Choisir avec les équipes ce que l'IA doit automatiser

Les projets d’automatisation GenAI sont avant tout des projets organisationnels. Les aborder sous le seul angle technique expose à passer à côté de leurs principaux écueils. Selon une étude récente du Stanford Digital Economy Lab sur 51 déploiements, 77% des difficultés les plus importantes rencontrées par les organisations relèvent du changement, des données ou du redesign des processus plutôt que de la technologie. Le constat rappelle une évidence parfois oubliée: automatiser avec l’IA, ce n’est pas seulement introduire un nouvel outil, c’est intervenir dans une organisation du travail. Les collaborateurs qui accomplissent ce travail ont dès lors beaucoup à apporter. Ils savent où se trouvent les tâches pénibles, les recherches inutiles, les doubles saisies et toutes ces frictions n’apparaissant pas dans les procédures officielles.

Ils connaissent aussi les enchaînements réels entre les tâches et les effets indésirables qu’un output à la qualité incertaine peut produire ailleurs. Enfin, la conception et le bon fonctionnement d’une automatisation IA demande d’expliciter les connaissances et jugements tacites mis en œuvre par les collaborateurs: les exceptions, les contrôles informels, et tous les raccourcis et ajustements, là aussi rarement documentés.

Automatiser ce que l’on voudrait vraiment déléguer

Intégrer les collaborateurs dans les choix de déploiement permet aussi d’intégrer leurs souhaits d’automatisation. Le développement de l’IA générative et ses usages sont volontiers guidés par la valeur économique, les gains de productivité ou le potentiel de remplacement. Ils sont ainsi souvent en décalage avec les aspirations des employés, qui préféreraient voir les solution GenAI prendre en charge les tâches qu’ils jugent inutiles, bureaucratiques ou dépourvues de sens. Et qui aimeraient en revanche conserver les tâches dans lesquelles ils exercent leur jugement, leur expertise ou perçoivent directement leur contribution.

Le souhait des collaborateurs de déléguer telle ou telle tâche à l’IA n’est bien entendu pas le seul critère pour décider de ce que l’on automatise. La valeur business, la faisabilité technique et les risques restent déterminants. Mais leur préférence ajoute un critère rarement pris en compte: quelle partie du travail fait-il sens de confier à un agent, et quelle partie souhaite-t-on au contraire préserver? L’implication des collaborateurs dans une démarche participative (lors d’un hackathon par exemple) complète ainsi la décision avec une connaissance unique du travail et de sa valeur vécue.

Faire émerger les bons cas par l’expérimentation

Reste qu’un bon cas d’usage GenAI ne se reconnaît pas si facilement. Les capacités de la GenAI dépendent du contexte, des données disponibles, des exceptions et de la manière dont plusieurs opérations doivent s’enchaîner. L’étude de Stanford précitée relève ainsi que les déploiements réussis ont en commun de suivre une démarche itérative, selon une logique simple: commencer petit, apprendre, puis étendre.

Les limites actuelles des agents plaident elles aussi pour avancer par étapes. Une étude récente sur des tâches professionnelles montre qu’ils parviennent souvent à réaliser correctement les différentes opérations prises séparément, mais beaucoup moins à les enchaîner de manière fiable dans un workflow complexe. Cela renforce l’intérêt de commencer par des automatisations bien circonscrites avant d’en élargir progressivement le périmètre.

Une telle démarche nécessite toutefois que les collaborateurs soient suffisamment formés pour comprendre les possibilités et les limites de l’IA, analyser leur propre workflow et identifier ce qui mérite d’être testé. Les expérimentations les plus prometteuses peuvent ensuite être arbitrées dans des instances associant métiers, management, RH et spécialistes techniques, avec les fonctions de risque lorsque nécessaire.

Le défi n’est donc pas de choisir entre une approche top-down et une approche bottom-up. Les dirigeants connaissent les priorités de l’organisation, les spécialistes techniques les conditions de fonctionnement de l’IA, et les collaborateurs le travail réel. Les déploiements ont intérêt à faire se rencontrer ces trois expertises, puis à mettre leurs hypothèses à l’épreuve du terrain.