IA on the job : une synthèse collective conserve-t-elle les informations décisives ?

Confier à l’IA la préparation d’une synthèse semble une manière raisonnable d’alléger le travail collectif. La question managériale est plus précise : comment vérifier qu’une information pertinente, détenue par une seule personne, atteint bien le document sur lequel l’équipe décidera ?

Ce que la littérature établit

Garold Stasser et William Titus (1985, Journal of Personality and Social Psychology) ont montré expérimentalement que les discussions de groupe peuvent privilégier les informations déjà connues de plusieurs membres au détriment de celles détenues par un seul. Dans leur dispositif, cette mise en commun incomplète pouvait empêcher le groupe d’identifier l’option favorisée par l’ensemble des informations disponibles. Un échange nourri ne garantit donc pas que les éléments nécessaires à la décision aient été réunis.

Pourquoi l’information commune prend davantage de place

Gwen M. Wittenbaum, Anne P. Hubbell et Cynthia Zuckerman (1999, Journal of Personality and Social Psychology) ont étudié un mécanisme d’évaluation sociale : l’échange d’informations partagées peut favoriser une appréciation mutuellement positive de la compétence des participants. Une information que d’autres reconnaissent bénéficie ainsi d’un avantage qui ne tient pas nécessairement à sa valeur pour la décision. Appliqué à une synthèse assistée par IA, ce mécanisme conduit à une hypothèse à vérifier : la matière fournie à l’outil peut être déséquilibrée avant même sa génération.

La conclusion trop rapide

On pourrait en déduire qu’il suffit de demander à l’IA de faire ressortir les informations singulières. Mais une consigne ne rend pas accessible un élément qui n’a jamais été communiqué à l’outil, et une information détenue par une seule personne n’est pas nécessairement juste ou importante. L’enjeu n’est pas de privilégier systématiquement le rare, mais de soumettre les informations pertinentes au même examen, quel que soit le nombre de personnes qui les connaissent. (nos formations pour cadres et collaborateurs)

Ce que les données ne permettent pas d’affirmer

Ces études portent sur des échanges humains dans des situations expérimentales, non sur l’usage contemporain de l’IA générative en entreprise. Elles ne démontrent ni qu’un outil d’IA accentue ce biais, ni qu’il le corrige. Dans la pratique, relire uniquement la synthèse finale ne permet pas non plus de distinguer une omission de l’outil d’une information absente des contributions initiales.

Une implication pratique, vérifiable à Zurich

Dans le cadre d’« IA on the job », une équipe zurichoise de services financiers, d’assurance, de tech ou d’un siège européen de groupe international peut tester le protocole suivant sur une décision délimitée : avant l’échange collectif, chaque participant consigne séparément les faits qu’il juge pertinents, en utilisant uniquement un environnement autorisé et des données admises par les règles internes. Un responsable désigné identifie les faits présents dans une seule contribution et valide leur pertinence, puis l’équipe vérifie leur présence dans les échanges, dans les éléments transmis à l’IA et dans la synthèse finale. La mesure est la proportion de ces faits pertinents conservés dans la synthèse, rapportée à leur nombre initial ; si aucun n’est identifié, elle n’est pas calculable. Ce contrôle localise les pertes d’information sans confondre leur conservation avec une preuve de meilleure décision. 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