Les entreprises mesurent ce que l’IA fait gagner. Aucune ne mesure ce qu’elle fait perdre aux équipes qui l’utilisent. Trois études parues cette année commencent à le documenter.

Les tableaux de bord sont formels : avec l’IA, la productivité progresse, les délais se réduisent, l’adoption monte, les utilisateurs se déclarent satisfaits. Tout va bien. C’est précisément ce qui devrait inquiéter.

Car ces indicateurs mesurent une seule chose : la capacité de l’IA à automatiser des tâches. Ils ne disent rien de l’évolution de l’expertise ni du jugement. Autrement dit, ils sont incapables d’évaluer les savoir-faire. Aucune entreprise ne sait aujourd’hui répondre à cette question pourtant simple : mes équipes sont-elles devenues intrinsèquement meilleures, ou juste plus rapides ?

La recherche récente, elle, commence à répondre. Et ce qu’elle documente ne figure dans aucun tableau de bord.

Des chercheurs de Wharton ont soumis 1 372 participants à des problèmes conçus pour que la réponse intuitive soit fausse et que seule la réflexion mène à la bonne. Certains disposaient d’un assistant conversationnel, programmé à leur insu pour donner tantôt la bonne réponse, tantôt une réponse fausse formulée avec assurance. Sans assistant, ils répondaient correctement dans 46 % des cas. Avec un assistant qui se trompait, ils tombaient à 31 %, soit en dessous de leur propre niveau. Plutôt que de corriger la machine, ils ont abandonné leur jugement au profit du sien. Les chercheurs parlent de reddition cognitive.

Le METR, un laboratoire américain indépendant d’évaluation des systèmes d’IA, a mesuré le travail de développeurs expérimentés équipés d’assistants de code. Avant l’expérience, ils anticipaient un gain de temps de 24 %. Après l’avoir vécue, ils estimaient encore avoir gagné 20 %.

Le chronomètre indiquait l’inverse : 19 % de temps passé en plus. Or c’est ce ressenti, abondamment collecté par les enquêtes de satisfaction, qui tient lieu de preuve dans la plupart des entreprises. L’ampleur exacte du ralentissement a depuis été discutée, y compris par les auteurs eux-mêmes, mais l’écart entre ce que les développeurs croyaient et ce que la mesure montrait n’a pas bougé.

Une étude publiée dans The Lancet Gastroenterology and Hepatology, enfin, a suivi des endoscopistes après le déploiement d’une IA de détection des polypes. Quelques mois plus tard, leur taux de détection sans assistance était tombé de 28,4 % à 22,4 %, soit un cinquième de performance en moins. Le geste lui-même s’était érodé, et personne ne s’en était aperçu, parce que l’érosion ne se révèle que le jour où l’outil manque.

Reddition cognitive, illusion de maîtrise, érosion différée : trois mécanismes à l’œuvre pendant que les indicateurs restent au vert. Le problème n’est pas un manque d’information parmi d’autres. C’est un système de mesure qui renvoie un signal positif pendant que se dégrade ce qui a le plus de valeur.

Aller plus vite est une performance de court terme, et elle se rattrape. Être meilleur que les autres est ce qui fait gagner dans la durée. C’est pourquoi, parmi les actifs d’une organisation, le savoir-faire occupe une place centrale. On peut acheter de la puissance de calcul, louer de l’expérience auprès d’un cabinet de conseil, acquérir des briques technologiques. Le savoir-faire, lui, ne s’acquiert pas: il se construit dans la pratique, et l’expérience accumulée ne se transfère pas par contrat. Tout le reste lui est subordonné: la réputation d’une entreprise est construite sur ce qu’elle a su faire hier, et elle ne survit pas longtemps à l’érosion de ce qu’elle sait faire aujourd’hui. Laisser ce patrimoine hors du champ de mesure, c’est prendre les décisions de déploiement à l’aveugle.

Rien de tout cela n’est pourtant une fatalité technologique. Les mêmes modèles, selon la manière dont on les déploie, paupérisent les savoir-faire ou les démultiplient. La différence se joue dans la conception des usages. Mais pour orienter ces choix, encore faut-il mesurer autre chose que des gains de productivité.

Trois dimensions sont prioritaires : l’autonomie résiduelle, c’est-à-dire ce que les équipes savent encore faire quand on coupe l’outil ; la qualité du discernement, soit la part des propositions de l’IA qui sont contestées, vérifiées, raffinées plutôt qu’acceptées telles quelles ; et la transmission, mesurée par le temps qu’il faut désormais à un débutant pour atteindre l’autonomie qui était la norme avant l’IA. Ces dimensions ne se mesurent ni en laboratoire ni par sondage : l’érosion est différée, la dépendance s’installe progressivement, et le ressenti des intéressés est précisément ce qui est biaisé. Il faut mesurer sur le terrain et dans la durée.

Le matériau existe déjà. Depuis la diffusion massive des assistants conversationnels, chaque professionnel accumule sans y penser un journal détaillé de sa manière de travailler avec l’IA : ce qu’il délègue, ce qu’il conteste, ce qu’il reprend en main. Ces traces restent aujourd’hui inexploitées pour la question qui nous occupe, alors qu’elles en sont la meilleure source, à condition que ceux qui les ont produites y consentent explicitement et en soient les premiers bénéficiaires.

On ne mesure que ce qu’on a jugé précieux. Inscrire les savoir-faire parmi les objectifs, au même rang que la productivité, est une décision stratégique. Les dirigeants qui la prendront sauront quelles compétences profondes ils acceptent de laisser partir parce qu’elles ont cessé de faire la différence, et lesquelles ils choisissent de protéger et de développer. Sans cette décision, l’arbitrage se fait quand même, mais il se constate après coup, dans les parts de marché d’abord, puis dans la capacité à rester dans la course.

A La Forge, l’érosion des savoir-faire est suivie comme un risque à part entière, au même rang que les données, la conformité et les coûts. Si la question se pose chez vous, écrivez-nous : trajectoire@la-forge.ai

Dans une organisation, tout apprentissage commence par le même geste : quelqu’un admet qu’il ne sait pas. C’est cet aveu qui déclenche la question posée au collègue d’en face, la recherche partagée, le point rapide en réunion, l’appel à celui qui a déjà rencontré le problème. Le « je ne sais pas » est le déclencheur, et il est partagé et profite à tous.

C’est exactement ce moment que l’IA fait disparaître.

Le mécanisme individuel

Une étude publiée cet été le documente. Valerio Capraro et ses collègues ont fait passer cinq expériences à 3 132 participants : quand une solution IA est disponible, la propension à répondre « je ne sais pas » tombe de 44 % à 3 %. Dans le même temps, la précision des réponses chute de 27 % à 9 %, et la confiance en soi double. Les questions avaient été conçues pour que l’IA se trompe, ce qui isole l’effet de l’assistance de celui de l’exactitude. Rémunérer la précision atténue le phénomène sans l’annuler.

Le raisonnement individuel est simple. Pourquoi admettre une lacune quand une réponse plausible arrive en trois secondes, sans témoin et sans risquer la gêne d’avouer ne pas savoir ? L’ignorance a cessé d’être un état à éprouver pour avancer. On lui préfère une réponse en quelques secondes.

Et ce qui a changé, c’est qu’elle reste privée.

Le mécanisme organisationnel

C’est là que le second effet se déclenche. Avant, la question posée à voix haute profitait à trois personnes : celle qui demandait, celle qui répondait, et celle qui écoutait sans rien dire. Le savoir-faire circulait par ces frottements, et l’organisation apprenait en même temps que l’individu.

Aujourd’hui, la même question part dans une conversation que personne d’autre ne lira jamais. L’entreprise se retrouve avec des collaborateurs qui progressent chacun dans leur coin, et une organisation qui, elle, n’apprend rien.

Le savoir s’atomise, ce qui produit les mêmes effets qu’une perte sèche dès que la personne change de poste ou s’en va.

Le DRH d’un groupe de 370 personnes que La Forge accompagne le résume ainsi : beaucoup utilisent l’IA sans que ce soit su ni mesuré. L’usage est massif, l’apprentissage est strictement individuel, et l’organisation est aveugle aux deux.

Un corollaire moins visible : personne ne sait plus qui sait quoi. La cartographie informelle des compétences, celle qui fait qu’on sait vers quel collègue se tourner, se construisait précisément par ces demandes publiques. Pas facile de naviguer sans carte…

Ce n’est pas une fatalité technologique

Tout cela tient à la manière dont on déploie ces outils sans jamais poser la question de l’impact sur les collaborateur, leur trajectoire et plus globalement les savoir-faire. Le même modèle, utilisé autrement, produit l’effet inverse.

Quelques pistes concrètes :

• Rendre visibles les questions posées à l’IA quand elles portent sur le métier, en les versant dans une bibliothèque de cas accessible à l’équipe.
• Réintroduire des moments où l’on formule ce qu’on ne sait pas, avant d’aller chercher la réponse. Le déclencheur doit rester collectif même si la réponse devient individuelle.
• Traiter les traces d’usage comme un patrimoine, avec le consentement de ceux qui les produisent et à leur bénéfice d’abord.
• Faire de la contestation des réponses une pratique explicite, en organisant des revues à deux sur les propositions qui engagent le métier.

Ce qui est en jeu

Le savoir-faire d’une organisation tient dans ce qui circule entre les gens, bien plus que dans la somme de leurs compétences. On peut équiper chaque collaborateur du meilleur assistant du marché et voir malgré tout la compétence collective se déliter, simplement parce que plus rien ne passe d’une personne à l’autre.

Savoir si mes équipes utilisent l’IA ne m’apprend donc pas grand-chose. La question utile est de savoir si mon organisation apprend encore quelque chose de ce qu’elles font avec.

Sources

• Valerio Capraro, Chiara Marcoccia (ENS) et Walter Quattrociocchi (Sapienza), AI advice suppresses people’s willingness to say « I don’t know », even when the advice is wrong and accuracy is incentivized. Cinq expériences, N = 3 132, dont quatre préenregistrées et une réplication directe. Preprint PsyArXiv : https://osf.io/preprints/psyarxiv/5y6m4_v1
• AI Assistance Reduces Persistence and Hurts Independent Performance, arXiv, N = 1 222, essais contrôlés randomisés. Preuve causale : l’assistance IA réduit la persévérance et dégrade la performance sans assistance. Fait le pont avec la tribune sur l’érosion. https://arxiv.org/html/2604.04721v1
• How On-Demand AI Assistance Undermines Learning, INSEAD Knowledge. L’aide à la demande érode la pratique et la lutte productive, même lorsque les apprenants savent que cela nuit à leur apprentissage. Argument fort : la prise de conscience individuelle ne suffit pas, seule la conception du déploiement change quelque chose. https://knowledge.insead.edu/responsibility/how-demand-ai-assistance-undermines-learning
• When everyone has AI and the company still learns nothing, Robert Glaser. Volet organisationnel.
• Using AI makes people less likely to admit they don’t know something, The Register, 19 juillet 2026. Vulgarisation du papier Capraro.

L’IA nous le rappelle chaque jour : sans souveraineté, pas d’usage vraiment responsable. Un usage responsable, ça suppose de garder la main. Et la main, on ne l’a pas. On l’a vu récemment : quand le gouvernement américain a pu couper l’accès à Mythos/Fable, personne, en Europe, n’avait l’interrupteur. Ces décisions se prennent ailleurs, sans nous. Et quand elles tombent, on ne peut rien y faire.

Le réflexe, c’est de se protéger en se dotant des meilleures technos sur une stack souveraine : infrastructure, puissance de calcul, données. C’est nécessaire, vraiment. Mais c’est loin de suffire. Parce qu’on peut être parfaitement souverain sur ses serveurs et ses modèles, et quand même passer à côté de l’essentiel.

Et ce qui compte le plus pour une entreprise qui veut prospérer, ce sont ses savoir-faire. L’expertise, l’expérience, l’intuition et le jugement que ses femmes et ses hommes mobilisent pour produire un travail de qualité.

On mesure uniquement l’impact de l’IA sur les activités et pas sur les savoir-faire

Sur ce point, la recherche commence à être claire. Les travaux sur l’impact cognitif de l’IA distinguent deux façons de déléguer.

1. L’offloading bénéfique : on confie à l’IA les tâches périphériques, la mise en forme, la recherche brute, pour garder son énergie sur ce qui construit vraiment la compétence, analyser, synthétiser, juger.

2. Et l’offloading préjudiciable : on lui confie le travail lui-même, celui qui ancre les savoirs en mémoire. Quand c’est la deuxième forme qui domine, les chercheurs parlent de « paradoxe de performance » : les résultats du moment s’améliorent, mais la compétence, elle, se dégrade.

Une étude l’a bien montré : des apprenants assistés par l’IA réussissaient mieux sur le moment, et une fois l’outil retiré, leur niveau s’effondrait. La performance assistée ne s’était jamais transformée en vraie compétence.

Démultiplier ou paupériser dépend de la conception, pas de la technologie

Le mécanisme a un nom : la « paresse métacognitive ». L’IA produit des réponses fluides et convaincantes, et ça crée une illusion de maîtrise. Plus on lui fait confiance, moins on réfléchit. Moins on réfléchit, plus on en dépend. Cercle vicieux. Et comme la pensée critique repose sur un socle de connaissances en mémoire, un savoir qu’on n’a jamais construit soi-même ne permet même pas de juger ce que produit la machine.

C’est l’effet Matthieu : ceux qui savent déjà tirent profit de l’IA, ceux qui ne savent pas encore s’enfoncent.

Et il y a un coût immédiat, en plus. Une étude BCG menée sur 1 488 salariés (janvier 2026) montre que plus on doit superviser des outils d’IA, plus la charge mentale grimpe, avec les erreurs et l’envie de partir qui suivent. À l’inverse, quand l’IA sert à nous débarrasser des tâches répétitives, la fatigue recule. Là encore, tout dépend de ce qu’on délègue.

Et derrière nos savoir-faire, il y a bien plus en jeu qu’un avantage concurrentiel. Il y a le bien-être des gens, leur épanouissement : un métier qui a du sens, dans lequel on progresse, ça évite pas mal de difficultés. Et, de proche en proche, la pérennité de notre société et de notre culture. J’exagère peut-être, mais je crois qu’il y a un vrai continuum.

🧭 Alors, comment faire ? Voici notre approche.

1. Distinguer le standard du singulier. Pour les activités qui ne sont ni critiques ni distinctives, les outils du marché font très bien l’affaire. On garde son énergie pour développer ses propres solutions là où on a un savoir-faire singulier : la réponse à un appel d’offres, le contrôle qualité sur une chaîne de production, la relation client.

2. Choisir, pour chaque usage, la bonne façon de faire. Une technique d’IA, tierce ou maison, on peut l’employer de quatre façons. La substitution, pour les activités non singulières. Le pilotage, pour celles qu’on ne peut pas automatiser complètement mais qui restent critiques (les algorithmes d’Uber qui pilotent les chauffeurs en sont l’exemple). L’augmentation, pour les activités cœur de métier où l’esprit critique est indispensable, comme un diagnostic médical. Et l’entraînement, pour faire monter rapidement des juniors en connaissances, en compétences et en expérience. C’est l’offloading bénéfique en pratique : on délègue le bas niveau, on garde et on renforce le haut niveau.

3. Privilégier, autant que possible, une stack souveraine. Comme le dit Raffi Krikorian, de Mozilla : qui finance la dépendance récolte la dépendance. Sinon, on risque de perdre du jour au lendemain l’accès à des services, ou à ses propres données. Coucou les États-Unis.

4. Mesurer la progression des individus. Sur les savoir-faire critiques, une seule question compte vraiment : nos équipes sont-elles meilleures dans ce qu’elles font, ou juste plus rapides ? C’est la question que pose la recherche. Selon la réponse, l’IA renforce vos savoir-faire, ou elle les grignote.

D’ailleurs, une étude montre que les gens formés à ne déléguer que le bas niveau, en gardant l’effort sur le haut niveau, progressent bien plus en pensée critique. Et le plus contre-intuitif : l’usage le plus efficace de l’IA, c’est souvent d’outiller l’expert qui encadre plutôt que de la mettre directement entre les mains du novice. Supprimer toute friction, c’est supprimer l’apprentissage.

J’ai eu la chance d’en parler récemment, à l’université de printemps de la SNCF et de l’EHESS sur les conditions d’une IA qui aide vraiment à décider.

Et avec Arnaud au sommet européen « IA avec nous » à Lille.

Deux occasions de confronter cette conviction à des gens qui conçoivent, déploient et régulent l’IA. Et de voir que le sujet des savoir-faire leur parle, beaucoup.

GitHub Copilot bascule en facturation au token le 1ᵉʳ juin. Anthropic et OpenAI ont déjà fait le même mouvement sur leurs offres entreprise. Le CTO d’Uber a brûlé son budget IA 2026 en quelques mois et reconnaît publiquement être « retourné à la planche à dessin ». Un cadre de Nvidia explique que pour son équipe, le compute coûte plus cher que les humains qu’il était censé remplacer.

Trois ans durant, les utilisateurs de Claude, ChatGPT, Copilot et Cursor ont brûlé entre 8 et 13 dollars de tokens pour chaque dollar d’abonnement. Personne ne le voyait, donc personne ne le mesurait.

Cette opacité a façonné nos usages. Un outil qui semble gratuit, on l’utilise sans considération. On laisse tourner un agent en boucle sur un prompt mal posé. On empile trois, quatre, cinq agents en parallèle, et au-delà de trois la productivité auto-déclarée chute.

Pendant ce temps, le paradoxe de Solow refait surface. Six mille dirigeants interrogés dans quatre pays : neuf sur dix disent que l’IA n’a eu aucun impact mesurable sur leur productivité ni leurs effectifs depuis trois ans. On voit l’âge de l’IA partout, sauf dans les chiffres de productivité.

C’était prévisible. Quand la matière première est invisible, on n’en fait rien de sérieux.

Vitesse n’est pas valeur

L’erreur de raisonnement est ancienne. Nous avons importé dans l’économie de l’information un mode de pensée hérité de l’industrie : produire plus vite la même chose. La logique des chaînes de montage. Elle ne tient plus dans une économie déjà saturée de slides, de notes, de tableaux de bord, de propositions commerciales que personne ne lit jusqu’au bout.

Dans ce contexte, gagner du temps ne crée pas de valeur. Souvent, ça en détruit, parce que les destinataires saturent et que rien ne se décide.

L’IA crée de la valeur seulement quand elle renforce la capacité de discernement. Pas quand elle accélère uniquement l’exécution.

Ce que ça change concrètement

Une journée de Claude Code coûte 30 dollars en moyenne, 100 sur les usages lourds. Une équipe de dix développeurs qui code en boucle dans un IDE pour voir ce qui sort, ça représente 75 000 à 250 000 euros par an. Personne ne signait pour ça il y a un an. Tout le monde va devoir signer pour ça l’année prochaine, ou décider que non.

Décider que non, c’est revenir à des questions simples qu’on s’épargnait tant que c’était gratuit (ou trop largement subventionné). Sur quel travail précis on lâche un agent. Avec quels garde-fous ? Pour quel résultat attendu, mesuré comment, par qui ? Ces questions ne sont pas nouvelles. Elles étaient celles qu’on posait avant de lancer un projet. On les avait juste mises de côté parce que l’expérimentation ne coûtait rien.

Ça change aussi la manière de fabriquer. Quand le compute commence d’être facturé à sa vraie valeur à chaque appel, on cesse de tout faire passer par le même modèle haut de gamme.

On confie les tâches simples à des modèles plus petits, on garde les modèles puissants pour les moments où ils font la différence, on coupe quand l’agent boucle. Et en utilise d’autres techniques d’IA plus adpatées.

Ce qui passait pour de la coquetterie technique devient une question de marge. Et pendant qu’on y est, on découvre l’utilité de ne pas dépendre d’un seul fournisseur. Anthropic a relevé ses tarifs en mars, Microsoft vient de faire pareil. Les organisations qui avaient construit toute leur chaîne sur un seul modèle comprennent comment le piège se referme en lisant leur facture.

Cultiver, pas extraire

Il ne s’agit pas de freiner l’IA. Il s’agit d’en raisonner l’usage. Et de l’orienter vers ce que l’IA ne fera pas spontanément : faire grandir le savoir-faire des organisations et des personnes qui s’en servent.

Sans ça, l’usage débridé fait exploser la facturation et paupérise nos entreprises. On injecte de la pression dans le sol pour en extraire ce qu’il reste. Trimestre après trimestre, il faut injecter davantage pour obtenir le même rendement, parce qu’on a abîmé le terrain à force de creuser. Et le terrain, dans une organisation, ce sont les savoir-faire des équipes. Ce qu’elles seules savent faire. Ce qu’elles transmettent aux nouveaux.

L’addition se présente alors deux fois. Une première fois sur la note de cloud, qui fait uniquement monter. Une seconde fois, plus tardivement, dans la dépendance acquise et dans les savoir-faire qu’on aura laissés filer parce que l’outil semblait les rendre superflus.

Notre conviction à La Forge tient en une phrase : démultiplier les savoir-faire par l’IA pour rendre les individus meilleurs dans ce qu’ils font. Cultiver, pas fracturer.

Illustration de Lei Hwangsur Unsplash

Je ne cesse de lire des rapports pour tenter de mieux comprendre et anticiper l’impact de l’IA sur les individus et les organisations. Faire le lien entre toutes ces analyses est ardu. Mais j’ai trouvé une clé de lecture qui permet d’assembler pas mal de pièces du puzzle et de relier enfin les usages de l’IA à la valeur qu’ils génèrent. Il s’agit d’une étude réalisée par deux chercheurs australiens (Lodge et Loble, UTS) qui explique en grande partie ce que l’on observe : les ROI décevants, les adoptions qui plafonnent, les Copilot qu’on paie et que personne n’utilise…

Spoiler : ce n’est pas un problème de technologie mais bien de conception. Un produit IA mal conçu dégrade les compétences de ceux qui l’utilisent. Et ça coûte une fortune.

Je vous propose un plongeon dans quelques travaux de recherche et les chiffres de 2025-2026 pour comprendre pourquoi la conception des produits IA est devenue un enjeu de souveraineté. Pas seulement technologique. Économique, compétitive, et humaine.

La valeur de l’IA vous échappe. Et ce n’est pas un problème d’outil.

56 % des PDG interrogés par PwC en janvier 2026 déclarent que l’IA n’a produit ni augmentation de revenus, ni réduction de coûts dans leur organisation (source). 95 % des pilotes d’IA générative ne génèrent aucun impact mesurable sur le compte de résultat, selon le MIT (source). Gartner place officiellement l’IA générative dans le « creux de la désillusion » de son Hype Cycle 2025 (source).

Face à ces résultats, la réaction est généralement d’investir encore plus dans les outils en espérant qu’ils soient meilleurs. De passer le plus vite possible à la version suivante. D’ajouter des licences. Bref, y aller en marche forcée.

Et évidemment c’est la mauvaise réponse. Ce que le rapport Lodge & Loble démontre, c’est que le problème est en amont : dans la façon dont les logiciels IA sont conçus. Quand une solution IA est déployée sans réflexion sur ce que l’utilisateur doit garder comme effort cognitif et ce qu’il peut déléguer, il ne rend pas les gens plus productifs. Il les rend moins compétents.

Et c’est exactement ce que les chiffres confirment, secteur après secteur.

Le mécanisme : comment un mauvais design détruit de la valeur

Dans une expérimentation sur près de 1 000 lycéens en mathématiques (Bastani et al., 2025), ceux qui utilisaient l’IA résolvaient mieux les problèmes pendant qu’ils avaient accès à l’outil. Mais une fois l’IA retirée, leur capacité s’effondrait. La performance assistée ne s’était pas transformée en compétence. Les chercheurs appellent ça le « paradoxe de performance ».

Ce n’est pas un résultat isolé. Une étude METR de juillet 2025, en conditions contrôlées, montre que des développeurs expérimentés utilisant des assistants IA de codage étaient 19 % plus lents que ceux qui travaillaient sans, tout en étant convaincus d’avoir été plus rapides. Le rapport DORA de Google confirme ce qui semble être un paradoxe en s’appuyant sur une étude menée sur 39 000 professionnels : chaque hausse de 25 % du taux d’adoption de l’IA dans les équipes se traduit par une baisse de 1,5 % de la vitesse de livraison et de 7,2 % de la stabilité des systèmes.

Le mécanisme est simple. Les applications d’IA (générative) produisent des réponses fluides, bien formulées, convaincantes. Cette fluidité crée une illusion de compétence. L’utilisateur confond la facilité de lecture avec la profondeur de compréhension. Il fait moins d’effort. Et moins il fait d’effort, plus il a besoin de l’outil. Les chercheurs ont un mot pour ça : la paresse métacognitive.

Stanford et BetterUp ont chiffré le coût de ce cercle vicieux en septembre 2025. Le contenu produit par l’IA sans supervision, ce qu’ils appellent le « workslop » (du contenu qui a l’air bien mais qui ne vaut rien), coûte en moyenne 186$ par employé et par mois en retravail. Pour une entreprise de 10 000 personnes : 9 millions de dollars par an.

Ce n’est pas l’IA qui est en cause. C’est le design de l’interaction entre les technologies d’IA et l’utilisateur. La même technologie, utilisée différemment, produit des résultats opposés.

Bien conçu vs mal conçu : la preuve par les chiffres

Le rapport Lodge & Loble propose une dichotomie des usages tout à fait pertinente :

• Il y a la délégation bénéfique : confier à l’IA ce qui n’est pas le travail de fond. Compiler des données, vérifier une syntaxe, générer une première structure. Ça libère la tête pour ce qui compte : analyser, arbitrer, décider. Une étude montre que des personnes formées à ne déléguer que les tâches de bas niveau ont obtenu des gains très nets en pensée critique par rapport aux groupes témoins.

• Et il y a la délégation préjudiciable : confier à l’IA le travail qui construit la compétence elle-même. Quand un professionnel demande à l’IA de formuler le diagnostic, d’écrire l’analyse ou de produire la recommandation, il court-circuite le processus qui fait de lui un expert. Le rapport le dit sans détour : l’information récupérée via des techniques d’IA ne s’intègre pas dans les structures de connaissance nécessaires au raisonnement complexe. Elle reste dans l’outil. Pas dans la tête.

L’étude Harvard/BCG/Wharton sur 758 consultants BCG illustre exactement cette ligne de partage. Sur les tâches que l’IA maîtrise, les utilisateurs sont 25% plus rapides et produisent 40% de qualité en plus. Mais sur les tâches qui sortent du périmètre de l’IA, ceux qui l’utilisent ont 19% de chances en moins de produire une réponse correcte. Ils ont délégué leur jugement en même temps que leur travail.

La différence entre les deux scénarios ? Le design du produit. Dans le premier cas, le produit est conçu pour que l’utilisateur reste maître du raisonnement. Dans le second, il est conçu pour aller vite, et l’utilisateur décroche.

Pourquoi c’est un problème de souveraineté

Quand on parle de souveraineté et d’IA, on pense tout de suite aux supercalculateurs, aux modèles, aux données. C’est nécessaire. Mais c’est loin d’être suffisant.

Il me semble qu’il y a trois dimensions de souveraineté en jeu. Et la plus négligée est celle qui coûte le plus cher :

1. Souveraineté des ressources et de l’infrastructure. Plus de 80 % de l’infrastructure IA européenne repose sur des fournisseurs américains (source). Hardware, modèles de fondation, plateformes cloud : chaque couche crée une dépendance avec des acteurs dont les intérêts ne sont pas alignés avec les nôtres. L’Europe investit pour rattraper son retard (10 milliards via EuroHPC, AI Factories dans 16 États membres, 2,22 milliards pour la stratégie IA française). Le rapport Draghi (septembre 2024) a sonné l’alarme : seules 4 des 50 premières entreprises tech mondiales sont européennes (source). L’effort est réel. Mais il ne suffit pas. Un supercalculateur souverain ne sert à rien si les produits qui tournent dessus rendent leurs utilisateurs moins compétents. L’article 4 de l’AI Act, en vigueur depuis le 2 février 2025, impose d’ailleurs à toute organisation d’assurer un niveau suffisant de littératie IA (aptitude à utiliser l’IA dans la vie courante) chez ses collaborateurs (source). Ce n’est pas une recommandation. C’est une obligation réglementaire. Et pourtant seules 9,9 % des entreprises françaises utilisaient l’IA en 2024, contre 27,6 % au Danemark (source). L’écart n’est pas technologique. Il est méthodologique. La souveraineté de l’infrastructure est nécessaire. Mais sans souveraineté de la conception, elle ne produit rien.
2. Souveraineté économique. C’est la conséquence directe du premier point, et la moins visible. Quand une entreprise française construit un produit au-dessus d’un LLM hébergé chez OpenAI ou Anthropic, l’essentiel de la valeur part à l’étranger. Les emplois qualifiés ne sont pas créés ici. Les données d’usage, cet or numérique qui nourrit l’amélioration continue des modèles, ne sont pas thésaurisées chez nous. C’est un patrimoine jeté par la fenêtre, souvent sans que les porteurs du projet en ait conscience. McKinsey montre sur 300 déploiements que les organisations qui captent réellement la valeur de l’IA investissent 2 à 3 dollars en montée en compétences pour chaque dollar d’outillage (source). Celles qui se contentent d’acheter des licences voient l’adoption plafonner à 34 % en six mois. BCG confirme : le succès de l’IA dépend à 10 % des algorithmes, 20 % de la technologie, et 70 % des personnes et des processus (source). La valeur économique de l’IA est captée par ceux qui investissent dans la conception de l’usage. Pas dans la licence.
3. Souveraineté des savoir-faire. C’est la dimension la plus critique et la plus ignorée. L’usage de solutions génériques, inadaptées aux métiers de l’entreprise, paupérise les compétences. Il infantilise les novices en leur donnant des réponses qu’ils ne savent pas vérifier. Il isole les experts et rend invisible la valeur de ce qu’ils savent. Et plus globalement, il ne rend pas les utilisateurs meilleurs dans ce qu’ils font. Le rapport Lodge & Loble met un nom sur ce phénomène : l’effet Matthieu. Les experts qui ont déjà un socle solide savent quoi déléguer et quoi garder. Ils tirent profit de l’IA. Les profils moins expérimentés, eux, n’ont pas ce filtre. Ils s’y fient davantage, apprennent moins, deviennent plus dépendants. L’écart se creuse. IDC estime que le déficit de compétences coûtera 5 500 milliards de dollars à l’économie mondiale d’ici fin 2026 (source). Mais au-delà du chiffre macro, la question pour un dirigeant est plus simple : qu’est-ce qui fait « boîte » au bout du bout ? Ce sont les savoir-faire. C’est la culture opérationnelle. C’est ce qu’un concurrent ne peut pas copier en achetant la même licence. Et c’est exactement ce que l’IA générique, déployée sans cadre, dissout à petit feu. Un produit IA bien conçu développe ce patrimoine. Un produit mal conçu l’atrophie. C’est un choix de conception, pas une fatalité technologique.

Reprendre la valeur : ce que nous construisons à La Forge

À La Forge, notre mission est claire : développer des produits IA qui rendent leurs utilisateurs meilleurs dans ce qu’ils font. Quand on l’a formulée en 2020, c’était une conviction. En 2026, c’est une réponse à un problème économique avéré.

Concrètement, nous appliquons trois principes dans chaque produit.

Le contexte métier est au cœur de la conception. La pensée critique n’est pas une compétence générique : un ingénieur pense de façon critique en s’appuyant sur ses connaissances techniques, un commercial sur sa connaissance du marché. C’est pourquoi nous partons toujours des savoir-faire métier, jamais d’une grille générique de cas d’usages IA. Le rapport Lodge & Loble le confirme : les compétences transversales enseignées hors contexte ne transfèrent pas.

Pour chaque cas d’usage, la ligne entre augmentation et délégation est tracée dès la conception. La question que nous posons : si l’utilisateur fait cette tâche lui-même, est-ce que ça le fait mieux comprendre le problème ? Si oui, c’est un effort intrinsèque à protéger. Si non, le produit peut le prendre en charge.

L’IA doit outiller l’expert, pas court-circuiter le novice. Le rapport montre qu’un outil d’assistance au tuteur (pas à l’élève) produit de meilleurs résultats chez les apprenants, y compris quand les tuteurs sont peu expérimentés, avec une réduction de coût de 165x par rapport à la formation traditionnelle (source).

Notre programme de R&D travaille sur la frontière la plus difficile : comment mesurer, dans la durée, si un produit IA augmente réellement les savoir-faire de ses utilisateurs ou s’il les dégrade. C’est un sujet émergent, encore peu exploré par la recherche, et c’est là que La Forge veut innover.

Si vous êtes intéressé, si vous sentez que la réponse ne peut pas être « distribuer des licences et espérer », parlons-en. La science donne les raisons d’agir. Les chiffres donnent l’urgence. Et la souveraineté de vos savoir-faire en dépend.