IA on the job : apprendre des projets sans oublier les échecs
Les organisations souhaitent utiliser l'IA pour transformer leurs archives de projets en recommandations réutilisables. La question managériale est précise : comment éviter qu'un assistant nourri surtout de réussites ne transforme des pratiques insuffisamment éprouvées en recettes internes ?
Ce que la littérature établit
Jerker Denrell (2003, Organization Science) montre par une analyse théorique comment la sous-représentation des échecs peut fausser l'apprentissage organisationnel. Lorsque les organisations observent surtout les survivants, certaines pratiques peuvent paraître favorables à la performance sans que cette observation établisse leur efficacité. Appliqué à un assistant documentaire, ce raisonnement invite à examiner la sélection des dossiers avant d'évaluer la qualité de ses recommandations.
Le mécanisme qui entretient la sélection
James G. March (1991, Organization Science) analyse la tension entre l'exploitation de connaissances existantes et l'exploration de possibilités nouvelles. Son modèle montre comment les avantages plus immédiats de l'exploitation peuvent compromettre l'adaptation à long terme. Un assistant qui remet systématiquement en circulation les méthodes des projets consacrés comme réussites pourrait renforcer cette dynamique ; il s'agit d'une hypothèse d'application, non d'un résultat établi sur l'IA générative.
La conclusion trop rapide
On pourrait en déduire qu'il suffit d'ajouter les projets abandonnés à la base documentaire. Mais un abandon peut résulter d'un changement de portefeuille, d'une contrainte réglementaire ou d'une décision commerciale, sans invalider la méthode employée. Il faut donc documenter les conditions et les raisons de l'issue, plutôt que traiter les catégories « réussite » et « échec » comme des explications. (nos formations pour cadres et collaborateurs)
Ce que les données disponibles ne permettent pas de conclure
Ces travaux ne mesurent ni la qualité d'un assistant actuel ni l'effet causal d'un corpus plus diversifié sur les décisions. En pratique, les projets interrompus peuvent aussi laisser des archives moins complètes que les projets achevés, ce qui rend leur comparaison délicate. Une réponse correctement référencée peut ainsi rester fondée sur une expérience organisationnelle sélective.
Une implication pratique, vérifiable à Bâle
Dans le cadre d'IA on the job, une équipe bâloise de pharma ou de sciences de la vie pourrait choisir une famille de projets reliant R&D internationale et logistique rhénane, puis comparer le registre de projets au corpus réellement accessible à l'assistant. La mesure serait le taux de couverture documentaire par issue : nombre de projets disposant d'un bilan exploitable dans le corpus, divisé par le nombre de projets enregistrés dans chaque catégorie — achevés, interrompus ou réorientés. Le registre et les critères d'un bilan exploitable seraient fixés avant le comptage, avec un périmètre respectant les droits d'accès. Un écart de couverture ne démontrerait pas un biais dans chaque réponse, mais donnerait au management un défaut précis à corriger avant de présenter les recommandations comme des enseignements de l'expérience collective. Pour aller plus loin : découvrez la formation IA on the job à Bâle dans le canton de Bâle-Ville, ou parcourez nos formations pour cadres et collaborateurs en Suisse.
En images : IA on the job à Bâle
- ia on the job
- Bâle
- recherche
- formation bâle