IA en entreprise : le nouveau défi des managers

Un livrable soigné ne dit pas tout

Dans une équipe qui utilise l'IA, un document final peut venir d'un vrai travail : cadrer le problème, vérifier les sources, repérer les erreurs, sélectionner ce qui compte, puis adapter la réponse au contexte métier. À l'inverse, un contenu fluide peut aussi être le résultat de peu de vérification. Autrement dit : la qualité « à l'arrivée » ne suffit pas pour distinguer les deux situations.

Ce point ressort particulièrement quand le travail se matérialise dans un document : communication, conseil, RH, développement logiciel ou fonctions support. Un code peut compiler tout en cachant une faille. Une note de synthèse peut être claire tout en omettant une contrainte réglementaire. Le manager doit donc juger à la fois le résultat et la manière dont il a été construit.

Concrètement, il faut aussi faire évoluer les questions en revue de travail. Au lieu de se limiter à « qu'avez-vous produit ? », il devient utile de demander :

• Quel problème cherchiez-vous à résoudre ?
• Quelles tâches avez-vous confiées à l'IA, et pourquoi ?
• Qu'avez-vous vérifié ou corrigé dans la réponse ?
• Quelles limites avez-vous identifiées ?
• Quel résultat a réellement servi au client ou à l'équipe ?

Il ne s'agit pas d'exiger un journal détaillé de chaque requête. Ce serait trop coûteux, intrusif et difficile à tenir. L'objectif est plutôt de mieux évaluer le jugement professionnel, la capacité à contrôler le résultat, et la valeur réellement créée.

Les critères d'évaluation changent déjà

L'enquête indique que 78 % des répondants ont modifié leur façon d'évaluer les salariés après l'adoption de l'IA. Ils accordent davantage d'importance à la capacité à formuler des consignes, à choisir les tâches à déléguer à l'IA et à tester de nouvelles façons de travailler.

Oui, ces compétences comptent. Mais elles ne doivent pas devenir un « concours de prompts ». Savoir écrire une instruction efficace n'est pas une fin en soi. Ce qui dure, c'est la capacité à identifier le bon usage, à fournir le contexte nécessaire, puis à vérifier que la réponse tient debout dans la réalité opérationnelle.

Un salarié peut obtenir un résultat médiocre parce qu'il a mal évalué si l'IA était adaptée au problème. À l'inverse, une réponse convaincante n'est pas une preuve si personne n'a vérifié l'exactitude. Évaluer uniquement la maîtrise de l'outil revient souvent à récompenser une compétence technique, pas forcément une contribution utile.

Pour les entreprises françaises, cela suppose aussi d'arrimer ces nouveaux critères aux objectifs du poste, aux entretiens professionnels et aux règles internes. Une évolution des pratiques d'évaluation ne devrait pas être improvisée par chaque manager. Elle doit être expliquée, puis appliquée de façon cohérente, surtout quand les résultats jouent sur la rémunération, la promotion ou la répartition des missions.

Le contrôle humain doit dépendre du risque

Dire « il faut garder un humain dans la boucle » ne suffit pas. Si la personne chargée de vérifier n'a ni le temps, ni les compétences, ni les informations nécessaires, le contrôle devient une simple formalité. Un clic d'approbation ne rend pas une décision opaque « maîtrisée ».

Une approche pragmatique consiste à classer les usages selon les conséquences d'une erreur :

• Risque faible : reformulation interne, classement de documents non sensibles, préparation d'un brouillon. Un contrôle ponctuel peut suffire.
• Risque modéré : analyse pour un client, recommandation opérationnelle, contenu publié. Une vérification systématique des faits et du contexte est nécessaire.
• Risque élevé : décisions qui touchent à l'emploi, au crédit, à la santé, aux droits d'une personne ou à une obligation réglementaire. L'IA ne doit pas remplacer l'analyse humaine, et les procédures de contrôle doivent être formalisées.

Cette grille doit être adaptée au secteur et aux données utilisées. Dans une PME, elle peut commencer par une page qui précise les usages autorisés, les informations à ne pas saisir dans des outils accessibles publiquement et les cas qui exigent une validation. Dans un groupe du CAC 40, il faudra souvent prévoir des rôles dédiés de contrôle, des registres d'outils, des audits et des circuits de décision.

L'IA dans l'évaluation : pas un usage comme un autre

L'enquête montre que 46 % des managers interrogés utilisent l'IA pour éclairer certaines décisions et que 39 % s'en servent pour rédiger des évaluations de performance. Ces deux usages ne se valent pas. Améliorer la formulation d'un texte n'a rien à voir avec demander à l'outil de noter un salarié ou de recommander une décision le concernant.

Le risque est double. D'abord, un modèle peut reproduire des biais présents dans ses données ou dans les critères qu'on lui fournit. Ensuite, le texte généré peut donner l'impression d'une objectivité qui n'est pas vraiment fondée. Une écriture « assurée » ne prouve pas que l'évaluation est complète ou équitable.

Des recherches citées dans l'article de TechCrunch indiquent que certains modèles peuvent reproduire des jugements humains dans certaines conditions et afficher des biais différents selon les groupes sociaux. Elles ne prouvent pas que tout outil d'IA discriminera dans tous les cas. Mais elles suffisent à écarter l'idée qu'un modèle serait neutre par défaut.

Une règle simple s'impose : l'IA peut aider à organiser des éléments factuels ou à améliorer un compte rendu, mais elle ne devrait pas produire seule un jugement sur la valeur d'une personne. Le manager doit pouvoir justifier l'évaluation avec des éléments observables, expliquer le rôle de l'outil et corriger une recommandation inadaptée. Il faut aussi examiner la conformité au RGPD et, plus largement, au cadre européen applicable aux systèmes d'IA, selon l'usage précis.

Le problème n'est pas seulement le nombre d'applications

Chaque nouvel outil déclenche des questions très concrètes : où vont les données ? Qui peut y accéder ? Les réponses et les fichiers sont-ils conservés ? Le logiciel se connecte-t-il au CRM, aux fichiers partagés ou aux données RH ? Et si l'outil change de modèle ou de conditions d'utilisation, qui intervient ?

Quand les connexions se multiplient, la fragilité augmente aussi. Une information copiée vers un service externe peut sortir du périmètre prévu. Un agent autorisé à consulter plusieurs applications peut obtenir un accès trop large. Et si un résultat est erroné, l'organisation doit être capable de retracer les étapes qui l'ont produit.

L'IA non déclarée - parfois appelée « IA fantôme » - ne disparaît pas simplement parce qu'une entreprise l'interdit dans une note interne. Si les salariés contournent les outils officiels, il faut comprendre pourquoi : manque de fonctionnalités, délais d'accès, procédure trop lourde, ou absence de formation. L'interdiction peut être nécessaire pour certains risques, mais elle ne remplace pas une solution vraiment utilisable.

Pour une organisation européenne, la cartographie doit tenir compte du type de données, de leur sensibilité et des obligations associées. Le RGPD impose notamment de traiter les données personnelles pour une finalité définie et de limiter l'accès. Le règlement européen sur l'IA ajoute des obligations qui varient selon la catégorie et l'usage du système. Le plus sûr reste de vérifier les textes et les recommandations de la CNIL plutôt que de se contenter d'une règle générale du type « l'IA est autorisée » ou « l'IA est interdite ».

Les agents autonomes déplacent le sujet du contrôle

L'IA ne se limite plus à répondre à une question. Certains agents enchaînent des étapes, consultent d'autres outils et déclenchent des actions. L'intérêt opérationnel est réel, mais le coût d'une erreur aussi. Un assistant qui propose un brouillon n'a pas le même impact qu'un agent qui modifie une fiche client ou lance une opération sans validation.

Dans l'enquête, 58 % des managers s'attendent à superviser davantage d'agents IA que de collaborateurs humains au cours de l'année suivante. Par ailleurs, 46 % craignent de perdre le contrôle de leurs actions et 35 % redoutent d'être tenus responsables de décisions prises par l'IA. Ces chiffres décrivent des perceptions, pas une certitude sur toutes les organisations. Mais ils disent une chose : la responsabilité est déjà une préoccupation managériale.

Pour encadrer un agent, il faut définir ses permissions et ses limites, préciser les actions qu'il peut exécuter seul, et celles qui exigent une validation humaine. Il faut aussi prévoir un journal d'activité exploitable et un moyen d'interrompre le processus. L'autonomie ne devrait pas être accordée « parce que la démo marche ». Elle doit être progressive, d'abord sur des tâches bien délimitées et testées.

Mettre en place un cadre d'usage léger, mais applicable

Un cadre utile répond à des questions que les équipes se posent vraiment. Il liste les outils approuvés, les données à ne pas saisir, les usages qui nécessitent une validation, et la personne à contacter en cas de doute. Si on doit consulter cinquante pages pour savoir s'il est permis de résumer un compte rendu, le cadre ne sera probablement pas respecté.

Pour démarrer, une entreprise peut créer une fiche par usage :

1. Besoin métier : quelle tâche cherche-t-on à améliorer et quel problème est résolu ?
2. Données mobilisées : informations publiques, données internes ou données personnelles ?
3. Conséquences possibles : que se passe-t-il si la réponse est fausse ou incomplète ?
4. Niveau d'autonomie : l'outil suggère-t-il, prépare-t-il ou agit-il directement ?
5. Responsable : qui vérifie, qui valide et qui peut arrêter le processus ?
6. Mesure du résultat : quel indicateur permet de comparer cet usage à l'existant ?

Ce type de fiche évite deux erreurs fréquentes : déployer un outil sans savoir quel résultat il doit améliorer, ou bloquer un usage à faible risque parce que les règles liées aux décisions sensibles n'ont pas été clarifiées.

Mesurer le gain net, pas seulement la vitesse

Le temps pour produire un premier brouillon n'est qu'une partie du tableau. Il faut aussi compter les vérifications, les corrections, les incidents, les intégrations et le temps de formation. Pour une équipe, ce qui compte, c'est le gain qui reste après ces coûts.

Un pilote peut suivre des indicateurs simples :

• temps total entre la demande et la livraison validée ;
• taux de correction ou de reprise humaine ;
• erreurs repérées après livraison ;
• satisfaction des utilisateurs internes ou des clients ;
• coût des licences et de l'intégration ;
• incidents liés aux données ou aux accès.

Il faut aussi comparer avec une tâche similaire réalisée sans IA, en tenant compte de la difficulté et de la qualité attendue. Si l'outil accélère la rédaction mais double le temps de vérification, le gain est peut-être illusoire. En revanche, si le résultat est plus cohérent et que le temps récupéré sert réellement à autre chose, l'intérêt est réel même si la production initiale n'est pas « spectaculaire ».

Faire évoluer les entretiens et la formation

Les collaborateurs doivent savoir sur quels critères leur travail sera jugé. Les managers peuvent intégrer des questions sur le jugement, la vérification, la maîtrise du contexte et la capacité à signaler les limites d'un système. Ils doivent éviter deux excès : pénaliser automatiquement l'usage de l'IA, ou au contraire valoriser uniquement le fait d'en utiliser une.

La formation ne devrait pas se limiter à apprendre à rédiger des consignes. Les équipes doivent comprendre les erreurs plausibles, les limites des sources, la protection des données et ce que cela implique en matière de responsabilité. Dans certains métiers, une formation courte sur les vérifications nécessaires sera plus utile qu'un catalogue de démonstrations d'outils.

Et surtout : les retours du terrain doivent faire bouger les règles. Si des salariés utilisent un outil non autorisé pour gagner du temps, il faut clarifier si le problème vient de l'outil, de la procédure, ou du besoin initial. Si les contrôles prennent trop de temps, le niveau d'autonomie est peut-être mal calibré. Une gouvernance utile se corrige à partir des incidents et des usages observés.

Pour approfondir ces sujets, vous pouvez consulter nos repères sur la gouvernance de l'IA en entreprise, les obligations liées au RGPD et à l'intelligence artificielle et l'automatisation des processus métier.