Comprendre les usages de l’IA en entreprise pour mieux les accompagner

• Digital
• IA
• Sciences humaines
• Travail

Partager sur Twitter : Comprendre les usages de l’IA en entreprise pour mieux les accompagner (Nouvelle fenêtre) Partager sur Linkedin : Comprendre les usages de l’IA en entreprise pour mieux les accompagner (Nouvelle fenêtre)

Cet article s’intéresse au développement des usages par le prisme de la capacité des acteurs à s’approprier des IA, en contexte professionnel, en s’appuyant à la fois sur des résultats antérieurs concernant l’appropriation des outils numériques en contexte professionnel et sur les premiers résultats de deux études. La première porte sur l’usage professionnel des solutions d’IA générative par les développeurs sur un portail d’accès à des modèles d’IA (GPT, Mistral, Gemini, Codestral, Claude Sonnet etc.) pour les usages professionnels des salariés d’Orange. Ces derniers peuvent y découvrir et créer des assistants personnalisés. Sa spécificité est d’être sécurisé : les données des salariés ne sortent pas de l’entreprise et ne sont pas utilisées pour le réentraînement des modèles. La seconde a été menée lors du démarrage de l’expérimentation d’une solution d’IA symbolique, Live Wubble (LW), chez l’un des partenaires d’Orange, un éditeur de logiciels français. LW est un assistant proactif, sous la forme d’un widget, qui, dans notre cas, est développé pour aider les administratrices de vente (ADV) à traiter les demandes concernant les factures ou les bons de commande. LW facilite l’accès à ces documents à partir de l’application présente à l’écran (Outlook, Teams, Word etc.), si l’utilisateur l’a autorisé à la surveiller. Plus concrètement, le moteur LW scrute l’écran du PC, à la recherche de références de factures et bons de commande qu’il a appris à reconnaitre, en utilisant une liste d’expressions régulières. Lorsqu’il en trouve, il interroge la plateforme, via une API, pour vérifier leur existence dans la base documentaire. En fonction des droits d’accès de l’utilisateur, LW sort la liste des fichiers qui incluent cette référence, avec des liens sur lesquels l’utilisateur clique directement, sans avoir à effectuer des recherches.

Le développement des usages dépend du pouvoir d’agir des salariés, pour faire évoluer ces outils et l’organisation de leur travail, afin d’adapter ces outils à leur activité et mieux s’appuyer dessus

L’appropriation de l’IA à la lumière de l’approche par les capabilités

L’arrivée de l’IA en contexte professionnel s’inscrit dans une longue histoire du travail avec le numérique, marquée par des discours forts, prophétiques et normatifs sur le « pouvoir des outils », mais ces « effets » escomptés des outils en contexte professionnel ne sauraient apparaître sans les salariés qui s’emparent de ces outils. En ce sens, la sociologie du numérique au travail n’a cessé de souligner l’importance des dimensions individuelles, collectives et organisationnelles dans l’appropriation des outils [1]. Le développement des usages dépend du pouvoir d’agir des salariés, pour faire évoluer ces outils et l’organisation de leur travail, afin d’adapter ces outils à leur activité et mieux s’appuyer dessus. Ces deux facettes de leur pouvoir d’agir, sur leur outil et sur l’activité, sont indissociables et nécessaires aux salariés pour améliorer les prises que ces derniers ont sur leur travail, leur environnement et leur devenir. Le pouvoir d’agir implique une liberté de choix (des choix réellement accessibles), des moyens et un ensemble de facteurs favorables pour faire évoluer leurs outils et l’organisation de leur travail.

En ce sens, l’approche par les capabilités d’Amartya Sen nous est utile, car elle insiste sur la distinction entre capacité et capabilité [2], autrement dit entre « savoir-faire quelque chose » et « être en mesure de faire quelque chose ». Ce n’est pas parce que les salariés disposent d’une IA et savent l’utiliser qu’ils vont développer les usages de celle-ci dans le cadre de leur travail. La notion de capabilité met l’accent sur le pouvoir d’être et de faire. Le passage de capacité à capabilité se fait par des facteurs de conversion, individuels, collectifs, organisationnels et institutionnels. Les travaux ont enrichi cette approche, en illustrant la variété de ces facteurs [3, 4, 5, 6].

Les spécificités des outils mobilisant l’IA et le pouvoir des utilisateurs à les adapter à leur activité

Par rapport à l’IA symbolique (basée sur des arbres de décisions), les nouveaux types d’IA – connexionniste et générative –, qui se recoupent souvent, s’appuient sur du calcul probabiliste. La qualité des résultats de ces IA dépend aussi bien de la taille des bases des données mises à leur disposition que de la qualité de ces données. D’une part, les données peuvent comporter des biais, que l’algorithme reproduira par la suite (en renforçant, par exemple, des inégalités sociales existantes) et, d’autre part, elles ont besoin d’une adaptation à l’activité pour laquelle le salarié cherche à les utiliser [7, 8]. Par ailleurs, les nouvelles méthodes d’apprentissage basées sur des réseaux de neurones peuvent vite devenir inintelligibles pour les utilisateurs finaux (et parfois même pour leur concepteurs) [9]. Mais cette opacité de l’algorithme peut être aussi organisationnelle : elle n’est pas due uniquement au fonctionnement trop complexe de l’IA et à la méconnaissance des utilisateurs des techniques statistiques leur permettant de les comprendre au moins en partie, mais aussi au voile avec lequel les concepteurs entourent le fonctionnement de leur algorithme, considéré comme un avantage concurrentiel à ne pas divulguer [10].

Ainsi, l’hétérogénéité des algorithmes, leur inintelligibilité, leur opacité et l’évolution rapide des LLM avec les mécanismes d’apprentissage artificiel (machine/deep learning) compliquent leur compréhension pour les utilisateurs. De ce fait, la capacité des utilisateurs finaux à négocier des modifications de l’outil nécessaires à leur travail (ex. prendre en compte une catégorie spécifique ou atténuer un biais en particulier) avec les autres acteurs impliqués dans la conception ou l’entraînement des algorithmes d’IA générative est limitée. Cette complexité des outils qui mobilisent ces nouveaux types d’IA fragilise donc la capacité des utilisateurs finaux à agir sur ces outils.

Dans le cas de l’expérimentation Live Wubble, les concepteurs étroitement impliqués dans le développement des usages, ont intégré les modifications demandées par les ADV, qui souhaitaient pouvoir utiliser LW non seulement pour l’identification des fichiers concernant les bons de commande et les factures mais, aussi, pour les clefs de licences. Cela supposait des modifications de l’algorithme (dans la construction de la liste des expressions régulières) et la mise en place d’une base de données pour la recherche de ces clefs de licences. Autrement dit, l’adaptation de l’outil implique une capacité des concepteurs à intégrer ces modifications et des ADV à construire et alimenter cette base de données.

Le pouvoir d’adapter son travail à un outil qui mobilise l’IA

La manière d’intégrer cet outil dans son activité dépend aussi d’un ensemble de facteurs.

Ainsi, au niveau institutionnel (national et international), l’entrée en vigueur du règlement européen, IA Act, incite, par exemple, les entreprises à réfléchir à un développement responsable de l’IA, en veillant aux transformations sociales et éthiques. Dans le cas de notre expérimentation, le développement de l’agent LW intervient dans un contexte où la loi oblige les entreprises à dématérialiser leurs factures et celles-ci cherchent aussi à optimiser la gestion de ces e-factures.

Au niveau individuel, le parcours de l’individu, les formations qu’il a suivies, ses compétences, son expertise métier et les outils qu’il a déjà utilisés contribuent à façonner son aisance à coder, formuler des prompts pour l’IA, repérer les biais utilisés par les algorithmes, identifier et corriger les erreurs dans les résultats, ou encore reformuler les requêtes. Les compétences métier jouent donc un rôle important dans cette appropriation.

« Donc, ce n’est pas la partie IA qui est dure, c’est la partie devenir un développeur senior, avoir les pratiques du clean code, des katas, des domaines… enfin, plein de choses qu’on apprend en pratiquant […] Avec l’IA, c’est quand même une mise en exergue de tes propres compétences. » (développeur senior)

Lorsque les entreprises mettent en place des outils mobilisant l’IA, les facteurs collectifs sont très importants, car la mise en capacité des acteurs commence par les discussions qu’ils peuvent avoir localement, dans leur contexte de travail, aussi bien sur la valeur ajoutée de ces outils par rapport à leur activité (ex. choix du LLM en fonction de la tâche) que sur les répercussions que ces derniers engendrent sur leur travail. Ces discussions, au niveau des équipes, collectifs projet ou autres collectifs de travail plus ponctuels, permettent à leurs membres de réfléchir à l’ajustement entre leur travail et l’IA, en esquissant des pistes d’action pour mieux s’en saisir.

Ces discussions peuvent porter simplement sur le partage d’astuces et de limites des outils à disposition, surtout dans un contexte où les LLM évoluent très vite (ex. ne plus utiliser tel LLM à partir de telle étape du processus). Les développeurs interviewés expliquent, par exemple, que ces discussions sont d’autant plus utiles qu’ils se sentent parfois noyés dans la masse d’informations générées par l’IA. Les référents métier organisent ce type d’échanges dans des réseaux plus transverses. A cet effet, ils préparent des comparaisons entre les LLM afin de donner une vision plus claire sur leurs performances et consommations par rapport aux tâches à exécuter mais, comme ils l’expliquent, cette mission est complexe.

« Maintenant, s’il commence à y avoir des plus petits modèles qui donnent des bons résultats aussi, ça devient compliqué […] Puis, comme il y en a de nouveaux tous les mois ou tous les deux mois… finalement, on n’arrête pas de faire le benchmarking […] après c’est aussi compliqué parce que selon la tâche qu’on fait, potentiellement c’est un modèle ou un autre qui va être bon, donc les benchs peuvent être très rapidement très compliqués. » (référent métier)

Les managers ont un rôle important à jouer dans l’orchestration de ces discussions, dans leur contexte local, au plus près de l’activité. Ce sont eux aussi qui peuvent soutenir les expérimentations sur leur périmètre, y dynamiser la participation et ouvrir les discussions sur les tensions liées à ces outils et les solutions pour les dépasser. Ces réflexions peuvent, par exemple, porter sur l’encadrement de nouveaux arrivants dans l’équipe (des jeunes ou des personnes ayant fait un upskilling), qui ont tendance à recourir uniquement à l’IA par peur de déranger leurs collègues ou d’être jugés par eux, sans pouvoir mesurer, ni les erreurs qui se glissent dans les réponses de l’IA, ni le risque d’isolement encouru.

De ces discussions peuvent découler des redéfinitions des rôles et responsabilités, la nécessité d’un tutorat ou d’un travail pour assurer la compatibilité avec les outils existants, l’identification d’une perte ou d’une montée en compétences sur certains aspects, etc.

Dans le cas des clefs de licence de l’étude Live Wubble, les ADV pointent, par exemple, le fait que la construction de la base des données pour ces licences suppose qu’elles se mettent d’accord sur le contenu à y intégrer et sur le temps à consacrer à l’alimentation de cette base. Préalablement, cela nécessite la collaboration avec un acteur du système d’information de l’entreprise, qui les aide à élaborer un plan de classement. Dans le cas des factures et bons de commande où la base est déjà construite, elles pointent le problème de la qualité des fichiers remontés par l’outil. Si l’outil leur remonte le bon fichier, elles n’y trouvent pas toujours l’information recherchée. En effet, les commerciaux, souvent pressés pour faire signer un contrat, ne remplissent pas toujours correctement les bons de commande de la base de données. La rapidité avec laquelle elles peuvent traiter leurs demandes dépend de la qualité des fichiers que ces derniers y ont versés. La qualité de ce processus métier fait l’objet de discussions entre ADV et commerciaux.

Les facteurs organisationnels renvoient au cadre mis en place par l’entreprise pour rendre possible cet ajustement entre l’IA et le travail, localement. Celui-ci prend forme dans des politiques ou des accords d’entreprise, qui ont besoin de porter non seulement sur les enjeux d’emploi, mais aussi sur les transformations du travail avec l’IA [11]. A titre d’exemple, ces politiques peuvent :

• sensibiliser les salariés et les managers à l’importance de ces discussions de « réajustement local » aussi bien de l’outil que de l’organisation du travail ; dans le cas de LW, l’importance des enjeux stratégiques et commerciaux du partenaire a conduit les managers à pousser les membres de leurs équipes, qui ne voyaient pas l’intérêt de cette solution, à la tester ;
• faciliter la prise en compte de demandes issues de ces ajustements locaux IA-travail par la ligne managériale, ainsi que la mise à disposition des moyens pour ces évolutions identifiées au niveau des équipes ;
• prévoir la mise en place des acteurs (ambassadeurs, champions…) facilitant la compréhension du fonctionnement de ces outils qui mobilisent l’IA, mais aussi les discussions et les transformations liées à l’adaptation de ces outils dans des contextes locaux ;
• tenir compte au niveau du budget et de la contractualisation du besoin d’adapter régulièrement les algorithmes à l’activité (ex. catégorisations réalisées par l’algorithme en lien étroit avec les spécificités de l’activité), alimentation des bases de données et construction des bibliothèques de prompts, de sorte que les acteurs métiers (ex. RH, juridique…) disposent des outils IA correspondant à la réalité sociale et organisationnelle de leur entreprise.

Conclusion

Cet article insiste sur le fait que l’avenir du travail avec l’IA se joue dans le pouvoir d’agir concret que les acteurs ont pour adapter leurs outils mobilisant l’IA à leur activité et à faire évoluer leur travail en fonction des possibilités offertes par ces outils.

Avec ces nouveaux types d’IA, le pouvoir d’agir des utilisateurs porte sur des outils plus complexes (opacité, inintelligibilité, hétérogénéité, évolution permanente des LLM, nécessité de construire des bases de données adaptés à leur métier, etc.) et implique la collaboration avec des acteurs plus nombreux qu’auparavant (ex. data scientists, acteurs du système informatique aidant à la création d’un plan de classement pour la construction d’une base de données, etc.).

L’accompagnement devenu, lui aussi, plus complexe, se construit en prenant appui sur l’identification locale, au niveau des équipes, de ces facteurs individuels, collectifs, organisationnels et institutionnels. Dès lors, accompagner les usages revient à veiller aux conditions de leur développement à tous ces niveaux.

Si cet article aide à l’identification des facteurs propres à des contextes locaux, de nouvelles études sur les usages de l’IA en contexte professionnel permettront de mieux les voir dans toute leur diversité.