Avec l’IA, nous voilà tous managers… mais sommes-nous prêts ?

L’IA produit vite, beaucoup, sans se plaindre. Mais elle ne répond de rien, et la responsabilité de ce qui sort reste entièrement la nôtre. On imaginait l’IA comme un outil qu’on actionne. Elle ressemble davantage à un collaborateur qu’on dirige : ce qu’elle produit n’engage que nous, à partir du moment où nous le validons.

Ce déplacement change la nature de notre travail. Produire implique une maîtrise directe. Valider suppose un jugement suffisamment solide pour assumer ce qui a été fait par un(e) autre. Nous passons d’une logique d’exécution à une logique de supervision, sans toujours en avoir construit les repères.

L’IA, ce collaborateur junior qu’on n’a pas recruté

Le profil de ce “collaborateur IA” avec qui nous sommes amenés à travailler de plus en plus fréquemment présente de nombreux avantages : capacité de production impressionnante, culture générale encyclopédique, disponibilité absolue… et parfois une propension à affirmer des contre-vérités avec une assurance déconcertante, sans le moindre signal d’alerte. On doit cependant louer son absence totale de susceptibilité face à nos retours laconiques. Si on lui affirme « c’est plat, recommence », il fournira simplement une nouvelle version et n’ira pas se plaindre à ses collègues de l’exigence et du manque de considération de son manager.

Mais cette analogie a ses limites. Là où un “junior humain” signale ses doutes, demande des précisions, reformule pour vérifier qu’il a compris, l’IA exécute en interagissant très peu (les nouveaux modèles semblent néanmoins le faire de plus en plus). Elle ne hiérarchise pas, ne priorise pas, ne distingue pas ce qui est décisif de ce qui est accessoire. Tout ce travail invisible nous revient.

Ceux qui, comme moi, se sont parfois retrouvés à entrer dans un tunnel sans fin d’essais, d’erreurs et de réajustements interminables avec l’IA, pour aboutir à un résultat peu satisfaisant, ont sans doute fait la même expérience : ce nouveau « collaborateur » exige un niveau de cadrage que nous n’avions jamais eu à expliciter aussi précisément. Le temps ne se perd plus dans la production, mais dans l’ajustement d’une demande dont les contours restent mouvants.

Quand l’IA nous renvoie à notre propre flou

Formuler une demande suffisamment précise pour être comprise, donner du contexte, évaluer honnêtement ce qui sort, maintenir un niveau d’exigence, recommencer (ou faire recommencer) quand ce n’est pas à la hauteur : chacune de ces étapes suppose de savoir ce que l’on attend exactement et sur quels critères on accepte ou on refuse une production.

Or, on donne souvent des instructions paradoxales à l’IA, dans une tentative de trouver le bon dosage : “rédige de manière crédible mais pas académique”, “original sans perdre en rigueur,” logique, articulé, étayé mais vulgarisé.”.. Tant que nous produisions nous-mêmes, ces exigences fonctionnaient en arrière-plan, interiorisées à force d’expérience. Face à l’IA, elles deviennent opératoires. Si elles ne sont pas explicitées, elles ne sont pas exécutées. Et lorsqu’on tente de les préciser, on se heurte parfois à des tensions que l’on gérait jusque-là de manière intuitive. L’exercice ne consiste plus seulement à demander mieux, mais à comprendre ce que « mieux » signifie concrètement dans un contexte donné.

Cet effort d’explicitation déborde largement le cadre de l’IA. C’est celui de toute délégation réelle, de toute transmission sérieuse.

Cet effort d’explicitation déborde largement le cadre de l’IA. C’est celui de toute délégation réelle, de toute transmission sérieuse. Et il n’a jamais été aussi exigeant avec de “vrais juniors”, parce qu’ils ne travaillent pas vierges de tout contexte, parce qu’ils ont déjà intégré certaines normes au fil de leur apprentissage et parce qu’ils savent observer et garder en mémoire les standards que nous leur enseignons implicitement.

La supervision peut-elle s’apprendre sans avoir d’abord fait ?

En rendant chaque professionnel responsable d’une production qu’il n’a pas entièrement exécutée lui-même, l’IA démocratise la supervision. Nous allons tous, d’une certaine façon, devenir managers, que nous nous y soyons préparés ou non.

Les professionnels qui supervisent bien aujourd’hui ont le grand avantage d’avoir généralement appris à faire avant d’apprendre à déléguer.

Mais aussi difficile qu’il soit pour eux de formaliser ces normes implicites, les professionnels qui supervisent bien aujourd’hui ont le grand avantage d’avoir généralement appris à faire avant d’apprendre à déléguer. Ils repèrent l’approximation dans un texte parce qu’ils en ont rédigé des centaines. Ils savent quand une analyse tient la route parce qu’ils en ont construit, en se trompant, en corrigeant.

Ce passage par l’exécution construit des repères qui ne sont pas entièrement formalisables : des seuils de qualité, des points de vigilance, une capacité à identifier ce qui pose problème sans que cela soit immédiatement visible. Sans ce socle, l’évaluation tend à se reposer sur des signaux plus superficiels : la fluidité, le ton, la cohérence apparente qui donne l’illusion d’un travail bien fait, ce en quoi l’IA excelle.

La génération qui naîtra avec l’IA pourrait être amenée à superviser d’emblée, avant d’avoir accumulé cette expérience. Cela ne rend pas l’apprentissage impossible, mais en modifie profondément les conditions.

La génération qui naîtra avec l’IA n’aura peut-être pas la possibilité d’apprendre dans cet ordre. Elle pourrait être amenée à superviser d’emblée, avant d’avoir accumulé cette expérience. Cela ne rend pas l’apprentissage impossible, mais en modifie profondément les conditions.

Cadrer l’apprentissage de la supervision, le défi à venir

Il est possible qu’une nouvelle forme d’intelligence critique se développe, fondée sur la pratique répétée de la supervision plutôt que sur celle de l’apprentissage par le faire. Mais nous ne disposons aujourd’hui ni des cadres, ni des méthodes, ni des lieux d’apprentissage clairement identifiés pour transmettre cette compétence. Nous apprenons en situation, par essais successifs, avec des résultats inégaux et difficilement transmissibles.

La question est d’autant plus centrale pour ceux qui entreront dans le travail avec ces outils déjà installés. Ils pourraient être amenés à exercer leur jugement avant d’avoir construit les repères qui permettent de le stabiliser. Dans ce cas de figure, l’évaluation tend à s’appuyer sur des signaux immédiatement perceptibles : la fluidité, la cohérence apparente, le ton, au détriment d’éléments plus exigeants à établir, comme la solidité d’un raisonnement ou la qualité d’une analyse.

Trois scénarios d’avenir se dessinent alors. Le premier consisterait à maintenir, autant que possible, l’ordre ancien : apprendre d’abord à faire, puis à superviser. Cette voie a pour elle sa solidité, mais on voit mal comment elle pourrait rester intacte si les outils de production sont disponibles partout, dès l’entrée dans les métiers. Le deuxième, plus préoccupant : faute d’avoir construit d’autres formes d’apprentissage, nous pourrions laisser s’installer des standards de qualité plus superficiels et voir s’opérer un nivellement par le bas. La troisième est la plus exigeante, et sans doute la plus intéressante : inventer des manières d’apprendre à superviser sans passer d’abord par le volume d’exécution qui servait jusque-là de socle.