On juge généralement l’automatisation à la quantité de production qu’elle permet d’économiser. Cette mesure est nécessaire, mais incomplète.

Beaucoup de formes de travail produisent davantage que leur livrable visible. Rédiger un rapport développe le jugement. Construire un modèle permet d’en comprendre les hypothèses. Instruire un dossier apprend à un professionnel où se loge l’incertitude. Rédiger une proposition oblige à décider de ce que l’on pense vraiment.

Lorsque l’IA produit le livrable instantanément, les organisations doivent se demander ce que l’effort d’hier produisait d’autre, et si elles souhaitent le conserver.

Le livrable n’est qu’une partie du produit

Prenons un analyste junior chargé de préparer une étude de marché. Le résultat visible est une présentation. Mais ce travail peut aussi produire :

  • Une familiarité avec les données sources
  • La capacité à reconnaître des tendances
  • Une connaissance des parties prenantes concernées
  • Une intuition de l’incertitude et des exceptions
  • La capacité à défendre une conclusion en réunion
  • Un repérage des points où le jugement de l’analyste a besoin d’appui

Si l’IA produit la présentation sans associer l’analyste au raisonnement, l’organisation gagne peut-être du temps aujourd’hui, mais elle affaiblit le processus d’apprentissage qui forme les analystes seniors compétents de demain.

Le problème de l’apprentissage

Cela concerne tout particulièrement les postes de début de carrière. De nombreuses carrières professionnelles se construisent à travers des tâches répétitives, structurées et de plus en plus automatisables :

  • Recherches préliminaires
  • Rédaction de documents courants
  • Préparation de tableurs
  • Implémentation de code simple
  • Synthèse de dossiers
  • Revue d’enregistrements standard

Supprimer ces tâches peut produire de réels gains de productivité. Mais cela peut aussi supprimer le terrain d’entraînement à travers lequel on apprenait les aspects plus profonds du métier.

La question est de savoir si l’organisation a conçu un autre moyen pour les juniors de forger leur jugement, une fois qu’une machine fait le travail sur lequel ils apprenaient.

Garder les humains dans la boucle d’apprentissage

Un bon workflow appuyé sur l’IA ne demande pas aux collaborateurs de refaire à la main le travail généré par la machine. Il leur donne des occasions délibérées de l’examiner, de le remettre en question, de le corriger et de l’expliquer.

Parmi les pratiques utiles :

  • Demander au collaborateur d’examiner les preuves avant d’accepter la recommandation
  • Exiger de courtes explications sur les raisons pour lesquelles un résultat d’IA est accepté ou rejeté
  • Faire passer les collaborateurs à tour de rôle par les files de traitement des exceptions
  • Préserver des occasions de prise en charge complète, sous supervision
  • Utiliser l’IA pour générer des alternatives, et pas seulement des réponses
  • Mesurer l’apprentissage et le développement du jugement en plus du volume traité

Cette friction est délibérée. Elle préserve les activités à travers lesquelles l’expertise se forme.

Une meilleure répartition du travail

La répartition du travail la plus productive est souvent la suivante :

L’IA gère l’abondance.
Les humains gèrent le jugement, l’exception, le contexte, la relation et la responsabilité.

Mais ce slogan est incomplet. Les humains ne peuvent pas bien exercer leur jugement s’ils ne rencontrent jamais les preuves, les tendances et les erreurs à partir desquelles le jugement se construit.

Le défi de conception est donc double :

  • Utiliser l’IA pour supprimer les répétitions à faible valeur
  • Préserver un engagement suffisant dans le travail pour que les personnes continuent à développer de réelles compétences

Le test pratique

Avant d’automatiser un workflow, posez-vous la question :

Si nous supprimons cette tâche, quelle compétence une personne n’aura-t-elle plus l’occasion de développer ?

Si la réponse est « aucune », automatisez sans hésiter. Si la réponse touche au cœur du jugement futur, repensez le parcours d’apprentissage avant de supprimer le travail.

L’avenir du travail dépend de ce que l’IA peut produire, et de ce que les personnes doivent encore pratiquer pour assumer leurs décisions.

Adapté du livre La pensée au rabais : Ce que l’IA rend abondant, ce qu’elle rend rare, et à qui profite la différence de Daoyuan Li, PhD.