Former les salariés pour donner du sens à l’usage de l’IA

L’adoption de l’IA dépend de la préparation des employés

Un objectif d’usage de l’IA peut donner l’impression qu’un déploiement est réussi avant même que les employés sachent produire un travail utile et en assumer la responsabilité. Lorsque les dirigeants fixent des objectifs avant de comprendre les capacités des employés, leurs besoins en accompagnement et leurs conditions de travail, l’activité enregistrée peut récompenser l’apparence de l’adoption. Les employés peuvent terminer leurs tâches plus vite tout en restant incertains quant à l’exactitude ou à la pertinence des résultats. Les responsables d’un investissement dans l’IA doivent donc laisser le niveau de préparation déterminer ce qu’ils demandent aux employés de faire.

Les retours des employés révèlent ce que les chiffres d’usage laissent dans l’ombre

L’écart entre activité et préparation apparaît dans une enquête récente de Visier, société d’analytics de la main-d’œuvre. Visier a un intérêt commercial à ce que les employeurs investissent dans une meilleure compréhension de leur main-d’œuvre. Ses conclusions décrivent les expériences rapportées par les employés, tandis que ses recommandations portent sur la manière dont les employeurs devraient réagir. Distinguer ces deux perspectives aide les dirigeants à évaluer les conclusions et les conseils qui en découlent.

Les résultats sur la confiance montrent pourquoi l’usage enregistré peut donner aux managers une vision incomplète. Dans l’enquête de Visier, 48 % des employés ont déclaré exagérer leur expertise en IA au moins de temps en temps, tandis que 45 % ont indiqué ressentir souvent une pression au travail pour utiliser l’IA malgré un manque de confiance dans ces outils. Une expertise exagérée peut conduire les managers à sous-estimer le niveau de préparation dont les employés ont besoin. La pression peut alors pousser les employés à participer avant d’être prêts à en tirer un bénéfice.

Visier décrit la participation sans accompagnement ni formation suffisants comme de la « conformité IA ». Les employés peuvent utiliser des outils nouvellement introduits pour répondre à une attente tout en restant incertains sur la manière d’évaluer les résultats ou de choisir des tâches adaptées. Un déploiement précipité peut donc produire une activité visible tout en laissant subsister des problèmes de qualité non résolus. Les managers doivent comprendre ces conditions avant de considérer qu’une hausse du nombre d’usages constitue un progrès.

L’incertitude concernant les outils s’accompagne aussi d’une incertitude sur les projets de l’organisation. Lorsque Visier a demandé aux employés si leur organisation disposait d’un plan clair de déploiement de l’IA concernant ses effets sur les employés et les emplois, 59 % ont répondu qu’ils ne pensaient pas que ce soit le cas ou qu’ils n’en étaient pas sûrs. Les employés peuvent donc faire face à une attente immédiate d’utiliser l’IA sans explication claire de la manière dont leur travail va changer. Expliquer ce changement aide à les préparer à participer.

Des explications claires supposent aussi que les dirigeants comprennent l’expérience actuelle des employés. Seuls 28 % des répondants de Visier estimaient que leurs dirigeants comprenaient pleinement la manière dont les employés utilisaient actuellement l’IA, et 33 % pensaient que les dirigeants comprenaient leurs besoins en formation et en accompagnement. Ces réponses montrent qu’il faut que l’information circule dans les deux sens : les dirigeants expliquent leurs projets, et les employés décrivent leur usage quotidien et leurs difficultés. Une annonce peut communiquer une décision, mais comprendre ses effets exige d’écouter les personnes censées modifier leur travail.

Andrea Derler, chercheuse principale chez Visier, relie ce besoin de compréhension au choix des mesures d’adoption. Elle avertit qu’évaluer des individus ou des équipes principalement à travers des pourcentages d’usage peut donner une image trompeuse et concentrer l’attention sur la quantité. Un décompte ne peut pas expliquer si les employés ont choisi des applications adaptées, protégé les informations ou vérifié le travail produit. Ces décisions exigent une préparation qu’un simple objectif d’usage ne peut pas fournir.

Préparer les employés à utiliser l’IA en toute sécurité et à en assumer la responsabilité

La préparation commence par un framework d’adoption par les employés : un plan initial sur la manière dont les personnes apprendront à utiliser l’IA, les règles applicables et l’évolution possible de leurs rôles. Derler recommande d’expliquer comment l’IA sera introduite, de fixer des règles initiales pour son usage et de décrire les effets attendus sur les employés. Ces étapes donnent aux employés une base pour décider comment travailler avec ces outils à mesure que le déploiement progresse. Elles clarifient aussi les responsabilités qui accompagnent chaque nouvelle attente.

Ces responsabilités commencent par la gestion sûre des informations et la compréhension des outils disponibles au travail. « Quelques compétences et concepts fondamentaux que chaque employé devrait maîtriser comprennent la protection des données sensibles et le téléversement d’informations avec le plus grand soin, la compréhension des capacités de base des outils approuvés disponibles au travail, et la vérification du travail avant d’envoyer à d’autres des contenus générés par l’IA », explique Derler. En pratique, les employés ont besoin de conseils sur la sécurité générale des données et sur la reconnaissance des résultats erronés. Avant de partager un travail, ils doivent évaluer les informations fournies à l’outil, comprendre ce qu’il peut faire et examiner son résultat.

La vérification doit avoir un responsable clairement identifié, car l’employé reste responsable de ce qui est partagé. « Plus important encore, les employés doivent assumer l’entière responsabilité du résultat. L’IA n’est pas responsable ; c’est la personne qui l’utilise qui l’est », déclare Derler. Un employeur qui attribue cette responsabilité doit aussi fournir les connaissances et la possibilité de l’exercer. Sinon, les employés restent comptables de résultats qu’ils ont été mal préparés à évaluer.

Une fois que les employés savent gérer les informations et vérifier les résultats de manière responsable, ils doivent apprendre où l’IA est utile dans leur travail. La préparation crée les conditions de l’expérimentation : les employés peuvent essayer des tâches appropriées, évaluer le résultat et discuter de ce qu’ils constatent. Les managers peuvent utiliser cette expérience pour décider quels usages encourager. Cela les aide aussi à distinguer les applications utiles d’une activité entreprise simplement pour satisfaire un objectif.

Déterminer où l’IA s’intègre avant de fixer des objectifs uniformes

Pour développer cette expérience, Derler recommande d’équilibrer l’adoption requise avec des possibilités offertes aux employés d’explorer, d’échanger et d’apprendre ensemble. Les employés peuvent aider à identifier les activités que l’IA peut exécuter et celles qu’elle peut soutenir pendant qu’une personne continue d’y contribuer. Leur implication donne aux dirigeants des informations concrètes sur la manière dont le travail évolue. Les objectifs formels peuvent alors refléter ce que les employés et les managers ont appris.

Derler explique pourquoi l’ordre des étapes compte : « La plupart des organisations sont encore en train d’apprendre quelles parties d’un workflow l’IA peut prendre en charge ou augmenter ; créer des possibilités d’expérimentation et d’apprentissage est donc une étape importante avant de fixer des objectifs ou des métriques formels d’adoption », dit-elle. Un workflow est la séquence d’activités utilisée pour accomplir une tâche, et augmenter l’une de ces activités signifie aider une personne à l’exécuter. L’expérimentation permet aux employés et aux managers d’évaluer cette répartition du travail avant d’en faire une pratique courante.

Un objectif uniforme en pourcentage peut inverser cette logique en précisant combien d’IA utiliser avant d’établir où elle a sa place. Les employés dont le travail comporte peu d’applications pertinentes de l’IA font face à des conditions différentes de celles de collègues disposant de nombreuses possibilités adaptées. Appliquer la même attente aux deux groupes peut pousser les personnes à trouver un usage simplement pour satisfaire la mesure. Une discussion collective aide les managers à tenir compte de ces différences tout en laissant de la place à un apprentissage continu.

Définir ces attentes exige aussi une vision suffisamment complète de la main-d’œuvre. « Beaucoup d’organisations, cependant, sont encore en train de reconstituer leurs données sur la main-d’œuvre et n’ont pas une vision complète de celle-ci, ce qui rend plus difficile de comprendre où l’IA peut créer des gains d’efficacité significatifs », explique Derler. Les retours des employés aident à relier les informations sur la main-d’œuvre aux conditions dans lesquelles les tâches sont effectuées. Les directives et les métriques peuvent alors servir les besoins de l’organisation tout en préservant des possibilités d’explorer où l’IA est appropriée.

Relier la formation aux évolutions du travail et des carrières

Une fois que les dirigeants comprennent où l’IA pourrait aider, les priorités des employés peuvent orienter l’accompagnement qu’ils fournissent. Interrogés sur ce qui améliorerait leur confiance dans l’usage de l’IA au travail, les répondants de Visier ont classé en premier la formation et les possibilités d’upskilling, en deuxième une plus grande transparence de la direction, en troisième les opportunités de croissance et d’évolution de carrière, et en quatrième une meilleure communication sur les effets de l’IA sur les employés. L’upskilling désigne le développement de compétences supplémentaires pour un travail en évolution. Ce classement donne aux dirigeants un point de départ pour discuter de la préparation concrète et des préoccupations de plus long terme des employés.

Les priorités de carrière élargissent la discussion au-delà de l’apprentissage du fonctionnement d’un outil. Les employés veulent comprendre comment l’IA va modifier les workflows et les processus, en particulier là où des compétences et une expertise existantes pourraient devenir obsolètes. Une vision concrète du travail futur les aide à ajuster leurs attentes et leurs objectifs de carrière. Développer une maîtrise de l’IA devient un engagement plus significatif lorsque les employés comprennent ce que cela pourrait signifier pour leur avenir dans l’entreprise.

Ce lien avec les opportunités futures compte aussi pour l’engagement des employés. Lorsque la direction de l’organisation n’est pas claire, les employés ont plus de mal à décider quoi apprendre et comment se préparer. Les dirigeants doivent relier les changements du travail à des trajectoires possibles de croissance et d’évolution. Les employés peuvent alors prendre des décisions de développement avec une compréhension plus claire des raisons pour lesquelles ces capacités comptent.

Les employeurs font face à des arbitrages financiers en parallèle de ces décisions de développement. « Le risque de sous-investir dans la formation et l’upskilling, c’est que l’alternative peut coûter bien plus cher », affirme Derler. Elle identifie directement ces alternatives : « Les licenciements, les réembauches et la concurrence pour attirer les meilleurs talents en IA s’accompagnent tous de coûts directs et indirects importants. Investir dans la main-d’œuvre dont les organisations disposent déjà peut être un élément important pour rendre l’adoption de l’IA durable. » Sa recommandation place les budgets de formation au regard des coûts d’autres changements de main-d’œuvre qu’un employeur pourrait envisager.

Le niveau de dépense approprié dépend de ce que l’organisation veut accomplir avec l’IA. Derler indique que certaines entreprises ont besoin d’une formation et d’un upskilling plus solides, tandis que d’autres peuvent avoir besoin de ressources supplémentaires, de nouveaux talents ou de nouveaux outils pour aider les employés à s’adapter à un rythme de travail modifié et à accéder à des compétences IA appropriées. Pour les entreprises qui investissent des « millions » dans l’IA, elle soutient que la participation des employés est essentielle pour rendre cette dépense utile. Cette participation aide à éviter un usage performatif : une activité visant à donner l’impression d’adopter l’IA tout en laissant inchangée la valeur du travail.

Points clés à retenir pour les décideurs

• Faire correspondre les objectifs d’adoption au niveau de préparation des employés : Les managers qui fixent des objectifs d’IA doivent évaluer les compétences des employés, leurs besoins en accompagnement et leurs conditions de travail. Les seuls chiffres d’usage peuvent récompenser l’activité tout en laissant des problèmes de qualité non résolus.
• Clarifier les plans liés à l’IA et écouter les employés : Dans l’enquête de Visier, 59 % des employés ne savaient pas si leur organisation avait un plan clair concernant les effets de l’IA sur les employés et les emplois, ou pensaient qu’elle n’en avait pas. Les dirigeants chargés du déploiement doivent expliquer les changements attendus et recueillir des retours sur l’usage quotidien et les besoins de formation.
• Préparer les employés à assumer les résultats produits par l’IA : La formation doit couvrir les données sensibles, les outils approuvés, les résultats erronés et les pratiques de vérification. Les employés restent responsables des résultats partagés et ont besoin des connaissances et du temps nécessaires pour les contrôler.
• Tester les workflows avant de fixer des objectifs formels : Les managers et les employés doivent avoir la possibilité d’identifier les tâches que l’IA peut exécuter ou soutenir. Utilisez ces constats pour définir des attentes qui reflètent le travail effectué par chaque équipe.
• Relier la formation aux opportunités de carrière : Les employés ont classé la formation et l’upskilling comme leur priorité numéro un pour renforcer leur confiance. Les décisions d’investissement dans la main-d’œuvre doivent relier le développement des compétences aux rôles futurs et mettre en balance les coûts de formation avec ceux des licenciements, des réembauches et de la concurrence pour les talents en IA.