Torras.ai

La plupart des organisations pensent avoir un problème d’adoption de l’IA. En réalité, elles font face à un déficit de compétences managériales.

Le cas Microsoft

Selon une histoire non confirmée par Microsoft, l’entreprise a déployé Copilot auprès de plus de 300 000 employés en 2025. Si tout le monde était d’abord enthousiaste et désireux d’utiliser l’IA, les utilisateurs se sont vite rendu compte que les résultats étaient souvent trop génériques ou complètement erronés. Corriger ces erreurs finissait par prendre plus de temps que de réaliser les tâches soi-même.

En conséquence, l’utilisation a chuté de plus de 80 % en seulement trois semaines. Seul un petit groupe d’utilisateurs avancés a continué à utiliser l’IA, mais ceux qui l’ont fait ont réussi à obtenir des résultats remarquables.

La chute après trois semaines

Les recherches à grande échelle en entreprise montrent une trajectoire commune. L’enthousiasme culmine durant les premières semaines, alors que les employés expérimentent l’IA pour rédiger des e-mails, résumer des documents ou analyser des informations. Puis la frustration s’installe.

Les utilisateurs demandent de l’aide à l’IA pour une tâche réelle. Le résultat semble plausible mais générique. Ils réessaient et reçoivent des réponses confiantes mais subtilement incorrectes. Après quelques itérations, beaucoup décident que vérifier, corriger ou retravailler la sortie prend plus de temps que de faire la tâche eux-mêmes. La conclusion est simple et souvent définitive : ce n’est pas assez fiable pour mon travail.

L’IA n’est pas une compétence d’outil — c’est une compétence de management

La petite minorité d’utilisateurs qui persiste à travers cette phase découvre souvent quelque chose d’intuitif mais puissant : l’IA n’a pas besoin de meilleurs prompts. Elle a besoin d’un meilleur management.

Les utilisateurs d’IA qui réussissent ne traitent pas le système comme un oracle magique. Ils le considèrent comme un collaborateur compétent mais inexpérimenté — qui a besoin d’instructions claires, de tâches bien définies, de supervision et de contrôle qualité. Autrement dit, ils utilisent l’IA comme des managers efficaces dirigent des personnes.

Les compétences qui prédisent le succès avec l’IA ne sont pas de nouvelles compétences techniques. Ce sont les mêmes compétences qui ont toujours défini un leadership et une exécution solides : jugement, délégation, décomposition des tâches, raffinement itératif et expertise métier. L’IA amplifie ces compétences, mais ne les remplace pas. Sans elles, l’IA ne fait qu’accélérer la confusion.

Comment le marché de la formation est passé à côté

La plupart des formations à l’IA en entreprise aujourd’hui tombent dans l’un des deux extrêmes. D’un côté, l’alphabétisation de base à l’IA : présentations d’outils, conseils pour rédiger des prompts, et démonstrations génériques de ce que des systèmes comme ChatGPT peuvent faire. Cette formation est nécessaire, mais elle ne fait que démarrer les utilisateurs.

De l’autre côté, une formation technique avancée destinée aux développeurs : API, génération augmentée par récupération, fine-tuning, infrastructure et déploiement. Ce contenu est essentiel pour les concepteurs, mais sans intérêt pour la majorité des travailleurs du savoir.

Ce qui manque, c’est la couche intermédiaire — le “niveau 201” de la compétence IA. C’est là que la question passe de « Comment utiliser cet outil ? » à « Où cet outil s’intègre-t-il dans mon flux de travail, et quand dois-je lui faire confiance ? » Cette question n’est pas technique. Elle relève fondamentalement du jugement appliqué.

La nature irrégulière de la compétence IA

Une des raisons pour lesquelles cette couche intermédiaire est si importante est que la compétence de l’IA est inégale. Les systèmes d’IA ne sont pas uniformément bons ou mauvais dans des catégories de travail. Leurs points forts forment une frontière irrégulière.

Des études comparant des professionnels travaillant avec et sans IA l’illustrent clairement. Lorsque les tâches se situent à l’intérieur de la frontière d’efficacité de l’IA, la performance s’améliore considérablement : plus de production, exécution plus rapide, et souvent meilleure qualité. Mais lorsque les tâches se situent juste en dehors de cette frontière, la performance peut chuter en dessous du niveau de base. Les utilisateurs deviennent plus confiants et plus dans l’erreur en même temps.

Le danger est subtil car l’IA échoue souvent sur des tâches qu’elle semble pourtant capable de gérer. Sans un jugement solide sur les domaines où l’IA aide ou nuit, les organisations risquent d’échanger la rapidité contre une érosion silencieuse de la qualité.

Ce que le niveau 201 enseigne réellement

Le niveau 201 de la compétence IA ne se concentre pas sur les outils, mais sur la façon dont le travail est réalisé. Il enseigne aux gens comment décider quelles parties d’une tâche l’IA doit prendre en charge, lesquelles nécessitent une supervision humaine, et comment structurer la vérification pour que les erreurs soient détectées tôt plutôt qu’en aval.

À ce niveau, les utilisateurs apprennent à assembler le contexte de façon délibérée au lieu de déverser aveuglément des informations. Ils apprennent à évaluer la qualité à plusieurs niveaux — pas seulement si un document “sonne juste”, mais si des affirmations, hypothèses et conclusions spécifiques tiennent la route. Ils apprennent à décomposer un travail complexe en sous-tâches adaptées à l’IA et à traiter les premiers jets comme de la matière brute plutôt que comme un résultat final.

Plus important encore, ils apprennent à reconnaître quand l’IA opère en dehors de sa compétence. Cette capacité à reconnaître la frontière est ce qui empêche l’IA de dégrader silencieusement les décisions, analyses et jugements au fil du temps.

De l’activité IA à la maîtrise de l’IA

La différence entre une utilisation superficielle de l’IA et un avantage durable ne réside pas dans les outils déployés par une organisation. Elle dépend de l’investissement dans la couche de jugement qui rend ces outils fiables.

Le niveau 201 est là où la productivité se cumule sans sacrifier la qualité. C’est là que l’adoption cesse d’être fragile et devient une habitude. Les organisations qui ignorent cette couche intermédiaire resteront polarisées : un petit groupe d’utilisateurs avancés qui foncent, et une large majorité désengagée et non convaincue.

La bonne nouvelle, c’est que ce problème est solvable. Mais cela exige de déplacer la conversation des prompts et des plateformes vers le management, le jugement et la façon dont le travail est réellement accompli.

C’est là le véritable défi de l’adoption de l’IA — et la véritable opportunité.