Débuter avec l'IA : automatiser ou augmenter [SPECIAL 1/3]

Dimanche soir. Marc est dans son canapé, l'ordinateur sur les genoux, la télé allumée pour personne. Toute la semaine, il a entendu la même chose. Au séminaire des managers, son directeur a terminé sa présentation sur une slide avec écrit en gros : « L'IA, c'est maintenant. » Sur LinkedIn, un ancien collègue raconte qu'il a gagné dix heures par semaine. À la machine à café, le stagiaire lui a montré quelque chose sur son téléphone en lâchant : « Franchement, tu devrais t'y mettre. »

Alors Marc s'y met. Il ouvre ChatGPT. Il tape : « Écris un mail pour relancer un fournisseur en retard. » Trois secondes plus tard, il a un mail. Poli, propre, correct... le genre de mail qu'il aurait écrit lui-même en deux minutes, en un peu moins raide. Il essaie autre chose : « Fais-moi un ordre du jour pour ma réunion d'équipe de lundi. » Il obtient cinq points, dont « tour de table » et « questions diverses ».

Marc referme l'ordinateur. Il se dit : « Bon. C'est sympa, mais c'est pas pour moi. »

La semaine dernière, sur ce podcast, Ludovic Salenne disait : allez-y. Il a formé plus de treize mille personnes, il sait de quoi il parle. Philippe Aghion, prix Nobel d'économie l'an dernier, dit à peu près la même chose. En 2024, il a coprésidé la commission qui a remis au président de la République vingt-cinq propositions pour que la France tire parti de l'IA. Quand un praticien de terrain et un économiste de ce niveau arrivent à la même conclusion, la question de savoir s'il faut y aller est assez vite réglée.

Marc, lui, y est allé. Et il en revient déçu. Ce qui l'a arrêté, ce n'est pas le manque de courage... c'est l'endroit où il a posé l'outil.

Pour comprendre ce qui s'est joué dans ce canapé, il faut remonter bien avant ChatGPT. En 1962, un ingénieur du Stanford Research Institute, Douglas Engelbart, publie un texte au titre un peu austère : « Augmenting Human Intellect ». Augmenter l'intellect humain. Engelbart, c'est l'homme qui inventera quelques années plus tard la souris d'ordinateur. Et dans ce texte, il pose une idée simple : une machine peut servir à faire plus vite ce qu'on fait déjà, ou à mieux s'attaquer à des problèmes qu'on n'arrivait pas à saisir. Lui s'intéressait au second usage.

Soixante ans plus tard, la distinction tient toujours, avec deux mots pour la dire. Automatiser, c'est confier à la machine une tâche que tu sais déjà faire. Rédiger un mail, résumer un document, mettre en forme un compte rendu. Augmenter, c'est lui demander de t'aider à voir quelque chose que tu ne voyais pas. Un point commun dans vingt retours clients que tu n'as jamais eu le temps de relire ensemble. Une faille dans un raisonnement que tu trouves solide... parce que c'est le tien.

Reprends maintenant les deux essais de Marc. Le mail au fournisseur, l'ordre du jour : deux tâches qu'il maîtrise parfaitement. Et c'est là que le piège se referme. Quand tu confies à l'IA quelque chose que tu sais faire, tu as un étalon tout prêt pour juger le résultat : toi. Dans le meilleur des cas, elle fait aussi bien que toi, un peu plus vite. Dans les autres cas, elle fait moins bien, parce qu'elle ne connaît ni ton fournisseur, ni ton équipe, ni les trois réunions ratées du mois dernier. Marc n'avait aucune chance d'être impressionné. Il comparait la machine à lui-même, sur son propre terrain.

L'automatisation n'a rien de méprisable pour autant. Gagner vingt minutes sur un mail, quarante sur un compte rendu, ça compte, et ça libère du temps pour autre chose. La difficulté commence quand on s'arrête là, parce que c'est l'usage le plus visible et le plus rassurant. Les enquêtes menées auprès des petites et moyennes entreprises françaises vont dans ce sens : l'immense majorité des usages de l'IA sert à optimiser ce qui existe déjà. Rédiger plus vite, reformuler, synthétiser.

Augmenter demande autre chose. Ça demande d'arriver avec une question que tu ne sais pas résoudre seul, et avec la matière qui va avec. Et ça demande de rester dans la pièce. Avec Ludovic, on a évoqué cette étude de Carnegie Mellon : les personnes qui demandaient directement la réponse s'en sortaient moins bien une fois l'outil retiré, celles qui demandaient des indices s'en sortaient aussi bien que les autres. On retrouve la même frontière ici. Augmenter, ça ne veut pas dire sous-traiter sa réflexion. C'est utiliser l'IA comme une lampe torche dans des coins que tu n'éclaires jamais, en gardant la main sur ce que tu en fais.

Je le disais aussi dans cet épisode : quand on fait du brainstorming avec l'IA, on obtient plus d'idées... mais des idées qui se ressemblent. L'outil tire vers le probable, vers la moyenne. Si tu lui demandes de penser à ta place, tu récupères la pensée moyenne. Si tu lui demandes de t'aider à regarder ta propre situation autrement, avec tes données, tes contraintes, tes doutes, là il peut se passer quelque chose.

Et il existe une troisième catégorie, dont on parle peu. Ce que tu gardes. Les tâches qui engagent une relation, ou un jugement que tu signes. Annoncer une mauvaise nouvelle à quelqu'un de ton équipe. Décider d'une promotion. Recadrer. L'IA peut t'aider à préparer. Faire à ta place, c'est une autre histoire. La raison tient moins à ses capacités techniques qu'à la personne en face, qui a besoin de savoir que c'est toi qui parles.

Trois colonnes, donc. Ce que tu confies, ce que tu creuses avec elle, ce que tu gardes. Et c'est souvent quand on mélange les colonnes que ça déraille.

Ce mélange des colonnes, je l'ai vu de près, et pas à l'échelle d'un dimanche soir dans un canapé. J'ai travaillé avec une entreprise qui voulait automatiser une partie de sa conception. L'idée de départ tenait en une phrase : si on nourrit l'IA avec notre savoir-faire, elle apprendra, et elle produira nos propositions à notre place. Plus vite, donc plus compétitifs. Et moins cher. Moins cher comment ? C'est la partie qu'on disait moins fort. Moins d'heures humaines. Et ce qu'on ferait des humains en question, personne ne l'avait vraiment pensé... si ce n'est, probablement, s'en séparer.

Ils ont fait confiance à des prestataires qui leur promettaient une solution clé en main. Deux ans plus tard, l'outil ne fonctionne toujours pas. L'entraînement avance au ralenti. Avec le recul, le cadrage de départ était soit trop ambitieux, soit mal défini. Sans doute un peu des deux.

L'argent et le temps perdus, ça se rattrape à peu près. Ce qui pèse plus lourd, c'est ce qui reste dans les équipes. Une partie des gens ne croit plus du tout à l'IA, vu ce qu'on leur a montré. Une autre partie en a peur, vu la manière dont elle a été amenée. Et souvent, ce sont les mêmes personnes qui ressentent les deux à la fois.

Je raconte ça sans vouloir accabler cette direction. Ce qu'elle a fait, beaucoup d'entreprises le font, pour des raisons qui se comprennent : la pression concurrentielle, une promesse séduisante, l'impression que tout le monde avance sauf soi. Le mécanisme, lui, mérite qu'on s'y arrête. Quand l'IA arrive par la colonne « automatiser », avec en arrière-plan l'envie de se passer des gens, les gens le sentent. Même si personne ne le dit. Et ils réagissent en conséquence. La façon dont l'outil entre dans une organisation décide en grande partie de la façon dont il sera reçu.

J'en parlais avec Ludovic : IKEA a fait le choix inverse avec son agent conversationnel. Plutôt que de supprimer les postes libérés, l'entreprise a redéployé ces personnes vers du conseil en décoration. Même technologie, autre colonne, autre histoire.

C'est pour ça que, quand j'accompagne une équipe de direction sur l'IA, je ne commence ni par l'outil, ni par les prompts. Je commence par ce tri. Et tu peux le faire à ton échelle, dès cette semaine. Je te guide.

Prends tes cinq dernières conversations avec une IA. Si tu n'en as pas encore, prends les cinq dernières tâches qui t'ont pris du temps cette semaine. Pour chacune, pose-toi une seule question : est-ce que je savais déjà le faire ? Si oui, c'est de l'automatisation. Si tu as demandé à l'outil de t'aider à voir quelque chose que tu ne voyais pas, c'est de l'augmentation. Note le ratio. Ne sois pas surpris si c'est cinq à zéro... c'est le point de départ le plus courant.

Ensuite, reprends les tâches qui reviennent chaque semaine et range-les dans les trois colonnes. Dans la première, ce que tu confies : les tâches répétitives, que tu sais faire les yeux fermés et qui n'engagent aucune relation. Dans la deuxième, ce que tu creuses avec l'IA : les questions que tu ne poses jamais, faute de temps ou de données. Les retours de tes clients sur un an, les comptes rendus de tes réunions d'équipe, les devis perdus sans que tu saches vraiment pourquoi. Dans la troisième, ce que tu gardes : tout ce qui engage une relation, ou un jugement que tu signes. Et quand tu hésites entre deux colonnes, choisis la plus prudente.

Pour finir, retiens une tâche à confier et une question à creuser. Une seule de chaque. Pour la question, apporte la matière : des documents, des notes, des chiffres, en retirant les noms et tout ce qui permettrait d'identifier quelqu'un. Puis demande à l'IA ce qui revient, ce qui ressort, ce que tu ne vois pas.

C'est exactement ce qu'a fait Marc. Il a rouvert son ordinateur, pour autre chose qu'un mail cette fois. Il a repris six mois de comptes rendus de ses réunions d'équipe, il a retiré les noms, et il a posé une question qu'il ne s'était jamais posée : « Qu'est-ce qui revient dans ces notes, que je n'ai pas vu ? » La réponse lui a montré qu'un même sujet, la passation avec l'équipe logistique, apparaissait dans presque toutes les réunions. Toujours en fin d'ordre du jour. Toujours reporté. Rien de spectaculaire. Mais il ne l'avait jamais vu comme un sujet à part entière. Il n'a pas pris la réponse pour argent comptant : il est allé vérifier dans trois ou quatre comptes rendus. Et le lundi suivant, pour la première fois, ce point était en haut de l'ordre du jour.

L'IA lui a montré un endroit où regarder. La décision, elle, est restée la sienne.

La colonne qu'on remplit le moins vite, c'est souvent la troisième. Et ce que tu y mets dit quelque chose de ce que tu considères comme l'essentiel de ton métier.

Alors, la dernière fois que tu as ouvert un outil d'IA... qu'est-ce que tu lui as demandé ? De faire ce que tu sais faire, ou de t'aider à voir ce que tu ne vois pas ?

Tout le monde commence par la première colonne, et c'est plutôt sain : on apprend l'outil sur un terrain qu'on connaît. La question, c'est de savoir si tu t'y installes. Et ce que tu attends vraiment de cet outil. Plus de vitesse ? Un regard en plus ? Un moyen de te passer de quelque chose... ou de quelqu'un ?

Dans le prochain épisode, on passe à la deuxième étape : comment lui demander. Tu as maintenant une tâche à confier et une question à creuser. On va voir pourquoi une demande floue donne presque toujours une réponse moyenne, et pourquoi ce n'est pas la faute de l'outil. Je te montrerai comment construire une demande qui tient la route, en quatre éléments : le rôle que tu donnes à l'IA, le contexte qu'elle doit connaître, les contraintes du résultat attendu, et un exemple de ce que tu veux obtenir. On verra aussi comment reprendre une première réponse pour l'amener là où tu veux, plutôt que de t'arrêter au premier jet. Et tu repartiras avec une deuxième fiche pratique, pour écrire ta première demande complète et la fiche de poste de ton IA. Tu vas voir que tout ça ressemble beaucoup à une compétence que tu utilises déjà avec les humains... quand tu délègues.

Ludovic et Aghion disent « allez-y ». Ce que tu confies à l'IA, et ce que tu choisis de garder, c'est ce qui rendra cette performance juste.