Pourquoi le discernement devient le véritable avantage concurrentiel à l’ère de l’IA

Depuis deux ans, la course à l’intelligence artificielle est devenue une course à la productivité. Les entreprises mesurent les gains de temps et les économies réalisées. Les collaborateurs rédigent plus vite, analysent plus vite, produisent plus vite. À première vue, tout semble aller dans la bonne direction. Pourtant, derrière cette accélération se cache une question beaucoup plus dérangeante : que se passe-t-il lorsqu’une organisation devient progressivement dépendante des systèmes auxquels elle délègue sa réflexion ?

C’est précisément l’inquiétude formulée par Eric So, professeur au MIT Sloan, lorsqu’il évoque le phénomène d’ « AI Gravity ». Selon lui, l’intelligence artificielle exerce une force d’attraction permanente qui pousse les individus à externaliser toujours davantage leurs tâches cognitives afin de gagner en efficacité. Le danger n’est pas l’utilisation de l’IA elle-même. Le danger est l’érosion progressive des capacités qu’elle remplace. À force de déléguer l’analyse, la synthèse, la rédaction ou la résolution de problèmes, les individus risquent de perdre les compétences que ces activités contribuaient précisément à développer.

L’histoire économique montre pourtant que toutes les révolutions technologiques ont produit le même paradoxe. Les outils destinés à augmenter les capacités humaines finissent souvent par transformer la nature même de ces capacités. La calculatrice a modifié notre rapport au calcul mental, le GPS a transformé notre sens de l’orientation, l’IA générative pourrait désormais transformer notre rapport au jugement.

Les entreprises pensent aujourd’hui protéger leur compétitivité grâce à l’intelligence artificielle. Elles pourraient, sans le vouloir, fragiliser la ressource dont elles auront le plus besoin demain : leur capacité collective à produire du discernement.

Quand l’automatisation supprime aussi l’apprentissage

Cette question est particulièrement visible lorsqu’on observe l’évolution des parcours professionnels. Pendant des décennies, les organisations ont construit leurs mécanismes d’apprentissage autour d’une logique simple : les tâches confiées aux plus jeunes collaborateurs n’étaient pas seulement utiles à la production, elles étaient indispensables à leur formation. Les benchmarks, les notes préparatoires, les premières analyses, les comptes rendus ou les synthèses constituaient autant d’exercices permettant d’acquérir progressivement ce que les chercheurs appellent des connaissances tacites : un ensemble de savoirs difficiles à formaliser, construits par l’expérience, l’erreur et la confrontation au réel.

Or ce sont précisément ces activités que l’IA automatise aujourd’hui avec le plus d’efficacité.

Le problème n’est donc pas seulement que certaines tâches disparaissent. Le problème est que certaines tâches disparaissent alors qu’elles servaient à apprendre. Une organisation peut parfaitement supprimer une partie de ces activités et constater une hausse immédiate de sa productivité. Mais une question demeure : comment formera-t-elle les experts dont elle aura besoin dans cinq ou dix ans ?

Cette interrogation renvoie à un sujet dont les entreprises parlent beaucoup mais qu’elles pratiquent souvent difficilement : la pédagogie de l’échec. Les dirigeants valorisent volontiers l’expérimentation, le test-and-learn ou le droit à l’erreur. Pourtant, une grande partie des apprentissages professionnels repose précisément sur l’accumulation d’erreurs corrigées. C’est en formulant une mauvaise hypothèse que l’on apprend à raisonner. C’est en produisant une analyse incomplète que l’on comprend ce qui compte réellement. C’est en se trompant que l’on développe progressivement son discernement.

L’intelligence artificielle modifie profondément cette dynamique. Lorsqu’un collaborateur obtient immédiatement une réponse acceptable, il évite certaines erreurs. Mais il évite aussi les apprentissages associés à ces erreurs. Il ne découvre plus nécessairement pourquoi une hypothèse était fausse. Il ne voit plus toujours les étapes intermédiaires qui permettent d’arriver à une conclusion robuste. Il devient consommateur d’un résultat plutôt qu’acteur du raisonnement qui l’a produit.

À court terme, cette évolution améliore la performance. À long terme, elle pourrait affaiblir la capacité des organisations à produire du jugement. Car les experts ne se construisent pas uniquement grâce à l’accumulation de connaissances. Ils se construisent aussi grâce à l’accumulation d’erreurs instructives.

Le paradoxe de l’abondance des réponses

Cette évolution produit une deuxième conséquence, plus discrète mais potentiellement tout aussi importante. À mesure que les systèmes d’IA deviennent capables de générer des réponses de plus en plus pertinentes, les organisations risquent de voir apparaître une forme d’homogénéisation cognitive.

Les mêmes modèles sont entraînés sur des volumes massifs de données similaires. Les mêmes prompts produisent souvent des raisonnements comparables. Les mêmes outils sont utilisés simultanément par des millions de collaborateurs. Cette dynamique tend naturellement à converger vers des réponses optimisées statistiquement.

Or notre histoire économique montre que les grands échecs stratégiques proviennent rarement d’un manque d’informations. Ils proviennent plus souvent d’une incapacité collective à remettre en cause les hypothèses dominantes. Les crises financières, les ruptures technologiques ou les erreurs industrielles majeures ont souvent été précédées par des phénomènes de pensée de groupe dans lesquels tout le monde partageait les mêmes raisonnements, les mêmes certitudes et parfois les mêmes aveuglements.

Dans ce contexte, la diversité des manières de penser cesse d’être un simple sujet de culture d’entreprise ou de responsabilité sociale. Elle devient un enjeu de performance. Plus les organisations s’appuieront sur des systèmes générant des réponses convergentes, plus elles auront besoin d’individus capables de produire de la divergence.

Ces profils existent dans toutes les organisations. Ce sont souvent les collaborateurs qui posent les questions jugées inconfortables, qui relient des sujets que personne ne relie, qui viennent d’univers différents ou qui refusent les évidences trop rapidement admises. Ils peuvent parfois être perçus comme difficiles à manager parce qu’ils introduisent du doute là où l’organisation recherche de la certitude. Pourtant, ce sont précisément ces comportements qui permettent d’éviter certains angles morts collectifs.

Lorsque les réponses deviennent abondantes, la valeur se déplace progressivement vers la qualité des questions posées.

Du savoir au discernement

Cette transformation nous oblige également à repenser notre définition de la compétence. Pendant longtemps, les entreprises ont valorisé principalement la maîtrise de connaissances ou de savoir-faire spécifiques. Cette logique était cohérente dans un monde où l’accès à l’information constituait une ressource rare.

L’IA modifie profondément cette équation. La connaissance devient de plus en plus accessible, instantanément mobilisable et largement distribuée. La rareté se déplace. Ce qui devient stratégique n’est plus seulement la capacité à accéder à une information ou à appliquer une procédure. C’est la capacité à interpréter une situation, à arbitrer entre plusieurs options, à comprendre les conséquences d’une décision, à naviguer dans l’ambiguïté et à agir lorsque les règles existantes ne suffisent plus.

Autrement dit, la valeur se déplace progressivement du savoir vers le jugement.

Cette distinction est fondamentale. Une intelligence artificielle peut produire une recommandation pertinente mais ne porte pas la responsabilité de ses conséquences. Elle peut identifier des corrélations mais ne comprend pas nécessairement les dynamiques humaines, politiques ou symboliques qui entourent une décision. Elle peut assister un raisonnement sans pour autant remplacer (encore) l’expérience vécue qui permet d’en évaluer les limites.

Les organisations les plus performantes de demain ne seront probablement pas celles qui auront automatisé le plus grand nombre de tâches. Elles seront celles qui auront compris quelles tâches peuvent être automatisées sans compromettre les mécanismes qui produisent le discernement humain.

Préserver ce qui rend encore notre jugement possible

Le véritable défi posé par l’intelligence artificielle n’est donc pas technologique. Il est pédagogique et organisationnel.

Comment continuer à former des experts lorsque les tâches qui servaient à les former disparaissent ? Comment préserver la diversité cognitive lorsque les outils tendent à homogénéiser les raisonnements ? Comment maintenir des espaces de doute, d’expérimentation et de contradiction constructive dans des organisations de plus en plus orientées vers l’efficacité immédiate ?

Ces questions devraient désormais figurer au cœur des réflexions des dirigeants et des DRH.

Car la véritable promesse de l’IA n’est pas de remplacer l’intelligence humaine. Elle est de l’augmenter ; mais une augmentation ne produit de valeur que si les capacités fondamentales qu’elle prétend renforcer existent encore.

À force de déléguer notre réflexion aux machines, nous risquons d’oublier que la véritable valeur d’une organisation ne réside pas dans sa capacité à produire des réponses mais à comprendre quand ces réponses sont insuffisantes.