Transcription

• Speaker #0

  Bienvenue dans ce nouvel épisode des signaux du changement. On a vendu l'intelligence artificielle comme une promesse simple. Donnez le bon outil à n'importe qui, et il fera le travail d'un expert. Cet épisode regarde ce que cette promesse tient, et où elle s'arrête. Il existe un point précis, où l'IA cesse de combler l'écart entre un métier et un autre. Ce point décide de la façon dont une organisation déploie la technologie. Bonne écoute !

• Speaker #1

  Imaginons une situation, enfin une situation qui est assez courante aujourd'hui. On donne accès aux meilleurs outils d'intelligence artificielle générative du marché à, disons, un développeur informatique vraiment brillant.

• Speaker #2

  Ouais, le genre de profil très technique, très carré.

• Speaker #1

  Exactement. Et la mission est simple, on lui demande de générer une campagne marketing avec des articles optimisés pour le web.

• Speaker #0

  Ce qu'on vient d'entendre pose une limite. L'IA rapproche les métiers voisins, elle bute sur les métiers lointains. Là où manque le savoir tacite qui permet de juger son travail.

• Speaker #1

  Fasse une question. Ce savoir, la pratique de l'outil, finit-elle par le donner ? La suite regarde ce que le temps et l'expérience changent vraiment.

• Speaker #2

  C'est vraiment le scénario classique qui se joue en ce moment même dans des milliers d'entreprises. On a longtemps cru, un peu naïvement d'ailleurs, que l'intérêt de l' intelligence artificielle allait agir comme une baguette magique.

• Speaker #1

  Une sorte de grande égalisatrice de talent, quoi.

• Speaker #2

  Complètement. On s'est dit que ça permettrait à n'importe qui de faire n'importe quoi, et surtout avec le même niveau d'excellence.

• Speaker #1

  Et bien c'est justement le cœur de notre exploration aujourd'hui. Je suis ravie d'ouvrir cette analyse, parce qu'on va se demander si l'IA générative transforme véritablement n'importe quel profane en expert absolu.

• Speaker #2

  Ou s'il existe une limite, un point de rupture infranchissiable. Dans ce fameux transfert de compétences.

• Speaker #1

  C'est ça. Et pour comprendre ce qui se joue réellement, on va plonger dans deux documents vraiment fascinants. D'abord, on a un document de travail très récent, issu d'une collaboration entre des chercheurs de Harvard et de Stanford.

• Speaker #2

  Oui, une étude très solide.

• Speaker #1

  Très solide, qui théorise ce qu'ils appellent le JNA Wall Effect, donc l'effet du mur de l'IA. Et ensuite, on va croiser ces découvertes avec des données réelles.

• Speaker #2

  Les données d'utilisation du dernier rapport économique d'Anthropique, c'est ça ? Celui publié en mars 2026.

• Speaker #1

  Exactement. Ce qui rend cette analyse pertinente, je trouve, c'est qu'on dépasse la peur primaire du remplacement des emplois.

• Speaker #2

  Oui, ce n'est pas le sujet. L'enjeu, c'est vraiment de décortiquer la mécanique subtile du transfert d'expertise. Ce que la machine n'arrive pas à faire, ça révèle énormément de choses sur la nature profonde de nos propres compétences humaines.

• Speaker #1

  Commençons par le tirin d'essai, cette fameuse étude d'Harvard et Stanford. L'expérience s'est déroulée au Royaume-Uni, chez IG.

• Speaker #2

  C'est une grande entreprise de trading, pour resituer.

• Speaker #1

  Voilà. Et la méthodologie est brillante parce qu'elle est extrêmement concrète. Ils ont pris 78 employés et leur ont demandé de rédiger des articles web optimisés pour les moteurs de recherche.

• Speaker #2

  Ce qu'on appelle le SEO, dans le jargon.

• Speaker #1

  Le SEO, ouais. C'est une tâche qui demande des compétences bien spécifiques. Il faut savoir structurer l'information, choisir les bons mots-clés, adopter un ton qui retient le lecteur.

• Speaker #2

  Et la clé de cette expérience ? Elle repose vraiment sur la composition des groupes ? Les chercheurs n'ont pas testé l'outil sur 78 profils identiques. Ça n'aurait eu aucun intérêt.

• Speaker #1

  Non, c'est sûr. Ils ont défini trois cercles concentriques par rapport à l'expertise demandée. Le premier cercle, c'est les initiés.

• Speaker #2

  Donc là, on parle des analystes web de l'entreprise.

• Speaker #1

  C'est ça. Pour eux, le SEO, c'est le pain quotidien. Ensuite, on a le deuxième cercle, les profanes adjacents. Ça, ce sont des spécialistes marketing.

• Speaker #2

  Ouais, ils évoluent dans un univers proche, quoi. Ils comprennent les enjeux de communication, le ton d'une marque.

• Speaker #1

  Mais bon, rédiger l'optimisation technique pure et dure pour Google, ce n'est pas leur métier de base.

• Speaker #2

  Et le troisième cercle, le plus éloigné, est composé de profanes qu'on qualifie de distants. Et c'est là qu'on trouve nos fameux techniciens, les développeurs, les data scientists.

• Speaker #1

  Des profils qui sont extrêmement qualifiés dans leur domaine, la data ou le code, mais...

• Speaker #2

  Mais qui sont à des années-lumières des concepts de création de contenu éditorial ou de psychologie du consommateur.

• Speaker #1

  Totalement. L'expérience a ensuite scindé la création de cet article en deux étapes bien distinctes. Pour bien visualiser, on peut prendre l'analogie de la construction d'une maison.

• Speaker #2

  Ah, j'aime bien cette image !

• Speaker #1

  La première étape, c'est la conceptualisation. C'est le moment où l'on dessine le plan architectural abstrait. Dans le cas de notre article, il s'agit de créer le brief, de définir l'arborescence, de sélectionner les mots-clés.

• Speaker #2

  C'est très théorique en fait.

• Speaker #1

  Très théorique. Et la seconde étape, c'est l'exécution. C'est le moment où l'on coule le béton, où l'on monte les murs. où l'on passe de l'idée à l'incarnation matérielle. On rédige vraiment le texte.

• Speaker #2

  Et c'est là que les résultats sont, ben, spectaculaires. Lors de la première étape, celle du plan architectural, cette phase de conceptualisation était fortement guidée par des modèles d'IA, avec des champs stricts à remplir.

• Speaker #1

  Un cadre très balisé, donc.

• Speaker #2

  Exactement. Et dans ce cadre, la machine a permis de niveler totalement les compétences. Les spécialistes marketing, tout comme les techniciens d'ailleurs, ont produit des plans de contenu d'une qualité... rigoureusement équivalente à celle des analystes web chevronnés. Le fossé semblait avoir complètement disparu.

• Speaker #1

  Ce qui amène une question assez évidente en fait. Si l'intelligence artificielle est capable de fournir à un data scientist un plan d'article d'une qualité irréprochable, pourquoi la machine ne fait-elle pas simplement tout le reste du travail ?

• Speaker #2

  C'est la suite logique, oui.

• Speaker #1

  Bah oui, pourquoi ne pas la laisser générer le texte final de façon autonome, puisqu'elle a déjà la structure parfaite ?

• Speaker #2

  Eh bien, c'est là qu'on heurte violemment ce que les chercheurs appellent le mur de l'IA. Lors du passage à l'exécution, face à la fameuse page blanche où il faut rédiger l'article complet, les trajectoires se séparent brutalement.

• Speaker #0

  Ah,

• Speaker #1

  tout ce que se passe-t-il ?

• Speaker #2

  Les profanes adjacents, donc les profils marketing, réussissent toujours à égaler les experts du web grâce à l'IA. Le pont fonctionne. En revanche, pour les techniciens, les profanes éloignés, c'est l'échec.

• Speaker #1

  Ah ouais, carrément.

• Speaker #2

  Leur score de qualité s'effondre. Ils restent nettement inférieurs. Et ça, malgré l'assistance de la même intelligence artificielle.

• Speaker #1

  Attends, je veux vraiment qu'on s'arrête là-dessus. Parce que la mécanique de cet échec, elle est fascinante. Ils ont le même outil puissant, le même plan parfait. Mais le résultat final est mauvais. En fouillant dans les entretiens qualitatifs menés par les chercheurs, on découvre la racine du problème. C'est l'approche mentale de la tâche.

• Speaker #2

  C'est-à-dire ?

• Speaker #1

  Les techniciens ont abordé la rédaction de cet article marketing comme s'ils rédigeaient une documentation technique. Pour eux, un bon texte, c'est un wiki interne.

• Speaker #2

  Factuel, direct, sans furiture quoi.

• Speaker #1

  Exactement. L'outil génératif a fait son travail de base. L'IA a produit des accroches dynamiques, des phrases pour capter l'attention, des appels à l'action pour inciter au clic.

• Speaker #2

  Tout ce qui fait l'essence d'un bon contenu web en fait.

• Speaker #1

  Voilà. Mais les techniciens ont estimé que ce texte généré par la machine était beaucoup trop verbeux, trop dilué. Donc ils sont intervenus manuellement pour nettoyer le texte, effaçant consciencieusement... toute la valeur ajoutée marketing générée par l'IA.

• Speaker #2

  C'est fou ça ! Ils ont activement saboté le travail de la machine en pensant la corriger en fait.

• Speaker #1

  Et c'est pas par mauvaise volonté, c'est une question de référentiel. Et c'est là qu'intervient un concept central de cette étude, les connaissances tacites.

• Speaker #2

  Ah oui, les fameuses connaissances tacites. Ce sont ces éléments non écrits d'un métier ?

• Speaker #1

  C'est ça. Un technicien sait coder et un marketeur sait implicitement qu'une phrase un peu accrocheuse qui pourrait sembler... inutile dans un manuel d'ingénierie, elle est en fait cruciale pour retenir un lecteur sur Internet.

• Speaker #2

  La connaissance tacite, c'est l'intuition forgée par la pratique. C'est ce qui permet d'évaluer si un résultat est pertinent dans un contexte bien précis.

• Speaker #1

  Oui, c'est le discernement.

• Speaker #2

  Exactement. L'intelligence artificielle, c'est un formidable moteur de génération, mais elle ne possède pas d'intention propre. Elle ne peut absolument pas compenser un manque fondamental de jugement de la part de l'humain qui la pilote.

• Speaker #1

  Donc si la distance cognitive entre le métier d'origine et la tâche est trop grande,

• Speaker #2

  l'utilisateur ne sera même pas capable de reconnaître la bonne réponse quand la machine la lui donne.

• Speaker #1

  Ce mur de l'IA, ça déconstruit totalement l'idée selon laquelle on pourrait simplement acheter des licences de logiciels génératifs, les distribuer à n'importe quel département et espérer des miracles.

• Speaker #2

  C'est clair. Sans le vernis des connaissances tacites pour évaluer et orienter le travail de la machine, l'outil tourne à vide. Ou pire, il est mal utilisé.

• Speaker #0

  Ce qu'on vient d'entendre pose une limite. L'IA rapproche les métiers voisins, elle bute sur les métiers lointains. Là où manque le savoir tacite qui permet de juger son travail. Reste une question. Ce savoir, la pratique de l'outil, finit-elle par le donner ? La suite regarde ce que le temps et l'expérience changent vraiment.

• Speaker #1

  Ce qui nous pousse à regarder un autre facteur déterminant dans cette équation, c'est le temps et l'expérience. Si l'humain doit guider la machine, comment apprend-il à le faire ?

• Speaker #2

  Et là, les données du rapport économique d'Anthropique de mars 2026 sont particulièrement éclairantes.

• Speaker #1

  Ouais, on va se plonger dans leurs chiffres.

• Speaker #2

  Ce rapport analyse des millions de requêtes pour comprendre l'évolution du comportement des utilisateurs, spécifiquement sur le modèle Claude. Et on observe un phénomène d'apprentissage par la pratique.

• Speaker #1

  Ce que les économistes appellent le... Learning by doing, non ?

• Speaker #2

  C'est ça, le learning by doing.

• Speaker #1

  Et les chiffres issus de ce rapport sont très nets. Lorsqu'on analyse les requêtes sur le périmètre des utilisateurs d'Anthropique, on constate que ceux qui ont plus de 6 mois d'ancienneté sur l'outil voient leur taux de succès augmenter de près de 10% par rapport aux utilisateurs récents.

• Speaker #2

  Près de 10% d'augmentation ? Ouais. C'est pas négligeable du tout ?

• Speaker #1

  Pas du tout. Et c'est pas seulement une question de rapidité de frappe ou quoi, c'est une question de profondeur intellectuelle. Les requêtes de ces utilisateurs expérimentés montrent un niveau d'exigence beaucoup plus élevé.

• Speaker #2

  C'est comme si, en six mois de collaboration avec la machine, ils avaient gagné l'équivalent d'une année d'études supplémentaires dans la structuration de leur propre pensée.

• Speaker #1

  Et ce bon qualitatif, il s'explique par la compréhension progressive de la nature de l'outil, j'imagine ?

• Speaker #2

  Complètement. Au début, un novice, il utilise une IA générative comme un simple moteur de recherche améliorée. Il pose une question, il prend la réponse.

• Speaker #1

  Sans trop se poser de questions ?

• Speaker #2

  Voilà. Mais avec le temps... L'utilisateur comprend qu'une IA, ça se gère, ça se paramètre, ça se contredit même parfois. On apprend à calibrer ses requêtes, à fournir du contexte, à itérer.

• Speaker #1

  Et cet apprentissage de la calibration, ça va très loin. Ça touche même Ausha de la puissance technologique déployée en fonction des enjeux financiers.

• Speaker #2

  Ouais, ça c'est un point clé.

• Speaker #1

  Le même rapport d'Anthropix s'est penchi sur les utilisateurs de cloud aux Etats-Unis. Ils ont découvert une corrélation fascinante entre le salaire associé à une tâche et le choix du modèle utilisé.

• Speaker #2

  Concrètement, qu'est-ce que ça donne ?

• Speaker #1

  Eh bien, pour chaque tranche de 10 dollars de salaire horaire supplémentaire lié à la difficulté d'une tâche, L'utilisation du modèle le plus puissant qui s'appelle Opus grimpe d'environ 1,5 point de pourcentage.

• Speaker #2

  D'accord, donc c'est un comportement d'orchestration très mature en fait ?

• Speaker #1

  Oui, l'humain évalue la complexité et le risque de la tâche.

• Speaker #2

  Si c'est un brouillon interne sans grand enjeu, hop, il utilisera un modèle léger et rapide. Mais face à une tâche complexe à forte valeur ajoutée, genre de l'analyse financière poussée ou du code informatique critique,

• Speaker #1

  Là, il déploiera la force de frappe maximale de l'outil, le modèle opus, même s'il est plus lent ou plus coûteux.

• Speaker #2

  L'humain ne se laisse donc pas remplacer passivement, contrairement à ce qu'on entend souvent. Il devient une sorte de chef d'orchestre qui module la puissance technologique en fonction du contexte.

• Speaker #1

  C'est exactement ça.

• Speaker #0

  Une expérience déplace l'humain vers un rôle d'orchestration, sans effacer le mur. Si les compétences se recomposent ainsi... L'organigramme ne dit plus le travail réel. La dernière partie regarde comment lire ce travail tel qu'il se fait, tâche par tâche.

• Speaker #1

  D'un côté, on voit que l'IA permet d'effacer les frontières entre des métiers proches, comme le marketing et l'analyse web, mais de l'autre, on constate qu'il faut du temps pour maîtriser cette collaboration.

• Speaker #2

  Et que certaines barrières, celles des connaissances tacites trop éloignées, restent infranchissables.

• Speaker #1

  Et quand on met tout cela bout à bout... C'est toute la structure de nos entreprises qui vacille. La façon dont on divise le travail depuis des décennies, franchement, elle n'a plus beaucoup de sens aujourd'hui.

• Speaker #2

  Si l'on remonte aux théories classiques d'Adam Smith, la division du travail a toujours été pensée en silos très étanches.

• Speaker #1

  Oui, le travail à la chaîne, la spécialisation extrême.

• Speaker #2

  Voilà. Et pourquoi ? Parce que le coût d'acquisition d'une compétence est élevé. Il faut des années pour former un bon juriste, un bon développeur ou un bon spécialiste marketing. Donc, on hyperspécialise les individus pour rentabiliser ce coût d'apprentissage.

• Speaker #1

  Logique.

• Speaker #2

  Ce que l'arrivée de l'IA générative provoque, c'est un effondrement partiel de ces coûts d'apprentissage.

• Speaker #1

  Partiel, ouais. Parce que l'IA fait sauter les silos qui sont adjacents. Le spécialiste marketing peut soudainement faire le travail de l'expert SEO sans devoir retourner à l'école pendant deux ans.

• Speaker #2

  La porosité devient énorme.

• Speaker #1

  Mais, et c'est là le point crucial. Le silo demeure pour les domaines lointains. Comme on l'a vu avec les techniciens, ils sont complètement bloqués par ce fameux mur des connaissances tacites.

• Speaker #2

  La conséquence pour les organisations, du coup, c'est qu'un organigramme classique avec ses cases bien délimitées, ben, ça devient un mensonge.

• Speaker #1

  C'est obsolète.

• Speaker #2

  Ça ne reflète plus du tout la réalité de ce que les collaborateurs sont capables de produire au quotidien.

• Speaker #1

  Si l'on veut intégrer l'IA de manière pertinente, s'enfoncer dans le mur, il faut réussir à cartographier cette nouvelle réalité.

• Speaker #2

  Il faut comprendre précisément... où se situent les ponts possibles et où se cachent les barrières infranchissables.

• Speaker #1

  C'est ça.

• Speaker #2

  Et ça, c'est un défi colossal.

• Speaker #1

  Comment auditer le travail réel quand les fiches de poste ne veulent plus rien dire ?

• Speaker #2

  C'est précisément ce besoin qui donne naissance à des méthodes d'audit organisationnel d'un genre tout à fait nouveau.

• Speaker #1

  Oui, on voit par exemple émerger la méthode Spentia. Ça propose une approche radicalement différente pour lire le fonctionnement d'une entreprise aujourd'hui.

• Speaker #2

  Plutôt que de faire remplir des tableurs chronophages aux employés, qui sont souvent biaisés d'ailleurs.

• Speaker #1

  Totalement biaisés.

• Speaker #2

  Spentia utilise une IA pour mener des entretiens individuels. Le mécanisme est pensé pour contourner les biais habituels de l'observation en entreprise. L'intelligence artificielle conduit ces entretiens de manière strictement anonyme et confidentielle avec chaque personne du périmètre audité.

• Speaker #1

  C'est important de le préciser, l'objectif n'est en aucun cas d'évaluer la performance d'un individu. Le but, c'est vraiment de produire une radiographie globale et systémique de l'organisation.

• Speaker #2

  Et ce qui est captivant dans la méthode Spentia, C'est la façon dont elle décortique chaque tâche au sein de l'entreprise.

• Speaker #1

  Oui, la restitution finale se base sur deux axes d'analyse très précis. Le premier axe, c'est ce que la tâche pèse. On mesure ici la charge de travail, l'effort cognitif, le temps passé.

• Speaker #2

  C'est la dimension objective en somme.

• Speaker #1

  C'est ça. Mais le second axe est beaucoup plus inattendu, je trouve. On mesure ce à quoi la personne tient.

• Speaker #2

  Ah oui, l'attachement.

• Speaker #1

  Oui, on évalue la valeur. perçu par l'employé, son attachement psychologique à la réalisation de cette tâche.

• Speaker #2

  Et mesurer cet attachement, franchement, ça change tout. Dans une logique purement comptable d'intégration de l'IA, on regarderait une tâche administrative répétitive et on se dirait « Parfait, automatisons cela à 100% pour gagner du temps » .

• Speaker #1

  Ce qui semble logique sur le papier ?

• Speaker #2

  Sur le papier, oui. Mais que se passe-t-il si cette tâche spécifique, bien que répétitive, représente le seul moment de répit cognitif d'un employé dans sa journée ?

• Speaker #1

  Ce moment où il se sent en maîtrise totale, où il respire un peu ?

• Speaker #2

  Exactement. Si l'on automatise aveuglément cette tâche, on risque de détruire son moral, son engagement et paradoxalement de faire chuter sa productivité globale.

• Speaker #1

  Comprendre ces deux axes, le poids de la charge et le niveau d'attachement, c'est vraiment la clé pour déployer la technologie intelligemment.

• Speaker #2

  On peut ainsi identifier les zones de l'entreprise où l'IA agira comme un pont naturel entre des compétences proches.

• Speaker #1

  Tout en libérant de la valeur sans créer de friction. Et surtout, on évite d'imposer des outils génératifs à des équipes qui n'ont pas les connaissances tacites pour les piloter.

• Speaker #2

  Ce qui reviendrait au final à les pousser droit dans le mur de l'IA.

• Speaker #1

  En fin de compte, l'audit du travail devient moins une question de chronométrage pur qu'une question de psychologie cognitive.

• Speaker #2

  L'outil technologique est prêt, il est puissant. C'est indéniable. Mais son déploiement exige de comprendre intimement la texture du travail humain, avec ses habitudes, ses attachements et ses limites de jugement.

• Speaker #1

  Si l'on résume un peu notre exploration aujourd'hui, on réalise que l'intelligence artificielle générative est loin d'être cette potion magique qui transformerait instantanément n'importe quel novice en maître absolu.

• Speaker #2

  Non, c'est un formidable accélérateur pour l'idéation abstraite, ça oui.

• Speaker #1

  Ouais, un pont incroyablement solide pour franchir les frontières entre des compétences voisines.

• Speaker #2

  Mais l'outil se fracasse invariablement contre le mur des connaissances tacites dès qu'il s'agit d'exécuter finement une tâche dont on ignore les codes implicites.

• Speaker #1

  La machine propose, mais c'est le discernement humain, forgé par l'expérience et l'intuition du métier, qui doit disposer.

• Speaker #2

  Et c'est pour ça que l'expérience de la pratique reste centrale. Apprendre à moduler l'outil, à calibrer sa puissance en fonction de l'enjeu, cela demande du temps.

• Speaker #1

  C'est un partenariat qui se construit, et pas un simple remplacement binaire comme on l'entend souvent.

• Speaker #2

  Complètement d'accord.

• Speaker #1

  Et cette dynamique soulève néanmoins une réflexion finale assez vertigineuse. On peut se demander si notre tendance naturelle pour gagner en productivité et de déléguer de plus en plus la phase d'exécution à la machine,

• Speaker #2

  pour nous concentrer exclusivement sur la validation et le contrôle des résultats,

• Speaker #1

  à quel moment cette dépendance finira-t-elle par éroder les connaissances fondamentales dont nous avons cruellement besoin, si l'on ne met plus jamais les mains dans le cambouis de l'exécution ? Comment conserverons-nous cette fameuse intuition tacite, celle-là même qui nous permet aujourd'hui de savoir, avec certitude, si l'intelligence artificielle a tort ou raison ?

• Speaker #0

  Un mot pour finir. L'IA accompagne le jugement, elle ne le remplace pas. La déployer utilement suppose de savoir ce que chaque tâche pèse et ce à quoi les équipes tiennent. C'est la lecture que Spencia conduit auprès des organisations. Quant au jugement stratégique et humain, C'est sans doute un thème en soi. A bientôt pour un nouvel épisode des Signes du Changement.