IA on the job : faut-il estimer avant de consulter ?
Lorsqu’une équipe estime un délai ou une charge de travail, consulter d’abord l’IA paraît être une manière raisonnable de démarrer. Faut-il pourtant demander une première estimation indépendante avant d’afficher celle de l’outil ?
Ce que la littérature établit
Amos Tversky et Daniel Kahneman (1974, Science) décrivent l’ancrage : une valeur initiale peut orienter une estimation numérique, même lorsqu’elle ne constitue pas une information pertinente. Dans les situations étudiées, les ajustements effectués à partir de cette valeur ne suffisent pas toujours à s’en affranchir. Ces travaux donnent une raison de s’intéresser au premier chiffre présenté, mais ne portent pas sur les assistants d’IA.
Le mécanisme derrière le premier chiffre
Fritz Strack et Thomas Mussweiler (1997, Journal of Personality and Social Psychology) apportent des résultats en faveur d’un mécanisme d’accessibilité sélective. Examiner une valeur proposée peut rendre plus accessibles les connaissances compatibles avec cette valeur et orienter le jugement suivant. Appliqué à l’IA, ce mécanisme suggère une hypothèse à tester : une estimation accompagnée d’une justification pourrait structurer la recherche d’arguments, plutôt que simplement informer l’utilisateur.
La conclusion trop rapide
On pourrait en déduire qu’il faut toujours produire son estimation avant de consulter l’IA. Ces études ne démontrent pourtant pas que cet ordre améliore les décisions professionnelles : une première estimation personnelle peut elle aussi être erronée et devenir un point d’ancrage. L’enjeu consiste donc à comparer des séquences de travail, non à ériger l’indépendance initiale en garantie de justesse. (nos formations pour cadres et collaborateurs)
Ce que les données ne permettent pas de trancher
Les expériences citées portent sur des jugements numériques dans des situations contrôlées, et non sur la planification collective dans une entreprise fribourgeoise. Elles ne permettent pas de déterminer comment l’expertise métier, la qualité des données ou la discussion entre collègues modifieraient l’effet d’une proposition d’IA. Observer un rapprochement entre l’estimation humaine et celle de l’outil ne suffit d’ailleurs pas : ce rapprochement peut correspondre à une correction pertinente.
Une implication pratique, vérifiable à Fribourg
Dans le programme « IA on the job » de SHR, une vérification pourrait porter sur l’estimation de durées de traitement de dossiers clôturés et anonymisés, issus de l’agroalimentaire ou de l’industrie bilingue fribourgeoise, avec un appui méthodologique éventuellement recherché auprès du pôle universitaire. Répartir aléatoirement les participants entre deux séquences — estimation personnelle puis proposition d’IA, ou proposition d’IA d’emblée — en utilisant les mêmes dossiers, une proposition d’IA fixe par dossier et des durées réelles masquées. Comparer ensuite l’erreur absolue moyenne des estimations finales par rapport aux durées constatées, séparément pour les dossiers en français et en allemand. Ce test fournirait un indicateur local de l’intérêt d’une estimation préalable, sans engager une décision de production ni prétendre établir une règle générale. Pour aller plus loin : découvrez la formation IA on the job à Fribourg, ou parcourez nos formations pour cadres et collaborateurs en Suisse.
En images : IA on the job à Fribourg
- ia on the job
- Fribourg
- recherche
- formation fribourg