Manager avec l’IA : que sacrifie-t-on à la performance immédiate ?
Une équipe peut utiliser l’IA pour améliorer ses résultats courants tout en consacrant moins d’efforts à comprendre ce qui pourrait les transformer. La question managériale est précise : comment évaluer un usage de l’IA sans favoriser systématiquement le rendement immédiat au détriment de l’apprentissage ?
Ce que la littérature établit
James March (1991, Organization Science) distingue l’exploitation des connaissances existantes de l’exploration de possibilités nouvelles. Son modèle montre comment les rendements plus proches et plus prévisibles de l’exploitation peuvent conduire une organisation à lui accorder une place excessive. Appliqué au management de l’IA, ce cadre invite à distinguer l’amélioration d’un procédé connu de l’investissement dans une connaissance encore incertaine.
Le mécanisme : apprendre dans un horizon trop court
Daniel Levinthal et James March (1993, Strategic Management Journal) analysent les myopies de l’apprentissage, notamment la tendance à privilégier les conséquences proches dans le temps et dans l’organisation. Une pratique peut ainsi être renforcée parce que ses bénéfices locaux sont visibles, tandis que ses coûts plus lointains restent hors du champ d’évaluation. Un tableau de bord centré sur le temps gagné grâce à l’IA risque, par analogie, de laisser invisibles les essais abandonnés et les questions non investiguées.
La conclusion trop rapide
Il serait excessif d’en conclure que l’IA appauvrit nécessairement l’apprentissage ou que l’exploration doit toujours primer. Exploiter une méthode éprouvée reste indispensable, particulièrement lorsque la répétabilité et la conformité conditionnent la qualité. La nuance porte sur les critères d’arbitrage : récompenser uniquement un résultat immédiat ne permet pas d’apprécier la capacité future de l’équipe à résoudre un problème nouveau. (nos formations pour cadres et collaborateurs)
Ce que ces travaux ne permettent pas d’affirmer
Ces deux articles proposent des cadres théoriques, dont un modèle de simulation ; ils ne constituent pas des évaluations des outils actuels d’IA générative. Ils ne permettent donc ni de chiffrer un effet de l’IA sur l’apprentissage ni de fixer une proportion optimale de temps d’exploration. Compter les essais réalisés reste également insuffisant si leur contenu, leurs résultats et leurs conditions de réutilisation ne sont pas documentés.
Une implication pratique, vérifiable à Neuchâtel
Dans une équipe neuchâteloise de microtechnique, d’horlogerie ou de microélectronique de précision, un pilote d’IA pourrait porter sur la préparation d’analyses de causes de non-conformités, sans modifier les procédures de validation. Avant le pilote, puis pendant une période comparable, consigner les investigations prévues hors production et calculer la proportion de celles qui aboutissent à un résultat documenté, y compris négatif, en relevant les motifs d’abandon. Lire cet indicateur avec le temps consacré aux analyses et avec la complexité des dossiers permettrait de repérer un éventuel déplacement de l’effort, sans attribuer automatiquement ce déplacement à l’IA. C’est un exercice concret pour le programme « Manager à l’ère de l’intelligence artificielle » de SHR : rendre visible ce que l’évaluation de la performance laisse habituellement de côté. Pour aller plus loin : découvrez la formation Manager à l'ère de l'intelligence artificielle à Neuchâtel, ou parcourez nos formations pour cadres et collaborateurs en Suisse.
En images : Manager à l'ère de l'intelligence artificielle à Neuchâtel
- manager à l'ère de l'intelligence artificielle
- Neuchâtel
- recherche
- formation neuchâtel