Manager des équipes mixtes humain-IA sans creuser les écarts

En 2024, le MIT Sloan Management Review publiait une enquête menée auprès de 3 000 cadres dans 28 pays : 78 % déclaraient que l’IA avait modifié la répartition des tâches dans leurs équipes, mais moins d’un tiers disposaient d’un cadre formalisé pour piloter cette transition. L’outil avait précédé la politique. Ce décalage n’est pas anodin. Lorsque l’accès à l’assistance algorithmique s’organise de façon informelle, les hiérarchies préexistantes se renforcent : les profils déjà en position de force captent les gains de productivité, tandis que les collaborateurs moins visibles ou moins à l’aise avec les outils héritent des tâches que l’IA laisse en suspens. Le management d’équipes mixtes humain-IA n’est pas un problème d’adoption technologique. C’est un problème de gouvernance de l’équité.

La polarisation des usages : quand l’IA choisit ses favoris

Caroline, directrice des opérations dans un groupe de services financiers de taille intermédiaire, a déployé un assistant IA pour son équipe de douze analystes au printemps 2023. Six mois plus tard, elle constate un effet qu’elle n’avait pas anticipé : trois collaborateurs seniors absorbent 80 % des interactions avec l’outil, quand quatre juniors l’utilisent à peine. « Je pensais avoir donné à tout le monde le même accès. J’avais donné le même outil, pas les mêmes conditions d’usage. »

Ce que Caroline observe sur le terrain correspond à ce que les chercheurs de l’AI Now Institute nomment la concentration des bénéfices algorithmiques. L’IA amplifie les capacités de ceux qui savent déjà la solliciter avec précision, c’est-à-dire ceux qui maîtrisent le métier suffisamment pour formuler des requêtes pertinentes. Les collaborateurs en apprentissage, ou ceux dont le travail est moins immédiatement formalisable, tirent peu de valeur d’un outil calibré sur des profils expérimentés. Le résultat : dans une équipe mixte, l’écart de productivité entre juniors et seniors s’élargit, non parce que les seconds travaillent mieux, mais parce que la machine travaille pour eux à une cadence que les premiers ne peuvent pas suivre.

Timnit Gebru, chercheuse spécialiste des biais algorithmiques, insiste sur ce point depuis plusieurs années : les systèmes d’IA ne sont pas neutres par rapport aux configurations sociales dans lesquelles on les déploie. Ils les lisent, les mémorisent, et tendent à les reproduire. Un manager qui installe un outil sans cartographier au préalable les asymétries existantes dans son équipe ne déploie pas une solution, il fournit un multiplicateur d’inégalités.

La charge cognitive cachée : ce que l’IA délègue sans le dire

L’erreur fréquente consiste à mesurer la valeur ajoutée de l’IA uniquement par ce qu’elle produit, rapports générés, données analysées, réponses rédigées. On oublie de mesurer ce qu’elle déplace. Lorsqu’un outil automatise une partie du travail analytique, il crée systématiquement en aval une charge de vérification, de contextualisation et de correction que quelqu’un doit absorber.

Sébastien, data scientist dans une ETI industrielle, formule le problème avec une précision que les bilans de projet rendent rarement : « L’IA produit vite et faux avec confiance. Relire ses sorties demande autant de concentration que de faire le travail soi-même, parfois plus, parce qu’on part d’une base faussement rassurante. » Cette charge de validation, souvent invisible dans les organigrammes, rarement comptabilisée dans les charges de travail officielles, tombe sur les collaborateurs les plus consciencieux ou les plus disponibles. Dans la majorité des équipes observées, ce sont les profils intermédiaires, ni suffisamment seniors pour déléguer ni suffisamment protégés pour refuser, qui l’absorbent en silence.

Gary Marcus, chercheur en sciences cognitives et critique régulier des limites des systèmes de large language models, note que cette confiance excessive dans les sorties automatisées constitue l’un des risques organisationnels les plus sous-estimés du déploiement IA en entreprise. Le problème n’est pas que l’outil se trompe, tout outil peut se tromper. Le problème est qu’il se trompe avec une apparence de certitude qui décourage la vérification systématique, jusqu’à ce qu’une erreur de fond remonte à la surface.

Pour le manager d’une équipe mixte, cela implique une règle opérationnelle simple mais rarement appliquée : toute tâche confiée à l’IA doit s’accompagner d’une allocation explicite de temps humain pour la validation. Cette charge doit apparaître dans le planning, être reconnue comme du travail qualifié, et ne pas reposer par défaut sur le collaborateur le moins visible.

L’équité de conception : ce qui doit se décider avant le déploiement

La plupart des déploiements IA en équipe échouent sur l’équité non parce que les décideurs s’en désintéressent, mais parce qu’ils abordent la question trop tard, après le choix de l’outil, après la formation initiale, parfois après les premiers incidents. L’OCDE, dans ses recommandations actualisées sur l’IA au travail publiées en 2023, identifie l’absence de phase de conception équitable comme l’un des cinq facteurs principaux de fragmentation des équipes lors des transitions algorithmiques.

Concevoir de façon équitable ne signifie pas donner le même outil à tout le monde au même moment. Cela signifie cartographier, avant tout déploiement, trois questions précises : qui bénéficiera immédiatement de l’outil et qui devra d’abord être accompagné ? Quelles tâches l’outil va-t-il rendre obsolètes, et qui les exerce aujourd’hui ? Qui héritera des tâches résiduelles, et ce transfert est-il équitable au regard des niveaux de compétence et de rémunération en place ?

Cette cartographie n’est pas un exercice RH accessoire. Elle conditionne la légitimité du déploiement. Laurence Devillers, professeure en IA et interactions humain-machine à Sorbonne Université, le formule ainsi : un système technique déployé sans audit préalable de ses effets différenciés sur les personnes n’est pas un outil neutre mis à disposition, c’est une décision de gestion camouflée en choix technique. Les équipes le perçoivent, même quand les managers ne l’énoncent pas.

Le rôle du manager de proximité : arbitre de l’équité quotidienne

Dans les organisations qui réussissent leurs transitions équipe mixte, un acteur joue un rôle déterminant que les projets de déploiement sous-estiment systématiquement : le manager de proximité. Non parce qu’il maîtrise l’IA mieux que ses équipes, souvent il la maîtrise moins, mais parce qu’il est le seul à observer en temps réel comment les usages réels divergent des usages prévus.

Nadia, responsable d’une équipe de huit gestionnaires de contrats dans une organisation du secteur public, a passé les quatre premiers mois suivant le déploiement de leur assistant IA à tenir un journal de bord des usages. Pas un tableau de bord automatique. Un document textuel, mis à jour deux fois par semaine, où elle notait qui utilisait l’outil, pour quoi, avec quels résultats, et surtout qui n’y avait pas recours malgré les formations. « Ce journal m’a montré des choses qu’aucun KPI n’aurait capté. Deux collègues évitaient l’outil parce qu’ils ne voulaient pas exposer leurs lacunes devant le groupe. L’IA révélait les fragilités que personne n’avait envie de rendre visibles. »

Ce que Nadia a fait relève d’une compétence managériale émergente que la Stanford HAI désigne dans ses rapports annuels sous le terme de human-AI teaming literacy : la capacité à lire les dynamiques d’équipe à travers le prisme des interactions avec les systèmes automatisés, et à intervenir sur les glissements avant qu’ils deviennent structurels. Cette compétence ne s’acquiert pas dans une formation d’une demi-journée sur les fonctionnalités d’un outil. Elle se construit dans la durée, par l’observation et le dialogue régulier avec chaque membre de l’équipe sur son rapport concret au travail augmenté.

Le manager de proximité devient ainsi le garant d’une équité quotidienne que les politiques RH ne peuvent pas assurer seules : il redistribue les charges de validation quand elles se concentrent, il ralentit les profils qui accélèrent au détriment du collectif, et il crée les conditions d’un apprentissage progressif pour ceux qui prennent du retard, sans que ce retard devienne un stigmate.

« Dans une organisation qui sait faire croître ce qui compte vraiment, l’outil ne choisit pas à qui il bénéficie. Ce choix appartient au manager. », La rédaction Afervescence

Vers un management de l’équité augmentée : repères pour agir

Aucune équipe mixte humain-IA ne maintient spontanément l’équité. Elle se construit, s’évalue et se recalibre par des décisions managériales délibérées. Quatre repères opérationnels permettent d’ancrer cette construction dans le quotidien d’une organisation.

Premièrement, rendre la charge de validation visible. Toute tâche algorithmique génère une charge humaine de vérification. Cette charge doit être nommée, allouée explicitement, et reconnue au même titre que la production directe. Un collaborateur qui passe trois heures à vérifier les sorties d’un outil travaille, il ne surveille pas.

Deuxièmement, différencier l’accompagnement à l’usage selon les profils, non selon les niveaux hiérarchiques. L’aisance avec un outil IA dépend moins du statut que du style cognitif, de l’expérience avec les interfaces numériques, et de la nature du travail exercé. Un cadre senior peut avoir besoin d’un accompagnement plus long qu’un opérateur habitué aux environnements numériques complexes.

Troisièmement, cartographier les tâches résiduelles tous les trimestres. Les outils IA évoluent, les usages aussi. Une tâche marginalisée au moment du déploiement peut devenir centrale six mois plus tard, ou inversement disparaître. La cartographie des tâches résiduelles n’est pas un exercice ponctuel de cadrage de projet, c’est un processus continu de gouvernance opérationnelle.

Quatrièmement, ouvrir des espaces de parole sur le rapport au travail augmenté. Les équipes qui traversent sans fracture les transitions IA sont celles où les collaborateurs peuvent exprimer, sans risque pour leur évaluation, leurs doutes, leurs résistances et leurs limites avec les outils. Cette parole ne surgit pas dans les réunions de suivi de projet. Elle émerge dans des formats délibérément distincts, ateliers de retour d’expérience, entretiens individuels centrés non sur la performance mais sur le vécu du travail.

Ces repères ne garantissent pas l’équité. Ils créent les conditions dans lesquelles elle peut être observée, discutée et corrigée. Dans une équipe mixte, l’équité n’est pas un état stable, c’est une pratique managériale que les dirigeants qui font croître ce qui compte vraiment exercent sans déléguer à l’outil le soin de s’en charger.

Pour aller plus loin, decouvrez notre accompagnement des organisations et notre approche.

Et si la vraie mesure de la maturité IA d’une organisation n’était pas le nombre d’outils déployés, mais la capacité de ses managers à protéger l’équité dans chaque équipe où l’algorithme est entré ?

#Leadership #ManagementIA #FutureOfWork #Équité #OrganisationDuTravail