Comment l’IA change les critères d’évaluation des dirigeants

L’IA change ce que les dirigeants seniors doivent prouver. Pendant vingt ans, l’historique opérationnel aidait un dirigeant à inspirer confiance pour les 12 mois à venir, car l’expérience accumulée signalait une capacité à reconnaître des schémas et à juger dans l’incertitude. L’IA affaiblit ce raccourci. Les jeunes talents techniques font face à une exigence tout aussi élevée : les dirigeants doivent toujours construire avec l’IA, évaluer ce qu’elle produit et convaincre une organisation de changer.

Cette exigence crée une pression aux deux extrémités du pipeline de direction. Les dirigeants expérimentés de la transformation savent peut-être faire évoluer les processus, la technologie et les personnes tout en ayant peu d’expérience directe du déploiement de l’IA, tandis que les jeunes profils bâtisseurs maîtrisent peut-être la technologie mais ont peu d’expérience pour gagner la confiance à l’échelle d’une organisation. JC Christian, du cabinet de recherche de dirigeants Christian & Timbers, affirme que les mêmes considérations fondamentales qui comptaient il y a 20, 10 ou 50 ans restent pertinentes. Comme Christian travaille dans la recherche de dirigeants, son évaluation vient d’une activité directement impliquée dans la manière dont les entreprises évaluent et pourvoient les postes de direction.

La question du recrutement est de savoir dans quelle mesure l’expérience ou l’aisance avec l’IA mérite, à elle seule, de la crédibilité. L’expérience doit se traduire dans l’exécution actuelle, tandis que la maîtrise technique doit se traduire en jugement et en résultats organisationnels. Cette combinaison change ce que les entreprises doivent examiner dans le recrutement, la promotion, la planification de succession et le développement du leadership.

L’IA change ce qui constitue une preuve au niveau dirigeant

L’expérience tirait une partie de sa valeur du fait que le jugement dans l’incertitude est difficile à enseigner et difficile à simuler sur une longue carrière. Un dirigeant ayant traversé suffisamment de cycles économiques pouvait apporter une reconnaissance des schémas et une connaissance institutionnelle que d’autres dans la pièce n’avaient pas. L’historique accumulé donnait donc aux employeurs une base rationnelle pour accorder le bénéfice du doute. La rareté renforçait cette crédibilité, car une grande partie des connaissances et de leur interprétation pertinentes résidait chez un nombre relativement restreint de personnes.

L’IA modifie la valeur probante de cet historique en donnant aux dirigeants davantage de moyens de travailler directement avec des informations et des systèmes spécialisés. L’expérience passée a donc moins de poids pour se substituer à des preuves de ce qu’un dirigeant peut faire aujourd’hui. Un dirigeant peut toujours s’appuyer sur des années de travail de transformation, tandis que les employeurs peuvent de plus en plus demander ce que ce dirigeant a réellement construit, déployé et changé avec l’IA. L’expérimentation et le déploiement donnent aux entreprises des preuves plus actuelles à examiner.

La même exigence de preuves actuelles s’applique à la maîtrise technique. Une personne capable de produire un travail impressionnant avec l’IA peut démontrer de l’initiative et une capacité d’action technique tout en donnant à un employeur peu d’éléments prouvant qu’elle peut convaincre un responsable financier, un responsable des opérations ou un directeur d’unité métier d’adopter un processus différent. Le travail de direction inclut cette étape organisationnelle, car un système techniquement réussi crée une valeur business limitée si les personnes refusent de l’utiliser. La capacité technique n’établit donc qu’une partie de la crédibilité d’un dirigeant.

Ce signal partiel conduit à une norme plus exigeante pour les deux groupes. Les entreprises ont besoin de dirigeants suffisamment proches de l’IA pour comprendre et orienter ce qui est en train d’être construit, avec assez de jugement pour décider si c’est utile et assez d’influence organisationnelle pour changer la manière dont le travail est effectué. Les observations de Christian en recherche de dirigeants offrent une manière de tester la première partie. Il commence par demander à un candidat d’expliquer son propre travail.

Le premier test consiste à vérifier si un dirigeant a réellement construit avec l’IA

Christian commence par le problème qu’un dirigeant a essayé de résoudre. Il demande aux candidats de décrire un problème qu’ils ont résolu grâce à l’IA et considère les 30 premières secondes comme un baromètre de leur compréhension réelle du travail. « La plupart des gens ne savent même pas décrire correctement le problème lui-même, encore moins s’approcher d’une solution », dit-il. Un candidat incapable de définir précisément le problème donne à Christian une raison de remettre en question tout ce qui suit.

Une fois le problème clarifié, Christian passe à ce que le dirigeant a construit et au niveau de compréhension qu’il en a. Une pratique concrète de l’IA signifie être suffisamment proche du travail pour relier le problème business initial au système créé pour y répondre. Les dirigeants de la transformation peuvent répondre à cette exigence grâce à une implication étroite dans la mise en œuvre. Ils doivent être assez impliqués pour expliquer en termes concrets ce qui a été construit.

Cette explication mène au déploiement, car un système d’IA opérationnel devient significatif pour une entreprise lorsqu’il entre dans la manière dont les gens travaillent. Christian recherche des modèles intégrés dans les workflows et des agents appliqués aux processus métier ; un agent est un système d’IA utilisé pour exécuter ou coordonner des tâches en vue d’un objectif. Il demande ensuite ce qui a changé après le déploiement. La séquence est concrète : définir le problème, expliquer la construction, montrer son usage dans un workflow et identifier le changement qui en a résulté.

Un produit d’IA grand public, à lui seul, constitue une preuve bien plus faible. « Je parle à des gens qui disent : nous venons de commencer à utiliser Copilot et maintenant nous sommes AI native », raconte Christian. Sa réponse est explicite : « Et là, c’est non, malheureusement. Vous êtes tout au début de la courbe d’adoption rendue possible par l’IA. » Pour le recrutement, la distinction compte, car l’accès à un outil prouve peu qu’un dirigeant a repensé le travail autour de cet outil ou produit un résultat significatif.

Christian applique la même focalisation sur les résultats lorsqu’il évalue les preuves au niveau de l’entreprise. Les entreprises cotées sont impatientes de parler des retours de l’IA, et il part du principe que certaines déclarations publiques peuvent être agressives, tandis qu’une absence totale de résultats l’inquiète davantage. « Si nous ne nous vantons absolument de rien, c’est généralement un signal d’alerte », dit-il. Pour un dirigeant dont le périmètre couvre spécifiquement le déploiement, il en tire une implication personnelle : « Si vous êtes responsable du déploiement de l’IA dans une entreprise et qu’elle n’a aucun ROI lié à l’IA, il devient très difficile d’affirmer que votre rôle y a été un succès. »

Ce test par les résultats oriente l’évaluation des dirigeants vers un travail démontrable. Un historique de trois transformations menées peut rester pertinent, car il apporte des preuves sur la conduite de changements difficiles, mais les employeurs disposent désormais d’une question de suivi plus précise : qu’a réellement changé le candidat dans cette transformation ? Les preuves de mise en production ne répondent qu’à une partie de la question, car un système techniquement opérationnel peut encore échouer là où se crée la valeur organisationnelle. Le test suivant est l’adoption.

Construire ne devient précieux que lorsque les personnes adoptent ce qui a été construit

Christian situe la partie la plus difficile de la transformation par l’IA au-delà du travail technique initial. « L’adoption est en réalité le plus gros problème », dit-il. « La technologie est un problème plus simple. Il est plus solvable. » De nombreux rôles de transformation consistent à changer la manière dont une organisation fonctionne, et des dirigeants curieux qui restent proches de la technologie peuvent en apprendre assez pour travailler efficacement avec les outils. Amener une organisation à modifier des comportements établis exige un autre ensemble de capacités.

Ces capacités comptent parce que l’adoption détermine si le travail technique devient de la valeur business. Un système d’IA peut résoudre le problème technique visé et malgré tout créer une valeur insuffisante si les parties prenantes conservent leurs workflows existants. La résistance peut rendre le résultat pire qu’un simple effort de développement gaspillé, car un processus perturbé peut imposer ses propres coûts. Comme le dit Christian, sans adhésion, « l’adoption va être chaotique. Vous n’obtiendrez aucune valeur, peut-être même une valeur négative. »

Ce problème d’adoption explique une décision récurrente que Christian entend chez ses clients. « Beaucoup de dirigeants disent : “J’ai un petit génie d’une vingtaine d’années qui manque totalement de gravitas et d’expérience de transformation, mais qui a construit toutes ces choses formidables et connaît le mieux l’IA.” Et je me demande : est-ce que je le promeus et en fais mon vice-président de l’adoption de l’IA, ou est-ce que je cherche à l’extérieur ? » Le candidat apporte une preuve directe de sa capacité à construire. La question non résolue est de savoir si cette preuve s’étend à la conduite du changement entre fonctions.

Le changement transverse soulève un problème de confiance pour un bâtisseur qui passe directement au leadership. L’adoption de l’IA demande souvent à des dirigeants établis de modifier les processus de leur équipe, d’accepter des systèmes peu familiers et parfois de reconsidérer la répartition des responsabilités. L’expertise technique seule ne confère pas la légitimité organisationnelle nécessaire pour emporter ces décisions. Christian a donc vu de jeunes bâtisseurs très solides être placés dans des postes de chief of staff ou de numéro deux aux côtés de dirigeants plus chevronnés, afin d’associer une capacité directe en IA à l’expérience de la navigation dans une organisation.

Cet appariement met aussi en lumière une faiblesse dans la manière dont les entreprises décrivent parfois le versant expérimenté de l’équation. Des termes comme « gravitas » et « executive presence » sont subjectifs, de sorte que des évaluations fondées en grande partie sur le ressenti peuvent reproduire les préférences des titulaires en place quant à l’apparence et à la manière de s’exprimer attendues d’un dirigeant senior. Les jeunes bâtisseurs en IA peuvent ainsi être écartés sur la base de critères ayant peu de lien avec leur capacité réelle à faire le travail. Si l’influence organisationnelle est la capacité qui compte, les entreprises peuvent la tester plus directement.

Le test direct consiste à vérifier si une personne peut convaincre des dirigeants sceptiques de changer la manière dont leurs équipes travaillent. Un candidat capable d’amener un responsable financier, un responsable des opérations ou un directeur d’unité métier réticent à traverser une décision d’adoption a démontré quelque chose d’observable. Cette preuve capture l’influence plutôt que le vernis et donne aux employeurs un moyen d’évaluer le leadership du changement sans traiter la familiarité avec les codes établis de la direction comme la capacité elle-même. Les candidats expérimentés peuvent être évalués à l’aune des mêmes preuves.

L’expérience reste utile dans ce test, car une personne qui a fait traverser à plusieurs reprises des transformations difficiles à des organisations a peut-être appris à instaurer la confiance, à gérer des incitations concurrentes et à travailler à travers les processus, les personnes et la technologie. Cet historique laisse toutefois les capacités actuelles en IA à démontrer : identifier un problème d’IA utile et rester suffisamment proche du déploiement pour comprendre ce qui change. Les jeunes bâtisseurs font face au manque inverse lorsque la production technique dépasse l’expérience de leadership transverse. Les deux profils arrivent donc au même rôle avec des preuves différentes restant à fournir.

Ces écarts suggèrent une séquence pour évaluer la crédibilité. D’abord, un dirigeant identifie le problème business avec une précision suffisante pour construire en réponse. Ensuite, le dirigeant reste assez proche du travail d’IA qui en résulte pour en juger la qualité et les conséquences, puis convainc les autres d’adopter le changement produit. Chaque étape génère les preuves nécessaires à la suivante, réduisant la dépendance à l’ancienneté ou à de grandes déclarations de maîtrise.

Le jugement devient crucial dans cette séquence, car l’adoption peut rendre un système faible lourd de conséquences. Un dirigeant doit décider si une recommandation générée par l’IA mérite d’orienter un workflow, si un résultat est suffisamment fiable et à quel moment un succès technique apparent masque un problème business. Un accès plus large à l’information peut soutenir ces décisions, mais une production plus rapide par l’IA peut aussi rendre plus facile le fait de sauter l’examen attentif. Cette tension change la valeur de la connaissance elle-même.

À mesure que la connaissance rare devient moins coûteuse, le jugement prend plus de valeur et devient plus facile à négliger

Brandon Sammut, chief people and AI transformation officer chez Zapier, a vu ce que la rareté de la connaissance peut faire à une organisation. Son périmètre le place directement au cœur des changements organisationnels créés par la transformation par l’IA. Dans une entreprise précédente, deux ingénieurs étaient les seules personnes à comprendre une partie de l’architecture produit. « En conséquence, ils étaient pratiquement intouchables », explique Sammut.

Cette dépendance imposait un coût aux ingénieurs autant qu’à l’organisation. « Ce n’est pas particulièrement sain ni très efficace pour quiconque dans cette équation », dit Sammut. Lorsque des connaissances essentielles sont concentrées entre les mains de quelques personnes, ces personnes gagnent en protection mais peuvent aussi se retrouver piégées dans un travail qu’elles seules savent accomplir. Sammut voit l’IA comme un accélérateur de la démocratisation de la connaissance amorcée avec internet, rendant davantage d’expertise accessible au-delà des personnes qui la détenaient auparavant.

Un accès plus large change les capacités auxquelles Sammut s’attend à voir attribuer davantage de valeur. Il identifie le jugement, le discernement, la fiabilité, le sens des responsabilités, la redevabilité et la capacité d’influencer sans autorité comme des qualités de plus en plus précieuses. Ces capacités déterminent ce qu’une personne fait d’une connaissance accessible et si les autres peuvent se fier au résultat. Les tests de recrutement de Christian répondent à une autre question, à savoir quelles preuves un candidat peut montrer ; les deux perspectives opèrent donc à des niveaux différents plutôt que d’exiger la même explication.

Un accès plus large peut aussi créer davantage d’occasions de développer le jugement, car les idées peuvent être testées beaucoup plus vite. À titre d’illustration plutôt que comme constat mesuré, prenons un problème qu’une personne n’aurait auparavant rencontré qu’une douzaine de fois sur plusieurs années : l’IA peut permettre à cette personne de le mettre à l’épreuve de dizaines de façons en un après-midi. Davantage de répétitions peuvent exposer un dirigeant à des alternatives, des objections et des conséquences à un rythme bien plus élevé. Cette exposition accélérée peut développer le jugement lorsque la personne évalue réellement ces résultats.

Cette opportunité s’accompagne d’un problème de revue. Tony Castellanos, executive vice president of people chez Nextdoor, aborde la question depuis un rôle de direction des personnes dans lequel le travail généré par l’IA affecte la manière dont les individus et les organisations fonctionnent. « J’ai essayé de lire la plupart des documents qui me sont parvenus, mais honnêtement, ils arrivent à un rythme tellement rapide », dit-il. La capacité de génération peut donc croître plus vite que la capacité de revue, permettant à la productivité apparente d’augmenter alors que chaque affirmation ou décision individuelle reçoit moins d’examen.

Les succès répétés créent une autre pression, car la confiance modifie le comportement de revue. Castellanos décrit le processus ainsi : « Vous avez une nouvelle recrue, vous ne faites pas automatiquement confiance à tout ce qu’elle fait, mais avec le temps elle livre, elle a raison, et vous lui faites de plus en plus confiance, tout comme vous allez faire de plus en plus confiance à un LLM », LLM désignant ici le grand modèle de langage qui produit le résultat. À mesure que la confiance s’accumule, dit-il, « lorsqu’ils vous envoient des choses à relire, à auditer, à vérifier, vous en faites probablement de moins en moins avec le temps ». La fiabilité peut donc affaiblir l’habitude de vérifier le système qui paraît fiable.

Castellanos illustre cette progression avec l’hypothèse de six mois de travail avec un modèle, de validation de ses résultats et d’exercice répété du jugement. Des succès durables augmenteraient raisonnablement la confiance, mais cette confiance peut réduire la fréquence à laquelle l’humain effectue les vérifications par lesquelles ce jugement s’exerçait. L’IA peut donc accroître les occasions d’exercer le jugement tout en encourageant les utilisateurs à examiner une part plus faible de ses résultats. Un volume de production élevé constitue une preuve faible au niveau dirigeant lorsque le processus de décision derrière cette production devient moins exigeant.

Pour rétablir l’examen critique, Castellanos propose un désaccord productif sans exiger qu’un humain vérifie chaque résultat de l’IA pour toujours. Il appelle à un « troisième sceptique », potentiellement un autre système d’IA, qui remette en question la relation entre l’utilisateur et le modèle auquel l’utilisateur a appris à faire confiance. Lorsque deux systèmes sont en désaccord, l’humain a une raison de réexaminer les hypothèses et les preuves. Le désaccord compte parce qu’il force une décision réelle au lieu de laisser la confiance accumulée trancher automatiquement la question.

Ce désaccord ramène la décision au dirigeant : « Quel est le bon choix ? Quelle est la bonne chose pour moi ? Quelle est la bonne chose pour mon organisation ? » Le challenger indépendant peut remplir son rôle simplement en mettant au jour une décision devenue automatique et en obligeant l’humain à assumer le résultat. L’humain doit toujours décider de ce qu’il accepte. La redevabilité reste donc du ressort du dirigeant même lorsque l’IA participe à plusieurs niveaux de l’analyse.

Cette redevabilité complique l’exigence de preuves concrètes de pratique de l’IA. Les entreprises ont besoin de dirigeants capables de montrer qu’ils ont construit et déployé de vrais systèmes, alors même que l’IA rend de plus en plus facile la production de résultats à l’apparence sophistiquée. Les mêmes outils peuvent devenir suffisamment dignes de confiance pour que les utilisateurs renoncent progressivement aux occasions de remettre en question leurs résultats. L’évaluation des dirigeants doit donc distinguer la production par l’IA du jugement qui gouverne ce qui entre dans un workflow, ce qui est contesté et ce qui finit par orienter une décision.

Christian s’attend à ce que l’aisance avec l’IA elle-même devienne moins distinctive à mesure que la technologie se diffuse. Il compare sa trajectoire probable à celle de la culture financière : une capacité qui peut sembler inhabituelle parmi les candidats à des postes de direction aujourd’hui peut devenir une attente de base ordinaire. Une fois ce stade atteint, dire qu’un dirigeant travaille aisément avec l’IA communiquera relativement peu. Des preuves plus utiles viendront de la manière dont ce dirigeant décide qu’un résultat est juste, qu’il est faux, quelles conséquences comptent et ce que l’organisation doit faire ensuite.

Les systèmes de recrutement mesurent encore les indicateurs indirects d’hier

Si le jugement et l’adoption ont davantage de poids probant, les systèmes de sélection des dirigeants doivent les faire apparaître. Les plans de succession, les critères de promotion, les programmes de leadership, les responsabilités P&L et les longs parcours d’apprentissage fonctionnel ont été largement conçus pour récompenser l’expérience accumulée et créer des preuves qu’une personne a opéré à des niveaux croissants de responsabilité. Ces mécanismes peuvent encore développer des dirigeants utiles, mais le contact direct avec le déploiement de l’IA doit être examiné séparément. Ajouter l’aisance avec l’IA à une checklist existante laisse intact le problème d’évaluation sous-jacent.

Les systèmes d’entretien montrent le même décalage. Christian dit que de nombreux processus d’entretien pour dirigeants restent centrés sur des questions comportementales familières, des formules pour extraire des exemples et, au final, les intuitions des intervieweurs, alors même que les entreprises se demandent quelles nouvelles questions pourraient identifier les capacités qu’elles recherchent désormais. Le jugement intuitif devient particulièrement problématique lorsqu’il se transforme en évaluation de l’« executive presence », car les impressions subjectives peuvent masquer la capacité concrète sous-jacente. Les preuves de définition du problème, de déploiement et d’influence organisationnelle donnent aux intervieweurs une matière plus précise à évaluer.

Pour les candidats expérimentés, ces preuves impliquent des questions plus approfondies sur ce qu’ils ont déployé. Une familiarité générale avec les modèles ou les outils de productivité fournit peu d’informations sur leur capacité à identifier un problème business approprié, à rester proches de la mise en œuvre, à évaluer le résultat et à conduire l’adoption. De nombreux postes de transformation par l’IA sont centrés sur le changement organisationnel, l’ingénierie constituant une discipline distincte. Les dirigeants ont néanmoins besoin d’une proximité suffisante avec le travail pour comprendre ce qui s’est passé et assumer la responsabilité des décisions qui l’entourent.

Pour les jeunes bâtisseurs, la preuve correspondante concerne le leadership organisationnel. La solidité technique peut soutenir une promotion vers un rôle d’adoption, tandis que l’influence doit encore être démontrée auprès de parties prenantes sceptiques, par la confiance et par des comportements modifiés entre fonctions. La « gravitas » conventionnelle donne aux entreprises un indicateur indirect subjectif de ces capacités, de sorte qu’un comportement observable est plus utile. Lorsque l’expérience transverse directe reste limitée, associer un bâtisseur solide à un dirigeant chevronné dans un rôle de chief of staff ou de numéro deux est une manière de développer cette preuve plutôt que de traiter cet appariement comme un design organisationnel universel.

Le développement du leadership suit le même déplacement probant, car l’IA élargit les espaces de problèmes dans lesquels les dirigeants peuvent intervenir. Castellanos s’attend à ce que l’expertise reste importante tandis que les personnes utilisent l’IA pour accéder à des connaissances qui restaient auparavant confinées à une fonction, et le récit de Sammut montre comment une information concentrée peut façonner le statut et la dépendance organisationnelle. Un accès plus large accroît la valeur de la redevabilité, de la fiabilité, du jugement et de l’influence, car quelqu’un doit toujours décider quoi faire de cette information. Ces décisions doivent ensuite résister au contact avec l’organisation.

Cette exigence change ce que les signaux de leadership familiers peuvent établir. L’ancienneté peut montrer qu’une personne a survécu à des décisions difficiles, l’aisance avec l’IA peut montrer qu’une personne comprend de nouveaux outils importants, et l’influence organisationnelle peut montrer que d’autres sont prêts à la suivre. Les systèmes de recrutement et de promotion peuvent transformer ces signaux en tests observables en demandant aux dirigeants de définir un problème, d’expliquer ce qu’ils ont construit, de défendre les jugements qu’ils ont portés et de montrer comment ils ont changé les comportements. Les preuves qui en résultent viennent du travail que le dirigeant peut expliquer et assumer.

Points clés

• Tester la preuve au niveau dirigeant à travers le travail actuel avec l’IA : Les équipes de recrutement et de succession peuvent demander aux candidats de définir le problème business, d’expliquer ce qu’ils ont construit, de montrer comment cela est entré dans un workflow et d’identifier le changement qui en a résulté. Cela fait de l’exécution actuelle un complément plus solide à l’historique de carrière.
• Traiter l’adoption comme une preuve de leadership : Les bâtisseurs en IA prouvent leur préparation à des fonctions de direction lorsqu’ils peuvent convaincre des parties prenantes sceptiques de modifier des workflows établis. Les entreprises qui évaluent des talents techniques pour des rôles seniors peuvent tester directement l’influence transverse plutôt que de s’appuyer sur des mesures subjectives comme l’executive presence.
• Protéger le jugement à mesure que les résultats de l’IA s’accélèrent : Un accès plus rapide à l’expertise accroît la valeur du jugement, de la redevabilité et de la fiabilité tout en augmentant le volume de travail nécessitant une revue. Les organisations peuvent introduire des challengers IA indépendants ou d’autres mécanismes de revue pour faire émerger les désaccords et maintenir les décisions importantes sous contrôle humain.
• Reconstruire le recrutement autour de capacités observables : Les systèmes d’entretien, de promotion et de développement du leadership peuvent tester la définition du problème, le déploiement concret de l’IA, la qualité de la décision et l’influence organisationnelle. Ces mesures donnent aux entreprises des preuves plus solides de préparation à mesure que l’aisance avec l’IA devient une compétence de base pour les dirigeants.