Une maturité notée 7 sur 10, entre la moitié et les trois quarts des collaborateurs qui utilisent l’IA chaque jour, des agents déployés pour plusieurs métiers, un cadre d’usage diffusé et connu, un portage assumé par la direction générale. Chez Dynamips, l’adoption est acquise. Cécile Carydis déplace pourtant le sujet : l’IA produit déjà, elle ne contredit pas encore, et ce sont les habitudes des managers, bien plus que les processus, qui décideront de la suite.
Que change une maturité de 7 sur 10 dans la nature des questions posées ?
Les huit réponses du baromètre dessinent une organisation dont les fondations sont posées. La maturité est notée 7 sur 10, au-dessus des notes de 4 à 6 déclarées par la plupart des dirigeants déjà interrogés dans cette série. L’usage quotidien concerne entre 50 et 75 % des collaborateurs, une fourchette supérieure à celle où se situent plusieurs autres organisations du panel. Le cadre d’usage est écrit, diffusé et connu, réponse encore rare à ce stade. Le sujet est porté par la direction générale, le budget augmente, un projet IA engagé a déjà été arrêté.
Pris ensemble, ces éléments décrivent moins un niveau d’avancement qu’un changement de phase. Tant que l’IA reste marginale, les questions portent sur l’accès, les outils, la sécurité et les autorisations. Lorsqu’elle devient l’environnement ordinaire du travail pour une majorité de collaborateurs, ces questions se tassent et une autre émerge, beaucoup plus difficile à outiller : ce que l’usage massif fait à la qualité du raisonnement. Les réponses ouvertes de Cécile Carydis se situent précisément à cet endroit.
L’arrêt d’un projet engagé complète le tableau. Dans une organisation où la direction générale porte le sujet, savoir renoncer suggère que les projets sont évalués sur leurs résultats plutôt que défendus pour ce qu’ils symbolisent.
Qu’est-ce qui fonctionne déjà, et qu’est-ce qui résiste encore ?
Le bilan qu’elle dresse est net. Dynamips a créé des agents d’IA pour différents métiers, et deux gains sont constatés : la vitesse de production et la qualité des analyses préparatoires. Le second mérite l’attention. Gagner du temps sur la production relève de l’efficacité, alors qu’améliorer l’analyse qui précède une décision touche déjà à la qualité du jugement.
Les limites sont formulées avec la même précision, et elles sont de deux ordres. La première concerne l’usage : l’IA est surtout employée pour produire, pas encore comme contradicteur. La seconde concerne l’encadrement : les managers n’ont pas tous atteint le même niveau de maturité.
Ces deux constats ne sont pas indépendants. Utiliser l’IA comme contradicteur suppose d’accepter qu’un outil conteste une analyse, une hypothèse ou une décision. Cet usage relève d’une posture plus que d’une compétence technique, et il progresse au rythme de ceux qui donnent le ton dans les équipes.
Comment faire de l’IA un accélérateur de jugement plutôt qu’un substitut au jugement ?
C’est la question à laquelle Cécile Carydis déclare ne pas avoir encore de réponse satisfaisante.
« Comment faire de l’IA un accélérateur de jugement plutôt qu’un substitut au jugement ? »
Cécile Carydis
Cécile Carydis
Son propre diagnostic en trace pourtant la ligne de partage. Une IA qui produit livre un résultat, une IA qui contredit oblige à reprendre le raisonnement. Dans le premier cas, sa réponse risque de tenir lieu de conclusion. Dans le second, elle élargit les hypothèses, formule les objections, révèle ce qui a été oublié, et laisse à la personne la responsabilité de trancher. La question de l’accélération du jugement se ramène ainsi, très concrètement, au passage de la production à la contradiction.
Les travaux disponibles montrent que cette frontière n’a rien de théorique. En 2023, une étude conduite par des chercheurs de Harvard, de Wharton, du MIT et de Warwick auprès de 758 consultants du Boston Consulting Group (Dell’Acqua et al., « Navigating the Jagged Technological Frontier ») a mesuré les deux effets à la fois. Sur les tâches situées dans le périmètre de compétence de l’outil, les consultants équipés ont réalisé 12,2 % de tâches en plus, 25,1 % plus vite, avec une qualité jugée supérieure de plus de 40 %. Sur une tâche située hors de ce périmètre, conçue pour que l’IA fournisse une réponse plausible mais erronée, les consultants équipés ont eu 19 points de pourcentage de chances en moins de trouver la bonne solution que ceux qui travaillaient sans elle.
Là où l’outil est fiable, il accélère. Hors de ce périmètre, il ne se contente pas d’être inutile : il dégrade la décision de ceux qui lui font confiance. Les auteurs parlent d’une frontière « en dents de scie », parce que la limite entre les deux zones n’est ni visible ni stable. Un usage orienté vers la contradiction a ici un avantage évident : il maintient la personne en position de vérifier, là où un usage orienté vers la production l’invite à valider.
Quel est le risque le plus sérieux : l’erreur de l’IA ou l’arrêt du questionnement ?
« Notre plus grand risque n’est pas que l’IA se trompe, c’est que nous arrêtions de nous poser les bonnes questions. »
Cécile Carydis
Cécile Carydis
La formule déplace le centre de gravité du débat. L’essentiel des dispositifs de gouvernance vise aujourd’hui l’erreur de l’outil : hallucinations, biais, fiabilité des sources, confidentialité. Ces risques sont réels, ils partagent une propriété : ils finissent par se voir. Une erreur factuelle se détecte, se corrige, se documente.
Le risque qu’elle désigne n’a pas cette propriété. Une question qui n’est plus posée ne laisse aucune trace. Aucun indicateur ne signale l’hypothèse qu’on n’a pas envisagée, ni l’objection qu’on n’a pas formulée parce que la réponse paraissait complète. La recherche en facteurs humains décrit ce mécanisme depuis longtemps sous le nom de complaisance envers l’automatisation. Raja Parasuraman et Dietrich Manzey en ont proposé une synthèse en 2010 dans la revue Human Factors : la vigilance vis-à-vis d’un système automatisé diminue à mesure que ce système se montre fiable, le phénomène touche les experts comme les novices, et il ne disparaît pas avec la seule pratique.
Le paradoxe est donc direct : plus l’outil est bon, plus le risque qu’elle décrit grandit. C’est ce qui donne tout son poids à sa mise en garde dans une organisation qui se note 7 sur 10, et c’est aussi ce qui fait de l’IA contradictrice, qu’elle identifie comme l’usage encore manquant, la réponse la plus directe à ce risque.
Pourquoi les comportements changent-ils moins vite que les processus ?
Interrogée sur ce qui lui a coûté le plus cher, Cécile Carydis répond avec une nuance qui compte : elle n’en est pas là. L’angle mort qu’elle désigne est celui auquel elle se sait exposée, sous-estimer l’écart entre la vitesse à laquelle les processus changent et celle à laquelle les comportements suivent.
« Déployer des process peut être assez facile. Le plus difficile : faire évoluer les habitudes des managers, leur apprendre à travailler avec l’IA sans s’y soumettre et conserver la culture d’entreprise pendant la croissance. »
Cécile Carydis
Cécile Carydis
La réponse éclaire le frein principal déclaré au baromètre, la culture. Dans une organisation où le sponsor existe, où la règle est connue et où les moyens progressent, le frein ne tient plus aux outils ni aux procédures. Il se loge dans trois chantiers qu’elle nomme explicitement. Le premier porte sur les habitudes des managers, qui ne se modifient pas par note de service. Le deuxième porte sur la relation à l’outil, résumée par une formule exacte : travailler avec l’IA sans s’y soumettre. Le troisième porte sur la culture d’entreprise, qu’une phase de croissance met déjà sous tension par elle-même.
L’écart qu’elle décrit a une conséquence pratique. Un déploiement se pilote en semaines, une évolution des comportements se mesure en mois. Une organisation qui calerait son calendrier sur le premier rythme risquerait de déclarer la transformation achevée au moment précis où le second commence à peine.
Pourquoi l’IA est-elle d’abord un projet RH ?
Son conseil à un homologue qui démarre tient en une thèse et quatre verbes. L’IA est, écrit-elle, « un projet plus RH que SI ». Viennent ensuite les actions : acculturer, former, cartographier et créer une charte rapidement.
La thèse prend le contre-pied du réflexe le plus répandu, qui confie l’IA à la direction des systèmes d’information parce qu’elle arrive sous la forme d’outils. Elle découle directement du reste de l’entretien. Si les processus se déploient facilement et que les comportements résistent, la difficulté principale relève de la fonction qui a la charge des compétences, du management et de la culture.
Le dernier mot du conseil compte autant que les autres : rapidement. Chez Dynamips, la charte est déjà écrite, diffusée et connue, ce qui place l’entreprise parmi les rares organisations du panel à avoir franchi cette étape.
Pourquoi une ESN est-elle particulièrement exposée à cette question ?
Le secteur donne à ces réponses une portée singulière. Une entreprise de services du numérique vend, en dernière analyse, la capacité de ses équipes à comprendre un problème client, à qualifier une situation technique et à recommander une solution. Autrement dit, elle vend du jugement.
Si l’IA se substitue à ce jugement, la valeur perçue du service glisse vers l’outil, auquel le client a lui-même accès. Si elle l’accélère, elle augmente ce que les équipes peuvent examiner, comparer et vérifier dans le même temps, ce qui renforce précisément ce que le client achète. La question posée par Cécile Carydis relève donc autant du modèle économique que de la pratique managériale.
Sa position sur l’emploi à dix-huit mois, une transformation des métiers sans suppression de postes, s’inscrit dans cette logique et rejoint la réponse majoritaire du panel. Elle suppose une condition : que l’IA reste du côté de l’accélération. C’est parce que le jugement humain conserve sa valeur que les métiers qui l’exercent se transforment au lieu de disparaître.
