IA : retravailler une proposition la rend-elle plus difficile à abandonner ?
L’IA fournit une première proposition ; l’équipe la corrige, la complète et finit par la défendre. Pour le manager, la question précise est la suivante : le travail de révision améliore-t-il seulement la proposition, ou rend-il aussi son abandon plus difficile ?
Ce que la littérature établit
Michael I. Norton, Daniel Mochon et Dan Ariely (2012, Journal of Consumer Psychology) montrent, dans des expériences d’assemblage et de construction, que les participants peuvent valoriser davantage les objets qu’ils ont eux-mêmes réalisés. Cet « effet IKEA » dépend notamment de l’achèvement réussi de la tâche : fournir un effort ne suffit pas toujours à produire cette valorisation. Ces résultats concernent des objets, non des propositions rédigées avec une IA, mais ils permettent de formuler une hypothèse sur l’attachement aux productions que l’on a contribué à façonner.
Quand l’effort passé entre dans la décision
Hal R. Arkes et Catherine Blumer (1985, Organizational Behavior and Human Decision Processes) documentent la tendance à poursuivre une action après avoir investi de l’argent, du temps ou de l’effort. Le mécanisme des coûts irrécupérables est distinct de la valorisation de sa propre production : il concerne le poids donné à un investissement passé dans une décision portant sur l’avenir. Dans un travail assisté par IA, invoquer les corrections déjà effectuées pour conserver une proposition serait un signal à examiner, et non une preuve de sa pertinence.
La conclusion trop rapide
On pourrait en déduire qu’il faut empêcher les équipes de retravailler les propositions de l’IA. Ce serait confondre un risque d’attachement avec l’utilité réelle de la révision, qui peut apporter des contraintes métier absentes du premier résultat. La distinction utile oppose les arguments sur la qualité actuelle de la proposition aux arguments sur ce qu’elle a déjà coûté. (nos formations pour cadres et collaborateurs)
Ce que les données ne permettent pas de conclure
Ces études n’établissent ni l’existence ni l’ampleur d’un effet d’attachement dans la corédaction avec une IA générative. Une équipe qui conserve sa version révisée peut simplement avoir corrigé des défauts importants ; un évaluateur extérieur peut aussi ignorer des contraintes décisives. Une préférence pour sa propre version ne suffit donc pas à diagnostiquer un biais sans examiner la qualité des options et les informations disponibles.
Une implication pratique, vérifiable à Lausanne
Dans le cadre du programme SHR « Manager à l’ère de l’intelligence artificielle », un exercice proposé à Lausanne peut porter sur une note de projet non sensible, adaptée à une medtech, une haute école, une organisation du sport international ou une scale-up de l’arc lémanique. Avant la révision avec l’IA, l’équipe fixe les critères de qualité, puis compare sa version finale à une proposition alternative préparée séparément à partir du même cahier des charges ; des collègues non impliqués évaluent les deux versions sans connaître leur origine. La mesure est la proportion de dossiers pour lesquels l’équipe et ces collègues retiennent des versions différentes, accompagnée des justifications et du temps de révision consigné. Cet écart ne prouve pas un biais, mais rend vérifiable la discussion : défend-on une contrainte mieux satisfaite, ou surtout le travail déjà investi ? Pour aller plus loin : découvrez la formation Manager à l'ère de l'intelligence artificielle à Lausanne dans le canton de Vaud, ou parcourez nos formations pour cadres et collaborateurs en Suisse.
En images : Manager à l'ère de l'intelligence artificielle à Lausanne
- manager à l'ère de l'intelligence artificielle
- Lausanne
- recherche
- formation lausanne