Alors que l’IA générative prolifère rapidement dans les organisations, les dirigeants sont confrontés à une question apparemment simple : comment les humains devraient-ils travailler avec l’IA ? Une réponse courante est « tenir les humains informés », ce qui semble rassurant.
Mais de nouvelles recherches révèlent que cette réponse est dangereusement incomplète. Ce qui semble être la même approche « impliquant l’humain » se manifeste en réalité de trois manières fondamentalement différentes, avec des impacts très différents sur la performance et le développement des compétences.
Pour comprendre comment les entreprises peuvent tirer une réelle valeur de la collaboration homme-IA, nous avons mené une expérience sur le terrain avec 244 consultants utilisant GPT-4 pour des tâches complexes de résolution de problèmes commerciaux. Avec l’aide d’universitaires 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 la question importante : « Que font réellement les humains et que devraient-ils faire lorsqu’ils collaborent avec GenAI ?
Trois modèles cachés dans la collaboration entre les humains et l’IA
La découverte la plus frappante de notre expérience est que les experts utilisant GenAI se sont naturellement classés en trois styles de collaboration différents, chacun produisant des résultats radicalement différents.
Les cyborgs (60 % des participants) se sont engagés dans ce que nous appelons la « co-création de connaissances fusionnées », une interaction continue et itérative avec l’IA tout au long du flux de travail. Ils l’ont utilisé de différentes manières pour chaque sous-tâche de leur flux de travail. Nous avons attribué des personnages à l’IA, divisé les tâches complexes en modules, repoussé les résultats de l’IA, découvert des incohérences et validé les résultats avec des interactions dynamiques. Pour Cyborg, la frontière entre la pensée humaine et celle de l’IA a été délibérément floue.
Les Centaures (14 % des participants) pratiquaient la « co-création dirigée de connaissances », utilisant l’IA de manière sélective pour des sous-tâches spécifiques tout en gardant un contrôle ferme sur l’ensemble du processus de résolution de problèmes. Ils ont exploité l’IA pour améliorer leurs capacités, cartographier les zones problématiques, recueillir des informations méthodologiques et affiner leur propre contenu créé par des humains. Mais ils étaient fermement aux commandes, utilisant l’IA comme outil de ciblage plutôt que comme partenaire de collaboration.
Les automatistes (27 % des participants) se sont engagés dans une « co-création de connaissances abandonnées », dans laquelle ils délèguent des flux de travail entiers à l’IA avec un minimum de répétitions ou une implication significative. Nous avons fourni à l’IA des données et des instructions pour effectuer une sous-tâche et avons accepté sa sortie inchangée ou avec seulement des modifications mineures. Leur travail était rapide et sophistiqué, mais manquait de profondeur et ressemblait à un produit réalisé pour eux plutôt qu’avec eux.
Notamment, tous les participants avaient accès aux mêmes outils et aux mêmes tâches. Nous n’avons reçu aucune instruction différente concernant le processus de travail de l’IA. Cependant, leurs choix émergents/instinctuels quant au moment de collaborer avec l’IA et au degré d’autorité à lui accorder ont créé des dynamiques de collaboration fondamentalement différentes.
Un cadre pour comprendre la collaboration
Pour comprendre ces modèles, nous avons développé un cadre construit autour de deux questions fondamentales qui structurent la dynamique de résolution collaborative de problèmes entre humains et machines. Et qui déterminera comment cela se fera ?
Les cyborgs donneront aux humains le pouvoir de conduire quoi, mais l’IA aura un plus grand contrôle sur le comment. Centaur maintient le contrôle et le leadership humains des deux côtés et utilise l’IA uniquement pour une assistance ciblée. Les automates cèdent le contrôle des deux à l’IA. En particulier, la quatrième possibilité théorique (si l’IA prend la tête de la sélection des tâches, mais que l’humain prend la tête de l’exécution) est restée vide dans notre étude. Lorsque les experts abandonnent le contrôle sur ce sur quoi ils travaillent, ils ont également tendance à abandonner le contrôle sur la manière dont ils le font.
Coûts cachés : qu’arrive-t-il à votre expertise ?
Notre découverte la plus importante concerne peut-être ce qui arrive à l’expertise dans chaque mode de collaboration. Les effets varient considérablement.
Les cyborgs ont développé une nouvelle expertise liée à l’IA que nous appelons le « newskilling ». Grâce à une expérimentation continue de stratégies d’incitation, ils ont appris à communiquer efficacement avec l’IA, à savoir quand réagir et comment tirer le meilleur parti de la collaboration. Nous avons également maintenu notre expertise en la matière en restant activement impliqués tout au long du processus.
Centaur a approfondi son expertise dans le domaine traditionnel du « perfectionnement ». Ils ont utilisé l’IA pour accélérer l’apprentissage de secteurs inconnus, glaner des conseils méthodologiques et affiner leur réflexion afin de renforcer leurs capacités fondamentales. Cependant, nos interactions avec l’IA étant limitées et ciblées, nous n’avons pas pu développer une expertise significative en matière d’IA.
Les automatistes n’ont développé ni l’un ni l’autre et ont connu ce qu’on appelle un « déficit de compétences ». En déléguant l’ensemble du processus cognitif à l’IA, nous avons raté une opportunité de développer nos connaissances du domaine et notre maîtrise de l’IA. Leurs gains de productivité se sont fait au détriment du développement professionnel.
Cette découverte devrait faire réfléchir les dirigeants. Lorsque les employés adoptent par défaut des comportements d’autoautomatisation (comme le font plus d’un quart de nos consultants hautement qualifiés), les organisations peuvent, par inadvertance, perdre l’expertise qui crée un avantage concurrentiel.
Impact sur les performances : qui fait les choses correctement ?
Dans notre expérience, nous avons évalué le résultat sur deux dimensions : l’exactitude (avons-nous recommandé la bonne marque ?) et le pouvoir de persuasion (dans quelle mesure le mémo du PDG était-il persuasif ?). Ce résultat remet en question des hypothèses simples sur la collaboration en matière d’IA.
Les centaures ont atteint la plus grande précision et ont surpassé les cyborgs et les auto-automates en termes d’obtention de la bonne réponse. En gardant le contrôle sur le processus d’analyse et en évaluant les entrées de l’IA avec notre propre jugement, nous avons évité de nous laisser tromper par les recommandations confiantes mais parfois inexactes de l’IA.
Les cyborgs et les centaures étaient doués en persuasion et produisaient des résultats plus convaincants que les auto-automates. La profondeur de l’engagement grâce au raffinement itératif (Cyborg) ou à l’analyse humaine (Centaurs) se traduit par des livrables de meilleure qualité.
Les cyborgs, en particulier, ont parfois été victimes des pouvoirs de persuasion de l’IA. Même lorsqu’ils utilisaient les meilleures pratiques comme la validation, qui implique que l’IA vérifie son propre travail, ils étaient parfois convaincus que l’IA justifiait en toute confiance les réponses incorrectes. Cela met en évidence un risque important. Une collaboration avancée avec l’IA ne garantit pas l’immunité contre ses erreurs.
Que doivent faire les entreprises maintenant ?
Ces résultats ont des implications immédiates sur la manière dont les organisations déploient GenAI.
Tout d’abord, abandonnons le mythe d’une approche unique « participative humaine ». Les managers doivent reconnaître que leurs employés ont déjà des styles de collaboration très différents et que ces différences sont importantes. Rendre obligatoire une « surveillance humaine » sans clarifier ce que cela signifie produira des résultats profondément contradictoires.
Deuxièmement, alignez votre style de collaboration sur vos objectifs stratégiques. Pour les tâches qui nécessitent une précision maximale dans une prise de décision à enjeux élevés, nous encourageons le comportement de Centaur, l’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 l’approche Self-Automator aux tâches vraiment banales, plutôt qu’aux tâches essentielles ou à haut risque, et lorsque le développement des compétences n’est pas une préoccupation.
Troisièmement, surveillez la complaisance en matière d’automatisation. Notre étude a révélé un taux d’auto-automatisation de 27 % parmi les professionnels hautement qualifiés et motivés qui savent que leurs performances sont évaluées, ce qui suggère que la tentation de surdéléguer est forte. 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, repensez la façon dont vous mesurez le succès de votre déploiement d’IA. Il ne suffit pas d’utiliser simplement les résultats finaux tels que les taux de modification ou les taux d’approbation comme mesures d’engagement. Un automate qui accepte la sortie d’une IA et un cyborg qui accepte une version largement itérée et raffinée peuvent apparaître identiques dans les données. Les entreprises doivent suivre la qualité des interactions tout au long du flux de travail, et pas seulement les résultats.
Cinquièmement, investissez dans le développement de la maîtrise de l’IA ainsi que de l’expertise du domaine. Nos résultats suggèrent que la combinaison des deux constitue l’approche la plus durable. Le comportement des cyborgs développe des compétences avancées en IA tout en conservant leur expertise. Le comportement de Centaur développe les compétences du domaine tout en fournissant une exposition de base à l’IA. Les entreprises ont besoin de programmes de formation qui développent intentionnellement ces deux capacités, plutôt que d’attendre des employés qu’ils les découvrent par eux-mêmes.
Les enjeux : L’expertise à l’ère de l’IA
L’émergence de GenAI apporte des contradictions aux organisations. Cette technologie promet d’améliorer le jugement humain, la créativité et la rapidité, mais elle comporte également des risques discrets. Autrement dit, en déléguant de plus en plus de réflexion aux machines, les experts pourraient progressivement abandonner les capacités mêmes qui les rendent précieuses. Les mêmes outils qui perfectionnent l’expertise chez certaines personnes peuvent être complètement remplacés chez d’autres, permettant aux organisations d’obtenir de meilleurs résultats à court terme, mais diluant l’essentiel du jugement humain. Ce n’est pas seulement un outil d’efficacité ; c’est une révolution. Heureusement, des modes de collaboration productifs existent. Les cyborgs et les centaures démontrent que les humains peuvent collaborer efficacement avec l’IA, en s’appuyant sur l’expertise humaine plutôt qu’en l’épuisant. Le défi pour les managers est de créer les conditions organisationnelles qui favorisent ces modèles productifs tout en décourageant la voie séduisante mais contre-productive de l’automatisation complète.
À mesure que l’IA continue de se développer et d’améliorer ses capacités, les organisations qui réussiront seront celles qui maîtriseront non seulement ce que l’IA peut faire, mais aussi la manière dont les humains devraient l’utiliser. La première étape pour acquérir des compétences dans ce domaine consiste à comprendre que « l’engagement humain » n’est pas une seule approche, mais en réalité trois modes de collaboration fondamentalement différents avec des résultats radicalement différents.
François Candelon est associé au sein de la société de capital-investissement Seven2 et Executive Fellow au D^3 Institute de l’Université Harvard. Lisez d’autres chroniques Fortune de François Candron.
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, assistante pédagogique à l’Institute for Innovation Sciences de l’Université Harvard et codirectrice de l’AI Innovation Network.
Steven Randazzo est doctorant à la Warwick Business School, chercheur invité à l’Institut des sciences de l’innovation de l’Université Harvard et codirecteur de l’AI Innovation Network.
Cet article a été initialement publié sur Fortune.com
