Pourquoi l’adoption de l’IA ne suffit pas à l’entreprise

L’AI enablement a un problème de circulation des connaissances

L’AI enablement commence souvent par un modèle à sens unique : une équipe centrale sélectionne les outils, développe les formations, anime des sessions et publie des playbooks. Cela fait circuler l’expertise vers les employés. Une fois que les employés appliquent l’IA au travail quotidien, ils peuvent toutefois développer des pratiques que l’équipe centrale n’a pas conçues. L’organisation a alors besoin d’un moyen pour que ces découvertes puissent remonter.

La productivité individuelle et la capacité organisationnelle sont deux résultats différents. Un employé peut développer un workflow d’IA efficace et l’utiliser chaque jour sans que ses collègues n’en tirent d’apprentissage. Le bénéfice reste local et peut disparaître lorsque le workflow cesse d’être utilisé. Une entreprise développe une capacité plus large lorsqu’elle peut identifier des pratiques utiles, les évaluer et les rendre disponibles là où elles s’appliquent.

Cela donne à l’enablement une mission à double sens. Les équipes centrales peuvent enseigner, définir des standards et fournir des outils communs tout en recueillant les découvertes issues du travail quotidien. Elles peuvent déterminer où ces découvertes s’appliquent, affiner les pratiques prometteuses et les redistribuer. L’enablement devient alors un mécanisme d’apprentissage organisationnel.

L’usage intensif de l’IA peut émerger en dehors des équipes techniques

Les employés des fonctions métier gèrent des tâches récurrentes façonnées par le contexte client, les exigences des audiences, les contraintes opérationnelles et d’autres connaissances métier. L’usage répété de l’IA leur donne l’occasion d’intégrer ces connaissances dans des prompts ou des workflows, puis de faire évoluer ces pratiques au fil des tâches récurrentes. Les dirigeants doivent donc examiner l’ensemble des fonctions pour repérer les pratiques d’IA utiles, plutôt que de supposer qu’elles émergeront des équipes techniques.

Les pratiques utiles peuvent aussi rester difficiles à repérer. Un employé qui améliore progressivement un prompt dans le cadre de son travail courant peut n’avoir aucune raison formelle de l’envoyer à une équipe centrale IA. La participation aux formations et l’usage agrégé des outils ne révéleraient ni le contenu ni la valeur du workflow. Un système de circulation des connaissances a donc besoin de moyens pour faire émerger les pratiques à partir du travail lui-même.

Les workflows d’IA locaux montrent à la fois l’opportunité et le problème

Un employé qui capte des connaissances contextuelles et les transforme en instructions d’IA réutilisables peut créer un workflow utile pour une tâche récurrente. Pourtant, la réutilisation personnelle ne transforme pas automatiquement ces connaissances en pratique organisationnelle partagée. La question centrale est de savoir quelles parties d’un tel workflow peuvent être transférées efficacement à d’autres utilisateurs et à d’autres tâches.

Les connaissances utiles et leur forme actuelle sont deux questions distinctes. Les exigences de marque pourraient potentiellement devenir des instructions partagées, tandis que les préférences d’un éditeur pourraient rester propres à un workflow plus restreint. Cette décision dépend de tests permettant de vérifier ce qui se transfère efficacement à d’autres utilisateurs et à d’autres tâches. Une adoption plus large exige un jugement distinct sur le fait de savoir si la pratique fonctionne en dehors de son cadre d’origine.

Des pratiques similaires peuvent aussi apparaître indépendamment dans différentes lignes d’activité. Cela crée un coût spécifique : les équipes peuvent développer à plusieurs reprises des approches similaires lorsque les découvertes ne circulent pas entre elles. Des canaux informels peuvent faire apparaître ces découvertes, mais visibilité et évaluation sont deux fonctions différentes. Une pratique partagée dans Slack nécessite toujours que quelqu’un détermine si elle répond à un problème récurrent et si elle convient à un usage plus large.

Le mécanisme manquant est la découverte plus le jugement

La première exigence est une responsabilité explicite pour repérer ce que les employés apprennent. Quelqu’un doit reconnaître une pratique potentiellement réutilisable, recueillir suffisamment d’informations pour l’examiner et l’orienter vers une évaluation. L’intitulé de cette responsabilité importe moins qu’une attribution claire. Sans responsable identifié, des pratiques précieuses peuvent rester invisibles en dehors de leur workflow d’origine.

La découverte doit aussi aller au-delà des employés qui se présentent eux-mêmes comme des experts de l’IA. Les schémas d’usage, les échanges avec les équipes métier, les permanences et les observations réalisées dans le cadre de l’enablement sont autant de canaux de découverte possibles. Les bons canaux varieront selon l’organisation. L’exigence centrale de conception est une responsabilité claire dans la recherche de pratiques utiles.

La deuxième exigence est une destination définie pour les découvertes. Une fonction identifiée doit avoir l’autorité nécessaire pour évaluer si une pratique répond à un problème récurrent, si ce problème apparaît ailleurs et si la pratique mérite un développement supplémentaire. Cela donne à l’expertise centrale une autre mission en plus de la formation et du support. Elle évalue les apprentissages locaux en vue d’un usage plus large.

L’affinement vient après la découverte. Les connaissances intégrées dans un workflow peuvent être transférables même lorsque leur mise en œuvre d’origine ne l’est pas. L’évaluation peut examiner les doublons, la maintenabilité, les standards organisationnels et l’applicabilité entre fonctions. La standardisation doit suivre la preuve que la pratique fonctionne en dehors de son cadre d’origine.

La troisième exigence est un chemin horizontal entre les fonctions. Faire circuler les apprentissages validés entre les équipes peut réduire la redécouverte répétée lorsque des pratiques similaires émergent indépendamment. Cela exige de filtrer autant que de partager. Les pratiques très personnelles, inefficaces ou extrêmement limitées peuvent offrir peu de valeur au-delà de leur utilisateur d’origine.

L’enablement central reste une partie de ce modèle. Les compétences de base, les outils approuvés et le support structuré peuvent toujours être diffusés depuis une fonction centrale vers les employés. La mission fonctionne aussi dans l’autre sens : les apprentissages utiles issus du travail réel remontent pour être évalués et affinés. Les pratiques qui survivent à ce processus peuvent ensuite circuler dans toute l’organisation vers les équipes confrontées au même problème.

La maîtrise de l’IA devient une boucle de rétroaction

Ce modèle opérationnel change ce que les dirigeants doivent observer. La finalisation des formations et l’adoption indiquent si les employés ont reçu un support et commencé à utiliser l’IA. À elles seules, elles ne démontrent pas que des pratiques utiles passent d’employés individuels à un usage partagé. La question opérationnelle est de savoir si une découverte dispose d’un chemin fiable passant par l’identification, l’évaluation, l’affinement et la redistribution.

Pour les dirigeants, le test pratique consiste à vérifier si une découverte utile peut accomplir ce parcours. Quelqu’un doit pouvoir reconnaître la pratique, l’orienter vers une fonction responsable, l’évaluer et l’affiner, puis rendre les connaissances qui en résultent disponibles pour une autre équipe concernée. Ce test relie l’expérimentation individuelle à la capacité organisationnelle. Il donne aux dirigeants un moyen concret d’examiner si les connaissances créées par l’usage quotidien de l’IA peuvent aller au-delà de l’employé qui les a créées.

Points clés

Mettez en place un AI enablement à double sens : La formation et l’adoption des outils font circuler l’expertise vers les employés, mais la capacité organisationnelle exige que les pratiques utiles remontent en retour. Les dirigeants doivent créer des mécanismes pour identifier, évaluer et redistribuer les apprentissages issus de l’usage quotidien de l’IA.
Regardez au-delà des équipes techniques pour repérer les pratiques d’IA : Les employés des fonctions métier peuvent développer des workflows précieux en combinant l’IA avec des connaissances métier et des tâches récurrentes. Les dirigeants doivent créer des canaux de découverte qui font émerger ces pratiques, même lorsque les employés ne se présentent pas comme des experts de l’IA.
Distinguez les connaissances utiles des workflows locaux : Une pratique d’IA précieuse peut contenir des connaissances transférables même lorsque le workflow d’origine ne l’est pas. Évaluez quels éléments s’appliquent ailleurs avant de les standardiser ou de les partager entre fonctions.
Attribuez clairement la responsabilité de la découverte et de l’évaluation : Les pratiques utiles ont besoin d’un chemin clair, de leur identification jusqu’à leur évaluation, leur affinement et leur diffusion entre fonctions. Confiez à une fonction identifiée la responsabilité de juger ce qui résout des problèmes récurrents et mérite un usage plus large.
Mesurez si les apprentissages en IA circulent réellement : La finalisation des formations et l’adoption ne montrent pas si l’expérimentation individuelle devient une capacité organisationnelle. Les dirigeants doivent vérifier si les découvertes utiles peuvent passer de manière fiable des employés à des pratiques validées, accessibles à d’autres équipes concernées.