Adoption de l’IA : les cas rares disparaissent-ils des priorités ?
Pour engager l’adoption de l’IA, commencer par les tâches récurrentes semble raisonnable. La question managériale est plus précise : comment éviter que cette priorité initiale n’écarte durablement les situations rares, mais importantes ?
Ce que la littérature établit
James March (1991, Organization Science) formalise la tension entre l’exploitation de connaissances existantes et l’exploration de possibilités nouvelles. Ses modèles montrent comment des rendements plus proches et plus prévisibles peuvent favoriser l’exploitation, au détriment de l’exploration. Appliqué à l’IA, ce cadre invite à examiner non seulement les gains des usages retenus, mais aussi les problèmes auxquels l’équipe cesse de consacrer de l’attention.
Le mécanisme : apprendre surtout de ce qui revient
Daniel Levinthal et James March (1993, Strategic Management Journal) décrivent une myopie de l’apprentissage : les organisations peuvent privilégier le proche et les réussites, en négligeant les horizons éloignés et les échecs. Les retours disponibles sur une activité répétitive sont plus nombreux que ceux portant sur une situation exceptionnelle. Un portefeuille d’usages de l’IA pourrait ainsi se concentrer sur ce qui produit rapidement des preuves de progrès, sans couvrir ce qui compte le plus en cas d’incident.
La conclusion trop rapide
Il serait excessif d’en conclure qu’il faut privilégier les cas rares ou les confier à l’IA. Commencer par une activité fréquente et délimitée peut faciliter l’apprentissage et rendre les résultats observables. La nuance porte sur la sélection : une faible fréquence ne constitue pas, à elle seule, un motif suffisant pour retirer un problème de l’agenda managérial. (nos formations pour cadres et collaborateurs)
Ce que ces travaux ne démontrent pas
Ces articles proposent des modèles et une analyse théorique de l’apprentissage organisationnel, non des essais sur l’IA générative dans des équipes genevoises. Ils ne déterminent ni la répartition optimale des usages ni les situations qu’un système actuel peut traiter de manière fiable. Un nombre élevé d’utilisations renseigne sur la répétition d’une pratique, pas sur la couverture des situations importantes.
Une implication pratique, vérifiable à Genève
Dans le cadre du programme « Conduire l’adoption de l’IA dans son équipe » de SHR, une équipe genevoise peut établir, avant de sélectionner ses usages, une liste de situations peu fréquentes mais à fort enjeu : dossier atypique en banque privée, demande exceptionnelle dans une organisation internationale, défaut inhabituel en horlogerie de luxe ou anomalie documentaire dans le négoce de matières premières. Après un mois, calculer la proportion de ces situations ayant fait l’objet d’une décision documentée : usage de l’IA à tester, traitement humain maintenu ou examen reporté avec motif. Le numérateur est le nombre de situations assorties d’une décision, le dénominateur la liste initiale figée ; le registre reste interne et ne nécessite aucune transmission de données sensibles à un outil d’IA. Cette mesure vérifie la couverture de l’arbitrage, non la performance de l’outil. Pour aller plus loin : découvrez la formation Conduire l'adoption de l'IA dans son équipe à Genève dans le canton de Genève, ou parcourez nos formations pour cadres et collaborateurs en Suisse.
En images : Conduire l'adoption de l'IA dans son équipe à Genève
- conduire l'adoption de l'ia dans son équipe
- Genève
- recherche
- formation genève