L’IA a trouvé le problème : ce sont vos décisions
Adoption de l’IA: Moins de 30 % des organisations utilisant l’IA obtiennent des résultats significatifs. Une refonte de la prise de décision est cruciale.
Théâtre de la productivité: L’IA améliore la vitesse mais pas la prise de décision. Les organisations tombent souvent dans le piège des « humains dans la boucle ».
Conception organisationnelle: L’IA nécessite de changer les structures de décision, pas seulement d’implémenter des outils, si l’on veut améliorer les processus et les résultats.
Approche comportementale: La réaction humaine et l’intégrité des processus sont essentielles dans l’adoption de l’IA, au-delà du simple déploiement technique.
Évolution du leadership: L’IA exige un leadership adaptatif, au-delà des cadres traditionnels, axé sur l’accompagnement plus que sur le contrôle.
Moins de 30 % des organisations qui tentent de mettre en place l’IA en tirent des retours significatifs, un chiffre qui reste obstinément stable même si l’adoption des outils s’accélère.
Paul Gibbons, consultant et auteur de « Adopting AI: The People-first Approach », a passé trois décennies à observer les déploiements technologiques échouer pour la même raison sous-jacente.
Les obstacles sont organisationnels. Silos, culture, état d’esprit, compétences.
Ce qui apparaît rarement dans les bilans d’échec, c’est ceci : l’organisation n’a jamais repensé la façon dont elle prend ses décisions.
Keep Reading—and Keep Leading Smarter
Create a free account to finish this piece and join a community of forward-thinking leaders unlocking tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
Cette remarque semble abstraite jusqu’à ce qu’on examine à quoi ressemble vraiment l’échec de l’intérieur. Jurgen Appelo, auteur de « Human Robot Agent » et fondateur de la newsletter Solo Chief, qualifie le schéma le plus courant de théâtre de la productivité.
Les dirigeants imposent des déploiements d’outils IA. Les équipes apprennent à les utiliser, les résumés se multiplient et des preneurs de notes envahissent chaque réunion. Puis, presque imperceptiblement, l’organisation se rend compte que tout va plus vite mais que rien n’a fondamentalement changé.
Les entreprises saupoudrent l’IA sur des workflows défaillants, et cela se voit.
Les flux de décision sous-jacents à ces workflows — qui est responsable d’un choix, quelles données l’informent, où le jugement humain est requis et où il s’agit simplement d’habitude — sont restés entièrement inchangés.
Appelo qualifie cela de « piège des humains dans la boucle » : chaque interaction avec l’IA commence et finit toujours par un humain, les systèmes ne communiquent jamais entre eux, et tout avance à la vitesse du goulet d’étranglement le plus lent. Autrement dit, les outils sont devenus plus intelligents, mais l’architecture n’a pas changé.
À quoi cela ressemble-t-il quand elle évolue ?
Quand l’outil fonctionne et que l’organisation ne suit pas
Carla Catelan dirige des opérations de recrutement à grande échelle depuis plus de vingt ans, menant des équipes à recruter chaque année par centaines dans des entreprises telles que Thoughtworks, Cognizant et Hewlett-Packard. Quand elle parle de l’IA dans le recrutement, elle n’en parle pas comme d’un outil. Elle en parle comme d’un problème de conception.
Le leadership dans une ère d’IA prioritaire consiste à concevoir des architectures de décision, à créer des systèmes où les personnes, les données et l’IA collaborent pour produire de meilleurs résultats.
Cette perspective repose sur une observation acquise à force d’expérience.
Lorsque Thoughtworks a commencé à appliquer l’analytique prédictive à son processus de recrutement, l’équipe de Catelan a découvert quelque chose d’inattendu. Le temps de cycle, soit le nombre de jours entre l’ouverture d’un poste et son pourvoi, était déjà court : régulièrement dans la fourchette de 30 à 35 jours. La rapidité n’était pas le problème. L’équipe est donc allée chercher la véritable cause du blocage.
Ils ont découvert que la variabilité dans la définition des postes entraînait des résultats d’embauche plus médiocres que la qualité des candidats. Des descriptions de poste ambiguës, surévaluées ou structurées de façon incohérente perturbaient l’apprentissage de l’IA en amont, générant ainsi des taux de conversion plus bas, plus de rejet tardifs et une performance initiale plus faible, indépendamment des personnes présentes dans le vivier de candidats.
La solution n’était pas un nouveau modèle. Thoughtworks a reconstruit ses descriptions de poste comme ce que Catelan appelle des « artefacts prédictifs », en retirant les critères qui corrélaient avec le bruit plutôt qu'avec la réussite, et en concentrant le signal transmis au modèle. L’IA s’est améliorée car les données d’entrée pour la prise de décision se sont améliorées.
Cette logique amont — la qualité de ce qui entre dans l’architecture décisionnelle détermine la qualité de ce qui en sort — se retrouve dans toutes les applications que Catelan a créées.
L’IA est déployée pour mettre en évidence des tendances, agréger des données longitudinales et structurer des signaux quantitatifs. Les humains conservent la propriété du jugement qualitatif et des décisions finales. La frontière entre les deux est explicite, pas implicite.
Les pilotes ne passent pas à l’échelle. L’architecture, oui.
L’échec le plus courant constaté par Catelan dans les organisations qui essaient de reproduire cette approche consiste à traiter l’IA comme une succession de pilotes plutôt que comme un changement fondamental de la façon dont le travail est décidé.
La plupart des entreprises investissent massivement dans des outils d’IA en s’attendant à des améliorations, dit-elle. Mais elles gardent les mêmes incitations, les mêmes structures hiérarchiques et le même faible niveau de culture des données parmi la direction. Le résultat, c’est que l’IA est soit sous-utilisée soit mal utilisée. Des modèles puissants produisent des informations qui ne sont pas dignes de confiance, pas comprises, ou dont on ne tient simplement pas compte.
Thoughtworks a résolu cela en mettant en place un groupe de travail transversal, dédié spécifiquement à la conception de décisions pilotées par l’IA en acquisition de talents.
Le groupe fonctionne avec des objectifs explicites au niveau de l’entreprise :
- Augmenter de 50 % les taux de conversion à chaque étape du processus de recrutement grâce à la segmentation prédictive
- Réduire de 30 % le nombre d’heures d’entretien en éliminant plus tôt les candidats à faible probabilité tout au long du parcours.
Ces chiffres ne sont pas des objectifs facultatifs. Ce sont le mandat.
Le déroulé est aussi important que les résultats visés. Avant toute automatisation, le groupe cartographie où sont prises les décisions critiques, qui en sont les responsables, quelles données sont nécessaires, et où le jugement humain doit rester central.
L’IA n’intervient qu’une fois cette architecture clairement définie, afin de renforcer des étapes précises plutôt que d’être plaquée sur des processus non analysés.
« Nous repensons les flux de prise de décision avant d’introduire l’automatisation, dit Catelan. Pas après. »
Les 90 % que la plupart des déploiements négligent
Yannick Fouagou, Directeur des opérations et solutions RH chez Greenshield, est parvenu à une conclusion similaire mais depuis un autre angle. Il est issu de l’ingénierie électronique ainsi que des systèmes qualité dans le secteur du pétrole et du gaz, des environnements où l’intégrité des processus est non négociable et où l’échec a des conséquences physiques. Lorsqu’il est passé aux ressources humaines, il a apporté la même rigueur au versant humain de l’adoption de l’IA.
Ce qui l’a surpris, c’est à quel point la technologie comptait peu face à la réaction humaine qu’elle suscite.
L’adoption de l’IA, c’est 10 % technologie et 90 % psychologie humaine. Au départ, je pensais que tout le monde serait également motivé à adopter ces outils, mais je me suis vite rendu compte que l’IA nécessitait la même gestion du changement que nous appliquons depuis des décennies. Si on fait l’impasse sur l’aspect humain, sur la peur, la résistance et la courbe du changement, même la technologie la plus avancée finira par échouer.
Pour Fouagou, l’architecture décisionnelle n’est pas simplement une question de design organisationnel. C’est une question de comportement. Son approche consiste à segmenter les parties prenantes selon leur position sur la courbe d’adoption, à les rejoindre là où elles se trouvent, puis à intégrer la nouvelle façon de travailler dans des processus et documents officiels afin que le changement devienne structurel et non une simple vague d’enthousiasme passagère.
« Nous ne faisons pas que déployer des outils, dit-il. Nous intégrons la nouvelle façon de travailler dans les procédures et politiques pour garantir la responsabilité. »
Cette codification crée une boucle de rétroaction. Le système surveille ce que les employés demandent, identifie les endroits où la documentation fait défaut et génère des recommandations pour combler ces lacunes. La base de connaissances apprend des schémas d'utilisation de ses utilisateurs. Voilà à quoi ressemble une architecture décisionnelle quand la dimension comportementale y est intrinsèquement intégrée, plutôt qu'ajoutée a posteriori.
La boucle dont les dirigeants doivent sortir
Les professionnels qui travaillent sur ces questions au niveau des fonctions disposent d'une marge de manœuvre pour repenser les processus. Le problème est plus épineux au sommet.
Gibbons a animé des programmes d’acculturation à l’IA pour des équipes de direction et a trouvé les résultats préoccupants. Lorsqu’il a demandé à un groupe de douze dirigeants quelle formation formelle ils avaient suivie l’année précédente, le total cumulé s’élevait à trois jours pour tous réunis.
« Cela ne suffit tout simplement pas », dit-il.
Le problème est davantage structurel qu’individuel. Gibbons avance que le succès a rendu la plupart des cadres dirigeants réticents au type d’apprentissage que requiert l’adoption de l’IA. Leur autorité repose sur la maîtrise des savoirs. L’IA bouleverse cet équilibre.
Appelo aborde le défi du leadership différemment mais parvient à la même conclusion. Quand l’IA surpasse les humains dans la plupart des tâches d’analyse, diriger ne consiste plus à détenir les réponses.
La plupart des cadres ont été formés sur des modèles de management conçus pour des contextes de relative prévisibilité. Appelo cite en particulier le leadership transformationnel, un modèle datant des années 1970 qui suppose un dirigeant contrôlant le flux d’information, validant les décisions et se trouvant au cœur de la boucle.
C’est justement ce modèle que l’adoption de l’IA invite à démanteler. Les managers au sein de la boucle deviennent des goulots d’étranglement. Les managers au-dessus de la boucle, qui orientent, ajustent et tranchent les choix vraiment difficiles, incarnent la nouvelle architecture attendue.
Gibbons nomme ce changement de paradigme le leadership adaptatif. Une posture pensée pour la rapidité, l’émergence, et l’action sans visibilité sur le point d’arrivée.
Nous ignorons à quoi ressembleront les expérimentations et si elles pourront se déployer facilement, déclare Gibbons. Les anciens paradigmes du leadership reposaient sur une prévisibilité qui n’existe plus aujourd’hui.
Construire une architecture décisionnelle pour l’IA
Les praticiens mentionnés ci-dessus ne partent pas d’une méthode commune, mais leurs démarches obéissent à une logique cohérente. Voici comment l’appliquer.
Commencez par la décision, pas par l’outil
Avant de choisir une application d’IA, cartographiez chaque décision significative dans le flux de travail ciblé. Qui est responsable de chaque décision ? Quelles données la nourrissent ? Où le jugement humain est-il vraiment requis, et où n’est-ce qu’une habitude ?
L’équipe de Catelan a mené cet exercice sur le processus d’acquisition des talents, avant toute introduction de modèles prédictifs. Cette cartographie a révélé que la principale source d’erreur se trouvait non pas dans la sélection, mais dans les descriptifs de poste qui alimentaient le processus.
Auditez les données d’entrée
L’IA apprend de ce qu’on lui fournit. Si les données intégrées à un modèle sont inconsistantes, exagérées ou mal structurées, les résultats le refléteront. La refonte des descriptions de poste par l’équipe de Catelan a suffi à améliorer la performance du modèle, sans même intervenir sur le modèle lui-même.
Avant de déployer l’IA sur un flux de travail, examinez la qualité et la cohérence des données d’entrée dont il dépend. Les mauvaises données s’amplifient d’autant plus vite aujourd’hui.
Fixez des objectifs métier, pas des indicateurs de processus
Des objectifs flous produisent des résultats flous. Le groupe de travail de Catelan poursuit des cibles précises : une augmentation de 50 % du taux de conversion de la sélection, une réduction de 30 % des heures d’entretien.
Ces objectifs mettent la pression sur la performance durable du système, plutôt que sur l’expérimentation isolée. Si vous n’êtes pas capable de formuler en termes business ce qu’un workflow IA refondu avec succès doit produire, votre schéma n’est pas prêt.
Définissez clairement la frontière entre humains et IA
Toute refonte exige deux réponses claires : qu’est-ce qui relève de l’IA, et qu’est-ce qui relève de l’humain ? Le principe de Catelan est que l’IA structure les signaux quantitatifs et fait émerger les insights, tandis que les humains conservent le jugement qualitatif et la décision finale.
Cette frontière doit être documentée, partagée, et réévaluée à mesure que le système évolue. À défaut, la responsabilité devient diffuse et les erreurs impossibles à retracer.
Intégrez la gouvernance avant de passer à l’échelle
Intégrez dès le départ la possibilité d’intervention humaine, la surveillance du biais et de la dérive, ainsi qu’une responsabilité claire quant aux résultats des modèles dans l’architecture. Fouagou consigne les changements dans la politique plutôt que de les laisser à l’état de pratiques informelles.
La gouvernance ajoutée a posteriori arrive généralement une fois qu’un problème s’est déjà produit.
Considérez l’adoption comme un problème comportemental
L’observation 10/90 de Fouagou représente l’étape que la plupart des organisations omettent totalement, ce qui conduit souvent à des erreurs coûteuses dans la mesure du ROI de l’IA. Le déploiement technique et l’adoption humaine ne sont pas le même événement.
Segmentez vos parties prenantes. Identifiez où la résistance est probable et abordez-la avant le déploiement, pas pendant. Mesurez non seulement l’amélioration de l’efficacité, mais aussi si le temps récupéré est effectivement réaffecté à des tâches à plus forte valeur ajoutée.
Il existe un fossé que la plupart des organisations n’ont pas encore affronté. Il se trouve entre les outils déjà déployés et la logique décisionnelle restée inchangée.
La façon dont Catelan présente la préparation à l’IA mérite réflexion.
« Cela signifie se poser constamment de meilleures questions », dit-elle. « Quels signaux sont importants, où l’incertitude existe, et comment les données peuvent éclairer le jugement humain. »
Les outils ont fait émerger la question. Le travail de conception, c’est ce qui y répond.
