De l'exploration des tâches à l'intelligence du travail

Les analystes ne manquaient pas de données. Elles étaient omniprésentes. Soldes clients, détails des créances, historique des litiges, comportement de paiement, avoirs, postes non soldés, commentaires sur les comptes, actions de recouvrement et signaux d'escalade : tout était disséminé dans l'ensemble du système. Le problème, c'est qu'avant de pouvoir gérer un compte intelligemment, il fallait d'abord en reconstituer la vue d'ensemble. Il fallait collecter des fragments d'information, comparer les sources, vérifier les données à jour, reconstituer le contexte et déterminer quelle version du compte était fiable. De l'extérieur, cela ressemblait à de la gestion de compte. En réalité, une trop grande partie du temps était consacrée à la préparation de cette gestion.

Ce type de travail est facile à sous-estimer car il ne paraît pas toujours dysfonctionnel. Les équipes restent actives : des fichiers sont ouverts, des rapports sont téléchargés, des notes sont mises à jour, des courriels sont envoyés, les tableaux de bord sont consultés. L’opération se poursuit et cette activité donne l’impression que le processus fonctionne. Mais l’activité ne se confond pas avec l’intelligence. Si des analystes compétents consacrent une trop grande partie de leur temps à appréhender le travail avant de pouvoir agir, l’organisation subit un coût caché. Ce coût ne se limite pas au temps : il se traduit aussi par des décisions retardées, des jugements incohérents, une visibilité réduite et une perte de capacité pour des actions à plus forte valeur ajoutée.

Dans un service de gestion des comptes clients, le changement est né de la prise de conscience que les analystes n'avaient pas besoin de davantage de données brutes, mais d'une vision opérationnelle plus claire. Le travail a dû évoluer d'un assemblage manuel de données vers une gestion stratégique des comptes. La solution ne se limitait pas à un simple rapport ; il s'agissait de rapprocher la vision du compte de la prise de décision, permettant ainsi aux analystes de consacrer moins de temps à la collecte d'informations fragmentaires et plus de temps à comprendre les besoins futurs du compte. La valeur ajoutée résidait dans la transformation du rapport entre les personnes et l'information. Les données ne relevaient plus de la simple recherche de données au sein de l'entreprise avant de pouvoir travailler. Elles sont devenues suffisamment structurées pour faciliter une prise de décision plus efficace.

C’est là la différence entre l’exploration des tâches et l’analyse du travail. L’exploration des tâches permet de visualiser les actions des utilisateurs : clics, étapes système, actions répétitives, copier-coller, changements d’application et routines manuelles. Cette visibilité peut s’avérer utile, notamment lorsque les organisations disposent de peu d’éléments sur le déroulement réel du travail. Cependant, observer une activité ne signifie pas comprendre le travail. Un clic n’explique pas la raison de cette action. Une étape répétée ne permet pas de savoir s’il s’agit d’un gaspillage, d’une mesure de contrôle, d’un jugement éclairé, d’une création de valeur pour le client, d’une stratégie de gestion des risques ou d’une solution de contournement pour un problème en amont.

Cette distinction est d'autant plus importante aujourd'hui que l'IA pousse les organisations à automatiser, assister, acheminer, synthétiser, classer et traiter des tâches qu'elles ne maîtrisent souvent pas suffisamment. Si l'organisation ne perçoit que les tâches, elle risque d'automatiser l'action visible sans en comprendre la raison d'être. Elle peut supprimer une étape manuelle qui, en réalité, garantissait la qualité. Elle peut accélérer une solution de contournement sans corriger la faiblesse qui l'a engendrée. Elle peut classer un schéma répétitif comme automatisable alors que ce schéma comporte des exceptions, des jugements ou des contrôles informels qui n'ont jamais été correctement documentés.

L'analyse du travail va bien au-delà de la simple visibilité des tâches. Elle s'interroge sur le sens du travail, sa raison d'être, le résultat qu'il contribue à atteindre, les règles et exceptions applicables, le rôle du jugement, les conséquences d'une action inappropriée et la pertinence de supprimer, repenser, guider, assister, encadrer ou automatiser la tâche. Il s'agit d'un niveau de compréhension différent. Savoir qu'un analyste ouvre trois systèmes chaque matin ne suffit pas. L'organisation doit savoir si ces systèmes sont consultés en raison de données fragmentées, de la fiabilité douteuse d'une source, du manque de contexte client, de la nécessité de valider les risques ou d'une mauvaise refonte de la vue compte.

C’est là que les programmes d’IA peuvent rapidement se tromper. Ils détectent des efforts manuels répétitifs et en déduisent qu’il y a là une opportunité d’automatisation. Parfois, ils ont raison. Un travail répétitif peut indiquer clairement qu’il est temps d’automatiser ou de repenser une tâche. Mais la répétition seule ne suffit pas. Une tâche répétitive peut être un pur gaspillage. Elle peut aussi constituer un point de contrôle, un contrôle qualité informel, une solution de contournement pour une mauvaise intégration, ou encore le seul moment où des employés expérimentés peuvent exercer leur jugement avant que le travail ne progresse. Si l’organisation ne sait pas de quoi il s’agit, l’automatisation se réduit à une conjecture, même avec une interface plus conviviale.

L'exemple des comptes clients illustre l'importance de cette distinction. L'objectif n'était pas simplement de réduire le nombre de clics ou d'accélérer la génération de rapports. Il s'agissait d'améliorer la qualité de la gestion des comptes en allégeant le processus de compilation des informations entre l'analyste et la prise de décision. C'est cela, l'intelligence du travail. Elle ne se limite pas à constater qu'une personne consulte plusieurs sources. Elle s'interroge sur les raisons de ces consultations, sur ce qu'elle cherche à comprendre, sur les signaux pertinents et sur la manière dont le flux de travail peut lui offrir une vision plus fiable avant toute action. Le but n'est pas de surcharger les utilisateurs avec de meilleurs outils, mais de rendre le travail plus lisible afin qu'ils puissent exercer leur jugement au moment opportun.

L'IA a besoin de ce type d'intelligence car sa valeur ne se révèle pas de manière abstraite. Elle prend tout son sens au sein d'un flux de travail spécifique, avec ses propres contraintes, risques, exceptions et résultats. Un modèle peut synthétiser un compte client, mais l'organisation doit néanmoins savoir quelles informations inclure, quelle source est fiable, quelles exceptions sont pertinentes et quelle décision la synthèse est censée étayer. Un modèle peut classer un cas, mais l'organisation doit encore vérifier si les catégories correspondent à la réalité du terrain. Un agent peut acheminer un article, mais l'organisation doit encore savoir comment gérer les articles non standard.

La visibilité des tâches permet d'identifier les efforts déployés, mais l'analyse du travail aide à déterminer les prochaines étapes. Si les analystes passent des heures à rassembler le contexte des comptes, la solution pourrait résider dans une meilleure vue des comptes, une intégration des données améliorée, une attribution des responsabilités plus claire ou une synthèse assistée par l'IA. Si les employés copient des informations entre les systèmes, la solution pourrait être l'automatisation, mais aussi une refonte du système ou une correction de la qualité des données. Si des personnes vérifient un champ de manière répétée, la solution n'est peut-être pas d'automatiser la vérification, mais plutôt de corriger la source qui la rend nécessaire. Sans analyse du travail, l'organisation risque d'automatiser les symptômes au lieu de s'attaquer aux causes.

L'une des erreurs les plus fréquentes en matière d'automatisation et d'IA est d'automatiser les solutions de contournement. Ces solutions existent généralement parce que le processus officiel ne prend pas pleinement en charge la tâche. Les utilisateurs créent alors des outils de suivi parallèle, des notes locales, des rapprochements manuels, des approbations informelles et des contrôles en parallèle pour assurer la continuité de l'activité. Du point de vue de l'analyse des tâches, ces actions peuvent paraître inefficaces et répétitives. Du point de vue de l'intelligence du travail, elles constituent des indices précieux. Elles révèlent les inadéquations du système avec le travail, les faiblesses de la gouvernance, les lacunes d'information ou encore les imprécisions dans la définition des responsabilités.

Automatiser une solution de contournement peut accélérer la mise en œuvre d'une conception défaillante sans pour autant l'améliorer. La charge de travail manuelle peut diminuer, mais le problème sous-jacent persiste. Pire encore, la solution de contournement devient plus difficile à identifier car elle est intégrée au flux automatisé. C'est ainsi que les organisations transforment leur dette opérationnelle en dette numérique. La même faiblesse persiste, désormais dissimulée derrière un outil. L'IA peut rendre la situation encore plus risquée car elle peut produire des résultats fluides et convaincants qui semblent aboutir, alors que le processus sous-jacent reste opaque.

C’est pourquoi la confirmation des employés est essentielle. L’observation peut révéler une tendance, mais elle n’en explique pas toujours le sens. Les employés les plus proches du travail savent si une action répétée relève du gaspillage, de la protection, de la valeur client, de l’analyse des risques ou d’une compensation pour un élément manquant. Ils savent si une variation est une erreur ou une exception légitime. Ils savent quand une tâche existe parce que le processus global ne correspond pas à la réalité locale. Leur point de vue ne doit pas être accepté aveuglément, car on peut aussi normaliser des habitudes inefficaces. Mais exclure leur confirmation est pire. Sans elle, les responsables interprètent des signaux incomplets et les équipes d’IA risquent de se baser sur une interprétation erronée du travail.

Le modèle le plus efficace repose sur l'association de preuves et de validation. Les données d'activité révèlent la situation. Le savoir-faire des employés explique les causes. La gouvernance détermine les actions à entreprendre. Cette combinaison est plus robuste que chaque élément pris individuellement. Elle renforce également la confiance, car les individus ne sont pas réduits à de simples données passives lors d'une analyse, mais considérés comme des interprètes de la réalité opérationnelle. C'est essentiel, car la visibilité du travail peut facilement se transformer en surveillance si son objectif est flou. Si les employés pensent que l'organisation utilise cette visibilité pour les évaluer ou les sanctionner, ils dissimuleront précisément les signaux d'amélioration nécessaires à l'organisation.

L'analyse responsable des données de travail doit être encadrée. Son objectif est de comprendre les flux de travail, de réduire les frictions, de capitaliser sur les connaissances réutilisables, d'améliorer la gouvernance et d'identifier les opportunités d'automatisation responsable. Elle ne doit pas se transformer en un système déguisé d'évaluation de la productivité. Elle ne doit pas pénaliser les individus pour les inefficacités inhérentes à l'organisation. Elle ne doit pas transformer la correction en culpabilisation. L'organisation doit définir clairement les données collectées, les raisons de cette collecte, les personnes autorisées à y accéder, leur utilisation, les données exclues et la manière dont les employés participent à la validation de leur signification.

Il ne s'agit pas seulement d'une question de conformité, mais aussi d'adoption. Les employés sont plus enclins à soutenir les changements induits par l'IA lorsqu'ils constatent que l'organisation cherche à améliorer le travail, et non à juger secrètement les personnes qui l'effectuent. Si l'objectif est de comprendre pourquoi les analystes consacrent trop de temps à la compilation des vues de compte, la discussion est constructive. En revanche, si l'objectif devient de classer les analystes en fonction de leur rapidité à naviguer dans les systèmes, l'organisation se trompe de cible. L'intelligence du travail doit rendre le système plus transparent, et non donner aux employés un sentiment de vulnérabilité.

La mesure de la valeur évolue également. L'analyse des tâches permet d'identifier les postes de travail, mais l'intelligence du travail doit préciser si ce temps est créateur de valeur, préserve la valeur existante ou révèle une défaillance de conception. Une tâche répétitive peut ne prendre que quelques minutes, mais si elle résulte d'une vision fragmentée du compte, son coût dépasse largement le temps d'exécution. Elle affecte la qualité des décisions, leur cohérence, la confiance qu'elles inspirent et la capacité d'agir rapidement. Supprimer une tâche sans en comprendre la finalité peut engendrer des risques. Repenser la vision du compte peut, quant à soi, créer une capacité durable.

C’est là que les analyses de rentabilité de l’IA doivent être plus rigoureuses. Une analyse superficielle se contente d’affirmer qu’une tâche est répétitive et que l’IA devrait donc l’automatiser. Une analyse plus solide, en revanche, explique la répétitivité de la tâche, sa raison d’être, le résultat qu’elle permet d’atteindre, les difficultés qu’elle engendre et précise si l’IA doit assister, guider, automatiser, escalader ou laisser la tâche à l’appréciation humaine. Cette différence est loin d’être théorique : elle détermine si l’organisation développe une compétence utile ou se contente d’ajouter un outil supplémentaire à un flux de travail déjà complexe.

La notion de préparation doit également être évaluée différemment. L'exploration des tâches aboutit souvent à une liste de candidats à l'automatisation. Bien que cela puisse être utile, c'est insuffisant pour l'IA. Une vision globale de la préparation est plus pertinente. Le flux de travail est-il suffisamment stable ? Les données d'entrée sont-elles fiables ? Les exceptions sont-elles prises en compte ? La responsabilité est-elle clairement définie ? Un jugement humain est-il nécessaire ? Quel est le coût d'une erreur ? Quels contrôles sont nécessaires ? Comment la valeur sera-t-elle mesurée ? Quel niveau d'implication de l'IA est approprié à ce stade ? Une tâche peut être visible, fréquente et répétitive, mais ne pas être prête pour l'automatisation si le contexte de travail est flou.

Ceci est d'autant plus important que les organisations passent de copilotes à agents. Un copilote aide généralement une personne à produire, synthétiser ou préparer un document. L'humain reste proche du résultat. Un agent, quant à lui, peut influencer plus directement le flux de travail en acheminant, mettant à jour, déclenchant, priorisant ou exécutant des tâches. L'intelligence du travail devient ainsi plus importante que jamais. Si l'organisation ne comprend pas le flux de travail, les exceptions, les contrôles et la qualité du résultat, accorder plus d'autonomie à un agent ne fait qu'accroître l'incertitude.

Les tableaux de bord, à eux seuls, ne suffiront pas. Ils peuvent certes afficher le volume, le temps de traitement, le débit et l'adoption, mais ils peuvent aussi simplifier à l'extrême le travail. Ils peuvent indiquer la clôture d'une tâche sans mentionner sa réouverture, la rapidité sans les corrections apportées, l'utilisation sans le niveau de confiance, ou encore la finalisation d'une tâche sans préciser si elle était justifiée. Les responsables ont besoin de tableaux de bord, mais aussi des informations qui les sous-tendent : quel type de travail est mesuré, quelle est sa signification et si les résultats se sont améliorés.

Les organisations internationales présentent une complexité supplémentaire. Un flux de travail peut porter le même nom dans différentes régions tout en fonctionnant différemment dans la pratique. Le processus de gestion des comptes sur un marché peut dépendre d'attentes clients, d'exigences légales, de réalités linguistiques, de maturité du système ou de procédures d'escalade locales différentes de celles appliquées ailleurs. Une équipe centrale peut avoir une vision unifiée du processus, tandis que les employés peuvent en expérimenter plusieurs versions. Une IA basée uniquement sur cette vision centralisée passera à côté des réalités locales, tandis que des solutions entièrement locales sans discipline partagée engendreront une fragmentation. La meilleure solution consiste à utiliser une logique d'intelligence collective commune, étayée par des données locales.

Cela signifie que l'organisation doit élaborer une vision partagée du travail tout en respectant les spécificités contextuelles. Les catégories peuvent être communes : frictions, exceptions, jugement, contrôle, appropriation, préparation et résultats. Les données peuvent être locales : quels comportements clients sont importants, quels systèmes créent des frictions, quels circuits d'approbation sont réels, quelles exceptions se répètent et quelles sources de données sont fiables. Sans cet équilibre, les programmes d'IA globaux sont soit excessivement standardisés, soit insuffisamment encadrés.

L'état d'esprit d'architecte est pertinent ici car il permet de distinguer l'activité du travail. Le héros opérationnel continue d'assembler des vues de compte, de trouver le contexte manquant, de vérifier les systèmes et de faire fonctionner le processus. L'architecte, quant à lui, s'interroge sur la nécessité d'un tel niveau d'assemblage manuel, sur l'intelligence à intégrer au flux de travail et sur la manière de passer de la préparation à la prise de décision. Les actions héroïques assurent la continuité de l'activité. L'architecture, elle, définit les besoins de demain.

Il s'agit du passage de l'analyse des tâches à l'intelligence du travail. Ce n'est pas un rejet de l'analyse des tâches. Identifier les tâches est précieux, surtout lorsque l'organisation fonctionne sur la base d'hypothèses. Mais identifier la tâche n'est qu'un point de départ, pas une finalité. L'organisation doit en comprendre le sens avant d'agir. Elle doit savoir si la tâche représente un gaspillage, un contrôle, un jugement, une gestion d'exception, une valeur ajoutée pour le client, une défaillance du système ou une solution de contournement. Ce n'est qu'à cette condition que l'IA peut être appliquée de manière responsable.

Dans l'exemple des comptes clients, la valeur ajoutée résidait dans une meilleure utilité de la vue du compte pour l'analyste, et non dans la simple célébration d'une réduction d'activité. C'est le critère que doit respecter toute transformation par l'IA. Le travail est-il plus clair ? Les collaborateurs consacrent-ils moins de temps à la contextualisation ? Les exceptions sont-elles plus faciles à identifier ? Le jugement est-il plus pertinent pour la décision ? Le flux de travail est-il plus facile à gérer ? L'organisation conserve-t-elle davantage de connaissances une fois le travail terminé ? Ces questions sont plus importantes que la simple détection d'une tâche répétitive.

Les organisations qui se contentent d'une simple visibilité des tâches identifieront certes des opportunités d'automatisation, dont certaines seront créatrices de valeur. Mais elles risqueront aussi d'automatiser les mauvaises tâches, de perpétuer des conceptions défaillantes et de passer à côté du contexte essentiel à la fiabilité du travail. Les organisations qui développent une intelligence du travail prendront de meilleures décisions en matière d'IA, car elles comprendront non seulement ce que font les employés, mais aussi la raison d'être de ces tâches, les pertes de valeur et le type d'intervention réellement nécessaire au flux de travail.

La prochaine étape de la transformation par l'IA n'a pas besoin de davantage de confusion autour des outils. Elle requiert une compréhension plus claire du travail. L'exploration des tâches peut révéler les mouvements. L'intelligence du travail, quant à elle, en explique le sens. Et c'est précisément ce sens dont les organisations ont besoin avant de décider du rôle de l'IA.

Questions et réponses

Q : Quelle est la différence entre l'exploration des tâches et l'intelligence du travail ?

A : L'analyse des tâches révèle les actions observables des utilisateurs, telles que les clics, les étapes système, les schémas de copier-coller et les activités manuelles répétitives. L'analyse du travail va plus loin. Elle explique la raison d'être du travail, le résultat qu'il permet d'atteindre, le jugement ou l'exception applicable, les risques encourus et la pertinence de l'automatisation.

Q : Pourquoi la visibilité des tâches ne suffit-elle pas à la transformation par l'IA ?

A : La visibilité des tâches peut révéler des répétitions, mais elle n'en explique pas toujours le sens. Une action répétée peut correspondre à un gaspillage, un contrôle, une solution de contournement, une exception ou une adaptation locale justifiée. La transformation par l'IA doit comprendre ce sens avant d'automatiser l'activité.

Q : Quel est le risque d'automatiser une solution de contournement ?

A: Automatiser une solution de contournement peut accélérer un processus défaillant sans pour autant résoudre le problème sous-jacent. L'organisation peut ainsi réduire les efforts manuels, mais conserver des données erronées, une responsabilité floue, une conception système médiocre ou une gouvernance défaillante, de manière plus insidieuse.

Q : Pourquoi la confirmation des employés est-elle importante ?

A : Les employés les plus proches du terrain peuvent expliquer la signification des tendances observées. Ils savent si une variation est une erreur, une exception justifiée, une solution temporaire ou un contrôle nécessaire. Leur confirmation permet d'éviter que l'organisation n'interprète mal les données relatives aux tâches.

Q : Comment le renseignement d'affaires soutient-il la gouvernance de l'IA ?

A : L'analyse des processus permet à la gouvernance de mieux refléter les flux de travail réels. Elle révèle où l'IA intervient, où le jugement humain est nécessaire, quelles exceptions se répètent, quelles preuves doivent être conservées et quelles tâches sont prêtes pour une automatisation plus poussée.

Q : Quelles questions les dirigeants doivent-ils se poser avant d'automatiser une tâche répétitive ?

A : Les dirigeants doivent se demander pourquoi la tâche existe, quel résultat elle permet d'atteindre, s'il s'agit d'un gaspillage ou d'un contrôle, ce qui se passe si elle est erronée, quelles exceptions la concernent, si les employés ont confirmé le modèle et si le flux de travail est suffisamment mature pour être automatisé.