IA on the job : retoucher une proposition rend-il moins critique ?

Une note générée par l’IA devient rarement un livrable sans retouches, et le temps consacré à ces retouches semble justifier la confiance accordée au résultat. La question managériale est plus précise : comment vérifier que l’on défend la qualité du document plutôt que le travail que l’on y a investi ?

Ce que la littérature établit

Michael I. Norton, Daniel Mochon et Dan Ariely (2012, Journal of Consumer Psychology) montrent expérimentalement que participer à la fabrication d’un objet peut augmenter la valeur qu’on lui attribue. Dans leurs expériences, cet effet dépend notamment de l’achèvement réussi du travail : fournir un effort ne suffit pas dans toutes les conditions. Ces résultats concernent des objets assemblés, non des documents professionnels révisés avec une IA.

L’appropriation peut aussi modifier l’évaluation

Daniel Kahneman, Jack L. Knetsch et Richard H. Thaler (1990, Journal of Political Economy) montrent, dans des expériences d’échange, que la possession d’un bien peut modifier sa valorisation. Ce mécanisme est distinct de l’effort de fabrication : il invite à ne pas traiter la valeur attribuée comme une simple lecture des propriétés de l’objet. Appliqué à une note retouchée, il suggère une hypothèse à vérifier, non un résultat acquis : devenir l’auteur de sa version finale pourrait compliquer son évaluation impartiale.

La conclusion trop rapide

On pourrait en déduire qu’il faut empêcher les collaborateurs de retravailler les propositions de l’IA pour préserver leur distance critique. Ce serait confondre un risque d’attachement avec une absence de valeur ajoutée : la révision peut corriger des erreurs et apporter des connaissances indispensables. L’enjeu est de distinguer la contribution à la production de l’appréciation finale, non de supprimer cette contribution. (nos formations pour cadres et collaborateurs)

Ce que les données ne permettent pas de conclure

Ces travaux n’établissent ni l’existence ni l’ampleur d’un effet d’appropriation dans la révision de textes générés par l’IA au travail. Les documents professionnels comportent des contraintes de conformité, des critères métier et des conséquences collectives qui ne se réduisent pas à la valorisation d’un objet. Une préférence pour sa propre version peut donc refléter une amélioration réelle, un attachement particulier, ou les deux.

Une implication pratique, vérifiable à Zurich

Dans le cadre d’« IA on the job », une équipe zurichoise des services financiers, de l’assurance, de la tech ou d’un siège européen pourrait tester ce point sur des notes internes non sensibles, produites avec un outil autorisé. Pour chaque note, le réviseur et un collègue non impliqué évalueraient séparément la version initiale et la version retouchée, selon une grille fixée à l’avance portant sur l’exactitude, la couverture des exigences et la clarté ; le collègue recevrait les versions sans indication de leur provenance et dans un ordre aléatoire. La mesure serait l’écart entre le gain de score attribué aux retouches par le réviseur et celui attribué par le collègue, accompagné des défauts concrets relevés. Un écart récurrent ne prouverait pas un biais d’appropriation, mais fournirait un motif vérifiable pour instaurer une relecture indépendante avant diffusion. Pour aller plus loin : découvrez la formation IA on the job à Zurich, ou parcourez nos formations pour cadres et collaborateurs en Suisse.

En images : IA on the job à Zurich

• ia on the job
• Zurich
• recherche
• formation zurich