les chercheurs ont mis au jour neuf variantes différentes — y compris des cas où l’aptitude à la sortie (lorsque les cliniciens estiment qu’un patient est suffisamment stable pour quitter les soins hospitaliers) était enregistrée avant des évaluations fonctionnelles clés (des tests mesurant le niveau d’autonomie d’un patient pour se déplacer, parler ou accomplir des tâches quotidiennes). L’étude montre comment l’association de cartes de parcours et de cartographies de processus met au jour à la fois l’expérience du patient et la réalité chaotique des opérations. Cette clarté est essentielle avant d’ajouter une couche d’IA ou d’automatisation.

Les passations sont des goulots d’étranglement classiques de coordination. Lors des passations produit-ingénierie, l’équipe produit présente souvent le « happy path » : en se concentrant sur le parcours utilisateur idéal, où rien ne casse. L’ingénierie réplique avec toutes les façons dont cela pourrait mal tourner. Cette même dynamique se retrouve aussi dans d’autres passations — comme lorsque l’IT déploie un nouveau workflow impeccable et que l’équipe sécurité souligne que ce changement vient d’ouvrir six nouvelles vulnérabilités.

‍

Ce n’est pas seulement que les personnes occupant des fonctions différentes ont des personnalités différentes. C’est qu’elles se concentrent sur des volets distincts du travail, et qu’elles sont récompensées pour des résultats différents. Les équipes produit sont récompensées pour des plans ambitieux, comme lancer de nouvelles fonctionnalités spectaculaires dans des délais serrés. Les équipes d’ingénierie sont récompensées (et tenues responsables) pour faire fonctionner les choses et identifier les risques. Résultat ? Les réunions entre chefs de produit et ingénieurs s’enlisent dans des allers-retours sur les cas limites et les pièges techniques.

‍

Michael McCarroll, CEO de Teamraderie, nous a expliqué comment ils utilisent l’IA pour court-circuiter cette dynamique pour les expériences d’apprentissage en ligne que son entreprise développe. Avant de rencontrer les ingénieurs, les chefs de produit chez Teamraderie font désormais passer leurs conceptions dans une IA afin de :

• Générer des cas limites et des scénarios « et si » qui révèlent les points de défaillance probables.
• Rédiger des tests d’acceptation pour que les ingénieurs puissent les modifier au lieu de partir de zéro.

‍

Ainsi, avant même que la réunion n’ait lieu, le travail a été examiné de manière réfléchie et les problèmes ont été traités. Les ingénieurs se concentrent sur l’architecture et la scalabilité — là où ils apportent le plus de valeur — au lieu d’être la première ligne de défense et d’être perçus comme opposant une résistance aux chefs de produit.

L’affectation aux projets est un autre point de friction en matière de coordination. Dans un cabinet de conseil, les consultants étaient affectés aux projets via un processus manuel laborieux : recherches par mots-clés dans les CV, multiples vérifications dans les bases de données et séries de validations. Le processus était lent et laissait place aux biais. Si votre CV ne contenait pas les « bons » mots, vous n’apparaissiez pas dans les résultats de recherche. Et lorsqu’ils étaient sous pression, les managers se rabattent sur les personnes qu’ils connaissaient le mieux et avec lesquelles ils avaient déjà travaillé.

‍

Après l’adoption d’une plateforme Work AI (Glean), les managers peuvent simplement saisir une requête en langage naturel, par exemple : « Montre-moi trois candidats ayant une expérience dans la banque de détail. » Le système effectue une recherche dans l’ensemble de la base de connaissances de l’entreprise — CV, historiques de projets, et même livrables — et produit une liste restreinte classée, avec un résumé des compétences.

‍

C’est une première étape vers ce que les professeurs de Stanford Melissa Valentine et Michael Bernstein appellent des « flash teams »¹ : des groupes virtuels prêts pour un projet, assemblés en temps réel en fonction des compétences dont un projet a le plus besoin, et non simplement en fonction de ceux qui se trouvent être disponibles ou visibles.

‍

Une fois les équipes constituées et en place, les questions deviennent : collaborent-elles de la bonne manière pour la tâche à accomplir ? Parlent-elles des bonnes choses au bon moment ? Savent-elles comment et quand « s’ouvrir » (diverger et discuter d’un large éventail d’idées) et « se resserrer » (discuter des quelques idées sur lesquelles elles ont convergé en vue de les mettre en œuvre) aux moments clés de leur parcours d’innovation ?

‍

Dans leur étude de 117 équipes de développement logiciel à distance sur une plateforme en ligne (www.gigster.com), Katharina Lix, Sameer Srivastava et Melissa Valentine ont constaté¹ que les équipes les plus performantes ajustaient leur « diversité discursive » (l’éventail de points de vue, de langage et d’idées dans la conversation) en fonction de la tâche à accomplir. Lorsque le travail exigeait de la créativité, elles affichaient une diversité discursive plus élevée — en mobilisant un large éventail de langage et de perspectives. Mais lorsque le travail passait à l’exécution, leur diversité discursive se resserrait, rendant les conversations plus ciblées et plus rationalisées.

‍

L’IA n’en est pas encore là, mais les premiers outils commencent à aller dans cette direction — en analysant les schémas de participation, en repérant quand les conversations s’essoufflent et même en suggérant des ajustements en temps réel.

Les réunions sont de puissants outils de coordination lorsqu’elles permettent aux personnes d’écouter des collègues aux profils variés et de développer une compréhension fine de la façon dont les activités de chacun s’articulent. Les réunions renforcent aussi la coordination lorsque des personnes aux expertises diverses mettent leurs connaissances en commun pour fluidifier les relais et accélérer le travail dans l’organisation. Mais cet apprentissage et cette résolution de problèmes deviennent impossibles lorsqu’une seule voix monopolise le temps de parole et couvre les voix plus discrètes (et souvent) plus sages. Les grandes gueules ne se rendent souvent pas compte qu’elles musellent les autres, les agacent et leur font perdre du temps. Pire encore, un seul membre grossier et insultant peut détruire la coopération, alimenter des conflits destructeurs et pousser les membres à quitter les réunions et à abandonner l’équipe.

‍

À Stanford, des chercheurs ont construit une plateforme de délibération¹ qui utilise l’IA pour améliorer la dynamique de groupe en temps réel. Le système suit la participation et encourage les personnes qui n’ont pas pris la parole depuis un moment. Il calcule aussi un « score de toxicité » en direct. Si un comportement toxique d’un membre est détecté, le système demande au groupe de confirmer — et s’ils sont d’accord, il coupe le micro du fautif.

Les bots IA de réunion peuvent faire gagner du temps. Mais, comme pour d’autres formes d’« empilement » de logiciels¹, les équipes qui utilisent trop de bots différents alourdissent la taxe de coordination.

‍

Lorsque nous avons interviewé Phil Kirschner, CEO de PK Consulting, il a décrit une scène qui se répète sans cesse chez ses clients : cinq personnes rejoignent une réunion, et trois preneurs de notes IA différents se pointent — peut-être Otter, Fireflies, Fathom. Chacun crache une transcription avec des formulations, des horodatages et des actions à entreprendre légèrement différents. Ensuite, les collaborateurs peuvent perdre du temps à débattre de quel compte rendu est « le bon » plutôt que de faire avancer le travail. Et l’équipe se retrouve avec « mes notes » et « tes notes » au lieu d’un compte rendu partagé sur lequel tout le monde peut s’aligner.

Les efforts visant à introduire de nouveaux outils d’IA dans une entreprise sont souvent ralentis — voire s’arrêtent net — à cause d’un goulot d’étranglement à trois têtes : le juridique, la sécurité et les achats. Une demande en apparence simple peut s’éterniser pendant des semaines, voire des mois, lorsque les équipes de ces fonctions sont surchargées, trop prudentes, ne communiquent pas rapidement et clairement leurs préoccupations et les solutions proposées, ou se concentrent uniquement sur leur périmètre plutôt que sur ce dont les autres fonctions ont besoin pour faire leur travail.

‍

Zapier a surmonté¹ ce type de goulots d’étranglement en affectant un chef de produit dédié, chargé de travailler avec les achats, le juridique et l’ingénierie afin d’accélérer les validations. Shopify est allé plus loin² : ils ont construit une culture où leurs juristes partent du principe que c’est « oui ». Lorsque Farhan Thawar, VP Engineering chez Shopify, a poussé pour adopter l’IA dès 2021, il n’a pas demandé au juridique s’ils pouvaient le faire. Il leur a dit qu’ils allaient probablement le faire, et a demandé : « Comment pouvons-nous le faire en toute sécurité ? »

‍

C’est un rappel de la force de ce que Patty McCord, ancienne Chief Talent Officer de Netflix, appelait des « adultes pleinement accomplis³ ». Netflix a construit le même type de culture : pas de politique de voyage, pas d’évaluations annuelles, vacances illimitées. Le pari était simple : recruter des personnes en qui vous avez confiance pour faire preuve de discernement et mettre l’entreprise en premier. Ne recrutez pas des « personnes à problèmes » et faites-les partir rapidement si vous vous êtes trompé. C’est ce qui permet de se débarrasser des lourdeurs administratives et de réduire drastiquement le coût de coordination.

Trop de fournisseurs d’IA se comportent encore comme des éditeurs de logiciels traditionnels : livrer le produit, configurer quelques paramètres, puis s’en aller.

‍

Ce modèle ne fonctionne pas pour l’IA. La performance de l’IA ne dépend pas seulement du modèle — elle dépend de votre entreprise : vos données désordonnées, des workflows non documentés, des spécificités culturelles et des cas limites qu’aucun système prêt à l’emploi ne peut anticiper. Les meilleures plateformes d’IA ne se contentent pas de fournir de la technologie. Elles agissent davantage comme des consultants :

• Elles investissent le temps nécessaire pour comprendre comment votre organisation fonctionne réellement.
• Elles co-développent des solutions avec vous, pas pour vous.
• Elles adaptent leurs produits à vos workflows, et non l’inverse.

‍

Un rapport récent¹ de chercheurs du MIT^** a révélé que seuls 5 % des outils d’IA d’entreprise développés sur mesure arrivent en production, tandis que les partenariats avec des fournisseurs qui s’intègrent et itèrent aux côtés des équipes métier ont près de deux fois plus de chances de réussir. Bien que des failles dans cette recherche suggèrent que ce faible taux de réussite n’est pas représentatif des initiatives IA typiques, le constat du MIT selon lequel travailler et itérer avec des fournisseurs augmente les chances de réussite s’aligne et rejoint les conseils et preuves d’autres sources, notamment Gartner² et McKinsey³.

À mesure que les employés commencent à utiliser l’IA, ils accumulent souvent davantage de « toggle tax », ces charges de coordination qui s’empilent lorsque les personnes passent sans cesse d’une application à l’autre pour trouver le bon document, message ou tâche. Une étude¹ dirigée par Rohan Narayana Murty et ses collègues, publiée dans Harvard Business Review, a constaté que les employés des entreprises du Fortune 500 changent d’application plus de 1 200 fois par jour. Les auteurs estiment que « sur une année, cela représente cinq semaines de travail, soit 9 % de leur temps de travail annuel ».

‍

Plusieurs dirigeants à qui nous avons parlé appellent cela le « problème de la chaise pivotante ». Les employés ne veulent pas devoir passer sur une autre plateforme juste pour utiliser l’IA. Chez Reddit, cette philosophie a guidé leur approche. « Nous nous sommes assurés d’intégrer les solutions plutôt que de les greffer — pas une couche supplémentaire, et sans demander aux gens d’aller apprendre cette nouvelle interface. C’est la différence entre offrir à quelqu’un un abonnement à une salle de sport et mettre un banc de musculation dans son sac à dos », a déclaré Ammen Sihngh, Lead Solutions Engineer dans l’entreprise.

Les employés se noient sous les applications, les tableaux de bord et les outils numériques, ce qui conduit à ce que le professeur Paul Leonardi de l’UC Santa Barbara appelle « l’épuisement numérique ». Au cours de l’année écoulée, à mesure que les outils d’IA générative se sont généralisés dans les organisations, une enquête Asana¹ menée auprès de 13 000 travailleurs du savoir a révélé que l’épuisement numérique a continué d’augmenter. L’un des principaux responsables est que les employés doivent composer avec une liste croissante de copilotes et d’outils d’IA déconnectés, chacun avec son propre identifiant, ses particularités et sa courbe d’apprentissage.

‍

Dans une enseigne de distribution classée Fortune 20, un dirigeant senior nous a dit que leur solution repose sur des « super agents ». Un super agent est une porte d’entrée unique vers de nombreux agents d’IA plus petits en arrière-plan. Au lieu de jongler avec des bots distincts pour des tâches individuelles comme soumettre des demandes de congés, consulter les politiques RH ou déposer un nouveau contrat fournisseur, les employés peuvent interagir avec un seul agent qui sait qui ils sont, ce qu’ils font et quelles informations comptent le plus.

‍

Des agents véritablement autonomes pourront faire cela par eux-mêmes. Plutôt qu’une collection de bots spécialisés dans des tâches étroites, ils fonctionneront comme des collaborateurs adaptatifs : en prenant en charge la corvée logistique, en mémorisant le contexte d’un workflow à l’autre et en acheminant automatiquement les demandes complexes vers les bons sous-agents.

Traiter l’IA comme une expérience annexe est le meilleur moyen de faire exploser les coûts de coordination. Les équipes finissent par jongler entre deux workflows parallèles : le « vrai » pour faire leur travail et « l’expérience IA », qui ajoute des contraintes supplémentaires tout en apportant peu de valeur (du moins à court terme).

‍

Chez Zendesk, Nan Guo, Senior VP of Engineering, nous a expliqué comment ils évitent le piège du projet annexe en intégrant l’IA directement à leur rythme de coordination le plus courant : le sprint. En développement agile, un sprint est une période courte et limitée dans le temps — généralement deux semaines — durant laquelle les équipes planifient, construisent et livrent le travail. Plutôt que de demander aux ingénieurs d’aller chercher des « cas d’usage de l’IA », les dirigeants de Zendesk intègrent l’IA à leur cadence scrum habituelle. Comme l’a expliqué Guo : « Le Scrum est notre manière standard de faire le travail au quotidien. Nous avons choisi un sprint en octobre pour que les gens appliquent réellement la GenAI dans leurs workflows réels. De cette façon, nous pouvions voir l’impact, pas seulement quelque chose d’additionnel à côté. »

L’IA est censée alléger la charge de travail des gens. Mais trop souvent, elle ne fait que déplacer le fardeau d’une personne à une autre.

‍

Nous l’avons constaté en planifiant des entretiens pour ce projet. L’invitation venait de « Kiran », une assistante IA. Le rôle de Kiran était de faciliter la planification. Au lieu de cela, « elle » a bombardé Bob de relances — même lorsqu’il avait un message d’absence. Au début, il pensait que Kiran était une assistante humaine inhabituellement impolie. Puis il a réalisé que Kiran était un bot.

‍

Kiran était optimisée pour l’expéditeur — obtenir un rendez-vous planifié — pas pour nous en tant que destinataires. Michael Arena, doyen de la Crowell School of Business à Biola University et ancien Chief Talent Officer chez General Motors, a averti : « Les gens utiliseront des outils d’IA pour se décharger, pour réduire leur surcharge collaborative, [mais] augmenter celle des autres. » Cela signifie que le gain d’efficacité d’une équipe peut devenir la taxe cachée d’une autre.

‍

Et cette taxe cachée ne concerne pas seulement du temps perdu — elle concerne aussi la confiance. Comme l’ont averti les chercheurs Ian McCarthy, Timothy Hannigan et André Spicer¹, l’usage négligent de l’IA peut produire ce qu’ils appellent du « botshit » : du contenu inventé ou mal aligné que les gens utilisent sans esprit critique. Quand les bots agissent sans supervision, ils ne se contentent pas de répandre de la désinformation — ils répandent des frictions. Un bot de planification qui spamme votre boîte de réception ou un chatbot qui sert de mauvaises données peut sembler efficace sous un angle, mais il transfère discrètement des coûts cognitifs et de réputation sur les autres.

‍

Les coûts peuvent s’accumuler rapidement, et ils retombent souvent sur vous. Des recherches² de Paul Leonardi montrent que lorsque les bots font des erreurs, le blâme ne retombe pas sur eux — il retombe sur vous. Les gens ne tiennent pas l’IA pour responsable. Ils tiennent pour responsable l’humain qui l’a déployée.

L’IA peut aider à démanteler les silos qui ralentissent les équipes et les individus. Mais tous les silos ne sont pas mauvais. Certains existent pour de bonnes raisons, comme la protection des dossiers RH, des documents juridiques ou des données de paie. Et, dans de nombreux cas où les gens effectuent un travail créatif, il est utile de les protéger de la distraction, des interruptions et des mauvais conseils de personnes issues d’autres parties de l’entreprise — comme la filiale « Imagineering¹ » de Disney et le « Skunkworks² ». L’enjeu consiste à concevoir une IA capable de faire la différence entre les silos qui protègent la confidentialité nécessaire, la confidentialité des informations et la concentration créative, et les silos qui ralentissent inutilement le travail, nuisent à la qualité et frustrent les employés et les clients.

‍

C’est pourquoi, par exemple, les règles relatives aux « couches d’autorisations » sont si importantes : qui peut ou ne peut pas accéder à quelles informations, et quand il peut ou ne peut pas le faire. Les meilleurs outils d’IA appliquent ces règles sans relâche. Les chefs de produit, dans la plupart des entreprises, devraient pouvoir récupérer instantanément des fichiers de conception entre équipes. Mais ils devraient se voir refuser l’accès aux dossiers RH, comme les évaluations de performance ou les informations salariales.

‍

Chez Booking.com, les équipes RH étaient « extrêmement nerveuses » à propos de la recherche IA précisément pour cette raison. Comme nous l’a expliqué Tadeu Faedrich, Senior Engineering Manager chez Booking.com : « Nous ne voulions pas que les gens trouvent des documents auxquels ils ne devraient pas avoir accès… vous ne pouvez trouver que ce à quoi vous avez accès. »

‍

Au final, ils ont choisi une plateforme qui respectait les mêmes règles que leurs systèmes internes : si vous ne pouviez pas ouvrir un fichier hier, vous ne le verriez pas soudainement dans la recherche aujourd’hui.

Les outils d’IA peuvent donner aux gens l’impression d’avancer plus vite : rédiger du code, écrire des textes marketing ou produire des analyses par eux-mêmes. Mais la vitesse au niveau individuel peut créer des coûts cachés pour l’équipe.

‍

Dans une étude contrôlée randomisée¹ menée auprès de 16 développeurs open source expérimentés, qui ont travaillé sur 246 tâches, ceux qui utilisaient des assistants d’IA ont mis 19 % PLUS DE TEMPS que ceux qui n’utilisaient pas d’IA. Les assistants d’IA ont créé toutes sortes d’obstacles supplémentaires pour les développeurs. Moins de la moitié des suggestions de l’IA étaient utilisables. Les développeurs ont passé du temps supplémentaire à relire, réécrire et nettoyer le code. Les outils ont aussi trébuché sur des problèmes très dépendants du contexte, comme travailler dans de grandes bases de code matures avec plus d’un million de lignes de code. Les développeurs ont rapporté que l’IA faisait souvent des « modifications bizarres » dans des parties du code sans rapport, manquait des particularités de rétrocompatibilité ou n’arrivait pas à gérer des dépendances subtiles.

Certains dirigeants voient une démo d’IA tape-à-l’œil, lisent un article de presse sur un seul leader ou une seule entreprise qui rencontre le succès avec l’IA, ou griffonnent quelques chiffres sur un coin de nappe, et commencent à planifier des réductions d’effectifs. Certains se vantent même des coûts de main-d’œuvre que ces idées bâclées et non testées permettront d’économiser. C’est un moyen rapide d’effrayer les employés, d’éroder la confiance et de se retrouver avec moins de personnes pour mettre en œuvre les mêmes processus dysfonctionnels.

‍

Un Vice President d’une organisation technologique du Fortune 500 nous a expliqué que son entreprise adopte une approche différente. Leur règle : aucun changement de poste tant que les gains de productivité de l’IA ne sont pas mesurables dans le monde réel. « Nous ne faisons rien de tout cela tant que nous n’avons pas une productivité mesurable », a-t-il expliqué. Il a ajouté, comme pour la plupart des innovations et des programmes pilotes dans les organisations, que « environ 80 % des choses que nous lançons n’approchent même pas les gains de productivité qui étaient imaginés au départ ». Et « ce n’est vraiment pas très surprenant avec la technologie », et donc lorsqu’une innovation basée sur l’IA ne fonctionne pas comme ils l’espéraient, ils mettent l’accent sur une « responsabilité partagée » et sur le fait de travailler ensemble pour résoudre le problème, et sur le fait de « s’éloigner de la recherche de coupables ».

‍

Des politiques comme celle-ci envoient un signal clair aux employés : ici, les changements de poste ne reposent pas sur le battage médiatique, des fantasmes, ou des idées qui sonnent bien mais n’ont pas été testées. Nous ne modifierons ni ne supprimerons votre travail tant que nous n’aurons pas montré que la nouvelle manière de faire est meilleure. Cette approche « testez vos idées avant de changer » aide aussi les entreprises à repenser les postes et les systèmes pour intégrer des solutions basées sur l’IA — sans sacrifier la productivité, l’innovation ou la qualité des expériences des employés et des clients. Elle évite que les organisations ne se retrouvent jonchées de changements mal conçus qui satisfont les lubies des dirigeants mais font gaspiller de l’argent et rendent les gens malheureux.

Chaque processus d’embauche, de promotion et d’évaluation introduit des biais, car ils sont conçus et menés par des décideurs humains imparfaits¹ qui ignorent, déforment, se remémorent mal et oublient régulièrement des informations clés. John Lilly, qui siège au conseil d’administration d’organisations telles que Figma, Duolingo et Code for America, nous a expliqué comment, dans une entreprise avec laquelle il travaille, les entretiens pouvaient parfois être biaisés, car chaque recruteur prenait des notes dans un style différent, rendant plus difficile la comparaison équitable des candidats. Pour contrer cela, ils testent un outil d’IA qui capture les notes dans un modèle cohérent, réduisant les variations et rééquilibrant les chances.

‍

Les biais contaminent les évaluations de performance. Une étude de 2022 (menée par l’entreprise d’IA RH Textio) portant sur 25 000 évaluations de performance² a révélé que les femmes avaient 22 % de chances en plus que les hommes de recevoir des retours axés sur la personnalité. Les modèles d’IA peuvent aider à standardiser les entrées et à signaler un langage connoté. Pourtant, l’IA peut amplifier et ancrer les biais si les modèles ne sont pas audités et gouvernés. Une étude de 2025³ portant sur plus de 300 000 offres d’emploi a constaté que « la plupart des modèles ont tendance à favoriser les hommes, en particulier pour les postes mieux rémunérés ». Les grands modèles de langage avaient tendance à recommander des hommes (à qualifications égales) plutôt que des femmes pour des rappels d’entretien dans des secteurs dominés par les hommes et mieux rémunérés, comme l’ingénierie et la finance. Et les LLM avaient tendance à recommander des femmes plutôt que des hommes pour des emplois moins rémunérés et dominés par les femmes, tels que les soins à la personne et le service communautaire.

L’onboarding est un moment décisif du cycle de vie des employés. Une étude BambooHR¹ a révélé que les organisations n’ont que 44 jours pour convaincre un nouveau collaborateur de rester. Et lorsque des employés ayant été mal onboardés restent², ils sont moins efficaces dans leur travail, moins bien préparés à travailler avec leurs collègues, moins satisfaits de leur emploi et moins engagés envers leur entreprise.

‍

Chez Zapier, l’IA aide les nouveaux arrivants à tirer le meilleur parti de ce temps. Comme l’a partagé le Chief People Officer Brandon Sammut³, les nouveaux collaborateurs répondent à quelques questions et l’IA génère un ReadMe « Comment travailler avec moi » personnalisé, un court manuel d’utilisation⁴ pour travailler avec chaque employé. Rédigé dans la propre voix de l’employé, les employés modifient le brouillon de l’IA et le partagent dans Slack afin que leurs collègues puissent rapidement apprendre comment collaborer au mieux avec eux. La People Team de Sammut estime que ce workflow assisté par l’IA permet d’économiser une à deux heures par nouvel employé. Tout aussi important, nous a-t-il dit, « utiliser l’IA comme une aide réduit les frictions - y compris le syndrome de la page blanche - et garantit que 100 % des membres de l’équipe Zapier bénéficient de ce point de contact culturel essentiel ».

La plupart des intégrations échouent parce que les véritables règles du travail ne sont pas dans le manuel. Elles se cachent dans des systèmes invisibles, des normes implicites et des réseaux officieux. Les nouvelles recrues qui ne les apprennent pas tôt risquent de poursuivre les mauvaises priorités, de dupliquer le travail ou de s’épuiser avant de trouver leurs repères.

‍

Chez Glean, lorsque Rebecca Hinds est arrivée, elle a utilisé l’IA pour faire émerger ce contexte caché en posant cinq invites simples¹ :

1. Comment mon rôle se rattache-t-il aux principaux objectifs de l’entreprise ?
2. Que font différemment les meilleurs éléments ici ?
3. Que signifient ces acronymes, ces mots à la mode et ces expressions ?
4. Qui influence réellement les projets liés à mon rôle ?
5. Qui, ici, partage mes centres d’intérêt personnels ou se trouve à un stade de vie similaire ?

‍

Lorsque Hinds a posé la deuxième question au Glean Assistant, la réponse a été : facile à coacher. Les personnes les plus performantes n’étaient pas seulement compétentes. Elles recherchaient les retours, s’adaptaient vite et considéraient chaque mission comme une occasion de progresser. Cela a changé sa façon d’aborder sa propre montée en puissance, en se concentrant moins sur le fait de faire ses preuves et davantage sur l’apprentissage rapide.

La plupart des entreprises parlent de l’adoption de l’IA au niveau de l’organisation — déploiements, pilotes, grandes initiatives — mais s’arrêtent avant de la rendre personnelle. Chez Workday, le VP of People Analytics Phil Willburn a décrit une approche différente : chaque employé est invité à se fixer un objectif trimestriel pour développer ses compétences en IA. Cette simple attente a fait passer l’IA d’une initiative d’entreprise abstraite à un engagement individuel. Cela a créé de la responsabilisation et a normalisé l’expérimentation. De plus, chaque employé a ensuite reçu des analyses personnalisées sur sa propre utilisation de l’IA, afin de mieux relier son objectif à des indicateurs de développement des compétences.

L’un des aspects les plus difficiles des évaluations de performance et des promotions, c’est de se souvenir — ou de célébrer — ses propres réussites. Chez Zapier, l’ingénieur Full Stack Jordan Raleigh et son équipe¹ ont utilisé l’IA pour résoudre ce problème grâce à un système de « brag doc ».

‍

Lorsqu’une personne partage une réussite dans Slack et ajoute un emoji, l’IA la récupère, génère un court résumé et l’enregistre dans une base de données personnelle de brag doc. Au fil du temps, chacun se constitue un relevé d’accomplissements prêt à l’emploi. « Nous pouvons utiliser ces documents comme référence pendant les cycles d’objectifs de l’entreprise, les processus de promotion et les évaluations de performance. Cela a même été utile pour lutter contre le syndrome de l’imposteur », explique Raleigh.

L’IA peut vous donner le sentiment d’être plus productif tout en vous rendant plus bête en silence.

‍

C’est la conclusion d’une étude sur des professionnels de santé¹ dont le professeur de Wharton Adam Grant nous a parlé : lorsque des endoscopistes polonais ont commencé à utiliser l’IA pour aider à détecter le cancer pendant des coloscopies, leurs performances sur les procédures sans IA se sont dégradées. Autrement dit, plus ces professionnels de santé s’appuyaient sur l’IA, moins ils étaient affûtés lorsque l’IA n’était pas là. La leçon de Grant : « le fait que vous contractiez une dette cognitive ou obteniez un dividende cognitif dépend de la manière dont vous utilisez l’IA : comme une béquille ou comme un outil d’apprentissage. »

‍

Erica Dhawan, experte en IA et autrice de Digital Body Language et du livre à paraître Use Your Brain, observe le même schéma au niveau organisationnel. Comme elle nous l’a dit : « Les dirigeants les plus brillants abordent la transformation de l’IA non pas comme une mise à niveau technologique, mais comme une mise à niveau du jugement. La prochaine phase de la transformation de l’IA appartiendra aux organisations qui associent l’intelligence des machines à des équipes de formation au discernement humain, afin de ralentir, remettre en question les hypothèses et utiliser l’IA comme un collaborateur, et non comme une béquille. »

‍

Si vous considérez l’IA comme un substitut à la réflexion et au jugement professionnel — en vous appuyant de manière réflexe sur ses résultats — vous accumulez une dette cognitive : une exécution plus lente sur le long terme, des compétences érodées et une confiance mal placée. Si vous considérez l’IA comme un outil d’apprentissage et un collaborateur (qui vous aide à critiquer, comparer et remettre en question) et le même système vous récompense par un dividende cognitif. Il affine votre jugement et élargit vos compétences, même si parfois votre travail prend plus de temps à court terme.

Le mentorat repose sur la dimension humaine. Mais l’IA peut libérer les mentors afin qu’ils consacrent leur temps là où leur expertise compte le plus.

‍

Comme nous l’a expliqué Liz Gerber, professeure à Northwestern, l’une des compétences qui manque le plus aux débutants est la métacognition : la capacité à prendre du recul et à se demander : « Est-ce que je travaille seulement sur le bon problème ? » Les débutants qui manquent de cette compétence se rabattent par défaut sur des tâches sûres et superficielles, comme peaufiner des slides, coder une fonctionnalité supplémentaire ou ajuster la mise en forme. Le travail plus difficile et plus risqué — clarifier les hypothèses, diagnostiquer les risques et éprouver la stratégie — reste inexploré. « Vous passez la moitié de la réunion [avec un mentoré] juste à essayer de comprendre de quoi il parle… ils manquent de compétences métacognitives pour planifier, diagnostiquer et comprendre le problème qu’ils abordent. »

‍

Ses doctorants ont expérimenté¹ un « pré-coaching » par IA pour résoudre ce problème avec des coachs qui accompagnaient de jeunes entrepreneurs débutants. Voici comment cela fonctionnait. Avant les rendez-vous en tête-à-tête, les débutants suivaient une préparation guidée par l’IA : formuler leurs objectifs, faire émerger les risques et réfléchir à leurs progrès. Le système ne se contentait pas de collecter des informations. Il s’appuyait sur une bibliothèque d’écueils fréquents pour révéler les angles morts des débutants (comme sauter l’étape de validation ou ignorer la distribution) et leur posait des questions de suivi ciblées. Un fondateur novice a reconnu : « Je me suis senti recadré — mais dans le bon sens », après avoir réalisé qu’il se réfugiait dans sa zone de confort en codant plutôt que d’affronter le véritable blocage : l’absence de plan de distribution pour sa start-up.

‍

Cette préparation a transformé les échanges en tête-à-tête suivants entre les coachs et les entrepreneurs débutants. Au lieu de perdre la moitié de la séance à clarifier le problème, les conversations passaient directement à des sujets à plus forte valeur : critiquer des prototypes, concevoir des expériences de validation, débattre de la stratégie ou lever des freins émotionnels, notamment le perfectionnisme et la peur de l’échec. Les mentors de l’étude ont déclaré se sentir plus concentrés et plus efficaces ; les débutants ont dit que les incitations de l’IA leur semblaient plus précises et plus « réelles » que des cadres statiques comme Lean Canvas².

Tout comme l’IA transforme le mentorat, elle bouleverse aussi l’apprentissage. Traditionnellement, l’apprentissage en entreprise suivait un modèle d’apprentissage : les juniors apprenaient le métier auprès des seniors. Mais avec l’IA, le scénario s’inverse. De nombreux jeunes collaborateurs arrivent avec une meilleure maîtrise de l’IA — ils l’ont acquise à l’université ou via des projets personnels. Les seniors apportent toujours le jugement et les cicatrices de plusieurs années d’expérience, mais lorsqu’il s’agit d’IA, le mentorat inversé est souvent la solution.

‍

Le professeur Matt Beane, de l’University of California at Santa Barbara, appelle cela « l’apprentissage inversé ». Sur le papier, cela paraît prometteur. Dans la pratique, ses recherches montrent que 90 % du temps, cela échoue. Les seniors n’apprennent que juste assez pour s’en sortir, tandis que les juniors se retrouvent cantonnés aux tâches ingrates et finissent par s’épuiser.

‍

Pourtant, Beane et son collaborateur Callen Anthony (NYU) ont constaté¹ une exception notable, qu’ils appellent la démarche de recherche. Dans cette démarche, les experts seniors ne délèguent pas les tâches liées à l’IA vers le bas. Ils s’y investissent et travaillent côte à côte avec leurs collègues juniors. Ils partagent les premiers faux pas, les essais-erreurs et la résolution de problèmes chaotique. Cette lutte commune, c’est ce qui construit une expertise durable pour les deux groupes — et des liens plus forts entre novices et experts.

Le récit catastrophiste affirme que l’IA va faire disparaître les postes de début de carrière, et des recherches récentes¹ montrent que les emplois de début de carrière sont en train d’être supprimés. Shopify mise sur la stratégie inverse. Après avoir réussi à recruter 25 stagiaires en ingénierie, le PDG Tobi Lütke a demandé au Head of Engineering Farhan Thawar jusqu’où ils pouvaient faire grandir le programme. Thawar rapporte : « Au départ, j’ai dit que nous pouvions encadrer 75 stagiaires. Puis je suis revenu sur ma réponse. Je l’ai mise à jour à 1 000². »

‍

Thawar a expliqué³ que, dans l’ère post-LLM, ils apportent autre chose : ce sont des « centaures de l’IA ». Ils expérimentent sans peur, cherchent des raccourcis et ne perdent pas de temps à réinventer la roue. « Je veux qu’ils soient paresseux et utilisent les outils les plus récents », dit Thawar. « Nous avons vu cela se produire sur le mobile : les stagiaires étaient mobile-native. Maintenant, ils sont AI-native. »

‍

Chez Shopify, les dirigeants pensent qu’ils ont besoin de stagiaires au regard neuf, qui n’ont pas de vieilles habitudes à désapprendre, et que leur curiosité peut entraîner toute une équipe vers l’avenir. Mais cette stratégie ne fonctionne, faut-il ajouter, que dans des cultures de forte confiance où les jeunes talents ont de vrais problèmes à résoudre.

Le modèle d’apprentissage n’est pas seulement inversé dans certaines organisations. Il s’est transformé en un système à deux vitesses — où les juniors foncent grâce à l’IA, puis les seniors les obligent à ralentir et à se débattre avec les bugs.

‍

Traditionnellement, les développeurs juniors apprenaient lentement : en assistant aux revues de code, en faisant du pair programming, et en regardant les seniors repérer les erreurs. Avec le « vibe coding » assisté par l’IA, les développeurs produisent désormais du code à l’apparence soignée en quelques heures. Ça compile, ça s’exécute, ça a l’air correct — jusqu’à ce que cela s’effondre face à la complexité du monde réel.

‍

Certaines équipes adoptent un modèle à deux vitesses. Comme nous l’a décrit Matt Beane, professeur à l’University of California at Santa Barbara, elles laissent les « développeurs juniors » sprinter avec l’IA, puis les obligent à freiner. « Les développeurs seniors donnent à ces développeurs juniors une tâche impossible par unité de temps… les développeurs juniors franchissent la ligne d’arrivée en 48 heures, en hurlant, avec du code fonctionnel. Et ensuite, le senior dit : “Il y a trois problèmes — va les trouver. Je ne vais pas te dire ce que c’est.” »

‍

Beane dit que cela fonctionne parce que les juniors apprennent plus vite. En quelques jours seulement, ils ont construit et se retrouvent maintenant face au type de bugs difficiles et de défauts de conception qui mettraient normalement des mois à apparaître. Au lieu de simplement regarder les seniors repérer les erreurs, ils doivent trouver et corriger les problèmes eux-mêmes. Beane a ajouté : « En quatre jours, ils obtiennent ce que toute l’équipe aurait normalement pu faire en, disons, trois semaines… et ces juniors apprennent beaucoup plus vite des choses vraiment subtiles, de très haut niveau, que ce qu’ils apprendraient d’ordinaire. »

Beaucoup d’ingénieurs sont formés à penser de bout en bout : prendre en charge un gros problème, en être responsable et livrer une solution. Mais avec l’IA dans l’équation, la compétence de décomposition — découper un grand défi en plus petites parties pour déterminer lesquelles peuvent être prises en charge par des machines — devient plus précieuse.

‍

Des recherches en conception d’ingénierie ont montré¹ que les experts ont tendance à utiliser une décomposition « en largeur d’abord » (présenter toutes les grandes composantes d’un problème avant d’entrer dans le détail). Les novices, eux, plongent à fond dans une partie et tentent de la perfectionner de bout en bout. Cette habitude des experts — commencer par la largeur — semble devenir un élément clé de la culture IA. « Décomposez vos problèmes complexes en dix éléments plus petits, puis laissez l’IA en traiter six. Ce n’est pas tout à fait la manière dont beaucoup d’ingénieurs pensent naturellement, mais une fois que vous commencez à en voir les bénéfices, vous développez de nouvelles habitudes pour découper les choses autrement. Une autre chose à considérer dans un tel processus est de savoir si les humains doivent augmenter l’IA, ou si l’IA doit augmenter les humains », explique Howie Xu, Chief AI and Innovation Officer chez Gen.

‍

Quand vous décomposez un problème, vous ne faites pas que gérer la complexité. Vous tracez la frontière entre le jugement humain et l’exécution machine. Chaque décomposition est une négociation silencieuse du pouvoir.

L’IA ne se contente pas de transformer l’apprentissage technique. Elle devient aussi un coach pour la dimension interpersonnelle du travail. Des leaders, dont Kyle Forrest, qui pilote les initiatives « future of HR » de Deloitte, ont décrit comment ils utilisaient l’IA pour se préparer à des conversations difficiles. Il nous a expliqué comment il rejoue parfois ces moments avec un assistant IA, en testant la manière de formuler des messages délicats avant de parler avec un collègue ou un dirigeant.

‍

Chez Whoop¹, la Head of Core Product, Hilary Gridley, a lancé à son équipe un « défi GPT de 30 jours ». Le jour 29, les employés sont également encouragés à utiliser l’IA pour répéter des conversations difficiles. On leur conseille de proposer un prompt du type : « Je dois parler à mon coéquipier de délais non respectés sans le mettre sur la défensive. Quelle est une façon calme de commencer cette conversation ? » Ou encore : « Comment pourrait-il réagir, et comment puis-je gérer chaque réaction avec empathie ? » [Découvrez le « 30 Days of GPT Learning Guide² » gratuit de Gridley si vous voulez l’essayer avec votre équipe.]

‍

Une étude exploratoire de 2023³ menée par Anne Hsu et Divya Chaudhary a testé une approche similaire. Hsu et Chaudhary ont expérimenté une application web basée sur l’IA qu’elles ont développée pour la résolution de conflits auprès de 13 utilisateurs. Chacun a saisi ce qu’il dirait dans des scénarios de conflit au travail — certains réels, d’autres hypothétiques — et l’IA a signalé les formulations susceptibles de déclencher une attitude défensive (par ex., reproche, jugement, exagération). Elle a proposé à la place une formulation plus neutre, centrée sur les besoins.

‍

Les utilisateurs de l’étude ont indiqué qu’ils faisaient confiance aux conseils de l’IA, qu’elle les aidait à repenser leur formulation, et qu’ils se sentaient plus calmes et plus confiants à l’idée d’avoir la conversation réelle. Beaucoup s’en sont servis pour répéter la manière dont ils géreraient de vrais conflits de façon sûre, à faible enjeu, le décrivant à la fois comme un moyen de réduire le stress et comme un exercice de développement de compétences.

L’une des compétences relationnelles les plus difficiles consiste à apprendre à dire « non ». Pour les « givers », comme les appelle Adam Grant, cela peut sembler presque impossible. Ils continuent à dire oui jusqu’à être épuisés, rancuniers et à sous-performer en silence.

‍

Pourtant, les meilleures organisations ont besoin de personnes capables de protéger leur temps sans abîmer leurs relations.

‍

Dans le cadre de ce défi GPT de 30 jours¹ animé par Hilary Gridley, Head of Core Product chez Whoop, les employés utilisent l’IA pour s’entraîner à dire non. Vous pouvez utiliser des prompts comme :

• « Quelle est une manière diplomate de refuser tout en restant serviable ? »
• « Quelles questions pourrais-je poser pour comprendre si c’est vraiment urgent ? »
• « Que pourrait ressentir cette personne en lisant ma réponse — et comment pourrais-je atténuer cela ? »

La professeure Alison Gopnik de l’U.C. Berkeley oppose¹ deux états d’esprit : les charpentiers cherchent à établir un plan et à contrôler chaque résultat, tandis que les jardiniers se concentrent sur la création des conditions propices à la croissance. Comme l’expliquent les consultants McKinsey Bob Sternfels et Yuval Atsmon, « Les managers les plus performants se concentrent sur l’identification des pousses — des employés, des équipes ou des départements qui expérimentent de nouvelles technologies et affichent des résultats précoces prometteurs. Ils demandent : “Où l’innovation est-elle déjà à l’œuvre ? Qui résout des problèmes de manière étonnamment efficace ?” » Nous avons entendu un argument similaire de la part de plusieurs dirigeants, qui nous ont dit que l’IA se diffuse davantage comme un jardin — via les réseaux de pairs, des exemples visibles et de petites victoires. Selon eux, leur rôle en tant que leader n’était pas de microgérer, étape par étape, le plan d’adoption, mais de rendre le sol fertile.

Plusieurs des dirigeants que nous avons interrogés ont soutenu que des formations standardisées ne sont pas aussi efficaces que de voir quelqu’un utiliser l’IA qui a un poste similaire au vôtre et qui fait face à des défis similaires. Cette observation recoupe des recherches sur le comportement interpersonnel¹ et la diffusion des mouvements sociaux² qui montrent que les nouvelles idées se diffusent plus vite lorsque les gens les voient incarnées par des personnes qu’ils perçoivent comme similaires à eux — par exemple, qui ont fréquenté la même école, sont du même genre ou de la même origine, ont le même âge ou, dans ce cas, ont un rôle ou un intitulé similaire.

‍

Chez Indeed, Megan Myers, Directrice de la marque et de la publicité, anime³ des « panels de power users » où des pairs font des démos en direct de la façon dont ils intègrent l’IA dans leur travail. Chez Deloitte, le cabinet a créé des « Savvy User Profiles⁴ » — de brefs portraits qui mettent en lumière des employés qui intègrent avec succès l’assistant GenAI de l’entreprise dans leur travail quotidien. Chaque portrait met en avant les problèmes qu’ils résolvent, les étapes qu’ils suivent et les heures qu’ils gagnent — ce qui aide les collègues à voir à quoi ressemble, en pratique, une utilisation efficace de l’IA. Et chez Zendesk, Nan Guo, Senior VP of Engineering, nous a raconté comment son équipe a mené une campagne de six semaines « Comment l’ai-je fait ? » où les ingénieurs publiaient des réussites du quotidien dans un canal Slack partagé et où les dirigeants choisissaient des gagnants. Des campagnes comme celle-ci contribuent à rendre les solutions d’IA concrètes plutôt qu’abstraites — quelque chose que des collègues très proches de vous utilisent pour mieux travailler.

Les hackathons, les agent-a-thons et les prompt-a-thons sont devenus un incontournable des déploiements de l’IA en entreprise. Ils sont amusants, développent la sensibilisation et font émerger des champions de l’IA et des cas d’usage. Mais trop souvent, les prix vont uniquement aux idées les plus spectaculaires — la plus grande démo, la réussite la plus visible — tandis qu’un travail plus discret, comme l’amélioration des workflows ou l’aide apportée aux collègues pour adopter l’IA, passe inaperçu.

‍

Chez Udemy, la Chief Learning Officer par intérim Rebecca Stern a décrit une récente initiative IA à l’échelle de l’organisation appelée « UDays », des journées mensuelles dédiées à l’apprentissage, où les employés se réunissaient pour créer des prompts et des prototypes d’IA. Plutôt que de remettre des prix uniquement pour l’impact le plus spectaculaire, ils ont mis 1 000 à 2 000 $ sur la table et l’ont réparti entre trois catégories :

1. Expérience à plus fort impact
2. Meilleur prompt avant/après
3. Meilleur feedback entre pairs

Pendant les UDays d’Udemy (des journées mensuelles dédiées à l’apprentissage), la Chief Learning Officer Rebecca Stern a remarqué que les équipes commerciales se lançaient à fond : elles semblaient plus motivées par l’idée de gagner la prime que les équipes d’autres fonctions. Comme l’a dit Stern : « Ils vivent déjà dans un univers guidé par les incitations — classements, quotas, victoires. Ils savaient comment jouer, et ils ont joué pour gagner. » Certains autres départements étaient à la traîne. La même prime n’avait pas la même signification selon la culture de l’équipe.

Tous les leviers d’incitation n’ont pas besoin d’être de l’argent ou des récompenses. La peur de passer à côté (FOMO) peut être un moteur tout aussi puissant.

‍

C’est exactement ce qu’ils ont exploité chez Reddit. Le Lead Solutions Engineer, Ammen Sihngh, a expliqué comment ils ont ciblé un point où les frictions étaient déjà élevées : un canal Slack où les employés publiaient en permanence des questions internes et attendaient—parfois des jours—une réponse. Au lieu de laisser les gens s’épuiser à gérer l’arriéré, ils y ont déployé un agent d’IA propulsé par Glean. Le bot répondait instantanément—avec précision, utilement, et sans aucun effort humain.

‍

Ce qui était autrefois un gros goulot d’étranglement est devenu presque sans friction. Des personnes dans toute l’entreprise ont commencé à demander : « Pourquoi n’avons-nous pas cet agent, nous aussi ? » En quelques semaines, plus de 300 employés ont demandé l’accès. Six mois plus tard, l’agent d’IA a été déployé dans toute l’entreprise. Comme l’a dit Sihngh : « Le bouche-à-oreille est bien plus convaincant que n’importe quel e-mail de sensibilisation de l’IT. »

L’un des pièges les plus faciles lors des déploiements d’IA est de courir après des « métriques de vanité ». C’est ainsi que Federico Torretti, Senior Director of AI chez Oracle, les appelle. Il parle de mesures comme les connexions, les minutes passées à utiliser l’outil et le nombre de chats, qui rendent les tableaux de bord impressionnants. Mais elles ne mesurent pas si l’IA améliore réellement le travail. Comme l’a dit Torretti : « Dès que vous commencez à surveiller l’usage — utilisateurs actifs, nombre de conversations — vous obtenez de la conformité, pas de l’utilité. Les gens font semblant d’utiliser l’outil pour que les métriques aient l’air bonnes. C’est de la surveillance, pas de l’adoption. »

‍

Chez Zendesk, Nan Guo, Senior VP of Engineering, nous a expliqué comment, au lieu de se focaliser sur l’utilisation de l’outil, ils ont construit un tableau de score de six métriques de productivité en ingénierie, dont cinq métriques opérationnelles mesurées au niveau de l’équipe : temps de cycle, temps de cycle de revue de code, fréquence des fusions, taux d’échec des changements et nombre de déploiements (à quelle fréquence les équipes publient avec succès du code en production). « Nous ne voulions pas simplement dire : “Regardez, tout le monde utilise l’outil.” Nous voulions savoir s’il faisait réellement bouger l’aiguille sur la productivité », nous a-t-elle confié.

‍

La sixième métrique, issue d’une enquête d’engagement, capte la dimension émotionnelle de la productivité : ce que les ingénieurs ressentent à propos des outils qu’ils utilisent, s’ils estiment que ces outils les aident réellement à mieux travailler, et là où la frustration ou les frictions s’accumulent. Comme l’a dit Nan : « Nous ne regardons pas seulement les données, mais aussi ce que ressentent les gens. Font-ils confiance aux outils ? Ont-ils l’impression qu’ils aident ou qu’ils se mettent en travers du chemin ? »

‍

Pendant ce temps, chez Oracle, Torretti nous a expliqué comment les dirigeants mesurent désormais la « diversité d’intentions IA » : l’éventail des tâches pour lesquelles les employés utilisent réellement l’IA. Lorsque les gens appliquent l’IA à travers plusieurs volets de travail (rédiger, analyser, déboguer, synthétiser), c’est un signe qu’elle devient partie intégrante de la façon dont leur travail se fait — et pas seulement une nouveauté ou un moyen de prouver la productivité via une mise en scène de l’IA.

Éviter les vanity metrics ne suffit pas. Le vrai défi consiste à concevoir des systèmes de mesure qui évaluent et favorisent un changement de comportement efficace. Chez Zendesk, la Senior VP of Engineering Nan Guo nous a expliqué à quel point son équipe était intentionnelle dans la mesure de l’adoption de l’IA par les employés :

• Pas de noms. Les classements individuels étaient interdits. Parce que les classements publics peuvent miner la confiance, la motivation intrinsèque et l’engagement, et amener les personnes à chercher à contourner le système plutôt qu’à améliorer réellement leurs performances.
• Pas de comparaisons directes entre équipes. Les métriques n’ont de sens que lorsqu’elles sont liées aux spécificités du travail de chaque équipe. Comme l’a dit Guo : « L’UI ne peut pas se comparer à l’infrastructure — ils ne font pas la même chose. »
• Mettre les données des métriques à disposition des équipes. Surtout, Zendesk a placé les métriques entre les mains des équipes, pas seulement du management. Quand les ingénieurs voyaient leurs propres niveaux de référence et tendances, ils se sentaient plus autonomes, car ils disposaient d’informations sur les points où leurs équipes progressaient et ceux où elles devaient concentrer davantage d’efforts.

‍

Phil Willburn, VP of People Analytics chez Workday, a souligné ce point en nous disant : « Je crois profondément aux données démocratisées. Lorsque nous donnons aux managers des insights, les employés devraient aussi avoir accès à leurs propres données. »

‍

Il a insisté sur le fait que cet accès doit s’accompagner d’une communication claire sur les métriques disponibles et sur la manière dont elles profitent aux employés, ainsi que d’une agrégation et de contrôles basés sur les rôles qui évitent la perception d’une dynamique de « surveillance ». En d’autres termes, ne créez pas d’incitations à « performer pour la métrique » (par exemple, spammer des prompts pour faire augmenter les compteurs d’usage de l’IA). Concevez plutôt des mesures qui soutiennent l’apprentissage et un véritable changement de comportement.

Nous avons entendu de nombreuses histoires d’entreprises qui ont transformé l’usage de l’IA en sport de la surveillance — en suivant, mesurant, et même en classant les employés. Le nouveau PDG d’une société de logiciels est arrivé et a annoncé que l’usage de l’IA compterait désormais dans les évaluations de performance. Et dans une entreprise du Fortune 100, les dirigeants envoyaient chaque semaine des e-mails classant qui utilisait le plus l’IA. Comme nous l’avons vu, ce type de logique de surveillance nourrit l’anxiété et les stratégies de contournement, pas l’apprentissage et un meilleur travail.

‍

Mais la contribution des pairs, lorsqu’elle est bien faite, peut rendre l’usage de l’IA naturel — quelque chose que tout le monde fait et que chacun s’attend à voir faire par les autres, pas seulement les premiers adoptants ou les passionnés de tech. Et sans en faire un classement à somme nulle. Chez Shopify, les employés s’évaluent mutuellement chaque trimestre sur leur usage des outils d’IA. Dans un mémo adressé aux employés¹ le PDG Tobi Lütke a écrit : « Apprendre à bien utiliser l’IA est une compétence ingrate. J’ai le sentiment que beaucoup de gens abandonnent après avoir écrit un prompt et ne pas obtenir tout de suite la chose idéale en retour. Apprendre à prompter et à fournir du contexte est important, et amener les pairs à donner du feedback sur la manière dont cela se passe sera précieux. » L’objectif chez Shopify n’est pas de couronner des gagnants et des perdants. Il s’agit de rendre la maîtrise de l’IA visible et sociale, partie intégrante de la manière dont les collègues gagnent en crédibilité les uns auprès des autres.

‍

Chez Zoom, donner aux personnes la maîtrise de leurs insights liés à l’IA a favorisé l’adoption. Paul Magnaghi, Head of AI Strategy, a décrit : « Avec nos opérations commerciales, instaurer la confiance [autour des outils d’IA] a été crucial. » Au début, l’entreprise a commencé à utiliser l’intelligence conversationnelle au sein de Zoom pour analyser l’efficacité des échanges des commerciaux. « Au départ, les commerciaux craignaient que les managers utilisent les données pour les surveiller. Nous avons renversé la situation — en ouvrant ces analyses aux commerciaux eux-mêmes et en leur permettant d’interroger directement les outils d’IA. Désormais, ils peuvent poser des questions curieuses comme : “Ai-je été efficace dans cette conversation ?” Nous avons constaté que ce niveau de confiance s’est accru en conséquence. »

Tous les problèmes ne sont pas des problèmes d’IA. Nous avons entendu de nombreuses histoires d’équipes qui collent « IA » sur un projet simplement pour obtenir l’approbation d’un budget, ou qui partent du principe que l’IA est nécessaire alors qu’une solution plus simple suffirait. David Lloyd, Chief AI Officer chez Dayforce, a expliqué comment leur organisation soumet les propositions de nouveaux cas d’usage de l’IA à un examen obligatoire, dont la première question est : « Le problème nécessite-t-il réellement l’IA ? »

Les fournisseurs d’IA — du moins les plus médiocres — adorent dissimuler des produits bancals derrière des mots à la mode qui ont l’air intelligents mais ne veulent pas dire grand-chose. Comme le dit Sahin Ahmed, Data Scientist chez Publicis Media¹ : « Ces derniers temps, on dirait que tout le monde se jette sur le wagon de l’IA, en lançant des mots à la mode comme s’il s’agissait de confettis lors d’un défilé tech. » Il avertit² : « Méfiez-vous des entreprises qui utilisent des expressions truffées de jargon, sans explications claires de ce que fait réellement leur IA. »

Ouvrir l’innovation en IA à tout le monde peut être risqué. C’est pourquoi Stanford Medicine a créé un « terrain de jeu » d’IA sécurisé appelé « SecureGPT », où les cliniciens, les administrateurs, le personnel et les membres de l’équipe IT peuvent tester des idées en toute sécurité tout en protégeant la confidentialité et la sécurité. Michael Pfeffer, CIDO et doyen associé, nous a expliqué comment les médecins et infirmiers de Stanford l’utilisent pour tester des prompts dans leur travail quotidien — sans attendre des validations formelles et avec chaque expérience suivie anonymement par le système.

‍

Par exemple, une équipe dirigée par le Chief Data Officer Nigam Shah a développé « ChatEHR¹ » en catégorisant et en classant les expériences réalisées dans le terrain de jeu d’IA. Cet outil permet aux cliniciens « de poser des questions sur les antécédents médicaux d’un patient, de résumer automatiquement les dossiers et d’effectuer d’autres tâches ». Comme l’a expliqué Shah, « ChatEHR est sécurisé ; il puise directement dans les données médicales pertinentes ; et il est intégré au système de dossier médical électronique, ce qui le rend simple et précis pour un usage clinique ». Un groupe pilote de 33 professionnels de santé a testé la capacité de ChatEHR à accélérer leur recherche d’informations sur « l’histoire complète » de chaque patient. Un médecin de Stanford, l’un de ces premiers utilisateurs, a rapporté que ChatEHR lui a permis, à lui et à ses collègues, de « consacrer du temps à ce qui compte — parler avec les patients et comprendre ce qui se passe ». Désormais, ChatEHR est accessible à tous les cliniciens de Stanford.

Nous avons entendu parler de plusieurs entreprises qui réservent leurs outils et modèles d’IA les plus puissants aux équipes d’ingénierie ou data. Shopify fait l’inverse : tout le monde, quelle que soit sa fonction, peut utiliser tous les modèles. Leur thèse : des cas d’usage à forte valeur peuvent venir de n’importe où — et certaines de leurs adoptions les plus rapides sont venues des équipes commerciales et du support, pas de l’ingénierie.

‍

Les percées en IA ne se produisent pas uniquement dans des labs d’innovation. Comme l’a souligné Sonya Huang, Partner chez Sequoia Capital, les meilleures idées IA ne viennent pas toujours des endroits les plus évidents. « Notre philosophie a été de laisser s’épanouir 1 000 fleurs… Il se peut que ce soit un PM quelque part dans l’organisation, ou ce nouvel investisseur qui vient d’arriver il y a une semaine et qui dit : “N’y a‑t‑il pas une meilleure façon de mener des appels clients ?” »

Un thème qui est souvent ressorti lors de nos entretiens : les gens ont besoin de temps pour expérimenter avec l’IA. David Adams, cofondateur et Chief Product Officer de Canva, l’a souligné¹, « Des membres de l’équipe nous ont dit qu’ils avaient besoin de plus de temps pour explorer et expérimenter avec l’IA, plutôt que d’essayer de caser l’apprentissage dans un planning déjà chargé. » Dans toutes les organisations, les dirigeants ont fait écho au même défi : le principal obstacle à l’utilisation de l’IA n’est ni la peur ni le manque d’intérêt — c’est le manque de temps.

‍

Ainsi, en juillet 2025, Canva a accordé à 5 000 employés une semaine entière de congé de leurs fonctions quotidiennes pour une « AI Discovery Week ». Pendant cinq jours, les « Canvanauts » (les employés de l’entreprise) ont participé à des ateliers, des hackathons et des explorations libres, gagnant en confiance, faisant remonter des craintes et découvrant de nouveaux cas d’usage.

L’IA est souvent présentée comme le remède au « syndrome de la page blanche ». Mais les preuves sont mitigées. Certaines études suggèrent qu’un apport précoce de l’IA peut stimuler la créativité¹. D’autres montrent qu’elle peut au contraire restreindre la pensée. Prenez l’étude du MIT sur des étudiants qui rédigent des dissertations de type SAT, rapportée² dans un article de The New Yorker sur la façon dont « l’IA homogénéise nos pensées ». Les chercheurs du MIT ont constaté que les utilisateurs de LLM présentaient une connectivité réduite des ondes alpha dans le cerveau — un signal associé à la pensée originale et au flux créatif. En outre, les dissertations rédigées par les utilisateurs de LLM « tendaient à converger vers des mots et des idées communs » et leur « production était très, très similaire » les unes aux autres.

‍

La différence semble tenir au fait que les personnes utilisent l’IA pour générer des idées ou, au contraire, pour les réduire trop tôt dès les premières étapes du processus créatif :

• L’IA peut lancer le processus créatif lorsqu’elle propose plusieurs points de départ, variés et inattendus.
• Mais lorsqu’elle crée un effet d’ancrage — en ancrant les personnes sur sa première réponse — elle peut court-circuiter les aspects brouillons mais à forte valeur ajoutée de la créativité, là où émergent souvent les meilleures idées.

‍

C’est pourquoi certains créateurs fixent délibérément des limites entre les moments où ils invitent l’IA et ceux où ils la tiennent à l’écart. La scientifique du comportement et autrice Lindsay Kohler évite l’ancrage en gardant ses premiers brouillons bruts brouillons, fragmentés et entièrement humains. C’est là que ses idées prennent forme. L’IA intervient plus tard pour l’aider à resserrer la structure, peaufiner les dialogues, affiner le rythme et rechercher des articles académiques afin d’obtenir des réponses ciblées.

Les recherches¹ du lauréat du prix Nobel Daniel Kahneman montrent que l’esprit humain fonctionne selon deux modes de pensée :

1. Système 1 (pensée rapide) : intuitif, rapide et automatique.
2. Système 2 (pensée lente) : délibéré, exigeant et analytique.

Dans le travail créatif, les deux systèmes comptent. Le Système 1 aide à générer des connexions rapides et des idées audacieuses, tandis que le Système 2 ralentit le rythme pour permettre la réflexion, les tests et l’affinage. Les meilleures idées émergent lorsque les personnes et les équipes passent avec fluidité de l’un à l’autre. Comme nous l’a expliqué un conseiller auprès d’entreprises du Fortune 50, l’IA peut accélérer les tâches autour de la créativité — recherche, prompts, structuration des idées — mais la créativité elle-même reste désordonnée et inefficace. Il a dit :

‍

« L’IA, c’est comme du café instantané. C’est toujours disponible, c’est rapide, et c’est suffisamment bon en cas de besoin. Mais si vous ne vivez que de K‑cups, vous risquez d’oublier comment préparer la vraie chose — et vous passez à côté de la saveur plus riche qui vient du temps et du savoir-faire. »

‍

L’IA excelle en mode rapide — en ingérant des données, en faisant remonter des options et en exécutant à un rythme que les humains ne peuvent égaler. Comme Chris Yeh, co-auteur de Blitzscaling, nous l’a expliqué, l’IA peut accélérer les tâches autour de la créativité — recherche, prompts, structuration des idées — mais la créativité elle-même reste désordonnée et inefficace. Il précise : « L’IA, c’est comme du café instantané. C’est toujours disponible, c’est rapide, et c’est suffisamment bon en cas de besoin. Mais si vous ne vivez que de K‑cups, vous risquez d’oublier comment préparer la vraie chose — et vous passez à côté de la saveur plus riche qui vient du temps et du savoir-faire. »

‍

C’est pourquoi — à l’instar de la spécialiste des sciences du comportement et autrice Lindsay Kohler — il a mis en garde contre le fait de sauter l’étape d’incubation. Sa règle : ne pas faire intervenir l’IA tant que sa réflexion n’a pas eu le temps d’infuser.

Protéger la pensée lente ne consiste pas seulement à ajouter des pauses. Il s’agit de savoir à quel endroit du processus cela compte le plus. C’est ce que Perry Klebahn a appris en enseignant Launchpad¹, un accélérateur de start-up qu’il dirige à la Stanford d.school depuis 15 ans. Ces dernières années, Klebahn a expérimenté la façon dont l’IA peut aider (et freiner) les 10 à 15 équipes fondatrices qu’il accompagne chaque année. Il met constamment ces fondateurs au défi et les coach pour réfléchir aux étapes du processus de création d’une start-up qui bénéficient de la vitesse de l’IA, par rapport à celles qui exigent la lenteur humaine pour faire émerger des enseignements et de l’originalité.

Le livre classique de Robert Cialdini, Influence¹ montre que plus une personne investit d’efforts dans une relation, un projet ou une idée, plus elle sera fortement déterminée à le faire fonctionner à l’avenir. Les psychologues appellent cela l’effet « le travail mène à l’amour » : les gens s’en tiennent à des choix chèrement acquis pour justifier leurs efforts auprès d’eux-mêmes et des autres.

‍

Comme l’aurait formulé Cialdini, Perry Klebahn, enseignant à Stanford, nous a expliqué que la rapidité et la facilité du prototypage permises par l’IA — l’absence d’effort — font que les fondateurs de son accélérateur Launchpad travaillent moins dur et peinent moins aujourd’hui pour développer leurs idées prometteuses qu’auparavant. Les fondateurs des plus de 125 start-ups lancées avant l’IA étaient moins sujets à ce syndrome du « vite acquis, vite perdu ». Ils étaient, semble-t-il, plus engagés, parce que développer ces idées prometteuses était plus lent, plus difficile et plus frustrant.

‍

Klebahn a décrit un symptôme révélateur de ce manque d’engagement : les fondateurs parlent souvent de concepts générés par l’IA à la troisième personne, comme « cette idée ». Par le passé, les étudiants utilisant des méthodes plus lentes disaient « mon idée » ou « notre prototype ». Comme les idées assistées par l’IA prennent forme si facilement, les fondateurs font moins d’efforts pour les affiner, les tester ou les vendre. Une étude du MIT² a confirmé cela : des étudiants qui ont utilisé l’IA pour rédiger des dissertations ont dit qu’ils « n’avaient aucun sentiment d’appropriation » de leur travail.

‍

Il existe toutefois un grand avantage à cet effet « vite acquis, vite perdu ». L’absence d’effort nécessaire pour générer des prototypes avec l’IA signifie que les gens auront moins tendance à s’entêter de manière irrationnelle dans de mauvaises idées — et il leur sera plus facile de mettre fin à des idées qui semblaient bonnes au départ, mais qu’un test plus approfondi révèle mauvaises ou impraticables.

De nombreuses initiatives d’IA ne seront pas à la hauteur de vos espoirs, intuitions et attentes. Plusieurs des dirigeants avec lesquels nous avons échangé ont estimé le taux d’échec des initiatives d’IA à environ 80 %. Comme l’un d’eux l’a souligné, ils ne repensent ni ne réallouent le travail qu’APRÈS avoir des preuves convaincantes qu’une initiative réussira, et que l’IA peut être utilisée pour augmenter ou remplacer ce que font les travailleurs humains dans l’entreprise.

‍

En effet, une enquête récente¹ menée auprès de 1 000 dirigeants d’entreprises de taille moyenne et grande suggère que nombre de dirigeants regrettent ensuite les décisions hâtives en matière de personnel qu’ils ont prises au sujet du remplacement de personnes par l’IA. L’enquête, réalisée par l’éditeur de logiciels britannique Orgve, a révélé que 39 % des dirigeants interrogés ont déclaré avoir « rendu des employés redondants à la suite du déploiement de l’IA ». Pourtant, lorsqu’ils sont revenus sur les licenciements qu’ils ont effectués, « 55 % reconnaissent avoir pris de mauvaises décisions concernant ces suppressions de postes ».

En avril 2025, OpenAI a annulé¹ une mise à jour produit après avoir découvert que son dernier modèle avait développé un sérieux cas de flagornerie de l’IA, une tendance à employer un langage excessivement conciliant ou flatteur. Des recherches d’Anthropic² ont constaté que, lorsque les personnes évaluent les réponses de l’IA, elles ont tendance à récompenser celles qui vont dans le sens de leurs propres opinions, même si ces réponses sont moins exactes. Résultat : les modèles entraînés sur des retours humains apprennent que flatter les utilisateurs rapporte de meilleures notes, ce qui leur enseigne involontairement à être flagorneurs, même au détriment de la véracité.

‍

C’est toxique pour l’innovation. Une IA flagorneuse ne remettra pas en question votre réflexion. Elle la caressera dans le sens du poil. Comme Hilary Gridley, Head of Core Product chez Whoop, nous l’a dit : « L’IA flattera vos idées. » C’est pourquoi elle recommande d’arrêter de demander : « Est-ce une bonne idée ? », une question qui appelle la validation. À la place, demandez : « Dans quelles circonstances cela pourrait-il mal se passer ? » ou « Qui pourrait ne pas recevoir cela positivement ? »

‍

En effet, une étude de 2025³ a montré que de courtes « provocations » comme « Qu’est-ce qui pourrait manquer ? » ou « Générez le point de vue opposé » aidaient les utilisateurs à éviter d’entériner mécaniquement les résultats de l’IA. Ces petites incitations ont restauré l’esprit critique, imposé la réflexion et transformé l’IA, de raccourci paresseux, en véritable partenaire de réflexion.

Et lorsque ces provocations proviennent d’une plateforme d’IA pour le travail qui comprend la charge de travail, les compétences et les styles de travail des employés, elles deviennent encore plus pertinentes. Elles peuvent révéler que :

• Le VP ne fait pas encore confiance à votre équipe, donc une proposition audacieuse « innovante » paraît imprudente plutôt que visionnaire.
• Une idée très ambitieuse siphonne l’énergie de coéquipiers qui sont encore engloutis dans des expériences inachevées.
• Un nouveau concept élégant semble déconnecté aux clients encore frustrés par les défauts produit du trimestre dernier.

‍

Dans certains cas, le jugement humain sera utile pour examiner les facteurs contextuels, relationnels et émotionnels qui détermineront si une idée fait mouche ou se retourne contre vous.

Étant donné le taux d’échec élevé des projets d’IA, Alexandre Guilbault, vice-président IA chez Telus, encourage les dirigeants à considérer les paris en IA comme un portefeuille de capital-risque. Vous pouvez miser sur 20 M$ d’opportunités, en sachant que peut-être seuls 4 M$ aboutiront — mais ces succès couvrent largement les échecs.

‍

Guilbault suggère d’utiliser un « ROI pondéré par le risque ». Sur le papier, deux projets d’IA peuvent chacun promettre 10 M$ de bénéfices. Mais si votre meilleure estimation est que l’un a 90 % de chances de réussir et l’autre seulement 30 %, ce ne sont pas des paris équivalents. Bien pondéré, ce projet « à 10 M$ » avec une probabilité de succès de 20 % est en réalité un projet à 2 M$.

‍

Bien sûr, personne n’a de boule de cristal. Les investisseurs en capital-risque et les leaders de l’IA (comme les autres êtres humains) sont très mauvais pour estimer quels paris vont gagner — il y a trop de bruit et d’incertitude. Mais même des probabilités approximatives imposent de meilleures conversations. Penser en probabilités fait passer l’état d’esprit du pays des rêves — où chaque projet clinquant est gagnant — à la réalité.

Si vous développez des outils d’IA à vendre à vos clients, n’attendez pas que des personnes extérieures révèlent les failles. Adobe ne le fait pas¹. Par exemple, lorsqu’elle a lancé l’outil d’IA générative Firefly en 2023, elle a transformé des milliers d’employés en « client zéro ». Ils ne se contentaient pas de trouver des bugs : ils mettaient en évidence des cas d’usage inattendus, signalaient des risques et affinaient les fonctionnalités. Au moment où il est arrivé chez les clients, il avait survécu à certains des critiques les plus exigeants : les employés qui connaissaient le produit sur le bout des doigts.

L’IA fait de la vitesse et de l’efficacité des prérequis incontournables. Plus rapide et moins cher ne constitue plus un avantage concurrentiel — dans de nombreux cas, c’est la norme.

‍

Le véritable avantage se trouve dans les dimensions du travail que les machines ne peuvent pas reproduire : la confiance, l’attention et le lien émotionnel. Brian Chesky, CEO d’Airbnb, s’est appuyé sur cela¹, en se développant vers des offres comme des chefs privés et des photographes. Il ne s’agit pas de gagner quelques minutes sur un processus. Il s’agit de créer des moments d’émerveillement qu’aucun algorithme ne peut remplacer.

L’adoption de l’IA ne se propage pas uniquement via des notes de service ou des discours de motivation des dirigeants. Comme nous l’a expliqué Melinda Fell, fondatrice de Complete Leader, « elle se propage quand les gens voient leurs supérieurs utiliser la technologie ». Une étude de Worklytics¹ a constaté que le comportement des managers prédit l’adoption de l’IA plus que tout autre facteur. Si un manager utilise l’IA cinq fois ou plus par semaine, l’adoption monte à 75 %. Dans l’une des entreprises du Fortune 50 où nous avons mené des entretiens, les dirigeants ne se contentent pas de parler d’IA : ils la rendent visible. Les cadres font des démonstrations d’outils lors des réunions d’équipe, gardent les outils d’IA en évidence lors des entretiens individuels, et montrent, en temps réel, comment l’IA soutient leur travail.

‍

Un vice-président senior nous a déclaré : « J’ai vu des exemples de dirigeants disant qu’ils ont leur [assistant IA] sur leur bureau littéralement tout le temps… et ils montrent, font des démonstrations, et donnent l’exemple dans la façon dont ils utilisent les outils. »

Tout comme les personnes, les organisations fonctionnent au rythme de cycles. Réunions, budgets, entretiens d’évaluation — tous donnent le tempo de la façon dont le travail s’effectue. Le problème, c’est que la plupart des entreprises considèrent l’IA comme un projet annexe — quelque chose qu’on glisse dans le planning de temps en temps. Sans cadence régulière, l’adoption s’essouffle. Avec une cadence, l’IA devient une partie intégrante du pouls de l’organisation — le « tambour au rythme duquel l’organisation marche », comme le dit le capital-risqueur John Lilly. Des rythmes partagés aident les équipes à intégrer l’IA dans leurs routines, à savoir quand y consacrer de l’attention, et à synchroniser les efforts IA dans toute l’entreprise.

‍

Un responsable RH d’un distributeur classé Fortune 20 a décrit comment l’organisation a mis en place un tel rythme IA :

• Au sommet : Le CEO de l’organisation maintient l’IA comme un sujet permanent dans sa réunion mensuelle avec des centaines de VP.
• Entre fonctions : Un comité de pilotage transverse se réunit régulièrement pour cadrer l’adoption, la gouvernance et les cas d’usage dans la finance, les RH, la tech et les métiers.
• Sur le terrain : Chaque réunion d’équipe se termine par le même rituel : un point permanent à l’ordre du jour, consacré à l’IA. Les responsables se relaient pour présenter ce qu’ils essaient, ce qui fonctionne et ce qui ne fonctionne pas.

Nombre des dirigeants à qui nous avons parlé ont décrit l’IA comme une loupe. Elle amplifie les schémas déjà présents dans votre culture, vos données et vos workflows. Comme nous l’a dit le professeur Hatim Rahman de Northwestern, « l’IA nous donne un outil pour amplifier davantage ce que vous voulez ». Même si, en y réfléchissant plus profondément à vos objectifs, vous n’en « voulez » peut-être pas du tout davantage !

‍

Si votre culture privilégie la vitesse au détriment de la rigueur, l’IA produira du travail bâclé à grande échelle. Si votre culture commerciale récompense le fait de conclure à tout prix, l’IA misera encore plus sur des victoires à court terme tout en érodant la confiance des clients. Si vos managers récompensent le présentéisme plutôt que les résultats, l’IA produira des métriques d’activité et des dashboards qui donnent l’impression d’être très occupés, mais ne font pas avancer l’entreprise.

Il est facile, pour les dirigeants, de brandir des chiffres comme « 2x de productivité » ou « 10x d’efficacité » lorsqu’ils parlent d’IA. Howie Xu, Chief AI & Innovation Officer chez Gen, nous a mis en garde contre ce type de métriques « approximatives ».

‍

Il a expliqué que les métriques IA descendantes sont glissantes et faciles à mal interpréter. « 2x de productivité » peut sembler audacieux, mais, comme il l’a dit, « 70 % de l’impact pourrait n’avoir rien à voir avec l’IA ». Il a ajouté : « Poursuivre ces abstractions et ces métriques de haut niveau à elles seules, si elles ne sont pas utilisées avec prudence, peut conduire à une confusion sur ce qu’est une véritable transformation par l’IA et, dans le pire des cas, créer encore plus de bureaucratie. »

‍

Lorsque les dirigeants fixent des objectifs vagues comme « 2x de productivité », l’organisation s’agite pour donner l’impression que les chiffres sont réels. Chaque équipe les interprète différemment, personne ne sait ce que signifie la réussite, et des heures sont gaspillées sur des tableaux de bord, des feuilles de calcul retouchées et des récits de réussite tape-à-l’œil.

Un autre piège courant consiste à utiliser l’IA pour abattre davantage de travail : plus d’e-mails envoyés en moins de temps, plus de patients vus par jour, plus de comptes couverts par commercial. Mais cela revient à ignorer ou minimiser les dommages causés en se concentrant trop étroitement sur le fait de rendre le travail plus rapide et moins cher.

‍

Michael Pfeffer nous a mis en garde contre une focalisation étroite sur un débit efficace sans comprendre le flux de travail. Il a donné l’exemple d’une IA capable de prédire quels patients risquent de ne pas se présenter à leurs rendez-vous. Une stratégie rentable consiste à sur-réserver ces patients — ce qui maximise le débit du système, mais laisse les patients lésés lorsque les deux se présentent à un rendez-vous. Une meilleure approche, a suggéré Pfeffer, consiste à réduire les obstacles qui amènent les personnes à manquer leurs rendez-vous dès le départ. Par exemple, organiser le transport pour les personnes qui ont du mal à trouver un moyen de se rendre à leurs rendez-vous. Il ajoute : « Vous pourriez prédire quels patients sont plus susceptibles de ne pas se présenter… Vous pourriez les sur-réserver… et maintenant le médecin doit potentiellement voir deux patients, donc chacun a moins de temps. Ou bien vous appelez un service de transport et vous amenez ici le patient le plus susceptible de ne pas se présenter… même algorithme, flux de travail différents. »

Une vaste étude récente¹ menée auprès de 25 000 travailleurs a montré que seules environ 3 % à 7 % des économies de temps permises par l’IA générative se traduisaient réellement en revenus. Comme Alexandre Guilbault nous l’a dit : « Gagner trois heures [parce que l’IA a aidé à rédiger un] rapport ne garantit pas que ces trois heures seront utilisées de manière productive. » Les gens utilisent l’IA pour finir leur travail plus vite, puis gardent ce temps supplémentaire pour eux plutôt que d’en faire bénéficier leur organisation. Comme l’a dit Guilbault : « [Les gens passent peut-être simplement] plus de temps à la machine à café. Ce qui n’est pas forcément une mauvaise chose, mais n’a pas forcément d’impact sur les résultats. »

‍

Ainsi, certaines personnes utilisent l’IA pour finir leur travail plus vite, mais gardent le temps supplémentaire pour elles. Elles peuvent gonfler ce temps en ayant l’air occupées : en envoyant des messages Slack à la chaîne ou en faisant d’autres choses sans intérêt qui donnent l’impression qu’elles travaillent d’arrache-pied. Une enquête de 2025 menée par SAP² réalisée auprès de plus de 4 000 actifs a révélé qu’un cinquième des répondants disait préférer dissimuler une heure gagnée grâce à l’IA plutôt que de donner aux managers une raison d’en attendre davantage, alimentant ainsi ce « théâtre de la productivité ».

Les dirigeants aiment ressortir cette formule : « L’IA va prendre en charge les tâches répétitives pour que vous puissiez vous concentrer sur des missions à plus forte valeur ajoutée. » La Chief Learning Officer par intérim d’Udemy, Rebecca Stern, nous a expliqué en quoi ce slogan peut être particulièrement trompeur pour les postes de terrain. Les jeunes collaborateurs et celles et ceux qui occupent des fonctions très axées sur les opérations passent leurs journées sur des tâches tactiques. Souvent, il n’y a pas de « réflexion stratégique », d’« innovation » ou d’autres soi-disant missions de plus haut niveau qui n’attendraient qu’à être libérées — planifier les équipes, traiter les commandes, répondre aux tickets de support, maintenir les machines physiques en fonctionnement. Il n’y a pas de tâches « de plus haut niveau » vers lesquelles évoluer ; au lieu d’y voir une opportunité, ils craignent donc d’être remplaçables.

En avril 2025, le CEO de Shopify, Tobi Lütke, a déclaré aux employés¹ que « l’utilisation réflexe de l’IA est désormais une attente de base ». La note a informé les employés que les compétences en IA feraient partie des évaluations de performance. Les équipes devaient aussi prouver qu’elles avaient épuisé les possibilités offertes par l’IA avant de demander des effectifs supplémentaires.

‍

Ce type de leadership décisif — un engagement clair, à l’échelle de l’entreprise, en faveur de l’adoption de l’IA — peut accélérer le déploiement et l’usage de l’IA. Mais s’il n’est pas accompagné de sécurité psychologique et de transparence, il peut se retourner contre vous. Dans une grande entreprise immobilière que nous connaissons, un dirigeant nous a expliqué comment leur CEO a décrété que tout le monde devait « utiliser l’IA par défaut » et a commencé à suivre l’usage hebdomadaire de leur outil GenAI interne. Les employés ont interprété ce type de message comme « utilisez l’IA sinon » et comme un signal que leurs emplois — ou ceux de leurs collègues — disparaîtraient s’ils ne suivaient pas le rythme (ou ne maîtrisaient pas l’art du « théâtre de l’IA »).

De nombreux dirigeants à qui nous avons parlé ont décrit l’aplatissement comme l’effet de mode du moment et, dans bien des cas, les managers héritent de davantage de collaborateurs en direct.

‍

Comme Lily Zhang nous l’a dit : « il y a une opportunité pour les employés d’utiliser des outils d’IA afin de maximiser le temps en tête‑à‑tête avec leur manager, en suggérant de quoi parler et en résumant les principales mises à jour. »

‍

L’IA ne peut pas remplacer la connexion humaine dans le leadership, mais si vous devez étendre votre périmètre, elle peut prendre en charge la charge de coordination — en mettant en lumière sur quoi chacun travaille, en signalant les blocages et en suggérant des points de discussion.

En 2024, l’équipe du professeur de Harvard Raj Choudhury a entraîné un bot d’IA¹ pour imiter le style de communication de Wade Foster, CEO de Zapier. Lorsque des employés interagissaient avec ce sosie numérique, ils ne pouvaient faire la différence entre le vrai CEO et le bot que 59% du temps.

‍

Pourtant, lorsque les employés croyaient qu’une réponse provenait du bot, ils la jugeaient moins utile—même lorsqu’elle venait en réalité du CEO Foster lui-même. Vos équipes ne veulent pas seulement vos mots—elles veulent que vous soyez derrière ces mots.

‍

C’est une nouvelle déclinaison d’un vieux phénomène. Bien avant l’IA, des dirigeants déléguaient leurs e-mails et même leurs SMS « personnels » à des assistants, ou faisaient rédiger par leurs équipes des posts sur les réseaux sociaux signés de leur nom. Quand des employés ou des abonnés le découvrent, la réaction est la même : moins de confiance, moins de poids, moins de conviction que les mots comptent vraiment.

Des scripts de réunions générales et des mémos générés par l’IA peuvent donner à des dirigeants déconnectés une image trop lisse, inauthentique et éloignée des employés et des clients. La PDG et autrice Nancy Duarte, qui aide depuis des décennies ses clients à faire de meilleurs discours et à raconter de meilleures histoires, constate que, à l’ère de l’IA¹, beaucoup des dirigeants avec lesquels elle travaille « n’ont pas la capacité d’entrer dans n’importe quelle salle prêts à faire en sorte que les gens s’en soucient ». Si les meilleurs communicants font toujours ÉNORMÉMENT de préparation, ils le font en sachant que les gens ont soif de la présence imparfaite et sans filtre d’un dirigeant — ils veulent les silences, les aspérités, ces bribes d’humanité qui expriment : « Je suis vrai, je suis là avec vous, et vous pouvez me faire confiance. »

‍

Ce contact humain compte toutefois moins dans certains métiers. La professeure de Wharton Lindsey Cameron a constaté que de nombreux travailleurs de plateformes préfèrent en réalité être encadrés par des algorithmes. Dans son étude sur sept ans² auprès de chauffeurs VTC, beaucoup ont déclaré apprécier la flexibilité des horaires offerte par des applications pilotées par l’IA — des centaines d’interactions rapides par jour, un retour d’information constant, et la liberté vis‑à‑vis de chefs biaisés ou trop micro‑managers. Cameron montre que ces systèmes créent ce qu’elle appelle un « consentement fondé sur le choix » : même dans des contraintes strictes, les travailleurs ressentent une forme d’autonomie et de maîtrise qui les maintient engagés dans leur travail. Pour eux, les systèmes de management algorithmique et de communication fonctionnent parce que le travail consiste avant tout à accomplir des tâches rapidement avec une rémunération à la pièce attractive, et non à créer une connexion émotionnelle entre managers et collègues.

Les dirigeants recherchent souvent ce « quick win » de l’IA. Mais la réalité, c’est que la productivité baisse généralement avant de s’améliorer lors du déploiement de tout nouvel outil ou processus organisationnel. Le professeur de Northwestern Hatim Rahman nous l’a rappelé : « Il faut la volonté et l’importance d’investir dans la difficulté de la mise en œuvre d’une nouvelle technologie comme l’IA. Les économistes appellent cela… la courbe en J de la productivité. »

‍

Les premières victoires — rédiger des e-mails, résumer des notes, générer du code passe-partout — arrivent vite. Mais ensuite, le travail le plus difficile commence : refondre les workflows, recycler les collaborateurs, repenser les rôles. C’est là que la productivité touche le bas de la courbe. Rahman avertit : « Il faut être prêt à considérer cela comme un processus de changement organisationnel à long terme. »

L’IA n’arrive pas dans votre organisation sur une page blanche. La plupart des lieux de travail sont jonchés des fantômes de “transformations” passées censées faciliter les choses : des systèmes ERP qui ralentissaient tout le monde, de nouveaux outils qui doublaient le nombre de clics, des réorganisations qui ont créé plus de confusion que de clarté. Certaines de ces évolutions ont coûté leur emploi à des personnes — et plus tard, leurs employeurs ont réalisé que leurs compétences étaient essentielles.

‍

Hatim Rahman note : « Très souvent, les salariés ont vécu des changements où on leur a dit que cela allait améliorer leur vie, et ce n’a pas été le cas. Soit cela a rendu leur travail plus compliqué, soit cela les a rendus superflus. Il n’est donc pas surprenant qu’ils soient sceptiques. »

‍

Si vous ignorez ces faux pas passés, vous perdrez la confiance. Kyle Forrest, qui dirige les travaux de Deloitte sur le “future of HR”, nous a orientés vers leurs recherches¹ qui ont montré que les salariés des entreprises à forte confiance ont plus de deux fois plus de chances de se sentir à l’aise pour utiliser l’IA que ceux des entreprises à faible confiance.

Alors comment décidez-vous de ce qu’il est sûr d’essayer ? Commencez par ces trois questions :

1. Est-ce réversible ? Si ça fait un flop, à quel point est-il facile d’arrêter ou d’annuler ? Pensez aux portes « à sens unique » versus « à double sens » de Jeff Bezos. Si c’est une porte à double sens — facile à inverser — allez plus vite.
2. Quel est le risque objectif ? Jusqu’où cela pourrait-il nuire aux personnes, aux performances ou à la réputation en cas d’échec ? Un fort potentiel avec un faible risque à la baisse vaut généralement le pari.
3. Quel est le risque politique ? Parfois, le danger n’est pas que l’idée échoue — c’est qu’elle réussisse et contrarie les mauvaises personnes puissantes et égoïstes.

‍

Ces trois questions ne garantiront pas le succès. Mais elles vous donneront une boussole approximative pour savoir où placer vos paris, et où vous retenir.

Et surtout, souvenez-vous que l’IA ne va pas réparer le travail.

‍

C’est vous.