L’Intelligence Artificielle Générative (IAG) est souvent présentée comme un levier susceptible de transformer le travail en permettant de rédiger plus rapidement, d’accéder à des connaissances, ou encore de générer idées et contenus sous formes variées. Dans les organisations, ces perspectives suscitent à la fois de l’enthousiasme et des interrogations et, derrière les gains de temps et d’efficacité apparents, demeurent des incertitudes profondes sur le devenir du travail.

Le déploiement et l’usage des IAG peuvent en effet conduire à altérer plusieurs caractéristiques essentielles du travail tels que la variété des compétences mobilisées, le rôle des employés ainsi que le périmètre de leur action, l’autonomie dont ils disposent ou encore leurs relations à leurs collègues et les retours qui leur sont faits sur leur travail. Face aux premières manifestations de ces effets s’affrontent le désir de voir advenir un travailleur « augmenté » par l’IA, plus autonome et plus compétent, et la crainte de voir l’autonomie humaine s’affaisser devant la performance supérieure de la machine. En pratique, les effets du déploiement des IAG s’avèrent bien souvent plus subtils, complexes et ambigus.

Plus d’autonomie, de nouvelles dépendances

L’IAG peut par exemple accroître l’autonomie des employés en leur permettant de faire l’économie du recours à l’expertise de collègues spécialistes ou de prestataires. La génération d’image peut se substituer au travail des photographes, mannequins ou encore graphistes dans la communication. Les employés des services RH peuvent être tentés de s’épargner l’expertise de leur collègue juriste pour des besoins ponctuels, et obtenir des réponses immédiates à leurs questions. Des employés de différents services peuvent programmer de petites applications sans se soumettre à l’expertise et au contrôle de la direction des systèmes d’information.

Cette autonomie nouvelle s’accompagne toutefois d’une dépendance accrue. En s’appuyant sur l’outil pour produire, rechercher ou décider, le salarié devient tributaire de ses réponses, de ses limites techniques et des choix de son fournisseur. Lorsque l’outil évolue, devient indisponible ou fournit un résultat inattendu, l’utilisateur se retrouve facilement démuni.

Ces opportunités d’accroissement de l’autonomie des employés impliquent également que certains d’entre eux choisissent de s’affranchir de la dépendance… à l’expertise professionnelle de leurs collègues ! Les systèmes d’IAG permettent en effet souvent d’obtenir une réponse bien plus immédiate que celle d’un collègue, d’un prestataire ou d’un service spécialisé. Or les relations de dépendance mutuelle sont, dans les entreprises, un vecteur de confrontation des perspectives, d’échanges d’informations, de transmission des savoir-faire, de contextualiser des situations ou encore de construction d’une compétence collective ; leur raréfaction risque d’isoler les individus et de fragiliser la compétence des collectifs de travail.

L’expertise professionnelle, plus nécessaire et plus fragile

Ces transformations sont d’autant plus délicates à conduire que le développement et la préservation de l’expertise professionnelle demeurent critiques pour la bonne utilisation de ces systèmes, alors même que ces derniers menacent de les éroder.

Utiliser efficacement une IAG ne se réduit en effet pas à « prompter » correctement. Une connaissance et une expérience professionnelles situées sont nécessaires pour orienter l’outil, lui fournir des indications pertinentes, contrôler ses productions et en évaluer la qualité. Repérer une erreur, une réponse hors contexte ou un résultat qui ne respecte pas les exigences de l’activité suppose une expérience préalable.

Cette expertise s’entretient néanmoins typiquement par la pratique. En déléguant régulièrement la rédaction, la synthèse, l’analyse ou la production, on réalise moins souvent les opérations qui permettent de développer et de consolider ses compétences, notamment celles qui sont situées et requièrent une compréhension fine du contexte. On apprend ainsi à produire un résultat sans nécessairement comprendre comment il a été construit, au risque de rendre l’apprentissage plus superficiel. L’utilisateur ne maîtrise alors plus toujours les connaissances qui lui permettraient de mieux contextualiser sa demande ou d’en évaluer les réponses. Le rythme rapide d’évolution des technologies complique davantage encore la préservation de cette maîtrise en brouillant les liens que les utilisateurs explorent graduellement entre leurs pratiques et les productions de l’IAG. La question est particulièrement sensible pour les jeunes professionnels, qui risquent de perdre des opportunités et un environnement d’apprentissage souvent caractérisé par une tolérance pour les essais et erreurs ainsi qu’un feedback plus important d’employés plus expérimentés.

Comprendre ce que l’on produit

L’expertise est également liée à la possibilité de faire le lien entre ce que l’on a fait et ce que cela a produit. Les productions générées par l’IA et leur relation au prompt sont difficilement explicables ; un résultat en apparence convaincant peut néanmoins comporter des erreurs, et il est parfois difficile de déterminer pourquoi le système a proposé une réponse plutôt qu’une autre. Le salarié doit alors consacrer du temps à vérifier, comparer et corriger, sans quoi il risque d’engager sa responsabilité sur une production dont il ne maîtrise pas réellement la qualité.

Cette situation affecte aussi le sentiment de responsabilité. Lorsque l’outil prend en charge une part importante de la réalisation, quelle est encore la contribution du professionnel ? Que peut-il revendiquer comme étant le résultat de son propre travail ? À l’inverse, lorsqu’il doit contrôler une production qu’il n’a pas entièrement réalisée, il porte la responsabilité du résultat sans avoir maîtrisé l’ensemble des étapes qui y ont conduit. L’enjeu n’est donc pas uniquement de préserver des compétences, mais à travers celles-ci, de permettre de maintenir la capacité des professionnels à comprendre leur activité, à exercer leur jugement et à se sentir responsables de ce qu’ils produisent.

Faire de l’apprentissage un enjeu collectif

La question dépasse les compétences individuelles, et les formations à l’utilisation des systèmes d’IAG ne suffisent pas à faire face à des transformations profondes du travail. Les organisations doivent créer les conditions d’un apprentissage continu centré sur l’expertise professionnelle et non uniquement sur la maîtrise technique des systèmes d’IAG. Un tel apprentissage suppose de laisser aux équipes le temps d’expérimenter avec l’IAG sur des situations concrètes, de mettre en discussion les résultats au sein des collectifs de travail, et d’échanger sur les enseignements à en tirer.

Ces expérimentations in situ doivent porter autant sur les possibilités que sur les limites, et permettre d’identifier quels usages apportent une réelle valeur, quelles tâches peuvent être confiées à l’IA et lesquelles justifient de conserver une intervention humaine forte, quelles compétences doivent être mobilisées pour contrôler les productions, ou encore quels risques apparaissent lorsque les pratiques se généralisent.

Conclusion

Les effets des IAG sur le travail sont largement indéterminés à l’avance, et dépendent pour grande partie des choix individuels et collectifs que nous faisons dans nos organisations et entreprises. Les mêmes systèmes peuvent soutenir l’autonomie humaine, le sens du travail et la productivité tout en réduisant les opportunités d’apprentissage, en isolant les individus ou en rendant plus opaque le lien entre action et résultat dans d’autres.

Pour les entreprises, la question consiste moins à déterminer s’il faut recourir aux IAG, et plus à créer les conditions pour que les collectifs de travail puissent déterminer, de façon délibérée et continue, quelle place accorder à l’expertise humaine, quels domaines d’activité doivent rester des occasions d’apprendre et de transmettre, quels espaces de confrontation des points de vue doivent-être préserver, et comment s’assurer que les professionnels conservent la capacité de juger, de contextualiser et de se sentir responsables de ce qu’ils produisent.

Sans cette vigilance collective, le risque est de prioriser des gains apparents de productivité à court terme, et de laisser s’éroder ce qui fonde la valeur de l’expertise professionnelle : la connaissance située du métier, l’expérience, le jugement et la capacité d’apprentissage organisationnel.

Bibliographie indicative

Te’eni, D., Raymond, M., Rowe, F., Thénoz, E., & Trimborn, P. (2026). Organizational learning for exploring Generative AI: CORE-sandbox experiments. International Journal of Information Management, 87, 103029.

Thenoz, E., Raymond, M., Monnier-Senicourt, L., Jacob, F., Hemon-Hildgen, A., & Rowe, F.. (2024) Integrating Generative AI into Work: A Case Study of Changes to Core Job Characteristics, International Conference on Information Systems (ICIS) 2024 Proceedings. 10.