Pourquoi la gouvernance de l’IA doit dépasser les comités

L’adoption de l’IA dépasse l’organisation censée la gouverner

D’ici mi-2026, l’IA s’est invitée à l’ordre du jour de tous les conseils d’administration, tandis que la responsabilité de ce qui se passe après le déploiement reste bien moins clairement établie. La direction privilégie souvent la rapidité, la certitude et les annonces d’initiatives, en laissant les détails de mise en œuvre pour plus tard, tandis que les fournisseurs ayant des produits à vendre renforcent l’urgence en avertissant qu’hésiter, c’est prendre du retard. Les workflows des entreprises se réorganisent déjà autour des systèmes d’IA, si bien que l’écart se creuse entre l’adoption technique et les décisions sur qui répond des conséquences.

Cet écart est revenu à plusieurs reprises au printemps dans des échanges avec des praticiens, des universitaires, des psychologues du travail et des organisations, des conseillers en rémunération et des responsables RH. Plus d’une douzaine de témoignages recueillis lors de quatre conférences au trimestre précédent ont montré des équipes juridiques confrontées à l’évolution des réglementations sur l’IA d’un État à l’autre, des concepteurs présentant des systèmes de plus en plus autonomes, et des responsables des ressources humaines demandant qui est responsable lorsque ces systèmes échouent. Les salons fournisseurs ont ajouté des démonstrations soignées et des arguments commerciaux adaptés au public, renforçant l’idée que les capacités techniques et la responsabilité opérationnelle peuvent être présentées de façons très différentes.

Ces pressions font d’une infrastructure de gouvernance plus étoffée une réponse intuitive de la part des dirigeants, mais le problème opérationnel s’étend plus profondément dans l’organisation. Quelqu’un doit relier ce que font les systèmes d’IA à la responsabilité, aux transitions de la main-d’œuvre, à la performance et à la confiance des employés. La gouvernance technique peut établir des contrôles et les comités peuvent assurer une supervision formelle, mais les opérations quotidiennes ont toujours besoin de personnes et de mécanismes qui mettent ces contrôles en pratique.

La responsabilité opérationnelle exige des mécanismes sous-jacents à la gouvernance

Les risques techniques connus montrent déjà pourquoi les frameworks ont besoin de mécanismes opérationnels en dessous d’eux. La fondatrice d’un fournisseur de gouvernance de l’IA affirme que son organisation a recensé environ 1 600 catégories de risques liés à l’IA et dispose de mesures d’atténuation pour environ 85 % d’entre elles. Son entreprise vend de la gouvernance de l’IA, donc une reconnaissance plus large de ces risques soutient la demande pour la catégorie qu’elle sert ; même selon ses chiffres, des centaines de catégories connues restent sans réponse. Dans le même temps, les entreprises passent de systèmes qui génèrent des recommandations à des agents capables d’agir, alors qu’une grande partie de leurs mécanismes de gouvernance a été conçue pour examiner des recommandations.

Les agents changent ce que les dirigeants doivent gouverner, car une action autonome peut devenir un événement opérationnel avant même qu’un comité ne la voie. Lorsqu’un humain examine une recommandation générée par l’IA, il existe un point de décision explicite avant qu’une conséquence ne s’ensuive, alors qu’un agent peut agir sans ce point de contrôle. La plupart des entreprises travaillent encore à partir de frameworks conçus autour de l’examen de recommandations, alors même qu’elles mettent des agents au travail ; la supervision en temps réel, c’est-à-dire l’observation et le contrôle des systèmes pendant leur fonctionnement, devient donc une composante de la gouvernance.

Le même décalage apparaît dans la confiance. Les programmes d’entreprise expriment de plus en plus la confiance à travers des audits de sécurité et des garanties sur les systèmes, alors que la confiance des employés dépend aussi du fait qu’ils comprennent comment l’IA affecte leurs responsabilités, leurs évaluations et leur carrière. Les contrôles de sécurité traitent une partie du déploiement ; le comportement et le jugement des employés en affectent une autre, car les personnes doivent toujours travailler avec les systèmes.

La supervision formelle est déjà suffisamment répandue pour mettre en évidence la différence entre l’attention institutionnelle et la responsabilité directe :

Ces structures ont toujours besoin de mécanismes qui fonctionnent lorsque les comités sont absents. Un comité ne sera pas présent pour une décision prise en une fraction de seconde à 2 heures du matin ; son mandat doit donc s’appuyer sur des personnes capables d’intervenir pendant le fonctionnement et d’assumer ensuite la responsabilité. Vittoria Reimers de Juniper Squared recommande de dépenser dix fois plus pour les personnes que pour le comité ; Juniper Squared a un intérêt commercial à ce que les organisations investissent dans les personnes et le travail organisationnel qu’elle accompagne. En pratique, de nombreux budgets d’entreprise inversent de fait ce ratio, en consacrant une énergie importante aux structures de gouvernance tout en investissant beaucoup moins dans les personnes censées piloter la transition.

L’écart d’investissement devient plus clair lorsque la gouvernance technique et la gouvernance de la main-d’œuvre sont traitées comme des composantes d’un même système opérationnel. Les concepteurs disposent de méthodes détaillées pour améliorer la fiabilité des systèmes, tandis que les spécialistes de la main-d’œuvre disposent de méthodes détaillées pour aider les personnes à s’adapter. Les organisations ont besoin de mécanismes qui relient ces disciplines : supervision en temps réel, surveillance des points de jonction dans la stack humaine, systèmes de redéploiement pour les travailleurs dont le travail disparaît, et une personne clairement désignée comme responsable de ce que les agents ont déjà fait.

Ces mécanismes définissent le travail qui se situe sous la supervision formelle. Une organisation doit pouvoir retracer une action de l’IA dans un workflow, déterminer quelles personnes et quels résultats business elle modifie, identifier qui peut intervenir pendant que le système fonctionne, et établir qui porte ensuite la responsabilité des conséquences. La supervision formelle peut fixer des limites, tandis que l’autorité opérationnelle rend ces limites effectives pendant le travail lui-même.

Les données sur la main-d’œuvre montrent le coût de la couche manquante

La main-d’œuvre rend concret le problème de calendrier, car le déploiement progresse plus vite que la refonte des rôles. Brandon Hall Group a constaté que 65 % des organisations intègrent activement l’IA dans leurs workflows de base, tandis que moins de 30 % ont redéfini les rôles pour refléter ce changement. Lorsque la technologie modifie un workflow avant que les postes qui l’entourent ne soient repensés, les employés se retrouvent face à un modèle opérationnel dont les hypothèses ne correspondent plus à leur travail. La montée en compétences peut préparer une personne à de nouvelles tâches, mais l’organisation doit encore décider quels rôles existeront et où les personnes déplacées pourront aller.

Saahil Jain de You.com met des chiffres sur ce problème au niveau des processus. You.com vend de l’automatisation par l’IA à des clients entreprises, et bénéficie donc du fait que les entreprises considèrent l’automatisation comme capable de supprimer des volumes importants de travail humain. Lorsque You.com automatise un processus pour un client entreprise, Jain décrit ainsi l’évolution de la main-d’œuvre qui en résulte :

Ces chiffres rendent explicite le problème de destination. Si environ 12 % peuvent évoluer vers la supervision de l’IA tandis que 60 % ne sont plus nécessaires pour le travail d’origine, l’estimation de Jain laisse 48 % des personnes face à une transition que les organisations n’ont généralement pas résolue et évitent souvent d’aborder. La formation à l’IA peut développer les capacités de ces travailleurs, mais une transition exige aussi des rôles réels vers lesquels ces capacités peuvent être redirigées.

Cette estimation au niveau des processus se distingue d’un second changement structurel dans les hiérarchies d’entreprise. Kyle Holm, qui conseille les entreprises sur la rémunération chez Sequoia Consulting Group, décrit les entreprises nativement IA comme adoptant une forme avec des opérateurs expérimentés au sommet, des talents juniors très performants en dessous, et peu de couche intermédiaire dans l’organisation. « These management organizational hierarchies, they’re just gonna go away in a way that I don’t think folks are necessarily ready for », dit Holm. Son observation n’établit pas que les 48 % de Jain sont constitués de managers intermédiaires. Elle montre une pression distincte avec laquelle les programmes de préparation individuels doivent eux aussi composer.

La couche intermédiaire de l’organisation compte, car elle a historiquement assuré la coordination et le développement de carrière. À mesure que cette couche s’amincit, les entreprises peuvent perdre les rôles par lesquels les employés apprenaient, progressaient et reliaient le travail entre les fonctions, même si la main-d’œuvre restante devient plus compétente sur le plan technique. De nombreux programmes de préparation présentent la transition sous l’angle de la capacité individuelle à acquérir des compétences et à s’adapter, alors que les employeurs doivent encore déterminer quels travaux et quelles trajectoires de carrière existeront après l’évolution des workflows.

Le problème de destination fait du redéploiement un intrant de la planification de l’automatisation. Les dirigeants peuvent identifier le processus qu’ils comptent automatiser, identifier les personnes qui y sont rattachées, et créer des rôles réalistes vers lesquels ces employés pourront évoluer. L’ordre est important, car un employé a besoin d’un rôle disponible pour que l’adaptation débouche sur un redéploiement. Lorsqu’un changement de processus supprime une part importante du travail, la planification de l’automatisation et la planification de la main-d’œuvre deviennent une seule et même décision de direction.

Oracle offre un exemple prudent de ce qui se passe lorsque les systèmes entourant des personnes adaptables prennent du retard sur la transition. Oracle comptait presque certainement des employés capables de s’adapter, mais ne disposait apparemment pas d’un système capable de les identifier et de les développer à la vitesse exigée par sa transition. Le mécanisme importe pour les autres employeurs : l’adaptabilité a une valeur opérationnelle limitée lorsqu’une entreprise ne peut pas repérer les bonnes personnes, les relier au travail émergent et les développer assez vite. Une architecture de redéploiement doit assurer ces fonctions avant que le déplacement ne devienne immédiat.

Le recrutement externe est lui aussi sous une pression suffisante pour rendre le remplacement difficile sur le plan opérationnel. Certaines plateformes d’ATS signalent 750 candidats pour une seule offre, tandis que les taux d’examen tournent autour de 2 %. Le fondateur non nommé d’une plateforme de recrutement par l’IA estime qu’un candidat sur quatre est frauduleux ; comme ce fondateur vend une technologie de recrutement, son entreprise bénéficie du fait que les employeurs perçoivent le filtrage des candidatures comme un problème nécessitant de meilleurs outils. Ces chiffres décrivent la pression à l’intérieur des systèmes de recrutement existants et aident à expliquer pourquoi les employeurs ne peuvent pas supposer que des capacités internes déplacées pourront être facilement remplacées par le recrutement externe.

Ensemble, ces effets sur la main-d’œuvre vont bien au-delà d’un programme de formation. L’IA modifie la quantité de travail qu’un processus exige, le travail de supervision qui subsiste, les couches qui soutiennent le développement de carrière, et les systèmes dont les entreprises ont besoin pour déplacer les personnes d’un travail qui disparaît vers un travail émergent. Lorsque l’automatisation précède les décisions sur ces destinations, le choix déterminant pour la main-d’œuvre a déjà été fait.

L’IA change la définition du travail, de la performance et de la confiance

Le même problème de refonte touche les employés dont les postes demeurent, car les personnes et l’IA produisent de plus en plus le travail ensemble. Kamaria Scott, fondatrice et PDG d’Enetic, énonce directement le problème de la performance : « How are you now going to evaluate my performance as a person for work I’m not even doing fully myself anymore? » La réponse détermine ce que les employés chercheront à optimiser et quelles formes de contribution humaine l’organisation continuera de valoriser.

L’usage de l’IA est une mesure de performance particulièrement tentante parce qu’elle est facile à observer. Dès que l’usage devient un objectif, les employés ont une raison de le maximiser, alors même que le volume obtenu dit peu de chose sur leur jugement. Les dirigeants doivent donc décider quelles décisions humaines comptent, comment les résultats assistés par l’IA seront attribués et ce que signifie une bonne performance avant que les systèmes d’évaluation ne se figent autour de l’activité la plus facile à compter.

Définir une bonne performance exige que les dirigeants comprennent comment le travail s’effectue réellement. Les workflows contiennent des décisions informelles et un contexte comportemental que les modèles génériques n’intègrent pas par défaut ; permettre à l’IA de remodeler ces workflows modifie donc aussi les compétences, la psychologie et les systèmes d’apprentissage qui les entourent. Ces conséquences font entrer la fonction RH dans les décisions de mise en œuvre, car elles déterminent comment les employés utilisent la technologie et interprètent son rôle.

La confiance des employés montre ce qui se passe lorsque ces décisions restent floues. Certains travailleurs craignent que l’usage de l’IA soit perçu comme de la triche ou comme la preuve d’un manque d’intelligence, alors même que leur organisation en impose l’usage. Les dirigeants peuvent réduire ce conflit en indiquant ce qui est certain, notamment que l’organisation investit dans l’IA et que certains rôles vont changer, tout en précisant séparément ce qui reste incertain, notamment quels rôles changeront exactement et à quel moment. Des limites claires autour de ce qui est certain donnent aux employés une base plus solide pour décider qu’une ambiguïté prolongée.

Placer l’autorité là où les conséquences de l’IA se produisent réellement

La performance et la refonte de la main-d’œuvre ramènent à la question de la responsabilité, car quelqu’un doit faire ces choix. Dans les échanges avec des professionnels RH lors des conférences, une question revient sans cesse : à qui appartient l’acculturation à l’IA ? Pourtant, aucune réponse cohérente n’émerge selon le secteur, la taille de l’entreprise ou l’évolution des intitulés au sein de la direction générale. La question de la responsabilité devient encore plus déterminante lorsque l’acculturation s’étend à la refonte des workflows, à la transition des employés et à la responsabilité des actions autonomes. Une participation partagée exige malgré tout qu’une personne ait l’autorité de décider et de financer.

Sean McIntire de Pebl a décrit à Transform la situation dominante comme étant « owned everywhere and accountable nowhere ». Pebl opère dans la mobilité de la main-d’œuvre et les services liés à l’emploi, et a donc un intérêt commercial à ce que les entreprises considèrent les opérations transfrontalières de main-d’œuvre et de gestion des personnes comme des problèmes nécessitant une infrastructure dédiée. La formule de McIntire saisit un risque pratique : lorsqu’une action d’IA contestée fait l’objet d’un examen juridique, une implication large n’établit pas qui avait l’autorité de prévenir ou de corriger le résultat. Les organisations ont donc besoin d’une personne nommément désignée, dotée d’un budget et d’une autorité qui soit responsable de ce que leur IA fait aux personnes à l’intérieur comme à l’extérieur de l’entreprise.

Cette autorité donne aussi au CHRO une raison directe de participer aux décisions sur l’IA aux côtés du DSI et du DAF. La mise en œuvre modifie les rôles, les compétences, la psychologie, l’apprentissage et les attentes comportementales ; les choix faits pendant le déploiement déterminent donc les conséquences sur la main-d’œuvre plus tard. Lorsque les RH participent pendant que ces choix sont faits, la gouvernance transverse peut relier le déploiement technique aux effets sur la main-d’œuvre tout en préservant une autorité claire sur le résultat.

Une autorité claire donne ensuite aux capacités de direction familières un point d’application concret. L’empathie, la présence, la réflexion produit, le courage, la patience stratégique, la transparence et la pensée systémique sont des manières de prendre des décisions dans l’incertitude, et l’IA les met à l’épreuve entre le comportement d’un modèle et les personnes, les rôles, les contrôles et les conséquences d’une organisation. Leur valeur pratique apparaît dans les décisions de déploiement, de redéploiement, de performance et de responsabilité.

Le rythme du déploiement limite le temps dont disposent les organisations pour mettre en place ces mécanismes. Les concepteurs continueront à livrer, les modèles continueront à s’améliorer, et les organisations continueront à apprendre à partir de systèmes en production. Les entreprises peuvent intégrer la responsabilité pendant que les workflows sont en cours de refonte, avant que des litiges n’imposent d’établir les responsabilités par voie judiciaire. Les comités peuvent soutenir ce travail, mais l’autorité opérationnelle doit exister là où les conséquences de l’IA se produisent.

Points clés

• Construire une responsabilité opérationnelle sous la gouvernance de l’IA : les comités IA et les contrôles techniques ont besoin d’une supervision en temps réel, de mécanismes d’intervention et d’un responsable désigné ayant autorité sur les actions de l’IA et leurs conséquences.
• Planifier les transitions de la main-d’œuvre avant d’automatiser le travail : l’automatisation des workflows peut supprimer du travail plus vite que les organisations ne redéfinissent les rôles. Les dirigeants business et RH doivent identifier les employés concernés, définir les rôles futurs et financer le redéploiement avant que le déplacement n’ait lieu.
• Redéfinir la performance pour le travail assisté par l’IA : l’IA change la manière dont les employés produisent des résultats et les contributions humaines qui comptent. Les responsables RH ont besoin de systèmes d’évaluation qui récompensent le jugement et les résultats tout en donnant aux employés des attentes claires sur l’usage de l’IA.
• Placer l’autorité là où les conséquences de l’IA se produisent : les décisions liées à l’IA couvrent les fonctions technologiques, main-d’œuvre, juridiques et opérationnelles, ce qui rend une large participation insuffisante pour assurer la responsabilité. Les équipes de direction ont besoin d’un responsable désigné disposant d’un budget et de droits de décision, avec l’implication des CHRO tant que les choix de déploiement sont encore en cours.