IA : définir le problème avant de demander des solutions
Les outils d'IA permettent de produire rapidement des pistes face à un retard, une non-conformité ou une difficulté de coordination. La question managériale est précise : comment éviter que la première formulation soumise à l'outil ne devienne, sans examen, la définition officielle du problème ?
Ce que la littérature établit
Amos Tversky et Daniel Kahneman (1974, Science) décrivent notamment l'ancrage : dans des tâches d'estimation, un point de départ peut orienter le jugement, même lorsque sa pertinence est faible. Les ajustements effectués à partir de ce point peuvent rester insuffisants. Ce résultat invite à examiner les points de départ du raisonnement ; il ne démontre pas qu'une première réponse d'IA impose nécessairement son cadrage à une équipe.
Le mécanisme qui entretient un cadrage initial
Raymond S. Nickerson (1998, Review of General Psychology) synthétise les travaux sur le biais de confirmation : la recherche et l'interprétation d'éléments peuvent favoriser une croyance ou une hypothèse déjà présente. Demander à l'IA comment corriger un « manque de motivation » présuppose ainsi un diagnostic que les faits n'ont peut-être pas établi. Le risque managérial envisagé ici est que l'abondance des solutions rende ce présupposé moins visible.
La conclusion trop rapide
On pourrait en déduire qu'il faut toujours définir le problème sans IA. Ces travaux ne justifient pas cette interdiction : l'outil peut aussi servir à proposer des formulations concurrentes et à expliciter leurs présupposés. La distinction utile est entre produire des solutions dans un cadre donné et examiner si ce cadre mérite d'être retenu. (nos formations pour cadres et collaborateurs)
Ce que les données ne permettent pas d'affirmer
Ces publications portent sur le jugement humain, non sur les usages actuels de l'IA générative dans les entreprises fribourgeoises. Elles ne mesurent ni la fréquence d'un cadrage erroné avec ces outils, ni l'efficacité d'un protocole destiné à le prévenir. Obtenir plusieurs reformulations ne suffit d'ailleurs pas : elles peuvent toutes conserver la même hypothèse causale non vérifiée.
Une implication pratique, vérifiable à Fribourg
Dans le cadre du programme SHR « Manager à l'ère de l'intelligence artificielle », un exercice pourrait porter sur un cas anonymisé de non-conformité agroalimentaire ou de retard dans une entreprise industrielle bilingue, avec une relecture méthodologique éventuellement sollicitée auprès du pôle universitaire fribourgeois. Avant de demander des solutions, l'équipe consignerait le problème en français et en allemand, les faits observés, les causes supposées et une observation susceptible de contredire chaque cause. Sur une période pilote définie à l'avance, la mesure serait la proportion de dossiers comportant ces éléments avant la première demande de solutions à l'IA, vérifiable dans les fiches datées et l'historique des échanges. Cet indicateur documenterait une discipline de formulation, sans être présenté comme une preuve d'amélioration des décisions. Pour aller plus loin : découvrez la formation Manager à l'ère de l'intelligence artificielle à Fribourg dans le canton de Fribourg, ou parcourez nos formations pour cadres et collaborateurs en Suisse.
En images : Manager à l'ère de l'intelligence artificielle à Fribourg
- manager à l'ère de l'intelligence artificielle
- Fribourg
- recherche
- formation fribourg