Par Macéo Lochu,
normalien en économie-gestion à l’ENS Paris-Saclay

On croit savoir où en sont les organisations avec l’intelligence artificielle. Les formations ont été déployées, les outils mis à disposition, les discours alignés. Les tableaux de bord affichent des taux d’adoption satisfaisants. Et pourtant, quelque chose résiste, silencieusement, dans l’épaisseur des pratiques quotidiennes. Non pas une résistance au sens d’un refus déclaré. Plutôt une inertie invisible, que les indicateurs habituels ne captent pas et que les stratégies de déploiement n’anticipent pas.

Ce décalage n’est pas un dysfonctionnement passager. C’est une forme stable et structurée que prend, dans beaucoup d’organisations aujourd’hui, la traduction d’une stratégie IA : une configuration dans laquelle la stratégie existe comme orientation formelle et comme infrastructure technique, sans avoir encore modifié ce que font réellement les gens qui la composent. On peut appeler cet état latence stratégique, autrement dit le moment où une organisation a fait tout ce que font les organisations qui se transforment, sans que cela ait encore changé les pratiques du quotidien. Ce n’est pas un concept nouveau. Ce qui est nouveau, c’est ce que l’IA générative y ajoute.

Contrairement aux outils numériques qui l’ont précédée, l’IA générative n’est pas un dispositif imposé à un périmètre défini. Elle est disponible individuellement, applicable à presque n’importe quelle tâche, et c’est le professionnel lui-même qui décide en permanence de ce qu’il lui confie. La frontière entre ce qui se délègue et ce qui ne se délègue pas n’est plus négociée collectivement face à un outil imposé : elle est retracée en continu, tâche par tâche, par chacun dans son propre travail. C’est cette granularité qui explique pourquoi les indicateurs habituels passent à côté : ils mesurent la conformité formelle, pas les arbitrages quotidiens qui rendent la transformation réelle.

Cinq postures face à l’IA

Les comportements face à l’IA ne sont pas uniformes et les chiffres d’adoption ne le montrent pas. Ils ne suivent pas les générations, les niveaux de diplôme ou l’intérêt déclaré pour la technologie. Ils suivent la manière dont chaque professionnel perçoit ce que l’outil touche dans son travail. Cinq postures types se dégagent de l’observation de pratiques au sein de la direction des carrières d’une grande entreprise française de services numériques, présentées ici comme des repères de lecture, non comme des cases fixes dans lesquelles classer les gens.

L’Augmenté réflexif intègre l’IA de façon intensive et critique à la fois. Il arbitre constamment entre ce que l’outil fait mieux que lui et ce qu’il lui ferait perdre. Son usage est délibéré, outillé par une connaissance fine des capacités et des limites de chaque modèle. Il ne délègue pas, il coproduit. Cette posture représente une appropriation aboutie, dans laquelle l’IA étend les capacités du professionnel sans se substituer à son jugement.

Le Sélectif conscient connaît l’IA et délimite avec précision les tâches qu’il accepte de lui confier. Ce refus partiel n’est pas de la réticence : c’est une conscience aiguë de ce que la délégation coûterait à la qualité de son travail. Un professionnel refusait d’utiliser l’IA pour ses comptes rendus d’entretien, non parce qu’il ne savait pas comment faire, mais parce que c’est en les rédigeant lui-même qu’il pensait vraiment ce qu’il avait entendu. L’écriture n’était pas un moyen de restitution, c’était un acte de compréhension. Cette posture rappelle que résister à l’IA peut être une forme de lucidité, pas un retard.

Le Délégateur excessif occupe la position inverse. Son usage est intense, son enthousiasme réel, mais son recul critique est faible. Il produit beaucoup avec l’IA sans s’interroger sur ce que l’outil fait à la qualité de ce qu’il produit ni aux compétences qu’il cesse d’exercer. L’appauvrissement est discret : il ne se voit pas dans les volumes produits, il se voit dans la finesse du raisonnement, la précision du jugement, la cohérence d’ensemble que l’IA tend à lisser. Cette posture pose une question que les organisations n’ont pas appris à formuler : comment évaluer non pas ce que l’IA produit, mais ce qu’elle remplace dans le travail de celui qui l’utilise. C’est une question d’autant plus difficile qu’elle est la moins visible à court terme : livrables nombreux, délais respectés, indicateurs au vert.

L’Inerte spectateur ne refuse pas l’IA ouvertement. Il dit que c’est prometteur, que ça viendra, que ce n’est pas encore le bon moment. Mais les pratiques ne changent pas. Deux variantes coexistent sous cette étiquette : celle qui oppose une résistance active camouflée en limitation technique et celle qui voudrait sincèrement s’engager, mais ne parvient pas à trouver l’occasion dans son travail réel. Ni l’une ni l’autre ne sera repérée par un taux de complétion de formation. Cette posture concentre le risque le plus immédiat : dans certains secteurs, l’écart entre ceux qui intègrent l’IA et ceux qui ne le font pas encore commence à créer un avantage visible pour les premiers, et à fragiliser les seconds.

Le Clivé, enfin, est la posture la plus déroutante. Le professionnel maîtrise parfaitement l’IA dans sa vie personnelle, compare les modèles, les utilise avec précision et enthousiasme pour ses projets privés, et n’en fait presque rien au travail. Ce n’est ni de l’ignorance ni du rejet. C’est une séparation nette entre deux sphères dans lesquelles l’outil n’engage pas les mêmes enjeux : dans la sphère privée, l’IA est un outil de curiosité sans conséquence sur la façon dont on est reconnu ; dans la sphère professionnelle, elle touche à ce par quoi le praticien est évalué et se reconnaît lui-même. Cette posture contredit une hypothèse souvent implicite dans les stratégies de déploiement : la familiarité personnelle avec l’IA ne prépare pas naturellement à son usage professionnel. C’est précisément parce que l’outil est bien connu que la frontière se maintient : le Clivé sait ce qu’il refuse.

Des postures qui bougent

Ces postures seraient déjà utiles si elles étaient stables, mais l’observation prolongée montre qu’elles ne le sont pas. Un même individu peut adopter plusieurs postures selon la tâche qu’il réalise, le moment où il la réalise, ou les enjeux qu’il y perçoit. Le comportement face à l’IA n’est pas une caractéristique fixe d’une personne. C’est le résultat d’une rencontre entre un individu, une tâche précise, un moment donné et un contexte de travail particulier.

Un même professionnel peut confier sans hésiter à l’IA la mise en forme administrative d’un document et refuser catégoriquement de lui déléguer la synthèse qualitative d’un entretien : dans le premier cas, rien d’essentiel n’est en jeu pour lui ; dans le second, c’est en écrivant qu’il comprend vraiment ce qu’il a entendu. Le même individu, dans le même geste de travail, adopte une posture d’Augmenté réflexif sur une tâche et de Sélectif conscient sur l’autre. De même, un professionnel qui semble immobile à un instant donné peut, quelques semaines plus tard, s’approprier les outils de façon autonome et créative, dès lors qu’une occasion concrète s’est présentée dans son travail réel.

Cette mobilité a une conséquence directe : les postures ne désignent pas des personnes, elles décrivent des façons de réagir à des situations de travail. Ce que l’on observe à un moment donné dans une organisation, c’est une répartition de réactions, pas un inventaire de profils. Cette distinction change ce qu’il faut faire pour piloter une transformation.

Ce que les chiffres ne voient pas

Les organisations pilotent leur transformation IA avec des indicateurs conçus pour mesurer la conformité formelle : taux de complétion des formations, nombre de comptes activés, fréquence de connexion aux plateformes. Ces indicateurs peuvent afficher d’excellents résultats dans une organisation où personne n’a encore changé ses pratiques réelles. Ils mesurent l’adoption déclarée, pas l’appropriation effective.

Quand une pression commence à s’exercer, c’est-à-dire quand les organisations valorisent ceux qui avancent et fragilisent ceux qui semblent immobiles, elles lisent des réactions ponctuelles comme si elles révélaient des traits stables. Pourtant, le collègue sceptique de mars et l’utilisateur actif d’avril sont la même personne. Un jugement trop rapide sur une posture observée à un instant donné risque d’écarter des compétences que les métriques d’adoption ne savent pas mesurer.

Plus profondément, traiter l’absence d’adoption comme un signal individuel de performance ou de motivation, c’est reporter sur les personnes ce qui relève souvent du contexte de travail. Si l’IA n’entre pas dans les pratiques, c’est rarement parce que les professionnels sont incapables ou réfractaires. C’est souvent parce que les dispositifs déployés n’ont pas créé les conditions d’un usage ancré dans le travail réel : pas d’occasion concrète d’essayer, pas de temps dégagé, pas de cadre collectif qui donne du sens à l’outil dans le contexte précis de chaque équipe.

Ce décalage entre conformité affichée et pratiques inchangées n’est pas propre à l’IA. Dans une étude menée au sein d’une entreprise de télécommunications, la chercheuse Stella Pachidi et ses collègues ont observé l’introduction d’un outil algorithmique censé orienter le travail des commerciaux. Les équipes se sont conformées aux exigences visibles du dispositif tout en continuant, dans les faits, à travailler selon leurs propres méthodes. La conformité était réelle en surface, nulle en profondeur. Ce mécanisme se retrouve aujourd’hui avec l’IA générative. Ce qui change, c’est son échelle et sa granularité : là où l’outil algorithmique s’imposait à un périmètre délimité et suscitait une réponse collective identifiable, l’IA générative se glisse dans toutes les tâches à la fois, et l’arbitrage se rejoue individuellement, chaque jour, sans que personne ne le formule explicitement. La conformité de façade n’est plus une posture collective face à un dispositif : elle devient une somme de décisions privées, invisibles et non coordonnées.

Ce mécanisme est déjà visible dans certains secteurs de services numériques. Il est raisonnable d’anticiper qu’il gagnera d’autres univers professionnels où la performance individuelle est évaluée régulièrement, y compris l’enseignement supérieur et la recherche. Toutefois, cette extension reste à documenter : ce qui est observable aujourd’hui dans un contexte précis ne préjuge pas de la forme qu’il prendra ailleurs.

Regarder autrement

Changer ce qu’on observe ne suffit pas à combler l’écart entre une stratégie annoncée et des pratiques réellement transformées. Mais c’en est la condition. Tant qu’on mesure la conformité formelle, on ne sait ni où la transformation bloque ni pourquoi. Un diagnostic plus juste ne transforme pas les pratiques à lui seul, il indique où agir.

Les organisations qui avancent sérieusement sur ce terrain commencent à s’intéresser aux pratiques plutôt qu’aux déclarations : sur quelles tâches précises l’IA entre naturellement dans le travail, sur quelles tâches elle résiste et ce que cette résistance dit de la tâche plutôt que de la personne. Cette lecture fine, construite équipe par équipe et tâche par tâche, renseigne sur l’état réel d’une transformation bien mieux qu’un tableau de bord d’adoption. Elle permet aussi de repérer les conditions qui facilitent le passage d’une posture à une autre, sans supposer que ce passage suit un chemin unique.

La vraie question n’est pas de savoir qui est en retard sur l’IA. C’est de comprendre pourquoi, sur telle tâche précise, pour telle personne dans tel contexte, la frontière se referme. Répondre à cette question suppose d’accepter que les comportements face à l’IA ne sont pas des traits individuels à classer, mais des réactions à des situations de travail qu’il faut comprendre.

Il reste une limite que cet article ne prétend pas dépasser : même si chaque individu trouve sa façon la plus productive d’utiliser l’IA, cela ne suffit pas à produire une capacité collective. Celle-ci suppose des pratiques coordonnées, des règles partagées, des apprentissages communs. C’est une question que des travaux à venir devront traiter.