Botsitting, botshitting et le travail humain invisible de l’IA au travail

L’écart entre ce que nous appelons les plus performants en 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 pa

Le revers de la médaille, lorsqu’on pointe moins l’IA sur le cœur de métier, c’est que les hauts performeurs en IA consacrent une part plus importante de leur temps d’IA au travail qui l’entoure. Ils fournissent du contexte à l’IA, supervisent ses sorties et corrigent les résultats. Cet effort supplémentaire porte ses fruits de deux façons.

La première est le contrôle qualité. Les hauts performeurs en IA sont bien plus susceptibles de repérer le botshit. 79 % des hauts performeurs en IA ont détecté et corrigé une erreur d’IA au cours du mois écoulé, contre 64 % des faibles performeurs en IA.

La seconde est l’apprentissage. La plupart du botsitting relève du travail ingrat, mais une partie est productive. Et c’est là que les hauts performeurs en IA apprennent le plus. Chaque prompt est un exercice, et chaque mauvaise sortie est un retour d’information. Après suffisamment de cycles, le travailleur se construit une théorie opérationnelle de ce à quoi l’outil peut être confié, 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 précieux enseignant (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.

C’est pourquoi la conception des outils d’IA compte plus que la plupart des organisations ne le réalisent. Les travailleurs qui estiment que leurs outils d’IA sont faciles à utiliser sont 110 % plus susceptibles de considérer l’IA elle-même comme une précieuse source d’apprentissage (61 % contre 29 %). Un outil peu pratique dévore l’attention qui irait autrement à l’apprentissage. Les gens passent leur temps à se battre avec l’interface, à dépanner le flux de travail et à comprendre pourquoi l’agent s’est arrêté à mi-chemin. Les organisations traitent souvent l’ergonomie de l’IA comme un simple plus. Elle ne l’est pas. Lorsque l’outil est aussi l’enseignant, une interface peu pratique n’est pas qu’un problème d’UX. C’est une taxe sur l’apprentissage — payée en attention, en concentration, en frustration et en compétences que les travailleurs ne développent jamais.

Lorsque l’IA redonne une heure à un travailleur en gains de temps, ce qui arrive à cette heure a son importance.

Les faibles performeurs en IA ne récoltent pas grand-chose au départ. Le peu qu’ils obtiennent est réabsorbé dans davantage du même travail. Les hauts performeurs en IA utilisent le leur différemment. Ils sont plus susceptibles de le réinvestir dans un travail de meilleure qualité et dans le développement de compétences en IA nouvelles et plus solides — faire tourner des agents, connecter des outils via des API et déboguer des flux de travail lorsque quelque chose casse.

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

Savoir quand se passer de l’outil est souvent la compétence la plus difficile à acquérir. Cela demande de la retenue, et ce genre de retenue s’enseigne rarement dans une session formelle de L&D. Elle s’acquiert à la dure — quand une sortie soignée s’effondre en aval, quand un raccourci crée plus de nettoyage de botshit qu’il n’en a économisé, quand l’IA semble sûre d’elle et que le travailleur ne la croit pas. On ne lit pas cela dans un module de formation. On en collectionne les cicatrices. Et la prochaine fois que l’outil propose une réponse facile, on marque une pause.

Les chercheurs appellent cela la déviance constructive : le non-respect des règles par des personnes qui estiment que le résultat importe plus que le processus. Ces travailleurs ne sont souvent pas imprudents. Ils sont attachés aux objectifs de l’organisation. Mais lorsque la politique ne parvient pas à suivre la manière dont le travail se fait réellement, ils la contournent et choisissent le travail.

Les hommes et les cadres sont plus enclins à contourner les règles. 52 % des hommes (contre 46 % des femmes) et 54 % des cadres (contre 48 % des non-cadres) admettent utiliser des outils non approuvés ou utiliser des outils approuvés de manière non conforme. Ces écarts rejoignent une tendance de longue date observée dans les recherches organisationnelles : plus votre statut est élevé dans une entreprise, plus vous êtes convaincu que les règles sont négociables.

‍La bonne décision pour les organisations n'est pas de traquer chaque contournement comme une scène de crime. C'est de se demander ce que ce contournement vous apprend. Lorsqu'un grand utilisateur de l'IA contourne un outil autorisé, c'est généralement parce que cet outil n'est pas adapté au travail. Il est trop lent, trop générique ou trop déconnecté des informations dont le collaborateur a besoin.

Dans l'une des universités de nos membres fondateurs du Work AI Institute, ils disposent d'accords d'entreprise avec Google et ChatGPT, mais pas avec Claude. Lorsque le corps enseignant a besoin de Claude pour son travail, il le paie sur son budget de recherche. Leurs collègues sans compte 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 que le travail exige que de la question de savoir si le collaborateur dispose d'un budget discrétionnaire.

Les bons dirigeants considèrent ces deux types de contournement comme des retours sur leur stratégie d'IA. L'objectif est de faire du meilleur outil le chemin le plus simple, le plus sûr et le plus approuvé. Sinon, les collaborateurs se retrouvent face à un choix désastreux : respecter la politique, ou bien faire du bon 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, filières de recrutement, plans de succession. Tout cet échafaudage suppose que les équipes sont composées d’humains.
‍
Cette hypothèse se fissure. L’équipe devient une unité hybride, composée d’humains auxquels s’ajoute un éventail croissant d’assistants, de copilotes, d’agents et de jumeaux numériques d’IA. Ils assistent aux réunions, rédigent des livrables, formulent des recommandations et renvoient le travail aux humains qui seront évalués dessus. Les travailleurs ne sont plus certains que leurs collègues humains soient les membres les plus utiles de l’équipe.

Les équipes très performantes en IA n’attendent pas que leurs organisations repensent l’organigramme. Elles sont déjà en train de déterminer 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 attachons aux choses ne les décrivent pas seulement — elles façonnent notre comportement à leur égard. Qualifiez l’IA d’outil et la relation devient transactionnelle. Vous l’utilisez, elle vous donne quelque chose en retour et, lorsqu’elle vous déçoit, vous passez à autre chose. Mais qualifiez-la de coéquipier et la dynamique change. Vous lui confiez du travail, vous critiquez le premier jet, vous expliquez ce qui n’allait pas et vous recommencez. Les travailleurs qui considèrent l’IA comme un outil sont 26 % plus susceptibles d’abandonner après un résultat médiocre. Les travailleurs qui la considèrent comme un coéquipier persévèrent — en relançant les requêtes, en changeant de modèle, en ajoutant du contexte et en résolvant le problème avec l’IA.

Cela pourrait aussi expliquer pourquoi 64 % des utilisateurs les plus performants avec l'IA affirment 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 simple de travailler avec elle. Elle est toujours disponible. Elle ne se met pas sur la défensive à la dixième révision du même paragraphe. Et, pour autant que nous le sachions, elle n'a jamais planifié de réunion qui aurait pu tenir en un e-mail de trois lignes.

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

L'intérêt de la métaphore du coéquipier n'est pas de rendre l'IA plus humaine. Il s'agit de donner aux collaborateurs un modèle mental concret pour en tirer un travail utile. Traitez l'IA comme un coéquipier, mais gardez la responsabilité là où elle doit être — chez l'humain. Et ne placez pas de bot sur l'organigramme avant d'avoir mis en place les garde-fous qui garantissent que les humains restent responsables de tout ce qu'il produit.

De nombreux dirigeants tentent d’imposer l’adoption de l’IA par le haut en supposant que la gravité fera le reste. Ils annoncent la stratégie, bénissent l’outil, allument un tableau de bord rempli de métriques de vanité orientées vers le haut et vers la droite, puis déclarent victoire à la prochaine réunion générale.

Le changement descendant a son importance. Il indique aux employés ce qui est permis, ce qui comporte un vrai risque et quels comportements sont récompensés au moment des promotions. Mais les notes, les injonctions et autres efforts de changement descendant ne modifient 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.

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

Les managers qui sont de hauts performeurs en 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 balayer la boue administrative que l’on confond avec le management.

Cela semble être une mauvaise nouvelle pour les managers. Nous pensons que c’est l’inverse. Les meilleurs managers ne cherchent pas à rivaliser avec l’IA sur le travail de coordination. Ils délèguent le travail de coordination à l’IA, en l’utilisant 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 — accompagner, développer et inspirer leurs équipes.

Les bénéfices ne s’arrêtent pas au travail quotidien. Les travailleurs ne décident pas de ce qu’ils ressentent à propos de l’IA apparaissant dans une évaluation de performance, une décision salariale ou un licenciement au moment où les RH déploient le système. Ils le décident à travers des centaines, parfois des milliers, de micro-interactions avec leur manager. Le manager qui utilise l’IA pour développer les gens apprend à l’équipe à voir l’IA comme un outil de développement. Le manager qui l’utilise pour surveiller les gens apprend à l’équipe à voir l’IA comme de la surveillance. C’est, en partie, pourquoi les travailleurs qui ont de bons managers sont bien plus à l’aise avec l’apparition de l’IA dans les décisions aux plus forts enjeux de leur vie professionnelle, y compris les évaluations de performance, la rémunération et le licenciement. Au moment où l’IA entre dans l’une de ces pièces, l’équipe a déjà décidé si elle y a sa place.

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 travailleurs nous disent que l’automatisation par l’IA leur fait gagner environ 11 heures par semaine. Seuls 13 % affirment que leur organisation est nettement plus performante grâce à elle. Alors, que font ces 13 % que les 87 % autres ne font pas ?

Le réflexe au sein de la plupart des organisations a été de pousser l’utilisation de l’IA vers le haut : plus d’outils, plus de licences, plus de tableaux de bord mesurant plus de clics. Mais les organisations qui obtiennent réellement des gains de performance grâce à l’IA ne gagnent pas de cette manière. Leurs travailleurs consacrent une part plus faible de leur temps d’IA à l’intérieur des outils d’IA, et non une part plus grande.

Les travailleurs des organisations ne signalant aucun impact, un impact négatif ou n’en ayant aucune idée consacrent près de la moitié de leur temps d’IA (49 %) directement à l’intérieur des outils d’IA, contre un peu plus d’un quart (27 %) pour les travailleurs des organisations transformatives. Le même schéma s’est retrouvé chez les hauts performeurs en IA que nous avons identifiés plus tôt, qui se concentrent dans ces mêmes organisations transformatives.

Ils ne prennent pas de l’avance en maximisant leur temps passé dans l’outil. Ils prennent de l’avance sur le travail qui entoure l’outil — définir le contexte, repérer ce sur quoi l’outil est trop sûr de lui, intégrer les résultats dans du travail réel et savoir quand laisser l’IA complètement de côté.

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 fais attention à ne pas 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 cela. Ce que je fais pour gonfler mes métriques de consommation de tokens : poser à l’IA des questions sur du code déjà présent dans la documentation. L’IA ouvre 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 solliciter encore quelques fois, puis tout jeter. Prendre systématiquement l’habitude d’utiliser l’agent, même quand je sais que je pourrais faire le travail à la main bien plus vite. Puis le regarder échouer. »

C’est la loi de Goodhart en action : « Lorsqu’une mesure devient un objectif, elle cesse d’être une bonne mesure. » Si l’indicateur est le volume de tokens, les collaborateurs produisent du volume de tokens. Que le travail soit de bonne qualité — ou simplement du « botshit » coûteux — devient le problème de quelqu’un d’autre.

Steven Kerr mettait en garde contre cela il y a cinquante ans dans son essai « On the Folly of Rewarding A, While Hoping for 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 la franchise et récompensent ceux qui disent au patron ce qu’il croit déjà. Aujourd’hui, elles recommencent avec l’IA.

Mesurer la mauvaise chose a un coût élevé. 74 % des collaborateurs des 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 parallèle de la productivité, 83 % des collaborateurs déclarent 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 collaborateurs ce que l'organisation valorise et, en retour, incitent à certains comportements. Lorsque les organisations mesurent la qualité, les gens ralentissent là où le jugement humain compte. Lorsqu'elles ne mesurent que la vitesse, les gens accélèrent, produisant des ébauches plus rapidement et laissant à quelqu'un d'autre le soin du nettoyage en aval.

Les organisations transformatrices en matière d'IA construisent des systèmes de mesure qui récompensent les comportements qu'elles souhaitent réellement. Dans l'une des organisations que nous avons étudiées, le succès de l'IA est évalué selon trois dimensions : l'efficacité, la qualité et l'expérience des collaborateurs — ainsi, l'entreprise ne récompense pas le travail rapide au détriment du bon travail ou des bonnes personnes. Un dirigeant d'une entreprise du Fortune 100 nous a confié que son entreprise mesure la « diversité des intentions » : le nombre de cas d'usage différents auxquels les collaborateurs appliquent un outil d'IA donné. C'est un meilleur indicateur de l'apprentissage réel, car il montre si les collaborateurs élargissent leur compréhension des domaines où l'IA est réellement utile, et non simplement s'ils cliquent plus souvent sur l'outil.

Les organisations transformatrices savent qu'aucun indicateur unique ne raconte toute l'histoire de l'IA. Elles évaluent les initiatives d'IA selon cinq dimensions différentes en moyenne, 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 l’afficher, puis de s’en désintéresser. Elles la révisent régulièrement, expliquent pourquoi elle existe et l’appliquent lorsque quelqu’un l’enfreint. Seuls 60 % des travailleurs affirment avoir lu la politique d’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, exposé pour le conseil d’administration, ignoré par tous ceux qui ont du vrai travail à faire.

Les organisations transformatrices définissent aussi qui est autorisé à construire et à déployer des agents d’IA. Sans cette ligne tracée, on obtient une prolifération d’agents — trois équipes différentes ont construit trois bots différents pour faire la même chose, deux d’entre eux tournent sur des données que l’entreprise n’a jamais validées, et personne ne se souvient de qui a approuvé quoi que ce soit.

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 d'IA » se résume à peine à une compilation de leurs contrats existants avec des fournisseurs technologiques. Si elles travaillent avec Microsoft, elles ajoutent Microsoft Copilot. Vous êtes équipé de Salesforce ? Ajoutez Einstein. Vous payez déjà pour Google Workspace ? Bienvenue dans Gemini.

Il s'agit d'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 traîne déjà au fond de la poubelle, attendant que quelqu'un lui trouve un problème auquel l'associer. C'est ainsi que se déroulent la plupart des stratégies d'IA. L'entreprise achète un outil d'IA à un fournisseur existant, ou en obtient un intégré à un contrat qu'elle possède déjà, puis part à la recherche d'endroits où l'utiliser. L'outil vient en premier, le problème vient ensuite.

Les organisations transformatrices inversent l'ordre. Elles commencent par le travail avant de commencer par les achats. Elles cartographient les endroits où les employés sont bloqués dans des tâches ingrates à faible valeur, où les clients ne cessent d'être frustrés, et où les transmissions échouent systématiquement. Ensuite, elles choisissent des outils qui résolvent ces problèmes. Les employés de ces organisations sont bien moins susceptibles de dire que les fournisseurs existants limitent leur stratégie d'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 ce à quoi ressemble le succès. Les employés des organisations transformatrices sont près de deux fois plus susceptibles de décrire leurs déploiements d'IA comme collaboratifs avec les fournisseurs (78 % contre 44 %).

Cela fait partie de ce qui alimente l'essor des forward-deployed engineers, des personnes dont le métier consiste à faire fonctionner l'IA au sein des organisations qui l'achètent réellement. 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 s'est à elle seule engagée à en recruter 1 000. En mai 2026, OpenAI a lancé une société de déploiement de 4 milliards de dollars et a racheté le cabinet de conseil en IA Tomoro, ajoutant instantanément 150 forward-deployed engineers 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 de la manière dont les personnes qui font le travail les utilisent réellement.

Le contexte d'entreprise est la couche située entre les données brutes et la réponse exploitable. C'est ce qui indique à un système quel fichier correspond à la version actuelle réelle 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 tombe en panne, et ce que « T3 » signifie dans votre entreprise cette semaine par rapport au trimestre précédent.
‍
Lorsque le contexte fait défaut, ce sont les employés qui comblent le vide. Ils font passer du travail dans des outils non approuvés, dissimulent leur utilisation et exécutent la même requête sur plusieurs plateformes, en espérant que l'une d'elles finisse par produire quelque chose d'exploitable. Dans nos données, nous considérons comme « riches en contexte » les employés qui déclarent que les informations dont ils ont besoin pour faire leur travail sont accessibles via leurs outils d'IA, et comme « pauvres en contexte » ceux qui affirment le contraire. L'écart entre les deux groupes est frappant.

La transformation par l'IA est perturbatrice. Les rôles évoluent. Certains disparaissent complètement. Et lorsque les entreprises invoquent l'IA dans leurs licenciements, la peur s'enracine plus profondément : 73 % des employés craignent que leur propre poste soit le prochain sur la liste.

L'impact des licenciements ne s'arrête pas lorsque les employés licenciés quittent les locaux. Les recherches sur les « survivants des licenciements » montrent que les réductions d'effectifs accroissent l'insécurité de l'emploi, érodent la confiance envers la direction et augmentent les intentions de départ parmi les personnes qui restent. Lorsque l'IA est citée comme la raison, les employés commencent à optimiser leur comportement pour se protéger plutôt que pour exercer un jugement attentif : ils vont vite, cachent la manière dont ils utilisent l'IA, et font passer un travail auquel ils ne font pas pleinement confiance. Beaucoup commencent à chercher la sortie. Dans les organisations qui ont cité l'IA lors de licenciements, 62 % des employés sont activement à la recherche d'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 globale toutes fonctions confondues ainsi qu'une fonction de référence (la plus ou la moins performante 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 tous secteurs confondus et un secteur de référence (le plus ou le moins performant sur cette dimension). Les différences de quatre points de pourcentage ou plus sont statistiquement significatives à p<,05.