Les données que vos projets IA ignorent : les plus utiles ne sont dans aucun de vos systèmes | Les signaux du changement

Description

Les projets d'intelligence artificielle se nourrissent de ce qui est déjà écrit : procédures, historiques, bases documentaires. Un modèle nourri des seules procédures apprend l'organisation telle qu'elle s'imagine, pas telle qu'elle fonctionne. Cet épisode dresse l'inventaire de trois familles de données que presque personne ne collecte.

La donnée de raisonnement, d'abord : les arbitrages que vos experts font chaque jour sans pouvoir les décrire. Michael Polanyi l'a posé dès 1966, nous en savons plus que ce que nous pouvons en dire ; Ikujiro Nonaka a montré que le passage du tacite à l'explicite est le maillon le plus difficile de toute gestion des connaissances.

La donnée d'articulation, ensuite : ce que l'usage réel des outils raconte, et que les compteurs de licences ne voient pas. Une étude de la Harvard Business School, publiée dans Organization Science, a suivi 758 consultants : sur les tâches où l'outil est compétent, ils travaillent environ un quart plus vite, avec une meilleure qualité ; sur une tâche choisie hors de ses capacités, ils produisent 19 % de bonnes réponses en moins. La carte de cette frontière, dans votre organisation, n'existe nulle part.

La donnée de terrain, enfin : les contournements installés, les doubles saisies, et les idées que vos équipes n'ont jamais eu l'occasion de proposer. La recherche sur la voix des employés montre que ce silence tient rarement à l'indifférence : il tient à la crainte d'être mal vu. Beaucoup d'organisations outillent la remontée des incidents ; presque aucune n'outille la remontée des idées.

Reste la question qui fâche : capter ces données sans basculer dans la surveillance. La réponse de l'épisode tient en un principe : l'anonymat se garantit par la conception du dispositif, jamais par une promesse.

Références citées : Fabrizio Dell'Acqua et al., « Navigating the Jagged Technological Frontier », Harvard Business School, Organization Science (https://ssrn.com/abstract=4573321) · Michael Polanyi, The Tacit Dimension, 1966 · Ikujiro Nonaka, « A Dynamic Theory of Organizational Knowledge Creation », Organization Science, 1994 (https://pubsonline.informs.org/doi/abs/10.1287/orsc.5.1.14) · Liang, Farh et Farh, Academy of Management Journal, 2012 (https://journals.aom.org/doi/10.5465/amj.2010.0176) · Milliken, Morrison et Hewlin, Journal of Management Studies, 2003 (https://onlinelibrary.wiley.com/doi/10.1111/1467-6486.00387).

Pour aller plus loin, tous nos articles et livrets blancs sur https://www.spentia.com

Hébergé par Ausha. Visitez ausha.co/politique-de-confidentialite pour plus d'informations.

Transcription

Speaker #0
Bienvenue dans ce nouvel épisode des Signes du Changement, un podcast pour tous ceux qui veulent comprendre ce qui change vraiment dans les organisations. Aujourd'hui, les données que vos projets d'intelligence artificielle ignorent, celles qui ne sont écrites nulle part, ce que vos experts savent sans pouvoir le dire, ce que l'usage réel des outils raconte, ce que le terrain a cessé de remonter. Pourquoi c'est important ? Parce que tout le monde déploie les mêmes modèles, nourrit des mêmes documents. Ce qui fera la différence, ce n'est pas l'outil. C'est ce que votre organisation sait et que personne n'a encore écrit. Bonne écoute !
Speaker #1
Imaginons une situation que la majorité des comités de direction connaissent bien aujourd'hui. On investit des millions d'euros pour déployer un nouveau modèle d'intelligence artificielle en interne.
Speaker #2
Oui, le grand projet de transformation classique.
Speaker #1
Exactement. Et on connecte scrupuleusement le ERP pour les opérations, le CRM pour les relations clients, l'intranet, bref, toutes les bases documentaires. L'objectif affiché, c'est vraiment d'irriguer le système avec la totalité de l'information disponible sur les serveurs.
Speaker #2
La logique semble implacable sur le papier. Pour que l'outil comprenne l'entreprise, on se dit qu'il faut lui donner à lire tout ce que l'entreprise a produit.
Speaker #1
Sauf qu'après quelques mois... On s'aperçoit que l'organisation, elle continue de tourner, en réalité grâce à un fichier Excel parallèle géré par un chef d'équipe et à des arbitrages informels qui se font à la machine à café. Des données qui, par définition, n'ont jamais été téléchargées sur aucun serveur officiel.
Speaker #2
C'est ça. Et ce scénario, il illustre vraiment le paradoxe central de la phase d'adoption technologique qu'on vit actuellement. En fait, les projets d'intelligence artificielle se nourrissent d'une réalité de papier. On les entraîne sur des procédures officielles, des historiques transactionnelles, des notes de direction.
Speaker #1
Et le résultat direct de ce billet de sélection, disons, c'est quoi ?
Speaker #2
Le résultat, c'est que le modère apprend l'organisation telle qu'elle s'imagine fonctionner en théorie. Il n'apprend absolument pas l'organisation telle qu'elle fonctionne en réalité, avec ses frictions, ses compromis et ses ajustements du quotidien.
Speaker #1
Donc l'investissement matériel est massif, mais le carburant intellectuel qu'on donne à la machine, il reste... au fond profondément génériques.
Speaker #2
C'est exactement le problème.
Speaker #1
Et bien ce décalage, c'est ce qui définit la mission de notre exploration aujourd'hui. Les directions s'épuisent à brancher des systèmes d'informations officielles, alors que les données qui expliquent réellement pourquoi un processus réussit ou échoue, elles échappent complètement à ces radars. On va donc passer en revue trois familles de données, disons silencieuses, trois types d'informations non écrites que les organisations doivent impérativement explorer. Enfin, si elles veulent que leur système reflète la vérité du terrain. Et il y a une chronologie logique à respecter pour les identifier.
Speaker #2
Oui, et la première étape, elle exige de remonter à la source même de la production de valeur. Bien avant l'introduction d'un quelconque outil numérique. En fait, il faut s'intéresser à ce qu'on appelle la donnée de raisonnement.
Speaker #1
C'est-à-dire ce que les experts savent sans l'écrire, c'est ça ?
Speaker #2
Voilà. Dans toute structure, on a des individus qui prennent quotidiennement des décisions justes. Ils résolvent des crises complexes sans pour autant être capables de décrire de A à Z le cheminement cognitif qui les a amenés là. Le philosophe Michael Polanyi a posé un diagnostic très précis là-dessus dès 1966. Il affirmait que, en gros, nous en savons plus que ce que nous pouvons en dire.
Speaker #1
C'est ce qu'on appelle classiquement le savoir tacite, non ? Par opposition au savoir explicite, celui qu'on peut facilement ranger dans un manuel ou un wiki d'entreprise.
Speaker #2
C'est ça, le savoir tacite. D'ailleurs... Les travaux d'Ikujiro Nonaka, qui sont parus ensuite dans la revue Organization Science, ont bien démontré ça. La traduction de ce savoir tacite intériorisé vers un savoir explicite documentable, c'est l'opération la plus complexe pour une organisation.
Speaker #1
Parce que l'expert lui-même ne s'en rend pas compte ?
Speaker #2
Exactement. Il n'a souvent pas conscience des micro-ajustements qu'il opère. Il applique des heuristiques, des raccourcis mentaux qui ont été forgés par des années d'expérience. Du coup, il juge ça trop évident pour le formaliser par écrit.
Speaker #1
Moi, ça me fait beaucoup penser à une recette de cuisine, en fait.
Speaker #2
Ah, comment ça ?
Speaker #1
La procédure écrite dans le manuel d'entreprise, c'est la règle formelle. Le fameux « si ceci, alors cela » . Ça donne les quantités exactes, le temps de cuisson, mais ça omet systématiquement le tour de main.
Speaker #2
Oui, je vois très bien.
Speaker #1
Le manuel, il ne va pas vous dire qu'il faut réduire le temps de cuisson parce que le taux d'humidité de la pièce a changé ce jour-là. Ou dans un contexte pro, qu'il faut ajuster une négociation commerciale parce que le ton de la voix du client a très légèrement baissé.
Speaker #2
C'est très juste.
Speaker #1
Ce tour de main, il est documenté nulle part. Or, c'est vraiment lui qui garantit le résultat final.
Speaker #2
Et la conséquence pour l'intelligence artificielle, elle est directe. Parce que la machine, elle, elle ne lit que la recette. Un assistant intérim, qui serait nourri exclusivement de procédures standards, il va répondre aux requêtes à la manière d'une jeune recrue. Une recrue qui aurait, je ne sais pas, mémorisé l'intégralité des manuels sans jamais avoir passé une heure sur le terrain.
Speaker #1
Donc les réponses seront, disons, scolairement exactes ?
Speaker #2
Oui, inattaquables sur le plan de la conformité. Mais opérationnellement, elles seront inadaptées face à la moindre zone d'ombre, ou à la moindre exception.
Speaker #1
Ce qui veut dire que ce savoir tacite, il s'évapore en permanence. L'organisation produit cette donnée de raisonnement lors d'un échange informel entre un senior et un junior ou au moment d'éteindre un incendie opérationnel. Mais comme l'effort cognitif pour documenter cet arbitrage après coup est trop lourd, l'information finit aux oubliettes.
Speaker #2
Ou elle quitte carrément l'entreprise le jour où le collaborateur démissionne.
Speaker #1
C'est ça. Mais supposons un instant qu'une organisation parvienne par un effort de documentation massif a capté une partie de ce savoir. Elle se heurte immédiatement à un second mur, dès l'instant où le collaborateur se connecte concrètement à son nouvel outil d'IA.
Speaker #0
Première famille donc. Ce que vos experts savent et que vos documents ne diront jamais. La deuxième se cache ailleurs. Pas dans les têtes, dans les usages. Chaque jour, vos équipes et leurs outils d'intelligence artificielle s'ajustent l'un à l'autre. Qui corrige qui ? Qui contourne quoi ? Cet ajustement produit une donnée que presque personne ne regarde.
Speaker #2
Oui, et ce second mur, c'est ce qui concerne la donnée d'articulation. Là, il s'agit de mesurer la réalité qualitative de l'usage. Aujourd'hui, la mesure de l'adoption de l'IA par les directions générales, elle repose sur quoi ?
Speaker #1
Sur des indicateurs volumétriques de base.
Speaker #2
Les nombres de licences distribuées, les taux d'activation, la fréquence des connexions, ce genre de choses.
Speaker #1
Voilà.
Speaker #2
Mais c'est vrai que quand on regarde ces tableaux de bord, les indicateurs y semblent tout à fait rationnels pour évaluer un déploiement logiciel classique. Enfin, je veux dire, si 90% des collaborateurs se connectent à l'outil chaque semaine, la direction conclut logiquement que l'adoption est un succès.
Speaker #1
Et que le retour sur investissement est en bonne voie, oui.
Speaker #2
Du coup, pourquoi ces métriques posent un problème dans le cas spécifique de l'IA générative ? Parce qu'elles sont totalement aveugles à la nature de l'interaction. Savoir qu'à l'employé, c'est... connecté, ça donne aucune indication sur la pertinence du résultat qu'il a obtenu, ou sur le temps passé à corriger les hallucinations du modèle, ni même sur la stratégie employée pour formuler la requête.
Speaker #1
On n'a pas accès au comment, en fait.
Speaker #2
C'est ça. Et il y a une étude menée par des chercheurs comme Fabrizio Dellaqua à l'Harvard Business School et publiée dans Organization Science, qui fournit une grille de lecture très éclairante sur cet angle mort.
Speaker #1
Ils ont regardé quoi, exactement ?
Speaker #2
L'étude a observé... près de 760 consultants en situation réelle. Ils étaient confrontés à des tâches professionnelles complexes.
Speaker #1
760, ça donne déjà une bonne idée de l'échelle. Et les résultats illustrent bien le piège de la simple mesure de connexion, non ?
Speaker #2
Tout à fait. Sur les tâches où l'intelligence artificielle est intrinsèquement compétente, l'apport est indéliable. Les consultants travaillent environ un quart plus vite, avec un niveau de qualité supérieur à celui du groupe qui n'utilise pas l'outil.
Speaker #1
Un quart plus vite, c'est un gain de productivité net.
Speaker #2
Oui, mais... Et c'est là que ça devient critique. L'analyse a aussi porté sur une tâche spécifique qui était conçue pour se situer juste au-delà des capacités réelles de la machine.
Speaker #1
D'accord.
Speaker #2
Eh bien, sur cette tâche, les consultants équipés de l'IA ont produit 19% de bonnes réponses en moins que ceux qui travaillaient sans assistance.
Speaker #1
19% de bonnes réponses en moins. C'est pas neutre. Comment on explique cette baisse de performance ?
Speaker #2
Ça met en lumière un mécanisme psychologique très fort. L'intelligence artificielle générative possède une capacité d'articulation très sophistiquée. Elle produit des réponses qui ont vraiment l'apparence de la certitude et de la compétence.
Speaker #1
Donc face à une réponse bien formulée, on a tendance à baisser la garde.
Speaker #2
C'est le mot. Le consultant a tendance à déléguer son esprit critique. Il devient un simple relecteur passif plutôt qu'un analyste actif. Et il laisse passer des erreurs structurelles, des erreurs subtiles, qui l'aurait identifié s'il avait dû construire le raisonnement lui-même.
Speaker #1
Les chercheurs de la Harvard Business School décrivent cette limite comme une frontière dentelée, je crois.
Speaker #2
Oui, la frontière dentelée.
Speaker #1
Ça me fait penser à... C'est comme naviguer le long d'une côte rocheuse qui serait recouverte d'un brouillard épais. Sur la carte théorique, on voit deux criques qui se ressemblent parfaitement. Et l'intelligence artificielle vous donne l'impression que les deux sont parfaitement navigables.
Speaker #2
Alors qu'en réalité...
Speaker #1
En réalité... L'une est un port sûr et l'autre est complètement truffée de récifs immergés. L'utilisateur n'a aucun moyen immédiat de savoir de quel côté de cette frontière dentelée il se trouve pour une tâche donnée.
Speaker #2
C'est une excellente image. Et la cartographie de ces récifs, c'est justement ça, la donnée d'articulation que les tableaux de bord ignorent complètement. Les directions ne voient pas les heures passées par les équipes à retravailler des documents générés par l'IA.
Speaker #1
Des documents qui semblaient finis à première vue.
Speaker #2
C'est ça, elles ne voient pas non plus les stratégies de requêtes efficaces. Les fameux promptes qu'un collaborateur finit par découvrir après de multiples essais.
Speaker #1
Mais qu'il garde pour lui !
Speaker #2
Exactement ! Il les conserve pour lui seul, sans jamais les mutualiser avec son département.
Speaker #1
Sans parler du moment où l'outil officiel, il s'avère incapable de traiter la tâche. Et là, le collaborateur décide d'utiliser une solution externe, une solution non approuvée.
Speaker #2
Le fameux phénomène de « shadow AI » .
Speaker #1
Oui, voilà. Et l'approche managériale classique, elle consiste qu'à considérer ce contournement uniquement sous l'angle du risque. Le risque sécuritaire, la fuite de données, et donc à le sanctionner. Mais si on change de perspective, le fait qu'un employé soit prêt à enfreindre la politique de sécurité de l'entreprise pour accomplir sa tâche, c'est un signal d'une clarté redoutable.
Speaker #2
Ah mais complètement ! La friction ressentie sur l'outil officiel est... tellement forte qu'elle justifie la prise de risque pour l'employé. Réduire ce comportement à un simple problème de discipline, c'est occulter l'information principale.
Speaker #1
À savoir que l'outil interne ne répond pas aux besoins réels.
Speaker #2
Voilà. Punir l'usage alternatif sans analyser sa cause, c'est détruire volontairement la seule donnée qui indique où se situent les véritables limites du système en place.
Speaker #0
L'usage réel des outils reste la famille la plus silencieuse des trois, celle qui vit dans les processus de tous les jours, dans ce que vos équipes ont cessé de signaler et dans ce qu'elles n'ont jamais eu l'occasion de proposer.
Speaker #1
Donc si on récapitule, on a le savoir tacite des experts d'un côté et on a les frictions d'usage de l'outil de l'autre. Mais ça nous amène à la troisième dimension de notre analyse, celle qui concerne l'écosystème global du travail.
Speaker #2
C'est-à-dire ?
Speaker #1
Au-delà de l'expert isolé ou du consultant face à son écran, il y a le fonctionnement quotidien des processus de l'entreprise. Et c'est là que se concentre la famille de données la plus silencieuse, la donnée de terrain. Elle englobe tout ce que l'organisation tait par habitude et tout ce qu'elle ne formule jamais par prudence.
Speaker #2
Oui, c'est un point central. D'ailleurs, l'analyse de l'ergonomie et de la sécurité des systèmes complexes, elle repose sur une distinction fondamentale. La distinction entre le travail prescrit Et le travail réel ?
Speaker #1
Le travail prescrit, c'est la théorie.
Speaker #2
C'est le logigramme dessiné par le bureau des méthodes, oui. C'est la procédure idéale. Et le travail réel, ce sont les multiples ajustements informels qui sont nécessaires pour que le système fonctionne concrètement face aux imprévus du quotidien.
Speaker #1
C'est le moment de revenir à notre fichier Excel parallèle du début.
Speaker #2
Ah oui, le fameux fichier.
Speaker #1
Avec des macros vieillissantes, simplement parce que le logiciel de suivi officiel imposé par le siège ne permet pas de croiser certaines données spécifiques dont ils ont besoin pour leur flux de travail.
Speaker #2
Ou alors, c'est le service comptabilité qui fait une double saisie manuelle en permanence, parce que deux systèmes majeurs qui sont censés communiquer ne le font qu'en théorie.
Speaker #1
Et la grille d'analyse traditionnelle de la direction, elle qualifie ce fichier Excel ou cette double saisie d'anomalie processuelle. Un truc à éradiquer.
Speaker #2
Alors que, d'un point de vue informationnel, c'est tout l'inverse. C'est une donnée opérationnelle brute de haute valeur. Cet écart entre la théorie et la pratique, il révèle l'exacte... topographie des inefficacités du système.
Speaker #1
Mais cette information, elle réside exclusivement dans la tête de l'équipe locale ou sur le disque dur d'un poste de travail. Et en plus, ce mutisme sur les dysfonctionnements, il s'accompagne d'un silence encore plus coûteux pour l'avenir de l'entreprise.
Speaker #2
Lequel ?
Speaker #1
La rétention des opportunités. Je veux dire, les idées d'amélioration de processus imaginées par un opérateur de première ligne ou un besoin client récurrent qui est perçu par le service après-vente mais qui n'est jamais remonté à la direction. Pourquoi ces collaborateurs qui détiennent la solution, ils choisissent de se taire en fait.
Speaker #2
C'est une vraie question de fond. Et des recherches approfondies qui ont été publiées dans l'Academy of Management Journal et le Journal of Management Studies ont décortiqué les mécanismes de ce silence organisationnel.
Speaker #1
Et qu'est-ce qu'ils ont trouvé ?
Speaker #2
Leur conclusion démontre que l'indifférence ou le désengagement sont très rarement les moteurs de cette rétention. Le facteur déterminant, c'est l'appréhension. L'appréhension sociale et professionnelle.
Speaker #1
Parce que... Proposer une amélioration d'un processus, c'est implicitement souligner que le processus actuel, qui a peut-être été conçu par son propre manager ou par un département influent, il est défaillant.
Speaker #2
C'est ça. Le coût social de la prise de parole est perçu comme trop élevé. Le calcul bénéfice-risque penche du côté du silence. Le collaborateur craint de détériorer ses relations de travail ou d'être étiqueté comme la personne qui remet en cause l'organisation.
Speaker #1
L'entreprise perd ainsi l'accès à une ressource intellectuelle majeure, juste parce qu'elle est bridée par la dynamique sociale en interne. Ça met en lumière une asymétrie architecturale très instructive dans les entreprises d'ailleurs.
Speaker #2
Comment ça une asymétrie ?
Speaker #1
Pour signaler une panne, de registres d'incidents, de formulaires de réclamation client. Tout est prévu pour traiter le problème une fois qu'il a eu lieu.
Speaker #2
Oui, c'est le standard.
Speaker #1
En revanche, il n'y a pratiquement aucun canal structurel, fluide, intégré au flux de travail quotidien. Pour remonter une idée spontanée ou un besoin émergent. Il y a des tuyaux pour les plaintes, mais il n'y en a aucun pour l'innovation de terrain.
Speaker #2
C'est très révélateur. Et la traduction de cette double réalité, les frictions tues et les opportunités retenues, elle est particulièrement sévère pour un projet d'intelligence artificielle ?
Speaker #1
Pourquoi coller ?
Speaker #2
L'impact se manifeste sous la forme d'une double peine. La première peine, elle survient lors de l'automatisation. Si on paramètre une IA en se basant exclusivement sur le travail prescrit, sans capter les contournements réels du terrain, on va figer et industrialiser l'écart avec la réalité.
Speaker #1
Le système automatisé va juste reproduire les processus théoriques.
Speaker #2
Voilà. Ce qui va obliger les équipes à multiplier les fichiers parallèles pour compenser la rigidité de la nouvelle machine.
Speaker #1
Donc en clair, on automatise l'inefficacité.
Speaker #2
Exactement. Et la seconde peine concerne la capacité d'adaptation. Si l'IA n'absorbe jamais les idées d'amélioration imaginées au marge de l'organisation par ceux qui font le travail, elle est structurellement condamnée à regarder dans le rétroviseur.
Speaker #1
Le modèle ne fera que... que synthétiser, recycler l'historique documentaire existant. Il sera incapable de générer des propositions d'innovation opérationnelle en phase avec l'évolution des besoins réels.
Speaker #2
C'est pour ça que le principe d'action qui en découle stipue qu'avant toute intégration d'IA dans un processus métier, il est impératif d'auditer le travail réel. Il faut recueillir ce que les opérateurs savent des limites actuelles et des potentiels d'optimisation non formulés.
Speaker #1
L'argumentation est solide, c'est indéniable. Mais elle se heurte quand même à une objection méthodologique assez lourde.
Speaker #2
Laquelle ?
Speaker #1
On a établi que la valeur résidait dans l'ombre. Le savoir tacite, non formalisé, les astuces d'utilisation non partagées, le fameux travail réel en décalage avec la procédure. Mais dès l'instant où l'entreprise décide de capter systématiquement ses contournements et ses données invisibles, elle franchit une ligne.
Speaker #2
Ah, à la question de la surveillance !
Speaker #1
Oui ! Est-ce qu'on ne risque pas de basculer vers une infrastructure de surveillance ? pure et simple du comportement des collaborateurs. Et même au-delà de la question managériale, le simple fait d'observer ces pratiques, est-ce que ça risque pas de les faire disparaître ?
Speaker #2
C'est une objection tout à fait légitime. Et la question des limites de l'observation exige une vraie réponse technique, pas de simple déclaration d'intention. L'effet de l'observateur, il est bien documenté en sciences sociales. Il stipule que la mesure modifie inévitablement l'objet mesuré.
Speaker #1
Donc, si les collaborateurs ont conscience que leurs requêtes, leurs corrections et l'utilisation de leurs fichiers parallèles sont scrutées, individuellement, pour alimenter l'IA.
Speaker #2
Leur comportement s'adaptera instantanément à la norme attendue. Ils vont cesser d'utiliser les raccourcis efficaces pour revenir à la procédure officielle, même si elle est inefficace.
Speaker #1
Ce qui masque définitivement les données d'articulation et de terrain qu'on cherchait justement à capter.
Speaker #2
Voilà, c'est un principe physique autant que sociologique.
Speaker #1
Bah oui ! Si le recueil de ces données silencieuses est perçu par le collaborateur comme un moyen pour la hiérarchie d'identifier qui commet des erreurs de syntaxe sur l'outil ou qui contourne le logiciel imposé par le siège, la source d'information se tarie en quelques jours.
Speaker #2
Et c'est pour ça que la démarcation entre l'écoute de la réalité opérationnelle et la surveillance managériale, elle ne peut pas reposer sur une simple charte éthique affichée dans la salle de pause. Elle doit reposer sur la conception même de l'architecture technique de collecte.
Speaker #1
L'anonymat des remontées d'usages ne peut pas être une simple... promesse contractuelle. Il doit être une garantie structurelle. Concrètement, ça signifie quoi pour l'architecture du système ?
Speaker #2
Ça signifie concevoir des mécanismes de recueil où l'information est séparée de son émetteur. Et ce, dès la captation. Les données d'usage, comme les requêtes les plus fréquemment corrigées, doivent être agrégées au niveau du département ou du processus.
Speaker #1
Et non rattachées au profil individuel du collaborateur.
Speaker #2
Exactement. L'objectif analytique n'est pas de savoir que tel analyste a utilisé une IA grand public non approuvée. L'objectif, c'est de constater statistiquement qu'une équipe entière éprouve une friction tellement forte avec l'outil interne qu'elle cherche massivement des alternatives. La méthode détermine le résultat.
Speaker #1
On ne recueille de manière fiable que ce qui s'exprime dans un cadre où la vulnérabilité technique n'entraîne pas de risque professionnel, en somme.
Speaker #2
C'est tout à fait ça.
Speaker #1
Il faut donc accepter une part d'inconnu. Vouloir tout mettre en équation, de l'intuition d'un expert senior au moindre clic des utilisateurs, ça reste une illusion.
Speaker #2
Et le but du recueil des données silencieuses n'est pas... pas d'atteindre l'omniscience managériale. Il s'agit simplement de réduire l'aveuglement systémique face à la réalité du travail. Accepter que certaines dynamiques résisteront toujours à la formalisation, c'est la marque d'une approche mature.
Speaker #1
Ne pas chercher à tout figer.
Speaker #2
Le défi consiste à capturer les signaux systémiques récurrents sans détruire la confiance nécessaire à leur expression. Si on néglige ces trois familles de données, le raisonnement tacite, la réalité de l'usage et les frictions du terrain, l'organisation va investir massivement dans un système artificiel totalement isolé de la complexité opérationnelle qu'il est pourtant censé optimiser.
Speaker #1
Ce constat nous ramène vraiment au point de départ de notre analyse. Avant de réunir les comités de pilotage pour statuer sur l'architecture technique, avant de dresser la liste exhaustive des serveurs, des bases documentaires et des logiciels qu'il faudra minutieusement connecter au prochain grand modèle d'entreprise, l'ordre des priorités doit être inversé.
Speaker #2
Oui, la réflexion ne commence pas par ce qui est disponible dans les disques durs.
Speaker #1
Exactement. Et la question fondamentale que notre audience devrait se poser pour ses prochains projets est la suivante. critiques que l'organisation produit tous les jours sans jamais prendre la peine de les écrire ? Et quelles sont celles que l'on accepte consciemment de perdre définitivement ?
Speaker #0
Cette question mérite une réponse avant votre prochain projet. Vous venez de l'entendre, les données qui comptent ne manquent pas. Les arbitrages de vos experts, l'usage réel de vos outils, Des frictions que vos équipes ont cessé de signaler et les idées qu'elles n'ont jamais eu l'occasion de proposer. Tout cela existe déjà, chaque jour, dans votre organisation. Il manque seulement le cadre pour le faire parler. Ce cadre, c'est le métier de Spentia. Écoutez le terrain, à grande échelle. Tous les collaborateurs d'un périmètre, pas un échantillon. Avec un anonymat garanti par conception, pas par promesse. Parce que, vous l'avez entendu aussi, on ne recueille de manière fiable que ceux qui s'expriment sans risque. Puis reliez ce qui remonte à ce qui compte. Les causes, les coûts, les décisions à prendre. Si votre prochain projet mérite de commencer par là, le lien est dans les notes de l'épisode. A bientôt pour un prochain signal !

About Les signaux du changement

Découvrez Les Signaux du Changement, un tout nouveau podcast qui explore les stratégies de transformation des entreprises et leur impact critique sur le capital humain.

Dans un monde où 50 % des cadres préfèrent désormais se confier à un algorithme plutôt qu'à leur manager, comment réinventer le lien au travail ? De la fracture des compétences aux frictions opérationnelles invisibles, nous décodons les signaux faibles qui redessinent les organisations.

Une expérience inédite : Pour incarner cette mutation, ce podcast est lui-même une exploration technologique, entièrement réalisé avec l'intelligence artificielle. Une plongée immersive pour comprendre comment naviguer entre automatisation et authenticité humaine à l'horizon 2026.

Hébergé par Ausha. Visitez ausha.co/politique-de-confidentialite pour plus d'informations.

About Les signaux du changement

Découvrez Les Signaux du Changement, un tout nouveau podcast qui explore les stratégies de transformation des entreprises et leur impact critique sur le capital humain.

Hébergé par Ausha. Visitez ausha.co/politique-de-confidentialite pour plus d'informations.

Description

Hébergé par Ausha. Visitez ausha.co/politique-de-confidentialite pour plus d'informations.

Transcription

Speaker #0
Bienvenue dans ce nouvel épisode des Signes du Changement, un podcast pour tous ceux qui veulent comprendre ce qui change vraiment dans les organisations. Aujourd'hui, les données que vos projets d'intelligence artificielle ignorent, celles qui ne sont écrites nulle part, ce que vos experts savent sans pouvoir le dire, ce que l'usage réel des outils raconte, ce que le terrain a cessé de remonter. Pourquoi c'est important ? Parce que tout le monde déploie les mêmes modèles, nourrit des mêmes documents. Ce qui fera la différence, ce n'est pas l'outil. C'est ce que votre organisation sait et que personne n'a encore écrit. Bonne écoute !
Speaker #1
Imaginons une situation que la majorité des comités de direction connaissent bien aujourd'hui. On investit des millions d'euros pour déployer un nouveau modèle d'intelligence artificielle en interne.
Speaker #2
Oui, le grand projet de transformation classique.
Speaker #1
Exactement. Et on connecte scrupuleusement le ERP pour les opérations, le CRM pour les relations clients, l'intranet, bref, toutes les bases documentaires. L'objectif affiché, c'est vraiment d'irriguer le système avec la totalité de l'information disponible sur les serveurs.
Speaker #2
La logique semble implacable sur le papier. Pour que l'outil comprenne l'entreprise, on se dit qu'il faut lui donner à lire tout ce que l'entreprise a produit.
Speaker #1
Sauf qu'après quelques mois... On s'aperçoit que l'organisation, elle continue de tourner, en réalité grâce à un fichier Excel parallèle géré par un chef d'équipe et à des arbitrages informels qui se font à la machine à café. Des données qui, par définition, n'ont jamais été téléchargées sur aucun serveur officiel.
Speaker #2
C'est ça. Et ce scénario, il illustre vraiment le paradoxe central de la phase d'adoption technologique qu'on vit actuellement. En fait, les projets d'intelligence artificielle se nourrissent d'une réalité de papier. On les entraîne sur des procédures officielles, des historiques transactionnelles, des notes de direction.
Speaker #1
Et le résultat direct de ce billet de sélection, disons, c'est quoi ?
Speaker #2
Le résultat, c'est que le modère apprend l'organisation telle qu'elle s'imagine fonctionner en théorie. Il n'apprend absolument pas l'organisation telle qu'elle fonctionne en réalité, avec ses frictions, ses compromis et ses ajustements du quotidien.
Speaker #1
Donc l'investissement matériel est massif, mais le carburant intellectuel qu'on donne à la machine, il reste... au fond profondément génériques.
Speaker #2
C'est exactement le problème.
Speaker #1
Et bien ce décalage, c'est ce qui définit la mission de notre exploration aujourd'hui. Les directions s'épuisent à brancher des systèmes d'informations officielles, alors que les données qui expliquent réellement pourquoi un processus réussit ou échoue, elles échappent complètement à ces radars. On va donc passer en revue trois familles de données, disons silencieuses, trois types d'informations non écrites que les organisations doivent impérativement explorer. Enfin, si elles veulent que leur système reflète la vérité du terrain. Et il y a une chronologie logique à respecter pour les identifier.
Speaker #2
Oui, et la première étape, elle exige de remonter à la source même de la production de valeur. Bien avant l'introduction d'un quelconque outil numérique. En fait, il faut s'intéresser à ce qu'on appelle la donnée de raisonnement.
Speaker #1
C'est-à-dire ce que les experts savent sans l'écrire, c'est ça ?
Speaker #2
Voilà. Dans toute structure, on a des individus qui prennent quotidiennement des décisions justes. Ils résolvent des crises complexes sans pour autant être capables de décrire de A à Z le cheminement cognitif qui les a amenés là. Le philosophe Michael Polanyi a posé un diagnostic très précis là-dessus dès 1966. Il affirmait que, en gros, nous en savons plus que ce que nous pouvons en dire.
Speaker #1
C'est ce qu'on appelle classiquement le savoir tacite, non ? Par opposition au savoir explicite, celui qu'on peut facilement ranger dans un manuel ou un wiki d'entreprise.
Speaker #2
C'est ça, le savoir tacite. D'ailleurs... Les travaux d'Ikujiro Nonaka, qui sont parus ensuite dans la revue Organization Science, ont bien démontré ça. La traduction de ce savoir tacite intériorisé vers un savoir explicite documentable, c'est l'opération la plus complexe pour une organisation.
Speaker #1
Parce que l'expert lui-même ne s'en rend pas compte ?
Speaker #2
Exactement. Il n'a souvent pas conscience des micro-ajustements qu'il opère. Il applique des heuristiques, des raccourcis mentaux qui ont été forgés par des années d'expérience. Du coup, il juge ça trop évident pour le formaliser par écrit.
Speaker #1
Moi, ça me fait beaucoup penser à une recette de cuisine, en fait.
Speaker #2
Ah, comment ça ?
Speaker #1
La procédure écrite dans le manuel d'entreprise, c'est la règle formelle. Le fameux « si ceci, alors cela » . Ça donne les quantités exactes, le temps de cuisson, mais ça omet systématiquement le tour de main.
Speaker #2
Oui, je vois très bien.
Speaker #1
Le manuel, il ne va pas vous dire qu'il faut réduire le temps de cuisson parce que le taux d'humidité de la pièce a changé ce jour-là. Ou dans un contexte pro, qu'il faut ajuster une négociation commerciale parce que le ton de la voix du client a très légèrement baissé.
Speaker #2
C'est très juste.
Speaker #1
Ce tour de main, il est documenté nulle part. Or, c'est vraiment lui qui garantit le résultat final.
Speaker #2
Et la conséquence pour l'intelligence artificielle, elle est directe. Parce que la machine, elle, elle ne lit que la recette. Un assistant intérim, qui serait nourri exclusivement de procédures standards, il va répondre aux requêtes à la manière d'une jeune recrue. Une recrue qui aurait, je ne sais pas, mémorisé l'intégralité des manuels sans jamais avoir passé une heure sur le terrain.
Speaker #1
Donc les réponses seront, disons, scolairement exactes ?
Speaker #2
Oui, inattaquables sur le plan de la conformité. Mais opérationnellement, elles seront inadaptées face à la moindre zone d'ombre, ou à la moindre exception.
Speaker #1
Ce qui veut dire que ce savoir tacite, il s'évapore en permanence. L'organisation produit cette donnée de raisonnement lors d'un échange informel entre un senior et un junior ou au moment d'éteindre un incendie opérationnel. Mais comme l'effort cognitif pour documenter cet arbitrage après coup est trop lourd, l'information finit aux oubliettes.
Speaker #2
Ou elle quitte carrément l'entreprise le jour où le collaborateur démissionne.
Speaker #1
C'est ça. Mais supposons un instant qu'une organisation parvienne par un effort de documentation massif a capté une partie de ce savoir. Elle se heurte immédiatement à un second mur, dès l'instant où le collaborateur se connecte concrètement à son nouvel outil d'IA.
Speaker #0
Première famille donc. Ce que vos experts savent et que vos documents ne diront jamais. La deuxième se cache ailleurs. Pas dans les têtes, dans les usages. Chaque jour, vos équipes et leurs outils d'intelligence artificielle s'ajustent l'un à l'autre. Qui corrige qui ? Qui contourne quoi ? Cet ajustement produit une donnée que presque personne ne regarde.
Speaker #2
Oui, et ce second mur, c'est ce qui concerne la donnée d'articulation. Là, il s'agit de mesurer la réalité qualitative de l'usage. Aujourd'hui, la mesure de l'adoption de l'IA par les directions générales, elle repose sur quoi ?
Speaker #1
Sur des indicateurs volumétriques de base.
Speaker #2
Les nombres de licences distribuées, les taux d'activation, la fréquence des connexions, ce genre de choses.
Speaker #1
Voilà.
Speaker #2
Mais c'est vrai que quand on regarde ces tableaux de bord, les indicateurs y semblent tout à fait rationnels pour évaluer un déploiement logiciel classique. Enfin, je veux dire, si 90% des collaborateurs se connectent à l'outil chaque semaine, la direction conclut logiquement que l'adoption est un succès.
Speaker #1
Et que le retour sur investissement est en bonne voie, oui.
Speaker #2
Du coup, pourquoi ces métriques posent un problème dans le cas spécifique de l'IA générative ? Parce qu'elles sont totalement aveugles à la nature de l'interaction. Savoir qu'à l'employé, c'est... connecté, ça donne aucune indication sur la pertinence du résultat qu'il a obtenu, ou sur le temps passé à corriger les hallucinations du modèle, ni même sur la stratégie employée pour formuler la requête.
Speaker #1
On n'a pas accès au comment, en fait.
Speaker #2
C'est ça. Et il y a une étude menée par des chercheurs comme Fabrizio Dellaqua à l'Harvard Business School et publiée dans Organization Science, qui fournit une grille de lecture très éclairante sur cet angle mort.
Speaker #1
Ils ont regardé quoi, exactement ?
Speaker #2
L'étude a observé... près de 760 consultants en situation réelle. Ils étaient confrontés à des tâches professionnelles complexes.
Speaker #1
760, ça donne déjà une bonne idée de l'échelle. Et les résultats illustrent bien le piège de la simple mesure de connexion, non ?
Speaker #2
Tout à fait. Sur les tâches où l'intelligence artificielle est intrinsèquement compétente, l'apport est indéliable. Les consultants travaillent environ un quart plus vite, avec un niveau de qualité supérieur à celui du groupe qui n'utilise pas l'outil.
Speaker #1
Un quart plus vite, c'est un gain de productivité net.
Speaker #2
Oui, mais... Et c'est là que ça devient critique. L'analyse a aussi porté sur une tâche spécifique qui était conçue pour se situer juste au-delà des capacités réelles de la machine.
Speaker #1
D'accord.
Speaker #2
Eh bien, sur cette tâche, les consultants équipés de l'IA ont produit 19% de bonnes réponses en moins que ceux qui travaillaient sans assistance.
Speaker #1
19% de bonnes réponses en moins. C'est pas neutre. Comment on explique cette baisse de performance ?
Speaker #2
Ça met en lumière un mécanisme psychologique très fort. L'intelligence artificielle générative possède une capacité d'articulation très sophistiquée. Elle produit des réponses qui ont vraiment l'apparence de la certitude et de la compétence.
Speaker #1
Donc face à une réponse bien formulée, on a tendance à baisser la garde.
Speaker #2
C'est le mot. Le consultant a tendance à déléguer son esprit critique. Il devient un simple relecteur passif plutôt qu'un analyste actif. Et il laisse passer des erreurs structurelles, des erreurs subtiles, qui l'aurait identifié s'il avait dû construire le raisonnement lui-même.
Speaker #1
Les chercheurs de la Harvard Business School décrivent cette limite comme une frontière dentelée, je crois.
Speaker #2
Oui, la frontière dentelée.
Speaker #1
Ça me fait penser à... C'est comme naviguer le long d'une côte rocheuse qui serait recouverte d'un brouillard épais. Sur la carte théorique, on voit deux criques qui se ressemblent parfaitement. Et l'intelligence artificielle vous donne l'impression que les deux sont parfaitement navigables.
Speaker #2
Alors qu'en réalité...
Speaker #1
En réalité... L'une est un port sûr et l'autre est complètement truffée de récifs immergés. L'utilisateur n'a aucun moyen immédiat de savoir de quel côté de cette frontière dentelée il se trouve pour une tâche donnée.
Speaker #2
C'est une excellente image. Et la cartographie de ces récifs, c'est justement ça, la donnée d'articulation que les tableaux de bord ignorent complètement. Les directions ne voient pas les heures passées par les équipes à retravailler des documents générés par l'IA.
Speaker #1
Des documents qui semblaient finis à première vue.
Speaker #2
C'est ça, elles ne voient pas non plus les stratégies de requêtes efficaces. Les fameux promptes qu'un collaborateur finit par découvrir après de multiples essais.
Speaker #1
Mais qu'il garde pour lui !
Speaker #2
Exactement ! Il les conserve pour lui seul, sans jamais les mutualiser avec son département.
Speaker #1
Sans parler du moment où l'outil officiel, il s'avère incapable de traiter la tâche. Et là, le collaborateur décide d'utiliser une solution externe, une solution non approuvée.
Speaker #2
Le fameux phénomène de « shadow AI » .
Speaker #1
Oui, voilà. Et l'approche managériale classique, elle consiste qu'à considérer ce contournement uniquement sous l'angle du risque. Le risque sécuritaire, la fuite de données, et donc à le sanctionner. Mais si on change de perspective, le fait qu'un employé soit prêt à enfreindre la politique de sécurité de l'entreprise pour accomplir sa tâche, c'est un signal d'une clarté redoutable.
Speaker #2
Ah mais complètement ! La friction ressentie sur l'outil officiel est... tellement forte qu'elle justifie la prise de risque pour l'employé. Réduire ce comportement à un simple problème de discipline, c'est occulter l'information principale.
Speaker #1
À savoir que l'outil interne ne répond pas aux besoins réels.
Speaker #2
Voilà. Punir l'usage alternatif sans analyser sa cause, c'est détruire volontairement la seule donnée qui indique où se situent les véritables limites du système en place.
Speaker #0
L'usage réel des outils reste la famille la plus silencieuse des trois, celle qui vit dans les processus de tous les jours, dans ce que vos équipes ont cessé de signaler et dans ce qu'elles n'ont jamais eu l'occasion de proposer.
Speaker #1
Donc si on récapitule, on a le savoir tacite des experts d'un côté et on a les frictions d'usage de l'outil de l'autre. Mais ça nous amène à la troisième dimension de notre analyse, celle qui concerne l'écosystème global du travail.
Speaker #2
C'est-à-dire ?
Speaker #1
Au-delà de l'expert isolé ou du consultant face à son écran, il y a le fonctionnement quotidien des processus de l'entreprise. Et c'est là que se concentre la famille de données la plus silencieuse, la donnée de terrain. Elle englobe tout ce que l'organisation tait par habitude et tout ce qu'elle ne formule jamais par prudence.
Speaker #2
Oui, c'est un point central. D'ailleurs, l'analyse de l'ergonomie et de la sécurité des systèmes complexes, elle repose sur une distinction fondamentale. La distinction entre le travail prescrit Et le travail réel ?
Speaker #1
Le travail prescrit, c'est la théorie.
Speaker #2
C'est le logigramme dessiné par le bureau des méthodes, oui. C'est la procédure idéale. Et le travail réel, ce sont les multiples ajustements informels qui sont nécessaires pour que le système fonctionne concrètement face aux imprévus du quotidien.
Speaker #1
C'est le moment de revenir à notre fichier Excel parallèle du début.
Speaker #2
Ah oui, le fameux fichier.
Speaker #1
Avec des macros vieillissantes, simplement parce que le logiciel de suivi officiel imposé par le siège ne permet pas de croiser certaines données spécifiques dont ils ont besoin pour leur flux de travail.
Speaker #2
Ou alors, c'est le service comptabilité qui fait une double saisie manuelle en permanence, parce que deux systèmes majeurs qui sont censés communiquer ne le font qu'en théorie.
Speaker #1
Et la grille d'analyse traditionnelle de la direction, elle qualifie ce fichier Excel ou cette double saisie d'anomalie processuelle. Un truc à éradiquer.
Speaker #2
Alors que, d'un point de vue informationnel, c'est tout l'inverse. C'est une donnée opérationnelle brute de haute valeur. Cet écart entre la théorie et la pratique, il révèle l'exacte... topographie des inefficacités du système.
Speaker #1
Mais cette information, elle réside exclusivement dans la tête de l'équipe locale ou sur le disque dur d'un poste de travail. Et en plus, ce mutisme sur les dysfonctionnements, il s'accompagne d'un silence encore plus coûteux pour l'avenir de l'entreprise.
Speaker #2
Lequel ?
Speaker #1
La rétention des opportunités. Je veux dire, les idées d'amélioration de processus imaginées par un opérateur de première ligne ou un besoin client récurrent qui est perçu par le service après-vente mais qui n'est jamais remonté à la direction. Pourquoi ces collaborateurs qui détiennent la solution, ils choisissent de se taire en fait.
Speaker #2
C'est une vraie question de fond. Et des recherches approfondies qui ont été publiées dans l'Academy of Management Journal et le Journal of Management Studies ont décortiqué les mécanismes de ce silence organisationnel.
Speaker #1
Et qu'est-ce qu'ils ont trouvé ?
Speaker #2
Leur conclusion démontre que l'indifférence ou le désengagement sont très rarement les moteurs de cette rétention. Le facteur déterminant, c'est l'appréhension. L'appréhension sociale et professionnelle.
Speaker #1
Parce que... Proposer une amélioration d'un processus, c'est implicitement souligner que le processus actuel, qui a peut-être été conçu par son propre manager ou par un département influent, il est défaillant.
Speaker #2
C'est ça. Le coût social de la prise de parole est perçu comme trop élevé. Le calcul bénéfice-risque penche du côté du silence. Le collaborateur craint de détériorer ses relations de travail ou d'être étiqueté comme la personne qui remet en cause l'organisation.
Speaker #1
L'entreprise perd ainsi l'accès à une ressource intellectuelle majeure, juste parce qu'elle est bridée par la dynamique sociale en interne. Ça met en lumière une asymétrie architecturale très instructive dans les entreprises d'ailleurs.
Speaker #2
Comment ça une asymétrie ?
Speaker #1
Pour signaler une panne, de registres d'incidents, de formulaires de réclamation client. Tout est prévu pour traiter le problème une fois qu'il a eu lieu.
Speaker #2
Oui, c'est le standard.
Speaker #1
En revanche, il n'y a pratiquement aucun canal structurel, fluide, intégré au flux de travail quotidien. Pour remonter une idée spontanée ou un besoin émergent. Il y a des tuyaux pour les plaintes, mais il n'y en a aucun pour l'innovation de terrain.
Speaker #2
C'est très révélateur. Et la traduction de cette double réalité, les frictions tues et les opportunités retenues, elle est particulièrement sévère pour un projet d'intelligence artificielle ?
Speaker #1
Pourquoi coller ?
Speaker #2
L'impact se manifeste sous la forme d'une double peine. La première peine, elle survient lors de l'automatisation. Si on paramètre une IA en se basant exclusivement sur le travail prescrit, sans capter les contournements réels du terrain, on va figer et industrialiser l'écart avec la réalité.
Speaker #1
Le système automatisé va juste reproduire les processus théoriques.
Speaker #2
Voilà. Ce qui va obliger les équipes à multiplier les fichiers parallèles pour compenser la rigidité de la nouvelle machine.
Speaker #1
Donc en clair, on automatise l'inefficacité.
Speaker #2
Exactement. Et la seconde peine concerne la capacité d'adaptation. Si l'IA n'absorbe jamais les idées d'amélioration imaginées au marge de l'organisation par ceux qui font le travail, elle est structurellement condamnée à regarder dans le rétroviseur.
Speaker #1
Le modèle ne fera que... que synthétiser, recycler l'historique documentaire existant. Il sera incapable de générer des propositions d'innovation opérationnelle en phase avec l'évolution des besoins réels.
Speaker #2
C'est pour ça que le principe d'action qui en découle stipue qu'avant toute intégration d'IA dans un processus métier, il est impératif d'auditer le travail réel. Il faut recueillir ce que les opérateurs savent des limites actuelles et des potentiels d'optimisation non formulés.
Speaker #1
L'argumentation est solide, c'est indéniable. Mais elle se heurte quand même à une objection méthodologique assez lourde.
Speaker #2
Laquelle ?
Speaker #1
On a établi que la valeur résidait dans l'ombre. Le savoir tacite, non formalisé, les astuces d'utilisation non partagées, le fameux travail réel en décalage avec la procédure. Mais dès l'instant où l'entreprise décide de capter systématiquement ses contournements et ses données invisibles, elle franchit une ligne.
Speaker #2
Ah, à la question de la surveillance !
Speaker #1
Oui ! Est-ce qu'on ne risque pas de basculer vers une infrastructure de surveillance ? pure et simple du comportement des collaborateurs. Et même au-delà de la question managériale, le simple fait d'observer ces pratiques, est-ce que ça risque pas de les faire disparaître ?
Speaker #2
C'est une objection tout à fait légitime. Et la question des limites de l'observation exige une vraie réponse technique, pas de simple déclaration d'intention. L'effet de l'observateur, il est bien documenté en sciences sociales. Il stipule que la mesure modifie inévitablement l'objet mesuré.
Speaker #1
Donc, si les collaborateurs ont conscience que leurs requêtes, leurs corrections et l'utilisation de leurs fichiers parallèles sont scrutées, individuellement, pour alimenter l'IA.
Speaker #2
Leur comportement s'adaptera instantanément à la norme attendue. Ils vont cesser d'utiliser les raccourcis efficaces pour revenir à la procédure officielle, même si elle est inefficace.
Speaker #1
Ce qui masque définitivement les données d'articulation et de terrain qu'on cherchait justement à capter.
Speaker #2
Voilà, c'est un principe physique autant que sociologique.
Speaker #1
Bah oui ! Si le recueil de ces données silencieuses est perçu par le collaborateur comme un moyen pour la hiérarchie d'identifier qui commet des erreurs de syntaxe sur l'outil ou qui contourne le logiciel imposé par le siège, la source d'information se tarie en quelques jours.
Speaker #2
Et c'est pour ça que la démarcation entre l'écoute de la réalité opérationnelle et la surveillance managériale, elle ne peut pas reposer sur une simple charte éthique affichée dans la salle de pause. Elle doit reposer sur la conception même de l'architecture technique de collecte.
Speaker #1
L'anonymat des remontées d'usages ne peut pas être une simple... promesse contractuelle. Il doit être une garantie structurelle. Concrètement, ça signifie quoi pour l'architecture du système ?
Speaker #2
Ça signifie concevoir des mécanismes de recueil où l'information est séparée de son émetteur. Et ce, dès la captation. Les données d'usage, comme les requêtes les plus fréquemment corrigées, doivent être agrégées au niveau du département ou du processus.
Speaker #1
Et non rattachées au profil individuel du collaborateur.
Speaker #2
Exactement. L'objectif analytique n'est pas de savoir que tel analyste a utilisé une IA grand public non approuvée. L'objectif, c'est de constater statistiquement qu'une équipe entière éprouve une friction tellement forte avec l'outil interne qu'elle cherche massivement des alternatives. La méthode détermine le résultat.
Speaker #1
On ne recueille de manière fiable que ce qui s'exprime dans un cadre où la vulnérabilité technique n'entraîne pas de risque professionnel, en somme.
Speaker #2
C'est tout à fait ça.
Speaker #1
Il faut donc accepter une part d'inconnu. Vouloir tout mettre en équation, de l'intuition d'un expert senior au moindre clic des utilisateurs, ça reste une illusion.
Speaker #2
Et le but du recueil des données silencieuses n'est pas... pas d'atteindre l'omniscience managériale. Il s'agit simplement de réduire l'aveuglement systémique face à la réalité du travail. Accepter que certaines dynamiques résisteront toujours à la formalisation, c'est la marque d'une approche mature.
Speaker #1
Ne pas chercher à tout figer.
Speaker #2
Le défi consiste à capturer les signaux systémiques récurrents sans détruire la confiance nécessaire à leur expression. Si on néglige ces trois familles de données, le raisonnement tacite, la réalité de l'usage et les frictions du terrain, l'organisation va investir massivement dans un système artificiel totalement isolé de la complexité opérationnelle qu'il est pourtant censé optimiser.
Speaker #1
Ce constat nous ramène vraiment au point de départ de notre analyse. Avant de réunir les comités de pilotage pour statuer sur l'architecture technique, avant de dresser la liste exhaustive des serveurs, des bases documentaires et des logiciels qu'il faudra minutieusement connecter au prochain grand modèle d'entreprise, l'ordre des priorités doit être inversé.
Speaker #2
Oui, la réflexion ne commence pas par ce qui est disponible dans les disques durs.
Speaker #1
Exactement. Et la question fondamentale que notre audience devrait se poser pour ses prochains projets est la suivante. critiques que l'organisation produit tous les jours sans jamais prendre la peine de les écrire ? Et quelles sont celles que l'on accepte consciemment de perdre définitivement ?
Speaker #0
Cette question mérite une réponse avant votre prochain projet. Vous venez de l'entendre, les données qui comptent ne manquent pas. Les arbitrages de vos experts, l'usage réel de vos outils, Des frictions que vos équipes ont cessé de signaler et les idées qu'elles n'ont jamais eu l'occasion de proposer. Tout cela existe déjà, chaque jour, dans votre organisation. Il manque seulement le cadre pour le faire parler. Ce cadre, c'est le métier de Spentia. Écoutez le terrain, à grande échelle. Tous les collaborateurs d'un périmètre, pas un échantillon. Avec un anonymat garanti par conception, pas par promesse. Parce que, vous l'avez entendu aussi, on ne recueille de manière fiable que ceux qui s'expriment sans risque. Puis reliez ce qui remonte à ce qui compte. Les causes, les coûts, les décisions à prendre. Si votre prochain projet mérite de commencer par là, le lien est dans les notes de l'épisode. A bientôt pour un prochain signal !

About Les signaux du changement

Découvrez Les Signaux du Changement, un tout nouveau podcast qui explore les stratégies de transformation des entreprises et leur impact critique sur le capital humain.

Hébergé par Ausha. Visitez ausha.co/politique-de-confidentialite pour plus d'informations.

About Les signaux du changement

Découvrez Les Signaux du Changement, un tout nouveau podcast qui explore les stratégies de transformation des entreprises et leur impact critique sur le capital humain.

Hébergé par Ausha. Visitez ausha.co/politique-de-confidentialite pour plus d'informations.

Embed

You may also like

Description

Hébergé par Ausha. Visitez ausha.co/politique-de-confidentialite pour plus d'informations.

Transcription

Speaker #0
Bienvenue dans ce nouvel épisode des Signes du Changement, un podcast pour tous ceux qui veulent comprendre ce qui change vraiment dans les organisations. Aujourd'hui, les données que vos projets d'intelligence artificielle ignorent, celles qui ne sont écrites nulle part, ce que vos experts savent sans pouvoir le dire, ce que l'usage réel des outils raconte, ce que le terrain a cessé de remonter. Pourquoi c'est important ? Parce que tout le monde déploie les mêmes modèles, nourrit des mêmes documents. Ce qui fera la différence, ce n'est pas l'outil. C'est ce que votre organisation sait et que personne n'a encore écrit. Bonne écoute !
Speaker #1
Imaginons une situation que la majorité des comités de direction connaissent bien aujourd'hui. On investit des millions d'euros pour déployer un nouveau modèle d'intelligence artificielle en interne.
Speaker #2
Oui, le grand projet de transformation classique.
Speaker #1
Exactement. Et on connecte scrupuleusement le ERP pour les opérations, le CRM pour les relations clients, l'intranet, bref, toutes les bases documentaires. L'objectif affiché, c'est vraiment d'irriguer le système avec la totalité de l'information disponible sur les serveurs.
Speaker #2
La logique semble implacable sur le papier. Pour que l'outil comprenne l'entreprise, on se dit qu'il faut lui donner à lire tout ce que l'entreprise a produit.
Speaker #1
Sauf qu'après quelques mois... On s'aperçoit que l'organisation, elle continue de tourner, en réalité grâce à un fichier Excel parallèle géré par un chef d'équipe et à des arbitrages informels qui se font à la machine à café. Des données qui, par définition, n'ont jamais été téléchargées sur aucun serveur officiel.
Speaker #2
C'est ça. Et ce scénario, il illustre vraiment le paradoxe central de la phase d'adoption technologique qu'on vit actuellement. En fait, les projets d'intelligence artificielle se nourrissent d'une réalité de papier. On les entraîne sur des procédures officielles, des historiques transactionnelles, des notes de direction.
Speaker #1
Et le résultat direct de ce billet de sélection, disons, c'est quoi ?
Speaker #2
Le résultat, c'est que le modère apprend l'organisation telle qu'elle s'imagine fonctionner en théorie. Il n'apprend absolument pas l'organisation telle qu'elle fonctionne en réalité, avec ses frictions, ses compromis et ses ajustements du quotidien.
Speaker #1
Donc l'investissement matériel est massif, mais le carburant intellectuel qu'on donne à la machine, il reste... au fond profondément génériques.
Speaker #2
C'est exactement le problème.
Speaker #1
Et bien ce décalage, c'est ce qui définit la mission de notre exploration aujourd'hui. Les directions s'épuisent à brancher des systèmes d'informations officielles, alors que les données qui expliquent réellement pourquoi un processus réussit ou échoue, elles échappent complètement à ces radars. On va donc passer en revue trois familles de données, disons silencieuses, trois types d'informations non écrites que les organisations doivent impérativement explorer. Enfin, si elles veulent que leur système reflète la vérité du terrain. Et il y a une chronologie logique à respecter pour les identifier.
Speaker #2
Oui, et la première étape, elle exige de remonter à la source même de la production de valeur. Bien avant l'introduction d'un quelconque outil numérique. En fait, il faut s'intéresser à ce qu'on appelle la donnée de raisonnement.
Speaker #1
C'est-à-dire ce que les experts savent sans l'écrire, c'est ça ?
Speaker #2
Voilà. Dans toute structure, on a des individus qui prennent quotidiennement des décisions justes. Ils résolvent des crises complexes sans pour autant être capables de décrire de A à Z le cheminement cognitif qui les a amenés là. Le philosophe Michael Polanyi a posé un diagnostic très précis là-dessus dès 1966. Il affirmait que, en gros, nous en savons plus que ce que nous pouvons en dire.
Speaker #1
C'est ce qu'on appelle classiquement le savoir tacite, non ? Par opposition au savoir explicite, celui qu'on peut facilement ranger dans un manuel ou un wiki d'entreprise.
Speaker #2
C'est ça, le savoir tacite. D'ailleurs... Les travaux d'Ikujiro Nonaka, qui sont parus ensuite dans la revue Organization Science, ont bien démontré ça. La traduction de ce savoir tacite intériorisé vers un savoir explicite documentable, c'est l'opération la plus complexe pour une organisation.
Speaker #1
Parce que l'expert lui-même ne s'en rend pas compte ?
Speaker #2
Exactement. Il n'a souvent pas conscience des micro-ajustements qu'il opère. Il applique des heuristiques, des raccourcis mentaux qui ont été forgés par des années d'expérience. Du coup, il juge ça trop évident pour le formaliser par écrit.
Speaker #1
Moi, ça me fait beaucoup penser à une recette de cuisine, en fait.
Speaker #2
Ah, comment ça ?
Speaker #1
La procédure écrite dans le manuel d'entreprise, c'est la règle formelle. Le fameux « si ceci, alors cela » . Ça donne les quantités exactes, le temps de cuisson, mais ça omet systématiquement le tour de main.
Speaker #2
Oui, je vois très bien.
Speaker #1
Le manuel, il ne va pas vous dire qu'il faut réduire le temps de cuisson parce que le taux d'humidité de la pièce a changé ce jour-là. Ou dans un contexte pro, qu'il faut ajuster une négociation commerciale parce que le ton de la voix du client a très légèrement baissé.
Speaker #2
C'est très juste.
Speaker #1
Ce tour de main, il est documenté nulle part. Or, c'est vraiment lui qui garantit le résultat final.
Speaker #2
Et la conséquence pour l'intelligence artificielle, elle est directe. Parce que la machine, elle, elle ne lit que la recette. Un assistant intérim, qui serait nourri exclusivement de procédures standards, il va répondre aux requêtes à la manière d'une jeune recrue. Une recrue qui aurait, je ne sais pas, mémorisé l'intégralité des manuels sans jamais avoir passé une heure sur le terrain.
Speaker #1
Donc les réponses seront, disons, scolairement exactes ?
Speaker #2
Oui, inattaquables sur le plan de la conformité. Mais opérationnellement, elles seront inadaptées face à la moindre zone d'ombre, ou à la moindre exception.
Speaker #1
Ce qui veut dire que ce savoir tacite, il s'évapore en permanence. L'organisation produit cette donnée de raisonnement lors d'un échange informel entre un senior et un junior ou au moment d'éteindre un incendie opérationnel. Mais comme l'effort cognitif pour documenter cet arbitrage après coup est trop lourd, l'information finit aux oubliettes.
Speaker #2
Ou elle quitte carrément l'entreprise le jour où le collaborateur démissionne.
Speaker #1
C'est ça. Mais supposons un instant qu'une organisation parvienne par un effort de documentation massif a capté une partie de ce savoir. Elle se heurte immédiatement à un second mur, dès l'instant où le collaborateur se connecte concrètement à son nouvel outil d'IA.
Speaker #0
Première famille donc. Ce que vos experts savent et que vos documents ne diront jamais. La deuxième se cache ailleurs. Pas dans les têtes, dans les usages. Chaque jour, vos équipes et leurs outils d'intelligence artificielle s'ajustent l'un à l'autre. Qui corrige qui ? Qui contourne quoi ? Cet ajustement produit une donnée que presque personne ne regarde.
Speaker #2
Oui, et ce second mur, c'est ce qui concerne la donnée d'articulation. Là, il s'agit de mesurer la réalité qualitative de l'usage. Aujourd'hui, la mesure de l'adoption de l'IA par les directions générales, elle repose sur quoi ?
Speaker #1
Sur des indicateurs volumétriques de base.
Speaker #2
Les nombres de licences distribuées, les taux d'activation, la fréquence des connexions, ce genre de choses.
Speaker #1
Voilà.
Speaker #2
Mais c'est vrai que quand on regarde ces tableaux de bord, les indicateurs y semblent tout à fait rationnels pour évaluer un déploiement logiciel classique. Enfin, je veux dire, si 90% des collaborateurs se connectent à l'outil chaque semaine, la direction conclut logiquement que l'adoption est un succès.
Speaker #1
Et que le retour sur investissement est en bonne voie, oui.
Speaker #2
Du coup, pourquoi ces métriques posent un problème dans le cas spécifique de l'IA générative ? Parce qu'elles sont totalement aveugles à la nature de l'interaction. Savoir qu'à l'employé, c'est... connecté, ça donne aucune indication sur la pertinence du résultat qu'il a obtenu, ou sur le temps passé à corriger les hallucinations du modèle, ni même sur la stratégie employée pour formuler la requête.
Speaker #1
On n'a pas accès au comment, en fait.
Speaker #2
C'est ça. Et il y a une étude menée par des chercheurs comme Fabrizio Dellaqua à l'Harvard Business School et publiée dans Organization Science, qui fournit une grille de lecture très éclairante sur cet angle mort.
Speaker #1
Ils ont regardé quoi, exactement ?
Speaker #2
L'étude a observé... près de 760 consultants en situation réelle. Ils étaient confrontés à des tâches professionnelles complexes.
Speaker #1
760, ça donne déjà une bonne idée de l'échelle. Et les résultats illustrent bien le piège de la simple mesure de connexion, non ?
Speaker #2
Tout à fait. Sur les tâches où l'intelligence artificielle est intrinsèquement compétente, l'apport est indéliable. Les consultants travaillent environ un quart plus vite, avec un niveau de qualité supérieur à celui du groupe qui n'utilise pas l'outil.
Speaker #1
Un quart plus vite, c'est un gain de productivité net.
Speaker #2
Oui, mais... Et c'est là que ça devient critique. L'analyse a aussi porté sur une tâche spécifique qui était conçue pour se situer juste au-delà des capacités réelles de la machine.
Speaker #1
D'accord.
Speaker #2
Eh bien, sur cette tâche, les consultants équipés de l'IA ont produit 19% de bonnes réponses en moins que ceux qui travaillaient sans assistance.
Speaker #1
19% de bonnes réponses en moins. C'est pas neutre. Comment on explique cette baisse de performance ?
Speaker #2
Ça met en lumière un mécanisme psychologique très fort. L'intelligence artificielle générative possède une capacité d'articulation très sophistiquée. Elle produit des réponses qui ont vraiment l'apparence de la certitude et de la compétence.
Speaker #1
Donc face à une réponse bien formulée, on a tendance à baisser la garde.
Speaker #2
C'est le mot. Le consultant a tendance à déléguer son esprit critique. Il devient un simple relecteur passif plutôt qu'un analyste actif. Et il laisse passer des erreurs structurelles, des erreurs subtiles, qui l'aurait identifié s'il avait dû construire le raisonnement lui-même.
Speaker #1
Les chercheurs de la Harvard Business School décrivent cette limite comme une frontière dentelée, je crois.
Speaker #2
Oui, la frontière dentelée.
Speaker #1
Ça me fait penser à... C'est comme naviguer le long d'une côte rocheuse qui serait recouverte d'un brouillard épais. Sur la carte théorique, on voit deux criques qui se ressemblent parfaitement. Et l'intelligence artificielle vous donne l'impression que les deux sont parfaitement navigables.
Speaker #2
Alors qu'en réalité...
Speaker #1
En réalité... L'une est un port sûr et l'autre est complètement truffée de récifs immergés. L'utilisateur n'a aucun moyen immédiat de savoir de quel côté de cette frontière dentelée il se trouve pour une tâche donnée.
Speaker #2
C'est une excellente image. Et la cartographie de ces récifs, c'est justement ça, la donnée d'articulation que les tableaux de bord ignorent complètement. Les directions ne voient pas les heures passées par les équipes à retravailler des documents générés par l'IA.
Speaker #1
Des documents qui semblaient finis à première vue.
Speaker #2
C'est ça, elles ne voient pas non plus les stratégies de requêtes efficaces. Les fameux promptes qu'un collaborateur finit par découvrir après de multiples essais.
Speaker #1
Mais qu'il garde pour lui !
Speaker #2
Exactement ! Il les conserve pour lui seul, sans jamais les mutualiser avec son département.
Speaker #1
Sans parler du moment où l'outil officiel, il s'avère incapable de traiter la tâche. Et là, le collaborateur décide d'utiliser une solution externe, une solution non approuvée.
Speaker #2
Le fameux phénomène de « shadow AI » .
Speaker #1
Oui, voilà. Et l'approche managériale classique, elle consiste qu'à considérer ce contournement uniquement sous l'angle du risque. Le risque sécuritaire, la fuite de données, et donc à le sanctionner. Mais si on change de perspective, le fait qu'un employé soit prêt à enfreindre la politique de sécurité de l'entreprise pour accomplir sa tâche, c'est un signal d'une clarté redoutable.
Speaker #2
Ah mais complètement ! La friction ressentie sur l'outil officiel est... tellement forte qu'elle justifie la prise de risque pour l'employé. Réduire ce comportement à un simple problème de discipline, c'est occulter l'information principale.
Speaker #1
À savoir que l'outil interne ne répond pas aux besoins réels.
Speaker #2
Voilà. Punir l'usage alternatif sans analyser sa cause, c'est détruire volontairement la seule donnée qui indique où se situent les véritables limites du système en place.
Speaker #0
L'usage réel des outils reste la famille la plus silencieuse des trois, celle qui vit dans les processus de tous les jours, dans ce que vos équipes ont cessé de signaler et dans ce qu'elles n'ont jamais eu l'occasion de proposer.
Speaker #1
Donc si on récapitule, on a le savoir tacite des experts d'un côté et on a les frictions d'usage de l'outil de l'autre. Mais ça nous amène à la troisième dimension de notre analyse, celle qui concerne l'écosystème global du travail.
Speaker #2
C'est-à-dire ?
Speaker #1
Au-delà de l'expert isolé ou du consultant face à son écran, il y a le fonctionnement quotidien des processus de l'entreprise. Et c'est là que se concentre la famille de données la plus silencieuse, la donnée de terrain. Elle englobe tout ce que l'organisation tait par habitude et tout ce qu'elle ne formule jamais par prudence.
Speaker #2
Oui, c'est un point central. D'ailleurs, l'analyse de l'ergonomie et de la sécurité des systèmes complexes, elle repose sur une distinction fondamentale. La distinction entre le travail prescrit Et le travail réel ?
Speaker #1
Le travail prescrit, c'est la théorie.
Speaker #2
C'est le logigramme dessiné par le bureau des méthodes, oui. C'est la procédure idéale. Et le travail réel, ce sont les multiples ajustements informels qui sont nécessaires pour que le système fonctionne concrètement face aux imprévus du quotidien.
Speaker #1
C'est le moment de revenir à notre fichier Excel parallèle du début.
Speaker #2
Ah oui, le fameux fichier.
Speaker #1
Avec des macros vieillissantes, simplement parce que le logiciel de suivi officiel imposé par le siège ne permet pas de croiser certaines données spécifiques dont ils ont besoin pour leur flux de travail.
Speaker #2
Ou alors, c'est le service comptabilité qui fait une double saisie manuelle en permanence, parce que deux systèmes majeurs qui sont censés communiquer ne le font qu'en théorie.
Speaker #1
Et la grille d'analyse traditionnelle de la direction, elle qualifie ce fichier Excel ou cette double saisie d'anomalie processuelle. Un truc à éradiquer.
Speaker #2
Alors que, d'un point de vue informationnel, c'est tout l'inverse. C'est une donnée opérationnelle brute de haute valeur. Cet écart entre la théorie et la pratique, il révèle l'exacte... topographie des inefficacités du système.
Speaker #1
Mais cette information, elle réside exclusivement dans la tête de l'équipe locale ou sur le disque dur d'un poste de travail. Et en plus, ce mutisme sur les dysfonctionnements, il s'accompagne d'un silence encore plus coûteux pour l'avenir de l'entreprise.
Speaker #2
Lequel ?
Speaker #1
La rétention des opportunités. Je veux dire, les idées d'amélioration de processus imaginées par un opérateur de première ligne ou un besoin client récurrent qui est perçu par le service après-vente mais qui n'est jamais remonté à la direction. Pourquoi ces collaborateurs qui détiennent la solution, ils choisissent de se taire en fait.
Speaker #2
C'est une vraie question de fond. Et des recherches approfondies qui ont été publiées dans l'Academy of Management Journal et le Journal of Management Studies ont décortiqué les mécanismes de ce silence organisationnel.
Speaker #1
Et qu'est-ce qu'ils ont trouvé ?
Speaker #2
Leur conclusion démontre que l'indifférence ou le désengagement sont très rarement les moteurs de cette rétention. Le facteur déterminant, c'est l'appréhension. L'appréhension sociale et professionnelle.
Speaker #1
Parce que... Proposer une amélioration d'un processus, c'est implicitement souligner que le processus actuel, qui a peut-être été conçu par son propre manager ou par un département influent, il est défaillant.
Speaker #2
C'est ça. Le coût social de la prise de parole est perçu comme trop élevé. Le calcul bénéfice-risque penche du côté du silence. Le collaborateur craint de détériorer ses relations de travail ou d'être étiqueté comme la personne qui remet en cause l'organisation.
Speaker #1
L'entreprise perd ainsi l'accès à une ressource intellectuelle majeure, juste parce qu'elle est bridée par la dynamique sociale en interne. Ça met en lumière une asymétrie architecturale très instructive dans les entreprises d'ailleurs.
Speaker #2
Comment ça une asymétrie ?
Speaker #1
Pour signaler une panne, de registres d'incidents, de formulaires de réclamation client. Tout est prévu pour traiter le problème une fois qu'il a eu lieu.
Speaker #2
Oui, c'est le standard.
Speaker #1
En revanche, il n'y a pratiquement aucun canal structurel, fluide, intégré au flux de travail quotidien. Pour remonter une idée spontanée ou un besoin émergent. Il y a des tuyaux pour les plaintes, mais il n'y en a aucun pour l'innovation de terrain.
Speaker #2
C'est très révélateur. Et la traduction de cette double réalité, les frictions tues et les opportunités retenues, elle est particulièrement sévère pour un projet d'intelligence artificielle ?
Speaker #1
Pourquoi coller ?
Speaker #2
L'impact se manifeste sous la forme d'une double peine. La première peine, elle survient lors de l'automatisation. Si on paramètre une IA en se basant exclusivement sur le travail prescrit, sans capter les contournements réels du terrain, on va figer et industrialiser l'écart avec la réalité.
Speaker #1
Le système automatisé va juste reproduire les processus théoriques.
Speaker #2
Voilà. Ce qui va obliger les équipes à multiplier les fichiers parallèles pour compenser la rigidité de la nouvelle machine.
Speaker #1
Donc en clair, on automatise l'inefficacité.
Speaker #2
Exactement. Et la seconde peine concerne la capacité d'adaptation. Si l'IA n'absorbe jamais les idées d'amélioration imaginées au marge de l'organisation par ceux qui font le travail, elle est structurellement condamnée à regarder dans le rétroviseur.
Speaker #1
Le modèle ne fera que... que synthétiser, recycler l'historique documentaire existant. Il sera incapable de générer des propositions d'innovation opérationnelle en phase avec l'évolution des besoins réels.
Speaker #2
C'est pour ça que le principe d'action qui en découle stipue qu'avant toute intégration d'IA dans un processus métier, il est impératif d'auditer le travail réel. Il faut recueillir ce que les opérateurs savent des limites actuelles et des potentiels d'optimisation non formulés.
Speaker #1
L'argumentation est solide, c'est indéniable. Mais elle se heurte quand même à une objection méthodologique assez lourde.
Speaker #2
Laquelle ?
Speaker #1
On a établi que la valeur résidait dans l'ombre. Le savoir tacite, non formalisé, les astuces d'utilisation non partagées, le fameux travail réel en décalage avec la procédure. Mais dès l'instant où l'entreprise décide de capter systématiquement ses contournements et ses données invisibles, elle franchit une ligne.
Speaker #2
Ah, à la question de la surveillance !
Speaker #1
Oui ! Est-ce qu'on ne risque pas de basculer vers une infrastructure de surveillance ? pure et simple du comportement des collaborateurs. Et même au-delà de la question managériale, le simple fait d'observer ces pratiques, est-ce que ça risque pas de les faire disparaître ?
Speaker #2
C'est une objection tout à fait légitime. Et la question des limites de l'observation exige une vraie réponse technique, pas de simple déclaration d'intention. L'effet de l'observateur, il est bien documenté en sciences sociales. Il stipule que la mesure modifie inévitablement l'objet mesuré.
Speaker #1
Donc, si les collaborateurs ont conscience que leurs requêtes, leurs corrections et l'utilisation de leurs fichiers parallèles sont scrutées, individuellement, pour alimenter l'IA.
Speaker #2
Leur comportement s'adaptera instantanément à la norme attendue. Ils vont cesser d'utiliser les raccourcis efficaces pour revenir à la procédure officielle, même si elle est inefficace.
Speaker #1
Ce qui masque définitivement les données d'articulation et de terrain qu'on cherchait justement à capter.
Speaker #2
Voilà, c'est un principe physique autant que sociologique.
Speaker #1
Bah oui ! Si le recueil de ces données silencieuses est perçu par le collaborateur comme un moyen pour la hiérarchie d'identifier qui commet des erreurs de syntaxe sur l'outil ou qui contourne le logiciel imposé par le siège, la source d'information se tarie en quelques jours.
Speaker #2
Et c'est pour ça que la démarcation entre l'écoute de la réalité opérationnelle et la surveillance managériale, elle ne peut pas reposer sur une simple charte éthique affichée dans la salle de pause. Elle doit reposer sur la conception même de l'architecture technique de collecte.
Speaker #1
L'anonymat des remontées d'usages ne peut pas être une simple... promesse contractuelle. Il doit être une garantie structurelle. Concrètement, ça signifie quoi pour l'architecture du système ?
Speaker #2
Ça signifie concevoir des mécanismes de recueil où l'information est séparée de son émetteur. Et ce, dès la captation. Les données d'usage, comme les requêtes les plus fréquemment corrigées, doivent être agrégées au niveau du département ou du processus.
Speaker #1
Et non rattachées au profil individuel du collaborateur.
Speaker #2
Exactement. L'objectif analytique n'est pas de savoir que tel analyste a utilisé une IA grand public non approuvée. L'objectif, c'est de constater statistiquement qu'une équipe entière éprouve une friction tellement forte avec l'outil interne qu'elle cherche massivement des alternatives. La méthode détermine le résultat.
Speaker #1
On ne recueille de manière fiable que ce qui s'exprime dans un cadre où la vulnérabilité technique n'entraîne pas de risque professionnel, en somme.
Speaker #2
C'est tout à fait ça.
Speaker #1
Il faut donc accepter une part d'inconnu. Vouloir tout mettre en équation, de l'intuition d'un expert senior au moindre clic des utilisateurs, ça reste une illusion.
Speaker #2
Et le but du recueil des données silencieuses n'est pas... pas d'atteindre l'omniscience managériale. Il s'agit simplement de réduire l'aveuglement systémique face à la réalité du travail. Accepter que certaines dynamiques résisteront toujours à la formalisation, c'est la marque d'une approche mature.
Speaker #1
Ne pas chercher à tout figer.
Speaker #2
Le défi consiste à capturer les signaux systémiques récurrents sans détruire la confiance nécessaire à leur expression. Si on néglige ces trois familles de données, le raisonnement tacite, la réalité de l'usage et les frictions du terrain, l'organisation va investir massivement dans un système artificiel totalement isolé de la complexité opérationnelle qu'il est pourtant censé optimiser.
Speaker #1
Ce constat nous ramène vraiment au point de départ de notre analyse. Avant de réunir les comités de pilotage pour statuer sur l'architecture technique, avant de dresser la liste exhaustive des serveurs, des bases documentaires et des logiciels qu'il faudra minutieusement connecter au prochain grand modèle d'entreprise, l'ordre des priorités doit être inversé.
Speaker #2
Oui, la réflexion ne commence pas par ce qui est disponible dans les disques durs.
Speaker #1
Exactement. Et la question fondamentale que notre audience devrait se poser pour ses prochains projets est la suivante. critiques que l'organisation produit tous les jours sans jamais prendre la peine de les écrire ? Et quelles sont celles que l'on accepte consciemment de perdre définitivement ?
Speaker #0
Cette question mérite une réponse avant votre prochain projet. Vous venez de l'entendre, les données qui comptent ne manquent pas. Les arbitrages de vos experts, l'usage réel de vos outils, Des frictions que vos équipes ont cessé de signaler et les idées qu'elles n'ont jamais eu l'occasion de proposer. Tout cela existe déjà, chaque jour, dans votre organisation. Il manque seulement le cadre pour le faire parler. Ce cadre, c'est le métier de Spentia. Écoutez le terrain, à grande échelle. Tous les collaborateurs d'un périmètre, pas un échantillon. Avec un anonymat garanti par conception, pas par promesse. Parce que, vous l'avez entendu aussi, on ne recueille de manière fiable que ceux qui s'expriment sans risque. Puis reliez ce qui remonte à ce qui compte. Les causes, les coûts, les décisions à prendre. Si votre prochain projet mérite de commencer par là, le lien est dans les notes de l'épisode. A bientôt pour un prochain signal !

About Les signaux du changement

Découvrez Les Signaux du Changement, un tout nouveau podcast qui explore les stratégies de transformation des entreprises et leur impact critique sur le capital humain.

Hébergé par Ausha. Visitez ausha.co/politique-de-confidentialite pour plus d'informations.

About Les signaux du changement

Découvrez Les Signaux du Changement, un tout nouveau podcast qui explore les stratégies de transformation des entreprises et leur impact critique sur le capital humain.

Hébergé par Ausha. Visitez ausha.co/politique-de-confidentialite pour plus d'informations.

Description

Hébergé par Ausha. Visitez ausha.co/politique-de-confidentialite pour plus d'informations.

Transcription

Speaker #0
Bienvenue dans ce nouvel épisode des Signes du Changement, un podcast pour tous ceux qui veulent comprendre ce qui change vraiment dans les organisations. Aujourd'hui, les données que vos projets d'intelligence artificielle ignorent, celles qui ne sont écrites nulle part, ce que vos experts savent sans pouvoir le dire, ce que l'usage réel des outils raconte, ce que le terrain a cessé de remonter. Pourquoi c'est important ? Parce que tout le monde déploie les mêmes modèles, nourrit des mêmes documents. Ce qui fera la différence, ce n'est pas l'outil. C'est ce que votre organisation sait et que personne n'a encore écrit. Bonne écoute !
Speaker #1
Imaginons une situation que la majorité des comités de direction connaissent bien aujourd'hui. On investit des millions d'euros pour déployer un nouveau modèle d'intelligence artificielle en interne.
Speaker #2
Oui, le grand projet de transformation classique.
Speaker #1
Exactement. Et on connecte scrupuleusement le ERP pour les opérations, le CRM pour les relations clients, l'intranet, bref, toutes les bases documentaires. L'objectif affiché, c'est vraiment d'irriguer le système avec la totalité de l'information disponible sur les serveurs.
Speaker #2
La logique semble implacable sur le papier. Pour que l'outil comprenne l'entreprise, on se dit qu'il faut lui donner à lire tout ce que l'entreprise a produit.
Speaker #1
Sauf qu'après quelques mois... On s'aperçoit que l'organisation, elle continue de tourner, en réalité grâce à un fichier Excel parallèle géré par un chef d'équipe et à des arbitrages informels qui se font à la machine à café. Des données qui, par définition, n'ont jamais été téléchargées sur aucun serveur officiel.
Speaker #2
C'est ça. Et ce scénario, il illustre vraiment le paradoxe central de la phase d'adoption technologique qu'on vit actuellement. En fait, les projets d'intelligence artificielle se nourrissent d'une réalité de papier. On les entraîne sur des procédures officielles, des historiques transactionnelles, des notes de direction.
Speaker #1
Et le résultat direct de ce billet de sélection, disons, c'est quoi ?
Speaker #2
Le résultat, c'est que le modère apprend l'organisation telle qu'elle s'imagine fonctionner en théorie. Il n'apprend absolument pas l'organisation telle qu'elle fonctionne en réalité, avec ses frictions, ses compromis et ses ajustements du quotidien.
Speaker #1
Donc l'investissement matériel est massif, mais le carburant intellectuel qu'on donne à la machine, il reste... au fond profondément génériques.
Speaker #2
C'est exactement le problème.
Speaker #1
Et bien ce décalage, c'est ce qui définit la mission de notre exploration aujourd'hui. Les directions s'épuisent à brancher des systèmes d'informations officielles, alors que les données qui expliquent réellement pourquoi un processus réussit ou échoue, elles échappent complètement à ces radars. On va donc passer en revue trois familles de données, disons silencieuses, trois types d'informations non écrites que les organisations doivent impérativement explorer. Enfin, si elles veulent que leur système reflète la vérité du terrain. Et il y a une chronologie logique à respecter pour les identifier.
Speaker #2
Oui, et la première étape, elle exige de remonter à la source même de la production de valeur. Bien avant l'introduction d'un quelconque outil numérique. En fait, il faut s'intéresser à ce qu'on appelle la donnée de raisonnement.
Speaker #1
C'est-à-dire ce que les experts savent sans l'écrire, c'est ça ?
Speaker #2
Voilà. Dans toute structure, on a des individus qui prennent quotidiennement des décisions justes. Ils résolvent des crises complexes sans pour autant être capables de décrire de A à Z le cheminement cognitif qui les a amenés là. Le philosophe Michael Polanyi a posé un diagnostic très précis là-dessus dès 1966. Il affirmait que, en gros, nous en savons plus que ce que nous pouvons en dire.
Speaker #1
C'est ce qu'on appelle classiquement le savoir tacite, non ? Par opposition au savoir explicite, celui qu'on peut facilement ranger dans un manuel ou un wiki d'entreprise.
Speaker #2
C'est ça, le savoir tacite. D'ailleurs... Les travaux d'Ikujiro Nonaka, qui sont parus ensuite dans la revue Organization Science, ont bien démontré ça. La traduction de ce savoir tacite intériorisé vers un savoir explicite documentable, c'est l'opération la plus complexe pour une organisation.
Speaker #1
Parce que l'expert lui-même ne s'en rend pas compte ?
Speaker #2
Exactement. Il n'a souvent pas conscience des micro-ajustements qu'il opère. Il applique des heuristiques, des raccourcis mentaux qui ont été forgés par des années d'expérience. Du coup, il juge ça trop évident pour le formaliser par écrit.
Speaker #1
Moi, ça me fait beaucoup penser à une recette de cuisine, en fait.
Speaker #2
Ah, comment ça ?
Speaker #1
La procédure écrite dans le manuel d'entreprise, c'est la règle formelle. Le fameux « si ceci, alors cela » . Ça donne les quantités exactes, le temps de cuisson, mais ça omet systématiquement le tour de main.
Speaker #2
Oui, je vois très bien.
Speaker #1
Le manuel, il ne va pas vous dire qu'il faut réduire le temps de cuisson parce que le taux d'humidité de la pièce a changé ce jour-là. Ou dans un contexte pro, qu'il faut ajuster une négociation commerciale parce que le ton de la voix du client a très légèrement baissé.
Speaker #2
C'est très juste.
Speaker #1
Ce tour de main, il est documenté nulle part. Or, c'est vraiment lui qui garantit le résultat final.
Speaker #2
Et la conséquence pour l'intelligence artificielle, elle est directe. Parce que la machine, elle, elle ne lit que la recette. Un assistant intérim, qui serait nourri exclusivement de procédures standards, il va répondre aux requêtes à la manière d'une jeune recrue. Une recrue qui aurait, je ne sais pas, mémorisé l'intégralité des manuels sans jamais avoir passé une heure sur le terrain.
Speaker #1
Donc les réponses seront, disons, scolairement exactes ?
Speaker #2
Oui, inattaquables sur le plan de la conformité. Mais opérationnellement, elles seront inadaptées face à la moindre zone d'ombre, ou à la moindre exception.
Speaker #1
Ce qui veut dire que ce savoir tacite, il s'évapore en permanence. L'organisation produit cette donnée de raisonnement lors d'un échange informel entre un senior et un junior ou au moment d'éteindre un incendie opérationnel. Mais comme l'effort cognitif pour documenter cet arbitrage après coup est trop lourd, l'information finit aux oubliettes.
Speaker #2
Ou elle quitte carrément l'entreprise le jour où le collaborateur démissionne.
Speaker #1
C'est ça. Mais supposons un instant qu'une organisation parvienne par un effort de documentation massif a capté une partie de ce savoir. Elle se heurte immédiatement à un second mur, dès l'instant où le collaborateur se connecte concrètement à son nouvel outil d'IA.
Speaker #0
Première famille donc. Ce que vos experts savent et que vos documents ne diront jamais. La deuxième se cache ailleurs. Pas dans les têtes, dans les usages. Chaque jour, vos équipes et leurs outils d'intelligence artificielle s'ajustent l'un à l'autre. Qui corrige qui ? Qui contourne quoi ? Cet ajustement produit une donnée que presque personne ne regarde.
Speaker #2
Oui, et ce second mur, c'est ce qui concerne la donnée d'articulation. Là, il s'agit de mesurer la réalité qualitative de l'usage. Aujourd'hui, la mesure de l'adoption de l'IA par les directions générales, elle repose sur quoi ?
Speaker #1
Sur des indicateurs volumétriques de base.
Speaker #2
Les nombres de licences distribuées, les taux d'activation, la fréquence des connexions, ce genre de choses.
Speaker #1
Voilà.
Speaker #2
Mais c'est vrai que quand on regarde ces tableaux de bord, les indicateurs y semblent tout à fait rationnels pour évaluer un déploiement logiciel classique. Enfin, je veux dire, si 90% des collaborateurs se connectent à l'outil chaque semaine, la direction conclut logiquement que l'adoption est un succès.
Speaker #1
Et que le retour sur investissement est en bonne voie, oui.
Speaker #2
Du coup, pourquoi ces métriques posent un problème dans le cas spécifique de l'IA générative ? Parce qu'elles sont totalement aveugles à la nature de l'interaction. Savoir qu'à l'employé, c'est... connecté, ça donne aucune indication sur la pertinence du résultat qu'il a obtenu, ou sur le temps passé à corriger les hallucinations du modèle, ni même sur la stratégie employée pour formuler la requête.
Speaker #1
On n'a pas accès au comment, en fait.
Speaker #2
C'est ça. Et il y a une étude menée par des chercheurs comme Fabrizio Dellaqua à l'Harvard Business School et publiée dans Organization Science, qui fournit une grille de lecture très éclairante sur cet angle mort.
Speaker #1
Ils ont regardé quoi, exactement ?
Speaker #2
L'étude a observé... près de 760 consultants en situation réelle. Ils étaient confrontés à des tâches professionnelles complexes.
Speaker #1
760, ça donne déjà une bonne idée de l'échelle. Et les résultats illustrent bien le piège de la simple mesure de connexion, non ?
Speaker #2
Tout à fait. Sur les tâches où l'intelligence artificielle est intrinsèquement compétente, l'apport est indéliable. Les consultants travaillent environ un quart plus vite, avec un niveau de qualité supérieur à celui du groupe qui n'utilise pas l'outil.
Speaker #1
Un quart plus vite, c'est un gain de productivité net.
Speaker #2
Oui, mais... Et c'est là que ça devient critique. L'analyse a aussi porté sur une tâche spécifique qui était conçue pour se situer juste au-delà des capacités réelles de la machine.
Speaker #1
D'accord.
Speaker #2
Eh bien, sur cette tâche, les consultants équipés de l'IA ont produit 19% de bonnes réponses en moins que ceux qui travaillaient sans assistance.
Speaker #1
19% de bonnes réponses en moins. C'est pas neutre. Comment on explique cette baisse de performance ?
Speaker #2
Ça met en lumière un mécanisme psychologique très fort. L'intelligence artificielle générative possède une capacité d'articulation très sophistiquée. Elle produit des réponses qui ont vraiment l'apparence de la certitude et de la compétence.
Speaker #1
Donc face à une réponse bien formulée, on a tendance à baisser la garde.
Speaker #2
C'est le mot. Le consultant a tendance à déléguer son esprit critique. Il devient un simple relecteur passif plutôt qu'un analyste actif. Et il laisse passer des erreurs structurelles, des erreurs subtiles, qui l'aurait identifié s'il avait dû construire le raisonnement lui-même.
Speaker #1
Les chercheurs de la Harvard Business School décrivent cette limite comme une frontière dentelée, je crois.
Speaker #2
Oui, la frontière dentelée.
Speaker #1
Ça me fait penser à... C'est comme naviguer le long d'une côte rocheuse qui serait recouverte d'un brouillard épais. Sur la carte théorique, on voit deux criques qui se ressemblent parfaitement. Et l'intelligence artificielle vous donne l'impression que les deux sont parfaitement navigables.
Speaker #2
Alors qu'en réalité...
Speaker #1
En réalité... L'une est un port sûr et l'autre est complètement truffée de récifs immergés. L'utilisateur n'a aucun moyen immédiat de savoir de quel côté de cette frontière dentelée il se trouve pour une tâche donnée.
Speaker #2
C'est une excellente image. Et la cartographie de ces récifs, c'est justement ça, la donnée d'articulation que les tableaux de bord ignorent complètement. Les directions ne voient pas les heures passées par les équipes à retravailler des documents générés par l'IA.
Speaker #1
Des documents qui semblaient finis à première vue.
Speaker #2
C'est ça, elles ne voient pas non plus les stratégies de requêtes efficaces. Les fameux promptes qu'un collaborateur finit par découvrir après de multiples essais.
Speaker #1
Mais qu'il garde pour lui !
Speaker #2
Exactement ! Il les conserve pour lui seul, sans jamais les mutualiser avec son département.
Speaker #1
Sans parler du moment où l'outil officiel, il s'avère incapable de traiter la tâche. Et là, le collaborateur décide d'utiliser une solution externe, une solution non approuvée.
Speaker #2
Le fameux phénomène de « shadow AI » .
Speaker #1
Oui, voilà. Et l'approche managériale classique, elle consiste qu'à considérer ce contournement uniquement sous l'angle du risque. Le risque sécuritaire, la fuite de données, et donc à le sanctionner. Mais si on change de perspective, le fait qu'un employé soit prêt à enfreindre la politique de sécurité de l'entreprise pour accomplir sa tâche, c'est un signal d'une clarté redoutable.
Speaker #2
Ah mais complètement ! La friction ressentie sur l'outil officiel est... tellement forte qu'elle justifie la prise de risque pour l'employé. Réduire ce comportement à un simple problème de discipline, c'est occulter l'information principale.
Speaker #1
À savoir que l'outil interne ne répond pas aux besoins réels.
Speaker #2
Voilà. Punir l'usage alternatif sans analyser sa cause, c'est détruire volontairement la seule donnée qui indique où se situent les véritables limites du système en place.
Speaker #0
L'usage réel des outils reste la famille la plus silencieuse des trois, celle qui vit dans les processus de tous les jours, dans ce que vos équipes ont cessé de signaler et dans ce qu'elles n'ont jamais eu l'occasion de proposer.
Speaker #1
Donc si on récapitule, on a le savoir tacite des experts d'un côté et on a les frictions d'usage de l'outil de l'autre. Mais ça nous amène à la troisième dimension de notre analyse, celle qui concerne l'écosystème global du travail.
Speaker #2
C'est-à-dire ?
Speaker #1
Au-delà de l'expert isolé ou du consultant face à son écran, il y a le fonctionnement quotidien des processus de l'entreprise. Et c'est là que se concentre la famille de données la plus silencieuse, la donnée de terrain. Elle englobe tout ce que l'organisation tait par habitude et tout ce qu'elle ne formule jamais par prudence.
Speaker #2
Oui, c'est un point central. D'ailleurs, l'analyse de l'ergonomie et de la sécurité des systèmes complexes, elle repose sur une distinction fondamentale. La distinction entre le travail prescrit Et le travail réel ?
Speaker #1
Le travail prescrit, c'est la théorie.
Speaker #2
C'est le logigramme dessiné par le bureau des méthodes, oui. C'est la procédure idéale. Et le travail réel, ce sont les multiples ajustements informels qui sont nécessaires pour que le système fonctionne concrètement face aux imprévus du quotidien.
Speaker #1
C'est le moment de revenir à notre fichier Excel parallèle du début.
Speaker #2
Ah oui, le fameux fichier.
Speaker #1
Avec des macros vieillissantes, simplement parce que le logiciel de suivi officiel imposé par le siège ne permet pas de croiser certaines données spécifiques dont ils ont besoin pour leur flux de travail.
Speaker #2
Ou alors, c'est le service comptabilité qui fait une double saisie manuelle en permanence, parce que deux systèmes majeurs qui sont censés communiquer ne le font qu'en théorie.
Speaker #1
Et la grille d'analyse traditionnelle de la direction, elle qualifie ce fichier Excel ou cette double saisie d'anomalie processuelle. Un truc à éradiquer.
Speaker #2
Alors que, d'un point de vue informationnel, c'est tout l'inverse. C'est une donnée opérationnelle brute de haute valeur. Cet écart entre la théorie et la pratique, il révèle l'exacte... topographie des inefficacités du système.
Speaker #1
Mais cette information, elle réside exclusivement dans la tête de l'équipe locale ou sur le disque dur d'un poste de travail. Et en plus, ce mutisme sur les dysfonctionnements, il s'accompagne d'un silence encore plus coûteux pour l'avenir de l'entreprise.
Speaker #2
Lequel ?
Speaker #1
La rétention des opportunités. Je veux dire, les idées d'amélioration de processus imaginées par un opérateur de première ligne ou un besoin client récurrent qui est perçu par le service après-vente mais qui n'est jamais remonté à la direction. Pourquoi ces collaborateurs qui détiennent la solution, ils choisissent de se taire en fait.
Speaker #2
C'est une vraie question de fond. Et des recherches approfondies qui ont été publiées dans l'Academy of Management Journal et le Journal of Management Studies ont décortiqué les mécanismes de ce silence organisationnel.
Speaker #1
Et qu'est-ce qu'ils ont trouvé ?
Speaker #2
Leur conclusion démontre que l'indifférence ou le désengagement sont très rarement les moteurs de cette rétention. Le facteur déterminant, c'est l'appréhension. L'appréhension sociale et professionnelle.
Speaker #1
Parce que... Proposer une amélioration d'un processus, c'est implicitement souligner que le processus actuel, qui a peut-être été conçu par son propre manager ou par un département influent, il est défaillant.
Speaker #2
C'est ça. Le coût social de la prise de parole est perçu comme trop élevé. Le calcul bénéfice-risque penche du côté du silence. Le collaborateur craint de détériorer ses relations de travail ou d'être étiqueté comme la personne qui remet en cause l'organisation.
Speaker #1
L'entreprise perd ainsi l'accès à une ressource intellectuelle majeure, juste parce qu'elle est bridée par la dynamique sociale en interne. Ça met en lumière une asymétrie architecturale très instructive dans les entreprises d'ailleurs.
Speaker #2
Comment ça une asymétrie ?
Speaker #1
Pour signaler une panne, de registres d'incidents, de formulaires de réclamation client. Tout est prévu pour traiter le problème une fois qu'il a eu lieu.
Speaker #2
Oui, c'est le standard.
Speaker #1
En revanche, il n'y a pratiquement aucun canal structurel, fluide, intégré au flux de travail quotidien. Pour remonter une idée spontanée ou un besoin émergent. Il y a des tuyaux pour les plaintes, mais il n'y en a aucun pour l'innovation de terrain.
Speaker #2
C'est très révélateur. Et la traduction de cette double réalité, les frictions tues et les opportunités retenues, elle est particulièrement sévère pour un projet d'intelligence artificielle ?
Speaker #1
Pourquoi coller ?
Speaker #2
L'impact se manifeste sous la forme d'une double peine. La première peine, elle survient lors de l'automatisation. Si on paramètre une IA en se basant exclusivement sur le travail prescrit, sans capter les contournements réels du terrain, on va figer et industrialiser l'écart avec la réalité.
Speaker #1
Le système automatisé va juste reproduire les processus théoriques.
Speaker #2
Voilà. Ce qui va obliger les équipes à multiplier les fichiers parallèles pour compenser la rigidité de la nouvelle machine.
Speaker #1
Donc en clair, on automatise l'inefficacité.
Speaker #2
Exactement. Et la seconde peine concerne la capacité d'adaptation. Si l'IA n'absorbe jamais les idées d'amélioration imaginées au marge de l'organisation par ceux qui font le travail, elle est structurellement condamnée à regarder dans le rétroviseur.
Speaker #1
Le modèle ne fera que... que synthétiser, recycler l'historique documentaire existant. Il sera incapable de générer des propositions d'innovation opérationnelle en phase avec l'évolution des besoins réels.
Speaker #2
C'est pour ça que le principe d'action qui en découle stipue qu'avant toute intégration d'IA dans un processus métier, il est impératif d'auditer le travail réel. Il faut recueillir ce que les opérateurs savent des limites actuelles et des potentiels d'optimisation non formulés.
Speaker #1
L'argumentation est solide, c'est indéniable. Mais elle se heurte quand même à une objection méthodologique assez lourde.
Speaker #2
Laquelle ?
Speaker #1
On a établi que la valeur résidait dans l'ombre. Le savoir tacite, non formalisé, les astuces d'utilisation non partagées, le fameux travail réel en décalage avec la procédure. Mais dès l'instant où l'entreprise décide de capter systématiquement ses contournements et ses données invisibles, elle franchit une ligne.
Speaker #2
Ah, à la question de la surveillance !
Speaker #1
Oui ! Est-ce qu'on ne risque pas de basculer vers une infrastructure de surveillance ? pure et simple du comportement des collaborateurs. Et même au-delà de la question managériale, le simple fait d'observer ces pratiques, est-ce que ça risque pas de les faire disparaître ?
Speaker #2
C'est une objection tout à fait légitime. Et la question des limites de l'observation exige une vraie réponse technique, pas de simple déclaration d'intention. L'effet de l'observateur, il est bien documenté en sciences sociales. Il stipule que la mesure modifie inévitablement l'objet mesuré.
Speaker #1
Donc, si les collaborateurs ont conscience que leurs requêtes, leurs corrections et l'utilisation de leurs fichiers parallèles sont scrutées, individuellement, pour alimenter l'IA.
Speaker #2
Leur comportement s'adaptera instantanément à la norme attendue. Ils vont cesser d'utiliser les raccourcis efficaces pour revenir à la procédure officielle, même si elle est inefficace.
Speaker #1
Ce qui masque définitivement les données d'articulation et de terrain qu'on cherchait justement à capter.
Speaker #2
Voilà, c'est un principe physique autant que sociologique.
Speaker #1
Bah oui ! Si le recueil de ces données silencieuses est perçu par le collaborateur comme un moyen pour la hiérarchie d'identifier qui commet des erreurs de syntaxe sur l'outil ou qui contourne le logiciel imposé par le siège, la source d'information se tarie en quelques jours.
Speaker #2
Et c'est pour ça que la démarcation entre l'écoute de la réalité opérationnelle et la surveillance managériale, elle ne peut pas reposer sur une simple charte éthique affichée dans la salle de pause. Elle doit reposer sur la conception même de l'architecture technique de collecte.
Speaker #1
L'anonymat des remontées d'usages ne peut pas être une simple... promesse contractuelle. Il doit être une garantie structurelle. Concrètement, ça signifie quoi pour l'architecture du système ?
Speaker #2
Ça signifie concevoir des mécanismes de recueil où l'information est séparée de son émetteur. Et ce, dès la captation. Les données d'usage, comme les requêtes les plus fréquemment corrigées, doivent être agrégées au niveau du département ou du processus.
Speaker #1
Et non rattachées au profil individuel du collaborateur.
Speaker #2
Exactement. L'objectif analytique n'est pas de savoir que tel analyste a utilisé une IA grand public non approuvée. L'objectif, c'est de constater statistiquement qu'une équipe entière éprouve une friction tellement forte avec l'outil interne qu'elle cherche massivement des alternatives. La méthode détermine le résultat.
Speaker #1
On ne recueille de manière fiable que ce qui s'exprime dans un cadre où la vulnérabilité technique n'entraîne pas de risque professionnel, en somme.
Speaker #2
C'est tout à fait ça.
Speaker #1
Il faut donc accepter une part d'inconnu. Vouloir tout mettre en équation, de l'intuition d'un expert senior au moindre clic des utilisateurs, ça reste une illusion.
Speaker #2
Et le but du recueil des données silencieuses n'est pas... pas d'atteindre l'omniscience managériale. Il s'agit simplement de réduire l'aveuglement systémique face à la réalité du travail. Accepter que certaines dynamiques résisteront toujours à la formalisation, c'est la marque d'une approche mature.
Speaker #1
Ne pas chercher à tout figer.
Speaker #2
Le défi consiste à capturer les signaux systémiques récurrents sans détruire la confiance nécessaire à leur expression. Si on néglige ces trois familles de données, le raisonnement tacite, la réalité de l'usage et les frictions du terrain, l'organisation va investir massivement dans un système artificiel totalement isolé de la complexité opérationnelle qu'il est pourtant censé optimiser.
Speaker #1
Ce constat nous ramène vraiment au point de départ de notre analyse. Avant de réunir les comités de pilotage pour statuer sur l'architecture technique, avant de dresser la liste exhaustive des serveurs, des bases documentaires et des logiciels qu'il faudra minutieusement connecter au prochain grand modèle d'entreprise, l'ordre des priorités doit être inversé.
Speaker #2
Oui, la réflexion ne commence pas par ce qui est disponible dans les disques durs.
Speaker #1
Exactement. Et la question fondamentale que notre audience devrait se poser pour ses prochains projets est la suivante. critiques que l'organisation produit tous les jours sans jamais prendre la peine de les écrire ? Et quelles sont celles que l'on accepte consciemment de perdre définitivement ?
Speaker #0
Cette question mérite une réponse avant votre prochain projet. Vous venez de l'entendre, les données qui comptent ne manquent pas. Les arbitrages de vos experts, l'usage réel de vos outils, Des frictions que vos équipes ont cessé de signaler et les idées qu'elles n'ont jamais eu l'occasion de proposer. Tout cela existe déjà, chaque jour, dans votre organisation. Il manque seulement le cadre pour le faire parler. Ce cadre, c'est le métier de Spentia. Écoutez le terrain, à grande échelle. Tous les collaborateurs d'un périmètre, pas un échantillon. Avec un anonymat garanti par conception, pas par promesse. Parce que, vous l'avez entendu aussi, on ne recueille de manière fiable que ceux qui s'expriment sans risque. Puis reliez ce qui remonte à ce qui compte. Les causes, les coûts, les décisions à prendre. Si votre prochain projet mérite de commencer par là, le lien est dans les notes de l'épisode. A bientôt pour un prochain signal !

About Les signaux du changement

Découvrez Les Signaux du Changement, un tout nouveau podcast qui explore les stratégies de transformation des entreprises et leur impact critique sur le capital humain.

Hébergé par Ausha. Visitez ausha.co/politique-de-confidentialite pour plus d'informations.

About Les signaux du changement

Découvrez Les Signaux du Changement, un tout nouveau podcast qui explore les stratégies de transformation des entreprises et leur impact critique sur le capital humain.

Hébergé par Ausha. Visitez ausha.co/politique-de-confidentialite pour plus d'informations.

Embed