L’IA accélère le travail mais peut affaiblir la réflexion

L’utilisation non contrôlée de l’IA générative entraîne une dégradation des connaissances à l’échelle de l’organisation

L’IA générative crée du contenu plus vite que la plupart des entreprises ne peuvent le vérifier. C’est le risque central. Le problème n’est pas l’usage de l’IA en soi. C’est le volume croissant de travaux générés par l’IA qui entre dans les processus métier sans contrôle humain suffisant.

Matthias Holweg, professeur à la Saïd Business School de l’Université d’Oxford, et Thomas H. Davenport, analyste, qualifient le problème qui en résulte de « dégradation des connaissances ». Dans leur article de la Harvard Business Review, ils écrivent : « Lorsque la slopification se produit à grande échelle et de manière séquentielle dans les processus d’une entreprise, ces processus eux-mêmes, ainsi que leurs résultats, commencent à se détériorer. »

Cela compte parce qu’un seul résultat faible produit par l’IA reste rarement isolé. Un résumé généré peut alimenter un rapport. Ce rapport peut servir à une présentation de management. La présentation peut influencer une décision. Si les employés supposent que les éléments précédents ont été vérifiés alors que ce n’est pas le cas, les erreurs et les affirmations non étayées peuvent circuler dans l’entreprise et acquérir une crédibilité trompeuse.

La contrainte plus profonde n’est donc pas l’accès à l’IA. C’est la capacité de l’organisation à préserver des connaissances fiables alors que l’IA augmente la vitesse et le volume de production de contenu. Les employés doivent toujours savoir quelles informations font autorité, d’où elles proviennent et quelles conclusions ont réellement impliqué un jugement humain. Sans ces contrôles, une production de contenu plus rapide peut créer davantage de travail de vérification au lieu de produire des résultats plus utiles.

Holweg et Davenport identifient également un risque comportemental. Une forte dépendance à l’égard des réponses générées peut réduire l’esprit critique que les employés appliquent au travail courant. Avec le temps, les personnes peuvent devenir moins enclines ou moins capables de remettre en question les informations qui circulent dans un processus. Comme l’indiquent les auteurs : « À terme, les gens commencent à perdre confiance dans les processus sur lesquels ils s’appuient pour faire leur travail. »

Pour les dirigeants, cela change la question de la gouvernance de l’IA. Mesurer les taux d’adoption, le contenu généré ou le temps gagné ne suffit pas. Les dirigeants doivent aussi mesurer si le travail assisté par l’IA reste exact, traçable et utile. L’IA doit réduire le coût de production d’un travail fiable.

L’opportunité reste considérable. Les entreprises peuvent utiliser l’IA pour accélérer le travail tout en protégeant les connaissances institutionnelles. Mais cela exige des règles claires sur les cas où l’IA peut générer de l’information, ceux où les humains doivent la vérifier, et les données sources qui doivent rester disponibles. L’objectif doit être une augmentation maîtrisée : une production plus élevée sans baisse de confiance dans les connaissances qui la sous-tendent.

Les coûts de vérification peuvent annuler les gains de productivité attendus de l’IA

L’IA peut rendre la production de la première version d’un document bien moins coûteuse. Cela ne signifie pas qu’elle rende l’ensemble du processus moins coûteux. La question économique est de savoir quelle quantité de travail reste à accomplir après la génération.

La vérification fait partie de ces coûts cachés. Holweg et Davenport définissent le problème comme la séparation entre le travail humain authentique et le contenu généré par l’IA qui peut contenir des erreurs importantes. Vérifier ce contenu demande du temps, une expertise métier, des recherches indépendantes et un jugement critique. Dans certains workflows, soutiennent-ils, cet effort supplémentaire peut annuler les gains d’efficacité obtenus grâce à l’usage de l’IA au départ.

Le recrutement illustre clairement le problème. Les candidats peuvent utiliser l’IA générative pour améliorer leurs CV et leurs candidatures. Ils peuvent aussi adapter leurs documents aux systèmes automatisés de classement. Un usage plus avancé peut s’étendre aux entretiens, les candidats utilisant des outils d’IA pour générer des réponses aux questions presque en temps réel.

Le résultat est un problème de qualité de l’information pour les recruteurs. Une candidature soignée ou une réponse fluide en entretien ne constitue plus une preuve solide que le candidat possède personnellement les connaissances qu’elle reflète. Holweg et Davenport soutiennent que les organisations peuvent finir par faire avancer des candidats médiocres ou tout simplement inadaptés au poste. Les recruteurs peuvent alors avoir besoin d’évaluations plus encadrées, y compris d’entretiens sur site où les candidats ne peuvent pas facilement accéder à l’IA.

Cela déplace le travail au lieu de l’éliminer. Les candidats gagnent du temps pour produire leurs candidatures. Les recruteurs peuvent passer plus de temps à établir si ces candidatures reflètent une capacité réelle. Un processus peut donc devenir plus automatisé à une étape tout en devenant plus coûteux à une autre.

Les dirigeants devraient appliquer ce principe au-delà du recrutement. L’indicateur pertinent est la productivité nette du processus. Si l’IA fait gagner 30 minutes lors de la création de contenu mais exige 40 minutes de vérification par un expert, il n’y a pas de gain de productivité. Cet exemple de 30 contre 40 minutes est illustratif, et non une donnée rapportée par Holweg et Davenport, mais il reflète bien la mesure dont les dirigeants ont besoin : le temps de génération économisé moins le temps consacré à la revue, à la correction, à l’escalade et aux reprises en aval.

La meilleure réponse n’est pas de vérifier chaque résultat de l’IA avec la même intensité. Les entreprises doivent concevoir leurs contrôles en fonction des conséquences et de l’incertitude. La rédaction à faible risque peut tolérer une revue plus légère. Les décisions impliquant le recrutement, des engagements financiers, des clients, la conformité ou d’autres conséquences significatives exigent des preuves plus solides et une responsabilité plus claire.

Le recrutement peut aussi être repensé autour d’informations plus difficiles à fabriquer. Holweg et Davenport recommandent des candidatures structurées demandant des faits précis, comme les fonctions occupées, les projets réalisés, les membres d’équipe impliqués, les fournisseurs servis et les budgets gérés. L’objectif est de recueillir des éléments vérifiables plutôt que de récompenser les candidats pour une prose persuasive.

La priorité pour les dirigeants est claire. Ne calculez pas le ROI de l’IA à partir de la seule vitesse de génération. Mesurez l’ensemble du workflow. L’IA ne crée de valeur économique que lorsque le coût total et le temps nécessaires pour parvenir à un résultat fiable diminuent.

Les organisations doivent prouver où l’expertise humaine apporte de la valeur dans le travail assisté par l’IA

L’IA générative a rendu peu coûteuse la production de contenus métier standard. Rapports, slides de présentation, résumés et analyses courantes peuvent désormais être créés en quelques minutes. Cela change l’économie du travail de la connaissance. Les clients et les dirigeants remettront de plus en plus en question ce qu’ils paient lorsque l’essentiel du livrable visible peut être généré automatiquement.

Holweg et Davenport définissent cela comme un problème de validation des connaissances. La question n’est pas de savoir si l’IA a été impliquée. Elle est de savoir si l’organisation peut identifier la contribution humaine de valeur au sein d’un workflow assisté par l’IA.

Le conseil fournit un exemple clair. Un cabinet peut utiliser l’IA générative pour produire des rapports écrits standard et des slides PowerPoint. Mais les clients ne paient pas principalement les consultants pour créer des documents. Ils paient pour l’expertise, le jugement, la connaissance du contexte et des recommandations fondées sur des preuves. Si l’IA crée une grande partie du document final, le cabinet doit tout de même démontrer où ses professionnels ont apporté ces capacités.

Comme l’écrivent Holweg et Davenport : « Les experts humains doivent désormais justifier non seulement la qualité du résultat remis, mais aussi le fait qu’un véritable travail intellectuel humain l’a produit. »

Cela crée une distinction importante pour les dirigeants. La qualité du résultat et la valeur humaine ne relèvent pas du même indicateur. Un document soigné peut être utile même lorsque l’IA en a produit l’essentiel. Mais dans un travail vendu comme du conseil expert, l’organisation doit aussi établir qui a sélectionné les preuves, remis en question les hypothèses, interprété des informations incertaines et assumé la responsabilité des conclusions.

Le même principe s’applique en interne. Si les employés utilisent l’IA pour l’analyse, le management doit savoir quelles conclusions proviennent d’informations vérifiées de l’entreprise et lesquelles ont été générées par un modèle. Cela devient plus important à mesure que l’IA entre dans la finance, la stratégie, le recrutement, la gestion de la performance et d’autres workflows où les décisions ont des conséquences significatives.

La réponse du management ne doit pas être d’exiger que les humains produisent manuellement un travail que l’IA peut exécuter efficacement. Cela préserverait l’effort plutôt que la valeur. Les entreprises doivent au contraire orienter la capacité humaine vers les tâches où le jugement compte : définir le problème, fournir des preuves fiables, évaluer les options, remettre en cause les conclusions faibles et prendre des décisions engageantes.

Cela change aussi la manière dont le travail professionnel doit être mesuré. Le nombre de pages, la production de slides, les heures de rédaction et autres mesures de production similaires deviennent moins pertinentes lorsque l’IA peut les produire à un coût marginal très faible. Les dirigeants devraient accorder plus de poids à la qualité des décisions, aux insights vérifiés, aux résultats clients et à la qualité des preuves qui étayent les recommandations.

L’opportunité consiste à dissocier l’expertise de la production documentaire. L’IA peut réduire l’effort nécessaire pour mettre l’information en forme. Les professionnels humains peuvent consacrer plus de temps à créer les connaissances et le jugement qui donnent de la valeur à cette information.

Le traitement répété par l’IA peut provoquer une entropie des connaissances et affaiblir la vérité de référence

La qualité de l’information peut se dégrader lorsque les organisations utilisent de manière répétée l’IA générative pour transformer des contenus existants. Holweg et Davenport appellent cela « l’entropie des connaissances ». Chaque cycle de résumé, de réécriture, de combinaison ou de régénération de contenu peut éloigner davantage le résultat de la source d’origine.

La raison technique est importante. Les grands modèles de langage sont des systèmes probabilistes. Ils génèrent des résultats en prédisant des tokens à partir de schémas appris et du contexte qui leur est fourni. Ils n’offrent pas de garantie intrinsèque que chaque affirmation générée soit factuellement correcte. Holweg et Davenport décrivent les LLM comme des modèles statistiques « indépendants du contexte » n’ayant « aucune conception du fait ou de la vérité et se contentant de prédire les résultats les plus probables ».

Cette description ne doit pas être interprétée comme signifiant que les LLM ne peuvent pas produire de réponses exactes ou sensibles au contexte. Les modèles modernes peuvent traiter un contexte étendu et accomplir efficacement de nombreuses tâches liées à la connaissance. La contrainte métier est plus étroite : un texte généré ne doit pas être traité comme une preuve faisant autorité simplement parce qu’il est fluide, détaillé ou cohérent avec d’autres contenus générés antérieurement.

Les transformations répétées renforcent cette préoccupation. Comme l’indiquent Holweg et Davenport : « Plus le nombre d’itérations de contenu via un LLM est élevé, plus celui-ci s’éloignera de l’original. » Un entretien client peut d’abord devenir un résumé produit par l’IA. Ce résumé peut alimenter un autre rapport, qui peut ensuite être condensé pour le management. Si les étapes ultérieures ne s’appuient que sur des versions générées, des nuances importantes, des faits et des détails contextuels issus de la source d’origine peuvent disparaître ou changer.

Les dirigeants doivent donc distinguer l’information source des représentations générées de cette information. Les résumés produits par l’IA sont utiles pour la rapidité et l’accessibilité, mais les preuves d’origine doivent rester disponibles pour vérification. Les décisions importantes doivent pouvoir être retracées jusqu’aux documents sources, transactions, entretiens, mesures ou autres enregistrements faisant autorité.

Une préoccupation technique connexe apparaît lorsque des données synthétiques, c’est-à-dire des informations générées par des modèles plutôt que collectées à partir de sources d’origine, sont utilisées pour entraîner d’autres modèles. Le risque de dégradation qui en résulte est qualifié de « consanguinité générative » ou d’effondrement du modèle. Une dépendance répétée à des données d’entraînement fabriquées peut réduire la précision et la variabilité du modèle.

La réponse pratique consiste à préserver la traçabilité des données. Les informations à forte valeur doivent comporter suffisamment de métadonnées pour identifier leur source et leurs principales transformations. Lorsque l’IA résume des entretiens clients, des recherches, des informations financières ou des données opérationnelles, le résultat généré doit rester relié au contenu sous-jacent.

Cela ne nécessite pas d’abandonner les workflows itératifs avec l’IA. Cela exige de les concevoir de sorte que la commodité ne remplace pas la preuve. Les entreprises qui préservent la vérité de référence peuvent utiliser l’IA de manière ambitieuse tout en conservant la capacité d’auditer les résultats, de corriger les erreurs et de prendre des décisions à partir d’informations faisant autorité plutôt qu’à partir de générations accumulées.

Les entreprises devraient limiter l’usage de l’IA aux workflows où elle crée une valeur claire

La première question de gouvernance de l’IA devrait être simple : l’IA améliore-t-elle le résultat ou réduit-elle le coût total de sa production ? Si la réponse n’est pas claire, il y a peu de raisons d’ajouter l’IA au workflow. L’adoption en elle-même n’est pas un résultat métier.

Matthias Holweg, professeur à la Saïd Business School de l’Université d’Oxford, et Thomas H. Davenport, analyste, plaident pour des limites explicites à l’usage de l’IA par les employés. Leur position est que l’IA générative doit être appliquée là où elle crée une valeur identifiable, plutôt que de devenir l’outil par défaut pour chaque tâche de connaissance.

Le recrutement montre pourquoi. Les candidats peuvent utiliser l’IA générative pour optimiser leurs CV, adapter leurs candidatures aux systèmes automatisés de présélection et préparer leurs réponses. Cela fait de l’écriture soignée un indicateur plus faible de l’expérience ou des capacités réelles d’un candidat. Un processus de recrutement conçu autour de documents que l’IA peut facilement optimiser peut donc devenir moins informatif.

Holweg et Davenport proposent de changer les données d’entrée plutôt que d’ajouter davantage de détection de l’IA. Les employeurs peuvent utiliser des candidatures structurées exigeant des faits concrets : le rôle d’un candidat dans un projet, le travail réalisé, les membres d’équipe impliqués, les fournisseurs servis ou les budgets gérés. Les recruteurs peuvent ensuite vérifier ces affirmations à l’aide d’entretiens, de références et d’autres preuves.

Le principe plus large est utile bien au-delà du recrutement. Les entreprises doivent décider quelles informations doivent provenir directement d’une personne, quelles tâches l’IA peut soutenir et quelles activités l’IA peut exécuter avec une supervision limitée. Ces règles doivent refléter les conséquences d’une erreur. Un brouillon d’e-mail interne n’exige pas les mêmes contrôles que le reporting financier, les décisions de recrutement, l’analyse juridique ou les engagements envers les clients.

Une interdiction totale n’est probablement pas non plus le bon choix par défaut. L’IA peut créer une valeur substantielle dans les tâches appropriées, et certaines capacités d’IA sont déjà intégrées aux logiciels de travail standard. L’approche la plus solide est un usage contrôlé avec un objectif défini, un accès approuvé aux données, une responsabilité claire et des exigences de revue fondées sur le risque.

La transparence fait partie de ce modèle. Comme l’écrivent Holweg et Davenport : « Le contenu n’a pas besoin d’être entièrement créé par des humains, mais si l’IA est utilisée, il faut être clair sur le pourquoi et le comment. » Cela donne aux managers et aux utilisateurs en aval un contexte essentiel sur la manière dont un résultat a été produit.

Les dirigeants devraient donc gouverner l’IA en fonction des résultats métier. Les mesures utiles incluent le temps de cycle total, les taux d’erreur et de reprise, la qualité des décisions, le coût de vérification et les résultats clients. Un système d’IA qui accélère une tâche mais crée des contrôles supplémentaires en aval n’a pas nécessairement amélioré la productivité.

L’objectif est une automatisation sélective. Confiez à l’IA les tâches où sa vitesse, son échelle ou sa capacité de synthèse améliorent l’ensemble du processus. Préservez des contrôles humains plus forts là où l’authenticité, la responsabilité et l’expertise vérifiée déterminent la valeur du résultat.

L’IA crée le plus de valeur lorsqu’elle synthétise de solides apports humains ou supprime un travail de production à faible valeur

L’IA générative n’a pas besoin d’être à l’origine des connaissances pour être utile. Dans de nombreux workflows d’entreprise, son rôle le plus fort consiste à transformer des informations fiables qui existent déjà. Elle peut résumer, organiser, reformater, comparer et produire des versions alternatives tandis que les personnes restent responsables des faits sous-jacents et du jugement.

Holweg et Davenport citent les logiciels de productivité bureautique comme exemple. Les capacités d’IA dans des outils comme Microsoft Copilot et Google Gemini peuvent rapidement produire différentes versions de rapports et de slides PowerPoint. Les auteurs soutiennent que cela rend « pratiquement inutile » le fait que les employés créent manuellement des versions supplémentaires du même contenu.

Il s’agit d’une opportunité de productivité significative, car la production documentaire n’est pas nécessairement l’endroit où l’expertise humaine rare offre le meilleur rendement. Si l’IA prend en charge la mise en forme, la restructuration, la synthèse et les premiers brouillons, les employés peuvent consacrer plus de temps à décider de ce que le document doit dire et à vérifier si ses conclusions sont étayées.

Les évaluations de performance offrent un exemple plus conséquent. Un manager pourrait demander à l’IA de générer une évaluation standard et recevoir des puces soignées mais génériques. Cela fait gagner du temps de rédaction mais peut apporter peu d’informations réellement utiles.

Holweg et Davenport recommandent un workflow différent. Les managers recueillent d’abord des retours précis auprès des membres de l’équipe et des clients. Ce matériau fournit des observations directes sur le travail de l’employé. L’IA peut ensuite synthétiser ces apports dans une évaluation structurée. La machine gère la consolidation ; les personnes fournissent les preuves et restent responsables de l’évaluation.

Cette distinction compte pour la direction générale, car la qualité des résultats de l’IA dépend fortement de la qualité de ses entrées et de la conception du workflow qui l’entoure. Fournir à un modèle des informations faibles ou génériques et lui demander de produire un document plus sophistiqué ne crée pas les connaissances organisationnelles manquantes. Cela produit une représentation plus raffinée des informations disponibles pour le système, potentiellement complétée par des affirmations générées par le modèle qui exigent une vérification.

Les dirigeants devraient donc concentrer les programmes d’IA sur les travaux présentant des coûts de transformation élevés mais des données sous-jacentes solides. La synthèse des retours clients, le résumé de réunions, la comparaison de documents, la recherche de connaissances internes, la rédaction de rapports et la restructuration de contenu peuvent correspondre à ce schéma lorsque l’information source est fiable et que des contrôles appropriés sont en place.

La responsabilité humaine reste importante. Les employés doivent définir l’objectif, sélectionner des entrées fiables, examiner les affirmations importantes, lever les incertitudes et approuver les résultats ayant des conséquences. L’IA peut réduire l’effort manuel entre ces étapes.

Il y a aussi une implication financière. Les entreprises devraient éviter de consacrer un temps salarié rare à une production de résultats que les logiciels peuvent exécuter à un coût marginal bien inférieur. L’investissement à plus forte valeur réside dans l’attention humaine portée aux preuves, au jugement, à la connaissance client, à la définition du problème et aux décisions.

Les exemples de Holweg et Davenport pointent vers une stratégie d’IA pratique : automatiser la charge de production avant d’automatiser le jugement. Cela permet aux entreprises de capter des gains d’efficacité tout en préservant les connaissances humaines qui donnent au résultat final sa valeur métier.

La gouvernance de l’IA doit couvrir l’ensemble du processus métier

L’IA peut accélérer une tâche tout en rendant le processus global moins efficace. C’est le problème central de gouvernance. Les dirigeants doivent mesurer la performance du workflow complet, y compris la vérification, les corrections, les transferts et les décisions en aval.

Matthias Holweg, professeur à la Saïd Business School de l’Université d’Oxford, et Thomas H. Davenport, analyste, soutiennent que les entreprises devraient examiner comment l’usage individuel de l’IA affecte le processus plus large. Leur exemple est un cycle de revenus interorganisationnel. Toutes les parties impliquées devraient comprendre où l’IA est utilisée, ce qu’elle fait et ce qu’il advient de ses résultats aux étapes ultérieures.

Cela compte parce que les processus métier dépendent d’entrées et de sorties connectées. Les informations générées par l’IA issues des ventes peuvent entrer dans les systèmes de finance, d’opérations, de service client ou de conformité. Un gain local de productivité a une valeur limitée si une autre équipe doit consacrer du temps supplémentaire à valider le résultat ou à corriger des informations incomplètes.

Les dirigeants devraient donc distinguer la performance d’une tâche de la performance du processus. Le fait que l’IA puisse exécuter une activité individuelle mieux qu’un humain n’est qu’une partie de la décision. Comme le soutiennent Holweg et Davenport, la question la plus importante est de savoir si l’IA peut prendre en charge cette activité d’une manière qui rende le processus global plus efficace.

Cela exige une responsabilité claire. Pour chaque workflow important activé par l’IA, une entreprise doit savoir qui est propriétaire des données sources, qui approuve l’usage de l’IA, qui valide les résultats significatifs et qui est responsable lorsque le résultat passe dans une autre fonction métier. Sans cette structure, l’IA peut répartir la responsabilité tout en ne laissant aucun propriétaire unique de la qualité.

Les processus interentreprises exigent une coordination encore plus forte. Fournisseurs, clients, conseillers et prestataires de services peuvent chacun utiliser des modèles et des contrôles différents. Si des informations générées par l’IA franchissent les frontières organisationnelles, les participants ont besoin de règles convenues en matière de transparence, de qualité des données, de vérification et d’usage acceptable. Sinon, les choix d’automatisation d’une entreprise peuvent créer les coûts de vérification d’une autre.

Le modèle de mesure doit lui aussi évoluer. Les dirigeants devraient suivre le temps de cycle de bout en bout, les taux d’erreur, les reprises, l’effort de vérification, les taux d’exception et les résultats métier finaux. Une réduction du temps nécessaire pour une activité ne constitue pas une preuve suffisante d’un gain de productivité si le coût total du processus augmente.

Cette approche n’exige pas une approbation centrale pour chaque interaction avec l’IA. La gouvernance peut être proportionnée au risque. Les applications à faible impact peuvent fonctionner sous des politiques générales, tandis que les workflows affectant le chiffre d’affaires, le reporting financier, les clients, les employés, la conformité ou les décisions majeures nécessitent des contrôles plus stricts.

L’objectif est une automatisation coordonnée. L’IA doit supprimer du travail dans l’ensemble du processus plutôt que transférer l’effort d’un employé ou d’un service à un autre. Cela donne aux dirigeants un test bien plus solide pour l’investissement dans l’IA : une amélioration mesurable du résultat métier de bout en bout.

Une IA spécifique à l’entreprise peut apporter plus de valeur qu’un LLM public générique

Holweg et Davenport adoptent une position tranchée sur les grands modèles de langage publics. Ils soutiennent que les LLM publics génériques apportent « peu ou pas de valeur réelle » parce que leurs connaissances sont larges et que leurs résultats peuvent contenir des erreurs. Ils orientent plutôt vers les petits modèles de langage et les modèles propriétaires entraînés sur des données spécifiques à l’entreprise comme outils capables d’augmenter plus efficacement le travail humain.

L’enjeu métier sous-jacent est la spécificité. Les entreprises ne se concurrencent pas principalement par l’accès à des informations génériques. Elles se différencient par leurs données propriétaires, leur savoir opérationnel, leurs relations clients, leurs processus spécialisés, leur propriété intellectuelle et la qualité de leurs décisions. L’IA devient plus précieuse lorsqu’elle peut travailler avec ce contexte propre à l’organisation.

Un système spécifique à l’entreprise peut, par exemple, récupérer des politiques approuvées, de la documentation produit, des informations clients, des recherches internes ou des procédures opérationnelles. Avec la bonne architecture et les bons contrôles d’accès, les employés peuvent recevoir des réponses ancrées dans les informations de l’entreprise plutôt que de dépendre uniquement des connaissances apprises pendant l’entraînement d’un modèle généraliste.

Les dirigeants devraient toutefois distinguer l’IA spécifique à l’entreprise de l’idée selon laquelle chaque entreprise doit entraîner son propre modèle. Ce sont deux décisions différentes. Les entreprises peuvent souvent ajouter un contexte propriétaire à un modèle généraliste performant via des systèmes de retrieval, des connexions de données contrôlées, des instructions système et d’autres formes de personnalisation. L’entraînement ou le fine-tuning d’un modèle dédié devient pertinent lorsque le cas d’usage, l’économie, les exigences de sécurité ou les exigences de performance le justifient.

La même nuance s’applique aux petits modèles de langage, ou SLM. Les modèles plus petits peuvent offrir des coûts d’inférence plus faibles, une latence réduite, un déploiement plus simple dans des environnements contrôlés et des performances suffisantes pour des tâches ciblées. Ils ne sont pas automatiquement plus précis que les grands modèles. Leur valeur dépend de la tâche, des données d’entraînement, des critères d’évaluation et de la conception du déploiement.

La critique des LLM publics par Holweg et Davenport doit aussi être lue comme leur appréciation, et non comme une conclusion empirique universelle. Les modèles publics et généralistes peuvent apporter une valeur substantielle pour le coding, la rédaction, la traduction, l’aide à la recherche, la synthèse et d’autres activités. La question pour l’entreprise est de savoir si un modèle générique dispose d’un contexte vérifié suffisant pour soutenir la décision métier spécifique en jeu.

La sécurité et la gouvernance influencent également le choix. Envoyer des informations propriétaires dans un service public non contrôlé peut créer des risques de confidentialité, de vie privée, de propriété intellectuelle ou de réglementation. Les versions enterprise de modèles généralistes peuvent offrir des protections contractuelles plus fortes, des contrôles d’accès, des politiques de conservation des données et une supervision administrative. Les dirigeants doivent évaluer le déploiement spécifique plutôt que de considérer que chaque modèle public ou développé en externe présente le même profil de risque.

La stratégie la plus solide n’est donc pas simplement « petits modèles au lieu de grands modèles ». Elle consiste à faire correspondre l’architecture du modèle à la valeur métier. Les modèles génériques peuvent traiter des tâches générales. Les systèmes ancrés dans l’entreprise doivent soutenir les activités où les connaissances propriétaires comptent. Les modèles spécialisés se justifient lorsqu’ils offrent une meilleure économie, un meilleur contrôle ou de meilleures performances pour une charge de travail définie.

Cela déplace l’avantage concurrentiel loin du simple accès à un LLM. À mesure que cet accès se généralise, les capacités les plus défendables deviennent des données propriétaires de haute qualité, une intégration efficace dans les workflows, une évaluation rigoureuse des modèles et des connaissances institutionnelles que les concurrents ne peuvent pas facilement reproduire.

Pour la direction générale, cela crée un test d’investissement pratique. Ne financez pas une IA propriétaire simplement parce que la propriété en elle-même semble stratégiquement précieuse. Financez-la lorsque les connaissances spécifiques à l’entreprise améliorent de manière mesurable la précision, le coût, la vitesse, la sécurité ou les résultats métier. L’architecture doit suivre le cas d’usage, et non l’inverse.

Les organisations doivent préserver la provenance des données et l’accès à une vérité de référence vérifiée

Les informations générées par l’IA ne sont fiables qu’à hauteur des preuves qui les sous-tendent. Lorsque les entreprises ne peuvent pas rattacher un résultat de l’IA à sa source, la vérification devient plus lente et la responsabilité s’affaiblit. Pour les décisions métier importantes, la provenance doit donc faire partie de l’architecture IA dès le départ.

Matthias Holweg, professeur à la Saïd Business School de l’Université d’Oxford, et Thomas H. Davenport, analyste, soutiennent que les entreprises devraient suivre l’historique des données structurées comme non structurées. Cela signifie conserver des informations sur l’origine des données, la manière dont elles ont été modifiées et les systèmes d’IA ou les personnes qui les ont transformées.

La distinction entre contenu source et contenu généré est essentielle. Un entretien client, par exemple, contient des déclarations directes, des faits, des émotions et des informations contextuelles. Un résumé produit par l’IA peut rendre cet entretien plus facile à exploiter, mais il s’agit d’un résultat dérivé. Il peut omettre des nuances, compresser des points de vue contradictoires ou mettre l’accent sur certains détails différemment de la conversation d’origine.

Les organisations devraient donc préserver le contenu d’origine et y reconnecter les résultats générés par l’IA. Si un dirigeant remet en question une conclusion dans un rapport d’étude client, les employés devraient pouvoir examiner les entretiens sous-jacents plutôt que de s’appuyer sur un autre résumé généré. Le même principe s’applique aux contrats, aux dossiers financiers, à la recherche, aux données opérationnelles, aux informations sur les employés et à d’autres sources à fort enjeu.

Cette exigence devient plus importante à mesure que les informations générées par l’IA passent d’un système à l’autre. Sans provenance enregistrée, un employé ou un modèle en aval peut ne disposer d’aucun moyen fiable de distinguer un fait d’origine d’une interprétation générée. Une fois cette distinction disparue, un contenu non étayé peut commencer à fonctionner comme une connaissance organisationnelle.

La provenance soutient aussi la responsabilité. Un système enterprise utile doit enregistrer la source, la version pertinente, l’historique des transformations et, si nécessaire, l’approbation humaine associée aux résultats importants. Ces contrôles facilitent l’investigation des erreurs, la correction des informations, la reproduction des décisions et la démonstration de la manière dont un résultat a été produit.

Le niveau approprié de traçabilité doit dépendre des conséquences. Maintenir une traçabilité étendue pour chaque brouillon d’IA à faible risque créerait une surcharge inutile. Les résultats financiers, juridiques, réglementaires, stratégiques, orientés client et autres résultats à fort impact justifient des contrôles plus stricts, car les erreurs peuvent produire des coûts significatifs.

La qualité des données reste une exigence distincte. La provenance peut montrer d’où vient l’information, mais elle ne peut pas rendre exacte une source médiocre. Les entreprises ont toujours besoin de règles couvrant les sources faisant autorité, la propriété des données, les autorisations d’accès, la conservation et la qualité. La gouvernance de l’IA fonctionne le mieux lorsqu’elle s’appuie sur une gouvernance des données solide plutôt que comme un programme séparé.

Pour les dirigeants de la direction générale, la priorité architecturale est simple : le contenu généré ne doit pas devenir un substitut à l’information faisant autorité. L’IA peut transformer et synthétiser les connaissances de l’entreprise à grande échelle. Les preuves sous-jacentes doivent rester identifiables, récupérables et vérifiables.

La position de Holweg et Davenport est que les entreprises doivent comprendre leurs informations de « vérité de référence » et préserver les liens vers le contenu authentique lorsque l’IA le modifie ou le résume. Cela donne aux entreprises les contrôles nécessaires pour utiliser largement l’IA générative sans perdre confiance dans les informations dont dépendent les décisions.

Une IA mal gouvernée pourrait reproduire le problème de productivité observé avec l’informatique d’entreprise des débuts

L’adoption d’une technologie ne garantit pas une hausse de la productivité. Holweg et Davenport avertissent que l’IA générative pourrait reproduire le « paradoxe de la productivité » associé à l’expansion de l’informatique d’entreprise il y a environ un demi-siècle. Les entreprises peuvent investir massivement dans la technologie sans parvenir à capter des améliorations correspondantes de leur performance métier.

Les auteurs déclarent : « Si nous ne parvenons pas à traiter la prolifération non contrôlée de l’IA générative dans nos processus métier, nous assisterons probablement à une répétition du “paradoxe de la productivité” observé avec la croissance de l’informatique d’entreprise il y a un demi-siècle. »

La contrainte clé est la conception des processus. Installer l’IA dans un workflow existant peut accélérer des activités individuelles sans supprimer les étapes, les contrôles, les incitations ou les structures organisationnelles qui limitent la productivité globale. Un travail supplémentaire de vérification et de correction peut encore réduire le bénéfice net.

C’est particulièrement important avec l’IA générative parce que la création de contenu est peu coûteuse. Les employés peuvent produire plus d’e-mails, de rapports, de présentations, de code, de candidatures et d’analyses en moins de temps. Mais un volume de production plus élevé n’est pas la même chose qu’une production économique plus élevée. Si les collègues doivent lire, vérifier, corriger ou traiter beaucoup plus de contenu généré, l’IA peut augmenter la charge de travail organisationnelle malgré la baisse du coût de production individuel.

Les dirigeants doivent donc mesurer la productivité de l’IA au-delà de l’adoption et de l’activité. Le nombre d’employés utilisant un assistant IA, les prompts soumis, les documents générés ou les heures prétendument économisées peuvent aider à suivre l’usage, mais ils n’établissent pas la valeur métier.

Les mesures les plus solides sont plus proches des résultats : coût du processus de bout en bout, temps de cycle, taux d’erreur et de reprise, impact sur le chiffre d’affaires, résultats clients, capacité des employés et qualité des décisions importantes. L’indicateur pertinent dépend du workflow, mais il doit établir si l’IA améliore le résultat final une fois la vérification et le travail en aval inclus.

L’économiste Robert Solow a observé de manière célèbre en 1987 que l’ère informatique pouvait être vue « partout sauf dans les statistiques de productivité ». Des recherches ultérieures ont proposé une explication plus développée. Erik Brynjolfsson et Lorin Hitt ont soutenu que les technologies de l’information apportent souvent des bénéfices plus importants lorsque les entreprises réalisent des changements organisationnels et de processus complémentaires plutôt que de considérer l’investissement technologique comme suffisant à lui seul.

Cette distinction est très pertinente pour l’IA générative. Les entreprises peuvent avoir besoin de repenser les rôles, les approbations, les flux d’information, les mesures de performance et les contrôles avant que les bénéfices complets de productivité de l’IA deviennent visibles. Le simple fait d’ajouter un assistant au travail existant de chaque employé ne corrige pas les inefficacités des processus sous-jacents.

Il existe aussi des raisons d’adopter une perspective constructive. L’IA offre des capacités qui peuvent réduire directement les coûts du travail de la connaissance, et les organisations comprennent de mieux en mieux où ces capacités fonctionnent bien. La tâche du management consiste à convertir la performance technique en amélioration opérationnelle.

Pour la direction générale, cela signifie faire évoluer l’objectif de l’adoption de l’IA vers la refonte de l’entreprise. Identifiez les processus coûteux ou lents. Déterminez la véritable contrainte. Décidez quel travail l’IA peut supprimer, quelles décisions exigent encore un jugement humain et comment les résultats seront vérifiés. Puis mesurez le processus complet après le déploiement.

L’avertissement de Holweg et Davenport porte en définitive sur l’exécution plutôt que sur le potentiel technologique. L’IA peut améliorer la productivité. Mais les entreprises ne capteront cette valeur que lorsqu’elles repenseront le travail autour de la technologie et maîtriseront les nouveaux coûts que l’IA introduit.

Un avantage durable en IA dépend de la combinaison du capital humain avec des capacités d’IA détenues par l’organisation

Le président et PDG de Microsoft, Satya Nadella, présente l’IA d’entreprise autour de deux actifs : le « capital humain » et le « capital token ». Le capital humain comprend les connaissances, le jugement, les relations, l’ingéniosité et la capacité des employés à reconnaître des schémas. Le capital token désigne les capacités d’IA qu’une entreprise construit et possède. Son argument est que la valeur économique la plus forte vient de la combinaison des deux.

Cette distinction compte parce que l’accès aux modèles d’IA devient largement disponible. Le simple fait de donner aux employés un assistant IA a donc peu de chances de créer un avantage concurrentiel durable. La valeur la plus défendable vient du fait de relier l’IA à des connaissances, des workflows, des retours et des pratiques opérationnelles propres à l’entreprise.

Les humains restent essentiels à ce processus. Nadella soutient que les personnes doivent fixer les objectifs, guider les systèmes d’IA et identifier les schémas utiles afin que l’IA ne « tourne pas en rond ». Les employés apportent le contexte métier et déterminent ce qui constitue un bon résultat. L’IA peut ensuite aider à exécuter, récupérer, synthétiser et améliorer le travail avec une plus grande rapidité.

Cela exige des entreprises qu’elles définissent la qualité en termes mesurables. Nadella évoque des évaluations internes qui testent la performance de l’IA par rapport à des benchmarks spécifiques à l’entreprise. Un système de service client, par exemple, ne doit pas être jugé uniquement sur la fluidité de ses réponses. L’entreprise a besoin de mesures liées à ses propres exigences, comme la qualité de résolution, la conformité aux politiques, le coût et les résultats clients.

L’évaluation répétée peut aussi transformer l’expérience opérationnelle en connaissances institutionnelles réutilisables. Lorsqu’une entreprise identifie un workflow plus performant, elle peut préserver les prompts, le contexte, les outils, les données, les critères d’évaluation et les autres connaissances opérationnelles qui ont contribué au résultat. Les employés et les systèmes d’IA peuvent alors réutiliser ces connaissances au lieu de les reconstruire à répétition.

Nadella décrit le résultat comme une mémoire institutionnelle « interrogeable ». Il s’agit d’un changement important pour la gestion des connaissances en entreprise. Les connaissances de valeur existent souvent à travers des documents, des systèmes, des conversations et des employés individuels. L’IA peut rendre une plus grande part de cette information accessible, à condition que l’organisation dispose de données sources fiables, d’autorisations appropriées et de contrôles qui préservent la provenance.

Le processus de feedback peut devenir de plus en plus précieux à mesure que l’organisation l’exploite. Nadella écrit : « Chaque workflow amélioré génère un meilleur signal d’entraînement, ce qui accélère l’accumulation de connaissances tacites propres à l’entreprise. » En pratique, les interactions réussies fournissent des preuves sur les approches qui fonctionnent dans les conditions opérationnelles spécifiques de l’entreprise.

Une meilleure mémoire institutionnelle peut permettre aux systèmes de récupérer des connaissances pertinentes avec moins de tokens au lieu de retraiter à répétition de grandes quantités de contexte. Comme l’usage des modèles est généralement facturé en partie selon la consommation de tokens, réduire l’usage inutile de tokens peut diminuer les coûts d’exploitation.

Les dirigeants devraient traiter cette affirmation avec la précision nécessaire. De meilleurs workflows ne deviennent pas automatiquement des données d’entraînement pour les modèles, et les organisations n’ont pas besoin de réentraîner un modèle chaque fois qu’un processus s’améliore. Le feedback utile peut plutôt alimenter les prompts, les systèmes de retrieval, les jeux d’évaluation, la logique des workflows, le fine-tuning ou le développement futur des modèles. Le bon mécanisme dépend de la tâche et de l’économie.

La notion de propriété doit aussi être définie avec soin. Une entreprise n’a pas nécessairement besoin de posséder le modèle de fondation sous-jacent pour construire une capacité d’IA propriétaire. La valeur concurrentielle peut résider dans les données de l’entreprise, les méthodes d’évaluation, la conception des workflows, les intégrations, les autorisations, les signaux de feedback et les connaissances accumulées, même lorsque le modèle de base provient d’un fournisseur externe.

Cela conduit à un modèle d’investissement plus utile pour la direction générale. L’expertise humaine et l’infrastructure IA ne doivent pas être gérées comme des programmes de transformation séparés. Les entreprises ont besoin de workflows dans lesquels les employés améliorent les processus soutenus par l’IA et où ces processus améliorés aident les employés à mieux performer. Cela exige des investissements dans la qualité des données, l’évaluation, la gouvernance, la refonte des workflows et les capacités des employés, en plus de l’accès aux modèles.

Satya Nadella, président et PDG de Microsoft, présente cette combinaison de « capital humain » et de « capital token » comme un processus d’apprentissage continu. Sa position soutient l’argument plus large de l’article : la meilleure stratégie d’IA d’entreprise ne supprime pas l’expertise humaine. Elle capte cette expertise, la rend plus facile à utiliser et applique l’IA là où cela améliore de manière mesurable la performance métier.

Réflexions finales

Le principal défi de l’IA n’est plus l’accès. C’est le contrôle. L’IA générative rend la production de contenu peu coûteuse et rapide, mais elle peut aussi accroître le travail de vérification, affaiblir la provenance et diffuser des informations de faible qualité à travers des processus connectés.

Les dirigeants devraient donc cesser de traiter l’adoption de l’IA comme l’objectif. Mesurez plutôt le workflow complet. Suivez si l’IA réduit le coût total, le temps de cycle, les erreurs et les reprises tout en améliorant la qualité des décisions. Une tâche individuelle plus rapide a peu de valeur si une autre équipe doit vérifier ou corriger son résultat.

La meilleure stratégie d’IA protège aussi l’actif rare que l’IA ne peut pas créer à la demande : les connaissances spécifiques à l’entreprise ancrées dans des preuves réelles. Préservez les données sources. Gardez les résultats importants traçables. Définissez où le jugement humain reste responsable. Utilisez l’IA pour synthétiser et exécuter plutôt que de laisser le contenu généré devenir une source de vérité non contrôlée.

L’avantage concurrentiel ne viendra pas du fait de donner à tout le monde accès aux mêmes modèles. Il viendra de la combinaison de modèles performants avec des connaissances propriétaires, des workflows disciplinés, une évaluation solide et des personnes expérimentées.

Le mandat des dirigeants est clair. Automatisez là où l’économie fonctionne. Préservez le jugement humain là où les conséquences comptent. Mesurez les résultats plutôt que l’activité de l’IA. Les entreprises qui font les bons choix peuvent capter les gains de productivité de l’IA sans laisser une production de contenu plus rapide affaiblir les connaissances dont dépend leur activité.