La surveillance des bots, le « botshitting » et le travail humain invisible de l’IA au travail

L’écart entre ce que nous appelons les performeurs de l’IA (des utilisateurs d’IA qui déclarent que l’IA a amélioré à la fois leur productivité et la qualité de leur travail) et tous les autres ne tient pas à la quantité d’IA qu’ils utilisent. Il tient à là où ils l’utilisent. Et à ce qu’ils refusent de lui confier.

Le revers de la médaille, quand on utilise moins l’IA sur le cœur du travail, c’est que les plus performants avec l’IA consacrent une plus grande part de leur temps IA au travail qui l’entoure. Ils fournissent du contexte à l’IA, supervisent ses résultats et déboguent les sorties. Cet effort supplémentaire porte ses fruits de deux façons.

La première, c’est le contrôle qualité. Les plus performants avec l’IA ont beaucoup plus de chances de repérer les conneries de bot. 79% des plus performants avec l’IA ont repéré et corrigé une erreur de l’IA au cours du mois dernier, contre 64% des moins performants avec l’IA.

La seconde, c’est l’apprentissage. La plupart du « botsitting » est du travail ingrat, mais une partie est productive. Et c’est là que les plus performants avec l’IA réalisent une grande part de leurs apprentissages. Chaque prompt est un entraînement, et chaque mauvais résultat est un retour. Au fil de suffisamment de cycles, le salarié construit une théorie pratique de ce à quoi l’outil peut être fiable, et de ce qui nécessite encore un humain aux commandes. Ils sont plus de deux fois plus susceptibles de considérer l’IA elle-même comme un enseignant précieux (68% contre 28%). Ils n’attendent pas un programme de formation à l’échelle de l’organisation. Ils apprennent de l’outil lui-même, en temps réel et sur du travail réel.

Voilà pourquoi la conception des outils d’IA compte plus que la plupart des organisations ne le réalisent. Les employés qui disent que leurs outils d’IA sont faciles à utiliser ont 110 % plus de chances de considérer l’IA elle-même comme une source d’apprentissage précieuse (61 % contre 29 %). Un outil mal conçu capte l’attention qui, autrement, serait consacrée à l’apprentissage. Les gens passent leur temps à se battre avec l’interface, à dépanner le workflow et à comprendre pourquoi l’agent s’est arrêté en plein milieu. Les organisations considèrent souvent la facilité d’utilisation de l’IA comme un « plus ». Ça ne l’est pas. Quand l’outil est aussi l’enseignant, une interface maladroite n’est pas seulement un problème d’UX. C’est une taxe sur l’apprentissage — payée en attention, concentration, frustration et compétences que les employés ne parviennent jamais à développer.

Quand l’IA fait gagner une heure à un salarié, ce qu’il advient de cette heure compte.

Les profils peu performants avec l’IA n’obtiennent pas vraiment de dividende au départ. Et ce qu’ils obtiennent est réabsorbé dans davantage du même travail. Les profils très performants avec l’IA emploient ce temps autrement. Ils sont plus susceptibles de le réinvestir dans un travail de meilleure qualité et dans le développement de nouvelles compétences en IA, plus solides — exécuter des agents, connecter des outils via des API, et déboguer des workflows quand quelque chose casse.

Et, surtout, ils ont appris quand ne pas utiliser l’IA du tout.

Savoir quand éviter l’outil est souvent la compétence la plus difficile à développer. Cela demande de la retenue, et ce genre de retenue est rarement enseigné lors d’une session formelle de L&D. Elle s’acquiert à la dure — quand un résultat soigné s’effondre en aval, quand un raccourci génère plus de nettoyage de merde de bot qu’il n’en a fait gagner, quand l’IA a l’air sûre d’elle et que le collaborateur n’y croit pas. Vous ne lisez pas ça dans un module de formation. Vous accumulez les cicatrices. Et la prochaine fois que l’outil propose une réponse facile, vous marquez une pause.

Les chercheurs appellent cela déviance constructive : le non-respect des règles par des personnes qui estiment que le résultat compte plus que le processus. Ces employés ne sont souvent pas imprudents. Ils sont engagés envers les objectifs de l’organisation. Mais lorsque les politiques ne parviennent pas à suivre la manière dont le travail est réellement effectué, ils les contournent et choisissent le travail.

Les hommes et les cadres sont plus susceptibles de contourner les règles. 52 % des hommes (contre 46 % des femmes) et 54 % des cadres (contre 48 % des non-cadres) reconnaissent utiliser des outils non approuvés ou utiliser des outils approuvés d’une manière non conforme. Ces écarts sont cohérents avec une tendance de longue date dans la recherche organisationnelle : plus votre statut est élevé sur le lieu de travail, plus vous êtes sûr que les règles sont négociables.

‍La démarche la plus intelligente pour les organisations n’est pas de traquer chaque contournement comme une scène de crime. C’est de demander ce que le contournement est en train de vous dire. Lorsqu’un excellent utilisateur d’IA contourne un outil homologué, c’est généralement parce que l’outil homologué ne correspond pas au travail. Il est trop lent, trop générique ou trop déconnecté des informations dont le salarié a besoin.

Dans l’une des universités des membres fondateurs de notre Work AI Institute, ils ont des accords d’entreprise avec Google et ChatGPT, mais pas avec Claude. Quand des enseignants-chercheurs ont besoin de Claude pour leur travail, ils le financent via leur budget de recherche. Leurs collègues sans comptes de recherche s’en passent tout simplement. L’outil n’est pas interdit. Il n’est simplement pas financé, ce qui signifie que l’accès dépend moins de ce qu’exige le travail que du fait que le salarié dispose d’un budget discrétionnaire.

Les bons dirigeants considèrent les deux types de contournement comme un retour d’information sur leur stratégie IA. L’objectif est de faire du meilleur outil le chemin le plus simple, le plus sûr et le plus approuvé. Sinon, les salariés se retrouvent coincés avec un choix pourri : suivre la politique, ou bien faire correctement le travail.

Pendant des décennies, l’équipe a été une unité stable — un manager, un groupe de collègues humains et l’échafaudage institutionnel qui les entoure : organigrammes, évaluations de performance, grilles de rémunération, processus de recrutement, plans de succession. Tout cet échafaudage part du principe que les équipes sont composées d’humains.
‍
Ce postulat se fissure. L’équipe devient une unité hybride, avec des humains et une distribution croissante d’assistants IA, de copilotes, d’agents et de jumeaux numériques. Ils participent aux réunions, rédigent des livrables, formulent des recommandations et renvoient le travail aux humains qui seront évalués dessus. Les salariés ne sont plus certains que leurs collègues humains soient les membres les plus utiles de l’équipe.

Les équipes IA les plus performantes n’attendent pas que leur organisation repense l’organigramme. Elles cherchent déjà comment gérer une équipe où tous les coéquipiers ne sont pas humains.

Voici ce qu’elles font.

Les plus performants en IA ne se contentent pas d’utiliser l’IA différemment. Ils s’y rapportent différemment. Moins comme à un logiciel, davantage comme à un collègue — utile, rapide, disponible à 2 h du matin, et toujours prêt à bluffer quand il ne connaît pas la réponse. Les plus performants en IA sont 2,3 fois plus susceptibles que les moins performants en IA de dire qu’ils font confiance à l’IA comme à un coéquipier.

Les utilisateurs les plus avancés en IA sont plus de 2 fois plus susceptibles que les utilisateurs les moins avancés en IA de faire confiance à l’IA comme à un coéquipier.

Les travaux de George Lakoff sur la catégorisation montrent que les étiquettes que nous apposons aux choses ne se contentent pas de les décrire — elles façonnent la manière dont nous nous comportons à leur égard. Qualifiez l’IA d’outil et la relation devient transactionnelle. Vous l’utilisez, elle vous renvoie quelque chose et, quand elle vous déçoit, vous passez à autre chose. Mais qualifiez-la de coéquipier et la dynamique change. Vous lui assignez du travail, vous contestez le premier jet, vous expliquez ce qui n’a pas été à la hauteur, et vous réessayez. Les salariés qui considèrent l’IA comme un outil ont 26 % plus de chances d’abandonner après un mauvais résultat. Les salariés qui la voient comme un coéquipier continuent d’insister — en relançant des prompts, en changeant de modèles, en ajoutant du contexte et en travaillant le problème avec l’IA.

Cela peut aussi aider à expliquer pourquoi 64 % des personnes les plus performantes en IA disent que collaborer avec l’IA est plus facile que collaborer avec des collègues humains. Non pas parce que l’IA est plus intelligente, mais parce qu’il est plus facile de travailler avec elle. Elle est toujours disponible. Elle ne se braque pas à la dixième révision du même paragraphe. Et, à notre connaissance, elle n’a jamais planifié une réunion qui aurait pu être un e-mail de trois lignes.

Mais le cadre du coéquipier a ses limites. Plus tôt dans ce rapport, nous avons montré qu’humaniser l’IA peut gonfler la confiance et encourager davantage le botshitting. Certaines organisations dépassent carrément cette limite — en plaçant des agents dans l’organigramme, en leur attribuant des rôles et en les comptabilisant comme des effectifs. Cela peut vite déraper. Dans une expérience randomisée récente, des chercheurs du Boston Consulting Group ont constaté que lorsque l’IA était présentée comme un employé plutôt que comme un outil, les travailleurs se sentaient moins responsables de ce qu’elle produisait et relisaient ses résultats avec moins d’attention.

L’objectif de la métaphore du coéquipier n’est pas de rendre l’IA plus humaine. Il s’agit de donner aux travailleurs un modèle mental opérationnel pour en tirer un travail utile. Traitez l’IA comme un coéquipier, mais laissez la responsabilité là où elle doit être — chez l’humain. Et ne mettez pas un bot dans l’organigramme tant que vous n’avez pas mis en place les garde-fous qui maintiennent les humains responsables de tout ce qu’il produit.

De nombreux dirigeants essaient d’imposer l’adoption de l’IA par le haut en supposant que la gravité fera le reste. Ils annoncent la stratégie, adoubent l’outil, lancent un tableau de bord rempli de métriques de vanité en hausse à droite, et déclarent la victoire à la prochaine réunion plénière.

Le changement top-down compte. Il indique aux employés ce qui est autorisé, ce qui comporte un risque réel, et quels comportements sont récompensés lorsque vient l’heure des promotions. Mais les mémos, les injonctions et les autres initiatives de changement top-down ne changent pas, à eux seuls, la manière dont les gens travaillent. Ce qui change la manière dont les gens travaillent, c’est de voir leurs pairs le faire.

L’employé moyen est¹⁶:

Pourquoi les coéquipiers interfonctionnels ont-ils autant de poids ? Parce qu’ils ont douloureusement conscience de la taxe de coordination du travail : les goulots d’étranglement, les silos, les efforts dupliqués, les tâches qui passent à la trappe. Alors, lorsqu’ils construisent un workflow d’IA ou un agent, ils ne conçoivent pas pour une version fantasmée et bien ordonnée du travail. Ils conçoivent pour la version chaotique à laquelle ils doivent faire face, où le marketeur a besoin des données que l’analyste n’a pas encore extraites, et où l’ingénieur a besoin de la spec que le product manager n’a pas encore écrite. Leurs workflows se diffusent parce qu’ils survivent au contact du travail réel.

C’est pourquoi les profils interfonctionnels doivent être au cœur de votre stratégie IA. Identifiez-les, donnez-leur un accès anticipé aux outils et aux formations, demandez-leur des retours sur ce qui fonctionne et ce qui ne fonctionne pas, et investissez dans des outils d’IA qui fonctionnent d’un bout à l’autre des fonctions. Si vos ingénieurs et vos marketeurs ne peuvent pas créer ou exécuter des workflows d’IA ensemble dans le même outil, vous alimentez probablement la taxe de coordination que vous espériez que l’IA corrige.

Depuis des décennies, le management est englouti par le travail de coordination : relancer pour obtenir des mises à jour, acheminer l’information, planifier des réunions, transmettre le contexte, faire avancer le travail. L’IA commence enfin à en enlever une partie de l’assiette des managers. McKinsey estime que moins de 30 % du temps des cadres intermédiaires est consacré au véritable leadership humain. Le reste se dissout dans l’exécution individuelle et le travail administratif.

Les managers très performants avec l’IA consacrent à peu près la même part de leur temps à la coordination que les managers moins efficaces (11 % contre 9 %), mais ils en délèguent 32 % de plus à l’IA. Ils n’utilisent pas l’IA pour remplacer le management. Ils l’utilisent pour éliminer la boue administrative que l’on confond avec du management.

Cela ressemble à une mauvaise nouvelle pour les managers. Nous pensons que c’est l’inverse. Les meilleurs managers n’essaient pas de rivaliser avec l’IA sur les tâches de coordination. Ils délèguent les tâches de coordination à l’IA, en utilisant l’IA pour rédiger la mise à jour de statut, acheminer la demande, résumer la réunion. Et ils récupèrent un temps précieux pour le travail auquel ils devraient consacrer davantage de temps — coacher, développer et inspirer leurs équipes.

Les bénéfices ne s’arrêtent pas au travail du quotidien. Les salariés ne décident pas, au moment où les RH déploient le système, ce qu’ils pensent de l’arrivée de l’IA dans un entretien d’évaluation, une décision de rémunération ou un licenciement. Ils se forgent une opinion au fil de centaines, parfois de milliers, de micro-interactions avec leur manager. Le manager qui utilise l’IA pour développer les personnes apprend à l’équipe à voir l’IA comme un outil de développement. Le manager qui l’utilise pour surveiller les personnes apprend à l’équipe à voir l’IA comme un outil de surveillance. C’est, en partie, pourquoi les salariés qui ont de bons managers sont bien plus à l’aise avec l’arrivée de l’IA dans les décisions les plus lourdes d’enjeux de leur vie professionnelle, notamment les entretiens d’évaluation, la rémunération et le licenciement. Quand l’IA entre dans l’une de ces pièces, l’équipe a déjà tranché sur sa légitimité à y être.

Quand vous gérez quatre personnes, il est plus facile d’être équitable. Quand vous en gérez dix, ou cinquante, comme certaines organisations l’expérimentent, vous commencez à fonctionner avec des raccourcis. Vous dites « oui » à la personne qui demande en premier. Vous avez l’intention de revenir vers les introvertis, puis vous oubliez. Le résultat est un système qui paraît arbitraire et biaisé en faveur de certaines voix. À ce stade, la cohérence froide d’un algorithme commence à sembler bien plus équitable qu’un humain trop sollicité.

Les employés nous disent que l’automatisation par l’IA leur fait gagner environ 11 heures chaque semaine. Seuls 13 % affirment que leur organisation obtient des performances nettement meilleures grâce à elle. Alors, que font les 13 % que les 87 % restants ne font pas ?

Dans la plupart des organisations, le réflexe a été de pousser à la hausse l’usage de l’IA : plus d’outils, plus de licences, plus de tableaux de bord mesurant davantage de clics. Mais les organisations qui obtiennent réellement des gains de performance grâce à l’IA ne gagnent pas de cette manière. Leurs employés passent une part plus faible de leur temps IA dans les outils d’IA, et non une part plus élevée.

Les employés des organisations qui déclarent n’observer aucun impact, un impact négatif ou ne pas savoir, passent près de la moitié de leur temps IA (49 %) directement dans les outils d’IA, contre un peu plus d’un quart (27 %) pour les employés des organisations transformatrices. Le même schéma est apparu chez les profils à forte réussite en IA que nous avons identifiés plus tôt, qui se concentrent dans ces mêmes organisations transformatrices.

Ils ne prennent pas l’avantage en maximisant leur temps passé dans l’outil. Ils prennent l’avantage grâce au travail autour de l’outil : définir le contexte, repérer ce dont l’outil est trop sûr, intégrer les résultats dans le travail réel et savoir quand se passer complètement de l’IA.

Les organisations transformatrices construisent une discipline de management autour de l’IA, avec des règles claires, des contrôles qualité, des habitudes partagées, et suffisamment de sécurité psychologique pour que quelqu’un dans la salle puisse dire : « Non, on ne va pas mettre cette bouillie générée par un bot devant un client. »

Cette discipline se manifeste de cinq façons clés.

Trop d’organisations évaluent l’IA à travers des métriques de vanité : tokens consommés, lignes de code générées, clics dans l’outil, taux de connexion, tableaux de bord qui montent de façon rassurante. Nous avons échangé avec des dirigeants de grandes entreprises technologiques qui comptent les lignes de code générées par l’IA dans les évaluations de performance. Ces métriques sont faciles à compter. Elles sont aussi faciles à manipuler. Lorsque les dirigeants mesurent l’activité IA, les salariés apprennent à produire de l’activité IA — et, souvent, peu d’autre chose.

Un ingénieur dans une grande entreprise technologique a décrit faire exactement cela : poser régulièrement à l’IA des questions dont les réponses se trouvaient déjà dans la documentation de l’entreprise, juste pour gonfler son nombre de tokens :

“Je suis conscient de ne pas vouloir être perçu comme quelqu’un qui « utilise trop peu l’IA », et je n’ai pas honte de dire que je dois faire du tokenmaxxing pour y parvenir. Ce que je fais pour gonfler mes indicateurs d’utilisation de tokens : poser à l’IA des questions sur le code qui figure déjà dans la documentation. L’IA retrouve la documentation, la traite et me donne des résultats 10 fois plus lentement, mais en brûlant beaucoup de tokens. Je pourrais utiliser « readthedocs » [un produit interne], mais alors mes chiffres de tokens seraient plus bas. Demander à l’IA de prototyper une fonctionnalité sur laquelle je n’ai aucune intention de travailler. La relancer encore quelques fois, puis tout jeter. Par défaut, toujours utiliser l’agent, même quand je sais que je pourrais faire le travail à la main bien plus vite. Puis la regarder échouer.”

C’est la loi de Goodhart à l’œuvre : « Lorsqu’une mesure devient un objectif, elle cesse d’être une bonne mesure. » Si l’indicateur est le volume de tokens, les employés produisent du volume de tokens. Que le travail soit de bonne qualité — ou simplement une merde de bot coûteuse — devient le problème de quelqu’un d’autre.

Steven Kerr a mis en garde contre cela il y a cinquante ans dans son essai : « De la folie de récompenser A, tout en espérant B. » Les organisations disent vouloir une chose et en récompensent une autre. Elles espèrent une croissance à long terme et récompensent les résultats trimestriels. Elles espèrent le travail d’équipe et récompensent les exploits individuels. Elles espèrent de la franchise et récompensent les personnes qui disent au patron ce que le patron croit déjà. À présent, elles le refont avec l’IA.

Mesurer la mauvaise chose a un coût élevé. 74% des employés dans les organisations qui ne mesurent que la productivité admettent faire du « botshitting ». Lorsque la productivité et la qualité sont toutes deux mesurées, ce chiffre tombe à 64%. Et lorsque les organisations suivent la qualité en plus de la productivité, 83% des employés disent que l’IA a amélioré la qualité de leur travail, contre seulement 68% dans les organisations qui ne suivent que la productivité.

Les indicateurs ne se contentent pas de mesurer les comportements. Ils indiquent aux employés ce que l’organisation valorise et, par conséquent, ils encouragent certains comportements. Quand les organisations mesurent la qualité, les gens ralentissent là où le jugement humain compte. Quand elles ne mesurent que la vitesse, les gens accélèrent, produisent des brouillons plus vite et laissent le nettoyage en aval à quelqu’un d’autre.

Les organisations qui transforment grâce à l’IA construisent des systèmes de mesure qui récompensent les comportements qu’elles veulent réellement. Dans une organisation que nous avons étudiée, le succès de l’IA est évalué selon trois dimensions : l’efficacité, la qualité et l’expérience employé — afin que l’entreprise ne récompense pas un travail rapide au détriment d’un travail de qualité ou du bien-être des personnes. Un dirigeant d’une entreprise du Fortune 100 nous a dit que son entreprise mesure la « diversité des intentions » : combien de cas d’usage différents les employés appliquent à un outil d’IA donné. C’est un meilleur indicateur de l’apprentissage réel, car cela montre si les employés élargissent leur compréhension des domaines où l’IA est réellement utile, plutôt que de simplement cliquer plus souvent sur l’outil.

Les organisations transformatrices savent qu’aucun indicateur unique ne raconte toute l’histoire de l’IA. En moyenne, elles évaluent les initiatives d’IA selon cinq dimensions différentes, contre trois dans les autres organisations.

Les employés d’organisations en transformation indiquent que leur organisation suit en moyenne cinq indicateurs différents, contre trois dans les autres organisations.

Dans les organisations en pleine transformation, les employés sont bien plus susceptibles de dire qu’ils ont de la visibilité sur leurs propres données d’usage de l’IA. Les données circulent dans les deux sens : vers le haut, jusqu’aux personnes qui pilotent la stratégie, et en retour, vers les personnes qui font le travail. Lorsqu’elles ne circulent que dans un seul sens (vers le haut), ce n’est plus du feedback et cela commence à ressembler à de la surveillance. Les travailleurs comprennent le message : Ce n’est pas là pour m’aider à apprendre ; c’est là pour me juger. Alors ils manipulent les chiffres, cachent les aspects les plus difficiles, et jouent la version de l’« adoption de l’IA » que la direction semble vouloir.

La plupart des organisations ont désormais une politique en matière d’IA. Cela ne veut pas dire qu’elles ont une gouvernance de l’IA.

Une politique, c’est un document que quelqu’un a mis en ligne sur l’intranet de l’entreprise en espérant que les gens le lisent. La gouvernance, c’est ce qui se passe réellement quand l’échéance se rapproche dangereusement, que l’outil approuvé est lourd, et que celui qui ne l’est pas fonctionne mieux. À l’heure actuelle, l’écart entre les deux est considérable.

Les organisations transformatrices ne se contentent pas de rédiger une politique, de la publier, puis de passer à autre chose. Elles la réexaminent régulièrement, expliquent pourquoi elle existe et l’appliquent lorsque quelqu’un ne la respecte pas. Seuls 60 % des employés disent avoir lu la politique IA de leur organisation. Pour tous les autres, ce n’est qu’un accessoire de plus dans le théâtre de la gouvernance de l’IA — rédigé pour l’auditeur, affiché pour le conseil d’administration, ignoré par tous ceux qui ont réellement du travail à faire.

Les organisations transformatrices définissent aussi qui est autorisé à créer et à déployer des agents IA. Sans cette limite clairement établie, vous vous retrouvez avec une prolifération d’agents — trois équipes différentes ont créé trois bots différents pour faire la même chose, dont deux s’exécutent sur des données que l’entreprise n’a jamais approuvées, et personne ne se souvient qui a validé tout cela.

Le bénéfice ne se limite pas à la conformité. C’est la confiance. Les collaborateurs des organisations en transformation sont bien plus susceptibles de dire qu’ils font confiance à la stratégie IA de leur entreprise (93 % contre 57 %). Et cette confiance favorise la fidélisation.

Trois actions renforcent le plus cette confiance :

Lorsque les dirigeants communiquent clairement les objectifs de l’IA, les collaborateurs cessent de combler les zones d’ombre avec des scénarios catastrophes. Lorsque les informations dont ils ont besoin sont réellement accessibles via l’IA, l’outil cesse de produire des réponses génériques et commence à produire des réponses utiles. Et lorsque l’IA est utilisée pour repenser le travail plutôt que pour en rajouter, la crédibilité se manifeste de manière tangible — pas dans une nouvelle série de promesses sur ce que l’IA finira par offrir.

Les organisations transformatrices ne considèrent pas la gouvernance comme un exercice de communication. Elles lui donnent des droits décisionnels, de la redevabilité et un budget. Elles sont plus susceptibles de nommer un responsable de l’IA au niveau du comité de direction. Et leurs PDG ne se contentent pas de parler de l’IA lors de réunions générales. Ils l’utilisent — devant leurs employés. Le PDG de Nvidia, Jensen Huang, a été clairement explicite publiquement sur le fait qu’il utilise l’IA au quotidien, « comme un tuteur, un assistant de recherche, un coach, un partenaire de réflexion ».

Les employés qui ont vu leur PDG utiliser personnellement l’IA l’utilisent 67 % de plus que ceux qui ne l’ont pas vu. Les employés dont les dirigeants décrivent l’IA comme un coéquipier ont 51 % plus de chances de la considérer eux-mêmes comme tel, et 65 % plus de chances de signaler des gains de productivité.

Les employés regardent ce que leurs dirigeants font avec l’IA, pas ce qu’ils en disent. Lorsque les dirigeants font le battage autour de l’IA depuis la scène, surveillent le nombre de tokens à distance et n’utilisent jamais eux-mêmes les outils dans leur travail quotidien, les employés comprennent rapidement les vraies règles : avoir l’air tourné vers l’IA, garder le tableau de bord orienté à la hausse et laisser quelqu’un d’autre nettoyer après les bots.

Pour de nombreuses organisations, leur « stratégie IA » n’est guère plus qu’une consolidation de leurs contrats existants avec des fournisseurs de technologie. Si elles sont dans l’écosystème Microsoft, elles ajoutent Microsoft Copilot. Écosystème Salesforce ? Ajoutez Einstein. Vous payez déjà Google Workspace ? Bienvenue sur Gemini.

C’est une version IA de ce que James March et ses collègues ont appelé le modèle de la poubelle il y a cinquante ans. Dans les organisations réelles, les problèmes et les solutions n’arrivent pas dans cet ordre. Souvent, la solution est déjà en train de s’entrechoquer à l’intérieur de la poubelle, en attendant que quelqu’un trouve un problème auquel l’accrocher. C’est ainsi que se déroulent la plupart des stratégies IA. L’entreprise achète un outil d’IA auprès d’un fournisseur existant, ou en obtient un inclus dans un contrat qu’elle a déjà, puis part à la recherche d’endroits où l’utiliser. L’outil arrive d’abord, le problème arrive ensuite.

Les organisations transformatrices inversent l’ordre. Elles commencent par le travail avant de commencer par les achats. Elles cartographient où les employés sont bloqués à faire des tâches répétitives à faible valeur, où les clients continuent d’être frustrés, et où les passations continuent d’échouer. Ensuite, elles choisissent des outils qui résolvent ces problèmes. Les employés de ces organisations sont beaucoup moins susceptibles de dire que les fournisseurs existants limitent leur stratégie IA (33 % contre 49 %).

Commencer par le travail change aussi ce que ces organisations attendent de leurs fournisseurs. Le fournisseur doit comprendre comment le travail se déroule réellement, se connecter aux données et au contexte dont le travail dépend, et rester impliqué suffisamment longtemps pour définir à quoi ressemble la réussite. Les employés des organisations transformatrices sont presque deux fois plus susceptibles de décrire leurs déploiements d’IA comme collaboratifs avec les fournisseurs (78 % contre 44 %).

C’est en partie ce qui alimente l’essor des ingénieurs déployés sur le terrain, des personnes dont le métier est de faire fonctionner l’IA au sein des organisations réelles qui l’achètent. Les offres d’emploi pour ce poste, qui a vu le jour chez Palantir, ont augmenté de plus de 800 % entre janvier et septembre 2025. Salesforce à elle seule s’est engagée à en recruter 1 000. En mai 2026, OpenAI a lancé une entreprise de déploiement de 4 milliards de dollars et a acquis le cabinet de conseil en IA Tomoro, ajoutant instantanément 150 ingénieurs déployés sur le terrain à son équipe.

Commencer par le travail change ce qui compte dans la technologie. Il ne suffit pas qu’un outil d’IA soit connecté aux données de l’entreprise. Il doit utiliser ces données comme les personnes qui font le travail les utilisent réellement.

Le contexte d’entreprise est la couche entre les données brutes et la réponse exploitable. C’est ce qui indique à un système quel fichier est la véritable version actuelle de la présentation, si un pic sur un tableau de bord signifie quelque chose ou s’il s’agit d’un artefact connu, quelle solution de contournement l’équipe des opérations utilise lorsque le processus officiel se casse, et ce que « Q3 » signifie dans votre entreprise cette semaine par rapport au trimestre dernier.
‍
Quand le contexte manque, les employés compensent. Ils font passer du travail dans des outils non approuvés, cachent leur usage et lancent la même requête sur plusieurs plateformes, en espérant que l’une finira par produire quelque chose d’exploitable. Dans nos données, nous qualifions de « riches en contexte » les salariés qui disent que les informations dont ils ont besoin pour faire leur travail sont accessibles via leurs outils d’IA, et de « pauvres en contexte » ceux qui disent que ce n’est pas le cas. L’écart entre les deux groupes est saisissant.

La transformation par l'IA est perturbatrice. Les rôles évoluent. Certains disparaissent entièrement. Et lorsque les entreprises invoquent l'IA dans des licenciements, la peur est plus profonde : 73 % des travailleurs craignent que leur propre poste soit le prochain.

L'impact des licenciements ne s'arrête pas lorsque les employés licenciés quittent le bâtiment. Les recherches sur les « survivants des licenciements » montrent que la réduction des effectifs accroît l'insécurité de l'emploi, érode la confiance envers la direction et augmente les intentions de départ parmi les personnes qui restent. Lorsque l'IA est invoquée comme raison, les travailleurs commencent à privilégier l'autoprotection plutôt qu'un jugement réfléchi — agir vite, cacher la manière dont ils utilisent l'IA, mener à bien un travail auquel ils ne font pas pleinement confiance. Beaucoup commencent à chercher la sortie. Dans les organisations qui ont invoqué l'IA dans des licenciements, 62 % des travailleurs recherchent activement un emploi.

Le botsitting comme le botshitting sont plus fréquents dans les organisations qui ont procédé à des licenciements, et encore davantage lorsque l’IA est citée comme raison. Les licenciements mettent plus de pression sur les personnes qui sont restées, elles s’appuient donc davantage sur l’IA — et elles livrent davantage de travail qu’elles ne défendraient pas si on le leur demandait.

Les organisations transformatrices brisent une partie de ce cycle. Elles ne se contentent pas de remettre aux employés de nouveaux outils en espérant qu’ils deviendront comme par magie à l’aise avec l’IA. Elles valorisent les compétences en IA, reconnaissent les personnes pour leur bon travail avec l’IA, célèbrent les échecs animés de bonnes intentions et fournissent suffisamment de formation et de soutien pour que l’aisance avec l’IA devienne une composante normale de l’évolution professionnelle, plutôt qu’un prérequis pour conserver son emploi.

L’une des choses les plus importantes que font les organisations transformatrices est de considérer l’IA comme une opportunité de repenser le travail — et non comme un prétexte brillant pour obtenir davantage de résultats avec moins de personnes. 90 % des employés des organisations transformatrices déclarent que leur employeur considère l’IA comme une opportunité de repenser le travail, contre 54 % dans les autres organisations.

Si le botsitting et le botshitting sont omniprésents dans les trois pays, ils se manifestent de différentes manières. Aux États-Unis, l’adoption de l’IA est largement portée par l’expérimentation ascendante, les employés assumant eux-mêmes une grande partie de la charge de botsitting. Au Royaume-Uni, les organisations semblent offrir aux employés davantage de structure, de formation et de soutien, ce qui peut aider à expliquer pourquoi les travailleurs britanniques déclarent les gains de productivité les plus élevés malgré des niveaux d’utilisation de l’IA importants. L’Australie s’aligne sur le Royaume-Uni en matière d’adoption, mais une formation plus faible et une infrastructure de contexte moins solide reportent davantage de travail de nettoyage et de vérification sur les employés, contribuant à une fatigue plus élevée, à des gains moins réguliers et à une plus grande exposition au botshitting.

Les pourcentages reflètent la part de travailleurs numériques dans chaque pays (US n=3,000 ; UK n=1,500 ; Australie n=1,500) ayant sélectionné la réponse correspondante. Les différences entre pays de trois points de pourcentage ou plus sont statistiquement significatives à p<.05.

L’adoption varie aussi selon les fonctions. L’IT est la plus confiante et la mieux préparée structurellement à l’IA, mais aussi la plus susceptible de tester au-delà des outils approuvés. L’ingénierie utilise l’IA en profondeur, tout en lui accordant sa confiance avec prudence. Le marketing augmente sa production plus vite que son impact. Le support dispose de certains des cas d’usage de l’IA les plus clairs, mais affiche le plus faible niveau d’adoption et de confiance. Les RH adoptent l’IA à des niveaux supérieurs à la moyenne, alors même que l’IA s’invite dans des décisions humaines à plus fort enjeu.

Les pourcentages reflètent la part des travailleurs numériques dans chaque fonction (n total = 6 000 aux États-Unis, au Royaume-Uni et en Australie) ayant sélectionné la réponse correspondante. Les échantillons au niveau des fonctions vont de n = 89 (Design/UX) à n = 2 028 (IT). Les comparaisons entre parenthèses indiquent la moyenne mondiale inter-fonctions et une fonction d’ancrage de pairs (le meilleur ou le moins bon performeur sur cette dimension). Les écarts de quatre points de pourcentage ou plus sont statistiquement significatifs à p<.05.

L’IA s’implante différemment selon les secteurs. Le taux d’adoption varie de 63 % dans le secteur public à 97 % dans la technologie, mais l’usage ne raconte qu’une partie de l’histoire. Les professionnels de la technologie déclarent les gains de productivité les plus importants et le niveau d’adoption le plus élevé. Les professionnels de santé font moins confiance à l’IA, car les enjeux sont plus élevés. Les agents du secteur public utilisent le moins l’IA. Les professionnels des médias et du divertissement ressentent la perte de sentiment de propriété la plus marquée. Tous secteurs confondus, la tendance est claire : l’IA crée le plus de valeur là où le travail est déjà numérique, mesurable et bien soutenu, et elle génère le plus de tension là où la confiance, le jugement et le contexte humain comptent le plus.

Les pourcentages reflètent la part de travailleurs numériques dans chaque secteur (n total=6,000 aux États-Unis, au Royaume-Uni et en Australie) ayant sélectionné la réponse correspondante. Les échantillons par secteur vont de n=312 (Construction) à n=1,104 (Technologie). Les comparaisons entre parenthèses indiquent la moyenne mondiale intersectorielle et un secteur de référence pair (le meilleur ou le moins bon performeur sur cette dimension). Les écarts de quatre points de pourcentage ou plus sont statistiquement significatifs à p<.05.