L’IA fait gagner du temps si le travail évolue avec elle

L’adoption de l’IA est différente de la refonte du travail

Le déploiement de l’IA peut faire gagner du temps tout en laissant à l’organisation des décisions plus difficiles à prendre : quelles tâches les machines doivent exécuter, où les personnes doivent conserver leur jugement, qui reçoit l’autorité d’agir sur la base de nouvelles informations, et à quoi doit servir la capacité dégagée. Rebecca Hinds, directrice du Work AI Institute chez Glean, articule l’adoption de l’IA autour de ces décisions. Son institut étudie comment l’IA transforme les personnes et les organisations, et la question centrale qu’elle pose aux dirigeants est simple : « Comment utiliser l’IA pour améliorer le travail ? » Glean commercialise des technologies d’IA pour le lieu de travail, et l’entreprise bénéficie donc commercialement lorsque les organisations étendent les usages productifs de l’IA.

Hinds aborde cette question sous l’angle du comportement organisationnel. Elle a obtenu une licence, un master et un doctorat à Stanford et explique que sa carrière s’est concentrée sur la manière dont les technologies collaboratives et émergentes transforment les organisations. Depuis quinze ans, dit-elle, elle travaille avec des organisations du monde entier sur les dysfonctionnements de la collaboration, notamment les réunions qui consomment un temps et une énergie excessifs. Son récent best-seller, Your Best Meeting Ever, couvre une grande partie de ce travail sur les réunions et la collaboration.

Au cours des sept dernières années, Hinds explique que son attention s’est de plus en plus portée sur l’IA, qu’elle considère à la fois comme un changement organisationnel et comme un déploiement technologique. Cela fait de la conception du travail le problème de management à résoudre : « Que faut-il automatiser avec l’IA ? », « Que faut-il augmenter avec l’IA ? », « Qu’est-ce qui doit rester profondément humain ? » et « Que ferons-nous du temps gagné ? » Chaque question attribue un rôle à la technologie et aux personnes. Ensemble, les réponses déterminent si un gain d’efficacité modifie réellement la manière dont l’organisation fonctionne.

Le premier bénéfice consiste à décider où va le temps gagné

La quatrième question devient concrète au niveau managérial, car une grande partie du travail des managers consiste à coordonner. Hinds affirme que les managers qu’elle décrit comme très performants dans l’usage de l’IA délèguent 32 % de travail de coordination en plus à l’IA. Ce transfert crée une capacité que les managers peuvent affecter ailleurs. Hinds s’intéresse à ce qu’ils en font.

La séquence visée va du transfert du travail de coordination vers l’IA, au temps récupéré par les managers, puis à l’utilisation délibérée d’une plus grande partie de ce temps au service des personnes. Hinds cite le coaching et le mentorat comme exemples de tâches où l’implication humaine reste particulièrement précieuse. Elle mentionne aussi l’aide au développement des compétences en IA des employés, de sorte qu’une partie de la capacité créée par l’IA puisse être réinvestie dans l’amélioration de la manière dont les personnes utilisent la technologie elle-même. Les heures gagnées deviennent précieuses lorsque le management leur assigne une destination.

Cette destination exige une décision managériale, car l’automatisation ne peut pas décider quelle responsabilité négligée mérite davantage d’attention. Un manager qui consacre moins de temps à coordonner le travail dispose de plusieurs façons d’utiliser cet écart, et le choix dépend des besoins de l’équipe. Le framework de Hinds fait de l’allocation du temps une partie intégrante du déploiement lui-même. La question opérationnelle devient alors ce que l’organisation veut que les managers fassent davantage une fois que la coordination de routine leur en demande moins.

Le coaching et le mentorat permettent ensuite de préciser ce que Hinds entend par un travail qui doit rester profondément humain. Son framework distingue les tâches transférables des activités où le jugement humain et le développement des personnes sont centraux, puis utilise l’automatisation pour créer de la capacité au profit de ces dernières. Cette distinction change la manière dont les dirigeants devraient évaluer l’efficacité, car récupérer du temps n’est qu’un résultat intermédiaire. Le résultat organisationnel dépend de la manière dont cette capacité est réaffectée.

De meilleures informations issues de l’IA peuvent échouer si personne n’a l’autorité d’agir dessus

La réaffectation de capacité traite le travail existant, mais l’IA peut aussi produire des informations que les rôles existants n’ont jamais été organisés pour exploiter. Hinds explique que des recherches qu’elle a menées avec des collègues ont montré que l’IA peut entrer en conflit avec des organigrammes statiques. Les algorithmes de détection de motifs peuvent identifier des relations qui traversent les départements et d’autres catégories organisationnelles. Une structure hiérarchique figée peut alors laisser une découverte importante entre plusieurs personnes dont chacune n’a une responsabilité formelle que sur une seule partie du sujet.

Cet écart transforme la découverte d’informations en question d’autorité, car quelqu’un doit avoir le mandat de répondre au-delà de ces mêmes frontières lorsque l’IA met au jour une relation utile entre des silos organisationnels. Les rôles existants peuvent attribuer à plusieurs personnes la responsabilité de certains éléments du problème tout en laissant floue l’autorité sur l’ensemble. Hinds soutient qu’il peut donc être nécessaire de recomposer les rôles humains afin qu’une personne puisse agir sur les connexions identifiées par le système.

Cette recomposition est importante, car une meilleure analyse a une valeur limitée lorsque la structure de décision empêche l’action. Une organisation peut déployer largement l’IA et générer des insights transverses tout en conservant des frontières de poste conçues autour d’anciens flux d’information. L’adoption peut alors avancer plus vite que la conception organisationnelle. Les dirigeants doivent examiner les droits de décision et les frontières des rôles en même temps que les workflows lorsque l’IA commence à détecter des relations entre fonctions.

Ces constats transverses influencent aussi le choix des technologies, car les outils eux-mêmes peuvent devoir couvrir plusieurs fonctions. Hinds soutient que les organisations devraient envisager des outils qui fonctionnent entre les fonctions, car l’adoption de l’IA traverse les lignes fonctionnelles. Elle décrit également les organisations les plus performantes comme renforçant la relation entre les RH et l’IT. Ce rapprochement découle du travail en jeu : les décisions IT sur l’IA affectent les rôles, la confiance, la culture et les pratiques quotidiennes que les RH et la direction métier pilotent également.

Une fois les fonctions devenues plus perméables, la même logique peut changer la manière dont les équipes sont constituées. Hinds s’attend à ce que l’IA fasse émerger des employés en fonction de leurs compétences, de leur disponibilité et de leurs ambitions de carrière lorsqu’un projet a besoin de renfort. Ces signaux peuvent aller au-delà des relations représentées par un organigramme classique. Un employé disposant de l’expertise et de la capacité adéquates pourrait devenir visible pour un projet même si cette personne se situe ailleurs dans la hiérarchie formelle.

Cette visibilité élargie répond à une limite du staffing fondé sur les relations hiérarchiques. Les compétences pertinentes, la capacité disponible ou les ambitions d’un employé peuvent rester invisibles lorsque la structure formelle enregistre avant tout une position organisationnelle. Les employés dont les attributs utiles n’apparaissent pas dans cette structure peuvent par conséquent passer à côté de travaux pour lesquels ils seraient pourtant adaptés. Le staffing fondé sur l’IA, tel que Hinds le décrit, intégrerait ces signaux supplémentaires dans la décision de savoir qui exécute le travail.

À mesure que le staffing devient plus réactif à ces signaux, Hinds estime néanmoins que la hiérarchie conservera une utilité. Elle s’attend à ce que les organigrammes deviennent plus flexibles et représentent de plus en plus l’endroit où les personnes et les responsabilités se situent formellement, tandis que le staffing des projets répondra plus directement au travail à accomplir. Hinds prévoit des changements importants dans ce sens au cours des cinq prochaines années. Cette évolution découle du problème d’autorité mis en évidence dans ses recherches sur les silos : des signaux plus riches font des lignes hiérarchiques une description moins complète de qui devrait effectuer un travail donné.

Pour les dirigeants, le résultat va au-delà du simple choix d’un nouveau cas d’usage de l’IA, car l’information et l’autorité doivent se rejoindre. L’IA peut révéler des relations que l’organisation ne voyait pas auparavant, mais quelqu’un doit toujours disposer de l’autorité, de la capacité et de la définition de rôle nécessaires pour agir. La refonte du travail s’étend donc à la structure organisationnelle elle-même. De meilleures informations ont une valeur limitée lorsque la responsabilité formelle s’arrête à la frontière que ces informations traversent.

Le jugement humain compte là où l’IA paraît plus capable qu’elle ne l’est

L’autorité structurelle résout le problème de savoir qui peut agir, mais elle ne permet pas d’établir si un système d’IA comprend suffisamment la situation pour étayer la décision. Hinds identifie comme mode d’échec le fait d’obtenir un travail apparemment soigné ou finalisé qui est en réalité insuffisant, à mesure que les équipes utilisent plus largement l’IA. Elle identifie aussi des tâches pour lesquelles le jugement humain reste nécessaire. Dans les deux cas, l’apparence constitue une base fragile pour décider du niveau de responsabilité à confier à un système.

Hinds propose plutôt d’ancrer la confiance dans le contexte : dans quelle mesure l’IA comprend la personne concernée, la situation et l’historique qui sous-tend la décision. Une réponse fluide ou assurée peut coexister avec un manque de contexte, de sorte que la qualité de surface ne permet pas d’établir si le système comprend suffisamment pour porter un jugement aux conséquences importantes. L’exigence contextuelle augmente avec les enjeux de la décision. La confiance devient donc un choix de conception du workflow lié à ce que le système doit savoir.

Ces enjeux s’étendent déjà à des décisions majeures sur le lieu de travail. Hinds affirme que l’IA est entrée dans les décisions d’embauche, de licenciement et d’évaluation de la performance, et elle indique que 29 % des travailleurs sont à l’aise avec l’idée que l’IA licencie des collègues humains. Ce chiffre montre le niveau de responsabilité en jeu lorsque les organisations décident du degré de jugement à déléguer. Pour les décisions qui affectent matériellement l’emploi d’une personne, le test contextuel de Hinds place au centre de la conception la compréhension, par le système, de la personne, de la situation et de l’historique.

La délégation s’étend aussi aux contextes collaboratifs où l’IA peut représenter un employé. Hinds indique qu’une réunion sur six reçoit désormais un « jumeau numérique » à la place d’une personne. Cette représentation crée sa propre exigence contextuelle, car un système agissant à la place d’un employé doit disposer d’informations suffisantes pour représenter ce qui compte dans ce contexte. Le risque augmente lorsque l’apparente exhaustivité de la participation du système dépasse ce qu’il sait réellement de la personne et de la situation.

Cet écart entre capacité apparente et compréhension suffisante explique aussi pourquoi le « Botsitting » est une préoccupation utile à distinguer d’une supervision humaine productive. Le terme suggère un problème de productivité dans lequel les personnes passent le temps nouvellement gagné à superviser l’IA, tandis que les exemples de Hinds établissent un besoin concret d’examiner un travail à l’apparence soignée et de préserver le jugement humain pour certaines tâches. Les dirigeants peuvent répondre à ce besoin en définissant le contexte et le niveau de revue qu’une tâche exige avant d’attribuer la responsabilité à l’IA. Le problème de conception consiste à déterminer jusqu’à quel point le workflow peut déléguer en toute sécurité.

Utiliser l’IA de manière intensive pour découvrir sa valeur et ses limites

Décider de cette frontière à l’avance peut être difficile, c’est pourquoi Hinds propose une période d’expérimentation délibérément agressive. Sa « AI Immersion Week » demande à une équipe de se lancer « à fond » dans l’IA pendant une semaine entière et encourage les personnes à l’utiliser pour chaque tâche, grande ou petite. L’objectif est diagnostique. Un usage large donne à une équipe des preuves sur les points où l’automatisation et l’augmentation apportent de l’aide dans des tâches que les employés ne testeraient peut-être jamais autrement.

La première étape de l’exercice est la découverte, car les membres de l’équipe étendent l’IA à l’ensemble de leur éventail de travail. Cet usage plus large peut révéler des applications utiles au-delà des cas d’usage les plus évidents. Hinds soutient que les hypothèses des personnes sur l’IA peuvent limiter l’expérimentation avant même que la technologie elle-même ne le fasse. Les personnes interagissent différemment avec le même outil selon le modèle mental qu’elles lui appliquent, de sorte que les dirigeants doivent façonner ces modèles mentaux de manière délibérée.

Une fois que cet usage élargi révèle des réussites inattendues, le même exercice peut aussi mettre au jour des limites significatives. Un usage intensif fait ressortir les tâches pour lesquelles l’IA fonctionne mal, y compris des résultats qui semblent soignés mais échouent à un examen plus attentif, ainsi que les tâches pour lesquelles le jugement humain reste nécessaire. Hinds qualifie la valeur de l’exercice de « double », car les réussites comme les échecs apportent des informations. Un échec identifie les points où la pensée critique et l’implication humaine doivent rester dans le workflow.

Une semaine d’immersion utilise donc une adoption extensive comme une expérience plutôt que comme la mesure finale du succès. Pendant cette semaine, l’usage large aide les équipes à classer le travail selon ce qui peut être automatisé, ce qui bénéficie de l’augmentation et ce qui exige encore un contrôle humain. Ces observations donnent aux dirigeants une base pour tracer des frontières opérationnelles. L’expérimentation devient un input de la conception du travail.

Cette finalité diagnostique donne aussi aux responsables de la mise en œuvre un rôle concret après l’expérimentation. Une équipe doit examiner ce qui a changé dans chaque tâche : où l’IA a créé une capacité utile, où elle a amélioré le travail d’une personne, et où un contexte ou un jugement insuffisants ont rendu le résultat inadéquat. La direction doit ensuite convertir ces observations en attentes pour les workflows futurs. Le modèle mental que les dirigeants encouragent doit faire du déploiement utile et de l’examen critique des éléments normaux du travail avec l’IA.

L’IA peut aussi repenser ce qui se passe avant que les personnes n’entrent dans la salle

La catégorie de l’augmentation devient plus précise dans la propre pratique de réunion de Hinds, car l’IA peut transformer la préparation avant la discussion de groupe. Elle cite des recherches antérieures montrant que les équipes produisent de meilleures idées lorsque les personnes formulent d’abord leur réflexion de manière indépendante avant le début d’une discussion collective. Le mécanisme tient à l’ordre dans lequel les personnes pensent et parlent. Une voix précoce ou forte peut orienter immédiatement la discussion vers une « pensée de groupe » avant que les autres participants n’aient pleinement développé leur position.

L’IA peut créer une étape privée avant cette interaction de groupe. Une personne peut développer une idée, la remettre en question et préparer une position avant de s’y engager publiquement en réunion. Cette séquence peut compter particulièrement pour les participants plus discrets, dont les idées pourraient autrement être écrasées par les premières voix dans une discussion ouverte. Le bénéfice potentiel vient du changement du moment où la réflexion a lieu et du niveau de préparation des participants lorsque l’interaction de groupe commence.

Hinds utilise l’IA de cette manière avant les réunions en lui demandant de jouer le rôle d’un évaluateur adversarial ou contradicteur. Elle lui soumet une proposition et lui demande d’argumenter contre cette proposition, d’identifier son hypothèse la plus fragile ou d’adopter une position que personne dans la réunion n’est susceptible de défendre. Cette pratique laisse le jugement final à la personne tout en utilisant l’IA pour élargir la réflexion qui le précède. Dans ce workflow, l’augmentation transforme l’étape de préparation afin que l’humain entre en réunion avec une position davantage éprouvée.

Points clés à retenir pour les dirigeants

• Réinvestissez le temps économisé par l’IA : Les managers qui délèguent le travail de coordination à l’IA ont besoin d’un plan délibéré pour la capacité récupérée. Orientez-la vers un travail humain à forte valeur ajoutée, comme le coaching, le mentorat et le développement des compétences en IA des employés.
• Alignez l’autorité sur les insights de l’IA : L’IA peut faire émerger des relations qui traversent les lignes hiérarchiques existantes et les frontières fonctionnelles. Les organisations doivent ajuster les droits de décision, les rôles et le staffing des projets afin que quelqu’un ait l’autorité d’agir sur ces constats.
• Adaptez l’autonomie de l’IA au contexte : Un résultat fluide ne prouve pas que l’IA comprend la personne, la situation ou l’historique derrière une décision. Les responsables des workflows ont besoin d’une revue humaine plus forte à mesure que les exigences de contexte et les conséquences augmentent, en particulier pour les décisions liées à l’emploi.
• Utilisez une expérimentation intensive pour fixer les limites : Une période d’immersion dans l’IA peut révéler des applications utiles, des résultats faibles et des tâches qui exigent encore un jugement humain. Les équipes de mise en œuvre peuvent utiliser ces constats pour décider quel travail automatiser, augmenter ou garder sous contrôle humain.
• Utilisez l’IA pour améliorer la réflexion avant les réunions : Les employés peuvent utiliser l’IA comme évaluateur contradicteur pour tester des hypothèses et développer des idées de manière indépendante avant la discussion de groupe. Cette préparation peut élargir les perspectives et réduire l’influence des voix précoces ou dominantes.