Un bon point de départ pour repenser la division du travail avec l'IA consiste à s'attaquer aux fardeaux les moins appréciés — comme la paperasse administrative.

Une enquête menée en 2024 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 pièges administratifs comme la planification et la replanification de réunions, la rédaction de comptes rendus d'avancement et la poursuite de décisions de routine bloquées et enlisées 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 que c'est le genre de travail que les gens veulent que l'IA leur retire des mains. Ce sont des corvées répétitives, ennuyeuses, à faible valeur, parfois abrutissantes, qui doivent néanmoins être accomplies — et accomplies rapidement et correctement.

Chez Time Magazine, l'une des sources de paperasse était la préparation des réunions clients. La DSI Sharon Milz a confié : « Les commerciaux devaient fouiller dans les systèmes internes pour déterrer les interactions passées, puis ratisser le web à la recherche de communiqués de presse et de mentions dans les médias — des heures de travail épuisant avant même que la vraie conversation ne commence. Désormais, un assistant IA fait les recherches. Ce qui prenait auparavant quelques heures ne prend plus que 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 sources de lourdeurs administratives : les réunions.

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. »

Une partie des frictions les plus pénibles s’accumule 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 dispersés 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 » affirmait que son assistant IA pouvait remplacer 700 agents humains et a commencé à réduire les effectifs du support client. Pourtant, dès 2025, dans une démonstration de leadership réfléchi, ils ont fait marche arrière. « Nous venons d’avoir une révélation : dans un monde d’IA, rien ne sera aussi précieux que les humains », a déclaré Sebastian Siemiatkowski¹, CEO de Klarna. « Nous redoublons d’efforts — en investissant dans le volet humain du service : l’empathie, l’expertise et de vraies conversations », a déclaré un porte-parole de Klarna².

Traiter l’ensemble du support client comme une vase 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 sans précédent, ou qu’un client important est contrarié, 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 observé³, « Il est tellement crucial que vous indiquiez clairement 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 déclarent 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 naît pas d'une telle efficacité froide. Elle naît des parties humaines de la conversation, désordonnées, émotionnelles et chronophages, comme les bavardages sur vos plats préférés et les blagues improvisées sur l'équipe de votre ville natale.

Comme l'a décrit¹ un dirigeant de Navan Travel, qui fait partie de l'entreprise mondiale de voyages Navan, un commercial rencontrant 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 était allé à Villanova et adorait les Knicks. Le PDG avait fait Boston University et avait grandi dans les environs. D'une manière ou d'une autre, il a tout relié dans une blague sur le pape qui serait allé à Villanova et sur l'intervention divine aidant les Knicks à remporter le championnat. Ce genre 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 volontairement lentes. Certaines sont agréables. Certaines sont profondément humaines. Une étude de Stanford¹ a révélé que 41 % des startups d’IA de Y Combinator automatisent des tâches que les employés préféreraient garder manuelles.

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

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

Le professeur Matt Beane de l’Université de Californie à Santa Barbara nous a dit 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 poussés vers des rôles de supervision : revue, prompting, débogage. Certains aiment ça. D’autres regrettent l’art d’écrire et de construire du code.

Chez Duolingo, John Lilly, membre du conseil d'administration, nous a parlé de deux non-ingénieurs sans aucune expérience en 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 en échecs. Mais ils ont construit quelque chose de concret, qui a dépassé d'autres initiatives internes. »

L'IA a inversé l'ordre du flux de travail. Au lieu que les experts interviennent tôt et démolissent les idées au stade du tableau blanc, ils sont intervenus plus tard, une fois qu'il y avait quelque chose de concret auquel 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 ce qui était possible, rapidement. »

Google adopte une approche similaire. Madhu Gurumurthy, responsable du produit, affirme¹ qu'ils passent de longs documents d'exigences produit (PRD) à des prototypes d'abord. Grâce au « vibe coding » alimenté par l'IA, les équipes prototypent désormais en code avant de rédiger de longues propositions, accélérant l'itération et abandonnant moins d'idées prématurément.

Le revers de la médaille du fait de laisser les généralistes construire en premier, c'est de savoir quand les experts doivent travailler épaule contre épaule avec les personnes les plus proches du travail. Une règle pratique 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 — où des erreurs pourraient enfreindre la conformité, exposer des données ou perturber les opérations essentielles —, les experts devraient être intégrés dès le départ.

Daniel Rock, professeur à Wharton, a observé un schéma clair dans les organisations nativement IA, ainsi que dans des entreprises établies comme une entreprise de produits de grande consommation du Fortune 500 et une compagnie d'assurance du Fortune 100 qui utilisent avec succès l'IA pour transformer leurs opérations. « Les résultats arrivent lorsque les ingénieurs IA sont intégrés directement dans les unités commerciales. Assis côte à côte avec les équipes de vente, d'exploitation ou d'assistance, 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 les designers dans les équipes métier plutôt que dans un silo séparé. La Rapid Equipping Force de l'armée américaine¹ a fait de même pendant le conflit en Afghanistan : elle a stationné des technologues dans les zones de combat pour identifier les problèmes et développer des prototypes de solutions avec les soldats dans les contextes où ils travaillaient, et non pour eux sur la base d'hypothèses douteuses concernant les 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 consiste à savoir si le travail résonne, s’aligne et résiste à l’examen. Ce jugement final doit toujours appartenir aux experts.

Chez Stitch Fix, un détaillant de vêtements en ligne, ils ont utilisé des algorithmes¹ pour analyser l’inventaire et les préférences des clients afin de signaler des manques — des styles, des couleurs, des motifs ou des tissus qui ne sont pas couverts. L’IA a ensuite généré des suggestions de design à partir de ces manques. Mais au lieu de laisser le système valider le lancement en production, Stitch Fix a transmis ces suggestions à des designers humains, qui ont décidé lesquelles s’accordaient avec la marque, respectaient les standards de qualité et résonnaient auprès des clients. L’IA a élargi l’éventail des options créatives les experts l’ont ramené à ce qui vaut la peine d’être fait.

Eric Colson, ancien Chief Algorithms Officer chez Stitch Fix, a déclaré ceci : « Nos cerveaux sont faits pour la survie, pas pour l’objectivité. Nous sommes câblés pour fuir le buisson qui remue, 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’éventail des options considérées et classer ce qui paraît le plus prometteur. Ensuite, les humains interviennent avec le contexte — la marque, les valeurs et la stratégie — pour trancher en dernier ressort sur ce qui mérite d’exister. »

Tout comme avec le « AI slop », l'IA peut donner à un travail médiocre une apparence trompeusement soignée. Chez Udemy, Rebecca Stern, directrice de l'apprentissage par intérim, a vu des équipes utiliser l'IA pour générer des plans d'apprentissage destinés au développement des employés — avec des grandes lignes, des objectifs et des quiz. En surface, les plans semblaient soignés. En profondeur, ils manquaient les fondements de la conception pédagogique (par exemple, un séquençage des concepts dans le désordre, une mauvaise adéquation entre les objectifs et les évaluations).

C'est là le danger d'écarter les experts de la boucle. Lorsque l'IA saute des étapes, les fissures n'apparaissent souvent qu'une fois le travail en production. Et à ce moment-là, les corrections sont plus difficiles, plus coûteuses et douloureusement publiques.

Certaines organisations ont créé des rôles formels dédiés à la traque et à l'automatisation des montagnes de corvées administratives dont nous avons parlé.

Chez Glean, les membres de l'équipe « Glean on AI » travaillent de manière transversale en interne pour repérer les processus manuels qui méritent d'être automatisés, puis élaborent une feuille de route pour les transformer en agents pilotés par l'IA. Une équipe parallèle, « AI Outcomes », applique la même méthode avec les clients. Ce modèle s'inspire du rôle d'« ingénieur déployé sur le terrain » (forward-deployed engineer) de Palantir (des ingénieurs qui travaillent aux côtés des clients, en peaufinant les produits directement dans leurs locaux).

Quora a adopté une approche similaire¹, en confiant à des équipes la mission d'identifier systématiquement les opportunités d'automatisation et de les convertir 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 désignés par leur supérieur — ils se révèlent par leurs actions. C'est ainsi qu'Uber a trouvé les siens. Manjari Agochiya, responsable de la stratégie GenAI, nous a expliqué comment elle a lancé un appel ouvert à cas d'usage de l'IA. Elle nous a confié : « Cela a fait émerger 150 idées, mais surtout, cela a révélé plusieurs parties prenantes dans divers domaines chez Uber qui réfléchissaient à l'IA, l'implémentaient 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 au Marketing et au Marketing de performance, environ 30 au Juridique, et plusieurs petites équipes réparties entre les équipes Community Operations, Ingénierie et Customer Obsession. » Ces personnes qui ont levé la main avec enthousiasme sont devenues le premier véritable réseau de champions de l'IA chez 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 les présences ; elle a observé les comportements. Rebecca Stern, directrice de l'apprentissage par intérim, nous a confié : « Nous avons regardé qui venait avec de la curiosité. Qui aidait les autres à apprendre. Qui partageait des outils et des astuces. Ce prisme a fait émerger 31 champions précoces de l'IA dans toute l'entreprise. » Ceux qui agissent, pas ceux qui parlent.

L'IA commence à faire tomber les cloisons entre des métiers autrefois spécialisés. Dans certains endroits, un travail qui nécessitait auparavant toute une équipe d'experts — chercheur, rédacteur, designer, codeur — peut désormais être réalisé par une seule personne dotée des bons outils d'IA.

Dans le logiciel, un seul ingénieur assisté par l'IA peut imaginer des idées, écrire du code, générer des tests et déployer — des tâches qui nécessitaient autrefois des chefs de produit, des testeurs QA et des ingénieurs de mise en production. En marketing, une seule personne assistée par l'IA peut faire de la recherche, rédiger des campagnes, concevoir des visuels et planifier des publications — fusionnant les rôles d'analyste, de rédacteur, de designer et de responsable de campagne en un seul.

Krishna Mehra, ancien responsable de l'ingénierie chez Meta, soutient¹ que c'est l'occasion de « regrouper » les rôles. Les startups sautent des strates de chefs de projet et d'équipes surdimensionnées pour embaucher à la place des « full-stack builders » : des personnes capables de mener une idée du concept au déploiement, en tirant parti de l'IA à chaque étape. Comme le note Mehra, ces rôles adaptatifs et de bout en bout propulsent déjà des entreprises comme Cursor (20 personnes, 100 M$ de revenus annuels récurrents) et Midjourney (10 personnes, 200 M$ de revenus annuels récurrents) à la mi-2025.

Repenser la manière dont le travail est réalisé implique aussi de 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, individus directement responsables). Un responsable de l'ingénierie pilotait l'exécution technique. Un responsable produit définissait les priorités. Un responsable des opérations gérait la logistique.

L'IA commence à changer cette équation. Dylan Field, PDG de Figma, a fait remarquer¹ que « des domaines qui étaient perçus comme des phases distinctes du processus de développement produit fusionnent désormais. Le produit se confond aussi avec le design et le développement, voire potentiellement avec certaines parties de la recherche ».

Tony Gentilcore, cofondateur et responsable de l'ingénierie produit 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 partie du travail — le produit courant après les exigences, l'ingénierie suivant les dépendances, les opérations gérant les échéances. Mais l'IA commence à prendre en charge ces mécaniques. 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 la progression. Une fois cette charge administrative évacuée, avoir trois DRI distincts, par exemple, peut engendrer des coûts de coordination inutiles.

L’organigramme est la façon 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 cases. Ils peuvent repérer des liens que les rôles traditionnels n’ont pas été conçus pour gérer.

Dans une étude de 10 mois¹ que Rebecca Hinds a menée avec Melissa Valentine de Stanford, elles ont observé ce type de cartographie des connexions chez un distributeur numérique qui utilisait l’IA pour optimiser les stocks. Des acheteurs géraient des catégories étroites comme « denim grandes tailles » ou « robes grandes tailles ». C’est ainsi que l’organigramme divisait le travail. Les outils d’IA (et les experts), en revanche, ont identifié des schémas intercatégories 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 informations qui traversaient les silos. Ces problèmes ont diminué 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 à partir des informations à l’échelle du système fournies par l’IA.

Le même changement se produit ailleurs². Certaines entreprises consolident leurs gammes de produits et leurs plateformes afin que l’IA puisse analyser les relations entre l’usage, le renouvellement et l’expansion. L’IA peut 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 scindée, aucun des deux côtés ne peut agir sur l’ensemble du tableau. De précieuses informations issues de l’IA tombent dans les interstices.

L'IA transforme également le rôle de chef de produit (PM). Comme le dit Amandeep Gill, chef de produit chez Cvent¹ : « Oui, l'IA peut rédiger vos PRD [documents d'exigences produit], cartographier votre backlog et même pondre un plan de lancement à moitié décent 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 enclines à être en désaccord en raison de leurs rôles et de leurs personnalités. Les ventes réclament de la vitesse. Les ingénieurs exigent de la stabilité. La finance resserre les budgets. Et certaines personnes se croient les plus intelligentes de la pièce et ont rarement tort sur quoi que ce soit. Le chef de produit est celui chargé de trouver un terrain d'entente, d'apaiser les egos susceptibles, d'arbitrer les compromis et d'amener le groupe à avancer ensemble. L'IA peut rédiger les documents, mais elle ne peut pas amener une pièce remplie de gens en désaccord à s'entendre (parfois à contrecœur) sur les calendriers, les priorités, les actions et les objectifs.

L'architecte de solutions est un autre rôle remodelé par l'IA. Historiquement, les personnes occupant ces postes passaient des mois à mémoriser les spécifications produit et la documentation technique avant d'être crédibles auprès des clients. Comme nous l'a expliqué Michael Arena, ancien directeur des talents chez General Motors et doyen de la Crowell School of Business à l'université Biola : « Les architectes de solutions doivent assimiler énormément de matière technique en amont… si vous pouvez les aider et leur donner les outils… ils peuvent alors investir dans l'établissement de la confiance nécessaire pour créer des liens de travail, et 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 commerciaux et aux agents de service de gérer davantage de comptes (par exemple en résumant les notes d'appels de découverte dans Gong et en générant automatiquement des diagrammes d'architecture système dans Lucidchart AI) revient à les traiter comme des machines à débit. Le gain le plus important survient lorsque les gens réinvestissent ce temps nouvellement gagné dans les clients — en bâtissant la confiance, en découvrant les besoins et en façonnant la 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 confié Alexandre Guilbault, vice-président de l'IA chez Telus : « Les meilleurs éléments sont ceux qui peuvent porter la plus grande transformation… mais souvent, les organisations veulent garder leurs meilleurs éléments dans les opérations. »

‍

Trop de projets pilotes d'IA finissent par être dotés de qui que ce soit disposant d'une « capacité supplémentaire » plutôt que des personnes qui pourraient avoir le plus grand impact. Les meilleurs éléments sont souvent écartés — parfois parce qu'ils maîtrisent déjà la tâche testée dans le cadre du pilote et considèrent l'IA comme superflue. Plus souvent, parce qu'ils sont ensevelis sous un travail crucial et que les dirigeants hésitent à les détacher pour essayer un prototype ou un pilote.

‍

Lorsque les initiatives d'IA excluent les meilleurs éléments, deux problèmes surgissent :

• Le système apprend à partir des habitudes des éléments moyens plutôt que des pratiques qui rendent vos meilleurs éléments exceptionnels.
• Les influenceurs vers qui tous les autres se tournent n'ont aucun intérêt dans le résultat — donc, au moment du déploiement de l'outil, ils sont les premiers à hausser les épaules ou à résister. Cela étouffe la diffusion d'outils capables d'accélérer et d'améliorer la qualité du travail réalisé dans toute votre organisation.

À mesure que l'IA remodèle la façon dont le travail est réalisé, de nouvelles responsabilités apparaissent rapidement : rédiger des prompts efficaces, gérer les résultats, repérer les hallucinations, affiner le comportement des modèles. Les dirigeants font face à un choix difficile : quand une nouvelle compétence mérite-t-elle un rôle formel, et quand devrait-elle rester une compétence de base ?

‍

Prenons l'ingénierie des prompts. Certaines entreprises embauchent des ingénieurs de prompts à temps plein. D'autres l'intègrent au travail de chacun. Kelly Daniel, directrice des prompts chez Lazarus AI, parie sur cette seconde option. Elle nous a confié : « J'ai le sentiment que c'est quelque chose que tout le monde devra maîtriser — pas un travail qui incombera uniquement à ceux ayant un intitulé de poste spécialisé dans les prochaines années. »

‍

C'est un défi classique dans les moments de transformation : codifier un rôle trop tôt, et vous risquez de créer quelque chose d'obsolète avant même qu'il n'arrive à maturité. Attendez trop longtemps, et un travail critique dérive sans responsable clair.

Lorsque l'IA crée de nouveaux types de travail ou de responsabilités, certains dirigeants réagissent en inventant un nouveau rôle flambant neuf. Le Chief AI Officer en est un bon exemple. Certains dirigeants nous ont dit qu'au mieux, ce rôle est conçu 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 façonner la gouvernance et d'unir les équipes transversales pour construire et déployer des outils d'IA. Mais trop souvent, ce n'est qu'un titre honorifique — une vitrine sans budget, sans autorité ni réelle influence au sein ou à l'extérieur de l'entreprise.

Cela paraît évident, mais trop de dirigeants tentent de concevoir des structures et des contrôles d'IA sans comprendre la technologie ni la façon dont elle transforme le travail. Lorsque les dirigeants ne comprennent pas l'IA, ils font des mouvements impulsifs. Certains centralisent tout sous un seul département « pour la gestion des risques » et créent des goulets d'étranglement bureaucratiques où les idées suffoquent dans les files d'attente d'approbation (souvent pourvues de personnes qui ne comprennent pas davantage l'IA). D'autres basculent à l'extrême opposé, ouvrant grand les portes au nom de l'« agilité » et se retrouvant avec un éparpillement aléatoire de projets d'IA non coordonnés et non stratégiques (ainsi qu'avec de béantes failles de sécurité).

‍

Au lieu de théoriser et de faire des proclamations depuis son piédestal, Reid Hoffman, cofondateur de LinkedIn et associé chez Greylock, a construit un clone IA de lui-même, puis a tenu des conversations avec lui. Il a expliqué¹ : « converser avec une version de moi-même générée par l'IA peut mener à l'introspection, à de nouvelles perspectives sur mes schémas de pensée et à des vérités profondes ». Le PDG de NVIDIA, Jensen Huang, interroge la technologie pour comprendre son fonctionnement en posant la même question à différents modèles d'IA afin d'obtenir la meilleure réponse, et leur demande même de 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 élève progressivement le niveau jusqu'au doctorat. »

Trop d’entreprises ont foncé avec l’IA sans consigner par écrit les garde-fous et les règles. Une enquête 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 ont une politique IA ou sont en train d’en développer une.

‍

Sans garde-fous, l’IA se transforme en 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 lignes invisibles qui déclenchent un blâme ou peuvent même leur coûter leur emploi. Et lorsque les entreprises ont des politiques IA inflexibles et par ailleurs mal conçues, les gens peuvent faire preuve d’une désobéissance constructive pour accomplir leur travail. C’est l’une des principales raisons pour lesquelles une enquête² de l’entreprise de sécurité Anagram a constaté que 45 % des employés utilisaient des outils d’IA interdits par leur organisation.

‍

Une politique unique, statique et 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 unique et rigide ne peut le couvrir. Comme nous l’a expliqué 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 par niveau de risque (de « sûr à utiliser » à « procéder avec prudence »).

‍

Lorsque nous lui avons parlé, 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 « transparence d’abord ». « Contrairement aux outils ou aux règles qui évoluent à chaque nouveau modèle, vos principes IA ne deviennent pas obsolètes. Ils donnent à la politique une colonne vertébrale durable, centrée sur l’humain, même lorsque la technologie change. »

La hiérarchie est l'un des principaux moyens par lesquels les dirigeants compétents contrôlent la façon dont les décisions liées à l'IA sont prises — mais ils la considèrent comme flexible plutôt que comme un organigramme figé et uniforme.

‍

Les recherches¹ de Lindy Greer, professeure à l'université du Michigan, montrent que les meilleurs dirigeants ajustent la hiérarchie pour s'adapter aux évolutions des tâches et des dynamiques interpersonnelles. Les équipes se coordonnent et performent mieux lorsque leurs membres rapportent, par exemple, « il y a un leader clair sur certaines tâches, et sur d'autres tâches, nous fonctionnons tous comme des pairs ». Pour des défis et des environnements stables, la hiérarchie apporte clarté et coordination. Mais pour des situations en évolution rapide, un ordre hiérarchique rigide crée des goulets d'étranglement. Ainsi, les dirigeants efficaces « aplatissent la hiérarchie ». Ils délèguent la prise de décision et donnent du pouvoir aux personnes les plus proches du travail, de sorte que les équipes peuvent agir et s'ajuster à la volée.

‍

L'IA rend cette flexibilité encore plus cruciale car elle peut mettre en œuvre des changements rapides dans la vitesse et la portée des décisions. L'IA fait émerger des signaux en temps réel — trop vite pour une chaîne d'approbations rigide. Et ces signaux recoupent souvent plusieurs équipes, produits ou plateformes — souvent trop vastes pour qu'un seul manager local les gère 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 centrés sur l'IA) sont relégués trois niveaux plus bas, l'IA passe au second plan derrière d'autres questions opérationnelles et stratégiques. Mais lorsqu'ils siègent au comité exécutif, les décisions et les déploiements d'IA remontent en tête de liste.

‍

C'est pourquoi les DSI ont passé la dernière décennie à se frayer un chemin vers le sommet de l'organigramme. De 2015 à 2023, le Wall Street Journal a rapporté que le pourcentage de DSI rendant directement compte aux PDG est passé de 41 % à 63 %¹. Positionnée au sommet, l'IT a le potentiel d'influencer les décisions d'investissement, la stratégie produit et l'orientation concurrentielle de l'organisation.

‍

Chez Blue Shield of California, en 2022, Lisa Davis, alors DSI, a fait valoir avec succès qu'elle devait rendre compte au PDG. Son influence accrue a aidé son équipe IT à piloter des transformations technologiques à l'échelle de l'entreprise avec plus de rapidité, de visibilité et de résultats commerciaux mesurables. Davis a expliqué² : « Cela ne serait jamais arrivé si l'IT était restée dans un arrière-bureau. » Elle a ajouté : « L'IA générative n'a fait que renforcer le besoin d'avoir un leader de la technologie et du numérique qui comprenne la mission et les résultats de l'entreprise, et la façon dont ils sont reliés entre eux. »

De nombreux géants de la tech aplatissent leurs organisations, en supprimant des strates de management (en théorie) pour réduire les goulets d'étranglement et accélérer les décisions pilotées par l'IA. À travers l'Amérique des entreprises, des couches de management sont supprimées ; les ratios d'encadrement médians ont bondi¹ d'environ 1:5 en 2017 à environ 1:15 en 2023 et semblent continuer de s'élargir².

‍

Que le dé-stratification aide ou nuise dépend du type de travail que font vos équipes. Comme nous l'a expliqué Michael Arena, doyen de la Crowell School of Business à l'université Biola et ancien directeur des talents chez General Motors : « Ce que vous voulez vraiment [vous demander], c'est : dans quel type de travail suis-je ? Suis-je tête baissée ou tête levée ?… si vous poussez l'étendue du contrôle trop loin… ça casse. » Les recherches menées par Arena et ses collègues³ ont révélé que « les managers dirigeant des équipes plus importantes, en particulier celles de plus de sept subordonnés directs… [ont une] charge de travail implacable [qui] réduit leur disponibilité, créant des goulets d'étranglement ».

‍

Arena suggère de distinguer entre :

• Le travail tête baissée : codage, tâches de centre d'appels, traitement de données, conduite de machines ou de véhicules. Ce type de travail permet des étendues de contrôle plus larges car le travail est routinier, prévisible, et la coordination (voire la supervision des employés) peut souvent être prise en charge par l'IA.
• Le travail tête levée : conception de produits, planification stratégique, revues de code. Ce type de travail dépend de la collaboration, du jugement et d'un alignement constant. Aplatir ici risque de surcharger les managers ou de priver les équipes du temps dont elles ont besoin pour synchroniser leur 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 la direction d’un seul leader : le Chief People and Digital Technology Officer. Tracey Franklin (ancienne directrice des RH de Moderna), qui a pris ce nouveau poste, a expliqué cette refonte¹ : « Fusionner les RH et le numérique ne consiste pas seulement à consolider : c’est une démarche délibérée pour combler l’écart entre les personnes qui façonnent la culture et celles qui construisent les systèmes qui la soutiennent. »

Lorsque Moderna a fusionné ses fonctions Ressources humaines et IT sous un seul responsable, elle a également déployé plus de 3 000 agents GPT¹ à travers 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 dirigeront de petites flottes d'IA. McKinsey² appelle cela l'essor de l'organisation agentique, où humains et agents d'IA opèrent côte à côte, chacun apportant jugement, exécution et apprentissage. Ils ont déjà observé des équipes de deux à cinq humains supervisant des « usines à 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.

You can't just bolt AI onto a broken system and expect it to work. If you drop it into a flawed legacy system, the same old coordination failures that hurt productivity, innovation, and well-being—and generally drove people crazy for decades—will persist, or get worse.

‍

In healthcare, for example, work is often fragmented into poorly connected and specialized roles and silos, leading to botched handoffs and breakdowns in information sharing. Such problems are amplified by well-meaning laws, rules, and norms for protecting patient confidentiality. These same issues now make it hard to train AI tools to improve quality and coordination in healthcare systems.

‍

Northwestern Professor Hatim Rahman described a hospital project where his PhD student is studying the use of AI to improve access to medical diagnostics. To train AI models, large numbers of ultrasound images are required, especially images of the same patients taken over time. But decades of efficiency-driven practices in healthcare have taught clinicians to take as few images as possible. Another roadblock is getting written permission from patients to use their scans to train AI models. On top of that, imaging units that have taken different pictures of the same patient over time may lack incentives, or have a history of hostility, which undermine cooperation. And imaging techs who suspect that management will use the data to evaluate them, increase their workload, or eliminate their jobs may resist supporting AI projects. As a result, collecting the images required to train AI models is taking far longer than healthcare leaders have anticipated.

Même après avoir résolu les problèmes structurels qui limitent l’IA, vous vous heurterez toujours à la réalité désordonnée du quotidien : la manière dont le travail se fait EN PRATIQUE plutôt qu’EN THÉORIE. La plupart des activités tiennent grâce à des ajustements informels, des raccourcis, des contournements, des entorses aux règles et des décisions au cas par cas qui ne sont pas documentés — et pourtant les collaborateurs expérimentés les utilisent en permanence et ne peuvent pas faire leur travail sans eux.

‍

Par exemple :

• « Le système indique de refuser le remboursement, mais ce client dépense 2 M$ par an, donc nous ferons une exception. »
• « Le système dit que c’est impossible. Je vais simplement 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 gens, dans votre organisation, parviennent à faire le travail MALGRÉ le système formel plutôt QUE GRÂCE à lui, ils mettront à l’échelle, avec fidélité, des processus qui ne fonctionnent que grâce à des contournements cachés (malgré une conception « officielle » médiocre), en répliquant et en propageant des passages de relais défaillants, des redondances et des politiques ainsi que des règles de décision mal rédigées. « Si vous appliquez l’IA à un processus existant qui comporte des lacunes, vous ne faites qu’accélérer la mise à l’échelle de la [dysfonction] — ou de mauvaises décisions — à une vitesse supérieure », déclare Adam Treitler, Manager of People Technology and Analytics chez Pandora.

‍

Chez WestRock, Paul McClung, vice-président 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 flux de travail sur un tableau blanc, les lacunes (et les solutions informelles) sont devenues évidentes : des données dispersées entre les systèmes, des décisions au cas par cas consistant à ne pas comptabiliser les mauvais déjeuners, et des détours informels ainsi que des contournements qui maintenaient l’ensemble. Au final, son équipe a utilisé l’IA pour automatiser des parties spécifiques des flux de travail (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 dans les organisations. D’abord, les « journey maps » offrent une vue de l’extérieur vers l’intérieur : elles montrent comment les clients ou les utilisateurs vivent un processus au fil des points de contact. Ensuite, les « process maps » offrent une vue de l’intérieur vers l’extérieur : elles documentent la séquence réelle des tâches, des décisions et des transmissions que le personnel exécute.

‍

Pour appliquer l’IA au mieux, vous devez comprendre les deux. Les « journey maps »¹ 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 paraissent simples, frustrants ou surprenants. Les « process maps »² 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 post-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 unique séquence nette, les chercheurs ont mis au jour neuf variantes différentes, dont des cas où l’aptitude à la sortie (lorsque les cliniciens jugent un patient suffisamment stable pour quitter l’hôpital) était enregistrée avant des évaluations fonctionnelles clés (des tests mesurant à quel point un patient peut se déplacer, parler ou accomplir des tâches quotidiennes de manière autonome). L’étude montre comment associer des « journey maps » à des « process maps » met en évidence à la fois l’expérience du patient et la réalité désordonnée des opérations. Cette clarté est essentielle avant d’ajouter une couche d’IA ou d’automatisation.

Les passages de relais sont des points de congestion classiques en matière de coordination. Lors des passages de relais entre les équipes produit et ingénierie, l’équipe produit présente souvent le « parcours idéal » : elle se concentre sur le parcours utilisateur idéal où rien ne se casse. L’ingénierie répond w

L'affectation du personnel aux projets constitue un autre goulot d'étranglement en matière de coordination. Dans un cabinet de conseil, les consultants étaient affectés aux projets au moyen d'un processus manuel et laborieux : recherches par mots-clés dans les CV, multiples vérifications dans les bases de données et plusieurs tours de contrôle. 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 pressés par le temps, les responsables se rabattaient sur les personnes qu'ils connaissaient le mieux et avec lesquelles ils avaient déjà travaillé.

‍

Après avoir adopté une plateforme Work AI (Glean), les responsables peuvent simplement saisir une requête en langage naturel telle que : « Montrez-moi trois candidats ayant une expérience en banque de détail. » Le système effectue une recherche dans la base de connaissances de l'entreprise (CV, dossiers de projets, voire livrables de travail) et produit une liste restreinte classée, accompagnée de résumés des compétences.

‍

C'est une première étape vers ce que les professeurs de Stanford Melissa Valentine et Michael Bernstein appellent les « flash teams »¹ : des groupes virtuels prêts à l'emploi, constitués en temps réel en fonction des compétences dont un projet a le plus besoin, et non simplement selon qui se trouve disponible ou visible.

‍

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 bons sujets au bon moment ? Savent-elles comment et quand « élargir » (diverger et discuter d'un large éventail d'idées) et « resserrer » (discuter des quelques idées sur lesquelles elles ont convergé pour la mise en œuvre) aux bons moments de leur parcours d'innovation ?

‍

Dans leur étude portant sur 117 équipes de développement logiciel à distance sur une plateforme en ligne (www.gigster.com), Katharina Lix, Sameer Srivastava et Melissa Valentine ont découvert¹ que les équipes les plus performantes ajustaient leur « diversité discursive » (l'éventail de perspectives, de langage et d'idées dans la conversation) en fonction de la tâche à accomplir. Lorsque le travail exigeait de la créativité, elles faisaient preuve d'une plus grande diversité discursive, puisant dans un large éventail de langages et de perspectives. Mais lorsque le travail passait à l'exécution, leur diversité discursive se resserrait, maintenant les conversations plus ciblées et rationalisées.

‍

L'IA n'en est pas encore là, mais les premiers outils commencent à aller dans cette direction : analyser les schémas de participation, repérer quand les conversations s'enlisent, et même suggérer des ajustements en temps réel.

Les réunions sont de puissants outils de coordination lorsqu'elles permettent aux participants d'entendre des collègues variés et de développer une compréhension nuancée de la manière dont le travail de chacun s'imbrique. Les réunions renforcent également la coordination lorsque des personnes aux expertises diverses combinent leurs connaissances pour faciliter les transitions et accélérer le travail au sein de l'organisation. Mais un tel apprentissage et une telle résolution de problèmes sont impossibles lorsqu'une seule voix accapare le temps de parole et étouffe les voix plus discrètes (et souvent) plus sages. Les bavards ne réalisent souvent pas qu'ils font taire les autres, les agacent et leur font perdre leur 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 les équipes.

‍

À Stanford, des chercheurs ont construit une Deliberation Platform¹ qui utilise l'IA pour améliorer la dynamique de groupe en temps réel. Le système suit la participation et incite les personnes qui n'ont pas pris la parole depuis un moment. Il calcule également un « score de toxicité » en direct. Si un comportement toxique est détecté chez un membre, le système demande au groupe de confirmer, et s'il est d'accord, il coupe le micro du contrevenant.

Les bots de réunion basés sur l'IA peuvent faire gagner du temps. Mais tout comme d'autres formes de surcharge logicielle¹, les équipes qui utilisent trop de bots différents accumulent la taxe de coordination.

‍

Lorsque nous avons interrogé Phil Kirschner, PDG 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 apparaissent, peut-être Otter, Fireflies, Fathom. Chacun produit une transcription avec une formulation, des horodatages et des actions à mener légèrement différents. Les collaborateurs peuvent alors perdre du temps à débattre pour savoir quel compte rendu est « le bon » plutôt que de faire avancer le travail. Et l'équipe se retrouve avec « mes notes » et « vos notes » au lieu d'un compte rendu partagé sur lequel tout le monde peut s'aligner.

Les efforts pour introduire de nouveaux outils d’IA dans une entreprise sont souvent ralentis — voire brutalement interrompus — 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, excessivement prudentes, ne communiquent pas leurs préoccupations et les solutions proposées de manière rapide et claire, ou se concentrent uniquement sur leur fonction plutôt que sur ce dont les autres fonctions ont besoin pour faire leur travail.

‍

Zapier s’est attaqué¹ à ce type de goulets d’étranglement en affectant un chef de produit dédié pour travailler entre les achats, le juridique et l’ingénierie afin d’accélérer les validations. Shopify est allé plus loin² : ils ont construit une culture où leurs avocats partent du principe de dire « 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 très 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 formés³ ». Netflix a construit le même type de culture : pas de politique de voyage, pas d’évaluations annuelles, congés illimités. Le pari était simple : recruter des personnes en qui vous avez confiance pour faire preuve de discernement et placer l’entreprise en premier. Ne recrutez pas des « personnes à problèmes » et écartez-les rapidement si vous vous trompez. C’est ce qui permet de se débarrasser de la paperasse et de réduire drastiquement le coût de coordination.

Trop de fournisseurs d'IA agissent encore comme des fournisseurs 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, mais de votre entreprise : vos données désordonnées, vos flux de travail non documentés, vos particularités culturelles et les cas limites qu'aucun système prêt à l'emploi ne peut anticiper. Les meilleures plateformes d'IA ne se contentent pas de fournir une technologie. Elles agissent davantage comme des consultants :

• Elles investissent le temps nécessaire pour comprendre le fonctionnement réel de votre organisation.
• Elles co-développent des solutions avec vous, et non pour vous.
• Elles adaptent leurs produits à vos flux de travail, 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 atteignent la production, tandis que les partenariats avec des fournisseurs qui 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 d'IA typiques, le constat du MIT selon lequel travailler et itérer avec des fournisseurs augmente les chances de réussite s'accorde avec les conseils et les preuves d'autres sources, notamment Gartner² et McKinsey³.

À mesure que les employés commencent à utiliser l’IA, ils accumulent souvent davantage de « taxe de bascule », ces charges de coordination qui s’empilent lorsque les personnes passent sans cesse d’une application à l’autre pour trouver le bon document, le bon message ou la bonne tâche. Une étude¹ menée par Rohan Narayana Murty et ses collègues, rapportée dans Harvard Business Review, a révélé que les salariés 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 annuel au travail ».

‍

Plusieurs dirigeants à qui nous avons parlé appellent cela le « problème de la chaise pivotante ». Les employés ne veulent pas pivoter vers 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 utilisateur. C’est la différence entre offrir à quelqu’un un abonnement à une salle de sport et lui mettre un banc de musculation dans son sac à dos », a déclaré Ammen Sihngh, Lead Solutions Engineer dans l’entreprise.

Les travailleurs se noient dans les applications, les tableaux de bord et les outils numériques, ce qui mène à ce que le professeur Paul Leonardi de l’UC Santa Barbara appelle la « fatigue 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 la fatigue numérique a continué d’augmenter. L’un des principaux responsables est que les travailleurs doivent composer avec une liste croissante de copilotes et d’outils d’IA déconnectés, chacun avec son propre identifiant de connexion, ses particularités et ses courbes d’apprentissage.

‍

Dans un distributeur du Fortune 20, un cadre dirigeant nous a dit que leur solution consiste en 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 payés, interagir avec les politiques RH ou soumettre 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 seront capables de faire cela par eux-mêmes. Plutôt qu’une collection de bots spécialisés sur des tâches étroites, ils fonctionneront comme des collaborateurs adaptatifs : en prenant en charge la routine logistique, en se souvenant du contexte à travers les flux de travail et en orientant automatiquement les demandes complexes vers les bons sous-agents.

Traiter l'IA comme une expérience annexe est un moyen infaillible d'alourdir les taxes de coordination. Les équipes finissent par jongler avec deux flux de travail parallèles : le « vrai » pour accomplir leur mission et l'« expérience d'IA » qui ajoute des charges supplémentaires tout en apportant peu de valeur (du moins à court terme).

‍

Chez Zendesk, Nan Guo, vice-présidente senior de l'ingénierie, nous a expliqué comment ils évitent le piège du projet annexe en intégrant l'IA directement dans leur rythme de coordination le plus courant : le sprint. Dans le développement agile, un sprint est une période courte et limitée dans le temps, généralement deux semaines, durant laquelle les équipes planifient, construisent et livrent du travail. Au lieu de demander aux ingénieurs de partir en quête de « cas d'usage de l'IA », les dirigeants de Zendesk insèrent l'IA dans leur cadence de scrum habituelle. Comme l'a expliqué Guo : « Le Scrum est notre manière standard de travailler au quotidien. Nous avons choisi un sprint en octobre pour que les gens appliquent réellement l'IA générative dans leurs flux de travail réels. Ainsi, nous pouvions en voir l'impact, et pas seulement quelque chose d'additionnel en marge. »

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 en avons fait l'expérience lors de la planification des entretiens pour ce projet. L'invitation provenait de « Kiran », un assistant IA. Le rôle de Kiran était de faciliter la planification. Au lieu de cela, « elle » a bombardé Bob de rappels, même lorsqu'il avait activé un message d'absence. Au début, il pensait que Kiran était un assistant humain exceptionnellement grossier. Puis il a réalisé que Kiran était un bot.

‍

Kiran était optimisé pour l'expéditeur (réserver une réunion), et non pour nous en tant que destinataires. Michael Arena, doyen de la Crowell School of Business à l'université Biola et ancien directeur des talents chez General Motors, a averti : « Les gens utiliseront les outils d'IA pour se décharger, pour réduire leur surcharge collaborative, [mais] augmenteront 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 le temps perdu, mais aussi la confiance. Comme les chercheurs Ian McCarthy, Timothy Hannigan et André Spicer l'ont averti¹, 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. Lorsque les bots agissent sans supervision, ils ne diffusent pas seulement de la désinformation, ils diffusent des frictions. Un bot de planification qui spamme votre boîte de réception ou un chatbot qui débite de mauvaises données peut sembler efficace sous un angle, mais il transfère discrètement des coûts cognitifs et réputationnels sur les autres.

‍

Les coûts peuvent s'accumuler rapidement, et ils retombent souvent sur vous. Les recherches² de Paul Leonardi montrent que lorsque les bots se trompent, le blâme ne retombe pas sur eux, mais sur vous. Les gens ne tiennent pas l'IA pour responsable. Ils tiennent pour responsable l'humain qui l'a déclenchée.

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 protéger les dossiers RH, les documents juridiques ou les données de paie. Et dans de nombreux cas où les gens font un travail créatif, il est utile de les protéger des distractions, des interruptions et des mauvais conseils de personnes d'autres parties de l'entreprise, comme la filiale « Imagineering¹ » de Disney et les « Skunkworks² » de Lockheed. Le défi consiste à concevoir une IA capable de faire la différence entre les silos qui protègent une confidentialité, un secret et une concentration créative nécessaires, et les silos qui ralentissent inutilement le travail, nuisent à la qualité et frustrent employés et clients.

‍

C'est pourquoi, par exemple, les règles concernant les « couches d'autorisation » importent tant : qui peut et 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 extraire instantanément des fichiers de conception entre équipes. Mais ils devraient être exclus des dossiers RH tels que les évaluations de performance ou les fiches de salaire.

‍

Chez Booking.com, les équipes RH étaient « extrêmement nerveuses » à l'égard de la recherche par IA pour exactement cette raison. Comme nous l'a confié Tadeu Faedrich, directeur principal de l'ingénierie 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 apparaître 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 ou générer des analyses par eux-mêmes. Mais la vitesse au niveau individuel peut créer des coûts cachés pour l'équipe.

‍

Dans une étude contrôlée randomisée¹ portant sur 16 développeurs open-source expérimentés, qui ont travaillé sur 246 tâches, ceux qui utilisaient des assistants IA ont mis 19 % DE TEMPS EN PLUS que ceux qui n'utilisaient pas d'IA. Les assistants 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 examiner, réécrire et nettoyer le code. Les outils ont également achoppé sur des problèmes riches en contexte, comme travailler dans des bases de code volumineuses et matures comptant plus d'un million de lignes de code. Les développeurs ont rapporté que l'IA faisait souvent des « modifications étranges » dans des parties du code sans rapport, passait à côté de subtilités de rétrocompatibilité ou ne parvenait pas à gérer des dépendances subtiles.

Certains dirigeants voient une démo d’IA tape-à-l’œil, lisent un article de presse sur un leader ou une entreprise qui obtient du succès avec l’IA, ou griffonnent quelques chiffres sur une serviette, et se mettent à planifier des réductions d’effectifs. Certains vont même jusqu’à se vanter 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 défaillants.

‍

Un vice-président au sein 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 liés à l’IA ne sont pas mesurables dans le monde réel. « Nous ne faisons rien de tout ce travail tant que nous n’avons pas une productivité mesurable », a-t-il expliqué. Il a ajouté, comme pour la plupart des innovations et programmes pilotes dans les organisations, que « environ 80 % des choses que nous démarrons n’atteignent même pas de loin les gains de productivité qui avaient été imaginés au départ ». Et « ce n’est vraiment pas si surprenant avec la technologie » et ainsi, lorsqu’une innovation basée sur l’IA ne fonctionne pas comme ils l’espéraient, ils se concentrent sur la « responsabilité partagée » et 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 postes ne sont pas fondés sur du battage médiatique, des fantasmes ou des idées qui sonnent bien mais ne sont pas testées. Nous ne modifierons ni n’éliminerons votre travail tant que nous n’aurons pas démontré que la nouvelle façon 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 ni la qualité des expériences des employés et des clients. Elle évite que des organisations se retrouvent jonchées de changements mal conçus qui satisfont les caprices des dirigeants, mais gaspillent de l’argent et rendent les gens malheureux.

Chaque processus de recrutement, de promotion et d'évaluation introduit des biais, car ils sont conçus et réalisés par des décideurs humains imparfaits¹ qui, régulièrement, ignorent, déforment, se remémorent mal et oublient des informations clés. John Lilly, qui siège au conseil d'administration d'organisations telles que Figma, Duolingo et Code for America, nous a décrit comment, dans une entreprise avec laquelle il travaille, les entretiens pouvaient parfois être faussés car chaque intervieweur prenait des notes dans un style différent, rendant plus difficile une comparaison équitable des candidats. Pour y remédier, ils expérimentent un outil d'IA qui saisit les notes dans un modèle cohérent, réduisant la variation et égalisant les chances.

‍

Les biais infectent les évaluations de performance. Une étude de 2022 (menée par la société de ressources humaines IA Textio) portant sur 25 000 évaluations de performance² a révélé que les femmes étaient 22 % plus susceptibles que les hommes de recevoir des retours fondés sur la personnalité. Les modèles d'IA peuvent aider à standardiser les données d'entrée et à signaler un langage biaisé. 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 révélé que « la plupart des modèles tendent à favoriser les hommes, en particulier pour les postes les 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 domaines à dominante masculine 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 bien rémunérés à dominante féminine, comme dans les soins à la personne et les services communautaires.

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 figurent pas dans le manuel. Elles vivent dans des systèmes cachés, des normes tacites 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 d'avoir trouvé leurs marques.

‍

Chez Glean, lorsque Rebecca Hinds était nouvelle venue, elle a utilisé l'IA pour faire émerger ce contexte caché en posant cinq prompts simples¹ :

1. Comment mon rôle se relie-t-il aux objectifs prioritaires de l'entreprise ?
2. Que font différemment les personnes les plus performantes ici ?
3. Que signifient ces acronymes, mots à la mode et expressions ?
4. Qui influence réellement les projets liés à mon rôle ?
5. Qui, ici, partage mes intérêts personnels ou mon étape de vie ?

‍

Lorsque Hinds a posé la deuxième question à Glean Assistant, la réponse était : coachable. Les personnes les plus performantes n'étaient pas seulement compétentes. Elles recherchaient les retours, s'adaptaient vite et traitaient chaque mission comme une occasion de s'améliorer. 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 un 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'une des parties les plus difficiles des évaluations de performance et des promotions est de se souvenir de ses propres succès, ou de les célébrer. Chez Zapier, l'ingénieur full stack Jordan Raleigh et son équipe¹ ont utilisé l'IA pour résoudre ce problème avec un système de « brag doc » (document de fierté).

‍

Lorsque quelqu'un publie un succès dans Slack et ajoute un emoji, l'IA le capte, génère un court résumé et l'enregistre dans une base de données personnelle de fierté. Au fil du temps, chaque personne se constitue un relevé tout prêt de ses réalisations. « Nous pouvons utiliser ces documents comme référence lors des cycles d'objectifs, des processus de promotion et des évaluations de performance de l'entreprise. Cela a même été utile pour lutter contre le syndrome de l'imposteur », déclare Raleigh.

L'IA peut vous donner l'impression d'être plus productif tout en vous rendant discrètement moins intelligent.

‍

C'est la conclusion d'une étude sur les professionnels de santé¹ dont nous a parlé le professeur Adam Grant de Wharton : lorsque des endoscopistes polonais ont commencé à utiliser l'IA pour aider à détecter le cancer lors de 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 présente. La conclusion de Grant : « que vous accumuliez une dette cognitive ou un dividende cognitif dépend de si 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 prochain livre Use Your Brain, observe le même schéma au niveau organisationnel. Comme elle nous l'a dit : « Les dirigeants les plus intelligents abordent la transformation par l'IA non comme une mise à niveau technologique mais comme une mise à niveau du jugement. La prochaine phase de la transformation par l'IA appartiendra aux organisations qui associent l'intelligence des machines au discernement humain, en formant les équipes à ralentir, à remettre en question les hypothèses et à utiliser l'IA comme un collaborateur, non comme une béquille. »

‍

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

Le mentorat est porté par la touche humaine. Mais l'IA peut libérer les mentors pour qu'ils consacrent leur temps là où leur expertise compte le plus.

‍

Comme nous l'a expliqué la professeure Liz Gerber de Northwestern, l'une des plus grandes compétences qui manquent aux novices est la métacognition : la capacité à prendre du recul et à se demander : « Suis-je seulement en train de travailler sur le bon problème ? » Les novices qui manquent de cette compétence se rabattent sur des tâches sûres et superficielles, comme peaufiner des diapositives, coder une fonctionnalité de plus 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] à simplement essayer de comprendre de quoi il parle… il leur manque les 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 encadraient des entrepreneurs novices. Voici comment cela fonctionnait. Avant que les coachs n'aient des réunions en tête-à-tête, les novices suivaient une préparation guidée par l'IA : articuler les objectifs, faire émerger les risques et réfléchir aux progrès. Le système ne se contentait pas de recueillir des mises à jour. Il utilisait une bibliothèque de pièges courants pour mettre au jour les angles morts des novices (comme sauter la validation ou ignorer la distribution) et posait aux novices des questions de suivi ciblées. Un fondateur débutant a admis : « Je me suis senti pris en flagrant délit, mais dans le bon sens », après avoir réalisé qu'il s'était réfugié dans la zone de confort du codage au lieu d'affronter le véritable obstacle : l'absence d'un plan de distribution pour sa start-up.

‍

Cette préparation a transformé les tête-à-tête ultérieurs entre coachs et entrepreneurs novices. Au lieu de perdre la moitié de la réunion à clarifier le problème, les conversations passaient directement à un terrain à plus forte valeur :

Tout comme l’IA remodèle le mentorat, elle bouleverse aussi l’apprentissage. Traditionnellement, l’apprentissage en entreprise suivait un modèle d’apprentissage : les juniors apprenaient les ficelles du métier auprès des seniors. Mais avec l’IA, ce scénario s’inverse.

Le discours catastrophiste affirme que l’IA supprimera les postes de début de carrière et des recherches récentes¹ montrent que les emplois de début de carrière sont supprimés. Shopify mise sur la stratégie inverse. Après avoir recruté avec succès 25 stagiaires en ingénierie, le CEO Tobi Lütke a demandé au Head of Engineering Farhan Thawar jusqu’où ils pourraient faire évoluer le programme. Thawar rapporte : « J’ai d’abord dit que nous pourrions accompagner 75 stagiaires. Puis je me suis ravisé. J’ai mis à jour ma réponse 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, recherchent 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 natifs du mobile. Maintenant, ils sont natifs de l’IA. »

‍

Chez Shopify, les dirigeants estiment qu’ils ont besoin de stagiaires avec un 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 à forte confiance où les jeunes talents se voient confier 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 prennent de l’avance grâce à l’IA, puis les seniors les obligent à ralentir et à se confronter aux bugs.

De nombreux ingénieurs sont formés à penser de bout en bout : prendre 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 éléments plus petits pour déterminer quelles parties peuvent être prises en charge par des machines — devient plus précieuse.

‍

La recherche en conception d’ingénierie a montré¹ que les experts ont tendance à utiliser une décomposition « en largeur d’abord » (dresser le plan de toutes les composantes majeures d’un problème avant d’entrer dans le détail). Les novices, en revanche, plongent en profondeur dans une partie et essaient de la perfectionner de bout en bout. L’habitude des experts d’avancer « en largeur d’abord » semble devenir un élément clé de la maîtrise de l’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 façon dont beaucoup d’ingénieurs pensent naturellement, mais une fois que vous commencez à en voir les bénéfices, vous commencez à développer de nouvelles habitudes pour décomposer les choses différemment. Une autre chose à prendre en compte 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 découpez un problème, vous ne faites pas que gérer la complexité. Vous tracez la frontière entre le jugement humain et l’exécution par la machine. Chaque décomposition est une négociation silencieuse du pouvoir.

AI isn’t just reshaping technical learning. It’s becoming a coach for the interpersonal side of work, too. Leaders including Kyle Forrest, who leads Deloitte’s “future of HR” efforts, described how they used AI to prepare for difficult conversations. He told us how he sometimes role-plays those moments with an AI assistant, testing how to frame tough messages before speaking with a colleague or senior leader.

‍

At Whoop¹, Head of Core Product, Hilary Gridley, gave her team a “30-day GPT challenge.” On Day 29, employees are also encouraged to use AI to rehearse difficult conversations. They’re advised to pose a prompt such as “I need to talk to my teammate about missed deadlines without making them defensive. What’s a calm way to start that conversation?” Or, “How might they respond, and how can I handle each reaction with empathy?” [Check out Gridley’s free “30 Days of GPT Learning Guide²” if you want to try it with your team.]

‍

A 2023 exploratory study³ by Anne Hsu and Divya Chaudhary tested a similar approach. Hsu and Chaudhary experimented with an AI-based web application they developed for conflict resolution with 13 users. Each typed what they’d say in workplace conflict scenarios—some real, some hypothetical—and the AI flagged language likely to trigger defensiveness (e.g., blame, judgment, exaggeration). It suggested more neutral, needs-based phrasing instead.

‍

Users in the study reported they trusted the AI’s guidance, said it helped them rethink their wording, and felt calmer and more confident about having the actual conversation. Many used it to rehearse how they would handle real conflicts in a safe, low-stakes way, describing it as both stress-relieving and a skill-building exercise.

One of the hardest soft skills is learning to say “no.” For “givers,” as Adam Grant calls them, it can feel nearly impossible. They keep saying yes until they’re exhausted, resentful, and quietly underperforming.

‍

Yet the best organizations need people who can guard their time without wrecking their relationships.

‍

As part of that 30-day GPT challenge¹ led by Hilary Gridley, Whoop’s Head of Core Product, employees use AI to practice saying no. You can use prompts like:

• “What’s a tactful way to decline this while still being helpful?”
• “What questions could I ask to understand if this is actually urgent?”
• “What might this person feel when they read my response—and how could I soften that?”

U.C. Berkeley professor Alison Gopnik contrasts¹ two mindsets: carpenters try to blueprint and control every outcome, while gardeners focus on creating the conditions for growth. As McKinsey consultants Bob Sternfels and Yuval Atsmon argue, “The most successful managers focus on identifying the sprouts—employees, teams, or departments that are experimenting with new technologies and showing promising early results. They ask, ‘Where is innovation already happening? Who is solving problems in surprisingly effective ways?’” We heard a similar argument from multiple leaders who told us AI spreads more like a garden—through peer networks, visible examples, and small wins. They argued that their job as a leader wasn’t to micromanage the blueprint for adoption step by step, but to make the soil fertile.

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

‍

Chez Indeed, Megan Myers, Directrice de la marque et de la publicité, anime³ des « power user panels », où des pairs font des démos en direct de la manière dont ils intègrent l’IA dans leur travail. Chez Deloitte, le cabinet a créé des « Savvy User Profiles⁴ » — de courtes présentations qui mettent en avant les employés qui intègrent avec succès l’assistant GenAI de l’entreprise dans leur travail quotidien. Chaque profil met en évidence les problèmes qu’ils résolvent, les étapes qu’ils suivent et les heures qu’ils économisent — 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 expliqué comment son équipe a mené une campagne de six semaines intitulée « How Did I It? », au cours de laquelle des ingénieurs partageaient des réussites du quotidien dans un canal Slack commun et des leaders désignaient des gagnants. Des campagnes comme celle-ci contribuent à rendre les solutions d’IA concrètes plutôt qu’abstraites — quelque chose que des collègues très similaires à 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

During Udemy’s UDays (monthly days dedicated to learning), Chief Learning Officer Rebecca Stern noticed that people on sales teams jumped in with both feet—they seemed more motivated to win the prize money than folks from other functions. As Stern put it: “They already live in an incentive-driven world—leaderboards, quotas, wins. They knew how to play, and they played to win.” Some other departments lagged. The same prize meant different things depending on the culture of the team.

Toute incitation ne doit pas nécessairement être en espèces ou sous forme de prix. La peur de manquer quelque chose (FOMO) peut être un facteur de motivation tout aussi puissant.

‍

C'est ce qu'ils ont exploité chez Reddit. L'ingénieur solutions principal, Ammen Sihngh, a décrit comment ils ont choisi un endroit où la friction était déjà élevée : un canal Slack où les employés publiaient constamment des questions internes et attendaient — parfois des jours — une réponse. Au lieu de laisser les gens peiner à travers l'arriéré, ils y ont intégré un agent IA propulsé par Glean. Le bot répondait instantanément — avec précision, de façon utile et sans effort humain.

‍

Ce qui était autrefois un gros goulot d'étranglement est devenu presque sans friction. Dans toute l'entreprise, les gens 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 IA était 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 dans les déploiements d'IA est de courir après les « indicateurs de vanité ». C'est ainsi que les appelle Federico Torretti, directeur senior de l'IA chez Oracle. Il parle de mesures telles que les connexions, les minutes d'utilisation de l'outil et le nombre de conversations 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'utilisation — 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 indicateurs soient bons. C'est de la surveillance, pas de l'adoption. »

‍

Chez Zendesk, Nan Guo, vice-présidente senior de l'ingénierie, nous a expliqué comment, au lieu de se focaliser sur l'utilisation des outils, ils ont construit une carte de score de six indicateurs de productivité d'ingénierie, dont cinq indicateurs opérationnels qu'ils mesurent au niveau de l'équipe : le temps de cycle, le temps de cycle de revue de code, la fréquence de fusion, le taux d'échec des changements et le nombre de déploiements (à quelle fréquence les équipes mettent avec succès le code en production). « Nous ne voulions pas simplement dire : “Regardez, tout le monde utilise l'outil.” Nous voulions savoir s'il faisait réellement bouger les lignes sur la productivité », nous a-t-elle confié.

‍

Le sixième indicateur, issu d'une enquête d'engagement, capture le côté émotionnel de la productivité : ce que les ingénieurs ressentent à propos des outils qu'ils utilisent, s'ils pensent que ces outils les aident réellement à mieux travailler, et où la frustration ou la friction s'accumule. Comme l'a dit Nan : « Nous ne regardons pas seulement les données, mais aussi la façon dont les gens se sentent. Font-ils confiance aux outils ? Pensent-ils qu'ils les aident ou qu'ils les gênent ? »

‍

Pendant ce temps, chez Oracle, Torretti nous a expliqué comment les dirigeants mesurent désormais la « diversité des intentions IA » : l'éventail des tâches pour lesquelles les employés utilisent réellement l'IA. Lorsque les gens appliquent l'IA à plusieurs flux de travail (rédaction, analyse, débogage, synthèse), c'est le signe qu'elle devient partie intégrante de la façon dont leur travail se fait — pas seulement une nouveauté ou un moyen de prouver la productivité à travers du théâtre de l'IA.

Il ne suffit pas d'éviter les indicateurs de vanité. Le véritable défi est de concevoir des systèmes de mesure qui évaluent et favorisent un changement de comportement efficace. Chez Zendesk, Nan Guo, vice-présidente senior de l'ingénierie, nous a expliqué à quel point son équipe a été réfléchie quant à la mesure de l'adoption de l'IA par les employés :

• Aucun nom. Les classements individuels étaient interdits. Parce que les classements publics peuvent miner la confiance, la motivation intrinsèque et l'engagement, et peuvent amener les gens à se concentrer sur le détournement du système plutôt que sur une véritable amélioration des performances.
• Aucune comparaison directe entre équipes. Les indicateurs n'ont de sens que lorsqu'ils sont liés aux nuances du travail de chaque équipe. Comme l'a dit Guo : « L'UI ne peut pas être comparée à l'infrastructure — ils ne font pas la même chose. »
• Donnez les données des indicateurs aux équipes. Plus important encore, Zendesk a mis les indicateurs entre les mains des équipes, pas seulement de la direction. Lorsque les ingénieurs ont vu leurs propres références et tendances, ils se sont sentis plus autonomes car ils disposaient d'informations sur les domaines où leurs équipes s'amélioraient et ceux sur lesquels ils devaient concentrer davantage d'efforts.

‍

Phil Willburn, vice-président de l'analytique RH chez Workday, a souligné ce point en nous disant : « Je crois fermement aux données démocratisées. Lorsque nous fournissons des informations aux managers, les employés devraient aussi avoir accès à leurs propres données. »

‍

Il a insisté sur le fait que l'accès doit s'accompagner d'une communication claire sur les indicateurs existants et la façon dont ils profitent aux employés, ainsi que d'une agrégation et de contrôles basés sur les rôles qui empêchent une perception de dynamique de « surveillance ». En d'autres termes, ne créez pas d'incitations à « performer pour l'indicateur » (par exemple, en inondant de prompts pour augmenter les comptes d'utilisation de l'IA). Concevez plutôt des mesures qui favorisent 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 surveillance — en suivant, mesurant et même en classant les employés. Le nouveau PDG d’une entreprise de logiciels est arrivé et a annoncé que l’usage de l’IA serait désormais pris en compte dans les évaluations de performance. Et dans une entreprise du Fortune 100, des dirigeants envoyaient des emails hebdomadaires classant qui utilisait le plus l’IA. Comme nous l’avons vu, ce type d’état d’esprit de surveillance nourrit l’anxiété et les stratégies d’optimisation, pas l’apprentissage et un meilleur travail.

‍

Mais l’avis des pairs, lorsqu’il est bien fait, peut rendre l’usage de l’IA naturel — quelque chose que tout le monde fait et s’attend à ce que les autres fassent aussi, et pas seulement les premiers adopteurs ou les passionnés de technologie. Et sans en faire un classement compétitif à somme nulle. Chez Shopify, les employés s’évaluent mutuellement chaque trimestre sur la façon dont ils utilisent les outils d’IA. Dans une note 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 immédiatement le résultat idéal en retour. Apprendre à prompter et à charger du contexte est important, et amener des pairs à donner des retours sur la façon 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, une composante de la manière dont les collègues gagnent en crédibilité les uns auprès des autres.

‍

Chez Zoom, donner aux personnes la responsabilité de leurs enseignements sur l’IA a favorisé l’adoption. Paul Magnaghi, responsable de la stratégie IA, a expliqué : « Avec nos opérations commerciales, instaurer la confiance [autour des outils d’IA] a été crucial. » Très tôt, l’entreprise a commencé à utiliser l’intelligence conversationnelle au sein de Zoom pour analyser l’efficacité des conversations des commerciaux. « Au début, 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. Maintenant, ils peuvent poser des questions pertinentes comme : “Ai-je été efficace dans cette conversation ?” Nous avons vu ce niveau de confiance grandir en conséquence. »

Tous les problèmes ne sont pas des problèmes d'IA. Nous avons entendu de nombreuses histoires d'équipes collant « IA » sur un projet juste pour obtenir l'approbation d'un budget, ou supposant que l'IA est nécessaire alors qu'une solution plus simple ferait l'affaire. David Lloyd, directeur de l'IA chez Dayforce, a décrit comment leur organisation fait passer les propositions de nouveaux cas d'usage de l'IA par une revue obligatoire où la première question est : « Le problème nécessite-t-il réellement de 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 construit un « bac à sable » IA sécurisé appelé « SecureGPT » où les cliniciens, administrateurs, personnels et 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 d'approbations formelles et avec chaque expérience suivie de manière anonyme par le système.

‍

Par exemple, une équipe dirigée par le directeur des données Nigam Shah a développé « ChatEHR¹ » en catégorisant et classant les expériences réalisées dans le bac à sable 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 facile 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 qui faisait partie de ces premiers utilisateurs a rapporté que ChatEHR lui a libéré, ainsi qu'à ses collègues, du temps pour « consacrer du temps à ce qui compte — parler aux patients et comprendre ce qui se passe ». Désormais, ChatEHR est disponible pour chaque clinicien de Stanford.

Nous avons entendu parler de plusieurs entreprises réservant leurs outils et modèles d'IA les plus puissants aux équipes d'ingénierie ou de données. Shopify fait l'inverse : n'importe qui, dans n'importe quelle fonction, peut utiliser chaque modèle. Leur thèse : les cas d'usage à forte valeur peuvent venir de partout — et certaines de leurs adoptions les plus rapides sont venues des ventes et de l'assistance, pas de l'ingénierie.

‍

Les percées en IA ne se produisent pas seulement dans les laboratoires d'innovation. Comme l'a souligné Sonya Huang, associée chez Sequoia Capital, les meilleures idées en IA ne viennent pas toujours des endroits évidents. « Notre philosophie a été de laisser 1000 fleurs éclore… Il se peut que ce soit ce chef de produit quelque part dans l'organisation, ou ce nouvel investisseur qui vient de rejoindre il y a une semaine et qui dit : “N'y a-t-il pas une meilleure façon de gérer les appels clients ?” »

Un thème revenait souvent dans nos entretiens : les gens ont besoin de temps pour expérimenter avec l'IA. David Adams, cofondateur et directeur produit de Canva, a réfléchi¹ : « Les 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 emploi du temps déjà chargé. » Dans l'ensemble des organisations, les dirigeants ont fait écho au même défi : le plus grand 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 offert à 5 000 employés une semaine entière loin de leur travail quotidien pour une « Semaine de découverte de l'IA ». Pendant cinq jours, les « Canvanauts » (les employés de l'entreprise) ont participé à des ateliers, des hackathons et une exploration libre, renforçant leur confiance, faisant émerger leurs 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 que cela peut resserrer la pensée. Considérez l’étude du MIT sur des étudiants qui rédigent des dissertations de type SAT, qui a été rapportée² dans un article de The New Yorker sur la manière 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. De plus, 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 gens utilisent l’IA pour générer des idées ou pour les restreindre prématurément au stade initial 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 production —, elle peut court-circuiter les parties désordonnées, à forte valeur ajoutée, de la créativité, là où les meilleures idées émergent souvent.

‍

C’est pourquoi certains créateurs fixent des limites délibérées entre les moments où inviter l’IA et ceux où la tenir à l’écart. La scientifique du comportement et autrice Lindsay Kohler évite l’ancrage en gardant ses premières ébauches brutes désordonnées, fragmentées et entièrement humaines. 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 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 les choses pour la réflexion, les tests et l'affinage. Les meilleures idées émergent lorsque les personnes et les équipes passent de manière fluide de l'un à l'autre. Comme nous l'a expliqué un conseiller 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 le café instantané. Il est toujours disponible, rapide et suffisamment bon en cas de besoin. Mais si vous ne vivez que de dosettes, vous risquez d'oublier comment préparer le vrai café — et vous passez à côté de la saveur plus riche qui vient du temps et du savoir-faire. »

‍

L'IA prospère en mode rapide — en rassemblant des données, en faisant émerger des options et en exécutant à un rythme que les humains ne peuvent égaler. Comme nous l'a expliqué Chris Yeh, coauteur de Blitzscaling, 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 développe : « L'IA, c'est comme le café instantané. Il est toujours disponible, rapide et suffisamment bon en cas de besoin. Mais si vous ne vivez que de dosettes, vous risquez d'oublier comment préparer le vrai café — 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 scientifique du comportement et autrice Lindsay Kohler — il met en garde contre le fait de sauter l'incubation. Sa règle : ne pas faire appel à l'IA avant que sa réflexion n'ait eu le temps de mûrir.

Protéger la pensée lente ne consiste pas seulement à ajouter des pauses. Il s'agit de savoir à quel moment 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 d.school de Stanford depuis 15 ans. Klebahn expérimente ces dernières années la façon dont l'IA peut aider (et entraver) les 10 à 15 équipes fondatrices qu'il enseigne chaque année. Il pousse et accompagne constamment ces fondateurs à réfléchir aux étapes du processus de création d'une start-up qui bénéficient de la rapidité de l'IA par rapport à celles qui requièrent la lenteur humaine pour générer de l'insight 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 faire en sorte que cela fonctionne à l’avenir. Les psychologues appellent cela l’effet « le travail mène à l’amour » : les gens s’accrochent à des lignes de conduite durement acquises pour justifier leurs efforts à eux-mêmes et aux autres.

‍

Comme le dirait Cialdini, Perry Klebahn, chargé de cours à Stanford, nous a expliqué que la rapidité et la facilité du prototypage permises par l’IA — l’absence de travail — font que les fondateurs de son accélérateur Launchpad ne travaillent pas aussi dur et ne peinent pas autant 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 ». Parce que les idées assistées par l’IA se concrétisent 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 ayant utilisé l’IA pour rédiger des dissertations ont déclaré qu’ils « ne ressentaient absolument aucune appropriation » de leur travail.

‍

Il existe toutefois un grand avantage à cet effet du « vite acquis, vite perdu ». Le manque d’effort requis pour générer des prototypes avec l’IA signifie que les gens seront moins susceptibles de s’attacher de façon irrationnelle à de mauvaises idées — et il leur sera plus facile d’abandonner des idées qui semblaient bonnes au départ, mais que des tests plus approfondis révèlent 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 mauvais cas de flagornerie de l'IA — une tendance à un langage trop complaisant ou flatteur. Des recherches menées par Anthropic² ont révélé que lorsque les gens évaluent les réponses de l'IA, ils ont tendance à récompenser les réponses qui vont dans le sens de leurs propres opinions, même si ces réponses sont moins exactes. Résultat : les modèles entraînés sur le retour humain apprennent que flatter les utilisateurs rapporte de meilleures notes — ce qui leur apprend 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 flattera. Comme nous l'a dit Hilary Gridley, responsable du produit principal chez Whoop : « L'IA flattera vos idées. » C'est pourquoi elle recommande d'arrêter de demander : « Est-ce une bonne idée ? », une question qui appelle une validation. Demandez plutôt : « Dans quelles circonstances cela ne se passerait-il pas bien ? » ou « Qui pourrait ne pas recevoir cela positivement ? »

‍

En effet, une étude de 2025³ a révélé que de courtes « provocations » comme « Qu'est-ce qui pourrait manquer ? » ou « Génère la perspective opposée » aidaient les utilisateurs à éviter d'approuver machinalement les sorties de l'IA. Ces petits coups de pouce ont restauré la pensée critique, forcé la réflexion et transformé l'IA d'un raccourci paresseux en un véritable partenaire de réflexion.

Et lorsque ces provocations proviennent d'une plateforme Work AI qui comprend la charge de travail, les compétences et les styles de travail des employés, elles deviennent encore plus intelligentes. Elles pourraient révéler que :

• Le vice-président ne fait pas encore confiance à votre équipe, de sorte qu'une proposition « innovante » et audacieuse paraît imprudente plutôt que visionnaire.
• Une idée ambitieuse épuise l'énergie de coéquipiers encore submergés par des expériences inachevées.
• Un nouveau concept élégant sonne faux pour des clients encore frustrés par les défauts du produit du trimestre dernier.

‍

Dans certains cas, le jugement humain sera utile pour évaluer les facteurs contextuels, relationnels et émotionnels qui détermineront si une idée est bien reçue ou se retourne contre vous.

Étant donné le taux d’échec élevé des projets d’IA, Alexandre Guilbault, vice-président IA chez Telus, invite les dirigeants à envisager les paris en IA comme un portefeuille de capital-risque. Vous pourriez soutenir 20 M$ d’opportunités, en sachant que peut-être seuls 4 M$ aboutiront — mais ces réussites compensent largement les échecs.

‍

Guilbault suggère d’utiliser un « ROI pondéré par le risque ». Sur le papier, deux projets d’IA pourraient chacun promettre 10 M$ de bénéfices. Mais si, selon votre meilleure estimation, l’un a 90 % de chances de succès et l’autre seulement 30 %, ce ne sont pas des paris équivalents. Pondéré correctement, 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 une boule de cristal parfaitement claire. Les investisseurs en capital-risque et les dirigeants IA (tout 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 discussions. Raisonner en probabilités fait passer l’état d’esprit du monde des fantasmes — où chaque projet étincelant est un gagnant — à la réalité.

Si vous construisez des outils d'IA à vendre à des clients, n'attendez pas que des personnes extérieures révèlent les failles. Adobe ne le fait pas¹. Par exemple, lorsqu'il a introduit l'outil d'IA générative Firefly en 2023, il a transformé des milliers d'employés en « client zéro ». Ils ne se contentaient pas de trouver des bugs — ils faisaient émerger 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 durs : 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 par des notes de politique interne ou des discours d'encouragement des dirigeants. Comme nous l'a dit Melinda Fell, fondatrice de Complete Leader, « elle se propage lorsque les gens voient leurs supérieurs utiliser la technologie. » Des recherches menées par Worklytics¹ ont révélé que le comportement des managers prédit l'adoption de l'IA mieux que tout autre facteur. Si un manager utilise l'IA cinq fois par semaine ou plus, l'adoption grimpe à 75 %. Dans l'une des entreprises du Fortune 50 où nous avons mené des entretiens, les dirigeants ne se contentent pas de parler de l'IA, ils la rendent visible. Les cadres font des démonstrations d'outils lors des réunions d'équipe, gardent les outils d'IA affichés lors des réunions en tête-à-tête, et montrent, en temps réel, comment l'IA soutient leur travail.

‍

Un vice-président senior nous a dit : « J'ai eu des exemples de dirigeants disant qu'ils gardent leur [assistant IA] de bureau ouvert littéralement tout le temps… et ils montrent, démontrent et servent de modèle dans la façon dont ils utilisent les outils. »

Tout comme les personnes, les organisations fonctionnent au rythme de cycles. Réunions, budgets, évaluations de performance : tous donnent le tempo à la façon dont le travail se fait. Le problème, c’est que la plupart des entreprises traitent l’IA comme un projet annexe, quelque chose qu’on ajoute à l’agenda ici et là. Sans cadence régulière, l’adoption s’essouffle. Avec une cadence, l’IA devient une partie du pouls de l’organisation : le « rythme de tambour sur lequel l’organisation marche », comme le dit l’investisseur en capital‑risque John Lilly. Des rythmes partagés aident les personnes à intégrer l’IA dans leurs routines, à savoir quand y concentrer leur attention et à synchroniser les efforts IA dans toute l’entreprise.

‍

Un cadre RH d’un distributeur du Fortune 20 a décrit comment l’organisation a créé un tel rythme IA :

• Au sommet : Le PDG de l’organisation maintient l’IA comme un sujet récurrent dans sa réunion mensuelle avec des centaines de vice‑présidents.
• À travers les fonctions : Un comité de pilotage transversal se réunit régulièrement pour clarifier l’adoption, la gouvernance et les cas d’usage à travers la finance, les RH, la tech et le métier.
• Sur le terrain : Chaque réunion d’équipe se termine par le même rituel : un point d’ordre du jour permanent centré sur l’IA. Les responsables tournent 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 produire 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 en ignorant ou en minimisant le préjudice infligé par une focalisation trop étroite 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 surréserver ces patients — ce qui maximise le débit du système mais lèse les patients lorsque les deux se présentent pour un rendez-vous. Une meilleure approche, a suggéré Pfeffer, consiste à réduire les obstacles qui amènent les gens à manquer leurs rendez-vous en premier lieu. Comme organiser le transport des personnes qui ont du mal à se rendre à leurs rendez-vous. Il ajoute : « Vous pourriez prédire quels patients sont les plus susceptibles de ne pas se présenter… Vous pourriez les surréserver… et désormais le médecin doit potentiellement voir deux patients, donc chacun bénéficie de moins de temps. Ou vous appelez un service de transport et amenez le patient le plus susceptible de ne pas se présenter ici… même algorithme, flux de travail différents. »

Une récente recherche à grande échelle

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, Tobi Lütke, PDG de Shopify, a déclaré à ses employés

De nombreux dirigeants que nous avons interrogés ont décrit l'aplatissement comme la tendance du moment, et, dans bien des cas, les managers héritent de davantage de collaborateurs directs.

‍

Comme nous l'a confié Lily Zhang : « les employés ont l'opportunité d'utiliser des outils d'IA pour optimiser au maximum leurs entretiens individuels avec leur manager, en suggérant des sujets de discussion et en résumant les mises à jour clés. »

‍

L'IA ne peut pas remplacer le lien humain dans le leadership, mais si vous devez élargir votre périmètre, elle peut prendre en charge la charge de coordination : faire ressortir ce sur quoi chacun travaille, signaler les obstacles et suggérer des points de discussion.

En 2024, l'équipe du professeur de Harvard Raj Choudhury a entraîné un robot d'IA¹ à imiter le style de communication de Wade Foster, PDG de Zapier. Lorsque les employés interagissaient avec ce sosie numérique, ils ne parvenaient à faire la différence entre le vrai PDG et le robot que 59 % du temps.

‍

Pourtant, lorsque les employés croyaient qu'une réponse provenait du robot, ils la jugeaient moins utile, même lorsqu'elle venait en réalité du PDG Foster lui-même. Vos collaborateurs ne veulent pas seulement vos mots : ils vous veulent derrière ces mots.

‍

Il s'agit d'une nouvelle version d'un phénomène ancien. Bien avant l'IA, les dirigeants déléguaient leurs e-mails et même leurs messages « personnels » à des assistants, ou faisaient rédiger par leur personnel leurs publications signées sur les réseaux sociaux. Lorsque les employés ou les abonnés le découvrent, la réaction est la même : moins de confiance, moins de poids, moins de conviction que les mots comptent vraiment.

Les scripts et mémos de réunions générales générés par l’IA peuvent donner à des dirigeants déconnectés une apparence trop policée, inauthentique, et coupée 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 qu’à l’ère de l’IA¹, nombre des dirigeants avec qui elle travaille « n’ont pas la capacité d’entrer dans n’importe quelle salle en étant prêts à faire en sorte que les gens s’intéressent à ce qu’ils ont à dire ». Si les meilleurs communicants font encore ÉNORMÉMENT de travail préparatoire, 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 touches d’humanité qui disent : « Je suis vrai, je suis là avec vous, et vous pouvez me faire confiance. »

‍

Cette touche humaine compte cependant moins dans certains métiers. La professeure de Wharton Lindsey Cameron a constaté que de nombreux travailleurs des plateformes préfèrent en réalité être managés par des algorithmes. Dans son étude sur sept ans² portant sur des chauffeurs VTC, beaucoup ont dit qu’ils appréciaient la flexibilité des horaires offerte par des applications pilotées par l’IA : des centaines d’interactions rapides par jour, un feedback constant, et la liberté vis‑à‑vis de patrons biaisés ou adeptes de la microgestion. Cameron montre que ces systèmes créent ce qu’elle appelle un « consentement fondé sur le choix » : même dans des contraintes strictes, les travailleurs ressentent un sentiment 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 à accomplir rapidement des tâches à un tarif à la pièce attractif, et non à construire une connexion émotionnelle entre managers et collègues.

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

‍

Les premiers gains — rédiger des e-mails, résumer des notes, générer du code passe-partout — arrivent vite. Mais ensuite, le travail le plus difficile commence : repenser les flux de travail, recycler les employés, réévaluer les rôles. C’est à ce moment-là que la productivité atteint le point le plus bas de la courbe. Rahman avertit : « Il faut être disposé à considérer cela comme un processus de changement à long terme pour une organisation. »

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 ont ralenti tout le monde, de nouveaux outils qui ont doublé le nombre de clics, des réorganisations qui ont créé plus de confusion que de clarté. Certains de ces changements ont coûté des emplois aux gens, et plus tard, leurs employeurs ont réalisé que leurs compétences étaient essentielles.

‍

Hatim Rahman note : « Bien souvent, les travailleurs ont vécu des changements où on leur avait dit que quelque chose allait améliorer leur vie, et ça n'a pas été le cas. Soit ça a rendu leur travail plus compliqué, soit ça 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 efforts « avenir des RH » de Deloitte, nous a renvoyés à leurs recherches¹ qui ont révélé que les travailleurs des entreprises à forte confiance sont plus de deux fois plus susceptibles de se sentir à l'aise d'utiliser l'IA que ceux des entreprises à faible confiance.

Alors, comment décider de ce qu'il est sûr d'essayer ? Commencez par ces trois questions :

1. Est-ce réversible ? Si cela échoue, est-il facile de l'arrêter ou de l'annuler ? Pensez aux portes « à sens unique » et « 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 ? Quel préjudice cela pourrait-il causer aux personnes, aux performances ou à la réputation en cas d'échec ? Un fort potentiel positif avec un faible risque négatif vaut généralement le pari.
3. Quel est le risque politique ? Parfois, le danger n'est pas que l'idée échoue, mais 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, rappelez-vous que l'IA ne va pas réparer le travail.

‍

C'est vous.