Le passif caché de l'IA générative : assisté ou augmenté

Ce que valent encore ceux qui ne réfléchissent pas

J'accompagne 3 Product Managers sur un programme de transformation. Avec l'un d'eux, ça marche vraiment. Ateliers augmentés, et une IA avec qui il tape la balle sur ses features.

Et je me suis surpris à me demander, sans détour, ce qu'apporte encore un PM qui ne réfléchit pas beaucoup et qui n'est pas particulièrement créatif. La question ne s'est pas arrêtée là. Elle s'est étendue aux développeurs. Puis à moi.

Je n'ai pas de réponse rassurante à proposer. Ce que je peux dire, c'est que cette question est le vrai coût d'une transformation IA, qu'elle se pose d'abord en silence, et qu'elle ne figure dans aucun business case.

Le seul indicateur que je regarde vraiment

Le signal que j'attends de quelqu'un que j'accompagne est contre-intuitif : je veux qu'il finisse sa journée aussi fatigué qu'avant, et souvent plus. La fatigue n'est pas une vertu, mais c'est le seul indice fiable qu'il est allé plus loin dans sa réflexion, au lieu d'aller plus vite au même endroit.

C'est ce qui sépare, dans ma tête, quelqu'un d'assisté de quelqu'un d'augmenté : l'assistance allège la journée et produit davantage, quand l'augmentation ne soulage rien du tout et se contente de déplacer le plafond de ce qu'on est capable de traiter.

Ce critère n'a l'air de rien, et il retourne pourtant la façon dont on pilote un déploiement d'IA. Si tout le monde rentre plus léger le soir et que les compteurs de production montent, il est probable que l'organisation ait commencé à emprunter sans s'en apercevoir, plutôt qu'à gagner en productivité.

Je vais donc parler de dettes. Le mot n'est pas une accusation. Une dette finance une accélération immédiate et se rembourse plus tard, avec intérêts. Le problème n'est jamais d'emprunter, c'est d'emprunter sans le savoir. Dans les organisations où j'interviens, de grandes structures engagées dans une transformation agile à l'échelle, j'en vois 3 se contracter en parallèle. Celle des personnes, celle du collectif, celle du système.

Une précaution de vocabulaire. L'IA n'invente pas ces dettes. La plupart de ces mécanismes lui sont antérieurs, le premier d'entre eux ayant été décrit dans les cockpits d'avion. Ce qu'elle fait, c'est les rendre criants et les industrialiser. DORA le formule mieux que moi, « l'IA amplifie ce qui existe » [1] — un mécanisme que j'ai détaillé ailleurs : l'IA révèle l'organisation avant de l'améliorer. Une organisation aux fondations solides emprunte donc moins que les autres, ce qui est plutôt une raison d'investir sur ses fondamentaux.

La facture des personnes

L'IA excelle sur les gammes. Le premier jet, la synthèse, le code standard, l'analyse de routine. Ce sont exactement les tâches par lesquelles on apprend un métier, par lesquelles on garde la main quand on l'a appris, et qui fatiguent.

Un essai contrôlé publié par Anthropic en janvier 2026 donne l'ordre de grandeur [2]. 52 développeurs Python, majoritairement juniors, découvrent une bibliothèque qu'ils ne connaissent pas. La moitié dispose d'un assistant IA en plus de la documentation officielle, l'autre de la documentation seule. Au quiz de compréhension passé sans IA après la tâche, le groupe assisté obtient 50 % de bonnes réponses contre 67 %. Sur le temps, l'écart de 2 minutes n'est pas significatif. Sur la compréhension, il l'est, et il vaut 17 points. Autrement dit, à effort moindre et à résultat équivalent, le groupe assisté a payé l'économie en compréhension.

Le MIT a mesuré la version courte du même phénomène [3]. Des participants rédigent un texte avec ChatGPT, électroencéphalogramme sur la tête, et 83 % d'entre eux se révèlent incapables, quelques minutes plus tard, de citer le contenu de « leur » propre texte. L'étude est une prépublication sur petit effectif et je la prends pour ce qu'elle est, mais le mécanisme est celui que j'observe. On produit sans encoder, et rien ne le signale sur le moment.

Je le vois d'abord sur moi. J'ai construit un second cerveau de mission qui produit la synthèse de mes réunions. La tentation, chaque fois, est de la transmettre sans jamais refaire l'exercice, même mentalement. Le document est défendable. Moi, je ne le suis pas si on m'interroge dessus le lendemain.

Pour un dirigeant, la difficulté est que cette facture arrive en 2 temps. À 12 mois elle est invisible, puisque tout le monde produit davantage. À 5 ans, il faut des seniors capables de challenger l'IA et on n'a pas formé la génération qui devait le devenir.

L'autre moitié de la facture est celle qui ouvre cet article, et elle ne se mesure pas en compétence. Guy Champniss a relevé auprès de 1 200 salariés 6 effets qui s'installent quand l'IA arrive sans accompagnement [4]. Délégation cognitive et perte de recul critique, sentiment de dépossession de son travail, doute sur sa propre compétence, affaiblissement des échanges collectifs, crainte de perdre en crédibilité auprès de ses pairs du fait même d'utiliser l'outil, inquiétude sur la valeur future de son métier. Le point qui compte pour qui pilote une transformation, c'est que ces effets touchent aussi, et parfois d'abord, les gens qui trouvent l'outil formidable et s'en servent tous les jours, si bien que les traiter comme de la résistance au changement est la façon la plus rapide d'alourdir la dette au lieu de la résorber.

La facture du collectif

Un support de relance stratégique, préparé pour une session de direction inter-programmes, m'est arrivé à un stade avancé de préparation. Des sections dupliquées en français et en anglais qui répétaient la même proposition de valeur sans rien y ajouter. Des titres flous. Des sondages et des slides de brouillon qui auraient dû rester des notes internes. Rien n'était faux. Tout demandait à être retraité par celui qui devait s'en servir pour animer la session.

BetterUp Labs et le Stanford Social Media Lab ont donné un nom à ça, le « workslop » [5]. Du contenu généré par IA, présentable, vide de substance, qui transfère la charge de travail vers celui qui le reçoit. Sur 1 150 salariés américains interrogés, environ 40 % en ont reçu dans le mois, et chaque occurrence coûte 1 heure 56 à son destinataire. Rapporté à une organisation de 10 000 personnes, les auteurs chiffrent la perte à un peu plus de 9 millions de dollars par an.

Le chiffre frappe, mais ce n'est pas lui qui devrait inquiéter un dirigeant. Reprenons le critère du début : le workslop, c'est la fatigue qui change de porteur. L'émetteur a fini plus tôt, le destinataire y passera 2 heures, et le tableau de bord n'enregistre que la première moitié de l'opération.

Vient ensuite un effet que je n'ai vu mesuré nulle part et que je donne pour ce qu'il est, une déduction de terrain. Quand le workslop circule, on cesse de savoir ce que vaut la parole de l'autre. Ce document reflète-t-il son analyse ou celle d'un modèle ? Cette assurance est-elle de l'expertise ou de la fluidité empruntée ? Le coût de vérification, que la confiance mutuelle avait précisément pour fonction d'économiser, se réinstalle partout. Le signal est facile à repérer une fois qu'on le cherche : quelqu'un refait discrètement un travail déjà livré plutôt que de demander à son auteur ce qu'il a vérifié.

Il y a une troisième dette collective, plus contre-intuitive. Doshi et Hauser ont montré dans Science Advances que l'IA améliore la créativité individuelle, surtout celle des moins créatifs, tout en réduisant la diversité collective des productions [6]. Pour une direction qui cherche à se différencier, c'est un problème stratégique, puisque la valeur tient aux idées que les autres n'ont pas eues plutôt qu'à la qualité moyenne des idées produites.

La facture du système

Le rapport DORA 2025 établit que l'IA augmente le débit de livraison et la performance produit, tout en gardant une relation négative avec la stabilité [1]. GitClear le confirme sur les dépôts, plus de 200 millions de lignes modifiées entre 2020 et 2024 [7], avec une part de code copié-collé qui passe de 8,3 % à 12,3 % et un refactoring qui s'effondre de 24,1 % à 9,5 %. Générer du code n'a jamais été aussi rapide, alors que le comprendre, le maintenir et le faire vivre demande exactement le même temps qu'avant, ce qui creuse mois après mois un écart que personne ne provisionne — c'est le cœur de ce que j'appelle ailleurs le cocktail IA générative + dette technique.

J'ai payé cette facture en direct. Un agent que j'avais conçu pour appuyer un rôle de Product Management, capable d'exécuter des scripts qui créent et modifient des éléments de backlog en production, a fonctionné plusieurs semaines sans un seul test. Ni pour les scripts, ni pour le comportement de l'agent. La revue d'architecture que j'ai fini par mener l'a formulé ainsi : « l'IA est probabiliste, sans tests de régression, chaque mise à jour est une roulette russe ». Générer l'outil avait pris quelques heures. M'apercevoir qu'il n'était pas soutenable a pris plusieurs semaines. La même revue a trouvé un jeton d'accès à un outil de gestion de backlog exposé en clair dans un fichier de configuration, sans qu'aucune règle n'ait prévu de le protéger.

Ce dernier point ouvre la dette de gouvernance. Le rapport du MIT Media Lab et de Project NANDA note que dans plus de 90 % des entreprises interrogées, des salariés utilisent régulièrement des outils d'IA personnels pour leur travail, quand 40 % seulement de ces entreprises ont acheté un abonnement officiel [8]. L'usage se déplace hors du cadre, données clients comprises — c'est la définition même du Shadow AI.

Le réflexe est d'interdire. Le cas Samsung mérite pourtant d'être lu jusqu'au bout, parce qu'il dit l'inverse de ce qu'on lui fait dire d'habitude. Samsung Device Solutions avait autorisé ChatGPT en mars 2023, puis connu 3 fuites en 20 jours, dont un compte rendu de réunion et du code source [9]. L'interdiction est venue un mois plus tard, temporaire, annoncée le temps de déployer un outil interne. Autoriser ne suffit donc pas, et interdire ne règle rien. Ce qui a manqué, entre les deux, ce sont des règles d'usage écrites avant l'ouverture et une date à laquelle l'alternative interne existe — autrement dit, une gouvernance IA opérationnelle.

Reste la dette la plus discrète, celle de la mesure. Automatiser un flux qu'on n'a pas repensé fige le dysfonctionnement sous une couche d'efficacité apparente. Et mesurer l'IA au volume produit installe une incitation parfaite à fabriquer du workslop. Marilyn Strathern l'a condensé en 1997 en reformulant la loi de Goodhart, « quand une mesure devient une cible, elle cesse d'être une bonne mesure » [10].

Je suis tombé dedans. Pour l'agent d'appui au Product Management, j'ai retenu 2 métriques, un taux de retravail avec une cible sous 20 % et un taux de conformité aux gabarits de sortie avec une cible à 100 %. Exiger 100 % sur la forme et tolérer 20 % de reprise sur le fond dessine, lu froidement, le profil exact de ce que je viens de décrire, un livrable conforme au gabarit et perfectible sur le contenu.

Ce que je fais, concrètement

Rien de ce qui précède ne plaide pour ralentir. Bien orchestrée, l'IA fait exactement l'inverse de ce que ce texte décrit, et c'est ce que j'essaie de provoquer.

L'atelier augmenté. Des humains dans une pièce, et une personne qui tient un rôle de scribe et alimente l'IA au fil de la discussion. L'intérêt n'est pas la vitesse : les gens dans la pièce arrivent avec leurs biais, et une IA bien orchestrée permet d'aller au-delà et de couvrir les angles morts que le groupe ne verra pas tout seul. C'est le seul dispositif où j'ai vu l'IA réduire un biais collectif au lieu d'en ajouter un.

Taper la balle. Le PM avec qui ça fonctionne le mieux ne demande pas à l'IA d'écrire ses features. Il lui fait incarner des proto-personas et les envoie challenger ce qu'il propose, pour vérifier que la feature a du sens et qu'elle apporte de la valeur. Même chose sur les critères d'acceptation. Ce qui sort à la fin est très au-delà de ce qui avait été généré au départ, et c'est bien pour ça que la séance est fatigante.

Doser sur la courbe d'expertise, pas sur celle du déploiement. J'ouvre l'accès par strates, et j'attends de voir que la personne maîtrise une strate avant d'ouvrir la suivante. Le critère de passage n'est pas qu'elle sache se servir de l'outil, c'est qu'elle s'en serve pour aller plus loin plutôt que pour se faciliter la vie. Je le fais au feeling, parce que je suis passé par ces étapes moi-même en y étant vigilant, et je n'ai pas de meilleure méthode à proposer aujourd'hui. C'est une limite réelle de ce que je raconte ici.

Préserver ce qui s'apprend. Sur les tâches à enjeu d'apprentissage, inverser l'ordre des opérations, penser d'abord et générer ensuite. Sanctuariser des travaux sans IA en début de montée en compétence. Évaluer la compréhension autant que le livrable, en demandant par exemple de défendre une solution comme si l'IA ne l'avait pas écrite.

Institutionnaliser la contradiction. Demander à l'IA d'attaquer sa propre proposition, imposer une alternative structurée avant toute décision assistée, et garder un critère simple. Si personne ne peut expliquer pourquoi la proposition de l'IA est bonne, elle n'est pas encore acceptée. Ce réflexe est le meilleur antidote aux biais cognitifs qui sabotent une transformation IA.

Il reste une objection à tout cela, et elle m'arrête. Ces gestes reposent en dernier ressort sur un humain qui vérifie, or c'est exactement la faculté qui se dégrade au contact d'une machine qui a souvent raison. Le rapport que Deloitte a remis au gouvernement australien en 2025, truffé de références inventées et d'une citation judiciaire fabriquée, était passé par tous les niveaux de relecture interne [11].

Je n'ai pas de réponse complète. J'ai une distinction, et elle ne vaut que si elle se mesure. Une validation nominale consiste à lire et à approuver. Une validation effective laisse une trace de ce qu'elle a changé, et son taux de rejet est un chiffre que quelqu'un regarde. La question à poser en revue de programme n'est donc pas « avez-vous une validation humaine », mais « combien de fois a-t-elle dit non ».

Assisté, ou augmenté

L'IA générative est probablement le meilleur actif qu'on ait proposé aux organisations depuis 20 ans. C'est bien pour cela qu'il faut en tenir la comptabilité entière, et pas seulement la colonne qui rapporte.

Quant à la question du début, celle de ce que valent encore ceux qui ne réfléchissent pas beaucoup, je crois qu'elle est mal posée, et j'ai mis du temps à comprendre pourquoi. Elle suppose que la réflexion est une propriété des personnes. Ce que je vois sur le terrain, c'est qu'elle est surtout une propriété des situations qu'on leur propose. Un PM à qui on donne un outil qui produit à sa place aura de moins en moins d'occasions de réfléchir. Le même, dans un atelier augmenté où une IA vient challenger sa feature avec 3 proto-personas, en aura beaucoup plus qu'avant.

Que ce soit l'un ou l'autre ne dépend pas de l'outil. Cela dépend de la façon dont on organise le travail autour de lui, du temps qu'on laisse à quelqu'un pour être en désaccord avec ce qu'une machine lui propose, et de ce qu'on décide de regarder le soir.

Annexe : le passif en 13 postes

Poste	Ce qui se contracte	Le signal qui doit alerter	La contre-mesure	Source
Dette cognitive	On produit sans mémoriser	Un collaborateur incapable de défendre le document qu'il a « écrit » la veille	Penser d'abord, générer ensuite, sur les tâches à enjeu d'apprentissage	[3]
Dette psychologique	6 effets qui s'installent quand l'IA arrive sans accompagnement	Des équipes qui produisent plus, demandent moins d'aide et évitent le sujet en rétrospective	Traiter l'adoption comme un sujet de management	[4]
Dette de compétence	Le chemin d'apprentissage du junior s'assèche	Des juniors très productifs dont les questions se raréfient	Sanctuariser des travaux sans IA, évaluer la compréhension	[2]
Biais d'automatisation	L'humain cesse de vérifier une machine qui a souvent raison	Un livrable qui traverse plusieurs relectures sans trace de modification	Institutionnaliser la contradiction	[12][13]
Biais d'ancrage	La 1^re proposition de l'IA devient le cadre de la réflexion	Des ateliers où la solution retenue est toujours une variante du 1^er jet	Imposer une alternative structurée avant décision	[14]
Illusion de compétence	Avoir lu une synthèse est confondu avec avoir compris	Quelqu'un qui parle d'un dossier avec plus d'assurance qu'il n'y a passé de temps	Faire expliciter, demander la démonstration	[15][16]
Sycophancie	Le modèle abonde dans le sens de l'utilisateur	Une IA qui ne vous a rien refusé depuis des semaines	Demander à l'IA d'attaquer sa propre proposition	[17][18]
Workslop	La fatigue de l'émetteur passe à son destinataire	« C'est bien rédigé mais ça ne dit rien »	Signer ce qu'on transmet, au sens fort	[5]
Homogénéisation	Chacun s'améliore, l'ensemble se ressemble	3 propositions, 3 ateliers, la même structure et les mêmes exemples	Diverger sans IA avant de converger avec	[6]
Dette de confiance	On ne sait plus ce que vaut la parole de l'autre	Quelqu'un refait discrètement un travail déjà livré	Déclarer l'usage : ce qui a été assisté, à quel degré, ce qui a été vérifié	Déduction de terrain
Dette technique	Le débit monte, la stabilité baisse	Du code qui fonctionne et que personne ne sait plus expliquer	Revue de code et intégration continue non négociables	[1][7]
Dette de gouvernance	L'usage réel se déplace hors du cadre	Une direction qui découvre l'ampleur de l'usage par un incident	Habiliter, avec des règles écrites et une date	[8][9]
Dette de processus et de mesure	On mesure le volume, donc on produit du volume	Un tableau de bord où tout monte et où personne n'est plus tranquille	Repenser le flux avant de l'augmenter, mesurer la valeur	[10]

Références

Google Cloud / DORA, State of AI-assisted Software Development 2025. Données déclaratives, environ 5 000 répondants ; le résultat 2025 sur le débit inverse celui de 2024.
Shen, J. H., Tamkin, A. (Anthropic), How AI Impacts Skill Formation, arXiv:2601.20245, janvier 2026.
Kosmyna, N. et al. (MIT Media Lab), Your Brain on ChatGPT, arXiv:2506.08872, 2025. Prépublication non relue par les pairs, 54 participants.
Champniss, G., The Psychological Costs of Adopting AI, Harvard Business Review, 1^er mai 2026.
Niederhoffer, K. et al. (BetterUp Labs / Stanford Social Media Lab), AI-Generated "Workslop" Is Destroying Productivity, Harvard Business Review, 22 septembre 2025.
Doshi, A. R., Hauser, O. P., Generative AI enhances individual creativity but reduces the collective diversity of novel content, Science Advances, 10(28), 2024.
GitClear, AI Copilot Code Quality, données de dépôt 2020-2024.
MIT Media Lab / Project NANDA, The GenAI Divide: State of AI in Business 2025. Publication non relue par les pairs, 52 entretiens et 153 réponses de dirigeants.
Incident Samsung / ChatGPT : autorisation en mars 2023, 3 fuites en 20 jours, restriction temporaire en mai 2023.
Strathern, M., 'Improving ratings': audit in the British University system, European Review, 5(3), 1997, p. 308, reformulant Goodhart (1975).
Deloitte Australia, Targeted Compliance Framework Assurance Review, Department of Employment and Workplace Relations, publié le 4 juillet 2025, version corrigée du 26 septembre 2025, remboursement de 97 587 dollars australiens.
Parasuraman, R., Manzey, D. H., Complacency and Bias in Human Use of Automation, Human Factors, 52(3), 2010.
Moffatt v. Air Canada, 2024 BCCRT 149, février 2024.
Tversky, A., Kahneman, D., Judgment under Uncertainty: Heuristics and Biases, Science, 185(4157), 1974.
Fernandes, D. P. B. et al., AI makes you smarter but none the wiser, Computers in Human Behavior, 175, 2025.
Fisher, M., Goddu, M. K., Keil, F. C., Searching for explanations, Journal of Experimental Psychology: General, 144(3), 2015.
Cheng, M. et al., Sycophantic AI decreases prosocial intentions and promotes dependence, Science, 391(6792), 2026.
OpenAI, Expanding on what we missed with sycophancy, 2 mai 2025.

À propos de l'auteur et déclaration d'intérêts

Je suis consultant chez inspearit, cabinet qui commercialise une offre de transformation IA sous la marque IAgile™. Les observations de terrain proviennent d'une transformation agile à l'échelle en cours, anonymisée.