Le plus difficile commence quand l’IA fonctionne

La semaine dernière, un groupe de CHRO à Atlanta s’est réuni pour discuter du ROI lié au déploiement de l’IA à l’échelle de leurs entreprises. La discussion est passée du ROI à des questions plus difficiles : quels problèmes justifient un investissement dans l’IA, que devient la capacité créée par l’IA, et à partir de quand l’accumulation de changements dans les tâches impose-t-elle une refonte du poste. Une utilisation réussie de l’IA crée donc un nouvel ensemble de décisions managériales sur le travail.

Ces décisions comptent parce qu’un gain de productivité n’a pas d’issue organisationnelle prédéterminée. Les dirigeants peuvent transformer la capacité libérée en davantage de production, en responsabilités différentes ou en une baisse des recrutements futurs, et ils peuvent faire de la productivité d’une équipe performante une attente de performance plus large. Chaque choix exige un jugement sur les postes, les conditions opérationnelles et l’accès. La question pour l’année à venir est de savoir si les systèmes de management peuvent prendre de bonnes décisions à mesure que l’IA commence à fonctionner à grande échelle.

D’abord, apprendre à choisir des problèmes qui valent la peine d’être résolus

Avant que les dirigeants ne soient confrontés à ces décisions en aval, ils doivent trouver des applications qui valent la peine d’être poursuivies. Kia Painter, récemment partie à la retraite après 28 ans chez Cox Communications, où elle occupait en dernier lieu le poste de chief people officer, a proposé une séquence précise. Les dirigeants doivent identifier le problème métier, comprendre son workflow, repenser le processus, puis déterminer où l’IA a sa place.

Cette séquence change ce que signifie la compétence en IA pour un manager parce qu’utiliser un outil ne représente qu’une partie du travail. Le manager doit examiner comment le travail circule, repérer où du temps se perd ou où la qualité se dégrade, et déterminer si l’IA peut améliorer sensiblement le résultat. Le seul succès technique ne suffit pas à établir la valeur métier lorsque le problème sous-jacent a peu de valeur.

La nécessité de ce jugement est également apparue quelques semaines avant le dîner d’Atlanta, lorsque l’organisateur a mené un sondage informel dans la newsletter AI Signal sur les raisons pour lesquelles les managers souhaitaient davantage de formation à l’IA pour leurs équipes. La principale raison était l’incertitude quant aux cas d’usage qui comptaient vraiment. Comme le sondage était informel, il signale le problème plutôt qu’il ne fournit une preuve générale sur les employeurs, mais il met en lumière une distinction importante. Apprendre à utiliser l’IA et apprendre où l’appliquer sont deux compétences différentes.

Cette distinction est importante parce que les formations classiques à l’IA apprennent souvent aux personnes à rédiger des prompts, résumer des documents et générer du contenu. Ces exercices développent une familiarité, tandis que le jugement sur les cas d’usage métier exige de relier une intervention technologique à une perte significative de temps ou de qualité dans un workflow existant. Les entreprises peuvent former des utilisateurs de l’IA de plus en plus à l’aise, alors même que leurs managers peinent encore à identifier un travail qui mérite d’être transformé.

Angela Cheng-Cimini, CHRO au Chronicle of Philanthropy, a décrit un modèle d’apprentissage construit autour de ce problème. Son organisation prévoyait de recueillir auprès des employés des difficultés du quotidien, d’en sélectionner plusieurs ayant une large applicabilité, puis d’organiser de courts hackathons pour y répondre. Les employés partiraient d’un travail qu’ils comprennent et utiliseraient l’IA pour résoudre un problème concret, faisant ainsi de la sélection du problème une partie intégrante du processus d’apprentissage.

Un employé avait déjà suivi ce schéma de manière indépendante lorsque des demandes répétitives de factures ont commencé à inonder une boîte de réception du service client. L’employé a créé un agent pour les traiter. La séquence est claire dans cet exemple : un problème observable dans le workflow est apparu en premier, et la décision d’utiliser un agent a découlé de la compréhension de ce travail.

Le jugement sur les cas d’usage pourrait par conséquent être une capacité organisationnelle plus rare que la simple maîtrise de l’utilisation des outils. Il établit aussi la première discipline nécessaire pour obtenir des retours significatifs sur l’IA : les dirigeants doivent choisir un travail qui en vaut la peine. Une fois qu’une application réussit, la discipline suivante commence, car le management doit décider ce que ce changement doit devenir.

Un gain de productivité crée de la capacité ; à la direction de décider ce que devient cette capacité

Un cas d’usage réussi crée de la capacité lorsque l’IA supprime du travail administratif ou réduit les délais de cycle. Le management doit alors décider où va cette capacité, car le temps économisé ne choisit pas à lui seul sa finalité organisationnelle. Cette destination détermine à la fois le retour obtenu et ce que l’on attendra ensuite des employés.

Le temps libéré peut soutenir plusieurs choix opérationnels. Les dirigeants peuvent augmenter la production, améliorer le service, éviter certains recrutements futurs, élargir les responsabilités des employés ou rétablir un travail que d’autres exigences avaient relégué au second plan. Le même nombre d’heures économisées pourrait produire des résultats sensiblement différents, ce qui signifie que la réduction initiale du temps ne peut pas, à elle seule, trancher la question du ROI.

Cette distinction est devenue explicite lors de la discussion sur les effectifs à Atlanta. Painter s’est souvenue d’un DAF non nommé demandant si l’IA pouvait réduire les coûts de main-d’œuvre. Sa réponse a ramené l’analyse au travail lui-même, en examinant l’IA à travers le modèle opérationnel et la conception du travail avant de formuler des hypothèses sur la main-d’œuvre.

Partir du travail change la séquence d’une décision sur les effectifs, car les dirigeants identifient d’abord quelles activités ont disparu ou se sont accélérées. À partir de là, ils peuvent déterminer ce que les activités restantes exigent des employés et quelles responsabilités pourraient utiliser la capacité libérée. L’économie du travail découle ensuite d’une décision opérationnelle fondée sur la manière dont le travail a changé.

Une fois que le management oriente le temps économisé vers une production plus élevée, des responsabilités élargies ou un niveau de service différent, le rôle de l’employé dans la création de valeur change avec lui. Le succès de l’IA crée donc un problème managérial de second ordre : les organisations doivent transformer cette capacité en un choix opérationnel explicite. Des choix répétés de ce type finissent par affecter la conception même du poste.

Quand suffisamment de tâches changent, c’est le poste lui-même qui a changé

Ces choix de capacité s’accumulent au niveau du poste. Kesi Dorner, AGM of Human Resources à la Metro Atlanta Regional Transit Authority (MARTA), a évoqué la possibilité de regrouper un travail actuellement réparti entre des postes RH spécialisés dans des rôles plus larges de business partner. La refonte du travail pilotée par l’IA peut donc modifier les frontières entre les rôles autant que la vitesse des tâches individuelles.

Ces frontières peuvent commencer à évoluer presque invisiblement, car chaque ajustement peut être minime. Une tâche disparaît, une autre devient plus rapide, l’activité routinière se contracte, et le travail restant exige davantage de jugement. De nouvelles responsabilités peuvent alors remplir la capacité libérée par l’IA, modifiant progressivement à la fois ce qu’un employé fait et les capacités que l’organisation attend.

Parce que les changements s’accumulent, aucune étape isolée n’a besoin de paraître transformationnelle. La question clé est cumulative : à partir de quand suffisamment de changements dans les tâches, le jugement et les responsabilités signifient-ils que l’organisation a affaire à un poste différent ? Lorsque cette question a été posée au groupe de CHRO à Atlanta, elle est restée sans réponse.

Cette question sans réponse est importante pour la conception de la main-d’œuvre, car il n’existe peut-être aucun pourcentage universel défendable de tâches automatisées ou modifiées permettant de déterminer quand un rôle doit être reconstruit. Un poste combine des responsabilités, des compétences requises et un jugement attendu ; les dirigeants doivent donc surveiller la manière dont ces éléments évoluent ensemble. La discussion d’Atlanta a mis au jour une décision que les organisations doivent prendre sans imposer une fausse précision à l’endroit où se situe cette frontière.

Cette frontière a des conséquences directes pour les RH, car l’architecture des postes pilote d’autres systèmes de management. Les descriptions de poste doivent refléter le travail réellement effectué par les employés, les exigences de compétences doivent correspondre à ce que le travail exige désormais, et la rémunération comme les parcours de carrière doivent correspondre au rôle qui en résulte. Les attentes de performance deviennent elles aussi peu fiables lorsqu’elles continuent de décrire un poste dont le contenu a substantiellement changé.

L’adoption incrémentale rend ce décalage facile à créer. Les dirigeants peuvent introduire un changement lié à l’IA à la fois tout en laissant formellement intact le rôle existant, alors même que le travail routinier se contracte et qu’un jugement plus conséquent prend sa place. Les employés peuvent finir par effectuer un travail différent sous une ancienne conception de poste, avec une rémunération, une progression et une évaluation toujours liées à des hypothèses antérieures au changement.

Des rôles plus larges, comme le modèle de business partner évoqué par Dorner, rendent cette conséquence concrète. Combiner un travail auparavant spécialisé élargit l’éventail des responsabilités portées par un employé et peut modifier les compétences nécessaires pour réussir. À ce stade, le gain d’efficacité est devenu un changement organisationnel, car le management a redéfini qui est responsable de quoi.

Ce seuil non défini limite aussi ce que les métriques de déploiement peuvent apprendre aux dirigeants. Les organisations peuvent être capables de mesurer qu’une tâche est devenue plus rapide tout en manquant encore d’un processus pour décider à partir de quand ces changements mesurés invalident la conception du poste qui l’entoure. Cette décision devient de plus en plus importante à mesure que les entreprises passent d’usages isolés de l’IA à des attentes appliquées à l’ensemble des équipes.

Un projet pilote solide établit des preuves dans des conditions spécifiques

La même attention portée aux conditions s’applique lorsque les dirigeants passent d’un poste ou d’une équipe à des attentes à l’échelle de l’entreprise. Si une équipe devient plus productive grâce à l’IA, son nouveau niveau de production peut sembler un candidat évident à une norme plus large. Avant de l’utiliser ainsi, les dirigeants doivent avoir la certitude que le gain perdurera, que le travail ailleurs est suffisamment similaire et que les employés disposent d’un accès comparable à la technologie.

Ces vérifications comptent parce que la performance d’un projet pilote peut dépendre fortement de conditions locales. Une équipe peut disposer d’un workflow structuré, de données propres, d’un manager qui comprend la technologie et de suffisamment de temps pour permettre aux employés d’expérimenter. Une autre fonction peut ne pas disposer de ces conditions, de sorte que copier l’objectif de productivité observé peut dissocier l’attente de l’environnement qui l’a produite.

Le passage à l’échelle commence donc par la compréhension des raisons du succès du projet pilote. Les dirigeants doivent distinguer les éléments qui peuvent être standardisés de ceux qui dépendent du travail, de la main-d’œuvre ou du profil de risque d’une fonction, puis coordonner l’investissement et la gouvernance nécessaires pour reproduire ce qui est transférable. Une mise en œuvre réussie devient une preuve à l’échelle de l’entreprise dans la mesure où les conditions pertinentes peuvent voyager avec elle.

Painter a décrit comment Cox Communications a abordé cette coordination avec son responsable IA. Ils ont élaboré une feuille de route de l’état cible reliant les décisions technologiques au futur modèle opérationnel de l’entreprise. Cette feuille de route replaçait les choix individuels en matière d’IA dans le contexte de la manière dont l’organisation entendait faire fonctionner le travail plus tard, donnant aux déploiements une destination organisationnelle commune.

Cette feuille de route était associée à un conseil IA transverse réunissant les RH, la technologie, la finance et le juridique. Ces fonctions coordonnaient l’investissement et la gouvernance autour des priorités métier au lieu d’accumuler indépendamment leurs propres outils et projets. Le passage à l’échelle couvre simultanément plusieurs formes de responsabilité : la technologie détermine la faisabilité, la finance doit comprendre l’investissement et les retours, le juridique participe à la gouvernance, et les RH portent une grande partie de l’impact sur les postes et les personnes.

La coordination transverse fixe aussi une limite utile aux affirmations sur la productivité. Les preuves issues d’un projet pilote solide étayent une conclusion sur ce cas d’usage dans ses conditions particulières. Les hypothèses de productivité ou d’effectifs à l’échelle de la main-d’œuvre exigent des preuves supplémentaires montrant que le travail pertinent et les conditions facilitatrices sont suffisamment comparables.

Cette exigence devient particulièrement importante lorsque les standards de performance suivent la technologie. Un gain local peut être durable et transférable, mais les managers doivent établir ces propriétés avant de traiter la production obtenue comme une référence pour d’autres équipes. Sinon, l’organisation peut intégrer les avantages d’un environnement dans les attentes imposées à des employés travaillant dans un autre.

Les standards de performance sont défendables lorsque les dirigeants tiennent compte de conditions d’accès à l’IA inégales

Les différences entre ces environnements incluent l’accès à l’IA elle-même. Les participants à la discussion d’Atlanta ont décrit des employés recevant des outils différents selon leur fonction, leur budget ou la politique de l’entreprise. Certains travailleurs complètent l’accès fourni par l’employeur en payant eux-mêmes des outils d’IA et en les utilisant chez eux ou sur des appareils personnels, tandis que d’autres employés ne peuvent pas le faire.

Ces différences d’accès deviennent pertinentes pour la gestion de la performance dès lors que l’IA affecte sensiblement la production ou la qualité. Kara Miller, ancienne vice-présidente du talent, de l’apprentissage et de la transformation de la main-d’œuvre chez Visa, a évoqué le cas de deux employés confrontés au même standard de production alors que l’un dispose d’un outil plus performant. Toute différence de performance observée devient alors ambiguë, car elle peut refléter la capacité de l’employé, l’environnement créé par l’employeur, ou une combinaison des deux.

Cette ambiguïté va au-delà d’une évaluation immédiate, car l’accès affecte aussi l’apprentissage. Les rôles bénéficiant d’un accès plus large à l’IA peuvent offrir aux employés davantage d’occasions de développer des compétences en IA dans le cadre du travail quotidien, et ces occasions accumulées peuvent influencer le développement et la mobilité de carrière. Une organisation qui utilise une performance influencée par l’IA comme preuve de capacité individuelle doit donc comprendre comment l’accès a façonné la possibilité de développer et de démontrer cette capacité.

Tenir compte de ces conditions n’exige pas que chaque employé reçoive des outils identiques. Le groupe de CHRO a convenu qu’une uniformité universelle n’était pas nécessaire. La responsabilité managériale commence lorsque les différences d’accès affectent sensiblement les standards utilisés pour juger les personnes. Les dirigeants doivent savoir à partir de quand la fonction, le budget ou la politique ont suffisamment modifié les conditions pour qu’une comparaison de production ne puisse plus étayer clairement la décision de personnel en cours.

La productivité et l’équité deviennent par conséquent deux dimensions d’une même question managériale. Une fois qu’un niveau de production rendu possible par l’IA entre dans les attentes de performance, les dirigeants doivent établir si les employés disposaient de conditions capables de soutenir ce standard. Les décisions d’évaluation, de développement et de mobilité dépendent de cette distinction.

La maturité IA dépend d’une capacité managériale distribuée

Vers la fin de la soirée à Atlanta, le groupe a examiné ce qui devrait changer au cours de l’année à venir pour que les dirigeants aient le sentiment d’avoir compris comment déployer l’IA à grande échelle. Leurs réponses se sont concentrées sur un jugement distribué dans toute l’organisation : des dirigeants capables de parler de la technologie avec une certaine aisance, des employés qui comprennent l’usage responsable, des managers capables d’identifier des applications pertinentes, et des décisions plus claires sur l’accès. Dans cette vision, la maturité dépend de la capacité des différents niveaux de l’organisation à prendre les décisions que l’usage de l’IA crée.

Cette définition fixe une barre plus haute que l’adoption, car le simple fait que les employés utilisent l’IA ne constitue que le début du problème managérial. L’organisation a aussi besoin de personnes ayant suffisamment de jugement pour relier l’IA à un travail qui en vaut la peine et prendre des décisions sur ses conséquences dans différentes conditions opérationnelles. L’aisance, l’usage responsable et les décisions d’accès comptent parce que le passage à l’échelle transforme des choix technologiques locaux en décisions managériales récurrentes.

Certaines de ces décisions resteront des questions de jugement plutôt que des seuils fixes. Les entreprises ne disposent pas encore d’un seuil universel pour déterminer à partir de quand l’accumulation de changements dans les tâches constitue un nouveau poste, tandis que des décisions d’accès défendables n’exigent pas de donner à tout le monde une technologie identique. La prochaine étape de la maturité de l’IA dépend donc de la capacité des dirigeants à faire ces choix opérationnels de manière délibérée à mesure que le travail évolue sous leurs pieds.

Principaux enseignements pour les dirigeants

• Choisir des problèmes qui valent la peine d’être résolus : Les managers doivent relier l’IA à des pertes précises de temps, de qualité ou de service dans un workflow avant de sélectionner un outil. La formation doit développer le jugement sur les cas d’usage en parallèle de l’aisance technique.
• Décider où va la capacité créée par l’IA : Les gains de productivité créent des choix en matière de production, de service, de responsabilités et de recrutements futurs. Les équipes de management doivent définir l’usage prévu de la capacité libérée avant de traduire les gains d’efficacité en hypothèses sur la main-d’œuvre.
• Repenser les postes à mesure que les changements de tâches s’accumulent : L’automatisation répétée et les changements de workflow peuvent modifier suffisamment les responsabilités, les compétences et le jugement pour créer un poste différent. Les RH et les dirigeants opérationnels doivent revoir l’architecture des postes, la rémunération, les parcours de carrière et les attentes de performance à mesure que ces changements s’accumulent.
• Déployer à l’échelle les conditions à l’origine des projets pilotes réussis : Un projet pilote solide établit ce qui a fonctionné dans un environnement particulier. Les équipes transverses doivent identifier quels workflows, outils, données et conditions de management ont produit le gain avant d’appliquer ailleurs ses attentes de productivité.
• Aligner les standards de performance sur l’accès à l’IA : Les différences dans les outils d’IA et les possibilités de les utiliser peuvent affecter la production, le développement des compétences et la mobilité de carrière. Les RH et les dirigeants métier doivent tenir compte de ces conditions lorsque la productivité rendue possible par l’IA influence l’évaluation et l’avancement.
• Développer la capacité managériale dans toute l’organisation : La maturité de l’IA dépend d’un jugement distribué sur les cas d’usage, l’usage responsable, l’accès et l’évolution du travail. Les organisations ont besoin de managers capables de prendre ces décisions de manière cohérente à mesure que l’IA passe de déploiements isolés à des opérations de routine.