Épisode 339: IA en entreprise, une question de management

Imaginons une note de synthèse de six pages, livrée en quarante minutes par une collaboratrice du service marketing. Structure impeccable, vocabulaire juste, graphiques propres. Sa responsable la relit, bute sur un chiffre, puis sur un deuxième, et découvre que l’argument central repose sur une hypothèse que personne n’a vérifiée. Elle passe deux heures à reprendre le document. Combien de temps a pris l’écriture du document?

Le déploiement de l’intelligence artificielle générative (IA) produit cet écart à l’échelle des organisations. Les indicateurs d’usage de l’IA en entreprise progressent, les gains déclarés aussi. Tout le monde est heureux.

Deux coûts échappent pourtant aux tableaux de bord. Le premier est payé tout de suite, par la collègue qui reçoit le travail et doit le vérifier. Le second sera payé plus tard, par une organisation dont les nouveaux (juniors, promus, etc.) auront moins (bien) appris. En comptabilité, on parlerait de passifs : des dettes bien réelles, que le bilan ignore faut de mécanisme pour les compter.

Un coût transféré au destinataire

En septembre 2025, BetterUp Labs et l’université Stanford publient dans la Harvard Business Review une enquête menée auprès de 1 150 salariés américains. Les auteurs nomment ce qu’ils découvrent workslop : un contenu produit par l’IA, soigné en apparence, pauvre en substance, voire faux. 41 % des répondants disent en avoir reçu, et chaque occurrence coûte près de deux heures de reprise. Les destinataires jugent ensuite l’émetteur moins fiable et moins compétent. Le coût organisationnel du manque de confiance est énorme, et le workslop ne fait que l’augmenter.

Le travail cognitif — vérifier, comprendre, évaluer, juger, apprécier, corriger — glisse donc de celui qui produit vers celui qui reçoit. La productivité se mesure à l’émission, le coût se paie à la réception. Vous le faites aux autres, mais les autres vous le font aussi, que ce soit à l’intérieur de votre organisation ou à l’extérieur.

Dans un second article, en janvier 2026, deux des auteurs en identifient la cause : des mandats d’usage flous, adressés à des équipes surchargées. La direction demande d’utiliser l’IA sans dire pour quoi faire ni selon quel standard de qualité. C’est le premier passif, la première dette: pour aller plus vite et satisfaire la pression managériale, on fait du workslop, et tant pis pour les autres.

Un coût reporté sur l’avenir

Le second passif se constitue plus lentement. En 2023, une expérience est conduite avec 758 consultants du Boston Consulting Group, équipés ou non de GPT-4. Premier exercice : une entreprise de chaussures fictive veut lancer un nouveau produit. Il faut trouver des idées, analyser le marché, rédiger un argumentaire. Les consultants équipés de l’IA font plus de travail, plus vite, et mieux. Second exercice : le directeur général d’une entreprise hésite entre plusieurs marques et demande laquelle soutenir. Les consultants disposent d’un tableau de chiffres et de notes d’entretiens avec des cadres. Les chercheurs ont piégé le cas : le tableau, lu seul, oriente vers la mauvaise marque, et seuls des indices glissés dans les entretiens mènent à la bonne réponse. L’IA produit une recommandation claire, argumentée, …  et fausse. Les consultants qui s’y fient se trompent : ils trouvent la bonne réponse moins souvent que leurs collègues sans IA.

Même profession, même outil, deux exercices d’apparence comparables. Dans le premier, l’IA aide. Dans le second, elle égare, et rien dans sa réponse ne le signale. Les auteurs appellent cette ligne invisible la frontière technologique dentelée. Il s’agit d’une ligne irrégulière qui sépare des tâches d’apparence semblable, et que rien dans le résultat ne rend visible. Le constat porte sur GPT-4 en 2023.

Microsoft Research et l’université Carnegie-Mellon, font une autre étude: sur 319 travailleurs du savoir et 936 situations décrites, plus la confiance dans l’IA est élevée, moins l’esprit critique s’exerce ; plus la confiance en sa propre compétence est élevée, plus l’esprit critique s’exerce. Cela rappelle l’ironie de l’automatisation formulée par Lisanne Bainbridge : automatiser la routine prive l’opérateur de l’entraînement dont il a besoin le jour où survient l’exception.

La seconde dette se lit ainsi. Chaque tâche confiée à l’outil là où il est fiable améliore le résultat du jour, mais retire aussi à la personne une occasion de construire le jugement qui lui permettrait, demain, de repérer l’erreur là où l’outil n’est plus fiable.

Gérer l’IA en entreprise de manière responsable

Ce qu’un comité de direction peut décider

• Sortir l’adoption des objectifs. Le taux d’utilisation et le nombre de licences actives disparaissent des tableaux de bord et des objectifs des managers. C’est l’injonction à utiliser l’IA qui fabrique le workslop (Niederhoffer et al., 2026).
• Désigner les livrables qui engagent l’entreprise. La direction arrête une courte liste : offre client, décision RH, reporting financier, recommandation au conseil d’administration. Chacun porte la signature d’une personne qui en répond, quelle que soit la façon dont il a été produit. Le reste est laissé à l’appréciation des équipes.
• Déléguer les règles d’usage aux équipes. La direction fixe le cadre ; chaque service définit, pour ses propres livrables, ce que l’IA peut faire et ce qui doit être vérifié. Niederhoffer et Hancock recommandent de repenser le travail au niveau de l’équipe plutôt que par directive centrale.
• Mesurer le coût de reprise. Dans la revue du déploiement de l’IA, chaque direction rapporte le temps gagné et le temps passé à reprendre des livrables. Gillespie et al. (2025) placent le suivi des résultats au cœur de la gouvernance.
• Protéger la filière de compétences. Toute réduction des postes juniors justifiée par l’IA passe par une question préalable : qui seront nos seniors dans cinq ans, et où auront-ils appris ? Cette question découle de Beane (2024).
• Montrer l’exemple. Les membres de la direction utilisent l’IA ouvertement et disent ce qu’ils vérifient. Niederhoffer et al. (2025) font de l’usage exemplaire des dirigeants le premier levier contre le workslop.

Ce que la ligne hiérarchique peut faire

• Poser que celui qui transmet assume. Un contenu produit avec l’IA engage son émetteur comme si il l’avait écrit seul. L’usage est déclaré sans être sanctionné, faute de quoi il devient clandestin. Dans une enquête pour l’université de Melbourne et KPMG, menée auprès de 32 352 salariées dans 47 pays, 61 % des utilisateurs évitent de signaler leur recours à l’IA.
• En revue, faire présenter et défendre le livrable, et interroger la manière dont il a été produit autant que son contenu. Matt Beane, dans The Skill Code (2024), montre que la compétence se construit au contact d’une experte.
• Pendant les phases d’apprentissage, orienter l’usage vers la compréhension. Dans une des études citées, les personnes qui interrogent l’outil sur les concepts obtiennent 65 % ou plus au test, et celles qui lui délèguent la production restent sous 40 %.
• Reconnaître les « pilotes » plutôt que les « passagers », ceux qui se servent de l’IA pour penser mieux, davantage que ceux qui s’en servent pour produire plus.

IA en entreprise, une question de management

Le workslop et la dette cognitive ont une apparence commune : ils ressemblent à des défaillances individuelles. La collaboratrice qui bâcle, le junior qui n’apprend plus. Les deux trouvent pourtant leur origine dans des décisions organisationnelles: ce qu’on mesure, ce qu’on exige, qui répond de quoi.

La note de six pages livrée en quarante minutes est le produit d’un système qui compte les minutes et laisse les deux heures de reprise hors du compte.

L’utilisation de l’IA est une question de gestion, pas une question technologique.

Sources

1. Niederhoffer, K., Kellerman, G. R., Lee, A., Liebscher, A., Rapuano, K., & Hancock, J. T. (2025). AI-Generated « Workslop » Is Destroying Productivity. Harvard Business Review, 22 septembre 2025.
2. Niederhoffer, K., Robichaux, A., & Hancock, J. T. (2026). Why People Create AI « Workslop »—and How to Stop It. Harvard Business Review, janvier 2026.
3. Dell’Acqua, F., McFowland III, E., Mollick, E., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2023). Navigating the Jagged Technological Frontier. Harvard Business School Working Paper 24-013.
4. Shen, J. H., & Tamkin, A. (2026). How AI Impacts Skill Formation. arXiv:2601.20245.
5. Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N. (2025). The Impact of Generative AI on Critical Thinking. CHI ’25, ACM.
6. Bainbridge, L. (1983). Ironies of Automation. Automatica, 19(6), 775-779.
7. Gillespie, N., Lockey, S., Ward, T., Macdade, A., & Hassed, G. (2025). Trust, Attitudes and Use of Artificial Intelligence: A Global Study 2025. University of Melbourne & KPMG.
8. Beane, M. (2024). The Skill Code: How to Save Human Ability in an Age of Intelligent Machines. Harper Business.

Episode préparé avec une IA