L'employé est l'unité de changement dans l'adoption de l'IA

Les dirigeants n'avaient pas besoin d'un nouveau tableau de bord à admirer. Ils avaient besoin d'un système qui leur permette de gagner du temps et de simplifier leur travail de leadership. Avant ce changement, une trop grande partie de leur journée était consacrée à la préparation de leurs interventions : collecte de données, vérification des chiffres, comparaison des signaux, contextualisation et structuration d'informations éparses en éléments exploitables pour un véritable échange avec l'équipe. Il ne s'agissait pas seulement d'accompagner les performances ou d'aider les collaborateurs à progresser. Il s'agissait aussi de construire une vue d'ensemble avant même que le coaching puisse commencer, ce qui signifiait qu'une partie de l'énergie des dirigeants était déjà absorbée par l'administration avant même d'atteindre les personnes qui en avaient besoin.

Lorsque cela a changé, la valeur ajoutée ne résidait pas seulement dans un accès plus facile à l'information. Environ une heure par responsable et par jour a été récupérée, et ce temps a pu être consacré non plus à la compilation d'informations, mais aussi au coaching, à l'accompagnement et à la responsabilisation des équipes. L'enjeu n'était pas l'outil en lui-même, mais le fait que les personnes chargées de piloter le travail n'étaient plus contraintes de consacrer autant de temps à préparer les conditions de leur rôle de leader. C'est ce type de transformation que l'adoption de l'IA devrait viser : non pas davantage de technologie autour des employés, mais de meilleures conditions de travail pour les employés et les managers dont ils sont déjà responsables.

Nombre de discussions sur l'adoption de l'IA partent encore d'une hypothèse erronée. On décrit les employés comme résistants, lents à adopter l'IA, insuffisamment formés, craignant l'automatisation, attachés à leurs vieilles habitudes ou réfractaires au changement. Ces explications contiennent parfois une part de vérité, mais elles sont rarement suffisantes. Le plus souvent, le problème de l'adoption ne réside pas dans un rejet fondamentalement de la technologie. Il tient plutôt au fait que l'organisation demande aux employés d'adopter des outils inadaptés à la réalité de leur travail, tout en exigeant d'eux qu'ils garantissent la qualité, gèrent les exceptions, atteignent les objectifs et intègrent les lacunes du nouveau système.

L'adoption de l'IA ne réussira pas simplement en forçant les employés à l'utiliser. Elle réussira lorsque les employés constateront que l'IA réduit les obstacles concrets, respecte le jugement que leur travail exige et leur confère un rôle crédible dans le futur modèle opérationnel. Cela signifie que les employés ne peuvent être considérés uniquement comme des utilisateurs, des publics ou de simples chiffres. Ils doivent être perçus comme des sources de vérité opérationnelle, car le travail évolue là où les personnes l'exécutent, le valident, le corrigent, le font remonter et l'améliorent. Si l'organisation ne comprend pas cela, elle ne peut pas concevoir une adoption efficace.

Les personnes les plus proches du terrain savent souvent ce que les processus formels ne révèlent pas. Elles savent quels champs du système sont sujets à caution, quel cas client est atypique, quelle approbation est purement formelle, quelles exceptions reviennent chaque mois, quel rapport, en apparence complet, omet des détails essentiels, et quand une réponse pourtant bien formulée reste erronée faute de contexte. L'IA a besoin de ces connaissances pour être utile. Sans elles, l'organisation demande à la technologie de fonctionner avec une vision incomplète, et aucune formation, campagne interne ou témoignage de réussite ne pourra combler entièrement ce manque.

C’est pourquoi l’adoption ne se confond pas avec l’utilisation. L’utilisation se mesure, mais l’acceptation se mérite. On peut se connecter, interagir avec l’assistant, suivre la formation, et pourtant refuser d’utiliser l’IA pour les tâches essentielles. Une équipe peut paraître active tout en conservant discrètement ses anciennes méthodes éprouvées. Un service peut afficher un fort engagement alors que les employés continuent de subir les mêmes frictions, les mêmes corrections et la même incertitude. Dans ce cas, l’organisation peut parler de problème culturel, mais elle risque de se tromper de cible. Il peut s’agir d’un problème de conception, d’un problème de confiance ou d’un problème de modèle opérationnel.

Une personne qui a passé des années à protéger un flux de travail contre les données erronées, les imprécisions de propriété ou les exceptions répétées ne fera pas soudainement confiance à une solution d'IA simplement parce qu'un tableau de bord indique une amélioration de son adoption. Elle la testera en conditions réelles de travail. Elle se demandera si l'IA comprend les exceptions, si elle utilise la bonne source, si elle renforce les contrôles, si elle allège la charge de travail ou si elle l'alourdit, et si elle contribue à améliorer son travail ou si elle la contraint à corriger un système mal conçu. Ce jugement ne doit pas être perçu comme de la résistance. Bien souvent, il s'agit précisément de l'intelligence opérationnelle dont l'organisation a besoin.

Si l'IA est imposée sans tenir compte des réalités du travail, son adoption se résume à une simple conformité. On utilise l'outil par obligation, non par confiance. En revanche, si l'IA est présentée comme un moyen de comprendre, d'améliorer et de piloter le travail en collaboration avec les personnes concernées, son adoption est bien plus pertinente. La différence est concrète, non sentimentale. Les employés savent si la technologie respecte la réalité de leur métier. Ils savent si elle supprime des tâches qui n'auraient jamais dû mobiliser de ressources humaines, ou si elle se contente de redistribuer la charge de travail.

C’est pourquoi l’employé est l’unité de changement dans l’adoption de l’IA. Non pas parce que chaque employé doit concevoir la stratégie IA, ni parce que chaque solution de contournement locale doit être protégée. Le leadership doit toujours définir la direction, les priorités, allouer les ressources et prendre des décisions difficiles. Le propos est plus précis : l’IA transforme le travail là où il est réellement effectué. Si les personnes les plus proches de ce travail sont considérées uniquement comme des bénéficiaires du changement, l’organisation perd les éléments essentiels dont elle a besoin pour que l’IA soit utile.

Les schémas de processus officiels sont utiles, mais ils reflètent rarement la réalité du terrain. Ils indiquent le cheminement prévu, la version officielle du travail, ou le processus tel qu'il a été conçu ou documenté. Le travail réalisé, lui, est bien plus complexe. Il inclut les vérifications parallèles, les pratiques locales, les clarifications répétées, les exceptions liées aux clients, les décisions antérieures, les outils de suivi manuels, les connaissances informelles et le jugement dont font preuve les équipes pour assurer la continuité du travail lorsque le processus standard ne convient pas. Une partie de ce travail informel est inutile ou risquée, et une autre devrait être supprimée. Mais il est essentiel de l'analyser avant de pouvoir l'améliorer. Si l'organisation néglige cette étape, elle automatise des processus qui ne sont que des fictions.

L'adoption de l'IA échoue également lorsque l'on demande aux individus de cautionner leur propre disparition. Trop de discours sur l'IA présentent encore les personnes comme un coût à éliminer plutôt que comme une compétence à développer. On parle d'automatisation avant même de comprendre le travail, et l'on célèbre le remplacement avant d'avoir identifié le jugement, la gestion des exceptions, la validation et la confiance qui garantissent la fiabilité du travail. Les employés perçoivent le message, même lorsqu'il est formulé de manière plus subtile. Ils ne le contesteront peut-être pas ouvertement lors d'une réunion générale, mais ils en comprennent le sens. Si l'organisation donne l'impression d'exploiter leurs connaissances pour réduire leur importance, ils se protégeront.

Cette réaction n'est pas irrationnelle. Les individus se conformeront aux exigences lorsque cela est nécessaire, mais ils ne partageront pas volontairement leurs connaissances opérationnelles les plus pointues si leur rôle futur est flou et que l'échange de valeur est déséquilibré. Ils éviteront de dévoiler les raccourcis, le contexte et les schémas de jugement qui permettent le bon fonctionnement du travail, car ils supposeront que l'organisation utilise leurs connaissances à leur détriment. C'est pourquoi l'adoption ne peut être considérée comme un simple exercice de communication. La communication est importante, certes, mais elle ne peut compenser un principe de fonctionnement auquel les individus ne font pas confiance.

Il faut repenser l'adoption de l'IA. Elle doit être conçue et positionnée comme un moyen d'alléger les tâches répétitives, de capitaliser sur les connaissances utiles, d'améliorer la qualité du travail, de réduire les frictions inutiles et d'orienter les individus vers des contributions à plus forte valeur ajoutée, où le jugement, la validation, la gestion des exceptions et la supervision sont essentiels. Cela ne signifie pas pour autant que tous les rôles resteront inchangés. Bien au contraire. Certaines tâches disparaîtront, certains rôles se réduiront, d'autres évolueront et certaines équipes seront restructurées. L'objectif n'est pas d'édulcorer la réalité, mais de rendre le rôle de demain suffisamment crédible pour que chacun puisse participer à sa construction.

Un rôle crédible n'est pas un simple message de motivation. C'est un modèle opérationnel. Il décrit les changements attendus, les connaissances que chacun est censé apporter, la valeur accordée à la validation, la gestion des exceptions et l'évaluation des performances face à l'impact de l'IA sur le travail. Sans cela, l'adoption se résume à des slogans, des programmes de formation et la communication de la direction. Ces éléments peuvent certes accompagner le changement, mais ils ne peuvent le porter si le système de travail reste inchangé.

Le futur employé n'utilisera pas seulement les outils d'IA. Dans de nombreuses fonctions, il supervisera les tâches automatisées par l'IA. Cela implique de valider les résultats, d'identifier les exceptions, de corriger les anomalies, de signaler les risques, d'améliorer les instructions, de contrôler la qualité des flux de travail et de savoir quand l'automatisation doit s'arrêter. Il ne s'agit pas d'un traitement manuel. C'est une relation différente au travail, qui requiert un système de mesure différent. Consacrer du temps à la détection d'une exception récurrente afin d'éviter à l'organisation de devoir la résoudre à chaque fois est un travail productif. Empêcher qu'un résultat généré par l'IA ne crée un risque pour le client est un travail productif. Améliorer une instruction de flux de travail pour une plus grande fiabilité future est un travail productif.

C’est là que de nombreux programmes d’adoption de l’IA se contredisent. Ils demandent aux employés d’utiliser l’IA, de valider les résultats, de capitaliser sur les connaissances et d’améliorer les flux de travail, tout en ne récompensant que la rapidité, le volume et le rendement visible. L’employé reçoit un message ambigu : contribuer à construire l’avenir, mais sans impacter les chiffres actuels. Or, cette approche est vouée à l’échec, car les individus optimisent leurs performances en fonction de ce que l’organisation mesure réellement. Si le résultat manuel demeure le seul indicateur de performance fiable, les employés s’y accrocheront. Si la validation est perçue comme un délai, elle sera bâclée. Si la capitalisation des connaissances est considérée comme une tâche annexe, elle restera secondaire.

Les managers sont confrontés au même problème. Ils seront essentiels à l'adoption de l'IA, mais non pas comme de simples relais de communication diffusant un message unique. Ils devront gérer conjointement les ressources humaines et celles fournies par l'IA. Cela implique de comprendre où la responsabilité incombe aux personnes, où interviennent les agents, où une validation est nécessaire, où les exceptions se multiplient, où les corrections s'intensifient et où les employés perdent confiance dans les processus. Si les managers ne bénéficient pas d'une meilleure visibilité, d'un nouveau vocabulaire et de nouveaux indicateurs, ils s'en tiendront à d'anciennes logiques de productivité, car c'est ce que le système valorise encore.

C’est pourquoi l’exemple du développement du leadership est important. Redonner une heure par responsable et par jour n’était pas seulement une question d’efficacité. Cela a modifié les priorités des responsables. En consacrant moins de temps à l’analyse globale, les managers peuvent se concentrer davantage sur l’amélioration du travail et le développement des équipes. C’est ce type de transformation que l’adoption de l’IA devrait engendrer. L’objectif n’est pas de multiplier les outils à disposition des employés et de parler de modernisation. L’objectif est d’améliorer les conditions de travail afin que chacun puisse consacrer davantage de ressources à la prise de décision, à l’amélioration continue et à la création de valeur.

Il existe également une limite de confiance que les organisations doivent prendre au sérieux. À mesure que l'adoption de l'IA progresse, les entreprises souhaiteront mieux comprendre le travail. Elles voudront identifier les schémas de processus, repérer les points de friction, mesurer les améliorations et déterminer comment l'automatisation peut y contribuer. C'est tout à fait légitime. Mais les employés se poseront une question légitime : cherchez-vous à comprendre le travail ou à me surveiller ? Si l'organisation ne peut y répondre clairement, l'adoption de l'IA sera freinée avant même que l'outil ait pu faire ses preuves.

La visibilité du travail ne se confond pas avec la surveillance des employés. Le suivi d'une exception récurrente ne revient pas à évaluer une personne. Mesurer la correction ne revient pas à blâmer l'employé qui a protégé le flux de travail d'un résultat erroné. Si les organisations brouillent cette frontière, les problèmes seront dissimulés, les corrections ne seront pas documentées et les méthodes informelles resteront en dehors du système. L'organisation perdra alors les preuves nécessaires à son amélioration. Une adoption responsable de l'IA implique de définir clairement les données collectées, les raisons de cette collecte, les personnes autorisées à y accéder, leur utilisation, les données exclues et leur durée de conservation. Il ne s'agit pas seulement d'une question de conformité, mais aussi d'une question d'adoption.

Les organisations internationales doivent redoubler de vigilance. L'adoption de l'IA n'est pas vécue de la même manière partout. Sur un marché, les employés peuvent s'inquiéter de la surveillance. Sur un autre, des pertes d'emploi. Sur un autre encore, de la qualité du langage, de la fiabilité des données ou de la capacité de l'outil à comprendre les réalités locales des clients. Une stratégie d'adoption globale qui ignore ces différences s'avère trop générique. Parallèlement, laisser chaque région développer sa propre logique d'IA engendre une fragmentation. L'équilibre réside dans des normes communes et une réalité opérationnelle locale : des principes communs en matière de confidentialité, de gouvernance, de mesure, d'évolution des rôles et d'utilisation responsable, associés à des données concrètes issues du terrain.

Avant de blâmer la résistance, les dirigeants devraient se poser les bonnes questions. Avons-nous bien compris le travail que les collaborateurs accomplissent réellement ? Avons-nous réduit les véritables frictions, ou avons-nous simplement ajouté un outil supplémentaire ? Avons-nous expliqué l’évolution des rôles, ou nous sommes-nous contentés de promettre des gains d’efficacité ? Avons-nous clairement distingué la visibilité du travail de la surveillance ? Avons-nous donné aux employés le temps et le soutien nécessaires pour valider leur travail ? Avons-nous actualisé les indicateurs de performance afin de valoriser la capitalisation des connaissances, la validation, la gestion des exceptions et la supervision ? Avons-nous formé les managers à piloter l’interaction humain-machine, ou leur avons-nous seulement demandé de favoriser l’adoption ?

Ces questions sont importantes car la résistance est souvent un signal d'alarme. Il peut s'agir de peur, de fatigue, d'une mauvaise communication ou d'un manque de compétences. Mais souvent, c'est une réaction rationnelle face à une conception défaillante. Les employés peuvent résister lorsque l'outil n'est pas adapté à leur travail, lorsque l'organisation exige leur confiance sans offrir de garanties, lorsque la direction parle de productivité mais ignore le travail invisible nécessaire pour sécuriser l'IA, ou lorsque leurs connaissances sont sollicitées alors que leur rôle futur reste flou. Qualifier cela de résistance peut sembler commode, mais aussi inexact.

Le modèle centré sur l'employé n'est pas une simple question de gestion des ressources humaines. C'est une discipline opérationnelle. L'IA a besoin de la vérité des processus, et les employés en détiennent une grande partie. L'IA a besoin de la connaissance des exceptions, et les employés en résolvent déjà un grand nombre. L'IA a besoin de validation, et les employés savent reconnaître une bonne pratique en contexte. L'IA a besoin de confiance, et ce sont les employés qui décident si l'outil s'intègre au travail quotidien ou s'il reste une simple couche formelle. Les organisations qui ignorent leurs employés en subiront les conséquences : faible adoption, corrections difficiles à appréhender, gestion des exceptions défaillante, manque de confiance, automatisation incomplète et gouvernance fragile. Celles qui impliquent pleinement leurs employés bénéficieront d'une meilleure compréhension du travail, d'une adoption plus forte, d'une automatisation plus réaliste et d'une transition plus claire vers des modèles opérationnels homme-machine.

L'adoption de l'IA ne se fera pas en forçant les gens à utiliser des outils auxquels ils ne font pas confiance. Elle se fera en créant un modèle opérationnel où les employés constatent que leurs connaissances sont importantes, que leur rôle évolue et que la technologie réduit les véritables obstacles au lieu d'en créer de nouveaux. L'employé est l'acteur du changement, car le travail ne se résume pas à des présentations stratégiques. Il se manifeste dans les actions quotidiennes, les exceptions, le jugement, les transmissions d'informations, les corrections et les décisions. C'est là que l'IA doit faire ses preuves. L'avenir de l'adoption de l'IA ne consiste pas seulement à inciter les gens à l'utiliser. Il s'agit d'aider les organisations à comprendre le travail grâce aux personnes qui le connaissent le mieux, puis de transformer cette compréhension en une capacité encadrée.

Questions et réponses

Q : Que signifie le fait que l'employé soit l'unité de changement ?

A : Cela signifie que l'adoption de l'IA doit partir de la réalité du travail des employés. Ces derniers possèdent une connaissance approfondie des processus, une mémoire des exceptions, un jugement sûr et des signaux pratiques indiquant où l'IA peut être utile ou présenter des risques. Ils ne sont pas de simples utilisateurs d'IA ; ils sont les garants de la vérité opérationnelle.

Q : Pourquoi les connaissances des employés sont-elles importantes pour l'adoption de l'IA ?

A : L'IA a besoin de contexte pour être utile dans les flux de travail d'entreprise. Les employés connaissent souvent les règles non documentées, les exceptions récurrentes, les solutions de contournement, les normes de qualité et les points d'appréciation qui ne figurent pas dans les processus formalisés. Sans ces connaissances, l'IA peut automatiser les tâches à partir d'une vision incomplète du travail.

Q : L’adoption de l’IA centrée sur les employés équivaut-elle à un ralentissement de la transformation ?

R : Non. C'est un moyen de freiner l'emballement. Aller trop vite sans comprendre le travail engendre des reprises, de la méfiance, une automatisation défaillante et une gouvernance laxiste. Impliquer correctement les employés permet aux organisations de déployer l'IA à grande échelle en limitant les imprévus.

Q : Comment les organisations peuvent-elles éviter que l'IA ne soit perçue comme une forme de surveillance ?

A : Il est essentiel d'établir une frontière claire entre la visibilité du travail et le suivi des employés. Les organisations doivent définir précisément 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 valident les résultats. L'amélioration des processus ne doit pas se transformer en un système d'évaluation de la productivité dissimulé.

Q : Quel rôle les employés joueront-ils au sein des équipes homme-agent ?

A : Les employés seront de plus en plus amenés à valider les résultats, superviser les flux de travail, gérer les exceptions, signaler les risques, améliorer les instructions et assurer la qualité du travail automatisé par l'IA. Leur rôle évolue d'une simple exécution manuelle vers un système de jugement, de validation, de supervision et de développement des compétences.

Q : Quelles questions les dirigeants devraient-ils se poser avant de blâmer la résistance des employés ?

A : Ils devraient se demander si l'outil correspond au travail réel, si les employés ont été impliqués dans la compréhension du processus, si l'IA réduit les frictions ou ajoute de la charge, si l'évolution des rôles est crédible et si les indicateurs de performance ont évolué pour valoriser la capture des connaissances, la validation et la gestion des exceptions.