Un document peut être plus agréable à lire et moins utile pour agir. Une proposition peut obtenir une meilleure appréciation tout en ressemblant davantage à celles des autres équipes. Ces situations ne contredisent pas nécessairement la promesse de qualité de l’IA générative : elles montrent qu’il faut préciser de quelle qualité on parle.
Les études apportent des preuves d’amélioration sur certaines productions. Elles ne démontrent pas qu’un travail assisté devient uniformément plus exact, plus pertinent et plus original. Pour examiner les promesses de l’IA au travail, il faut donc séparer les dimensions du résultat, puis regarder les conditions dans lesquelles elles ont été évaluées.
Cette distinction concerne les directions métiers, les RH et les responsables qualité. Elle aide à choisir ce que l’on souhaite améliorer, sans prendre la fluidité d’un document pour une garantie sur tout ce qu’il contient.
Une promesse de qualité doit avoir un objet
Dire « l’IA nous fait mieux travailler » laisse ouvertes plusieurs questions. S’agit-il d’un texte plus clair ? D’une réponse plus exacte ? D’une idée plus adaptée au destinataire ? Ou d’un ensemble de propositions réellement différentes ?
Ces qualités peuvent aller ensemble, mais leur association doit être observée. Un message accessible peut omettre une exception importante. Une analyse exacte peut rester difficile à utiliser. Plusieurs propositions pertinentes peuvent toutes explorer la même direction.
Il est donc utile de remplacer une appréciation générale par des critères liés au travail. Pour une fiche d’accueil, on peut examiner la compréhension du parcours et la présence des informations nécessaires. Pour une proposition créative, la pertinence et la variété des pistes demandent des regards distincts.
Cette précision ne vise pas à rendre toute production compliquée à évaluer. Elle empêche surtout qu’une amélioration visible absorbe la discussion sur les autres dimensions.
Mieux rédiger : une promesse soutenue dans des conditions précises
L’étude de Shakked Noy et Whitney Zhang, publiée dans Science en juillet 2023, porte sur 453 professionnels diplômés réalisant des tâches de rédaction liées à leur activité. L’accès à ChatGPT est attribué aléatoirement à une partie des participants.
Les auteurs observent une amélioration de la qualité des productions évaluées, en plus d’une réduction du temps nécessaire. L’expérience donne donc un appui à la promesse d’une assistance rédactionnelle utile dans les conditions étudiées.
Sa portée reste précise : des tâches de rédaction, des participants et une version de l’outil à une date donnée. Elle ne démontre pas qu’une production réelle, intégrant des informations locales ou des responsabilités particulières, sera toujours meilleure. Elle ne mesure pas non plus une compétence acquise durablement par les participants.
Pour une équipe, l’enseignement consiste à prendre l’amélioration rédactionnelle au sérieux, puis à vérifier qu’elle concerne bien les critères recherchés. Une phrase plus nette peut être un bénéfice réel, sans suffire à valider le document entier.
Mieux résoudre un problème : une promesse qui dépend de la tâche
La publication de Fabrizio Dell’Acqua et ses collègues dans Organization Science, mise en ligne le 11 mars 2026 après un travail diffusé dès 2023, étudie 758 consultants de BCG. L’expérience compare des conditions avec GPT-4 et sans assistance.
L’aide améliore les performances sur un ensemble de tâches adaptées aux capacités du système. Elle les dégrade sur une tâche managériale choisie pour dépasser ces capacités. Les auteurs décrivent une frontière irrégulière : deux activités qui paraissent proches peuvent ne pas bénéficier de la même assistance.
Les tâches et le modèle datent de l’expérience, menée avec GPT-4 en 2023. Ce résultat n’est pas une cartographie des outils disponibles en octobre 2026. Il montre toutefois pourquoi le succès sur une activité ne suffit pas à garantir la suivante.
La promesse défendable devient conditionnelle : une assistance peut améliorer une production dans un contexte défini. La promesse d’une amélioration générale de la justesse ne dispose pas du même appui.
Des idées mieux appréciées ne signifient pas une plus grande diversité
Anil Doshi et Oliver Hauser apportent un autre éclairage dans Science Advances, le 12 juillet 2024. Leur expérience en ligne porte sur 293 auteurs de courtes histoires, avec ou sans accès à des idées générées par une IA.
Les histoires assistées sont jugées plus créatives et mieux écrites, notamment chez les participants initialement moins créatifs selon la mesure utilisée. Mais elles se ressemblent aussi davantage entre elles que les histoires produites sans cette aide.
Il s’agit de microfiction dans une expérience, pas d’une mesure des innovations d’entreprises. La transposition demande donc de la prudence. Le résultat rend néanmoins visible une distinction : une production peut progresser dans l’appréciation individuelle tandis que l’ensemble perd en diversité.
Dans une équipe qui recherche des pistes originales, on peut ainsi examiner deux choses séparément : la qualité de chaque proposition et la variété des directions explorées. Une pile de textes convaincants ne prouve pas, à elle seule, que le champ des possibles s’est élargi.
Un exemple fictif : la fiche d’accueil d’un nouveau collègue
Imaginons une entreprise qui prépare une fiche pour accueillir ses nouveaux collaborateurs. L’assistant propose un document clair, chaleureux et bien organisé. La première impression est favorable.
À l’examen, l’équipe peut pourtant découvrir plusieurs résultats différents. Le parcours est plus facile à suivre, mais une information manque pour les personnes qui arrivent en dehors des horaires habituels. Le ton convient, mais certaines formulations restent génériques et n’aident pas à trouver le bon interlocuteur.
La fiche pourrait donc être mieux rédigée sans être encore assez complète pour son usage. Il n’est pas nécessaire d’annuler le bénéfice de clarté pour reconnaître cette limite.
Si plusieurs services utilisent la même structure, l’harmonisation peut être souhaitable. Si leurs contraintes diffèrent, elle peut au contraire masquer des besoins particuliers. La ressemblance n’est donc ni un défaut universel ni une qualité universelle : sa valeur dépend de l’objectif.
Dans ce scénario fictif, l’équipe pourrait demander à un lecteur peu familier du parcours de trouver une information précise. Elle pourrait aussi faire vérifier les éléments propres à chaque site par une personne qui les connaît. Ce sont des propositions d’examen, pas des résultats déjà observés chez un client Learning Coach.
Séparer les critères avant de donner une note globale
Une grille courte permet de rendre les désaccords plus informatifs. Elle ne constitue pas une mesure universelle de qualité : elle doit être adaptée au destinataire et à l’activité.
| Dimension | Question à examiner | Exemple pour la fiche d’accueil |
|---|---|---|
| Clarté | Le lecteur comprend-il ce qu’il doit faire ? | Repérer la première démarche sans explication supplémentaire |
| Exactitude | Les informations correspondent-elles aux références disponibles ? | Vérifier les lieux, les contacts et les conditions indiquées |
| Couverture | Une information nécessaire manque-t-elle ? | Examiner le cas d’une arrivée à un horaire inhabituel |
| Adaptation | La production convient-elle à son public et à son contexte ? | Distinguer les besoins de plusieurs sites |
| Diversité | Les propositions explorent-elles des options réellement différentes ? | Comparer plusieurs parcours, plutôt que plusieurs tons |
Une note globale peut rester utile pour une décision de synthèse. Mais elle devrait venir après cet examen, avec des critères explicites. Sinon, deux évaluateurs peuvent dire « bonne qualité » en pensant à des choses différentes.
Il faut aussi prévoir ce qui ne se compense pas. Une information indispensable fausse ne devient pas acceptable parce que le document est élégant. Le niveau d’exigence dépend des conséquences possibles et des règles du métier.
Comparer des productions dans des conditions compréhensibles
Pour vérifier une promesse locale, l’équipe peut choisir des tâches comparables et préciser les ressources accessibles. Comparer un document ancien mal préparé à une version assistée soigneusement accompagnée renseignerait autant sur la préparation que sur l’outil.
Lorsque c’est possible, les personnes qui évaluent les productions peuvent ignorer les conditions de réalisation. Cela aide à limiter le poids des attentes favorables ou défavorables envers l’IA. Cette précaution ne remplace pas des critères solides et des évaluateurs capables de les appliquer.
Il est également utile de faire plusieurs observations. Une réussite exceptionnelle ou une erreur spectaculaire ne suffit pas à décrire une pratique. Les cas ordinaires et les situations moins habituelles méritent leur place.
Le résultat peut être contrasté : meilleure clarté, exactitude inchangée, couverture encore insuffisante. Cette conclusion est plus exploitable qu’une affirmation générale de progrès. Elle indique ce qu’il faut conserver et ce qui reste à travailler.
Il faut enfin dater l’évaluation. Une nouvelle version du modèle, une modification des ressources internes ou une autre façon de demander le travail peuvent changer les résultats.
Apprendre à reconnaître la qualité dans son métier
Savoir utiliser une assistance et savoir évaluer une production sont des capacités liées, mais différentes. Une personne peut obtenir facilement des variantes sans savoir lesquelles conviennent à la situation.
Le travail collectif peut porter sur des exemples commentés : deux versions lisibles dont une seule couvre l’information nécessaire, ou plusieurs propositions agréables qui poursuivent toutes le même objectif. L’équipe examine les différences et explicite ses critères.
Les méthodes d’apprentissage éclairées par les sciences cognitives fournissent des repères pour organiser la pratique et les retours. Leur application au travail demande de choisir des situations représentatives, avec un niveau de difficulté accessible.
Il faut ensuite examiner la réutilisation de ces critères. La question du transfert après une formation devient concrète : sur le dossier suivant, la personne repère-t-elle encore l’information manquante lorsque personne ne la lui signale ?
Ces propositions relèvent d’une perspective pédagogique à adapter. Une séance réussie ne démontre pas une amélioration durable de toutes les productions. Elle peut préparer un langage commun pour les examiner.
Ce qui résiste aux faits, et ce qui reste à établir
La promesse d’une meilleure rédaction dispose d’appuis expérimentaux. Celle d’une assistance utile sur certaines tâches complexes également. Ces résultats justifient l’exploration, avec un périmètre et des critères.
Les promesses d’une exactitude générale, d’une créativité collective automatiquement élargie ou d’une qualité durablement garantie vont plus loin que ces preuves. Elles demandent d’autres observations.
Le progrès peut donc être réel et partiel. Pour une organisation, l’étape utile consiste à nommer cette part : nous avons amélioré la lisibilité de telle production, mais pas encore démontré sa complétude dans toutes les situations prévues.
Cette formulation permet de faire évoluer une pratique sans devoir défendre une promesse trop large.
Mettre les promesses de qualité en discussion
Une rencontre professionnelle peut partir de productions fictives, accompagnées d’un besoin et de critères. Les participants confrontent leurs appréciations, distinguent les dimensions et identifient les preuves manquantes.
Une conférence peut présenter les recherches et leurs limites ; un échange structuré peut ensuite relier ces repères au travail des équipes. L’objectif est de mieux définir ce qu’elles souhaitent améliorer, sans transformer une démonstration en preuve générale.
Pour préparer ce débat sur l’IA et la qualité du travail, découvrez les conférences Learning Coach.
Avant de conclure que le résultat est meilleur, une question mérite d’être posée : meilleur sur quel critère, pour quel destinataire et dans quelles conditions ?
Ressources
Shakked Noy et Whitney Zhang, Experimental evidence on the productivity effects of generative artificial intelligence, Science, publication en ligne le 13 juillet 2023, numéro du 14 juillet 2023.
Fabrizio Dell’Acqua et collègues, Navigating the Jagged Technological Frontier, Organization Science, 11 mars 2026 ; texte publié disponible sur le site de Harvard Business School. Expérience avec GPT-4 menée en 2023.
Anil R. Doshi et Oliver P. Hauser, Generative AI enhances individual creativity but reduces the collective diversity of novel content, Science Advances, 12 juillet 2024 ; version publiée déposée à UCL.
