Compromis de la productivité avec l’IA : un travail plus rapide, des compétences plus faibles

J’ai commencé à remarquer ce compromis dans le plus petit endroit possible : ma boîte de réception. Le résumé par IA était soigné, la réponse suggérée était polie, et les petites décisions qui grignotent habituellement des trous dans une matinée avaient disparu. À l’heure du déjeuner, j’avais avancé plus vite, mais je me souvenais de moins de choses. L’étrange marché du travail intellectuel assisté par l’IA n’est pas que l’IA échoue. C’est qu’elle fonctionne souvent juste assez bien pour nous faire oublier quelles parties du travail nous maintenaient alertes. Nous continuons à traiter la productivité comme un seul chiffre, comme si un e-mail terminé, un rapport résumé et une décision défendable appartenaient tous à la même catégorie. Ce n’est pas le cas. Certaines tâches sont de la friction, et la chose humaine à faire est de les automatiser. D’autres tâches sont de la friction avec un programme d’apprentissage caché à l’intérieur.

Le marché caché dans la boîte de réception bien rangée

Business Science Daily décrit ce compromis avec une franchise utile. Son résumé de recherches sur l’IA au travail rapporte que l’IA augmente la productivité de 12,2 % et la qualité de plus de 40 %, tout en diminuant l’exactitude de 19 points de pourcentage. Cette combinaison ne semble contradictoire que si nous supposons que qualité et exactitude sont la même chose. Elles ne le sont pas. Un document peut être plus agréable à lire tout en contenant un fait erroné. Une note de décision peut sembler plus complète tout en héritant discrètement d’une mauvaise hypothèse. L’IA est très douée pour lisser la surface du travail, ce qui explique pourquoi elle donne l’impression d’un progrès sur le moment.

La question inconfortable est ce que les équipes optimisent réellement. Si le travail consiste à produire un premier brouillon, un résumé de routine ou une boucle de communication répétitive, la vitesse est un cadeau. Si le travail relève du jugement, de l’interprétation ou de la responsabilité, la vitesse peut devenir un camouflage. L’outil peut supprimer la difficulté visible tout en supprimant aussi l’entraînement qui construit l’expertise.

L’assistant n’est pas toujours un enseignant

L’étude de Lex localis sur la collaboration humain-IA donne à ce problème une forme plus pratique. Dans des tâches d’écriture, de résumé, d’aide à la décision et de résolution de problèmes, elle a constaté que l’assistance par IA accélérait l’achèvement des tâches de 32 à 39 %, les novices en tirant le plus grand bénéfice dans les tâches structurées. Mais la même étude a constaté que les tâches très complexes entraînaient une augmentation des erreurs de 15 à 25 %. Cette distinction devrait être affichée au mur de chaque réunion de déploiement de l’IA.

Les novices peuvent aller plus vite avec l’IA, surtout lorsque la tâche suit un modèle clair. Mais lorsque la tâche est complexe, le risque n’est pas seulement que l’IA fasse des erreurs. Le risque est que l’humain ne remarque plus quelles erreurs comptent. Lex localis a classé les erreurs récurrentes en faits hallucinés, problèmes de logique, citations inventées, omissions et hypothèses biaisées. Remarquez combien de ces erreurs exigent un esprit humain actif pour être repérées. Un correcteur orthographique peut repérer une faute de frappe. Il ne peut pas vous dire que l’argument a poliment quitté la route.

C’est pourquoi la meilleure métaphore de l’IA au travail n’est ni le remplacement ni la magie. C’est une salle de sport avec des machines assistées. Bien utilisée, elle permet aux personnes de tenter des charges plus lourdes. Utilisée passivement, elle laisse la machine faire le mouvement pendant que la personne confond mouvement et force.

Le lieu de travail choisit ce qu’il veut mesurer

MIT Technology Review présente l’adoption de l’IA comme une décision d’entreprise prise entre scepticisme et peur de manquer le train, avec des investissements qui affluent pendant que les dirigeants cherchent des preuves économiques. C’est un cadre plus sain que la panique ou l’emballement. La question n’est pas de savoir si les travailleurs du savoir devraient utiliser l’IA. Ils l’utilisent déjà, et beaucoup devraient le faire. La vraie question de conception est de savoir où l’humain doit rester lent.

Les équipes peuvent réserver l’IA à la suppression des lourdeurs administratives, à la génération d’options, à la comparaison de brouillons et à l’aide à la clarification. Elles peuvent aussi exiger des vérifications humaines pour les affirmations, les sources, les décisions et tout ce qui influence les politiques, le recrutement, la recherche, les finances ou la communication publique. Le piège culturel consiste à faire semblant que chaque tâche devrait devenir plus facile. Certaines devraient l’être. Personne ne devient plus sage en mettant manuellement en forme des comptes rendus de réunion pour la millième fois. Mais les gens deviennent plus perspicaces en se confrontant à l’ambiguïté, en formulant une affirmation, en la défendant, puis en la révisant au contact des preuves.

Ainsi, les équipes les plus mûres en matière d’IA ne sont peut-être pas celles qui affichent le taux d’automatisation le plus élevé. Ce sont peut-être celles qui définissent le plus clairement la frontière entre la friction qu’il vaut la peine de supprimer et la friction qu’il vaut la peine de conserver. La prochaine mesure de productivité ne devrait pas seulement demander combien de travail a été accompli. Elle devrait demander ce que la personne a appris en l’accomplissant.

Pour les lecteurs, le geste utile est petit et immédiat : auditez un flux de travail. Marquez les parties où l’IA économise de l’attention, puis marquez les parties où l’attention est précisément l’objectif. L’avenir du travail intellectuel ne sera pas décidé par le fait que nous utilisons ou non des assistants. Il sera décidé par notre capacité à continuer de pratiquer le jugement que ces assistants sont censés servir.