Ce que nous nous trompons sur l’IA et la productivité

David Rice : Donc, votre équipe utilise l’IA pour rédiger des rapports, analyser des données et prendre des décisions plus rapidement. La productivité est en hausse, n’est-ce pas ? Vos indicateurs trimestriels ont sûrement bonne mine, mais devinez quoi ? Vous rendez discrètement vos collaborateurs moins intelligents. Je n’exagère pas. Une étude récente menée auprès de professionnels de la santé utilisant des outils de diagnostic assistés par IA a révélé qu’ils dépendaient tellement de la technologie que, lorsque l’IA était désactivée, leurs performances étaient nettement pires qu’avant d’en avoir fait usage. Ce n’est pas un problème de formation. C’est une atrophie cérébrale.

L’invitée du jour sur le podcast est la Dr Vivienne Ming. Elle est neuroscientifique théorique, entrepreneure, qui, il y a 15 ans, avait prédit que la navigation GPS augmenterait les taux de démence. Et aujourd’hui, il y a des preuves empiriques qu’elle avait raison, mais ce n’est pas pour cela qu’elle est ici.

Ce qu’elle vient nous expliquer, c’est qu’on a aujourd’hui le choix entre deux chemins totalement différents : l’automatisation cognitive, où l’IA fait le travail à votre place, procurant des victoires rapides mais des pertes à long terme, ou l’augmentation cognitive, où l’IA rend le travail plus exigeant mais améliore réellement vos collaborateurs.

Nous allons aborder pourquoi la promesse « l’IA facilite la vie » est actuellement le discours le plus dangereux dans le monde des affaires, la différence entre l’automatisation qui érode les compétences et l’augmentation qui les renforce, comment repenser les outils d’IA pour que les gens soient meilleurs à la fin qu’au début, et pourquoi les dirigeants qui choisissent la voie de la facilité verront des gains à court terme mais un échec stratégique à long terme.

Je suis David Rice. Ceci est People Managing People. Et si vous avez applaudi les gains de productivité sans vous demander ce que vous perdez dans ce processus, cette conversation risque d’être un réveil brutal. Allons-y.

Très bien, Vivienne, bienvenue dans l’émission.

Vivienne Ming : Ravie d’être ici.

David Rice : Avant de commencer, je parcourais les actualités comme je le fais parfois, et j’ai vu un article. Nature a publié une étude la semaine dernière qui disait que lorsqu’on nourrit l’IA d’informations, notamment issues des réseaux sociaux, elle galère. Pour donner du sens à quoi que ce soit, j’aurais aimé avoir ta réaction car ils disaient explicitement que trop de réseaux sociaux provoque la « pourriture cérébrale » des chatbots IA.

Vivienne Ming : Exactement.

David Rice : Donc, ce contenu n’est bon pour personne ?

Vivienne Ming : « Pourriture cérébrale » est le terme à la mode. Pourriture cérébrale et soupe de travail. Je pourrais vous donner une explication très technique sur ce qui se passe et ce qu’il faudrait faire, mais pour un large public, il faut s’inquiéter : il suffit en réalité de très peu d’informations de mauvaise qualité pour entraîner un modèle de langage dans une mauvaise direction.

Et même si on revient à ce qu’on appelle l’humain dans la boucle, l’affinage, l’apprentissage par renforcement, il est très difficile pour le modèle de retrouver son niveau initial. Beaucoup parlent de l’importance des bonnes données, mais voilà un exemple où même une petite quantité, involontaire ou parfois volontaire (injecter intentionnellement des déchets dans le système) provoque un effet équivalent à pirater un cerveau.

Donc, ce n’est même plus de la pourriture cérébrale, c’est du parasite cérébral. Il y a de quoi s’inquiéter. Voici ma réponse un peu « nerd », sur laquelle j’ai d’ailleurs écrit un article que je vais soumettre : écoutez, les humains sont imparfaits. Nous sommes aussi pleins de biais. Il s’avère que nous exposer à Internet abîme aussi notre cerveau.

Mais malgré ces éléments honnêtes, les humains font une chose essentielle : si nous recevons une information manifestement absurde, nous l’ignorons. Il y a des exceptions bien sûr. Mais, dans le cas de la recherche sur la pourriture cérébrale – rapportée dans cette étude – il s’agissait souvent de charabia.

Aucun humain ne lirait une page de charabia en se disant : « oh mon dieu, il faut que je retienne ça ! » Nous avons ce super-pouvoir que les IA n’ont pas encore : nous avons un modèle du monde. On parle beaucoup de modèle du monde dans l’IA, mais ce n’est pas comparable. Nous regardons le monde, nous appliquons notre modèle, et tout ce qui ne s’y ajuste pas (pour le meilleur et le pire), on se dit : « c’est moins important, je ne vais pas intégrer ça ». Il faudrait apprendre à l’IA à faire pareil. L’idée qu’il faille peaufiner des ensembles de données parfaits, en ne montrant jamais à l’IA une radio mal prise ou une donnée de mauvaise qualité sinon elle va « pourrir », c’est une véritable faiblesse de nos méthodes d’apprentissage actuelles.

David Rice : On entend souvent que nous avons créé un cerveau aussi sophistiqué que le nôtre. J’ai déjà entendu ça et, honnêtement, j’ai toujours eu du mal avec le terme « cerveau ». Mais en lisant tout ça, je me dis – peut-être que c’est vraiment un cerveau. Les contenus sur les réseaux sociaux ont sur l’IA le même effet que sur nous, finalement ?

Vivienne Ming : Oui. Je préfère rester mesurée. Je suis réaliste sur l’IA. Le monde est rempli d’absurdités. Il y a les utopistes qui pensent que l’IA va tout réparer et les dystopistes qui voient en elle la naissance de Skynet. J’aimerais qu’on ait un « problème Skynet », seulement dans le sens où cela voudrait dire qu’on sait construire ce genre de chose.

Mais ce n’est pas le cas. Nous n’avons aucune idée. Mais ce que nous avons construit est réellement intelligent. C’est de l’intelligence artificielle, mais sous une forme particulière : l’apprentissage statistique. C’est ce que l’on utilise énormément nous aussi, et ça, c’est ce qui nous rapproche. En ce sens, il y a beaucoup de similitudes entre les grands modèles de langage et les êtres humains.

Mais nous avons d’autres formes d’intelligence : basse (calculs simples) ou très élevée (concepts larges). Un exemple célèbre : Henry Markham, un patient qui a subi une opération pour traiter son épilepsie enfant, et n’a plus jamais formé de nouveaux souvenirs à long terme. Les gens comme moi le connaissent comme un sujet de recherche célèbre.

Il savait jouer de la guitare mais ne se souvenait pas avoir appris. En ce sens, il existe différentes formes d’intelligence. Il ne pouvait plus former de nouveaux souvenirs, mais continuait d’apprendre la guitare. Machines et humains ont des atouts différents. Plutôt que de chercher à construire des humains artificiels, il vaudrait mieux célébrer ce que l’IA sait faire.

Nous serions bien mieux placés aujourd’hui.

David Rice : Je suis d’accord, et c’est amusant car cela recoupe ce dont je voulais parler : il y a cette idée que l’IA va tout faciliter, rendre la vie plus efficace, productive, rentable.

Je pense que c’est justement ce que beaucoup de dirigeants aiment s’imaginer. Mais quand nous avons parlé, tu remettais ce récit en question : et si l’IA ne rendait pas la vie plus facile, mais plus difficile – et que c’est justement ce qui nous rend meilleurs ? Donc, j’aimerais que tu nous expliques ça avec tes mots : à quoi ça ressemble ?

Vivienne Ming : J’ai partagé ce week-end dans ma newsletter une recherche sans rapport direct avec l’IA, qui montre que, en contrôlant tous les autres paramètres (race, genre, âge, etc.), les investisseurs à risque sont plus susceptibles d’investir dans des entrepreneurs qui leur ressemblent physiquement.

Une expérience qu’on ne peut mener qu’avec l’IA, qui permet de mesurer la similarité numérique des visages et de voir : on a 3 % de chances en plus de lever des fonds auprès d’un investisseur qui nous ressemble – mais 7 % de chances en moins de produire un rendement. Cela illustre que nous sommes pleins de biais.

Et comment cela nous aide-t-il ? Par exemple, on investit dans des gens qui nous ressemblent, mais cela donne de moins bons résultats, alors que nous pensions être rationnels… Une des grandes irrationalités humaines, c’est cette tendance à chercher la facilité. En psychologie, on parle de traitement superficiel et profond. Même les plus brillants passent l’essentiel de leur temps en superficiel, et c’est normal. Mais de temps en temps, il faut aller en profondeur.

Or, on a construit l’outil parfait pour rester superficiel toute sa vie. Si on ajoute à cela le fait que les décisions des dirigeants peuvent être imparfaites (par exemple, choisir quelqu’un qui leur ressemble plutôt que la personne la plus compétente)...

Une autre étude que j’ai partagée montre que le principe de Peter est bien réel : dans les équipes commerciales, les promotions reposent sur les résultats de vente, pas sur le potentiel managérial, ce qui a des conséquences réelles.

Alors nous faisons tout cela, tandis que les mêmes humains prennent les décisions de promotion, d’investissement et de déploiement de l’IA. Nous achetons le discours selon lequel la valeur de l’IA est de « rendre la vie facile », pour faire les tâches ennuyeuses et libérer la créativité. Mais, dans mes recherches, plus l’IA fait de tâches ennuyeuses, plus il y a de travail ennuyeux généré pour tous.

Exemple classique : dans beaucoup d’entreprises, on propose à ses équipes d’avoir une IA qui lit et écrit tous leurs e-mails, pour gagner du temps. Mais si l’IA produit une montagne de messages inutiles, vous aurez plus d’e-mails, pas moins ! Cette idée que l’IA est synonyme d’efficience rapide (une sorte de coke de la productivité), à mon avis, est une impasse totale.

Pour ne rien arranger, cela érode clairement le capital humain à mesure que la technologie remplace les humains. Ce n’est pas vrai que si l’IA fait tout le travail ennuyeux, on devient miraculeusement hyper-créatif. Si vous voulez de meilleurs collaborateurs et que l’IA vous enthousiasme vraiment, comme moi depuis 30 ans, vous devez construire une IA qui soutienne explicitement la créativité : la meilleure IA pour cela ne rendra pas votre vie plus facile, mais plus difficile, en vous mettant au défi de justifier vos idées, de corriger vos erreurs. C’est « l’opposition loyale ».

Dans mon prochain livre, j’en parle et j’appelle cela l’invite Némésis (« nemesis Prompt »). Quand j’écrivais un chapitre, je disais : « Gemini, tu es ma Némésis. Voici mon chapitre. Trouve tout ce qui est faux, toutes les mauvaises idées, toutes les erreurs factuelles, et explique-les moi, dis-moi comment je pourrais faire mieux. »

Je n’ai pas utilisé l’IA pour rendre l’écriture plus simple, mais plus exigeante, pour me rendre meilleure.

David Rice : C’est quelque chose qu’on retrouve dans toute la culture autour de l’IA, non ? On la voit comme un raccourci de productivité, un outil de commodité, mais on ne la présente pas souvent comme un catalyseur de croissance ou de transformation pour les leaders. On ne la décrit pas comme un outil qui remet en question nos idées, qui pousse à se poser les bonnes questions. On la présente comme toutes les autres technologies depuis 50 ans : un truc facile qui va rendre la vie plus confortable. Mais je ne crois pas que cela ait été bénéfique dans d’autres domaines, donc...

Vivienne Ming : Quand j’ai partiellement changé de voie – je reste fondamentalement scientifique – et monté ma première entreprise, on a commencé à me demander d’intervenir sur la façon dont le travail allait évoluer avec l’IA.

Comme j’avais créé des entreprises IA dans l’éducation, le monde du travail et la médecine, qui mieux que moi pour témoigner ? Je monte sur scène, et la personne à côté de moi affirme : « C’est comme la révolution industrielle. Il n’y a pas de souci à se faire, ça créera plus d’emplois que ça n’en détruira, le futur sera radieux » – comme si évoquer la révolution industrielle était une démonstration mathématique irréfutable.

Une fois, j’ai partagé la scène avec le plus grand « mansplainer » que j’ai jamais rencontré, un type qui inventait littéralement des faits tout au long de l’événement, au point que je suis sorti de scène furieux et que j’ai griffonné « Ceci n’est pas la Révolution industrielle ». Ça a fini en 100 000 mots, un chapitre du livre jaune derrière moi.

La vraie question, c’est : savez-vous seulement ce qu’a été la Révolution industrielle ? C’est un sujet d’histoire économique un peu pointu, mais surtout, l’IA est-elle une simple chaîne d’assemblage ou une nouvelle électricité, un moteur à combustion ? On aime pointer ces moments où tout change, mais l’IA ne « tire pas vers le bas ». Pour l’IA, il n’y a pas de bas : on peut lui demander d’écrire le tweet le plus bête du monde ou de générer une image éphémère, ou de diagnostiquer un cancer.

Ou d’imaginer une nouvelle explication à la cause du cancer, et comment le soigner définitivement. L’IA ne fait pas la différence entre tout ça. C’est juste deux « runs » sur une même journée et à la sortie, soit vous produisez une plaisanterie éphémère, soit vous changez l’histoire de l’humanité. Ce n’est pas la chaîne de production, ni la révolution agricole, ni aucun événement du passé. Ça ne garantit rien de bon ni de mauvais.

Tant qu’on n’admet pas que les humains sont imprévisibles et que l’IA l’est aussi, mais différemment, si on combine mal les deux, alors les endocrinologues deviennent mauvais pour diagnostiquer les cancers, les étudiants perdent en activité cérébrale en rédigeant leurs dissertations, etc. Ce n’est ni bon ni mauvais. Au final, c’est un grand système dynamique compliqué, et tout dépend de l’usage. Bien plus que n’importe quel débat de société ; ce n’est pas l’IA qui fait le mal, mais notre interaction avec elle qui façonnera l’avenir.

Si nous n’osons pas aller en profondeur, je suis inquiet.

David Rice : On compare souvent à ces précédents événements historiques, mais le rythme n’a rien à voir. Notre cerveau n’est pas câblé pour faire face à une telle rapidité, non ?

On commence déjà à le voir à travers la difficulté des gens à dire ce qui est réel ou non dans les contenus d’Internet. Ils ne savent pas toujours si c’est l’IA ou non, ou alors ils croient que c’est l’IA quand ce n’est pas le cas, ou inversement. Jamais auparavant on n’avait eu à remettre à ce point la réalité en question, je crois. C’est une tâche inédite pour nous, humains. Et la question clé, c’est toujours : comment allons-nous l’utiliser ? Si on a du mal à comprendre ce qui se passe, il y a de quoi mal utiliser l’outil.

Vivienne Ming : Je mène justement une étude pilote sur l’intelligence collective hybride : le bon, le mauvais et le pire de l’interaction humain-machine, et ce qu’elle peut produire. C’est très préliminaire. Pour les plus « nerds » d’entre vous, il faudra attendre la publication de l’article pour plonger dans la méthodologie et les résultats.

Mais, je me suis dit qu’on pouvait mesurer l’impact réel d’une personne en observant la qualité des prédictions qu’elle fait sur le monde. Il existe déjà un site, Poly Market, qui permet de parier de l’argent sur les issues du monde : la présidentielle, divers sujets, etc.

Une anomalie y a récemment été détectée lors de l’élection Mond, par exemple. Imaginons des équipes de trois à cinq participants universitaires, à qui on confie une vingtaine de prédictions issues de Poly Market que chaque équipe doit trancher collectivement en une heure. Ils ne sont pas experts, ils n’ont pas d’argent en jeu, mais les résultats de ces prédictions sont vérifiables, je peux comparer leurs scores, ceux de Poly Market, et ceux d’IA (Gemini, GPT, etc.).

On peut même tester l’intelligence hybride, humain + machine en interaction, et enfin réserver un cas particulier. Ce qu’on observe, c’est que les humains seuls obtenaient des résultats moyens, inférieurs à Poly Market. Les IA seules font plutôt bien, surtout sur les réponses évidentes. Dès que les choses se complexifient, elles échouent plus souvent. En hybride, humain-IA, c’est bien plus compliqué : c’est le capital humain qui prédit le mieux la réussite, car c’est lui qui dicte la manière de s’engager avec l’IA. Faible capital humain : on suit aveuglément l’IA, et le groupe hybride a le même résultat que l’IA seule. Haut capital humain : il y a échanges d’idées, l’IA affine, les humains réagissent, etc.

Résultat excitant : de simples étudiants universitaires, avec une IA, obtiennent des scores équivalents à Poly Market, notamment dans les cas les moins prévisibles. L’intelligence hybride excelle là où personne n’avait anticipé le résultat. Mais tout dépend de la manière de s’engager. C’est technique, mais ce que j’essaie de dire rejoint ce que tu mentionnais : c’est seulement quand on s’implique activement dans le processus – sans sous-traiter notre cerveau collectif – qu’on en tire de vrais bénéfices. Croyez-moi : la chose la plus intelligente sur Terre aujourd’hui, c’est l’intelligence hybride. Ce n’est pas un super-IA ou un génie isolé, mais un groupe de gens « juste au-dessus de la moyenne », épaulés par une IA. Rien n’arrive à la cheville. C’est assez époustouflant.

David Rice : C’est fascinant, ça me fait réfléchir à plein de choses.

J’ai justement lu sur Poly Market le week-end dernier. Je n’en avais jamais entendu parler avant. C’est étrange de voir ces plateformes émerger, où l’on peut tout parier… Mais, avançons. Je voulais parler du mythe de l’efficacité. On voit des exemples partout. L’efficience, on en vit tous, je crois. Dans les entreprises, dans les process… À ton avis, ce discours sur l’efficience freine-t-il l’impact potentiel de l’IA sur le travail ?

Vivienne Ming : Le postulat d’efficacité part d’un certain nombre d’a priori : d’abord que nous avons une vision solide de l’efficacité, que le nombre de lignes de code ou de flux d’affaires représente vraiment ce qui rend votre entreprise exceptionnelle. Mais en réalité, l’essentiel de la croissance économique des trente dernières années aux États-Unis vient de « super firms », une minorité d’entreprises qui sont hors-normes.

C’est difficile de saisir ce qu’elles créent de si nouveau, mais elles sont incroyablement productives, avec des marges opérationnelles par salarié géantes – ce n’est pas qu’ils vont plus vite pour écrire leur code ou leurs e-mails. Des études internes de Google montrent que les meilleures équipes sont en fait plutôt inefficaces dans un sens classique : elles passent peu de temps entre elles, plus de temps avec d’autres dans l’organisation, elles ont beaucoup de confiance, peu de supervision, elles collaborent vraiment.

Mes propres recherches portaient sur la productivité de second ordre : comment une personne rend-elle les autres meilleurs ? Presque toutes nos mesures d’efficacité sont individuelles ou à l’échelle de l’équipe, ce qui ne capte quasiment pas ce phénomène. J’ai donc modélisé une entreprise comme un réseau de neurones, chaque employé étant un neurone artificiel.

Avec ce modèle, on peut appliquer la théorie de l’attribution du crédit (credit assignment) des réseaux neuronaux : comment le changement d’une personne affecte la production globale ? Ce raisonnement profond m’a amenée à l’appliquer à une entreprise réelle : résultat, 11 % des salariés représentaient 80 % de la productivité non directement mesurée par les indicateurs individuels. Ce sont des profils qui faisaient progresser les autres plutôt qu’eux-mêmes.

L’analyse de leurs données quotidiennes montrait qu’ils se distinguaient tout simplement par l’aide apportée aux autres. S’ils étaient « inefficaces », c’est parce qu’ils dédiaient du temps à prêter main forte hors de leur fiche de poste, élevant la performance de tout leur entourage.

Aucune métrique d’efficacité ne saisit cela, pourtant c’est un énorme moteur caché de productivité. Si vous pensez « je vais remplacer mes centres d’appel par des chatbots pour économiser », attention : si cela génère ou aggrave d’autres problèmes, ou si l’automatisation du code oblige les seniors à passer du temps à corriger, le bénéfice s’évapore. En revanche, quand les personnes à haut capital humain utilisent l’IA pour approfondir leur code – même si c’est plus lent sur le moment – la qualité et l’impact à long terme sont supérieurs.

Autrement dit, nos intuitions de l’efficacité sont complètement faussées, à l’heure où il faudrait miser sur les personnes qui prennent des risques, font des erreurs productives, essaient de nouvelles façons avec l’IA, plutôt que d’automatiser à faible coût ce qu’on sait déjà faire. Mais on fait exactement le contraire, et cela ne mène nulle part.

David Rice : J’adore l’exemple du salarié qui part et dont l’impact est immédiat. On l’a tous vécu dans nos équipes : quelqu’un de moins « visible » fait pourtant tenir tout un groupe, comme ce qu’on appelle dans le sport le joueur « liant » du vestiaire. Quand il s’en va, l’équipe a du mal un certain temps. Mais comment quantifier cela ?

Vivienne Ming : Exactement, et dans le sport c’est très pris au sérieux. Des metrics comme la « value over substitution » révèlent que certains profils inattendus émergent, tandis que des valeurs sûres disparaissent des tops. L’enjeu est de voir l’organisation comme une communauté : il faut penser la complémentarité des talents comme on gère une chaîne logistique complexe. Une personne efficace dans une équipe ne le sera pas forcément dans une autre, tout dépend du contexte. Parfois, un Djokovic peut transformer une équipe correcte en contender mondial, juste par son effet sur les autres.

Dans nos données, certains des profils qui boostaient tout le monde étaient évidents, mais d’autres passaient inaperçus selon les métriques individuelles. Il serait insensé de s’en séparer si l’on comprenait leur valeur collective. Si on modélisait ainsi le potentiel humain, ce serait passionnant. Mais, pour revenir à l’IA, il faut se demander comment elle rend les gens meilleurs, et non comment elle les remplace.

David Rice : Tu avais donné l’exemple du réseau neuronal à 500 000 personnes. En y réfléchissant, c’est un point de vue précieux qu’on ne peut obtenir que grâce à cette diversité. Beaucoup s’inquiètent de la disparition des postes d’entrée de gamme, ce qui mettrait en péril l’apprentissage et la promotion interne. Mais il en va aussi du regard neuf et de la compréhension de notre position dans la société. Dans un monde où l’IA « ne sait rien » – comme tu l’as déjà dit – que risque-t-on à supprimer ces postes d’entrée ?

Vivienne Ming : Pour répondre, je vais contextualiser la phrase : « l’IA ne sait rien ». Mes doctorants (à UC Berkeley et ailleurs) sont parmi les personnes les plus brillantes que j’aie rencontrées. Sur leur sujet, ils en savent plus que moi. Mais pourquoi suis-je là ? Ils pourraient tout apprendre dans les livres, dans les articles. Mais ils connaissent tout… et ne comprennent rien. Mon rôle n’est pas de leur apprendre des faits, mais l’art de la compréhension – comment être chercheur, comment explorer le cerveau, qui est bien plus complexe que GPT-5.

Tout ce savoir est accessible, mais le vrai travail est d’explorer l’inconnu, de choisir la bonne question. Travailler avec un LLM, c’est un peu comme travailler avec mes doctorants : ils semblent tout savoir, mais ne comprennent rien, surtout ce qu’ils ignorent. Le boulot, dans mon expérience Poly Market, c’est d’explorer l’inconnu. C’est là où l’humain excelle.

Pour les jeunes diplômés, ce n’est pas ce qu’ils savent qui est intéressant, on « loue » temporairement leur savoir pour que les seniors ne fassent pas toutes les tâches ingrates. Tandis qu’ils trient les dossiers, bossent aux urgences, nous les accompagnons sur la voie de la compréhension – pas juste de la connaissance. Un juriste d’entreprise m’a raconté, après un événement à New York pour des directeurs juridiques, qu’il laissait les nouveaux arrivants lire tous les contrats avant de les rencontrer en entretien et leur laissait présenter toutes leurs découvertes (« on pourrait profiter de telle clause, attaquer tel concurrent »), avant de leur expliquer pourquoi on ne ferait rien de cela : « ce n’est pas ça, ton métier – tu dois apprendre à quoi sert le droit, pas seulement l’appliquer mécaniquement ».

Si on retire à une génération la partie « connaissance » de la carrière, comment accéderont-ils à la « compréhension » ? On ne devient pas décisionnaire par magie. Certes, dans la sphère des créateurs YouTube/TikTok, on peut percer sans étape, mais est-ce réellement le modèle souhaitable ? Dans ce système, le succès relève beaucoup trop de la chance. Ce ne devrait pas être la norme. C’est mauvais pour la société et l’économie.

La prise de décision la plus intelligente se fait quand l’humain et l’IA analysent les choses ensemble, pas l’un ou l’autre séparément. C’est l’interaction, le « job cyborg », qui transforme la qualité du travail et offre à chacun l’opportunité d’apprendre.

David Rice : Il y a beaucoup à déballer, mais je reviens toujours à l’absence de contexte pour le monde. Le jugement pratique s’apprend petit à petit, via des expériences formatrices qui modèlent notre vision du travail, de notre boss, etc. Ma grande crainte est la perte de ce processus de croissance chez l’humain. Peut-être que je dramatise…

Vivienne Ming : Voici un paradoxe, passionnant pour un scientifique mais inquiétant pour l’humanité.

L’IA appliquée à l’éducation est l’un des domaines les plus anciens et profonds. Il existe une règle d’or, confirmée avec les LLMs : si le tuteur IA fournit les réponses, l’élève n’apprend rien. Des travaux récents au MIT, et chez Anthropic par exemple, le confirment. Pour les primo-entrants sur le marché, si le LLM donne les réponses, la plupart n’apprendront jamais à faire leur travail – seuls une minorité iront en profondeur.

Le meilleur tuteur IA ne donne jamais la réponse, même s’il peut le faire. Il n’impose pas non plus de réfléchir avant. C’est une méthode socratique. « Que penses-tu ? Comment résoudrais-tu ce problème ? As-tu lu tel article ? » Ce qui importe, c’est de guider l’élève vers son propre éclaircissement, jamais de lui fournir la solution.

Cela rejoint mes travaux sur les neuroprothèses/cyborgs : la technologie doit non seulement nous améliorer lorsque nous l’utilisons, mais faire que nous progressions hors de son usage. Or, énormément de recherches montrent que l’inverse se produit : la majorité des gens qui interagissent avec un LLM deviennent PIRE à la tâche qu’ils essaient d’accomplir. Ça ne doit pas être une fatalité. Ce n’est pas l’IA la coupable, mais l’interaction que nous avons avec elle. Il suffit de repenser la conception pour que l’IA donne ce dont l’élève a besoin pour progresser, pas ce qu’il souhaite par facilité.

David Rice : Je suis d’accord. Tu avais utilisé le terme « économie Jiffy Lube », ce qui m’a fait penser à une forme de déprofessionnalisation, non ? Peux-tu expliquer ?

Vivienne Ming : Comme je l’ai dit plus tôt, est-ce que l’IA va créer plus d’emplois qu’elle n’en détruira, « comme la Révolution industrielle » ? En théorie oui, car chaque fois qu’un nouveau métier naît, aussi complexe ou diplômé soit-il, s’il est régulier et rentable, une IA l’automatisera en six mois. La question n’est donc pas combien d’emplois seront créés mais qui sera qualifié pour les postes que l’IA NE pourra PAS faire ? Pour l’instant, ils sont une infime minorité.

Au lieu de créer une économie de « super-docteurs IA » (ce qui serait faisable dans l’absolu, et passionnant dans l’intelligence hybride en médecine), le risque, c’est d’avoir la coloscopie façon Jiffy Lube : un jeune diplômé consciencieux branche l’ordinateur, la machine réalise l’essentiel du travail, on obtient 80 % de la valeur pour 20 % du coût. Beaucoup de DAF verraient cela comme un gain. Les métiers ne disparaissent pas, ils se déspécialisent. Le nombre de « petits jobs » croîtra sans doute, réservés à ce que l’IA ne vaut pas le coup d’automatiser. Quelle fissure sociale...

David Rice : C’est rude. On parle beaucoup d’augmentation, c’est un espoir. Mais on glisse souvent vers l’automatisation cognitive. Peux-tu expliquer la différence et pourquoi elle importe aujourd’hui pour les leaders ?

Vivienne Ming : Je peux donner une réponse de neurosciences : quand on utilise vraiment le cerveau, ça demande de l’effort, l’activité du lobe préfrontal explose, on gère les émotions, la complexité. On parle en neurosciences d’activité gamma – haute fréquence – qui signale une véritable réflexion. Dans une étude du MIT, elle était nettement réduite chez les étudiants ayant utilisé un LLM pour écrire.

Ceux qui n’avaient rien utilisaient plus leur cervelle, leurs textes étaient moins bons mais ils se sentaient propriétaires, et s’en souvenaient. Ceux qui utilisaient un LLM ne retenaient pratiquement rien et ne reconnaissaient même pas ce qu’ils avaient produit. Autre étude : leurs travaux étaient aussi jugés moins convaincants par des tiers.

Pour vulgariser : l’automatisation cognitive, c’est le pilotage GPS. Avant, les chauffeurs de taxi londoniens mémorisaient tout leur environnement, leur hippocampe était surdimensionné et leur vieillissement cérébral plus sain. Aujourd’hui, Uber suit juste la carte GPS. On arrive mieux à destination, mais, comme je l’avais prédit il y a 15 ans, cela pourrait faire augmenter la démence : le cerveau n’est plus stimulé. D’ailleurs, c’est prouvé empirique – on est pire sans la technologie car on s’est privés de l’usage du cerveau.

L’automatisation cognitive me fait arriver, l’augmentation cognitive me fait grandir en chemin. Je donne aux étudiants ce défi à UC Berkeley : réinventer Google Maps pour qu’en arrivant, on soit meilleur qu’au départ. Beaucoup de pistes imaginées : il suffit en fait de vérifier les propositions de la carte et d’y ajouter ses connaissances propres pour optimiser l’itinéraire. C’est cela, l’augmentation cognitive. Utiliser son cerveau EN PLUS du bénéfice IA.

On sait construire ce genre d’outils, mais ce n’est pas ce que proposent par défaut les LLM aujourd’hui.

David Rice : Pour illustrer, j’ai déménagé et voulu me construire une carte interne de ma ville. Après quelques mois sans GPS, je me suis appuyé dessus juste pour savoir quelle route serait la plus rapide, mais j’ai navigué moi-même…

Vivienne Ming : C’est pareil avec la recherche sur les gastroentérologues portugais : avec une IA qui assiste la coloscopie, si on désactive l’IA, les médecins sont bien plus mauvais qu’avant son introduction. Tant que l’outil est là, ils sont meilleurs, mais leur compétence s’érode. Si en plus humains et IA font des erreurs différentes, on perd la complémentarité. Seule l’intelligence hybride permet de joindre le flair humain et la rigueur machine ; on ne l’obtient jamais avec l’automatisation pure.

David Rice : Vivienne, cette discussion a été passionnante. Merci d’être venue. J’adore le sujet du cerveau face à l’IA, et la manière dont nos capacités évoluent. Merci beaucoup !

Vivienne Ming : Merci à vous de m’avoir accueillie. Si je devais conclure : il faut comprendre que ce sont les leaders qui feront la différence. Aller vers la facilité, c’est gagner un peu à court terme et perdre à long terme. Mais investir dans le capital humain, c’est la vraie voie, même si cela demande du courage et du capital politique dans votre entreprise.

David Rice : Absolument. J’ai d’ailleurs souligné lors d’une intervention à des DRH que chacun allait devoir engager la discussion philosophique qu’il pensait pouvoir éviter. C’est temps de s’y confronter ! Merci pour ta présence et ta conclusion finale.

Vivienne Ming : Un vrai plaisir. Merci à vous.

David Rice : Auditeurs, si vous ne l’avez pas déjà fait, inscrivez-vous à la newsletter. Rendez-vous sur peoplemanagingpeople.com pour la découvrir. Explorez aussi notre AI Transformation Explorer. En créant un compte gratuit, vous aurez accès à cet outil. Et d’ici là, ce sont les humains qui font la différence – et vous êtes en première ligne.