Une maturité située à 5 sur 10, un quart à la moitié des collaborateurs qui utilisent l’IA chaque jour, un cadre d’usage encore en cours de rédaction et un budget qui augmentera. Loïc Vlassakoudis, DRH de Vivalia, groupe hospitalier de la province de Luxembourg, revient sur l’erreur qui lui a le plus appris : avoir cru que la démonstration du bénéfice déclenchait l’usage.
Il existe deux manières de manquer l’arrivée de l’IA dans une organisation. La première est abondamment décrite : ne rien décider, laisser l’usage s’installer poste par poste, découvrir la question de la règle une fois qu’elle ne sert plus qu’à corriger. La seconde est plus rarement racontée, parce qu’elle ressemble à un travail bien fait. Elle consiste à choisir un cas d’usage pertinent, à mesurer le gain, à démontrer la valeur, puis à constater que rien ne se passe. Loïc Vlassakoudis, directeur des ressources humaines de Vivalia, décrit la seconde.
Vivalia est l’intercommunale de soins de santé de la province de Luxembourg, en Belgique. Sept sites hospitaliers, six maisons de repos, environ 3 800 collaborateurs et près de 600 prestataires indépendants, pour un territoire de quarante-six communes. Une organisation de terrain, à effectifs contraints, où le temps de travail se compte en gardes et en soins délivrés. Son DRH situe la maturité IA de la maison à 5 sur 10, estime qu’entre un quart et la moitié des collaborateurs utilisent l’IA quotidiennement, indique que le cadre d’usage est en cours de rédaction, que le budget augmentera sur les douze prochains mois, et que le sujet est porté au plus haut niveau par la direction des ressources humaines.
Une réponse du baromètre sort du lot par sa franchise. Interrogé sur l’arrêt éventuel d’un projet IA engagé, il ne coche ni oui ni non. Il répond : non, mais nous aurions dû. Cette formulation est presque introuvable dans les enquêtes de maturité, qui n’offrent généralement que la fierté d’avoir su arrêter ou le confort de n’avoir jamais eu à le faire. Elle décrit pourtant la situation la plus fréquente, et elle donne le ton d’un entretien où l’écart entre ce qui était prévu et ce qui s’est produit est regardé en face plutôt que reformulé.
Pourquoi démontrer le bénéfice ne suffit-il pas à créer l’usage ?
La conviction de départ était raisonnable, et elle est partagée par la quasi-totalité des directions engagées dans le sujet. Si l’on prouve concrètement qu’un outil fait gagner du temps, allège les tâches répétitives ou améliore la qualité du travail, les utilisateurs devraient s’en emparer d’eux-mêmes. L’observation dément la prévision. Des personnes qui recourent volontiers à l’IA dans leur vie privée restent nettement plus réservées lorsque le même outil entre dans leur environnement professionnel, et un bénéfice clairement démontré ne garantit en rien que l’usage suivra.
Le phénomène est documenté. Les travaux sur l’aversion à l’algorithme, engagés par Berkeley Dietvorst, Joseph Simmons et Cade Massey à Wharton en 2015, montrent que des utilisateurs abandonnent un modèle statistique après l’avoir vu se tromper une seule fois, y compris lorsque ce modèle reste durablement plus performant qu’eux. La décision d’usage n’obéit pas à la comparaison des performances. Elle obéit à ce que l’outil fait à la place de celui qui l’utilise, et à ce qu’il en dit de sa compétence.
Loïc Vlassakoudis énumère quatre ressorts derrière cette réserve, et aucun n’est technique : la peur du remplacement, la crainte de perdre une part de son expertise ou de son autonomie, le sentiment que l’outil remet en question sa manière de travailler, l’absence d’envie de modifier des habitudes installées. En milieu hospitalier, où le geste professionnel est adossé à une responsabilité personnelle et parfois à une responsabilité juridique, ces ressorts ne sont pas des réticences de confort. Ils touchent à ce qui fonde l’autorité d’un professionnel sur son propre travail.
« Un projet IA n’est finalement pas d’abord un projet technologique. C’est un projet de transformation du travail. Démontrer le ROI ou la performance de l’outil est nécessaire, mais insuffisant : il faut aussi travailler sur le sens, la confiance, les usages et la place que chacun conservera dans le nouveau fonctionnement. »
Loïc Vlassakoudis, sur ce qui lui a coûté le plus cher
« Un projet IA n’est finalement pas d’abord un projet technologique. C’est un projet de transformation du travail. Démontrer le ROI ou la performance de l’outil est nécessaire, mais insuffisant : il faut aussi travailler sur le sens, la confiance, les usages et la place que chacun conservera dans le nouveau fonctionnement. »
La conséquence pratique est nette. Un dossier de décision qui ne comporte qu’une projection de gains est un dossier incomplet, quelle que soit la solidité du calcul. La question à laquelle il ne répond pas est celle que se posent silencieusement les utilisateurs : qu’est-ce que je conserve. Tant qu’elle reste sans réponse explicite, la démonstration de valeur se heurte à un mur poli, fait d’accords de principe et d’usages qui ne décollent pas.
Cela éclaire aussi pourquoi le frein numéro un désigné pour 2026 est la gouvernance, et non le budget ni la technique. Une organisation à un quart ou une moitié d’usage quotidien n’a plus de problème de disponibilité de l’outil. Elle a un problème de clarté sur qui décide quoi, sur ce qui est permis, sur ce qui est attendu, et sur ce que devient le travail de chacun une fois l’outil installé. Ces questions ne se règlent pas par une licence supplémentaire.
Que faut-il vérifier avant d’installer de l’IA dans un processus ?
Le conseil adressé à un homologue qui démarrerait la semaine prochaine tient en trois mouvements, et le premier est un mouvement de retrait. Ne pas chercher où mettre de l’IA, vérifier d’abord si le besoin existe réellement. Une automatisation classique, une règle de gestion, un formulaire mieux conçu suffisent souvent à traiter le problème, à un coût et avec une prévisibilité qu’aucun modèle génératif n’offre. Poser cette question évite la catégorie de projets la plus coûteuse de toutes : ceux qui fonctionnent techniquement et ne servaient à rien.
Le deuxième mouvement est un audit. Qualité des processus, qualité des décisions, qualité des connaissances documentées. L’argument est mécanique : l’IA est un accélérateur, et un accélérateur ne discrimine pas. Branché sur une base saine, il amplifie ce qui fonctionne. Branché sur des procédures floues, des règles non écrites et une documentation périmée, il industrialise les erreurs à la vitesse de l’outil. Dans un groupe hospitalier, où coexistent sept sites, des pratiques historiques et des systèmes d’information hérités de fusions successives, cet audit n’est pas une formalité préalable. Il est probablement le projet lui-même.
Le troisième mouvement anticipe l’effet sur l’apprentissage, et il constitue le fil rouge de tout l’entretien.
La question sans réponse : que devient l’apprentissage quand la réponse arrive avant la question ?
Chaque entretien de Ceux qui décident comporte une question sur ce qui reste sans réponse satisfaisante. Celle de Loïc Vlassakoudis ne porte pas sur les capacités des modèles, elle porte sur leurs effets à long terme sur le développement des compétences. L’IA donne accès à une réponse très vite, parfois avant que la question, le raisonnement ou l’apprentissage qui devraient normalement y conduire aient été construits. La formulation est précise, et elle désigne un problème de séquence plutôt qu’un problème de performance.
Ce que la construction d’une expertise doit à ses étapes intermédiaires est difficile à mesurer et facile à supprimer. Un jeune professionnel apprend en produisant des documents que quelqu’un corrigera, en rédigeant des synthèses imparfaites, en cherchant une information qu’un plus ancien lui aurait donnée en trente secondes. Ces tâches sont précisément celles qu’une assistance conversationnelle traite le mieux. Les premiers signaux économiques vont dans ce sens : l’étude Canaries in the Coal Mine? d’Erik Brynjolfsson, Bharat Chandar et Ruyu Chen, menée au Stanford Digital Economy Lab sur des données de paie couvrant des millions de salariés américains, situe l’emploi des 22-25 ans dans les métiers les plus exposés à l’IA nettement sous sa trajectoire attendue, l’écart provenant principalement d’un recul des embauches et non des départs, alors que les professionnels expérimentés ne présentent pas ce décalage.
Le second paradoxe soulevé est moins commenté et tout aussi sérieux. Si l’IA absorbe progressivement les tâches simples, répétitives ou intermédiaires, le travail humain se concentre sur les situations complexes, ambiguës et à forte charge mentale. L’organisation obtient alors des collaborateurs objectivement plus productifs, confrontés en permanence aux tâches les plus exigeantes sur le plan cognitif, sans les moments de moindre intensité qui permettaient jusqu’ici de récupérer. Dans un secteur où l’épuisement professionnel constitue déjà un risque majeur, la mécanique mérite d’être regardée avant d’être subie.
« Que faisons-nous réellement du temps et de la capacité libérés par l’IA : produire davantage, apprendre davantage, réduire la charge… ou simplement augmenter le niveau d’exigence ? »
Loïc Vlassakoudis, sur la question qu’il n’a pas encore résolue
« Que faisons-nous réellement du temps et de la capacité libérés par l’IA : produire davantage, apprendre davantage, réduire la charge… ou simplement augmenter le niveau d’exigence ? »
Cette question est la plus utile de tout l’entretien, parce qu’elle est la seule dont la réponse relève entièrement d’une décision de direction. Le gain de temps, lui, est acquis. Sa destination ne l’est pas. En l’absence de choix explicite, elle se règle par défaut, et le défaut est presque toujours le même : la charge se reconstitue au niveau antérieur, à un degré d’exigence supérieur. Nommer cette décision, l’arbitrer, l’écrire, coûte une réunion de comité de direction et change entièrement ce que l’IA produit dans une organisation.
Ce que cet entretien apprend aux autres directions
Deux réponses du baromètre méritent d’être lues ensemble. Le budget IA augmentera sur les douze prochains mois, et la position affichée sur l’emploi à dix-huit mois est celle d’une transformation sans suppression. Une organisation qui investit davantage tout en excluant la réduction d’effectifs assume un pari précis : le rendement attendu porte sur la qualité et sur la capacité, non sur le coût du travail. Dans un secteur hospitalier structurellement en tension sur le recrutement, ce pari est moins un choix idéologique qu’une lecture réaliste du marché de l’emploi soignant.
Une troisième réponse complète le tableau : le cadre d’usage est en cours de rédaction alors que l’usage quotidien concerne déjà un quart à la moitié des collaborateurs. La situation est celle d’un rattrapage engagé, pas encore achevé. La différence avec les organisations qui n’ont rien écrit tient à un point unique et décisif : quelqu’un porte le sujet, et ce quelqu’un a un nom.
Ce que cet entretien met en évidence dépasse le cas d’un groupe hospitalier belge. Il décrit le moment où une direction cesse de considérer l’IA comme un dossier technologique à instruire pour la traiter comme ce qu’elle est devenue : une transformation du travail, de la compétence et de la charge, dont les gains sont immédiats et les effets différés. La lucidité de ce témoignage tient dans deux formulations que peu de dirigeants acceptent d’écrire, un projet qu’il aurait fallu arrêter et une conviction de départ démentie par les faits. Ce sont les deux endroits où l’on apprend quelque chose.
