En quoi votre stratégie en matière d’IA pourrait-elle empêcher vos collaborateurs de réfléchir ?

L’utilisation de l’IA générative sur le lieu de travail risque d’entraîner une « perte généralisée de connaissances »

Nous assistons actuellement à un étrange paradoxe. L’IA générative est capable d’automatiser le travail à une vitesse incroyable, mais la plupart de ce qu’elle produit n’est pas de bonne qualité. Matthias Holweg, de la Saïd Business School d’Oxford, et l’analyste Thomas H. Davenport qualifient cette dépendance croissante à l’égard de ce contenu généré par l’IA de mauvaise qualité de « déclin des connaissances ». C’est le moment où les équipes cessent de faire preuve d’esprit critique parce qu’elles font trop confiance à la machine. Le résultat semble soigné, mais en réalité, le discernement et l’originalité commencent à s’estomper.

Pour les dirigeants, cela devrait constituer un signal d’alerte. Lorsque les collaborateurs s’appuient sur des modèles générés par l’IA plutôt que sur leur propre raisonnement, ils perdent l’avantage concurrentiel qui permet à votre entreprise de rester innovante. Au fil du temps, l’assurance qualité s’affaiblit et la confiance dans les systèmes internes s’érode. Les processus conçus pour intégrer l’apport humain commencent à se dégrader, car ils sont remplis de contenus que personne ne comprend vraiment ni ne s’approprie.

C’est là que le leadership fait la différence. L’IA est puissante, mais elle doit rester un partenaire. L’objectif doit être l’augmentation des capacités, en utilisant l’IA pour accélérer le travail factuel. Lorsque les gens laissent l’IA s’occuper de trop de choses, ils finissent par accepter la médiocrité déguisée en efficacité. Maintenir des normes élevées signifie veiller à ce que les employés continuent à remettre en question, à vérifier et à améliorer ce que l’IA leur fournit.

La vérification, la validation et l’entropie constituent les principaux défis à relever pour prévenir la perte des connaissances au sein d’une organisation

Holweg et Davenport identifient trois défis que les dirigeants d’entreprise ne peuvent ignorer : la vérification, la validation et l’entropie. Chacun d’entre eux touche au cœur même de la manière dont les organisations créent et protègent leurs connaissances.

La vérification consiste à pouvoir distinguer ce qui est réel de ce qui est automatisé. C’est plus difficile qu’il n’y paraît. Par exemple, les entreprises sont déjà confrontées à des problèmes de recrutement : certains candidats utilisent l’IA pour générer des CV, voire des réponses en temps réel lors des entretiens. Les CV ont l’air impeccables, mais ne reflètent pas forcément les compétences réelles. Cela oblige les recruteurs à consacrer davantage de temps à vérifier l’authenticité lors d’entretiens en face à face, un temps que l’automatisation était censée leur faire gagner.

La validation consiste à déterminer dans quels domaines l’intelligence humaine apporte véritablement une valeur ajoutée. Imaginez une équipe de consultants utilisant l’IA pour établir des rapports destinés à ses clients. Si ces analyses sont entièrement générées par l’IA, le client ne paie pas pour un leadership éclairé, mais pour de l’automatisation. Les équipes devront démontrer quelles parties du livrable sont issues de la réflexion humaine et lesquelles ont été élaborées avec l’aide de l’IA. Cette distinction entre les différentes sources de valeur est essentielle pour la crédibilité.

L’entropie est la dérive progressive de la vérité. Les systèmes d’IA génèrent du texte en prédisant les mots les plus probables. Chaque fois qu’un document généré par l’IA est intégré à un autre modèle d’IA, le contenu s’éloigne davantage des données sources exactes. Au fil de nombreux cycles, les connaissances perdent de leur fiabilité. Dans les entreprises complexes, cela pourrait fausser les prévisions, les rapports de conformité ou les analyses de marché sans que personne ne s’en aperçoive avant qu’il ne soit trop tard.

Tout est ici une question d’équilibre. Ces risques ne signifient pas qu’il faille réduire au minimum le recours à l’IA, mais bien qu’elle doit faire l’objet d’une gouvernance. Les dirigeants doivent concevoir des processus dans lesquels des humains examinent et remettent en question les résultats fournis par l’IA. Une véritable efficacité découle d’une supervision humaine structurée, capable de détecter rapidement les dérives et de garantir le maintien de l’intégrité des données.

En résumé : si l’IA doit permettre à votre organisation de gagner en rapidité, assurez-vous qu’elle lui apporte également plus d’intelligence.

Les modèles génératifs risquent de souffrir d’un phénomène de « consanguinité » lorsqu’ils sont entraînés à partir de données synthétiques, ce qui peut nuire à leur précision et à leur diversité

Le « collapsus des modèles » constitue un problème croissant dans le développement de l’IA. Matthias Holweg et Thomas H. Davenport décrivent ce phénomène comme se produisant lorsque des modèles génératifs s’entraînent sur leurs propres résultats ou sur d’autres données synthétiques. Le modèle commence alors à renforcer ses résultats antérieurs au lieu d’apprendre à partir d’informations nouvelles et factuelles. Au fil du temps, la diversité des réponses diminue et la précision se détériore. Il cesse d’apprendre du monde réel et se met à tourner en boucle dans ses propres distorsions.

Cela nuit aux entreprises qui s’appuient sur des données précises pour prendre leurs décisions. Les outils d’IA reposant sur du contenu recyclé perdent en fiabilité lorsqu’ils génèrent des rapports, des recommandations ou des synthèses. Les stratégies d’entreprise fondées sur des modèles erronés risquent d’orienter les activités dans la mauvaise direction. Pour les dirigeants, il s’agit d’un enjeu opérationnel susceptible d’affecter la précision des prévisions, des analyses de marché et de la conformité.

Les dirigeants doivent s’assurer que leurs équipes comprennent que la qualité de l’IA dépend de la qualité de ses données d’entraînement. Un réentraînement continu à l’aide d’ensembles de données vérifiables et sélectionnés par des humains permet de garantir la pertinence des résultats et de réduire la dérive. Considérez les données synthétiques comme un outil temporaire. Pour garantir leur compétitivité à long terme, les systèmes d’IA doivent rester en phase avec la réalité des données fournies par les clients, des analyses des collaborateurs et des informations sectorielles vérifiées. Le maintien de ce lien relève de la responsabilité des dirigeants et déterminera quelles organisations conserveront une longueur d’avance à mesure que les systèmes d’IA évolueront.

Les entreprises doivent redéfinir l’utilisation de l’IA afin de s’assurer qu’elle vienne compléter, et non se substituer, à l’expertise humaine

Holweg et Davenport plaident en faveur de limites claires quant à la manière dont les organisations utilisent l’IA. Ils recommandent de ne recourir à l’IA que lorsqu’elle améliore de manière avérée les résultats. Cela signifie que les dirigeants doivent identifier les domaines dans lesquels l’automatisation apporte une valeur mesurable et ceux où les compétences humaines constituent un avantage unique. Par exemple, l’automatisation de la mise en forme d’un rapport permet de gagner du temps, mais l’élaboration des conclusions stratégiques contenues dans ce rapport doit rester du ressort de l’humain.

Ce changement de mentalité est essentiel. Lorsque l’utilisation de l’IA n’est pas encadrée, les collaborateurs risquent de trop déléguer, ce qui aboutit à des résultats rapides mais superficiels. La mise en place de règles d’utilisation claires préserve l’intégrité intellectuelle et garantit que les collaborateurs restent responsables de ce qu’ils produisent. Lors du recrutement, des formulaires structurés demandant des détails concrets, tels que les fonctions occupées, les résultats de projets ou les budgets gérés, réduisent le risque de voir l’IA générer des informations absurdes. Dans les relations avec les clients, le fait de vérifier quand et comment l’IA a été utilisée permet de préserver la confiance et la transparence.

Pour les dirigeants d’entreprise, la nuance réside dans la gouvernance. Restreindre l’utilisation de l’IA ne revient pas à limiter l’innovation, mais à s’assurer que celle-ci apporte une réelle valeur ajoutée. La transparence concernant le recours à l’IA est également essentielle. Lorsque les collaborateurs documentent la manière dont l’IA les a aidés dans leur travail, cela permet à la direction de comprendre où des gains d’efficacité ont été réalisés et dans quels domaines l’expertise humaine doit encore jouer un rôle prépondérant.

Concrètement, cela implique de redéfinir les politiques en matière d’IA afin d’y intégrer un contrôle rigoureux, des directives éthiques et des formations. Les responsables doivent être prêts à remettre en question une automatisation excessive et à identifier les situations dans lesquelles le jugement humain doit prendre le relais. Le véritable progrès viendra de la précision avec laquelle l’IA est mise en œuvre, et non d’une utilisation généralisée et sans objectif précis de cette technologie.

Une gouvernance à l’échelle de l’entreprise et un suivi rigoureux des données sont essentiels pour préserver l’intégrité de la « réalité sur le terrain »

Holweg et Davenport soulignent que les organisations doivent mettre en place des systèmes clairs pour protéger leurs données factuelles, ce qu’ils appellent la « vérité de terrain ». Lorsque l’IA est utilisée pour résumer ou enrichir des documents écrits, les dirigeants doivent s’assurer que chaque résultat généré automatiquement renvoie à des informations vérifiables provenant de sources humaines. Sans une traçabilité solide des données, l’organisation risque de ne plus distinguer clairement ce qui relève des faits de ce qui relève de la synthèse.

Pour les dirigeants, les implications pratiques sont claires : la maîtrise des données est désormais une fonction stratégique. Lorsque des entretiens avec des clients, des conclusions d’études ou des données financières sont traités par des systèmes d’IA, les entreprises doivent consigner non seulement le résultat, mais aussi les données d’origine à partir desquelles il a été obtenu. Cela permet de procéder à des audits, de vérifier les informations et de tirer des enseignements des éléments concrets qui sous-tendent les décisions.

Des cadres de gouvernance solides peuvent transformer l’IA, qui passe ainsi d’un risque de non-conformité à un atout de confiance. Les dirigeants doivent définir les responsabilités en matière de qualité des données, s’assurer que les collaborateurs comprennent les normes de documentation et exiger la traçabilité de tous les contenus modifiés par l’IA. Cela permet de mettre en place un système interne de responsabilité dans lequel chaque décision peut être rattachée à des données authentiques et vérifiables.

La nuance réside ici dans le timing et la cohérence. La gouvernance doit évoluer aussi rapidement que la technologie qu’elle encadre. Les dirigeants qui considèrent la gestion des données comme un processus statique prendront du retard. Le maintien de la « vérité de terrain » nécessite une surveillance continue, une révision des normes et un engagement fort en faveur de la transparence. Les entreprises qui maîtriseront cet aspect garantiront non seulement l’exactitude des données, mais renforceront également la confiance au sein des équipes, auprès des autorités de régulation et des clients.

Les entreprises devraient adopter des modèles d’IA plus petits et propriétaires plutôt que de s’appuyer sur de grands modèles de langage (LLM) génériques et publics.

Holweg et Davenport soulignent que les grands modèles linguistiques (LLM) accessibles au public produisent souvent des résultats génériques ou inexacts, ce qui limite leur utilité dans des environnements professionnels spécialisés. Les modèles propriétaires, de taille plus réduite et personnalisés à l’aide des données internes de l’entreprise, répondent mieux aux besoins de l’organisation. Ils permettent de prendre en compte le contexte, la terminologie et les processus propres à l’entreprise, que les grands modèles ne parviennent généralement pas à saisir.

Pour les dirigeants, l’élément clé à retenir est le contrôle. Les grands modèles publics offrent certes une certaine commodité, mais ils sont entraînés à partir de données générales qui ne reflètent pas les spécificités ni le ton propres à votre entreprise. Les modèles plus petits, entraînés à partir de données internes soigneusement sélectionnées, sont plus fiables, plus sûrs et mieux adaptés à l’automatisation des tâches répétitives, sans introduire de biais ni d’erreurs externes. Ils permettent également de réduire le risque d’exposition d’informations sensibles via des systèmes ouverts.

L’adoption de modèles d’IA propriétaires n’est pas seulement un choix technique, c’est aussi un choix stratégique. Elle permet aux entreprises de conserver en interne leurs connaissances concurrentielles tout en améliorant leur efficacité. Les entreprises peuvent décider quelles données serviront à entraîner leurs systèmes, garantissant ainsi la conformité et la précision. Cette approche permet d’aligner les résultats de l’IA sur les normes de la marque, les exigences réglementaires et les besoins des clients.

La nuance à retenir ici est celle de l’évolutivité. Les modèles plus petits et spécialisés dans un domaine précis n’ont pas besoin de rivaliser avec la taille des grands modèles de langage (LLM) publics ; ils doivent exceller en termes de pertinence et de précision. Les dirigeants devraient soutenir les investissements visant à développer ou à affiner une IA sur mesure qui reflète la voix et la logique de leur entreprise, tout en respectant des critères de performance rigoureux. Ce faisant, ils passent de la simple utilisation de la technologie d’IA à sa maîtrise, de manière à préserver à la fois ses capacités et la confiance qu’elle inspire.

Si l’on ne parvient pas à maîtriser la prolifération de l’IA, on risque de voir se reproduire le « paradoxe de la productivité » historique.

Holweg et Davenport mettent en garde contre le fait que les organisations qui déploient l’IA générative sans discipline pourraient être confrontées à la même stagnation que celle qu’ont connue les entreprises au début de l’ère de l’informatique d’entreprise. À l’époque, les investissements massifs dans l’automatisation n’avaient pas généré les gains de productivité escomptés, car l’intégration était incontrôlée et mal gérée. Le même risque existe aujourd’hui. Les entreprises qui intègrent des outils d’IA sans gouvernance pourraient constater une augmentation de la rapidité, mais une baisse de la qualité, ce qui se traduirait par une inefficacité masquée par l’automatisation.

Les dirigeants devraient considérer l’adoption incontrôlée de l’IA comme un problème systémique, et non comme un problème technique. La rapidité ne suffit pas à elle seule à garantir la productivité si les résultats qui en découlent perdent en précision, en authenticité ou en crédibilité. Lorsque l’IA commence à envahir les processus internes, le marketing, l’analyse des données, le recrutement et le reporting sans supervision rigoureuse, l’assurance qualité devient réactive plutôt que proactive. Cela sape la compétitivité et la crédibilité à long terme.

La question centrale réside dans l’attention portée par la direction. Les cadres de gouvernance doivent définir où et comment l’IA apporte une valeur ajoutée mesurable aux opérations. Cela implique de trouver un juste équilibre entre les avantages de l’automatisation et les coûts liés au contrôle de la précision ainsi qu’à la formation continue des collaborateurs pour qu’ils s’adaptent aux nouveaux outils. Sans supervision stratégique, la prolifération de l’IA peut alourdir les flux de travail, brouiller les responsabilités et nuire à la qualité des décisions.

La nuance réside ici dans l’alignement. Les dirigeants doivent s’attacher à aligner le déploiement de l’IA sur les objectifs opérationnels de l’entreprise, ses indicateurs de productivité et ses stratégies en matière de capital humain. Une utilisation intelligente de l’IA doit renforcer la prise de décision humaine, et non la masquer. Les entreprises qui gèrent l’IA de manière stratégique réaliseront de réels gains de productivité, tandis que celles qui ne le font pas risquent de voir leurs rendements diminuer, derrière une façade de progrès numérique.

Intégrer les capacités humaines et celles de l’IA, en associant le « capital humain » au « capital symbolique »

Satya Nadella, PDG de Microsoft, décrit l’avenir des organisations tirant parti de l’IA à travers une utilisation équilibrée du « capital humain » et du « capital symbolique ». Le capital humain désigne le jugement, la créativité, la reconnaissance des schémas et les relations. Le capital symbolique désigne les systèmes d’apprentissage automatique et les outils d’IA qui renforcent les capacités humaines. Lorsque ces deux éléments sont stratégiquement reliés, ils créent une boucle d’apprentissage : les humains guident l’IA vers de nouveaux niveaux d’efficacité, et l’IA, à son tour, amplifie l’intelligence humaine en analysant les résultats à grande échelle.

Les dirigeants devraient considérer cette intégration comme le fondement d’un progrès durable. L’intuition humaine permet de cerner les problèmes ; l’IA améliore les solutions. Nadella souligne que chaque flux de travail optimisé par l’IA génère un meilleur signal d’apprentissage, ce qui permet de stocker plus efficacement les connaissances institutionnelles et offre aux équipes la possibilité d’accéder plus rapidement à des informations pertinentes. Lorsqu’elle est correctement évaluée, cette relation réduit les redondances et améliore l’intelligence opérationnelle à l’échelle de l’entreprise.

Pour les dirigeants, l’objectif ne se limite pas à la mise en œuvre de l’IA, mais consiste à concevoir un processus d’apprentissage continu. Établissez des repères internes afin d’évaluer dans quelle mesure l’IA améliore les résultats définis, tels que la rapidité, la précision et la réduction des coûts. Les organisations les plus performantes disposeront d’indicateurs clairs pour mesurer les progrès, tout en veillant à ce que le jugement humain reste au cœur de l’interprétation et du contrôle.

La nuance réside ici dans la discipline. L’IA en soi ne crée pas d’avantage stratégique ; c’est la manière dont elle est orientée qui en détermine l’issue. Les dirigeants de haut niveau doivent veiller à ce que les systèmes de retour d’information internes permettent à l’expertise humaine d’affiner en permanence le comportement de l’IA. Cela crée une mémoire institutionnelle à la fois très précieuse et rentable. Les entreprises qui mettent correctement en œuvre cette approche accéléreront l’innovation, conserveront le contrôle de leur développement intellectuel et préserveront les connaissances spécifiques qui définissent leur avantage concurrentiel.

Récapitulation

L’IA fait désormais partie intégrante du fonctionnement des entreprises. L’avantage reviendra aux dirigeants qui la considèrent comme un partenariat rigoureux. Les systèmes génératifs peuvent agir rapidement, mais ils sont incapables de faire preuve d’esprit critique, de comprendre le contexte ou de saisir les nuances, autant d’éléments qui sont le moteur d’un véritable progrès. Ces atouts restent l’apanage des êtres humains.

Chaque organisation est confrontée à un choix : utiliser l’IA pour renforcer les capacités humaines ou la laisser les remplacer insidieusement. La première voie permet de renforcer la prise de décision et de favoriser une innovation durable. La seconde conduit à la dépendance, à une baisse de la qualité et à l’érosion progressive du savoir institutionnel.

Les dirigeants doivent donner le ton. Ils doivent définir des limites claires pour l’IA, veiller à l’intégrité des données et récompenser les collaborateurs qui font preuve de discernement. Les entreprises qui placent l’intelligence humaine au cœur de leur développement technologique mettront en place des systèmes capables de s’adapter, d’apprendre et de perdurer.