Comment être un bon manager à l’ère de l’IA.

En 2024, 75 % des travailleurs du savoir interrogés dans le Work Trend Index de Microsoft et LinkedIn disaient utiliser l’IA au travail. L’étude portait sur 31 000 personnes dans 31 pays. Parmi ces utilisateurs, 78 % apportaient leurs propres outils.

Dans beaucoup d’entreprises, les équipes utilisent déjà ces outils pour préparer une réunion, résumer un document, reformuler un message ou analyser un tableau. Elles s’en servent aussi pour écrire du code ou produire un premier brouillon.

Les pratiques ont avancé plus vite que les règles internes. Je commencerais donc par une discussion très simple avec l’équipe, centrée sur les moments où l’IA intervient déjà dans le travail quotidien.

Rendre l’usage de l’IA dicible au travail

Je commencerais par un point basique. Un collaborateur doit pouvoir dire qu’il a utilisé une IA sans baisser la voix.

Une enquête mondiale du Slack Workforce Lab, réalisée auprès de plus de 17 000 employés de bureau, montre un malaise assez net. Près d’une personne sur deux, 48 %, disait qu’elle serait mal à l’aise d’avouer à son manager avoir utilisé l’IA pour au moins une tâche courante. Certaines craignaient de donner l’impression de tricher ou de passer pour paresseuses.

Je trouve ce chiffre inquiétant. Quand un collaborateur cache son usage, le manager perd une occasion de comprendre la méthode. Il perd aussi une chance de voir ce qui fonctionne et de corriger les passages fragiles.

J’aimerais entendre plus souvent une phrase simple dans les équipes. J’ai utilisé l’IA sur cette partie. Voilà ce que je lui ai demandé. Voilà comment j’ai vérifié la réponse. À partir de là, le travail peut être repris ensemble, avec les zones à risque sous les yeux.

Le manager donne le ton. Une remarque rabaissante sur un brouillon produit avec ChatGPT donnera surtout envie de cacher le prochain brouillon.

La liberté de parole demande des règles compréhensibles. Dans mon équipe, chacun saurait quels outils sont autorisés. Chacun saurait aussi quelles données doivent rester dans l’entreprise. Lorsqu’un résultat peut peser sur un client ou sur une décision interne, le niveau de vérification attendu serait défini avant de lancer le travail.

Ces règles gagnent à être écrites avec les équipes. Une charte générale couvre mal tous les cas rencontrés dans un métier. Chaque activité manipule des informations différentes. Les risques changent d’un poste à l’autre.

Dans une discussion de travail, je poserais une question directe. Montre-moi comment tu t’en es servi et comment tu as vérifié. Je la poserais avec le même ton que pour un calcul dans un tableur ou une analyse préparée par un prestataire.

Je montrerais aussi mes propres usages. Raconter une tentative ratée aide beaucoup. Une réponse peut sembler impeccable et contenir une erreur grossière. Le dire devant l’équipe donne à chacun le droit de montrer ses essais avant qu’un problème arrive chez un client.

Donner du temps aux personnes qui testent déjà

Dans chaque équipe, quelques personnes testent déjà les nouveaux outils. Elles repèrent vite un usage intéressant. Elles voient aussi les limites du moment. Je leur donnerais un rôle d’ambassadeur, avec du temps prévu dans leur charge de travail.

Un ambassadeur peut faire une démonstration courte à partir d’un vrai dossier, puis noter ce qui a fonctionné pour que les autres puissent essayer. Son retour peut aussi montrer qu’un outil fait perdre du temps sur un cas précis. Cela évite beaucoup d’enthousiasme inutile.

Le Work Trend Index observait que les utilisateurs avancés de l’IA étaient 53 % plus susceptibles de recevoir des encouragements de leur direction pour repenser leur métier avec l’IA. Ils avaient aussi davantage accès à des formations adaptées à leur rôle.

J’y vois un indice intéressant pour les managers. L’acculturation avance quand les personnes sentent qu’elles ont le droit d’essayer pendant leurs heures de travail. Je réserverais du temps à cette transmission en l’inscrivant dans l’organisation de l’équipe.

Choisir les usages en fonction du risque

Quand je me demande si l’IA a sa place sur une tâche, je regarde d’abord les conséquences d’une réponse fausse.

Une mauvaise reformulation se corrige en quelques minutes. Une erreur dans une analyse chiffrée ou dans une recommandation envoyée à un client demande un contrôle beaucoup plus solide. Il reste alors à retrouver les sources, refaire les calculs ou demander une seconde lecture.

Sur une décision de recrutement, une promotion, un diagnostic ou un avis juridique, la personne responsable doit pouvoir expliquer sa décision en son nom. Elle peut utiliser l’IA pour préparer le dossier. Elle garde la responsabilité de ce qui sera décidé.

Cette vigilance apparaît très bien dans une expérience menée avec 758 consultants du BCG. Les participants équipés de GPT-4 ont accompli certaines tâches plus de 25 % plus vite, avec une qualité évaluée plus de 40 % au-dessus du groupe témoin. Sur une tâche située hors de la zone de compétence du modèle, les utilisateurs de l’IA avaient 19 points de pourcentage de moins de chances de donner la bonne réponse.

Cette étude m’intéresse parce qu’elle oblige à parler d’une tâche précise. La confiance dans une IA se décide dossier par dossier, avec une vérification adaptée.

Garder la décision humaine

Mon principe tient en une phrase. La décision reste humaine.

La personne qui remet un travail doit être capable d’expliquer ce qu’elle a demandé à la machine. Elle doit aussi expliquer pourquoi elle fait confiance au résultat. Elle garde la main sur le niveau de preuve attendu et sur les conséquences possibles.

La vérification dépend du travail réalisé. Une synthèse factuelle demande un retour aux sources. Du code demande des tests, avec une revue sérieuse. Quand la vérification paraît impossible, mieux vaut le dire clairement.

Une autre étude portant sur 5 179 agents de support client a mesuré un gain moyen de productivité de 14 % avec un assistant génératif. Le gain atteignait 34 % chez les agents novices ou moins performants, alors qu’il était faible chez les plus expérimentés.

Ces écarts comptent beaucoup pour un manager. Un objectif de productivité identique pour tout le monde colle mal avec ce que l’étude a observé. Le niveau de départ de la personne change le résultat. La nature de son travail aussi.

Dire ce que devient le temps gagné

Le temps gagné grâce à l’IA doit être discuté clairement.

Le Slack Workforce Lab relevait que des employés craignaient de voir chaque minute économisée se transformer en charge supplémentaire. Cette crainte peut pousser une équipe à cacher les outils qui lui font gagner du temps.

Je préfère réserver d’abord une partie de ce gain à la qualité du travail. On peut relire plus attentivement un dossier ou reprendre un sujet laissé de côté depuis trop longtemps. Le reste dépend de la réalité de l’équipe et peut servir à absorber une période de charge.

Une hausse de volume peut aider à certains moments. Le manager peut alors expliquer clairement l’usage de ce temps et écouter les retours de l’équipe.

J’attends d’un bon manager qu’il sache parler des usages réels avec son équipe et écouter les difficultés rencontrées. Quand quelqu’un trouve une bonne méthode, il lui donne du temps pour la transmettre.

Lorsqu’un résultat important a été produit avec une IA, il demande comment il a été vérifié. Même si la réponse semble impeccable au premier regard, une question reste ouverte. Quels éléments permettent de lui faire confiance.

L’IA est déjà au travail. Un manager peut commencer par demander à son équipe comment elle l’utilise réellement.

Sources

• Slack Workforce Index, automne 2024. Enquête mondiale auprès de plus de 17 000 employés de bureau.
• Microsoft et LinkedIn, Work Trend Index 2024. Enquête auprès de 31 000 personnes dans 31 pays, complétée par des données d’usage.
• Dell’Acqua et al., Navigating the Jagged Technological Frontier . Expérience préenregistrée menée auprès de 758 consultants du BCG.
• Brynjolfsson, Li et Raymond, Generative AI at Work . Étude du déploiement d’un assistant génératif auprès de 5 179 agents de support client.