La friction est la monnaie manquante dans la transformation par l'IA

Le problème n'était pas un manque de compétences. Le problème résidait dans le fait que le système obligeait les personnes compétentes à consacrer un temps excessif à la recherche des ressources nécessaires avant de pouvoir travailler. Documents essentiels, supports de formation, mises à jour de l'entreprise, outils de communication et références opérationnelles étaient éparpillés. Les employés savaient que l'information existait, mais ils devaient tout de même chercher, poser des questions, comparer, vérifier et reconstituer le contexte avant de pouvoir avancer. La journée de travail ne commençait pas par la livraison, mais par la recherche d'informations.

Cette contrainte était devenue la norme, car les équipes s'adaptent constamment. Elles mettaient des pages en favoris, conservaient des copies locales, envoyaient des messages, créaient des raccourcis et posaient sans cesse les mêmes questions. De l'extérieur, le travail semblait avancer. En interne, on consacrait du temps à trouver les conditions nécessaires au bon fonctionnement de l'entreprise avant même de pouvoir créer de la valeur. Le problème avait un nom : le coût de la recherche. Il ne s'agissait ni d'une ligne budgétaire, ni d'un défaut officiel, ni d'un projet raté. C'était une perte de temps opérationnelle quotidienne, devenue invisible car les équipes avaient appris à la contourner.

La solution n'était pas d'inciter les utilisateurs à chercher plus vite. Il ne s'agissait pas d'envoyer un énième rappel, de lancer une nouvelle campagne de communication ou de demander aux équipes d'être plus proactives. Le travail a dû être repensé pour que l'accès devienne une composante essentielle du système, et non une compétence individuelle. Un hub interne centralisé a été créé comme source unique de ressources essentielles : documents, outils de communication, supports de formation et actualités de l'entreprise. Structuré, maintenu et conçu pour fournir l'information en quelques secondes, au lieu d'exiger une recherche dans plusieurs systèmes, ce hub a permis de supprimer la charge de recherche quotidienne. Le système n'oblige plus les utilisateurs à surmonter des obstacles inutiles avant de pouvoir contribuer.

C’est pourquoi les frictions sont cruciales dans la transformation par l’IA. La plupart des organisations continuent de parler de la valeur de l’IA à travers l’adoption, l’utilisation, le potentiel d’automatisation et les économies de coûts. Elles mesurent le nombre d’utilisateurs de l’outil, le nombre de requêtes soumises, le nombre de licences activées, le nombre de projets pilotes lancés et le nombre de cas d’usage intégrés au processus. Ces indicateurs sont utiles, mais ils ne prouvent pas une amélioration du travail. Une entreprise peut avoir une utilisation élevée de l’IA sans pour autant s’attaquer aux véritables frictions. Elle peut automatiser une tâche visible, mais le flux de travail reste lent, fragmenté et dépendant de la capacité des utilisateurs à posséder un contexte incomplet.

La friction est la monnaie qui manque, car elle révèle où la valeur se perd réellement. Elle se manifeste par la recherche préalable à l'action, le temps d'attente entre les étapes, les clarifications répétées, la comparaison manuelle entre les systèmes, l'approbation accordée faute de responsabilité clairement définie, l'exception résolue systématiquement de zéro, la correction après un résultat rapide mais incomplet, et la réouverture d'un dossier alors qu'un tableau de bord indiquait sa clôture. Elle représente l'effort discret déployé au quotidien pour maintenir le bon fonctionnement de systèmes imparfaits.

L'IA peut réduire les frictions, mais seulement si l'organisation en connaît l'origine. Dans le cas contraire, elle peut accélérer une étape sans pour autant alourdir le flux de travail global. Un outil peut certes aider à rédiger une réponse plus rapidement, mais si celle-ci nécessite encore trois vérifications, deux clarifications, une recherche manuelle et une approbation supplémentaire, le travail n'aura pas réellement changé. Un modèle peut synthétiser rapidement l'information, mais si la source de vérité est dispersée, obsolète ou incohérente, cette synthèse risque d'accroître la confusion. Un agent peut acheminer le travail plus rapidement, mais si la logique d'exception est floue, il risque, par inadvertance, d'envoyer le travail au mauvais endroit.

C’est là toute la différence entre l’activité et la valeur ajoutée de l’IA. L’activité indique qu’une action est en cours. La valeur ajoutée, quant à elle, démontre que les obstacles ont été éliminés, réduits, repensés ou, au contraire, conservés intentionnellement pour préserver la qualité ou le contrôle. Sans cette distinction, les programmes d’IA peuvent paraître impressionnants de prime abord, tout en restant lourds à l’usage. Le tableau de bord affiche l’utilisation, mais les employés continuent de chercher. Le projet pilote met en avant la rapidité, mais les dossiers sont encore rouverts. Le modèle fournit une réponse, mais le flux de travail nécessite toujours une intervention humaine pour reconstituer le contexte manquant.

Ce problème n'est pas nouveau et n'est pas dû à l'IA. Celle-ci ne fait que le rendre plus difficile à ignorer. Les organisations traînent des frictions latentes depuis des années. Les employés passent du temps à chercher des informations, à copier des données entre systèmes, à rapprocher des rapports, à attendre des approbations, à clarifier les responsabilités, à corriger des erreurs et à signaler des exceptions qui auraient dû être intégrées au savoir-faire existant depuis longtemps. Comme le travail est effectué, ces frictions deviennent invisibles. Les employés s'adaptent. Les managers les normalisent. Le service financier n'en perçoit que rarement le coût réel. Les équipes de transformation passent à l'initiative suivante.

L'arrivée de l'IA transforme ces mêmes frictions en problèmes de mise à l'échelle. Si les sources d'information sont dispersées, la recherche d'informations par l'IA devient fragile. Si la responsabilité des processus est floue, l'IA ne peut pas garantir les comptes rendus. Si les exceptions ne sont pas prises en compte, l'IA les considère comme des imprévus. Si les équipes ne s'accordent pas sur les critères de qualité, les résultats de l'IA nécessitent davantage de vérifications. Si les employés consacrent déjà trop de temps à la contextualisation, l'IA risque d'ajouter une couche supplémentaire si le problème d'accès sous-jacent n'est pas résolu.

L'exemple de la taxe sur la recherche est important car il révèle une vérité opérationnelle fondamentale : les difficultés rencontrées par les équipes sont rarement dues à un manque d'effort ou de talent. Elles sont souvent dues au fait que le système complexifie inutilement les tâches utiles. La recherche n'est pas un résultat. Reconstituer le contexte n'est pas un résultat. Poser la même question à nouveau n'est pas un résultat. Naviguer entre différents systèmes pour trouver la version actuelle d'un document n'est pas un résultat. Ces activités peuvent être nécessaires dans un environnement défaillant, mais elles constituent néanmoins une source de friction.

La même logique s'applique à l'IA. La suggestion, la génération et la synthèse ne constituent pas des valeurs intrinsèques. La valeur apparaît lorsque le travail est plus fluide grâce à elle. Un problème client est résolu correctement. Un processus financier nécessite moins de corrections. Un responsable reçoit une information actualisée au lieu du rapport de la semaine précédente. Un employé consacre moins de temps à la recherche et plus de temps à la prise de décision. Une exception devient réutilisable au lieu d'être redécouverte. Un flux de travail est plus facile à gérer car le chemin est plus clair.

C’est pourquoi les dirigeants doivent être prudents avec les indicateurs d’adoption de l’IA. L’adoption indique simplement si les utilisateurs interagissent avec l’outil, mais pas s’il réduit les obstacles. Une équipe peut utiliser l’IA quotidiennement et pourtant perdre du temps à vérifier ses résultats. Les employés peuvent produire davantage de contenu et consacrer encore plus de temps à vérifier son exactitude. Un chatbot peut traiter un grand nombre de questions et, malgré tout, augmenter le nombre de contacts répétés si les réponses sont incomplètes. Un assistant interne peut sembler utile, mais les employés peuvent privilégier d’autres sources fiables car ils doutent de la fiabilité du système.

Lorsque les dirigeants se contentent d'exiger l'adoption, les équipes optimisent leurs efforts en conséquence. Elles organisent des formations, encouragent l'utilisation, recueillent des témoignages de réussite et publient des tableaux de bord internes. Ces actions peuvent s'avérer utiles, mais elles peuvent aussi créer un effet de surprise si la question de fond est ignorée. Où précisément les obstacles sont-ils levés ? Quel était le point de départ ? Quels retards ont disparu ? Quelles reprises ont diminué ? Quelles recherches sont devenues inutiles ? Quelles exceptions sont désormais gérées de manière plus cohérente ? Quel effort humain est passé de l'assemblage à l'évaluation ?

La notion de friction confère à la transformation par l'IA une valeur plus authentique, car elle relie les opérations, la finance, la technologie, la gouvernance et les ressources humaines. Les opérations perçoivent la friction comme des retards et des reprises. La finance y voit un coût caché ou une capacité inexploitée. La technologie y voit des exigences floues et une mauvaise adéquation du système. La gouvernance y voit une traçabilité insuffisante et des exceptions incontrôlées. Les employés la ressentent comme un gaspillage d'efforts et de la frustration. Les dirigeants, quant à eux, la perçoivent comme une transformation qui semble s'intensifier, mais qui ne change pas suffisamment.

C’est pourquoi la friction doit être considérée comme une ressource précieuse. Non pas parce que tout se résume à un gain de temps, mais parce que la friction révèle où l’organisation investit sans toujours s’en rendre compte. Ce coût peut se traduire par du temps, de la qualité, des capacités, de la confiance, de la rapidité, de l’expérience client, du contrôle ou encore de l’attention de la direction. Une entreprise peut supporter ce coût pendant des années car il est réparti entre les personnes et les fonctions. Personne ne reçoit une facture unique pour les problèmes de confusion, les recherches, les corrections, les attentes ou les exceptions répétées. Pourtant, ce coût est bien réel.

Une petite friction reste une friction lorsqu'elle se répète. Dans un contexte opérationnel donné, réduire le temps de téléchargement d'une facture de 16 à 8 secondes peut sembler insignifiant si l'on considère une transaction isolée. Mais à grande échelle, ce petit changement devient significatif, car la fréquence modifie la valeur de la friction. Quelques secondes multipliées par des milliers de transactions représentent un impact sur la capacité. Une vérification manuelle quotidienne engendre des coûts. Un changement de système récurrent devient une charge cachée.

Les cas d'utilisation de l'IA nécessitent la même rigueur. Une petite correction après chaque génération peut sembler anodine jusqu'à ce qu'elle se répète sur des milliers de cas. Un court délai dû à une logique d'approbation imprécise peut paraître gérable jusqu'à ce que les agents acheminent le travail plus vite que les humains ne peuvent en identifier les responsabilités. Une exception répétée peut sembler un cas particulier jusqu'à ce que l'organisation réalise qu'elle paie chaque semaine pour résoudre manuellement le même écart. Les frictions deviennent coûteuses lorsqu'elles se répètent, et la plupart des frictions en entreprise sont récurrentes.

L'erreur consiste à considérer les frictions comme une simple plainte d'utilisateur plutôt que comme un signal opérationnel. Les employés qui disent « c'est trop long » décrivent souvent bien plus qu'un simple désagrément. Ils peuvent pointer du doigt un manque de responsabilisation, un accès limité, une conception système défaillante, des connaissances obsolètes, des règles floues ou un flux de travail reposant sur une intervention manuelle excessive. Lorsque les organisations ignorent ce signal, elles se privent des informations nécessaires pour concevoir des processus plus efficaces. En étant à l'écoute, elles identifient les domaines où l'IA peut apporter une réelle valeur ajoutée et ceux où elle ne ferait que masquer les symptômes.

Il n'est pas nécessaire de supprimer tous les points de friction. Certains sont essentiels à la protection de l'entreprise. Un second examen peut s'avérer nécessaire pour les décisions à haut risque. Une vérification juridique peut être appropriée. Une étape de validation manuelle peut protéger les clients, les employés ou l'exactitude des données financières. L'objectif n'est pas de supprimer toute pause dans le flux de travail, mais de savoir faire la différence entre les frictions bénéfiques et les frictions accidentelles.

Les frictions de protection sont intentionnelles. Elles existent car le risque les justifie. Les frictions accidentelles surviennent lorsque le système est flou, obsolète, fragmenté ou mal gouverné. La transformation par l'IA est renforcée lorsque les organisations parviennent à distinguer ces deux types de frictions. Supprimer les frictions de protection peut engendrer des risques. Automatiser les frictions accidentelles peut accélérer la mise en œuvre de conceptions défaillantes sans pour autant les corriger. La bonne approche repose sur la compréhension des causes de ces frictions.

C’est là que la mentalité d’architecte prend tout son sens. Le héros opérationnel contourne les obstacles. L’architecte, lui, s’interroge sur les causes de ces obstacles récurrents et sur la pertinence de les supprimer, de les repenser, de les encadrer ou de les préserver. Le héros accomplit sa tâche par l’effort. L’architecte, quant à lui, crée les conditions permettant de s’affranchir de ce niveau d’effort. L’IA a davantage besoin de cette seconde approche.

Dans le cas de la taxe sur la recherche, les membres de l'équipe avaient trouvé des solutions pour surmonter les difficultés. C'est ce que font les bonnes équipes. Mais la solution n'était pas de se réjouir indéfiniment de leur capacité d'adaptation. La solution consistait à intégrer la clarté au système. Une fois les ressources centralisées, maintenues et facilement accessibles, l'équipe n'est pas devenue plus précieuse grâce à un nouvel outil. Elle est devenue plus efficace car le système a cessé de lui faire perdre du temps avant même le début du travail.

C’est à cette même norme que l’IA devrait se conformer. Si elle est intégrée à un environnement de connaissances fragmenté, elle peut certes extraire des fragments plus rapidement, sans pour autant établir la vérité. Si elle est intégrée à un flux de travail dont la responsabilité est floue, elle peut accélérer les transferts sans pour autant améliorer la responsabilisation. Si elle est intégrée à un processus comportant de nombreuses exceptions non gérées, elle peut produire des résultats fiables, mais incomplets. Si elle est intégrée à une équipe déjà submergée par les corrections, elle peut alourdir sa charge de travail, à moins que celle-ci ne soit repensée.

L'ordre des étapes est crucial. Il faut d'abord rendre le travail visible. Ensuite, identifier les points de friction. Puis, déterminer quels points de friction relèvent du gaspillage, du manque de contrôle, d'une connaissance insuffisante, d'une mauvaise appropriation des responsabilités, d'une défaillance du système et lesquels font partie intégrante de la gestion des risques. Ce n'est qu'après cela que l'organisation pourra décider de la place de l'IA. Autrement, l'IA ne fera qu'accélérer le processus et perpétuer la même confusion.

Cela modifie également l'analyse de rentabilité. Une analyse superficielle affirme que l'IA permettra de gagner du temps grâce à une exécution plus rapide des tâches. Une analyse plus solide, quant à elle, explique que l'IA réduira un point de friction précis, au sein d'un flux de travail défini, par rapport à une situation de référence réelle, en tenant compte des corrections, des reprises, des remontées d'information et de la gouvernance. Ce type d'analyse est plus difficile à mettre en œuvre, mais beaucoup plus difficile à falsifier.

Les dirigeants devraient se poser des questions différentes. Non seulement combien de personnes ont utilisé l'outil d'IA, mais quel point de friction a disparu. Non seulement combien d'heures ont été théoriquement économisées, mais si ces heures ont effectivement été libérées ou consacrées à la vérification. Non seulement si le modèle a répondu plus rapidement, mais si le problème est resté résolu. Non seulement si l'agent a réparti le travail, mais si les exceptions ont été transmises au responsable approprié. Non seulement si l'organisation dispose d'une feuille de route en matière d'IA, mais si elle dispose d'une cartographie des points de friction.

Une cartographie des frictions ne doit pas nécessairement être complexe. Elle s'appuie sur des observations concrètes : les lieux d'attente, de recherche, de copie, de conciliation, de demande d'éclaircissements, de réouverture de dossiers, de répétition d'exceptions, d'intervention des managers et de maintenance discrète de systèmes parallèles par les employés, faute de système officiel fonctionnel. Ces informations existent déjà au sein de l'organisation. Le problème réside dans leur dispersion, leur normalisation et leur absence d'exploitation stratégique.

Les organisations internationales doivent redoubler de vigilance, car les frictions varient selon le contexte. Un processus peut porter le même nom dans différentes régions, mais les frictions internes peuvent différer. Dans un pays, ces frictions peuvent provenir de la réglementation ; dans un autre, de la complexité linguistique ; dans un autre encore, de la gestion personnalisée des clients ; dans un autre, de la maturité du système ; ou encore de la conception du processus d’approbation interne. Un programme d’IA centralisé qui suppose que les frictions sont identiques partout passera à côté des réalités locales. Une approche locale sans discipline partagée engendrera une fragmentation. L’équilibre réside dans une logique de valeurs commune, étayée par des données opérationnelles locales.

C’est pourquoi la notion de friction est un meilleur point de départ que celle de productivité générique. La productivité peut vite devenir trop vague et trop facile à revendiquer. La friction, quant à elle, recentre le débat sur le travail concret. Qu’est-ce qui freine précisément la production ? Quel est son coût ? Qui le supporte ? À quelle fréquence se répète-t-elle ? Pourquoi existe-t-elle ? L’IA devrait-elle la supprimer, la réduire, la gérer, la réguler ou la laisser telle quelle ?

Le problème de la « taxe sur la recherche » a été résolu car l'organisation a cessé de considérer la recherche comme une tâche normale. C'est là la leçon à retenir. De nombreuses opportunités offertes par l'IA seront découvertes de la même manière : en refusant de considérer les frictions répétées comme un coût inhérent aux opérations. L'organisation n'a pas besoin de se lancer dans l'IA pour elle-même. Elle doit identifier les tâches qui pourraient être simplifiées, puis déterminer si l'IA est le moyen approprié pour les améliorer.

La transformation par l'IA ne deviendra crédible que lorsque le nombre de personnes qui l'utilisent augmentera. Elle le deviendra lorsque le travail sera plus fluide grâce à elle : moins de recherches inutiles, moins de clarifications répétées, moins de corrections opaques, moins de dossiers rouverts, un meilleur accès à la vérité, une gestion des exceptions plus efficace, une gouvernance renforcée et davantage de temps consacré à la prise de décision plutôt qu'à la réunion.

C'est la norme. La friction n'est pas un concept abstrait. Elle représente le coût opérationnel d'un travail qui ne s'effectue pas correctement. Les organisations qui en sont conscientes prendront de meilleures décisions en matière d'IA. Celles qui n'y parviennent pas continueront de confondre activité et progrès.

Questions et réponses

Q : Que signifie la friction dans la transformation par l'IA ?

A : La friction désigne les obstacles qui empêchent le travail de passer facilement de l'intention au résultat. Elle comprend la recherche, l'attente, les reprises, les clarifications répétées, les changements de système, les comparaisons manuelles, les responsabilités floues, les dossiers rouverts, la gestion des exceptions et les corrections invisibles.

Q : Pourquoi la friction est-elle une meilleure mesure de la valeur que l'adoption ?

A : L'adoption indique si les utilisateurs se servent d'un outil. Les frictions, quant à elles, montrent si le travail s'améliore réellement. Une équipe peut utiliser l'IA de manière intensive et continuer à subir les mêmes retards, reprises, corrections et recherches. L'utilisation témoigne d'un contact avec l'outil, et non de sa valeur.

Q : L'IA peut-elle créer davantage de frictions ?

R : Oui. L'IA peut créer davantage de frictions lorsque les résultats nécessitent des vérifications approfondies, lorsque les informations sources sont peu fiables, lorsque la logique des exceptions est floue, lorsque la gouvernance est ajoutée après le déploiement ou lorsque les employés n'ont pas suffisamment confiance dans le système pour l'utiliser à des fins de travail significatives.

Q : Toute friction est-elle mauvaise ?

R : Non. Certaines frictions sont nécessaires à la protection de l'entreprise, comme les examens juridiques, les contrôles qualité ou les étapes d'approbation à haut risque. L'essentiel est de distinguer les frictions préventives des frictions accidentelles. Les frictions préventives doivent être planifiées. Les frictions accidentelles doivent être supprimées ou repensées.

Q : Que doivent mesurer les dirigeants pour comprendre les frictions ?

A : Les dirigeants doivent mesurer le temps d'attente, le temps de recherche, le travail de reprise, l'effort de correction, les taux de réouverture, le volume d'escalade, les exceptions répétées, les retards de transfert, la comparaison manuelle et déterminer si les employés consacrent du temps à rassembler le contexte au lieu de créer de la valeur.

Q : Quelle est la première étape pratique ?

A : Commencez par identifier les points de blocage où les équipes perdent du temps avant même de commencer le travail proprement dit. Analysez les phases de recherche, de vérification, de rapprochement, de clarification et de reconstitution du contexte. L'IA peut souvent intervenir à ces étapes, à condition toutefois que le travail sous-jacent soit bien compris au préalable.