Adoption de l’IA : les exemples réussis faussent-ils le bilan à Bâle ?
Pour présenter l’avancement de l’adoption de l’IA, un responsable choisit volontiers quelques réalisations convaincantes. La question managériale est plus exigeante : comment éviter que cette sélection transforme une collection de réussites en bilan trompeur ?
Ce que la littérature établit
Jerker Denrell (2003, Organization Science) montre, par une analyse théorique et des simulations, que la sous-représentation des échecs peut fausser l’apprentissage à partir de l’expérience d’autrui. Certaines pratiques peuvent paraître associées à la réussite parce que les cas observables constituent un échantillon sélectionné. Pour l’IA, cela invite à distinguer les exemples que l’on peut montrer de l’ensemble des tentatives dont on devrait tirer un bilan.
Apprendre quand les expériences sont peu nombreuses
James G. March, Lee S. Sproull et Michal Tamuz (1991, Organization Science) analysent comment les organisations apprennent lorsque les événements observables sont rares. Ils examinent notamment la possibilité d’enrichir l’expérience par plusieurs interprétations et par l’examen de ce qui aurait pu se produire. Appliqué à un essai d’IA, ce raisonnement conduit à regarder les reprises et les solutions écartées, plutôt que le seul livrable finalement retenu.
La conclusion trop rapide
On pourrait en déduire qu’il suffit d’ajouter quelques échecs aux présentations de réussites. Mais une collection équilibrée d’anecdotes reste une sélection : elle ne renseigne pas sur la fréquence des résultats parmi toutes les tentatives. L’enjeu n’est donc pas de décourager les démonstrations, mais de ne pas leur attribuer la valeur d’un bilan représentatif. (nos formations pour cadres et collaborateurs)
Ce que ces travaux ne permettent pas de conclure
Ces articles ne portent ni sur l’IA générative ni sur les entreprises bâloises ; ils éclairent des mécanismes d’apprentissage organisationnel, sans mesurer leur ampleur dans ce contexte. Une tentative abandonnée n’est d’ailleurs pas nécessairement un échec de l’outil : elle peut signaler une demande mal définie ou un arrêt prudent. Un relevé utile doit donc distinguer le résultat observé du motif qui lui est attribué.
Une implication pratique, vérifiable à Bâle
Dans le cadre du programme « Conduire l’adoption de l’IA dans son équipe » de SHR — Swiss Human Resources, un responsable bâlois peut définir une période d’observation et une tâche autorisée : préparer, par exemple, une note de coordination non sensible entre une équipe pharma ou sciences de la vie, un partenaire de la logistique rhénane et une unité internationale de R&D. Un registre minimal recense chaque tentative sur ce périmètre, y compris celles interrompues, et distingue les productions retenues telles quelles, remaniées ou écartées, sans consigner de contenu confidentiel. La mesure à vérifier est la proportion de productions retenues sans remaniement parmi toutes les tentatives, et non parmi les seuls exemples présentés. Le responsable peut alors comparer cette proportion à celle des cas sélectionnés pour son bilan : un écart rend visible l’effet de sélection, sans démontrer à lui seul la valeur de l’outil. Pour aller plus loin : découvrez la formation Conduire l'adoption de l'IA dans son équipe à Bâle dans le canton de Bâle-Ville, ou parcourez nos formations pour cadres et collaborateurs en Suisse.
En images : Conduire l'adoption de l'IA dans son équipe à Bâle
- conduire l'adoption de l'ia dans son équipe
- Bâle
- recherche
- formation bâle