Quand le résultat ne prouve plus la compétence : l’IA change la valeur du savoir-faire humain

Pendant des décennies, nous avons utilisé le résultat du travail comme l’un des principaux moyens d’évaluer la compétence d’une personne. Un développeur produisait du code, un analyste préparait une analyse, un gestionnaire rédigeait un rapport, un ingénieur réalisait des calculs et un candidat présentait des travaux démontrant ce qu’il savait faire. Le résultat constituait rarement une preuve parfaite de compétence, mais il demeurait généralement un indicateur raisonnable du savoir-faire nécessaire pour le produire. L’intelligence artificielle commence à fragiliser cette relation.

Une personne peut maintenant produire un excellent rapport sans maîtriser entièrement le sujet, générer du code qu’elle serait incapable d’expliquer en détail, réaliser une analyse sophistiquée sans connaître certaines méthodes utilisées ou préparer une présentation convaincante à partir d’un raisonnement largement construit par une intelligence artificielle. Le résultat peut être parfaitement valable et utile à l’organisation. Il nous renseigne cependant de moins en moins sur les compétences réellement possédées par la personne qui le présente.

Le milieu universitaire rencontre déjà cette difficulté. Le MIT constate que l’intelligence artificielle peut produire des réponses crédibles à pratiquement toutes les formes traditionnelles de travaux écrits, des essais aux problèmes mathématiques, en passant par les preuves et les travaux de programmation. Cette évolution amène l’institution à réfléchir à d’autres manières d’évaluer la maîtrise réelle des étudiants, notamment par des démonstrations, des interactions, des évaluations de compétences et des situations dans lesquelles l’étudiant doit expliquer et défendre sa compréhension.

Le monde du travail devrait observer cette transformation avec beaucoup d’attention, car le même phénomène commence à s’y installer. Lorsque la qualité d’un livrable ne permet plus de déduire directement le niveau de compétence de celui qui l’a produit, les entreprises doivent repenser la manière dont elles recrutent, forment, évaluent et développent leurs équipes.

Une question encore plus importante apparaît alors : à mesure que l’IA accomplit une part croissante du travail, quelles compétences humaines devons-nous absolument continuer à développer et à préserver?

L’intelligence artificielle augmente déjà la capacité de production de nombreux travailleurs du savoir. Un employé peut rédiger plus rapidement, analyser davantage d’information, programmer avec assistance, préparer des scénarios, synthétiser des documents et obtenir presque instantanément une première réponse à des problèmes qui exigeaient auparavant plusieurs heures de recherche.

Cette augmentation de capacité constitue une formidable possibilité pour les organisations. Elle permet aux personnes de consacrer davantage de temps aux problèmes complexes, aux décisions, à la créativité, aux relations humaines et aux activités où leur expérience produit davantage de valeur. L’enjeu n’est donc certainement pas de préserver artificiellement toutes les tâches que les machines peuvent accomplir efficacement. Il faut cependant distinguer la tâche que nous pouvons déléguer de la compétence que nous devons conserver.

Prenons un développeur qui utilise quotidiennement l’intelligence artificielle pour produire du code. Cette utilisation peut augmenter considérablement sa productivité. S’il conserve une compréhension suffisante de l’architecture, des algorithmes, des dépendances, de la sécurité et du fonctionnement du code généré, l’IA augmente sa capacité professionnelle. Elle lui permet de travailler plus rapidement tout en utilisant son expertise pour orienter, vérifier et intégrer ce qui est produit.

La situation devient différente si, avec le temps, le développeur perd progressivement la capacité de comprendre suffisamment le code qu’il accepte. Le même gain de productivité peut alors masquer une diminution de la capacité humaine disponible dans l’organisation.

Le phénomène peut apparaître dans pratiquement toutes les fonctions intellectuelles. Un analyste peut produire davantage d’analyses tout en pratiquant moins certaines méthodes fondamentales. Un professionnel de la cybersécurité peut obtenir rapidement des recommandations sans développer la même profondeur diagnostique. Un gestionnaire peut recevoir des synthèses extrêmement bien structurées sans parcourir lui-même les informations qui auraient autrefois contribué à sa compréhension du dossier. Un nouvel employé peut devenir rapidement productif grâce à un copilote tout en acquérant plus lentement les connaissances qui lui permettront éventuellement d’exercer son jugement de manière autonome. Nous pourrions appeler ce phénomène une dette de compétences.

Comme une dette technique, elle peut être parfaitement rationnelle lorsqu’elle est comprise et gérée. Une organisation n’a aucune raison de maintenir manuellement une compétence pour chaque tâche automatisable simplement parce qu’elle était autrefois nécessaire. Les technologies ont toujours transformé les métiers et rendu certaines connaissances moins importantes tandis que d’autres prenaient davantage de valeur. La dette apparaît lorsque l’organisation cesse progressivement de savoir quelles compétences elle est en train de perdre.

Une entreprise peut alors observer une augmentation de sa productivité et conclure que sa capacité opérationnelle augmente dans les mêmes proportions. Les deux ne sont pourtant pas nécessairement équivalentes. Elle peut produire davantage tout en devenant simultanément plus dépendante de certains modèles, fournisseurs, agents ou systèmes automatisés.

Cette distinction mérite d’entrer dans les réflexions sur l’adoption de l’IA. Les indicateurs traditionnels mesurent facilement le nombre de dossiers traités, le temps économisé, le volume de code produit ou l’augmentation de productivité. Il est beaucoup plus difficile de mesurer la compréhension qui n’a pas été développée, l’expérience qui n’a pas été acquise ou la compétence qui s’est progressivement érodée.

L’enjeu devient particulièrement important pour les nouveaux employés. Une personne expérimentée qui adopte un copilote possède souvent plusieurs années de connaissances lui permettant de reconnaître une réponse étrange, de comprendre les compromis proposés et de détecter une erreur subtile. Un débutant qui apprend son métier directement avec le même outil peut obtenir des résultats comparables beaucoup plus rapidement sans nécessairement construire les mêmes fondations.

Cette situation crée un paradoxe organisationnel. L’intelligence artificielle peut accélérer considérablement la montée en productivité tout en compliquant la montée en compétence.

Il faudra donc repenser une partie de la formation professionnelle. L’objectif ne devrait plus être uniquement d’enseigner aux employés à accomplir les tâches qui composent actuellement leur métier. Il faudra également déterminer quelles connaissances fondamentales leur permettront de comprendre, superviser et contester le travail réalisé par les systèmes qu’ils utiliseront.

Le MIT rencontre une version très similaire de cette question dans l’enseignement. Certains cours continuent volontairement d’exiger que les étudiants développent eux-mêmes leurs fondations avant de s’appuyer davantage sur l’intelligence artificielle. En programmation, par exemple, l’objectif demeure de construire suffisamment d’indépendance pour permettre ensuite aux futurs professionnels d’évaluer correctement le travail d’autres personnes et celui des outils d’IA.

Cette réflexion peut être directement transposée dans l’entreprise. Nous n’avons pas nécessairement besoin que chaque professionnel continue d’accomplir manuellement toutes les opérations que l’IA peut prendre en charge. Nous avons cependant besoin de déterminer le niveau de compréhension en dessous duquel la délégation devient une dépendance difficile à superviser. Cela transforme également l’évaluation des compétences.

Si un candidat présente un excellent document préparé avec l’aide de l’IA, ce document peut démontrer qu’il sait utiliser efficacement l’outil, ce qui constitue désormais une compétence pertinente. Il ne démontre pas nécessairement qu’il maîtrise toutes les connaissances présentes dans le document. Les entreprises devront donc apprendre à distinguer la capacité de produire avec l’IA, la compréhension du domaine et la capacité d’exercer un jugement lorsque la machine se trompe.

Les entrevues peuvent progressivement intégrer davantage de résolution de problèmes en interaction, d’explication du raisonnement, de défense d’une recommandation ou de critique d’une réponse générée. Les évaluations professionnelles peuvent demander à une personne d’expliquer pourquoi une solution fonctionne, d’identifier ce qui pourrait échouer ou de choisir entre plusieurs propositions produites par une IA. Le résultat final demeure important. Le processus permettant de l’évaluer devient simplement plus riche.

Cette évolution peut même améliorer certaines pratiques de gestion des talents. Nous avons longtemps confondu la capacité à produire un livrable avec la maîtrise du problème auquel ce livrable répond. L’intelligence artificielle nous oblige à regarder plus profondément et à nous demander quelles compétences nous cherchons réellement à développer. Cette question devient encore plus stratégique lorsqu’on la relie à la continuité des opérations.

Les organisations possèdent déjà des plans pour fonctionner lorsqu’un serveur tombe en panne, lorsqu’un centre de données devient indisponible, lorsqu’un fournisseur critique connaît une interruption ou lorsqu’un incident de cybersécurité exige l’isolation d’une partie de l’infrastructure. Elles prévoient des sauvegardes, des mécanismes de reprise, des redondances et des procédures de fonctionnement en mode dégradé. L’intégration massive de l’intelligence artificielle introduit progressivement une nouvelle catégorie de dépendance : la dépendance cognitive.

Imaginons une organisation dans laquelle une partie importante de la programmation, de l’analyse, du soutien technique, de la documentation, de la recherche interne et de la préparation des décisions repose sur des assistants et des agents d’IA. Cette organisation peut devenir remarquablement performante. Que se passe-t-il cependant si certains de ces systèmes deviennent temporairement indisponibles?

Une panne n’est qu’un scénario parmi plusieurs. Un fournisseur peut modifier son service, une vulnérabilité peut obliger l’entreprise à suspendre temporairement un modèle, une réglementation peut restreindre un usage, un problème de confidentialité peut imposer l’arrêt d'une intégration ou un incident de cybersécurité peut exiger l’isolation immédiate de plusieurs agents. La question de continuité devient alors très concrète : les humains qui restent savent-ils encore suffisamment comment le travail fonctionne pour maintenir les opérations essentielles?

Nous pourrions parler ici de continuité cognitive : la capacité d’une organisation à préserver les connaissances, les compétences et le jugement nécessaires pour poursuivre ses fonctions critiques lorsque certaines capacités d’intelligence artificielle deviennent indisponibles, non fiables ou inappropriées.

Cette continuité ne signifie pas qu’il faille maintenir deux organisations parallèles, l’une automatisée et l’autre entièrement manuelle. Ce serait coûteux et souvent inutile. Elle demande plutôt d’identifier les compétences réellement critiques et de déterminer le niveau minimal de capacité humaine qui doit être préservé.

Dans certaines activités, une interruption de l’IA entraînera simplement une baisse temporaire de productivité. Dans d’autres, elle pourrait empêcher l’organisation de prendre une décision, de diagnostiquer un incident ou de comprendre suffisamment un système critique pour intervenir. Ces situations ne présentent pas le même niveau de risque et ne devraient pas recevoir le même traitement.

La dette de compétences devient alors mesurable à travers le risque qu’elle crée. Une compétence dont la disparition n’a pratiquement aucune conséquence peut naturellement être abandonnée. Une compétence nécessaire à la supervision d’un système critique, à la sécurité, à la continuité ou à la capacité de reprendre le contrôle mérite au contraire d’être entretenue.

Cette approche change profondément la conversation sur l’avenir du travail. Il ne s’agit plus simplement de déterminer quelles tâches seront réalisées par des humains et lesquelles seront confiées à des machines. Il faut également déterminer quelles capacités humaines doivent survivre à l’automatisation de ces tâches.

Pour les dirigeants, les responsables TI, les RH et les équipes de transformation, cela implique une collaboration beaucoup plus étroite. La cartographie des processus devrait progressivement être accompagnée d’une cartographie des compétences et des dépendances cognitives. Lorsqu’une capacité est transférée à l’IA, l’organisation devrait savoir quelles connaissances deviennent moins utilisées, lesquelles demeurent nécessaires pour superviser la machine et lesquelles prennent davantage de valeur précisément parce que l’automatisation augmente.

Cette réflexion rejoint également la cybersécurité et la résilience. Une organisation ne peut être considérée comme véritablement résiliente uniquement parce que ses systèmes disposent de sauvegardes et de redondances techniques. Elle doit aussi conserver suffisamment de connaissances humaines pour comprendre ce qui se passe lorsque ces systèmes fonctionnent différemment de ce qui était prévu.

Dans une perspective d’Hypersécurité, la résilience concerne ainsi les infrastructures, les données, les identités, les technologies et les capacités humaines qui permettent à l’organisation de conserver son autonomie décisionnelle. Une dépendance technologique peut être parfaitement acceptable lorsqu’elle est connue, choisie et accompagnée d’un plan permettant de gérer ses conséquences.

L’intelligence artificielle nous invite donc à élargir notre définition de la compétence. Dans plusieurs métiers, être compétent ne signifiera plus nécessairement savoir accomplir seul chaque étape du travail. La compétence pourra inclure la capacité à formuler correctement un problème, orchestrer des outils, comprendre leurs résultats, identifier leurs limites, vérifier les éléments critiques, intervenir lorsqu’ils échouent et assumer la décision finale.

Cette évolution n’appauvrit pas nécessairement le savoir-faire humain. Elle peut au contraire le faire monter d’un niveau, à condition que nous choisissions consciemment les capacités que nous souhaitons développer et celles que nous pouvons confier aux machines.

L’intelligence artificielle rend possible une augmentation considérable de la capacité humaine et organisationnelle. Des personnes peuvent produire plus rapidement, explorer davantage de possibilités et accéder presque instantanément à des capacités qui demandaient auparavant beaucoup plus de temps ou d’expertise.

Cette transformation rend cependant le résultat moins révélateur de la compétence qui se trouve derrière lui. Un excellent rapport, une analyse sophistiquée ou un programme fonctionnel peuvent désormais résulter d’une combinaison variable de connaissances humaines et de capacités artificielles. Évaluer uniquement le produit final devient progressivement insuffisant pour comprendre ce qu’une personne ou une organisation sait réellement faire.

Les entreprises devront donc apprendre à gérer deux formes de capital simultanément : les capacités technologiques qu’elles acquièrent et les compétences humaines qu’elles choisissent de préserver. Certaines connaissances pourront naturellement devenir moins importantes. D’autres devront évoluer vers la supervision, le jugement, l’intégration et la prise de décision. Certaines devront être maintenues précisément parce qu’elles constituent une capacité de secours lorsque les systèmes automatisés ne sont plus disponibles ou dignes de confiance.

La dette de compétences et la continuité cognitive pourraient ainsi devenir des dimensions importantes de la transformation par l’intelligence artificielle. Elles permettent de dépasser la seule mesure de productivité pour poser une question beaucoup plus stratégique : après plusieurs années d’adoption de l’IA, que voulons-nous que notre organisation soit encore capable de comprendre et d’accomplir par elle-même?

Pour Quantum Beyond, cette réflexion s’inscrit directement dans une approche où l’adoption de l’intelligence artificielle vise à renforcer les équipes et à développer les capacités organisationnelles. L’AI Adoption, l’AI Organizational Transformation, l’AI Workforce et l’AI Governance doivent permettre aux entreprises de tirer pleinement parti des machines tout en comprenant comment évoluent les connaissances, les responsabilités, les dépendances et les compétences humaines essentielles.

La prochaine étape de l’adoption de l’IA ne consistera donc pas uniquement à apprendre à déléguer davantage. Elle consistera à apprendre à déléguer consciemment : savoir quelles tâches peuvent être confiées aux machines, quelles compétences doivent évoluer et quelles capacités humaines doivent demeurer suffisamment fortes pour comprendre, superviser et reprendre le contrôle lorsque la situation l’exige.

Une organisation réellement augmentée par l’intelligence artificielle ne devrait pas seulement savoir ce que ses machines sont capables de faire. Elle devrait également savoir ce que ses humains doivent encore être capables de faire sans elles.