Diriger une transformation IA qui embarque, au lieu de fracturer

En 2024, le MIT Sloan Management Review publiait une enquête auprès de 3 000 dirigeants dans 28 pays : 39 % d’entre eux reconnaissaient que leur déploiement d’IA avait creusé les inégalités internes entre métiers plutôt que de les réduire. Ce chiffre ne porte pas sur l’échec technique des algorithmes. Il porte sur ce que les organisations ont fait, ou n’ont pas fait, avec les humains qui devaient vivre ces transformations au quotidien. La fracture ne naît pas dans les serveurs. Elle naît dans les salles de réunion où l’on annonce un outil sans expliquer ce qu’il change réellement pour chaque poste, chaque équipe, chaque trajectoire.

La question posée aux DG, DSI et DRH qui lisent cet article n’est donc pas « comment accélérer le déploiement ? ». Elle est : comment le calibrer pour qu’il reste une force de cohésion plutôt qu’un révélateur de fractures préexistantes ?

Le mythe de l’adhésion spontanée, première fissure organisationnelle

La plupart des transformations IA échouent à construire de l’adhésion pour une raison précise : leurs porteurs supposent que la démonstration de valeur suffit. « Montrez aux équipes que l’outil fonctionne, elles suivront. » Cette logique confond utilité et sens. Un outil peut être utile et profondément menaçant en même temps, selon la position qu’on occupe dans la chaîne de valeur.

Laurence Devillers, chercheuse au CNRS et professeure à l’université Paris-Sorbonne, le formule avec précision dans ses travaux sur l’interaction humain-machine : les technologies d’IA ne sont pas neutres sur le plan émotionnel. Elles modifient le rapport que chaque individu entretient avec son propre sentiment de compétence. Quand une assistante de direction voit un agent IA produire en trente secondes un compte-rendu qu’elle structurait en quarante minutes, deux lectures coexistent. La première : « j’ai maintenant quarante minutes pour faire autre chose ». La seconde : « dans six mois, on se demandera à quoi je sers ». Les deux lectures sont rationnelles. Laquelle s’installe dépend du discours que son manager tient, ou ne tient pas.

Nadia, DRH dans un groupe de services financiers de 2 400 collaborateurs, a piloté en 2023 le déploiement d’un outil de traitement automatisé des demandes RH courantes. « On avait tout préparé côté technique. Ce qu’on n’avait pas anticipé, c’est que trois gestionnaires de l’équipe ont commencé à chercher en externe dès le deuxième mois. Pas parce qu’elles avaient peur de perdre leur poste, on leur avait dit le contraire. Parce qu’elles avaient l’impression qu’on leur retirait la partie de leur travail qu’elles trouvaient valorisante, sans leur en donner une autre à la hauteur. » Le projet était techniquement réussi. Il a fallu six mois supplémentaires pour reconstruire la confiance.

L’adhésion spontanée n’existe pas dans une transformation qui touche à l’identité professionnelle. Elle se construit, délibérément, par des actes de management concrets et répétés.

La transparence sur les données, levier de confiance sous-estimé

Un deuxième point de fracture récurrent concerne l’usage des données que les équipes produisent elles-mêmes. Quand les outils IA analysent les comportements de travail, temps passé sur chaque tâche, patterns de collaboration, volumes traités, les collaborateurs le perçoivent, même sans qu’on le leur annonce. Et ce qu’ils perçoivent sans explication, ils l’interprètent comme une surveillance.

L’AI Now Institute, dans son rapport annuel 2023, documente précisément ce phénomène dans les environnements de travail instrumentés : l’opacité sur l’usage des données personnelles professionnelles est corrélée à une baisse mesurable de l’engagement, indépendamment du secteur. Le mécanisme est simple. La confiance dans une organisation repose sur la prévisibilité : je sais comment je serai évalué, je sais ce qu’on attend de moi. Dès que des algorithmes entrent dans la boucle d’évaluation sans que les règles soient explicitées, la prévisibilité s’effondre. Et avec elle, la disposition à prendre des initiatives.

Romain, data scientist dans un groupe industriel, décrit le paradoxe qu’il observe dans ses propres équipes : « On déploie des outils censés libérer du temps pour des tâches à plus forte valeur. Mais si les gens ne savent pas comment ces outils reportent leurs activités à la hiérarchie, ils vont optimiser pour paraître actifs plutôt que pour être efficaces. On obtient l’inverse de ce qu’on cherchait. » La transparence sur ce que les systèmes mesurent et sur ce que les managers en font n’est pas une concession éthique optionnelle. C’est une condition de fonctionnement du modèle.

Des organisations pionnières publient désormais des chartes internes d’usage des données IA, co-construites avec les représentants du personnel, avant tout déploiement. La CNIL recommande ce type de démarche depuis 2022 dans ses guides sur les systèmes de décision automatisés en milieu professionnel. Ce n’est pas de la conformité réglementaire pour elle-même : c’est le signal que l’organisation choisit de nommer les règles plutôt que de les laisser implicites.

La formation comme politique, pas comme programme

La réponse classique à la fracture est la formation. Déployer des modules e-learning, organiser des ateliers de prise en main, certifier des « ambassadeurs IA » dans chaque département. Ces dispositifs ont leur utilité. Ils ne suffisent pas, parce qu’ils traitent la compétence sans traiter le sens.

Asma Mhalla, chercheuse spécialisée dans les politiques technologiques et auteure de travaux sur la gouvernance de l’IA, insiste sur une distinction que les organisations ont tendance à ignorer : former quelqu’un à utiliser un outil est une chose ; lui permettre de comprendre la logique de décision de cet outil en est une autre. Cette seconde capacité, qu’on peut appeler littératie algorithmique, détermine si l’utilisateur reste acteur ou devient dépendant.

La différence entre une formation comme programme et une formation comme politique tient à trois éléments. D’abord, la continuité : une politique de formation IA n’a pas de date de fin, parce que les outils évoluent et que les usages réels divergent toujours des usages prescrits. Ensuite, la différenciation par métier : un juriste, un contrôleur de gestion et un chargé de communication n’ont pas les mêmes besoins de compréhension, et leur former le même module générique revient à leur signifier qu’on ne comprend pas leur travail. Enfin, la réciprocité : les équipes terrain qui utilisent les outils au quotidien développent une expertise pratique que les équipes IT n’ont pas. Organiser des remontées structurées de ces observations, et en tenir compte, change fondamentalement la dynamique de la transformation.

Sophie, directrice de la transformation dans un groupe de distribution, a instauré ce qu’elle appelle des « revues de friction » mensuelles : des sessions de trente minutes par département où les équipes cartographient les points où l’outil résiste à leur réalité métier. « Au début, les gens pensaient que c’était une façon de collecter des plaintes sans les traiter. On a montré que trois points remontés avaient conduit à des modifications concrètes du paramétrage. Après ça, la participation a triplé. » Ce qui avait changé n’était pas la qualité de l’outil. C’était la conviction que la parole des utilisateurs comptait dans la trajectoire du projet.

La gouvernance de la transformation, angle mort des comités de direction

Les transformations IA qui fracturent partagent souvent une caractéristique structurelle : elles sont pilotées par la DSI ou par un Chief AI Officer dont les circuits de décision restent déconnectés des DRH, des managers de proximité et des représentants du personnel. La gouvernance est technique. Elle n’est pas organisationnelle.

Gary Marcus, chercheur en sciences cognitives et critique reconnu des limites actuelles de l’IA, souligne dans ses analyses que les systèmes d’IA amplifient les structures de pouvoir existantes dans une organisation. Ce constat a une implication directe pour les comités de direction : si les décisions sur ce qui est automatisé, sur ce qui est mesuré, sur ce qui justifie un recrutement ou un redéploiement sont prises dans un cercle étroit sans représentation des métiers concernés, la transformation devient un vecteur de renforcement des hiérarchies existantes, pas un levier d’évolution.

L’OCDE, dans ses principes sur l’IA publiés et révisés régulièrement depuis 2019, recommande explicitement des mécanismes de gouvernance inclusive des systèmes d’IA déployés en milieu professionnel, incluant des voies de recours pour les personnes affectées par des décisions algorithmiques. Cette recommandation n’est pas respectée dans la majorité des déploiements observés en Europe continentale.

Construire une gouvernance organisationnelle de la transformation IA suppose au minimum trois choses : un comité de pilotage où siègent DG, DSI, DRH et représentants métier avec des droits de décision réels, pas seulement consultatifs ; des critères de succès qui incluent des indicateurs qualitatifs sur le vécu des équipes, pas uniquement des métriques de productivité ; et un processus formalisé pour décider de ce qui ne sera pas automatisé, à côté de ce qui le sera. Cette dernière décision, nommer ce que l’organisation choisit de préserver comme activité humaine, est peut-être la plus structurante pour la confiance interne.

« La transformation IA ne se mesure pas à la vitesse du déploiement. Elle se mesure à la capacité de l’organisation à faire croître ce qui compte vraiment : la confiance, la compétence collective, et la dignité du travail. » La rédaction Afervescence

Vers une conduite du changement qui nomme ce qu’elle fait

Les dirigeants qui évitent la fracture ne sont pas ceux qui déploient plus lentement, ni ceux qui communiquent davantage. Ils sont ceux qui nomment les choses avec précision : ce que l’outil change concrètement pour chaque rôle, ce qu’il ne changera pas, ce que l’organisation s’engage à faire pour les personnes dont le périmètre se transforme, et dans quels délais. Cette précision n’est pas de la pédagogie descendante. C’est la condition pour que les équipes puissent se former une opinion réelle sur ce qui les attend, et y répondre par autre chose que le retrait ou la résignation.

La conduite du changement humaine n’est pas opposée à l’ambition de transformation. Elle en est la condition de durabilité. Une organisation qui fracture ses équipes sur le chemin de la performance IA hypothèque précisément les capacités collectives, jugement, initiative, coopération, dont les systèmes automatisés ont besoin pour fonctionner correctement dans des situations non prévues par leurs concepteurs.

Les organisations qui embarquent font un choix délibéré : elles traitent la transformation IA comme une question organisationnelle autant que technologique. Elles investissent autant dans la gouvernance humaine que dans les infrastructures techniques. Elles considèrent que la qualité du changement vécu par les équipes est un indicateur de performance au même titre que les gains de productivité mesurés en fin d’exercice.

Ce choix n’est pas altruiste. Il est stratégique. Les organisations qui fractureront leurs équipes dans les prochaines années ne perdront pas seulement des talents. Elles perdront la capacité collective d’apprendre, d’adapter et de corriger, exactement ce dont elles auront besoin quand leurs systèmes IA rencontreront leurs premières limites réelles.

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

Et si la mesure la plus fiable d’une transformation IA réussie était le nombre de collaborateurs qui, deux ans après le déploiement, peuvent expliquer à quelqu’un d’autre comment leur travail a évolué, et pourquoi cela leur convient ?