Pourquoi les agents IA renforcent le besoin de jugement humain

L’usage de l’IA se diffuse plus vite que les organisations n’apprennent à le gérer

Les équipes marketing peuvent automatiser les tâches de début de carrière sur lesquelles elles comptent ensuite pour former des évaluateurs expérimentés. À mesure que les agents, c’est-à-dire des systèmes d’IA qui exécutent des étapes successives d’une tâche, augmentent la production, les organisations ont toujours besoin de personnes capables d’en évaluer l’exactitude, l’adéquation stratégique et le risque, puis d’approuver le résultat. Supprimer les postes où les personnes développent ce jugement peut créer un problème de capacité aujourd’hui et un problème de relève demain.

Le rapport 2026 State of AI for Business du Marketing AI Institute replace ce problème d’effectifs dans un écart plus large entre l’adoption individuelle et la préparation organisationnelle. Parmi les 2 109 professionnels interrogés, plus de la moitié ont déclaré intégrer l’IA dans leurs workflows ou modifier leur manière de travailler. Environ 25 % des organisations ayant répondu développaient l’usage de l’IA dans le cadre d’une stratégie. Ces mesures décrivent des populations différentes, mais elles montrent pourquoi les dirigeants doivent distinguer l’usage de l’IA par les employés d’un plan organisationnel pour la gérer.

La gestion de cet usage était une préoccupation centrale à MAICON 2026 à Cleveland. Un participant présent depuis la première édition en 2019 s’est souvenu d’environ 300 personnes à l’époque et a indiqué près de 2 000 participants venus de 48 États et de 25 pays lors du dernier événement, organisé au Huntington Convention Center of Cleveland. Les premières années étaient centrées sur la sensibilisation et la terminologie, tandis que le programme 2026 partait du principe que l’usage existait déjà et mettait l’accent sur la conception et l’exploitation de systèmes d’IA. Une formation d’introduction restait proposée avant la conférence principale afin de tenir compte de niveaux d’adoption inégaux.

Mike Kaput, chief content officer de SmarterX, a expliqué ce changement de programme dans une interview préalable à l’événement sur The Agile Brand : « Nous n’avons plus besoin de convaincre qui que ce soit que cela compte », a-t-il déclaré. Paul Roetzer, fondateur et PDG de SmarterX et du Marketing AI Institute, a assuré à la fois les keynotes d’ouverture et de clôture. Leurs organisations ont un intérêt commercial dans la demande de conseils sur l’adoption de l’IA, ce que les lecteurs doivent garder à l’esprit lorsqu’ils examinent leurs recommandations. En clôture, Roetzer a reconnu à quel point il était devenu difficile d’établir une prévision, même à 12 mois : « Cela va être dynamique pour nous tous », a-t-il déclaré.

L’incertitude rend plus important un modèle opérationnel par département, avec des responsabilités convenues, des standards et des processus d’approbation autour de l’usage de l’IA. Cela donne aux équipes un moyen de gérer l’évolution des missions tout en maintenant une responsabilité claire sur les résultats. Les dirigeants doivent aussi répondre à une question d’effectifs : qui peut juger le travail produit, et comment l’organisation formera-t-elle davantage de personnes capables de le faire ?

Les agents peuvent accroître la demande de revue tout en fragilisant le vivier qui fournit les évaluateurs

La demande de revue évolue parce que les agents réduisent le travail de production qui séparait les rôles juniors et seniors. Roetzer a décrit des agents prenant en charge une part importante de la rédaction, de la recherche et de la production, permettant à des employés expérimentés de réaliser des missions auparavant déléguées à des juniors. Les employés juniors peuvent aussi tenter des missions qui exigeaient auparavant davantage d’expérience. Son exemple plaçait l’un ou l’autre groupe à environ 90 % d’achèvement avec l’aide d’agents.

Achever l’essentiel d’une mission laisse malgré tout à quelqu’un la responsabilité de lire le résultat, d’identifier les erreurs, de corriger les faiblesses et de décider s’il faut l’approuver. En marketing, cela inclut le fait de juger si un travail techniquement acceptable sert bien la stratégie visée. Un marketeur junior peut produire un livrable sophistiqué sans savoir quelles hypothèses remettre en question, tandis qu’un employé senior peut produire de manière plus autonome tout en conservant la responsabilité de l’évaluation. La capacité de production et la capacité d’évaluation doivent donc être appréciées séparément.

Kaput a soulevé la même distinction à travers la relation entre la maîtrise des outils et l’expertise marketing. Dans l’échange précédant l’événement, on lui a demandé à partir de quand la connaissance de l’IA devenait plus importante que la connaissance du marketing. Il a répondu qu’il n’existait pas encore de réponse satisfaisante. La maîtrise d’un outil peut aider quelqu’un à mener une mission à bien, mais les dirigeants doivent toujours établir si cette personne comprend pourquoi le résultat est approprié.

Le besoin d’évaluer cette compréhension augmente avec la production. Roetzer a proposé un scénario de production multipliée par dix : si la formation à l’IA permet à une équipe de produire dix fois plus de travail, la charge de revue augmente elle aussi d’un facteur dix. Chaque élément conserve une part finale qui exige une lecture qualifiée, des corrections et une approbation. Dans ce scénario, une production plus rapide accroît la demande pour les personnes qualifiées pour l’approuver.

Une feuille de route agents pour 2027 doit donc identifier les responsables de la revue et réserver leur temps avant que la production n’augmente. Sans ces décisions, les brouillons peuvent s’accumuler plus vite que l’organisation ne peut les approuver, les corrections peuvent devenir incohérentes et le travail peut avancer sans décision qualifiée. L’accent mis par MAICON sur le dépassement des projets pilotes et des preuves de concept, c’est-à-dire de petits tests visant à vérifier si une approche fonctionne, en fait une question immédiate pour le passage à l’échelle. Des standards partagés doivent définir ce qu’est un travail acceptable, tandis que des points de contrôle de revue doivent identifier où une personne doit l’approuver avant qu’il ne progresse.

Ces contrôles répondent à la production actuelle, mais les décisions d’effectifs déterminent aussi qui relira le travail à l’avenir. Les postes de début de carrière ont traditionnellement donné aux personnes une exposition répétée à des missions, des corrections et des conséquences grâce auxquelles elles développent leur jugement. Supprimer ces postes supprime aussi les opportunités d’emploi et le travail de développement qui y est attaché. Les organisations peuvent donc réduire leur futur vivier d’évaluateurs tout en augmentant leur besoin actuel de revue.

La préoccupation de Roetzer en matière de relève s’étend sur cinq à dix ans, période durant laquelle les organisations auront toujours besoin de personnes capables de prendre des décisions de management et de direction. La pression pour réduire les effectifs de début de carrière peut arriver avant que les dirigeants n’aient repensé la manière de préparer ces profils. Roetzer a formulé ce besoin explicitement : « Le framework traditionnel est cassé, et nous devons commencer dès maintenant à réfléchir à la formation de la prochaine génération de travailleurs », a-t-il déclaré. Sa keynote d’ouverture avait soulevé la question de la formation des évaluateurs la veille de la discussion de clôture.

Une refonte peut changer cette issue, car les juniors peuvent utiliser l’IA pour tenter des travaux plus exigeants et en tirer des apprentissages. Les apprentissages en situation peuvent préserver le développement, tandis qu’une automatisation plus simple peut réduire le besoin de vérification. Une pénurie d’évaluateurs ou une génération manquante de marketeurs seniors est donc évitable. Le conflit apparaît lorsque les entreprises augmentent la production et réduisent le processus de développement sans le remplacer.

Repenser le travail de début de carrière pour enseigner le jugement

Préserver le développement exige de faire de l’apprentissage une composante explicite du travail de début de carrière. Kaput propose un modèle d’apprentissage dans lequel des praticiens expérimentés enseignent leur manière de raisonner, d’évaluer et de décider. Il attribue sa propre capacité à évaluer le travail à quinze années d’expérience en agence et en rédaction business. Sa proposition organise le travail des juniors autour de l’acquisition de cette capacité.

Un apprentissage rendrait visible le raisonnement qui sous-tend les corrections. Un employé junior apprendrait la tâche marketing de fond, observerait comment un collègue expérimenté évalue la production d’un agent et examinerait pourquoi certains changements comptent. La supervision expliquerait ce qui rend un résultat stratégiquement utile, ce qui crée un risque inacceptable et quels éléments justifient une approbation. Le brouillon généré par l’agent fournirait à l’apprenti une matière à évaluer, tandis que l’enseignement relierait ces évaluations à leurs conséquences.

L’insistance de Roetzer sur le rôle d’« apprenti » inscrit elle aussi l’apprentissage dans le travail assisté par des agents. Les employés de début de carrière apprendraient le travail lui-même ainsi que la manière de coordonner des agents qui en exécutent certaines parties, tandis que les responsabilités humaines pourraient se concentrer sur ce qui reste le plus intensif en jugement. Il a relié cette contribution humaine à l’amélioration de la technologie : « votre capacité à stimuler votre propre créativité et innovation au sein de votre organisation continue de se renforcer ». Développer cette capacité devient une partie de l’investissement dans les opérations IA.

Pour décider ce que les apprentis doivent apprendre, les organisations doivent distinguer l’analyse des décisions d’action. Le travail descriptif établit les conditions actuelles et les évolutions probables, et l’IA peut réaliser une grande partie de cette analyse. Le travail normatif détermine ce que l’organisation doit faire, ce qui reste une responsabilité humaine. Automatiser l’analyse laisse donc aux personnes la responsabilité de décider comment l’utiliser.

Cette responsabilité exige que la supervision varie selon la tâche et le risque. Le participant de longue date à la conférence a décrit le degré de supervision comme un « curseur » : les équipes peuvent imposer un contrôle plus étroit pour les travaux à fort enjeu et accorder davantage d’autonomie lorsque les conséquences sont limitées. Apprendre à régler ce niveau de supervision fait partie de l’apprentissage de la supervision des agents. Cela suppose de reconnaître quand un résultat apparemment complet exige encore l’attention d’un expert.

Les conséquences d’une erreur dépendent aussi du contexte de l’organisation. Lors de l’une des deux conversations au coin du feu animées par ce même participant, Amanda Todorovich de Cleveland Clinic a évoqué la transition d’une poignée de projets pilotes IA vers une intégration à l’échelle de l’organisation. Le secteur de la santé a été présenté comme un domaine où l’IA restera explicitement identifiée pendant longtemps, car les erreurs peuvent avoir des conséquences importantes. Faire entrer l’IA dans les opérations courantes entraîne donc des obligations durables en matière de supervision.

Ces obligations concernent les employés autant que le travail qu’ils approuvent. L’autre conversation au coin du feu, avec Kate Dobbs, portait sur l’expérience des employés face à l’adoption et sur les responsabilités de direction qui accompagnent l’enthousiasme pour la technologie et l’efficacité. Les décisions relatives aux missions, à la supervision et au développement façonnent directement cette expérience. Un modèle opérationnel doit donc inclure la manière dont les personnes apprennent et dont leur travail évolue à mesure que l’usage de l’IA s’étend.

Choisir l’automatisation la moins complexe qui réponde aux besoins de précision de la tâche

La formation développe les évaluateurs, tandis que la conception du système peut limiter le niveau de vérification qu’une mission exige. Avant d’affecter un agent à une tâche, une équipe doit définir le niveau de précision nécessaire et choisir un mécanisme capable de l’atteindre. Une règle simple peut traiter correctement une tâche étroitement définie. Des mécanismes plus complexes imposent des exigences supplémentaires sur les ressources de calcul et sur les personnes chargées de vérifier leurs résultats.

La progression évoquée à MAICON commence par une règle, qui applique une condition ou une instruction prédéfinie. Un modèle prédictif estime un résultat ou attribue une classification, tandis qu’un modèle génératif produit du contenu. Un agent opérant de manière répétée exécute des actions, examine des résultats intermédiaires et décide de la suite. Chaque étape modifie le comportement que l’équipe doit comprendre et vérifier.

Aller vers des mécanismes plus complexes crée donc deux catégories de coûts : le compute, c’est-à-dire les ressources informatiques utilisées pour faire fonctionner le système, et la vérification. La description par le participant à la conférence du fait de payer « deux fois » faisait référence à ces coûts. Dans cette logique, le mécanisme le plus lourd de la progression crée aussi la plus forte charge de revue. La décision de mise en œuvre consiste à déterminer si un mécanisme répond à l’exigence de précision de la tâche avec un effort de vérification acceptable.

L’effort de vérification fait de l’architecture une décision d’effectifs autant qu’une décision technique. Un système qui exige des contrôles étendus consomme le temps de personnes qualifiées pour les effectuer ; choisir un mécanisme suffisant et moins complexe peut donc réduire la demande avant que l’organisation n’y réponde par le recrutement ou la formation. Certaines sessions de la conférence ont ainsi mis l’accent sur l’adéquation à la tâche plutôt que sur le choix de la technologie la plus récente. Ce choix devient plus important à mesure que les employés jouent un rôle plus grand dans la construction des systèmes.

Les présentations centrées sur la construction ont montré plusieurs formes que cette participation peut prendre. Dan Slagen de Zapier a expliqué comment aider les équipes à passer de l’usage de l’IA à la construction avec elle ; Zapier a un intérêt commercial à ce que les équipes construisent des workflows automatisés. Holly Chen a décrit une large participation à la construction d’agents chez Samsara, offrant un témoignage de l’intérieur d’une entreprise qui investit dans cette adoption. Les deux présentations ont apporté des perspectives organisationnelles à la question de savoir qui construit.

D’autres présentations ont rendu la construction concrète à l’échelle d’une mission marketing. Andy Crestodina a montré comment une mission pouvait devenir un outil réutilisable, tandis que Sandy Carter a évoqué les enseignements tirés de la construction « d’un agent marketing à trois reprises ». À mesure que davantage de marketeurs participent à la conception des systèmes, ils contribuent aussi à choisir la précision requise, le comportement acceptable et la responsabilité de la revue. Des règles de décision partagées aident ces concepteurs à faire des choix cohérents sur le moment où un agent vaut son coût de vérification.

Mesurer la capacité après la revue, et ce que le temps récupéré permet

Un mécanisme approprié peut malgré tout sembler plus efficace qu’il ne l’est si la mesure s’arrête à la production. Kaput a identifié les heures économisées comme un indicateur de départ simple pour un projet pilote, mais comme un objectif final faible. Une équipe peut enregistrer une exécution plus rapide tout en négligeant le travail nécessaire pour rendre le résultat exploitable. Cette omission peut influencer une décision d’extension avant que le coût opérationnel complet ne soit visible.

Le participant à la conférence a appelé cet effort omis la « taxe de revue » : le travail humain nécessaire pour vérifier et réparer la production de l’IA. Quelques heures économisées pendant la production initiale peuvent être absorbées par le nettoyage du travail de l’agent, ramenant le gain net à zéro. Le calcul doit donc inclure la lecture, la correction et l’approbation en plus du temps retiré à la rédaction ou à la recherche. Ce n’est qu’alors que les dirigeants peuvent voir quelle capacité réellement exploitable l’équipe a récupérée.

La comptabilisation de la revue doit aussi montrer qui supporte le coût, car une économie pour un employé peut créer du travail supplémentaire pour un collègue expérimenté. Ce collègue peut déjà avoir d’autres responsabilités exigeant du jugement, ce qui fait de son temps une contrainte pour l’ensemble du workflow. Comptabiliser ce transfert donne aux dirigeants une base plus solide pour décider si un projet pilote peut se poursuivre et s’étendre. Cela révèle aussi si les évaluateurs pressentis ont le temps d’assumer le travail qui leur est confié.

Des gains nets positifs laissent encore aux managers un choix sur la manière d’utiliser le temps récupéré. Kaput a décrit des équipes qui le remplissent avec davantage du même travail et a relié ce comportement au burnout. Un projet pilote peut donc améliorer l’efficacité d’une tâche tout en créant une charge de travail que les employés peinent à soutenir. Le plan de mesure doit saisir ce qui se passe après le gain initial.

Kaput a formulé ce choix à travers la distinction de Roetzer entre rendre le travail « 10 % meilleur » grâce à la productivité et le rendre « 10 fois meilleur » grâce à l’innovation. La comparaison invite les dirigeants à réfléchir à ce qui devient possible une fois que le travail routinier prend moins de temps. Les métriques peuvent encourager les équipes à répéter la production existante ou à dégager de l’espace pour développer de nouvelles capacités. Ce choix influe sur la valeur du projet pilote au-delà de son gain de temps immédiat.

Développer les futurs évaluateurs est l’un des usages possibles de cette capacité. Les praticiens expérimentés ont besoin de temps pour expliquer les décisions, superviser les apprentis et évaluer leur préparation à davantage de responsabilités, mais affecter chaque heure économisée à une production supplémentaire laisse en pratique cet enseignement sans financement. Le suivi du temps consacré au développement rend l’intention de staffing visible dans le plan opérationnel. Avant l’extension, les dirigeants peuvent alors établir qui est responsable de la revue, s’ils ont la capacité nécessaire, qui apprend à prendre le relais et qui les formera.

Les agents clients étendent le problème d’approbation au-delà de l’équipe

La revue interne constitue aussi un point de départ pour gérer les interactions avec des agents extérieurs à l’organisation. Meta a lancé son agent Muse côté grand public le 8 septembre, quelques semaines avant l’événement ; lui et d’autres développements concurrentiels récents n’ont reçu qu’une attention limitée sur scène pendant la conférence. Le participant de longue date s’attendait à davantage de discussions lors de l’événement de l’année suivante sur les interactions entre agents clients et agents de marque. Ces échanges étendent la question de la responsabilité au-delà du travail produit au sein d’une équipe marketing.

Lorsqu’un agent client interagit avec l’agent d’une marque, les dirigeants marketing doivent cartographier où les personnes interviennent et quelles décisions exigent leur approbation. Cette cartographie peut identifier où un échange automatisé nécessite une attention humaine et qui a l’autorité d’intervenir. À mesure que les équipes se préparent à ces interactions, elles devront attribuer les responsabilités à la fois sur les systèmes qu’elles contrôlent et sur les échanges dans lesquels ces systèmes s’engagent.

Principaux enseignements pour les dirigeants

• La capacité de revue limite l’extension de l’IA : Les dirigeants marketing ont besoin d’évaluateurs désignés et de temps de revue réservé avant d’augmenter la production des agents. Réduire les rôles de début de carrière peut aussi fragiliser le vivier de personnes qualifiées pour approuver le travail futur.
• Les apprentissages développent le jugement marketing : Les marketeurs expérimentés ont besoin de temps dédié pour expliquer les corrections, évaluer les décisions des employés juniors et enseigner une supervision fondée sur le risque. Reconcevez les missions de début de carrière autour de ces objectifs d’apprentissage.
• Une automatisation plus simple peut réduire les coûts de vérification : Les concepteurs de systèmes doivent définir les exigences de précision de chaque tâche avant de choisir des règles, des modèles prédictifs, des modèles génératifs ou des agents. Utilisez le mécanisme le moins complexe qui répond à ces exigences.
• La capacité nette est la mesure utile de la productivité : Les responsables de projets pilotes doivent comptabiliser le temps de lecture, de correction et d’approbation en plus des gains de production, y compris le travail transféré à des collègues seniors. Répartissez explicitement la capacité récupérée entre production, innovation et formation.
• Les agents clients étendent les responsabilités d’approbation : Les dirigeants marketing doivent cartographier les interactions entre agents clients et agents de marque, identifier les décisions qui exigent une approbation humaine et attribuer l’autorité d’intervenir.