Ces dernières années, les entreprises ont fortement investi dans la formation de leurs employés à l'utilisation de l'IA. Cette formation a permis d'acquérir des compétences en rédaction, en synthèse de documents, en création de contenu marketing, en analyse de données, en réalisation de présentations, en programmation et en automatisation des tâches répétitives. Si ces avancées ont permis d'améliorer l'efficacité et la productivité, elles ont également creusé un nouveau fossé : les employés utilisent désormais l'IA comme un simple assistant, tout en réalisant eux-mêmes la majeure partie du travail.
Le prochain changement est beaucoup plus important.
Le paradigme « L’humain comme superviseur » fait évoluer le rôle du travailleur : d’un individu exécutant une tâche avec l’aide de l’IA, il devient un individu déterminant la cible ou l’objectif, assignant la tâche aux agents d’IA, évaluant leurs performances, gérant les exceptions et assumant la responsabilité du résultat.
En d'autres termes, le point de vue du travailleur passe de la question « Comment l'IA peut-elle m'aider à accomplir cette tâche ? » à la question « Comment puis-je utiliser l'IA pour atteindre ce résultat ? »
Cette différence est importante car les agents d'IA sont de plus en plus capables d'exécuter des flux de travail complexes au lieu de répondre individuellement à des requêtes. Contrairement aux chatbots traditionnels, l'agent peut comprendre l'objectif, déterminer les actions à entreprendre, utiliser des outils, récupérer des informations, interagir avec les systèmes de l'entreprise et poursuivre son travail jusqu'à l'atteinte de l'objectif. Par exemple, chez IBM, un agent orchestrateur est décrit comme un système capable de déterminer si la tâche doit être effectuée par un agent, un assistant, une compétence, un outil ou un humain.
Cela crée un nouveau modèle organisationnel :
- L'humain définit l'objectif → l'IA planifie et exécute → l'humain supervise → l'IA rend compte et s'adapte → l'humain approuve les décisions critiques.
Le mot important est superviser.
L'objectif n'est pas de retirer les gens du flux de travail, mais de les faire progresser dans la chaîne de valeur.
L'étude de Deloitte de 2026 sur l'orchestration des agents d'IA décrit également un spectre émergent où les humains peuvent rester impliqués, passer à un rôle de supervision, ou finalement se retirer pour des tâches appropriées à faible risque. Cette étude souligne également que la supervision humaine devient de plus en plus importante à mesure que les organisations déploient des systèmes multi-agents plus complexes.
Cet article explique ce que signifie le modèle « L’humain comme superviseur », pourquoi il devient important, comment les entreprises peuvent le mettre en œuvre, quelles tâches doivent rester sous contrôle humain, comment les employés doivent être formés à nouveau et comment les organisations peuvent éviter de transformer l’automatisation par l’IA en un ensemble incontrôlé de systèmes autonomes.
Qu’est-ce que le modèle de l’humain en tant que superviseur ?
Le modèle « l’humain comme superviseur » est une approche organisationnelle dans laquelle les employés restent responsables des objectifs, du jugement, de l’obligation de rendre des comptes et des exceptions, tandis que les agents d’IA exécutent, coordonnent, surveillent et optimisent les parties appropriées du flux de travail sous-jacent.
Au lieu d'attribuer un seul assistant IA à un employé, l'entreprise lui donne accès à un réseau de diverses technologies d'IA spécialisées.
Par exemple, un responsable marketing peut déléguer certaines tâches : études de marché, analyse concurrentielle, analyse des mots-clés, rédaction des briefs, ébauches, optimisation pour les moteurs de recherche, analyse des performances et reporting. Le responsable n’effectue pas chaque étape manuellement. Il définit l’objectif de la campagne, fixe les contraintes, examine les résultats clés et prend les décisions qui requièrent son expertise métier.
Cela est fondamentalement différent du simple fait de donner à chaque employé accès à ChatGPT ou à une autre application d'IA générative.
Assistance par IA versus orchestration par IA
Prenons deux employés qui doivent rédiger un rapport trimestriel d'analyse client.
La première instruction sollicite l'IA pour résumer les commentaires des clients et les consigner manuellement dans une feuille de calcul, puis une autre instruction est émise, une présentation est réalisée, les chiffres sont analysés et le rapport est distribué à l'équipe de direction.
La seconde décrit un processus dans lequel l'IA obtient l'autorisation d'accéder aux informations client, les classe, détecte les problèmes, les compare aux performances du trimestre précédent, résume l'analyse pour la direction, alerte en cas d'irrégularités et élabore une présentation.
Le second n'est pas nécessairement plus compétent en matière d'incitation.
Ils sont meilleurs pour orchestrer le travail.
Voilà le changement important.
L'employé devient la couche de contrôle
Dans le modèle « l’humain comme superviseur », la valeur de l’employé provient de plus en plus de quatre responsabilités :
- Définir l'objectif
- Déléguer les tâches appropriées
- Évaluation des résultats de l'IA
- Assumer la responsabilité du résultat
L'employé n'est donc pas remplacé par l'agent d'IA. Le travailleur reste celui qui décide de l'utilisation de la main-d'œuvre IA.
Cela est d'autant plus vrai que les agents d'IA ont la capacité d'opérer de manière autonome tout en produisant des résultats imprévisibles. Selon une étude menée par ESADE sur le contrôle humain, les entreprises délaissent désormais les IA qui se contentent de suggérer des actions à entreprendre au profit d'IA qui décide et agit.
Comment le rôle d'un employé évolue-t-il dans une organisation axée sur l'IA ?
Une idée fausse courante
L'erreur la plus fréquente commise par les organisations qui adoptent l'IA est de la considérer comme un simple déploiement logiciel. En réalité, il s'agit d'une refonte du travail. À mesure que l'IA prend une place croissante dans l'exécution, les responsabilités des employés évoluent : de la production de résultats à la supervision des systèmes qui les génèrent.
Le modèle traditionnel d'employé
Le travailleur du savoir conventionnel opère généralement selon une séquence linéaire et axée sur l'exécution :
- Réception de la tâche → Recherche → Analyse → Création → Révision → Soumission
Même les employés hautement qualifiés consacrent une part considérable de leur temps à des activités à faible valeur ajoutée, notamment :
- Transfert d'informations entre systèmes déconnectés
- Préparation des premières ébauches
- Vérification des détails de routine
- Compilation de rapports
Le modèle d'employé orchestré par l'IA
Dans un modèle où l'humain est superviseur, le flux de travail est fondamentalement restructuré :
- Définir le résultat → Affecter des agents d'IA → Surveiller l'exécution → Évaluer les exceptions → Exercer son jugement → Approuver le résultat
Dans ce modèle, le rôle de l'employé évolue : il ne s'agit plus de produire chaque élément intermédiaire, mais de garantir la qualité du système qui les génère. Le temps est désormais consacré à :
- Définir des objectifs clairs et des critères de réussite
- Supervision de l'exécution pilotée par l'IA
- Identification et résolution des exceptions
- Appliquer son jugement aux décisions ambiguës ou à forts enjeux
- Approbation des résultats finaux
Pourquoi cela change-t-il la productivité ?
L'automatisation traditionnelle améliore la productivité en réduisant le temps nécessaire à l'exécution des tâches individuelles. L'orchestration par l'IA, en revanche, modifie le nombre de tâches qu'une seule personne peut superviser efficacement, un changement bien plus important.
Considérez les exemples suivants:
- Un responsable marketing qui coordonnait auparavant cinq flux de travail manuellement pourrait superviser plusieurs flux de travail assistés par l'IA en parallèle.
- Un représentant commercial pourrait déployer des agents pour rechercher des prospects, analyser les comptes, préparer des approches personnalisées, mettre à jour les dossiers CRM et identifier les opportunités de suivi, tout en concentrant ses efforts personnels sur les conversations qui nécessitent de la persuasion et du développement de relations.
L’opportunité ne réside donc pas simplement dans l’exécution plus rapide du même travail. Elle consiste à élargir le champ d’action qu’un seul employé compétent peut gérer de manière responsable.
Humain dans la boucle, Humain sur la boucle et Humain en tant que superviseur
Ces concepts sont généralement considérés comme équivalents, mais chacun implique un degré d'implication humaine différent dans les processus utilisant l'intelligence artificielle. Il est crucial de les différencier car aucun niveau d'implication unique n'est requis pour ce type de processus.
Humain dans la boucle
Ici, une personne participe activement à un flux de travail, et une action essentielle de l'IA est impossible sans intervention humaine.
Préparation du remboursement par l'IA → Vérification humaine → Approbation humaine → Traitement du remboursement par l'IA
C'est le choix le plus approprié dans le cas où les conséquences d'une mauvaise décision pourraient être très graves.
Humain sur la boucle
L'IA fonctionne de manière indépendante mais avec certaines limites, et un humain évalue les performances générales et intervient en cas de besoin.
L'IA traite les tickets clients → L'IA résout les problèmes courants → L'humain reçoit les notifications d'escalade
Dans ce modèle, l'humain n'approuve pas chaque action individuelle — le contrôle est ponctuel et non continu.
L'humain comme superviseur
Le modèle « L’humain comme superviseur » va au-delà de la simple approbation ou du contrôle des résultats individuels de l’IA. Ici, l’humain gère l’ensemble du flux de travail de l’IA, en déterminant :
- Quels agents faut-il utiliser ?
- Les responsabilités de chaque agent
- Quelles sources de données sont autorisées ?
- Quel pouvoir détient chaque agent
- Quelles normes de qualité s'appliquent
- Quand une escalade doit-elle avoir lieu ?
- Quelles décisions nécessitent une approbation humaine ?
- Comment mesurer la performance
Ce rôle ressemble davantage à la gestion d'une équipe qu'à l'utilisation d'un logiciel.
Le spectre de l'autonomie
Un modèle d'entreprise pratique peut ressembler à ceci :
| Niveau | Rôle humain | Rôle de l'IA | Utilisation appropriée |
| 1 | Auteur | Assistante gérante | Rédaction, recherche, remue-méninges |
| 2 | Collaborateur | Collaborateur | Analyse, rédaction, recommandations |
| 3 | Superviseur | Agent | Workflows en plusieurs étapes |
| 4 | Gouverneur | Système autonome | Processus répétitifs à faible risque |
| 5 | propriétaire stratégique | Main-d'œuvre de l'IA | Orchestration d'entreprise complexe |
Pourquoi l'orchestration de l'IA devient-elle plus importante que l'incitation ?
Les limites de l'utilisation de l'incitation comme base pour quoi que ce soit
L'une des raisons pour lesquelles l'incitation est devenue essentielle au processus initial d'utilisation de l'IA générative est la nécessité pour les employés de maîtriser la communication avec les modèles afin d'obtenir les informations pertinentes. La formulation d'une incitation appropriée, précisant le contexte, le ton, le format et les contraintes, est devenue une véritable compétence, et les organisations ont investi un temps considérable dans la formation de leurs employés à cette discipline.
Cependant, le recours à des incitations ne résout pas à lui seul le problème des flux de travail organisationnels. Il ne résout qu'une interaction ponctuelle. Si un employé passe trente minutes à répondre à des incitations de plus en plus complexes pour parvenir à une réponse satisfaisante, l'organisation aura, au mieux, amélioré l'interface entre cette personne et un modèle. Elle n'aura pas repensé le travail sous-jacent. Le problème dépendra toujours de la capacité d'une seule personne à formuler la bonne question au bon moment, et le résultat obtenu restera un produit ponctuel et non le fruit d'un processus répété et structuré.
Par ailleurs, l'orchestration par l'IA soulève une question encore plus fondamentale : que doit-on faire tout au long du déroulement d'une tâche donnée, et qui sera responsable de la réalisation de chaque étape ?
Des invites aux flux de travail
La comparaison rend la différence entre l'incitation et l'orchestration plus évidente.
Par exemple, une invite pourrait simplement indiquer :
- Analysez nos concurrents et dites-nous comment ils se positionnent.
C'est une demande légitime, mais elle repose entièrement sur la compréhension, en une seule passe, des instructions par le modèle, quant à l'exactitude et à l'exhaustivité du résultat. Il n'y a ni vérification, ni source de données, ni mécanisme permettant à une personne de porter un jugement.
En revanche, le processus d'orchestration divise la même tâche en une série d'étapes ordonnées :
- Récupérer les données approuvées des concurrents.
- Identifiez les changements récents concernant les produits et les prix.
- Comparez ce positionnement à la stratégie actuelle de l'entreprise.
- Identifier les changements significatifs.
- Demandez à un agent de recherche de valider les affirmations importantes.
- Demandez à un analyste d'identifier les implications stratégiques.
- Demandez à un agent rapporteur de préparer les conclusions.
- Signaler les conclusions non étayées.
- Présentez le rapport au responsable marketing pour approbation.
Cependant, la différence entre ces deux méthodes ne réside pas dans des aspects techniques, mais dans leur structure. La seconde méthode ne se contente pas de produire un résultat ; elle instaure un processus métier fiable où chaque étape est réalisée par une personne ou un organisme responsable et génère un résultat analysable et améliorable. En cas d’erreur, il est possible de remonter jusqu’à l’étape précise où elle s’est produite, de connaître les sources d’information utilisées et validées au préalable, et de transmettre la décision finale directement à l’autorité compétente. C’est là toute la différence entre poser la bonne question et obtenir la bonne réponse.
La nouvelle unité de productivité
Dans l'approche traditionnelle, le principal critère d'évaluation de la productivité était la rapidité : la vitesse à laquelle un individu pouvait accomplir une tâche, satisfaire une demande ou faire passer un objet dans une file d'attente. Ce critère se justifiait tant que le principal facteur limitant la production était le temps nécessaire à l'exécution humaine.
Toutefois, dans une organisation pilotée par l'IA, ce critère perd son sens car le facteur limitant n'est plus la performance. Une question plus importante et pertinente se pose alors :
Combien de tâches de haute qualité un employé responsable peut-il superviser sans compromettre la qualité, la sécurité ou la prise de décision commerciale ?
Le nouveau paradigme ne privilégie plus la rapidité d'exécution, mais plutôt l'étendue du contrôle. Autrement dit, la question n'est plus « à quelle vitesse cette tâche peut-elle être accomplie ? » mais « combien de processus, de personnes et de résultats une personne compétente peut-elle contrôler ? »
C’est précisément pour cette raison que l’orchestration, la gouvernance, l’observabilité et la conception des flux de travail deviennent des facteurs essentiels pour les organisations. Adoption de l’IA :
- L'orchestration désigne la manière dont les tâches sont décomposées, ordonnées et déléguées à différents agents, machines et humains.
- La gouvernance définit le cadre dans lequel les agents sont autorisés à accomplir leurs tâches.
- L'observabilité garantit que toutes les étapes du processus seront visibles, traçables et auditables a posteriori, et ne seront pas traitées comme une boîte noire.
- La conception du flux de travail détermine à quel moment une intervention humaine sera introduite et à quel moment elle ne sera pas nécessaire.
Ensemble, ces disciplines constituent l'infrastructure qui permet aux organisations de développer de manière responsable le travail piloté par l'IA, non pas en accélérant les interactions individuelles avec un modèle, mais en structurant, en responsabilisant et en supervisant à grande échelle des catégories entières de travail.
Les nouvelles compétences des employés : de l’exécutant à l’orchestrateur d’IA
Transformer les employés en orchestrateurs d'IA ne signifie pas les convertir en ingénieurs logiciels. Il s'agit plutôt de leur apprendre à gérer les systèmes d'IA de manière responsable – un changement de compétences bien plus organisationnel et comportemental que technique. Les six compétences suivantes constituent le socle de compétences requis pour cette transition.
1. Définition du résultat
Il est essentiel que les gens apprennent à mieux définir ce que signifie la réussite avant même de commencer à travailler. Des instructions comme « rédiger un rapport » sont beaucoup trop vagues et permettent à un système d'IA de faire de nombreuses suppositions sur ce qui doit être fait et sur le niveau de preuve requis.
Un bon objectif serait plutôt de cet ordre :
« Rédigez un rapport trimestriel qui met en évidence trois changements significatifs dans le comportement des clients, étayés par des preuves autorisées, qui les compare aux conclusions du trimestre précédent et qui signale toute conclusion pour laquelle les preuves sont insuffisantes. »
Un système d'IA fonctionne bien mieux lorsqu'un objectif est clairement défini. Cela signifie que les employés doivent apprendre à raisonner en termes de spécifications plutôt que de demandes, en décrivant non seulement ce qu'ils veulent, mais aussi comment la qualité doit être évaluée.
2. Décomposition du flux de travail
Les employés doivent également savoir décomposer un objectif commercial global en étapes distinctes et gérables. Prenons l'exemple d'un objectif comme l'augmentation du nombre de prospects qualifiés. La décomposition d'un flux de travail pourrait ressembler à ceci :
- Recherche → Segmentation → Génération de prospects → Enrichissement → Qualification → Préparation de la prise de contact → Mise à jour du CRM → Suivi → Reporting
Chacune des étapes du flux de travail décrit ci-dessus ne nécessite pas forcément l'intervention d'un agent d'IA. Certaines étapes peuvent rester manuelles, d'autres être entièrement automatisées, et d'autres encore exiger une approche hybride. L'essentiel est que l'employé comprenne suffisamment bien le déroulement global du processus pour savoir où chaque compétence, humaine ou artificielle, a sa place.
3. Délégation
Les employés doivent apprendre à distinguer les tâches à déléguer à l'IA de celles qui doivent rester du ressort de l'humain. Cette capacité relève davantage du management que de la simple incitation, car elle implique d'évaluer les risques, la complexité et les conséquences, à l'instar d'un manager qui décide quelles tâches déléguer à un collègue inexpérimenté et lesquelles accomplir lui-même.
4. Évaluation
Un orchestrateur d'IA doit savoir reconnaître un résultat erroné. C'est l'une des compétences les plus négligées lors de l'adoption de l'IA en entreprise, et pourtant l'une des plus cruciales. Si un employé ne parvient pas à identifier une erreur dans un résultat d'IA, lui confier davantage d'IA autonome n'accroît pas nécessairement la productivité ; au contraire, cela peut accélérer la propagation des erreurs au sein de l'organisation, sans qu'elles soient détectées, jusqu'à ce qu'elles causent des dommages importants en aval.
5. Gestion des exceptions
Le principal avantage de l'IA réside généralement dans sa capacité à gérer les situations courantes de manière autonome et à identifier les cas exceptionnels afin que les humains puissent s'en charger. Cela implique que les employés doivent être capables de gérer les exceptions. Il en résulte un changement significatif dans le travail quotidien : moins de temps consacré aux tâches répétitives et plus de temps consacré à l'analyse et au jugement dans les cas qui le requièrent réellement.
6. Culture de la gouvernance de l'IA
En définitive, les employés doivent avoir connaissance des principes de gouvernance qui régissent l'utilisation responsable de l'IA, tels que :
- Autorisations de données
- Politique de confidentialité
- Contrôles d'accès
- Des pistes de vérification
- Hallucinations
- Limitations du modèle
- Injection rapide
- seuils d'approbation humaine
- Données sensibles
- Exigences réglementaires
Ce niveau de connaissances ne sera plus optionnel à mesure que l'automatisation se développera, car des organisations comme Cisco ont déjà mis en garde contre les dangers liés aux agents autonomes, tels que l'injection de code, les actions non autorisées et la nécessité d'une supervision humaine pour les contenir. Les employés conscients de ce risque seront en mesure de détecter les dysfonctionnements et d'éviter qu'un problème mineur ne prenne de l'ampleur.
Au total, ces six compétences caractérisent une main-d'œuvre dont le rôle principal n'est pas tant d'exécuter des tâches que de donner des instructions et de superviser le travail d'autrui. C'est sur ce fondement pratique que l'on devient un orchestrateur de l'IA, et non un simple exécutant plus efficace.
Le modèle opérationnel « l’humain comme superviseur »
Un système de supervision humaine performant a besoin de plus que des employés et des agents d'IA.
Il lui faut une structure opérationnelle.
Un cadre pratique possible est le modèle GOVERN.
- G — But
C'est l'humain qui détermine le résultat commercial.
Qu'essayons-nous d'accomplir?
- O — Propriété
Une personne nommément désignée demeure responsable du résultat.
L'IA peut exécuter des actions, mais la responsabilité ne peut pas devenir anonyme.
- V — Vérification
Les résultats critiques sont vérifiés par rapport à des normes de qualité prédéfinies.
- E — Escalade
Le système sait quand il doit s'arrêter et demander de l'aide à un humain.
- R — Règles
Les agents opèrent dans un cadre explicite concernant les données, les autorisations, les dépenses, la communication et les décisions.
- N — Avis
L'organisation conserve une visibilité sur les activités des agents, les décisions qu'ils prennent et les lieux où surviennent les défaillances.
Ce cadre s'attaque à un problème central des agents d'IA : l'autonomie sans visibilité peut devenir difficile à gouverner.
Le contrôle de l'IA dans le contexte d'ESADA est également similaire, et il met en garde contre le risque d'illusion de supervision humaine lorsque le contrôle humain formel implique l'approbation des décisions de l'IA sans une compréhension adéquate de ces décisions.
Quelles tâches les travailleurs devraient-ils confier aux représentants de l'IA ?
Il est impossible d'automatiser tous les processus, et adopter une approche aussi radicale lors de l'attribution de tâches à des agents d'IA constitue l'une des erreurs les plus fréquentes lors de la mise en œuvre de l'IA dans les organisations. La délégation doit être mûrement réfléchie, selon des critères spécifiques à chaque processus.
Les processus pouvant être confiés aux représentants possèdent généralement plusieurs qualités. Il s'agit notamment d'une fréquence élevée, de la répétition des tâches, de la clarté des objectifs, de la disponibilité des données et de faibles conséquences en cas d'échec. Si la tâche remplit ces critères, en tout ou en partie, elle peut être attribuée. En revanche, si une tâche échoue sur plusieurs points, en particulier en ce qui concerne les conséquences et la réversibilité, une approche beaucoup plus prudente s'impose, aussi routinière qu'elle puisse paraître.
Bons candidats pour la délégation en IA
Les tâches qui se prêtent bien à la délégation par l'IA comprennent généralement :
- Collecte de données
- Classement des informations
- Extraction de documents
- Préparation à la recherche
- Enrichissement du plomb
- triage du support client
- Résumés des réunions
- Génération de rapports
- Mises à jour CRM de routine
- Suivi d'inventaire
- Rapprochement des factures
- Récupération des connaissances internes
- Contrôles de qualité du contenu
- Veille concurrentielle
- Planification de routine
- Notifications de flux de travail
Ce qui unit cette liste, ce n'est pas le sujet, mais la structure. Ces processus comprennent généralement des entrées bien définies, des procédures prévisibles et des sorties mesurables selon certains critères. L'utilisation d'agents d'IA est tout à fait pertinente ici, car la plupart des procédures nécessitent le transfert de données d'un système numérique à un autre, le respect de critères de décision et l'exécution de calculs logiques répétitifs. C'est précisément ce qui rend l'automatisation plus efficace sans présenter de risques excessifs. Même si la sortie produite par l'agent ne répond pas à tous les critères, le coût de correction de l'erreur est suffisamment faible.
Tâches nécessitant un contrôle humain plus fort
Les organisations doivent faire preuve d'une prudence nettement accrue lorsqu'un flux de travail concerne :
- décisions juridiques
- décisions en matière d'emploi
- Décisions médicales
- Engagements financiers importants
- Remboursements importants
- Litiges clients sensibles
- Rapports réglementaires
- Décisions commerciales stratégiques
- Modifications irréversibles du système
- Décisions affectant les droits fondamentaux
Ces catégories ont en commun une caractéristique fondamentale : le coût de l’erreur est élevé et, bien souvent, les dommages causés par une mauvaise décision sont irréversibles. Un ticket d’assistance mal classé ne représente qu’un désagrément mineur ; une décision d’embauche erronée ou une transaction financière importante non autorisée, en revanche, sont bien plus graves.
Autrement dit, le problème de fond n'est pas de savoir si l'IA est techniquement capable de formuler une recommandation dans ces domaines – car dans bien des cas, elle l'est. Le véritable enjeu est de savoir ce qui se passe si cette recommandation s'avère erronée, et si l'organisation dispose d'un mécanisme permettant de détecter l'erreur avant qu'elle ne cause des dommages.
C’est précisément pourquoi les décisions de délégation ne peuvent reposer uniquement sur la faisabilité technique. Elles doivent également tenir compte de la réversibilité, des risques réglementaires et de l’impact potentiel sur les personnes et l’entreprise.
Les recommandations du BCG concernant les agents d'entreprise dans les secteurs réglementés confortent ce point, en soulignant l'importance d'identifier les domaines où l'intervention humaine demeure nécessaire, de concevoir des mécanismes clairs d'intervention humaine au sein des flux de travail automatisés et de surveiller en continu la création de valeur et les performances de ces systèmes à mesure qu'ils évoluent. En effet, cela implique que la délégation n'est pas un événement ponctuel, mais un processus continu d'évaluation des domaines où l'autonomie doit s'appliquer, compte tenu de l'évolution des technologies et du contexte commercial.
En résumé, les cas d'utilisation les plus réussis de la délégation de tâches à une IA seront ceux où l'automatisation s'appliquera non pas au plus grand nombre de tâches, mais à celles pour lesquelles une supervision humaine aurait de graves conséquences en cas de problème.
Cadre décisionnel pour la délégation à un agent d'IA
Il convient de mettre en place un processus décisionnel permettant d'évaluer un flux de travail donné à l'aide d'un ensemble de cinq questions avant de le déléguer à un agent d'IA. Ce processus ne produit pas un résultat binaire, mais invite à réfléchir à la pertinence du flux de travail pour une automatisation par l'IA et, le cas échéant, à son degré d'automatisation.
Question 1 : La tâche est-elle répétitive ?
La première question porte sur le volume et la fréquence. Si un processus n'est exécuté que quelques fois par an, il peut s'avérer inutile de concevoir, tester et contrôler un processus automatisé. En revanche, si le processus se déroule des centaines de fois par mois, l'automatisation sera bien plus avantageuse, car toute petite amélioration de l'efficacité peut se multiplier rapidement. La répétition des tâches permet également à l'organisation d'observer plus facilement le fonctionnement de l'agent dans différentes situations.
Question 2 : Dans quelle mesure le succès peut-il être mesuré ?
La deuxième question porte sur la mesurabilité. Un flux de travail doté de critères de réussite objectifs et bien définis (total correct, correspondance de données validée, champ rempli) est intrinsèquement plus facile à automatiser en toute sécurité, car l'organisation peut intégrer des contrôles fiables directement dans le processus. En revanche, les flux de travail subjectifs ou contextuels présentent un défi de taille lors de leur évaluation, car le risque d'erreurs non détectées jusqu'à ce qu'elles apparaissent plus tard est plus élevé.
Question 3 : Dans quelle mesure la décision repose-t-elle sur le jugement ?
La troisième question porte sur la nature même du processus décisionnel. Plus la décision est ambiguë et nuancée, plus l'intervention humaine est essentielle. Les décisions fondées sur le jugement impliquent des facteurs contextuels et une compréhension des priorités et des relations dont les agents d'IA sont dépourvus.
Question 4 : Quelles sont les conséquences si l'agent IA se trompe ?
La dernière question porte sur les conséquences. Toutes les erreurs ne se valent pas. Une simple faute de frappe dans un document provisoire n'est qu'une erreur sans conséquence, mais une erreur de calcul de paie ou un paiement frauduleux, c'est tout autre chose.
Question 5 : L’organisation peut-elle observer le processus ?
La cinquième question porte sur l'observabilité. Si une organisation ne peut pas voir ce qu'a fait l'agent, quelles informations il a utilisées et pourquoi il a produit un résultat donné, il devient très difficile de gouverner de manière responsable l'accroissement de l'autonomie de cet agent, quelles que soient les performances apparentes.
Ensemble, ces cinq questions constituent une méthode reproductible et rigoureuse pour évaluer la capacité à déléguer avant d'étendre l'autonomie.
Comment transformer un employé en orchestrateur d'IA ?
Les organisations ne devraient pas se contenter de dire aux employés de commencer à utiliser des agents.
La transition doit être délibérée.
Étape 1 : Cartographier le flux de travail réel de l’employé
Partez de la réalité de ce que font réellement les employés plutôt que de vous baser sur leur description de poste.
Piste:
- Tâches
- Temps passé
- Systèmes utilisés
- Information requise
- Décisions prises
- Approbations requises
- exceptions courantes
- Retravailler
- Goulot d'étranglement
Vous constaterez souvent que l'employé passe plus de temps à coordonner le travail qu'à effectuer la partie à forte valeur ajoutée de son poste.
Étape 2 : Dissocier l'exécution du jugement
Pour chaque tâche, demandez-vous :
Cela requiert-il le discernement humain, ou cela requiert-il l'attention humaine ?
Ils ne sont pas les mêmes.
On peut avoir connaissance de l'existence du rapport sans nécessairement analyser les chiffres qu'il contient.
Étape 3 : Concevoir le personnel d'agents.
Au lieu d'un seul agent polyvalent qui fasse tout, identifiez des responsabilités spécialisées.
Par exemple :
- Agent de recherche → Agent d'analyse → Agent de vérification → Agent de rédaction de rapports
Un superviseur humain coordonne le flux de travail.
Étape 4 : Définir les contrats d’agent
Chaque agent devrait avoir un mandat clair.
Spécifier:
- Entrée
- Sortie
- Données approuvées
- Outils disponibles
- Limites de décision
- Les normes de qualité
- Conditions d'escalade
Cela devient particulièrement important lorsque plusieurs agents interagissent.
Selon Andrey Golub, la construction de systèmes à base d'agents nécessite une clarification des entrées/sorties, une traçabilité, un accès sécurisé aux outils, un seuil d'intervention humaine et une observabilité.
Étape 5 : Élaborer des règles d’escalade
Ne laissez jamais à un agent le soin de déterminer si quelque chose semble risqué.
Définir des seuils.
Par exemple :
- Intensifier le niveau de confiance lorsque la confiance est inférieure à 85 %.
- Faire remonter le problème lorsque la valeur de la transaction dépasse 5 000 $.
- Intensifier la procédure lorsque le ressenti du client justifie une action en justice.
- Escalader le processus lorsque les preuves requises ne peuvent être vérifiées.
- Cela transforme une supervision humaine vague en gouvernance opérationnelle.
Étape 6 : Former les employés à superviser les résultats
La formation devrait moins se concentrer sur les « 100 questions que tout le monde devrait connaître » et davantage sur :
- Conception de workflow
- Délégation
- Évaluation
- Détection d'erreur
- Gestion des exceptions
- Gouvernance des données
- Surveillance des agents
- jugement commercial
Créer une main-d'œuvre IA autour des employés humains
Considérer les agents comme des capacités organisationnelles
L'idée d'une « main-d'œuvre IA » ne devient véritablement utile que lorsque les agents sont considérés comme des compétences organisationnelles définies, et non comme un ensemble disparate d'outils logiciels auxquels un employé a accès par hasard. Cette distinction est importante car une compétence définie a un objectif, un périmètre et une place au sein d'un flux de travail plus large, contrairement à un outil quelconque.
Exemple : Un flux de travail de vente assisté par l'IA
Prenons l'exemple d'un vendeur. Au lieu de s'appuyer sur un seul assistant IA générique, il peut bénéficier d'un groupe d'assistants IA qui remplissent des rôles spécifiques :
- Agent de recherche — Trouve des informations pertinentes sur l'entreprise.
- Agent de renseignement sur les comptes — Analyse la situation commerciale du prospect.
- Agent de qualification — Évalue le compte selon des critères définis.
- Agent de personnalisation — Prépare un brouillon à partir d'informations vérifiées.
- Agent CRM — Met à jour les champs approuvés.
- Agent de suivi — Surveille l'activité et recommande les actions suivantes.
Pourquoi le rôle humain est-il encore important ?
Cela reste vrai même dans un environnement basé sur l'IA : la responsabilité du maintien de la relation incombe au commercial. C'est un point essentiel : l'IA gère le traitement de l'information et les flux de travail, tandis que l'humain gère la confiance, les négociations et le jugement. Les deux sont complémentaires, non interchangeables : aucune combinaison d'agents ne peut remplacer l'intervention humaine qui, en fin de compte, conclut une vente et pérennise la relation client.
Les agents ont besoin de rôles définis, et pas seulement de compétences.
C’est l’une des distinctions les plus importantes qui émergent aujourd’hui dans le domaine de l’IA d’entreprise. Un agent devient beaucoup plus facile à gérer lorsque l’organisation peut répondre clairement à un ensemble précis de questions à son sujet :
- Quel rôle joue cet agent ?
- Qu'est-ce qu'il a le droit de faire ?
- Qu'est-ce qui est interdit ?
- Qui supervise cela ?
- Quel indicateur clé de performance (KPI) mesure ses performances ?
- Quand la situation doit-elle s'aggraver ?
Andrey Golub a établi une distinction similaire entre les agents d'IA génériques et les collaborateurs d'IA — ces derniers occupant des fonctions organisationnelles reconnaissables, avec des mandats clairs, des limites définies, des indicateurs clés de performance mesurables, des règles d'escalade établies et une responsabilité humaine identifiable.
Cette distinction est stratégiquement importante. L'entreprise de demain ne se définira probablement pas par le nombre d'outils d'IA auxquels ses employés ont accès. Elle se définira plutôt par la qualité de la conception des relations entre les personnes, les agents, les données et les processus métier, en considérant les agents non pas comme des ressources isolées, mais comme des acteurs responsables au sein d'un système bien géré.
Flux de travail du processus orchestré par un processus d'IA
Le scénario
Prenons l'exemple d'une entreprise de commerce électronique qui cherche à réduire son taux d'abandon de panier. Il s'agit d'un cas d'utilisation typique et bien défini, permettant d'illustrer la différence entre atteindre le même objectif avec un processus traditionnel et un processus piloté par l'IA.
Le processus conventionnel
Conformément au processus classique, un responsable marketing effectue généralement la majeure partie du travail lui-même, en passant d'une étape à l'autre progressivement :
- Analyse des données analytiques pour identifier les raisons de l'abandon de panier.
- Identification des tendances entre différents appareils, périodes ou produits.
- La segmentation client dépend du comportement et de la propension à la conversion.
- Planification des campagnes pour chaque segment.
- Créer des éléments créatifs, tels que des textes d'e-mails et des visuels.
- Envoyer des courriels aux segments concernés.
- Mesurer les résultats et rendre compte des performances.
Ce processus est rigoureux, mais aussi lent et fortement dépendant du temps et de l'attention disponibles d'une seule personne. Chaque étape empiète sur le temps limité de la journée du responsable, ce qui restreint naturellement la fréquence et la profondeur de cette analyse.
L'approche orchestrée par l'IA
L'approche d'orchestration par l'IA permet d'atteindre le même objectif grâce à la coopération de plusieurs agents, chacun étant responsable d'une étape particulière du processus, ainsi qu'à la transition du responsable marketing vers un poste de direction et de prise de décision :
- Un agent de données assure le suivi des analyses et signale les tendances d'abandon en temps réel plutôt qu'à un certain intervalle de temps.
- Un agent de détection de modèles identifie les aspects, tels que la sensibilité au prix, les frais de livraison, l'appareil utilisé ou la difficulté à effectuer un achat, qui sont le plus corrélés à l'abandon de panier.
- Un agent de segmentation catégorise les utilisateurs en fonction de leur comportement, de leur propension à revenir et de leur valeur pour l'entreprise.
- Un agent de planification de campagne suggère différentes actions pour chaque catégorie afin de lutter contre l'abandon de panier : e-mails de rappel, remises ou autres moyens.
- Un agent créatif conçoit le contenu et les visuels des e-mails.
- Un agent d'exécution déploie et envoie les campagnes à des segments spécifiques.
- Un agent de mesure suit les performances et les résultats, en indiquant quelles interventions fonctionnent et lesquelles ne fonctionnent pas.
Tout au long de ce processus, le responsable marketing reste impliqué : il définit l'objectif, fixe les limites dans lesquelles chaque agent peut opérer, examine les exceptions signalées, approuve les campagnes avant leur mise en ligne et fait preuve de discernement lorsque les données sont ambiguës ou lorsque les relations avec la marque et les clients sont en jeu.
Pourquoi est-ce important ?
L'intérêt de cette évolution ne réside pas seulement dans l'accélération du travail, même si c'est généralement le cas. Le changement le plus significatif est la continuité du processus, qui n'est plus périodique. Au lieu de réaliser cette analyse trimestriellement, car elle est trop chronophage, l'entreprise peut désormais surveiller et traiter les abandons de panier en continu, en repérant les tendances émergentes dès leur apparition et en les corrigeant facilement.
Le rôle du responsable marketing évolue : il ne s’agit plus d’exécuter personnellement chaque étape, mais de superviser un système qui s’exécute en son nom, ce qui libère son jugement pour les décisions qui le requièrent réellement, comme le choix des segments à prioriser, le niveau d’incitation à adopter et le moment où une tendance dans les données justifie une réponse stratégique plus large.
Pour conclure : Comment mesurer l’orchestration de l’IA ?
Un programme d'IA mature a besoin d'un tableau de bord.
Mesures de productivité
Piste:
- Temps gagné
- Temps d'un cycle
- Tâches terminées
- Cadence de production
- Temps de révision humaine
Indicateurs de qualité
Piste:
- Exactitude
- Taux d'erreur
- Retravailler
- Taux d'escalade
- Satisfaction client
indicateurs de performance de l'IA
Piste:
- taux de réussite des agents
- taux de défaillance des outils
- Durée moyenne de la tâche
- Coût du modèle
- Nombre de tentatives
- Fréquence d'intervention humaine
Indicateurs commerciaux
Ce sont celles qui comptent le plus.
Piste:
- Revenu
- Conversion
- Fidélisation de la clientèle
- Coût par transaction
- Temps de résolution
- Marge
- Valeur à vie du client
Indicateurs de gouvernance
Piste:
- Violations de politique
- Tentatives d'accès non autorisées
- Couverture d'audit
- Exposition aux données sensibles
- Conformité à l'escalade
- Conformité à l'approbation humaine
Questions fréquemment posées
Qu’est-ce que l’humain en tant que superviseur ?
Le paradigme « humain dans la boucle » peut être défini comme un cadre de travail où les humains définissent les objectifs, supervisent les agents autonomes, gèrent les exceptions éventuelles, évaluent les résultats critiques et assument l'entière responsabilité. Simultanément, le système intelligent exécute la partie correspondante du processus. Au lieu de tout faire eux-mêmes, les employés se concentrent sur la définition de la direction, la prise de décisions lorsque nécessaire et le maintien du processus dans les limites autorisées. La responsabilité incombe toujours à l'humain, mais pas à l'exécution concrète de certaines tâches.
Quelle est la différence entre l'intervention humaine dans la boucle et le rôle de superviseur humain ?
Pas vraiment, car il existe une légère différence entre les deux concepts, qui pourrait vous intéresser. L'expression « intervention humaine » sous-entend qu'une personne vérifie et autorise certaines actions avant leur exécution. L'expression « superviseur humain », au contraire, renvoie à un concept beaucoup plus large : une personne supervise l'ensemble du flux de travail, définit les limites, contrôle les performances, gère les exceptions et demeure responsable du résultat, même lorsque aucune action ne requiert d'approbation individuelle.
Que signifie le terme « orchestrateur » dans ce sens ?
L'orchestrateur, qu'il soit humain ou système, coordonne plusieurs ressources, agents, outils, sources d'information et tâches de flux de travail afin d'atteindre un objectif métier précis. Dans le cas d'un employé, l'orchestrateur humain devra déterminer quelle tâche doit être déléguée, quelle ressource l'exécutera et comment le résultat sera validé avant d'être accepté. Ce rôle transcende les tâches individuelles ; il s'intéresse à la cohérence de l'ensemble du processus.
Chaque employé devra-t-il devenir un expert technique ?
Non. Les utilisateurs n'ont pas besoin d'être experts en apprentissage automatique ni en ingénierie des systèmes pour utiliser le modèle avec succès. Il leur suffit de posséder des connaissances fonctionnelles suffisantes pour comprendre les forces, les faiblesses, la délégation, l'évaluation, la sécurité et la conception des flux de travail. Ce niveau de connaissances est plus comparable à celui requis d'un manager pour gérer une équipe spécialisée qu'à la maîtrise technique nécessaire au développement des technologies elles-mêmes.
Quelle est la différence entre un assistant et un agent autonome ?
Un assistant répond aux commandes et facilite le travail de la personne qui effectue la tâche : il répond aux questions et réalise peu d’actions de sa propre initiative. Contrairement à un robot, un agent autonome peut prendre en charge une tâche et l’exécuter seul, comprendre le processus, utiliser tous les moyens disponibles et mener à bien une partie du processus sans avoir besoin d’être guidé à chaque étape.
Faut-il automatiser toutes les tâches répétitives ?
Pas nécessairement. La répétitivité n'est qu'un des nombreux aspects à prendre en compte lors de la délégation de tâches à des robots. Les entreprises doivent considérer les risques, la complexité, la fiabilité des données, la réversibilité du processus et les conséquences d'une exécution incorrecte.
Que peuvent faire les organisations pour garantir la responsabilité des individus lorsque les agents travaillent indépendamment ?
Les organisations doivent définir clairement les responsables du processus, fixer des limites de décision, mettre en place des procédures de gestion des exceptions, conserver des pistes d'audit, mesurer la performance et veiller à ce que les personnes gardent le contrôle des décisions. C'est en répartissant judicieusement les libertés individuelles, et non en les limitant, que l'on peut garantir la responsabilisation.
Quelles compétences les employés auront-ils besoin dans ce type d'environnement de travail ?
Les compétences les plus précieuses incluront de plus en plus la conception des flux de travail, la délégation, l'analyse critique, la gestion des exceptions, le sens des affaires, la communication, la maîtrise des données et la capacité à superviser des systèmes autonomes. Nombre de ces compétences ne sont pas nouvelles, mais plutôt des capacités de gestion et de pensée critique éprouvées, appliquées à un nouveau type de collaboration.
Ce changement implique-t-il le remplacement d'employés ?
Pas nécessairement. Une interprétation plus constructive consiste à considérer que les systèmes intelligents peuvent prendre en charge certaines tâches opérationnelles, permettant ainsi aux employés de se recentrer sur le jugement, la stratégie, la relation client, la créativité et la supervision. L'impact réel dépendra largement de la manière dont chaque organisation choisira d'utiliser les ressources ainsi libérées : soit ces ressources seront réorientées vers des activités à plus forte valeur ajoutée, soit elles serviront simplement à réduire les effectifs. Ce choix est d'ordre organisationnel, et non technologique.
Quelle est une bonne façon de commencer à déployer le cadre « L'humain comme superviseur » ?
Il est important de choisir un processus à fort volume, mesurable et présentant peu ou pas de risques. Ce processus doit être cartographié de bout en bout, en identifiant les tâches délégables, en définissant des points de contrôle humains pour validation, en paramétrant les capacités et les limites du système, en mesurant les résultats et en optimisant le processus avant son déploiement à d'autres services de l'entreprise.
