Avec l'IA générative, le résultat ne dit plus grand chose de la manière dont il a été obtenu. Un rapport, une analyse de marché ou une offre générés en une heure moyennant quelques prompts rempliront aussi bien (et souvent mieux) leur fonction, que s'ils avaient nécessité des journées de recherche et de travail concentré. A moins d'erreurs ou d'aberrations manifestes, il devient difficile de savoir si l'auteur a développé l'analyse par lui-même ou s'il a su en confier et en instruire la production à la machine.
Ce qui, dans le milieu professionnel, peut être considéré comme une optimisation légitime ou encouragée, a été rapidement perçu comme un problème dans le monde académique. Le recours à la GenAI fragilise en effet grandement les modes d'évaluation fondés sur le résultat, car le travail rendu par un étudiant ne permet plus d'inférer de manière fiable ni son investissement ni ce qu’il a réellement compris ou appris.
Le phénomène concerne aussi l'entreprise. Là aussi, le résultat obtenu renseigne - ou plutôt renseignait - ce qui l'a rendu possible. De manière implicite, un bon livrable signalait une maîtrise du sujet, des capacités d'analyse et l'exercice du jugement de son auteur. Cet investissement l'engageait, on pouvait lui attribuer le résultat et une responsabilité. Avec la GenAI, ces repères se brouillent, on sait moins quelles compétences ont été mobilisées, quel regard critique a été réellement exercé, et de quoi au juste l'auteur répond.
Sans compter que le résultat obligeait son auteur à mettre certaines capacités en pratique. Produire une analyse supposait de chercher, de trier, de formuler, de comparer, d'arbitrer. Et le retour fait sur ce travail avait une véritable portée formatrice: il permettait d’affiner la manière de raisonner, de corriger des angles morts, de progresser. Avec la GenAI, ce lien se relâche, de sorte que l’entreprise peut continuer à obtenir des résultats convaincants tout en exerçant moins, à bas bruit, les compétences et le jugement dont ils dépendaient auparavant.
Face au problème de l’évaluation fondée sur le résultat, le monde académique a commencé à développer certaines réponses. Les plus solides cherchent moins à détecter l’usage de l’IA qu’à rendre plus visible le chemin parcouru par les étudiants : historique des prompts, brouillons successifs, commentaire réflexif sur les choix opérés, vérification critique des sorties IA, défense orale du rendu. L’objectif est de ne plus s’en remettre au seul produit final, mais de faire réapparaître le processus, le jugement et la justification.
Bien que certaines de ces réponses soient difficilement transposables, et d’autres peu souhaitables dans le monde de l’entreprise, elles ont le mérite de poser clairement une question que les organisations ne peuvent plus éluder: que doit-on désormais rendre visible, reconnaître et entretenir lorsque le résultat ne renseigne plus assez sur ce qui a été compris, exercé et assumé ?
La première responsabilité de l’entreprise est de clarifier quand l'emploi de l'IA est approprié, et quand il ne l'est pas, et qui assume la responsabilité du résultat. Une IA qui aide à clarifier une note, une IA qui suggère des options, et une IA qui commence à peser sur une décision n’appellent ni les mêmes usages, ni les mêmes contrôles, ni la même responsabilité.
L’entreprise doit aussi préserver les capacités dont dépend un bon usage de la GenAI — et plus largement sa propre résilience cognitive. Comme ces capacités ne sont plus entretenues aussi naturellement qu’avant, il faut cesser de les traiter comme allant de soi. Cela suppose de les nommer clairement, de les reconnaître dans les pratiques de management. En adaptant par exemple l'évaluation des contributions des collaborateurs, que l'IA tend à masquer et à niveler.
L'organisation doit également armer les collaborateurs pour que leur emploi de l'IA ne finisse par éroder des capacités cognitives insuffisamment exercées, d'autant plus que ce sont souvent les tâches compliquées nécessitant davantage de sagacité qui sont confiées à la machine. En se formant à la littératie critique, les collaborateurs apprennent à mettre en place des frictions réflexives avant, pendant et après l'usage de l'outil. Ils cadrent la tâche avant de déléguer, ils demandent à l’IA de critiquer un raisonnement plutôt que de fournir une réponse, ils explicitent ce que l’on garde, ce que l’on écarte et ce que l’on vérifie, ils savent à quel moment reprendre la main.
La GenAI oblige l'entreprise à arbitrer au-delà de la seule optimisation. Elle doit décider quelles capacités cognitives elle souhaite rendre visibles et continuer à exercer, et qui tenir pour responsable dans le travail. C’est à ce prix qu’elle pourra gagner en vitesse sans perdre en jugement, et donc en résilience.