La performance technique ne suffit pas
Un outil peut réussir un test ponctuel sans s’intégrer aux procédures, aux données et aux contraintes de l’activité quotidienne.
Thomas Cole, River in the Catskills, 1843
Ce que les déploiements d’IA produisent dans le travail réel
Observer la qualité, la charge, les métiers et les collectifs une fois l’outil confronté à l’activité quotidienne.
En 30 secondes
Les repères essentiels
- Une démonstration réussie ne garantit ni l’intégration dans le travail ni un bénéfice durable.
- Le temps gagné peut être remplacé par une charge de vérification, de correction ou de traitement des cas complexes.
- Le suivi post-déploiement doit permettre de corriger l’organisation et, si nécessaire, de revenir en arrière.
Après la démonstration
Quatre enseignements du terrain
La valeur d’un système se lit dans les flux de travail, les arbitrages, les reprises, les compétences mobilisées et les effets observés dans le temps.
Le gain peut déplacer la charge
La production accélérée peut créer du contrôle supplémentaire, des corrections ou une concentration des situations les plus complexes.
Les métiers et responsabilités évoluent
Certaines tâches diminuent, d’autres apparaissent, tandis que la vérification et la gestion des erreurs deviennent de nouvelles responsabilités.
Le retour en arrière doit rester possible
Une organisation doit pouvoir réintroduire de l’intervention humaine ou suspendre l’outil si la qualité ou les conditions de travail se dégradent.
Trajectoires documentées
Des cas à lire avec leur contexte
Ces situations illustrent des mécanismes possibles. Elles ne constituent pas une preuve générale de succès ou d’échec de l’intelligence artificielle.
Onclusive : automatisation, emploi et information-consultation
En 2023, un projet de plan de sauvegarde de l’emploi visait 217 postes sur 383 dans un contexte d’automatisation accrue. La première procédure a ensuite été abandonnée après les observations de l’administration.
Lecture santé au travail : les conséquences sur l’emploi, l’organisation, les compétences et les conditions de travail doivent être évaluées et discutées sans réduire l’analyse au seul terme « IA ».
Source : question écrite n° 12062, Assemblée nationale.Klarna : volume automatisé et réintroduction de l’humain
L’entreprise a présenté son assistant conversationnel comme traitant une charge de travail équivalente à celle d’environ 700 agents à temps plein. Elle a ensuite renforcé l’intervention humaine pour améliorer la qualité du service.
Lecture santé au travail : le volume traité ne suffit pas. Il faut suivre la qualité, les escalades, la charge résiduelle et l’évolution des compétences.
Sources : communiqué Klarna de 2024 et évolution publique du modèle de service en 2025.MIT NANDA : l’écart entre pilotes et résultats mesurables
Un rapport préliminaire de 2025 décrit un écart important entre l’expérimentation de systèmes d’IA générative et la mesure d’un impact financier au sein des initiatives étudiées.
Lecture santé au travail : l’intégration aux flux de travail, la qualité des données et les boucles de correction peuvent compter davantage que la performance isolée du modèle. La « taxe de vérification » doit être mesurée.
Source : MIT NANDA, The GenAI Divide: State of AI in Business 2025.
Suivi post-déploiement
Ce qu’il faut observer dans la durée
Les indicateurs techniques doivent être complétés par des indicateurs portant sur l’activité, la santé et l’organisation du travail.
Qualité et erreurs
Exactitude, reprises, incidents, faux positifs et faux négatifs.
Temps de vérification
Temps passé à contrôler, corriger ou documenter les sorties.
Charge de travail
Intensification, interruptions, complexité résiduelle et délais.
Autonomie
Capacité à contester, modifier ou ne pas utiliser une recommandation.
Compétences
Apprentissages, dépendance, perte de pratique et nouvelles tâches.
Collectifs
Coordination, échanges, entraide et répartition des responsabilités.
Expérience des usagers
Qualité du service, incompréhensions et besoin de contact humain.
Réversibilité
Demandes de suspension, corrections et capacité de retour en arrière.
Consulter les sources des cas documentés
- MIT NANDA. The GenAI Divide: State of AI in Business 2025. Résultats préliminaires qui ne doivent pas être extrapolés à toutes les entreprises.
- Onclusive / Reputational Intelligence France — question écrite n° 12062, Assemblée nationale.
- Klarna — communiqué de 2024 sur le volume traité par l’assistant conversationnel.