L’usage individuel de l’IA ne garantit pas son adoption

Les employés peuvent utiliser chaque jour ChatGPT d’OpenAI, Claude d’Anthropic, Gemini de Google et l’IA intégrée aux produits SaaS, alors même que leur entreprise ne dispose pas encore d’une approche commune de l’IA. Les dirigeants sont alors confrontés à deux questions distinctes : où les employés utilisent déjà l’IA, et si l’organisation dispose d’une stratégie, d’une gouvernance, d’une formation et d’un alignement de la direction autour de cet usage. Distinguer ces deux questions clarifie le problème de gestion. L’expérimentation individuelle peut se développer avant qu’une organisation décide à quoi sert l’IA et quelle place elle doit occuper.

L’usage individuel de l’IA peut précéder l’adoption à l’échelle de l’organisation

Cet écart compte lorsque le travail circule entre les personnes. Les employés peuvent choisir des outils de manière autonome, élaborer des prompts, examiner les résultats et décider quand signaler l’intervention de l’IA. Dès que ce travail entre dans un workflow partagé, ces choix affectent les collègues et les clients. L’adoption à l’échelle de l’organisation exige donc des décisions explicites sur les usages acceptables, la revue humaine, la divulgation et les résultats que l’IA est censée améliorer.

Des choix indépendants peuvent entrer en collision

Le problème tient au jugement partagé sur les situations dans lesquelles l’IA améliore la communication. Plusieurs personnes peuvent optimiser la production de messages tout en rendant la conversation elle-même moins utile. La formation peut établir des attentes sur les cas où l’IA a sa place dans un workflow, où le jugement humain est requis et à quel moment les collègues ou les clients doivent savoir que l’IA est intervenue. Sans attentes communes, les équipes peuvent découvrir des pratiques incompatibles seulement lorsque leurs travaux se croisent.

Le choix des outils crée une autre décision de coordination. Les employés peuvent être confrontés à Gemini de Google, Claude d’Anthropic, ChatGPT d’OpenAI et à des instances d’IA intégrées dans des produits SaaS. Une entreprise peut définir des critères pour choisir parmi les outils disponibles et fixer des attentes concernant le contexte, la revue, le traitement des données et la divulgation. La gouvernance devient alors un framework opérationnel pour des décisions que les employés prennent déjà.

Le passage à l’échelle accroît la charge de coordination

Les équipes marketing, les dirigeants et d’autres fonctions peuvent nécessiter des pratiques d’IA différentes parce que leur travail diffère. La direction doit néanmoins disposer d’un socle commun suffisant pour rendre les attentes claires dans toute l’entreprise. Davantage de participants peut signifier davantage de décisions sur les validations, la formation, la divulgation et la supervision. Ces décisions deviennent une composante du modèle opérationnel de l’usage de l’IA dans l’ensemble des fonctions.

La gouvernance doit aussi traiter la manière dont les employés formulent leurs demandes aux systèmes d’IA. Un grand modèle de langage, ou LLM, génère des réponses à partir du contexte et des instructions qu’il reçoit. La formulation d’un prompt peut intégrer une hypothèse avant même que le modèle ne produise une réponse. La formation peut apprendre aux employés à examiner ces hypothèses, à fournir le contexte pertinent, à remettre en question les résultats faibles et à évaluer le degré de confiance qu’une réponse mérite.

La divulgation crée un choix de gestion connexe. Les entreprises doivent décider quand un travail assisté par l’IA doit signaler cette intervention et quelles informations cette divulgation doit contenir. Des workflows différents peuvent justifier des exigences différentes selon leur audience et leurs conséquences. La tâche de gestion consiste à rendre le travail assisté par l’IA transparent et révisable là où la divulgation compte.

La stratégie doit précéder le choix des outils

Le point de départ pratique est le problème métier. Les dirigeants doivent définir le résultat visé, les informations pertinentes, la décision à étayer, les contraintes et le niveau attendu pour qu’un résultat soit jugé utile. Ces exigences fournissent des critères pour choisir un outil et concevoir des prompts. Elles donnent aussi aux évaluateurs une base pour décider si un résultat généré par l’IA sert bien la tâche.

Partir de ces exigences peut réduire les modifications répétées des prompts, des outils et des approches une fois le travail commencé. Le même principe s’applique à l’échelle de l’entreprise lorsque les employés commencent à générer des résultats avant d’avoir défini le résultat dont ils ont besoin. Un brief stratégique peut faire intervenir plus tôt dans le workflow les décisions sur l’objectif, le contexte, les contraintes, l’usage prévu et les attentes en matière de revue. Il crée aussi un point de référence partagé pour évaluer le résultat.

Ce brief peut faire apparaître les hypothèses avant qu’elles ne façonnent les résultats de l’IA. Un prompt orienté peut diriger l’attention vers une faiblesse présumée, un contexte incomplet peut exclure des éléments pertinents, et un objectif flou peut amener les employés à optimiser une réponse au service du mauvais but. L’IA peut influencer le jugement même lorsqu’une personne conserve l’autorité formelle de décision. La stratégie définit ce pour quoi les employés demandent au système de les aider à décider.

La gouvernance peut transformer les expérimentations en capacité partagée

Un système de gouvernance donne aux employés des règles communes pour les décisions récurrentes. Selon les besoins de l’organisation, ces règles peuvent définir les usages approuvés, les attentes en matière de divulgation, les garde-fous, les exigences de formation et la responsabilité de la direction concernant les résultats visés. Les équipes peuvent adapter leurs pratiques dans ces limites. L’objectif est de clarifier les attentes avant qu’un travail assisté par l’IA ne traverse les fonctions ou n’atteigne les clients.

Une formation partagée peut établir une base commune pour formuler les demandes, fournir le contexte, examiner les résultats, identifier les biais potentiels et faire remonter les cas incertains. Les équipes disposent alors de méthodes communes pour évaluer le travail, même lorsque leurs usages spécifiques diffèrent. Le management dispose aussi d’une base pour réviser les règles lorsque des problèmes récurrents apparaissent. Cela aide à transformer l’apprentissage individuel en pratiques pouvant fonctionner d’une équipe à l’autre.

Les organisations peuvent phaser ce travail. Les dirigeants peuvent définir un périmètre initial, fixer des règles pour celui-ci, évaluer la performance du processus et réviser ces règles avant d’étendre l’usage de l’IA à d’autres workflows. Cela transforme l’expérience des employés en éléments probants pour les décisions organisationnelles ultérieures. La responsabilité doit aussi être explicite afin que les questions non résolues aient un responsable.

Mesurer séparément l’usage de l’IA et la préparation de l’organisation

Les dirigeants peuvent évaluer deux dimensions : où l’IA entre dans le travail des employés et si la stratégie, la gouvernance et la formation partagées suivent le rythme. Une expérimentation généralisée associée à des pratiques communes faibles crée un problème de coordination. Une expérimentation limitée crée un problème de gestion différent, car les dirigeants disposent de moins d’expérience organisationnelle dont tirer des enseignements. Distinguer ces dimensions évite qu’une seule étiquette d’adoption ne masque des situations sensiblement différentes.

Le diagnostic pratique réside dans l’écart entre le comportement des employés et la préparation de l’organisation. Les dirigeants peuvent examiner où l’IA entre dans les workflows, quelles décisions les employés prennent de manière autonome, où le travail franchit les frontières entre équipes et quelles questions récurrentes n’ont toujours pas de responsables ou de règles clairement définis. Ces observations fournissent une base concrète pour décider où une gouvernance ou une formation est nécessaire. Elles montrent aussi si l’organisation peut soutenir l’usage de l’IA de manière délibérée à mesure qu’il se diffuse.

Points clés à retenir pour les décideurs

Distinguer usage de l’IA et adoption : L’expérimentation des employés peut se diffuser avant que l’organisation ne dispose d’une stratégie, d’une gouvernance, d’une formation ou d’un alignement de la direction communs. Le management peut évaluer séparément ces dimensions pour identifier les écarts de préparation.
Définir des règles pour les workflows partagés : Les choix indépendants concernant les outils, les prompts, la revue, le traitement des données et la divulgation deviennent des enjeux organisationnels lorsque le travail assisté par l’IA traverse les équipes ou atteint les clients. Les responsables de la gouvernance peuvent définir des attentes communes avant que les pratiques n’entrent en collision.
Renforcer la coordination à mesure que l’IA passe à l’échelle : Un usage plus large de l’IA accroît le nombre de décisions concernant les validations, la formation, la supervision, la conception des prompts et la divulgation. Les responsables fonctionnels peuvent adapter les pratiques à leurs workflows tout en opérant dans le cadre de standards à l’échelle de l’entreprise.
Définir d’abord le problème métier : Les responsables métier peuvent préciser le résultat visé, les informations pertinentes, les contraintes et les critères de revue avant de sélectionner des outils ou de rédiger des prompts. Un brief stratégique donne aux équipes une base commune pour évaluer les résultats de l’IA.
Transformer les expérimentations en capacité partagée : Les responsables de la gouvernance peuvent convertir l’expérience des employés en pratiques reproductibles grâce à des garde-fous clairs, à la formation, à la responsabilisation et à un déploiement progressif. Les problèmes récurrents deviennent alors des éléments d’entrée pour améliorer les standards organisationnels.
Suivre la préparation de l’organisation en parallèle de l’usage de l’IA : Les dirigeants peuvent cartographier les points d’entrée de l’IA dans les workflows par rapport à la stratégie, à la gouvernance, à la formation et à la responsabilité qui soutiennent cet usage. Les écarts qui en résultent montrent où l’attention du management est nécessaire à mesure que l’adoption se diffuse.