Alors que l’IA générative se répand rapidement dans les organisations, les dirigeants sont confrontés à une question d’une simplicité trompeuse : comment les humains devraient-ils travailler avec l’IA ? La réponse courante : « tenir les humains informés » semble rassurante, mais de nouvelles recherches révèlent que cette réponse est dangereusement incomplète. Ce qui semble être la même approche « humain dans la boucle » se manifeste en réalité de trois manières radicalement différentes, avec des implications profondément différentes en termes de performance et de développement des compétences.
Pour comprendre comment les entreprises peuvent réellement extraire de la valeur de la collaboration homme-IA, nous avons mené une expérience sur le terrain avec 244 consultants utilisant GPT-4 pour une tâche complexe de résolution de problèmes commerciaux. Soutenue par des chercheurs de la Harvard Business School, de la MIT Sloan School of Management, de la Wharton School et de la Warwick Business School, l’expérience a analysé près de 5 000 interactions homme-IA pour répondre à une question cruciale : lorsque les humains collaborent avec GenAI, que font-ils réellement et que devraient-ils faire ?
Trois modèles cachés de collaboration homme-IA
La découverte la plus surprenante de notre expérience est que les professionnels travaillant avec GenAI se répartissent naturellement en trois styles de collaboration distincts, chacun avec des résultats radicalement différents :
Les cyborgs (60 % des participants) se sont engagés dans ce que nous appelons la « co-création de connaissances fusionnées », un dialogue continu et itératif avec l’IA tout au long du flux de travail. Ils l’ont utilisé pour chaque sous-tâche de leur flux de travail et de différentes manières : ils ont affecté des personnes à l’IA, divisé des tâches complexes en modules, rejeté les résultats de l’IA, exposé les contradictions et validé les résultats dans une dynamique de va-et-vient. Pour les cyborgs, la frontière entre la pensée humaine et celle de l’IA est devenue délibérément floue.
Les centaures (14 % des participants) pratiquaient la « co-création dirigée de connaissances », utilisant sélectivement l’IA pour des sous-tâches spécifiques tout en gardant un contrôle ferme sur le processus global de résolution de problèmes. Ils ont exploité l’IA pour améliorer leurs capacités, cartographier les domaines problématiques, recueillir des informations méthodologiques et affiner leur propre contenu généré par l’homme. Mais ils sont restés fermement aux commandes, utilisant l’IA comme un outil dédié plutôt que comme un partenaire collaboratif.
Les utilisateurs autonomes (27 % des participants) se sont engagés dans une « co-création de connaissances abdiquée », déléguant des flux de travail entiers à l’IA avec un minimum d’itérations ou d’engagement critique. Ils ont fourni des données et des instructions à AI pour effectuer les sous-tâches, puis ont accepté ses résultats sans modifications ou avec seulement des modifications mineures. Leur travail était rapide et soigné, mais manquait de profondeur, ressemblant à un travail effectué pour eux et non avec eux.
Ce qui est remarquable, c’est que tous les participants ont eu accès aux mêmes outils et à la même tâche. Ils n’ont pas reçu d’instructions différentes sur le processus de travail avec l’IA. Cependant, leurs décisions émergentes/instinctives quant au moment d’engager l’IA et au degré d’autorité à lui accorder ont produit des dynamiques de collaboration fondamentalement différentes.
Un cadre pour comprendre la collaboration
Pour donner un sens à ces modèles, nous avons développé un cadre construit autour de deux questions fondamentales qui structurent toute dynamique de résolution collaborative de problèmes entre humains et machines : qui sélectionne ce qui doit être fait ? Et qui identifie comment cela se fait ?
Les cyborgs permettent aux humains de diriger le « quoi », mais permettent à l’IA un contrôle significatif sur le « comment ». Les centaures conservent le contrôle et le leadership humains dans les deux dimensions et n’utilisent l’IA que pour une assistance spécifique. Les automates cèdent le contrôle des deux à l’IA. En particulier, la quatrième possibilité théorique (où l’IA pilote la sélection des tâches mais les humains pilotent l’exécution) est restée vide dans notre étude ; Lorsque les professionnels abandonnent le contrôle sur les sujets sur lesquels travailler, ils ont également tendance à abdiquer le contrôle sur la manière de le faire.
Le coût caché : qu’en est-il de l’expérience ?
Notre découverte la plus importante concerne peut-être ce qui arrive à l’expérience professionnelle dans chaque mode de collaboration. Les implications divergent considérablement :
Les cyborgs ont développé une nouvelle expertise liée à l’IA, ce que nous appelons de « nouvelles compétences ». Grâce à l’expérimentation continue de stratégies d’encouragement, ils ont appris à communiquer efficacement avec l’IA, à savoir quand rejeter et comment tirer le maximum de valeur de la collaboration. Ils ont également maintenu leur expertise dans le domaine en restant activement impliqués tout au long du processus.
Les centaures ont approfondi leur expérience sur le terrain – le traditionnel « perfectionnement des compétences ». En utilisant l’IA pour accélérer l’apprentissage de secteurs inconnus, recueillir des conseils méthodologiques et affiner leur propre réflexion, ils ont construit des capacités fondamentales plus solides. Cependant, ils n’ont pas développé d’expérience significative en matière d’IA car leurs interactions avec l’IA étaient limitées et spécifiques.
Les Auto-Automates n’ont développé aucune de ces choses, sans expérimenter ce que nous appelons « des capacités ». En déléguant l’ensemble du processus cognitif à l’IA, ils ont raté des opportunités de développer des connaissances dans le domaine ou une maîtrise de l’IA. Leurs gains de productivité se sont fait au détriment du développement professionnel.
Ce constat devrait faire réfléchir les dirigeants. Lorsque les employés adoptent par défaut un comportement d’autoautomatisation (ce que font plus d’un quart de nos consultants hautement qualifiés), les organisations peuvent, par inadvertance, perdre l’expertise qui crée un avantage concurrentiel.
Implications pour la performance : qui le fait bien ?
Notre expérience a évalué les résultats sur deux dimensions : la précision (ont-ils recommandé la bonne marque ?) et la persuasion (à quel point le mémo du PDG était-il convaincant ?). Les résultats remettent en question les hypothèses simplistes sur la collaboration en matière d’IA :
Les centaures ont atteint la plus grande précision, surpassant les cyborgs et les automates pour obtenir la bonne réponse. En gardant le contrôle du processus analytique et en utilisant leur propre jugement pour évaluer les apports de l’IA, ils ont évité de se laisser égarer par les recommandations confiantes mais parfois incorrectes de l’IA.
Les cyborgs et les centaures excellaient dans la persuasion, produisant des résultats plus convaincants que les autoautomates. La profondeur de l’engagement, que ce soit par le biais d’un raffinement itératif (Cyborgs) ou d’une analyse humaine (Centaurs), a abouti à des résultats de meilleure qualité.
En particulier, les cyborgs ont parfois été victimes du pouvoir de persuasion de l’IA. Même lorsqu’ils utilisaient des bonnes pratiques comme la validation (demander à l’IA de vérifier son propre travail), ils étaient parfois convaincus par la justification confiante de l’IA pour les réponses incorrectes. Cela met en évidence un risque critique : une interaction sophistiquée avec l’IA ne garantit pas l’immunité contre ses erreurs.
Que doivent faire les entreprises dès maintenant ?
Ces résultats ont des implications immédiates sur la manière dont les organisations mettent en œuvre GenAI :
Tout d’abord, abandonner le mythe d’une démarche unique à laquelle participent les êtres humains. Les dirigeants doivent reconnaître que leurs employés adoptent déjà des styles de collaboration radicalement différents et que ces différences sont importantes. Exiger simplement une « supervision humaine » sans préciser ce que cela signifie produira des résultats extrêmement incohérents.
Deuxièmement, faites correspondre les styles de collaboration avec les objectifs stratégiques. Pour les tâches qui nécessitent une précision maximale dans des décisions à enjeux élevés, encouragez le comportement Centaure : utilisation sélective de l’IA avec un jugement humain fort. Pour les tâches qui nécessitent une itération rapide et une exploration créative, le comportement Cyborg peut être plus approprié. Réservez les approches d’auto-automatisation aux tâches véritablement routinières, non essentielles ou risquées, et pour lesquelles le développement des compétences n’est pas une préoccupation.
Troisièmement, contrôler la complaisance en matière d’automatisation. Le taux d’auto-automatisation de 27 % dans notre étude (parmi des professionnels hautement qualifiés et motivés qui savaient que leurs performances étaient évaluées) suggère que la tentation de surdéléguer est puissante. Les organisations doivent développer des mécanismes pour détecter quand les employés s’orientent vers une automatisation complète des tâches qui nécessitent une implication humaine.
Quatrièmement, reconsidérez la façon dont le succès de l’adoption de l’IA est mesuré. Utiliser uniquement les résultats nets (tels que les taux de modification ou les taux d’acceptation) comme indicateurs d’engagement est insuffisant. Un Autoautomater qui accepte les résultats de l’IA et un Cyborg qui effectue de nombreuses itérations puis accepte une version raffinée peuvent apparaître identiques dans les données. Les entreprises doivent suivre la qualité de l’interaction tout au long du flux de travail, et pas seulement le résultat.
Cinquièmement, investissez dans le développement de la maîtrise de l’IA ainsi que de l’expertise du domaine. Nos résultats suggèrent que l’approche la plus durable combine les deux. Le comportement cyborg développe des compétences avancées en IA tout en conservant les connaissances du domaine ; Le comportement du Centaure développe des compétences de maîtrise tout en offrant une exposition de base à l’IA. Les entreprises ont besoin de programmes de formation qui développent délibérément ces deux capacités, plutôt que d’attendre des employés qu’ils les découvrent par eux-mêmes.
L’enjeu : l’expérience à l’ère de l’IA
L’émergence de GenAI présente aux organisations un paradoxe. La technologie promet d’élever le jugement humain, la créativité et la rapidité, mais elle comporte également un risque plus discret : en confiant davantage de réflexion aux machines, les professionnels pourraient progressivement abandonner les capacités mêmes qui les rendent précieuses. Les mêmes outils qui améliorent l’expérience dans certaines mains peuvent, dans d’autres, la remplacer entièrement, laissant les organisations avec des résultats impressionnants à court terme mais un noyau de jugement humain de plus en plus restreint. Il ne s’agit pas simplement d’un outil d’efficacité supplémentaire, c’est une révolution. La bonne nouvelle est qu’il existe des moyens de collaborer de manière productive. Les cyborgs et les centaures démontrent que les humains peuvent travailler efficacement avec l’IA tout en développant, plutôt qu’en épuisant, son expertise. Le défi pour les dirigeants est de créer des conditions organisationnelles qui encouragent ces modèles productifs tout en décourageant la voie séduisante mais contre-productive de l’automatisation totale.
À mesure que les capacités de l’IA continuent de se développer et de s’améliorer, les organisations qui prospéreront seront celles qui maîtriseront non seulement ce que l’IA peut faire, mais aussi la manière dont les humains devraient l’utiliser. Comprendre que « l’humain dans la boucle » n’est pas une approche unique, mais trois modes de collaboration fondamentalement différents, avec des conséquences fondamentalement différentes, est la première étape pour développer cette maîtrise.
François Candelon est associé au sein de la société de capital-investissement Seven2 et Executive Fellow au D^3 Institute de Harvard. Lisez d’autres chroniques Fortune écrites par François Candelon. Katherine Kellogg est professeur David J. McGrath Jr. de gestion et d’innovation à la MIT Sloan School of Management. Hila Lifshitz est professeur de gestion à la Warwick Business School, professeur agrégé au Harvard Innovation Sciences Laboratory et codirectrice du AI Innovation Network. Steven Randazzo est doctorant à la Warwick Business School, chercheur invité au Harvard Innovation Sciences Laboratory et codirecteur de l’AI Innovation Network.
Cette histoire a été initialement publiée sur Fortune.com
