De la curiosité à la confiance : Un cadre pratique pour l’adoption de l’IA

David Rice : Alors, votre équipe est curieuse de l’IA. Elle a regardé les démonstrations. Elle a lu les articles. Elle trouve cela intéressant. Et elle ne fait absolument rien avec, car la curiosité sans confiance n’est que de la procrastination avec de meilleurs prétextes.

Mon invité aujourd’hui est Justin Angsuwat. Il est Chief People Officer chez Culture Amp, et il va nous expliquer comment son organisation a réussi à rendre près de 80 % de ses employés confiants dans l’utilisation de l’IA en seulement six semaines.

Pas seulement curieux, confiants. Voici ce qu’ils ont fait différemment. Ils ont séparé l’exploration de l’attente. Pas de pression pour livrer des résultats impeccables, pas besoin d’attendre l’autorisation, juste un chemin structuré de la compréhension à l’expérimentation, puis à l’intégration. Mais il y a des aspects inconfortables auxquels Justin doit maintenant faire face.

La confiance ne se traduit pas automatiquement par l’intégration. Les gens restent figés devant cette étape, analysant leurs tâches quotidiennes et bloquent. Et parfois, ce sont les employés seniors censés intégrer l’IA dans l’organisation qui ont le plus de difficultés, car leur identité est liée au processus que l’IA vient juste de rendre obsolète.

Aujourd’hui, nous verrons pourquoi ils se sont concentrés sur la confiance des employés, et non sur des indicateurs d’utilisation ou des objectifs d’automatisation. Les exercices hebdomadaires qui ont généré de l’élan, comment amener les personnes des tâches déterministes vers les tâches probabilistes, là où l’impact réel existe. Pourquoi les jeunes employés peuvent être plus à l’aise que les dirigeants qui pilotent la transformation, et à quoi ressemble en pratique un niveau de confiance juste en dessous des 80 %.

Je suis David Rice. Voici People Managing People. Et si vous hésitez entre la curiosité et la mise en œuvre concrète, cette conversation va vous montrer exactement comment une entreprise a comblé cet écart. Alors, on y va.

Justin, bienvenue dans l’émission.

Justin Angsuwat : Merci, David. Ravi d’être ici. Heureux de discuter.

David Rice : Heureux de t’accueillir.

Je suis heureux de poursuivre notre échange à Orlando. J’attendais cela avec impatience depuis, donc… Avant de plonger en profondeur dans Coach et tout ce que tu as construit, peux-tu me décrire comment tes équipes ont concrètement commencé à travailler avec l’IA ? Qu’est-ce qui leur a permis de dépasser le stade de la curiosité ?

Justin Angsuwat : Bon, si on commence avec l’IA en général dans l’organisation, on a d’abord cherché à créer ce fameux « moment aha ».

Et ça a été un vrai apprentissage pour nous. Nous avons commencé avec nos équipes produit, puis nous sommes passés à d’autres équipes, ce qui signifiait partir d’un objectif, qui pour nous était la confiance des employés dans l’utilisation de l’IA. Je sais qu’il peut y avoir plein d’autres objectifs, comme l’utilisation ou l’automatisation, mais pour nous, c’était vraiment les humains derrière la technologie qui comptaient.

Donc notre but était d’améliorer la confiance des employés dans l’utilisation de l’IA. Parce qu’il est difficile de mesurer un moment « aha ». Nous avons donc lancé ce programme de six semaines, conçu pour séparer l’exploration de l’attente : il s’agissait intentionnellement d’apprendre, d’expérimenter, d’oser se lancer. Ce n’était pas une question de produire un résultat parfait, ce qui a vraiment levé la pression et rendu les gens beaucoup plus enclins à s’engager avec ce qui était à l’époque une technologie assez nouvelle.

David Rice : Ce que j’ai observé jusqu’à présent dans les entreprises que nous avons étudiées ou rencontrées, c’est que la curiosité n’est pas difficile à susciter, n’est-ce pas ? Les gens veulent explorer. Mais pour passer à l’action, il faut généralement une structure, de la clarté, au mieux une victoire partagée rapidement. Je suis curieux : à quoi ressemblait cette transition pour ton équipe, toi qui parlais justement de ce « moment aha » ?

Est-ce qu’il y a eu un déclic ou un succès précoce qui a aidé les gens à passer de « on en discute » ou « c’est intéressant » à « voilà ce qu’on va en faire » ?

Justin Angsuwat : Oui, ça a été un point critique, comme tu le dis. Nous n’étions pas très clairs au départ sur ce que nous allions pouvoir concrètement réaliser avec l’IA.

Et ce n’était pas le moment « aha ». Ce qui était intéressant, c’est que ces moments « aha » étaient très différents d’un individu à l’autre. C’était donc difficile à standardiser. Nous avons donc mis en place ce programme de six semaines que nous avons nommé Accelerate, en glissant « AI » au milieu du nom : AccelerAIte.

Parce que, tu sais, on ne peut pas lancer un programme sans mettre « IA » dans le nom ! Nous avons établi des phases qui ont globalement aidé les gens à avancer sur ce parcours, à passer de la compréhension à l’expérimentation, puis à l’intégration dans le quotidien. Même si cette dernière étape est la plus difficile et que nous essayons encore d’en percer les secrets.

Ce n’était pas parfait, mais cela a vraiment aidé nos employés à se sentir accompagnés plutôt que précipités ou exposés. Par exemple, quand tout le monde crée mais que je ne sais pas comment faire, je peux me retrouver bloqué. Mais il s’agissait aussi de maintenir un équilibre en évitant que les employés s’installent trop dans le statu quo.

Nous avons donc enchaîné compréhension, expérimentation, intégration. Et cela est passé par beaucoup de contenu, de sessions d’apprentissage où les gens pouvaient manipuler les outils et créer. De jeux vidéo à des vidéos, tout y passait. Nous avons partagé les petites victoires pour entretenir la dynamique.

J’organisais donc des exercices ou concours chaque semaine sur l’ensemble de l’entreprise, comme « créez une vidéo générée par IA pour notre marque employeur » ou le jeu Gandalf, où il fallait trouver le mot de passe et convaincre Gandalf de le donner. On regardait qui parvenait au bout et ce que chacun en avait appris.

C’était vraiment amusant à voir. Je me souviens d’un employé tellement fier d’avoir créé un agent en quelques minutes qu’il en a parlé chez lui. Son partenaire lui a dit : « Tu as fait ça ? » — « Oui, c’est moi ! » Sa confiance et celle du reste de l’équipe en ont été renforcées.

C’est ce qui a permis de maintenir la dynamique pendant six semaines : ce processus continu de compréhension, expérimentation, intégration et, dans cette dernière phase, comment rendre l’utilisation pertinente dans le travail quotidien.

J’en ai parlé plus tôt, il nous reste du travail à faire à ce sujet, mais notre point de départ a été d’essayer d’utiliser les mêmes outils que ceux disponibles au travail : Miro, Glean, Gemini, Copilot, etc. Nous avons collaboré avec eux, les avons invités, et à la fin, quand nous avons lancé ce programme, nous n’avons ni attendu ni demandé d’autorisation.

Nous avons lancé le programme et avancé. J’ai partagé cela récemment sur LinkedIn, et quelqu’un l’a très bien résumé dans un commentaire en disant, pour résumer ton propos, David : « Je vois beaucoup d’entreprises vouloir sauter directement à la fin en demandant toutes les meilleures idées pour améliorer le travail avec l’IA, sans avoir commencé par donner aux gens cette confiance fondamentale pour se lancer. »

C’était l’essentiel de notre approche au début.

David Rice : L’autre aspect, c’est d’aider les gens à identifier ce qui est vraiment utile. Pourquoi penses-tu que cela a aussi bien fonctionné ? Beaucoup d’autres démarches s’essoufflent, non ? Les gens se disent qu’ils peuvent tout faire mais ne savent pas par où commencer, ou se disent « en fait je n’en ai pas besoin ».

Parle-moi de la façon dont vous avez amené les gens à poser les bonnes questions, car cela exige nuance et contexte. Il faut guider les gens dans ce qu’ils apportent à l’IA pour en tirer le meilleur.

Justin Angsuwat : Oui, ça a été compliqué. C’est justement la dernière étape sur laquelle on travaille : comment intégrer l’IA au quotidien.

Cela dit, ce qui a fait le succès de notre démarche, c’est notre focalisation extrême sur la première étape : comment rendre les gens très confiants dans l’utilisation de l’IA, sans forcément avoir identifié tous les cas d’usage. Beaucoup avaient ce blocage mental : « c’est trop difficile ».

Même pendant les six semaines, certaines personnes suivaient les invitations à créer leur jeu, mais revenaient à leur routine et se sentaient de nouveau intimidées devant la page blanche.

Pour équiper certains groupes, nous avons organisé des petits hackathons. Même en petite équipe de trois, certains hésitaient : « Est-ce à moi de saisir les prompts ? Qui commence ? » Mais l’environnement était plus sûr, et c’était le petit coup de pouce pour se lancer : « Bon, je suis devant l’écran, j’essaie ! » Leur « moment aha » a été : ce n’était pas aussi difficile que je le pensais. Nous n’avons pas tout résolu, mais on a construit la confiance. Nous l’avons mesurée après le programme : juste en dessous de 80 % de toute l’organisation se disait confiante.

Dans l’utilisation de l’IA, il restait 4 % de réponses négatives. Nous avons aussi posé la question suivante au fil du temps : « Explorons-nous et adoptons-nous de nouvelles technologies comme l’IA ? » Nous avons observé une amélioration de 24 points jusqu’à 84 %. Il y a donc un momentum clair en faveur de l’IA. Le prochain défi, c’est de réussir l’intégration dans les usages quotidiens.

C’est d’ailleurs le sujet de notre conversation à Orlando sur l’usage de l’IA, non pas comme une meilleure calculatrice, mais pour une valeur vraiment différente.

David Rice : Il y a énormément de bruit en ce moment. Tout le monde est submergé de choix : « Quelle utilisation vais-je en faire ? » Et en général, les gens sont déçus du résultat car ils ne savent pas comment fournir les bonnes informations à l’IA.

Ce dont la plupart ont besoin, c’est un premier cas concret ayant du sens, puis avancer à partir de là. On dirait que votre cadre donnait la permission d’arrêter d’attendre le cas d’usage parfait. Intéressant de voir que cela a permis de débloquer l’élan chez vous.

Justin Angsuwat : Oui, tu as totalement raison. Et ce qu’on voit sur Internet, c’est beaucoup de choses très impressionnantes, ce qui peut être intimidant : « Je n’utilise pas l’IA comme ça, je n’en suis qu’à apprendre à faire des prompts. » Il y a du bruit, mais aussi du positif.

Mais pour qui débute, c’est intimidant : « Je ne suis même pas proche de ce niveau », ou « c’était créatif, mais comment y ont-ils pensé ? Je ne sais même pas faire de l’ingénierie de prompt ». Nous avons donc essayé de réduire ce bruit et de dire : concentrez-vous sur ce programme de six semaines, et vous arriverez à la confiance, même si nous ne savons pas encore exactement sur quels cas appliquer l’IA dès aujourd’hui.

David Rice : Tu as employé la métaphore de la calculatrice — arrêter de n’utiliser l’IA que comme une meilleure calculatrice. J’aime beaucoup cette image. Qu’est-ce qui change concrètement quand les gens font ce changement mental ? Comment l’as-tu vécu toi ?

Justin Angsuwat : Oui, il y a beaucoup de cadres ou de courbes de maturité sur l’IA, tu en as parlé.

Je vais simplifier en expliquant ma vision, qui l’est vraiment. Dans les entreprises où je constate que l’IA transforme à la fois les humains et le travail, je distingue deux niveaux de changement IA. Premier niveau : faire quelque chose plus vite ou mieux. Deuxième niveau : débloquer quelque chose de nouveau.

Je sais que j’ai inventé cela — ce n’est ni accrocheur ni une allitération ! Mais pour revenir à la métaphore de la calculatrice, prenons l’exemple de l’arrivée des tableurs. Ce n’était pas mon époque, mais tout ce que j’en ai compris c’est qu’au début, c’était simplement une meilleure calculatrice.

Cela illustre la première étape : aller plus vite ou faire mieux ce qu’on sait déjà faire. À l’époque, les comptables utilisaient des registres papier. Pour modifier un chiffre dans le budget, il fallait gommer et recalculer à la main toutes les dépendances, ce qui prenait des heures.

Avec un tableur, boucler la comptabilité prenait cinq à dix minutes au lieu de cinq heures. Un bond d’efficacité : faire plus vite ou mieux. Je vois beaucoup de monde obtenir cela aujourd’hui de l’IA : automatiser ce qui était répétitif.

Mais la vraie révélation arrive ensuite. Avec le tableur, les calculs instantanés ont permis aux comptables de devenir des planificateurs de scénarios, plus seulement des « gratte-papiers ». Ils ont commencé à répondre à des questions comme : « Si nous baissons les prix de 10 % mais augmentons le volume de 20 %, quel impact sur la marge ? »

Ils ne se contentaient plus d’un rôle de gestion rétroactive, mais sont devenus stratégiques, résolvant des questions qu’ils ignoraient exister. C’est ce qui arrive quand on franchit ce cap mental : d’abord, améliorer l’existant, puis découvrir des nouveaux possibles qu’on n’aurait jamais imaginés. C’est difficile à décrire tant qu’on ne l’a pas vécu.

David Rice : Oui, et c’est pour cela qu’il y a tant d’hésitations du côté RH. Après le fameux déclic, on se dit : « Je pourrais faire tellement de choses ! », puis tout de suite après, on redoute le coup de fil du service juridique…

Oui, et je me demande ce qui permet à certains de dépasser ce blocage. Pour toi, qu’est-ce qui a pu te freiner au début de tes expérimentations ?

Justin Angsuwat : Tu soulèves un vrai point sur le juridique, et même si on en plaisante, il faut rester prudent avec l’IA.

C’est plus facile de vérifier un tableur que de faire confiance à l’IA pour une réponse précise. Lors de notre discussion, on parlait de ce qu’on avait appelé « théâtre impressionnant », illusion versus impact. Cela m’a fait réfléchir au risque de s’appuyer trop sur l’IA et de voir la direction Juridique débarquer.

Un bon exemple, c’est la différence entre tâches probabilistes et déterministes. Je vais résumer avec des mots simples : les tâches déterministes ont une seule bonne réponse (calculs, légal ou non, même si la loi n’est pas toujours tranchée), alors que les tâches probabilistes admettent plusieurs bonnes réponses, comme rédiger un e-mail ou résumer une réunion ; il n’y a pas une seule façon de faire.

Utiliser l’IA sur des tâches déterministes, cela marche, comme « Donne-moi le chiffre d’affaires du T4 », mais on utilise alors un moteur probabiliste pour un problème déterministe. Résultat : c’est plus lent, il y a des hallucinations, moins de précision que via une requête SQL ou Excel, voir en consultant la source directe. Ça fait illusion, mais ça ne tire pas le meilleur de l’IA, et il peut y avoir des erreurs. C’est là qu’entre le juridique…

C’est pourquoi il vaut mieux exploiter l’IA pour les tâches probabilistes, comme analyser 500 feedbacks salariés et extraire 3 frustrations émotionnelles principales — pas juste les thèmes, mais les ressentis. Un tableur ne peut pas calculer la frustration émotionnelle ! Pour maximiser l’impact, il faut que l’IA interprète les tâches probabilistes plutôt que de l’appliquer aux tâches déterministes.

D’où l’importance de vérifier les résultats d’IA sur les tâches à réponse unique, et d’être prudent, comme tu le disais.

David Rice : Très bon conseil, je le souligne fortement !

Développer une équipe globale ne devrait pas vouloir dire jongler entre cinq systèmes pour la RH, la paie et l’IT. Deel centralise tout afin de recruter, intégrer, payer et équiper partout sans le chaos habituel.

Que vous recrutiez dans 10 pays ou que vous gériez des freelances à travers les fuseaux horaires, Deel gère la conformité, les avantages et la paie en un seul endroit, limitant les outils, les migraines et vous laissant plus de temps pour vos équipes. Prêt·e à voir ce que cela fait de recruter sans frontières ?

Visitez deel.com/pmp. C’est deel.com/pmp pour réserver une démo. Deel. Embauchez, gérez et payez partout.

Vous avez maintenant développé un coach IA. Parle-nous un peu de vos objectifs avec cet outil.

Justin Angsuwat : L’objectif était d’avoir un coach IA toujours accessible, ou comme un « people scientist » dans votre poche.

Nous avons échangé avec des personnes à Orlando, qui nous disaient : « Je n’ai pas besoin de coach, c’est cher un coach ». Je dirais qu’il s’agit ici d’un « people scientist » de poche, à qui on peut demander : « Comment donner un retour difficile à quelqu’un ? » Par exemple, David doit te faire un retour difficile, mais il craint ta réaction. L’outil aide donc les RH et managers à conseiller toute l’organisation à la demande.

Mais il comprend le contexte ! C’est la grande différence. Le contexte est essentiel. Si tu demandes à un modèle IA classique, tu as la moyenne d’Internet, c’est souvent correct, mais peu pertinent pour ton cas. Comme l’horoscope : tellement vague que tout le monde s’y retrouve, mais ça n’aide en réalité personne très concrètement.

Pour l’IA coach, il y a trois couches de contexte.

On commence par la base : comment l’IA a-t-elle été entraînée ? Si tu interroges le coach sans autre contexte, ici, notre coach n’est pas entraîné sur la moyenne d’Internet, ni les forums Reddit, ni les blogs douteux. Il a été entraîné sur la « people science » : nous avons 1,5 milliard de données sur la culture, la performance, accumulées sur dix ans, dans des milliers d’organisations. Ce sont nos PhDs qui ont conçu le coach, fondé sur des bases scientifiques en coaching et données d’entreprise.

Ensuite, il y a la couche « contexte organisationnel » : le coach connaît le contexte de votre entreprise. Vision, stratégie, objectifs annuels, valeurs, comportements, même la méthode de feedback utilisée (Radical Candor, SBI, etc.). Le coach connaît donc l’entreprise.

Enfin, la couche « performance » : données d’engagement, de performance, entretiens, feedback, etc. Le coach apprend sur vous et votre équipe. En combinant cela, au lieu d’un conseil générique du type « Écoute plus », il offre un conseil spécifique : grâce aux scores d’engagement bas (couche perf), à notre nouveau principe de « radical candor » et l’expansion dans un nouveau pays (couche organisation), le coach va poser des questions pour comprendre la situation comme un coach, puis utiliser un script spécifique issu de la « people science ».

C’est cela, les trois couches de contexte qui font toute la différence entre un coach IA et un LLM générique donnant du conseil standard.

David Rice : Nous avons tous utilisé un outil qui fonctionne techniquement mais ne nous connaît pas, et se dire « mais à quoi bon discuter avec cette machine ? »

Justin Angsuwat : Tu dois souvent voir cela avec les RH que tu accompagnes, non ?

David Rice : Oui, j’en ai conçu moi-même, parfois en me disant : « Mais de quoi il parle ce truc ? On laisse tomber, ça n’apporte rien… »

Si on ajoute les dynamiques d’équipe, l’historique, les points forts : ça inverse la logique habituelle. Quelles sont selon toi les données les plus puissantes pour que la recommandation d’IA soit réellement pertinente ?

Justin Angsuwat : Il y en a plusieurs.

D’abord, parce qu’il est construit en « people science » et qu’il connaît votre contexte organisationnel. Ce qui veut dire que, comme manager, tu n’as plus à expliquer le contexte à chaque fois. Tu connais sûrement ce sentiment : « C’est pas possible, il faut toujours expliquer la même chose à ce coach IA ! », préciser le ton, le contexte, la personne… Ce serait formidable qu’en tant que manager, le coach sache que tu as déjà eu cette conversation plusieurs fois, et qu’il propose d’approfondir.

D’un côté, le contexte est déjà là, donc plus besoin de tout rappeler. De l’autre, on a abordé la différence entre une société SaaS et une société IA : le coach apprend constamment, il analyse l’écart entre ce qui est utile et ce qui ne l’est pas, et ça continue d’améliorer le coach. C’est une nuance souvent invisible : le coach devient meilleur grâce au feedback négatif.

David Rice : Récemment, j’écoutais quelqu’un dire : « Je veux que ma boîte fonctionne comme une société IA et pas juste comme du SaaS. » Pour toi, qu’est-ce que ça change, « dans la vraie vie » ?

Justin Angsuwat : Pour moi, « fonctionner comme une société IA », ce n’est pas acheter une tonne de licences Copilot.

Ce n’est pas tant le logiciel que la façon de développer et de travailler. Il y a plein de manifestations concrètes, mais je vais en rappeler une, vue avec IA Coach. De passer du retour explicite au retour implicite : c’est quoi la différence ?

Dans le SaaS, on compte sur les retours explicites des utilisateurs : noter une fonctionnalité, cliquer « Oui » ou « Non » sur « Cet article a-t-il été utile ? ». Or, les gens ne cliquent que s’ils sont très satisfaits ou mécontents. Le reste du temps, on passe à côté d’énormément de données.

L’approche IA, c’est au contraire l’obsession du feedback implicite. Par exemple, si tu modifies une phrase rédigée par l’IA, dans une synthèse ou un mail : côté SaaS, c’est juste une correction, voire un échec. Côté IA, c’est un signal : l’utilisateur indique que la prédiction n’est pas bonne à ce moment précis. C’est cet écart — entre texte pris, texte finalement édité — qui devient une donnée d’entraînement précieuse. En tant que société IA, savoir ce qui ne va pas est plus utile que savoir ce qui va.

Pour simplifier, une société SaaS veut votre « attention » — que vous utilisiez la plateforme — et cherche le feedback explicite. Une société IA veut votre délégation : elle veut être tellement efficace que vous signez les yeux fermés. Elle apprend du « négatif » pour s’améliorer avec le temps, pour vous connaître vraiment.

David Rice : Je te pose la question parce qu’on parle souvent de ce grand basculement, mais concrètement, il faut en faire un comportement collectif opérationnel. Des outils comme Coach peuvent y aider.

Je pense que côté IA, il y a plus d’expérimentation, de décisions en temps réel, moins de perfectionnisme, plus de rapidité — ou je me trompe ? Finalement, qu’est-ce que ça change, sans le battage médiatique, pour les équipes qui vivent cette idée ?

Justin Angsuwat : Il y a en effet la question du feedback implicite/explicite, mais aussi la façon dont on développe : on passe d’un cycle traditionnel waterfall à une démarche beaucoup plus rapide.

Pour certains de nos ingénieurs et chefs de produit, leur « moment aha », c’est quand ils ont bâti en une semaine ce qui aurait pris des mois. Ou le prototype réalisé bien plus vite.

On développe, on construit le prototype rapidement, on le met dans les mains des testeurs. On sort du schéma classique où il faut planifier, gérer les délais, etc.

C’est un vrai tournant pour notre développement logiciel. Mais je suis curieux : de ton côté, tu bosses avec beaucoup de sociétés IA, c’est ce que tu constates aussi ?

David Rice : Oui, tout à fait. Tu m’avais dit une chose qui m’a marqué : illusion versus impact. Un workflow sophistiqué n’a pas de valeur s’il ne répond à aucun besoin.

J’ai déjà vécu ce piège : il y a beaucoup d’IA tape-à-l’œil, mais est-ce vraiment utile ? Il y a aussi des aspects du boulot où la complexité fait partie de la vie professionnelle ! Parfois, c’est normal. Rester centré sur la valeur, ne pas juste « faire joli ».

Justin Angsuwat : Justement, ça rejoint nos propos précédents. Selon chaque entreprise, ce qui relève du « théâtre impressionnant » diffère.

Mais souvent il est tentant d’automatiser davantage de tâches déterministes. Ça peut être utile, mais ce n’est pas le plein potentiel de l’IA : c’est juste un tableur plus rapide. Et en plus, l’IA n’est pas toujours brillante avec les tableurs…

Mieux vaut s’attaquer aux tâches probabilistes, là où l’IA excelle et où on ouvre des perspectives inédites.

Il y a une limite à la vitesse, on finit par plafonner. Le « théâtre » arrive quand on recouvre une tâche mineure d’interfaces chatbots IA. Ça peut être utile, oui, mais à un moment il y a des rendements décroissants. On met une surcouche IA sur d’autres IA, au lieu de s’attaquer à « qu’est-ce qu’on pourrait révéler d’inimaginable et d’utile pour l’organisation ? »

Je pense à des équipes communication, par exemple, qui utilisent l’IA pour générer scripts et présentations. Mais mieux encore : l’IA peut analyser tous les « all hands » d’un PDG, conseiller comme un expert communication interne. Un jour, Claude (le modèle) a dit à un PDG que lorsqu’il annonçait de bonnes nouvelles, il allait droit au but, mais qu’avec les mauvaises, il commençait par les valeurs de l’entreprise. Le leader n’en avait pas conscience, mais tout le monde, si !

On peut donc demander à l’IA d’analyser des heures de discours, d’en extraire les bonnes pratiques ou axes d’amélioration, ce qu’aucun humain n’aurait le temps de faire. Le vrai effet d’impact, c’est là : sur les tâches probabilistes. Plutôt que d’enchaîner les améliorations sur la génération automatique de textes, on se sert de l’IA pour révéler des angles inédits.

David Rice : Oui, c’est facile de confondre complexité avec efficacité. Ce sera un vrai défi de leadership : maintenir le cap sur la valeur alors que la tentation de montrer l’IA spectaculaire est très forte. Ce ne sera pas réglé demain…

Justin Angsuwat : Cela doit passer par le problème métier d’abord. C’est la question : « Quel est le problème à résoudre ? » Puis construire l’outil pour y répondre. Mais avec l’IA, c’est difficile car elle permet de résoudre des problèmes qu’on n’imaginait même pas existants.

Donc on ne peut pas toujours formuler son besoin à l’avance. Je me souviens d’un PDG qui disait à ses directeurs : « Si vous n’avez pas saisi cent prompts dans l’IA, je ne tiens pas compte de votre avis sur le sujet. Vous ne pouvez pas savoir tant que vous n’avez pas essayé ! » Pour nous, c’est pour cela qu’on a choisi la confiance comme point de départ : sans cela, on ne peut pas découvrir les nouveaux possibles. Il faut s’y frotter pour découvrir ce que l’IA sait résoudre — et même des problèmes invisibles jusque-là !

Un chemin à parcourir pour tout le monde.

David Rice : Vous mesurez la maturité de l’IA, pour vos clients et pour votre entreprise. Qu’est-ce qui t’étonne ou te surprend en chemin ? Beaucoup s’y essayent aujourd’hui sans trop savoir où ils en sont…

Justin Angsuwat : Nous sommes encore au début du parcours. Nous progressons à grands pas, ça va très vite, il sort chaque semaine de nouvelles études, des idées nouvelles…

Une chose qui ne me surprend pas totalement mais qui m’interpelle, c’est qu’on suppose souvent que les collaborateurs seniors ou « high performers » adopteront l’IA en premiers, mais ce n’est pas toujours le cas ! Désapprendre est parfois plus complexe qu’apprendre.

Si c’est ton premier emploi, tu te fiches de la méthode, tu veux simplement un résultat. Si tu fais le même métier depuis 20 ans, ton identité est liée à ta façon de faire. L’IA peut la rendre obsolète brutalement…

C’est un moment où les jeunes collaborateurs, natifs IA, peuvent être plus avancés que les seniors, parfois pourtant garants de la transformation digitale. Mais les seniors, de leur côté, apportent une compétence nouvelle, comme l’architecture système dans l’ingénierie, plus que le codage lui-même. Ce grand écart de culture, personne ne l’a encore vraiment maîtrisé, c’est un vrai chantier…

L’enjeu est de concilier ces nouvelles compétences natives IA et les savoir-faire historiques, pour profiter des meilleurs apports de chacun.

David Rice : Oui, c’est un vrai enjeu. Mais c’est bien que vous le viviez concrètement ! Cela remet en question ce qu’on croyait savoir, et il faut rester humble.

Justin Angsuwat : Parfois je me retrouve seul sur la courbe… Où sont les autres ?

David Rice : Merci pour ces partages authentiques. C’était très instructif !

Justin Angsuwat : Merci, David. Merci de m’avoir invité — j’avais aimé notre précédente discussion, et celle-ci aussi. On tâtonne nous-mêmes chaque jour. Pas de plan figé sur l’année : on apprend au fur et à mesure, et je partage volontiers tout ce qu’on découvre… le bon comme le moins bon !

David Rice : Exactement, rester agile chaque jour ! Encore merci d’être venu, ce fut un plaisir.

Justin Angsuwat : Merci, David. À bientôt !

David Rice : À tous nos auditeurs, d’ici la prochaine fois : assurez-vous de vous abonner à la newsletter peoplemanagingpeople.com/subscribe. Découvrez aussi notre Explorer de la Transformation IA.

Et, jusqu’à la prochaine, continuez d’expérimenter. On finira tous par y arriver.