La question centrale pour l’adoption de l’IA au travail n’est souvent pas « le modèle est‑il assez précis ? » mais « le travailleur sait‑il quand ne pas se faire confiance ? ». C’est la leçon principale d’une étude peer‑review publiée dans Management Science qui montre que les gains apportés par l’IA dépendent surtout de la calibration des utilisateurs sur leurs propres compétences.
Adoption de l’IA : le rôle crucial de la calibration
Les auteurs ont testé 732 personnes sur une tâche simple mais révélatrice : décider si des visages sur des photos avaient plus de 21 ans, parfois avec un score de confiance fourni par une IA et parfois sans. La performance moyenne s’est améliorée avec l’aide de l’IA, et les participants de moindre aptitude ont bénéficié davantage que les meilleurs. L’étude distingue clairement deux dimensions : la compétence de base et la connaissance que l’on a de sa propre compétence. Deux personnes de même niveau peuvent tirer des valeurs très différentes d’un même système d’IA selon leur capacité à reconnaître quand le système est susceptible de mieux faire qu’elles.
Cette distinction met en lumière une faiblesse fréquente des déploiements en entreprise : après avoir évalué des modèles, acheté des licences, redessiné des workflows et formé aux prompts, beaucoup d’organisations supposent que les employés apprendront naturellement quand s’en remettre à l’outil et quand le contester. Les résultats empiriques indiquent que cette hypothèse est fragile.
La mauvaise calibration fonctionne dans les deux sens : des travailleurs trop confiants ignorent des conseils d’IA utiles, tandis que des travailleurs insuffisamment confiants se déchargent lorsque leur propre jugement aurait été meilleur. Dans les deux cas, la valeur de l’augmentation se perd et une entreprise peut installer un système performant sans en tirer des gains significatifs parce que le goulot d’étranglement est moins technologique qu’humain.
D’autres recherches étayent ce point. Un article publié dans Science sur l’usage de l’IA générative pour la rédaction professionnelle a montré que ChatGPT augmentait de façon mesurable la productivité et la qualité, avec les plus grands gains pour les auteurs initialement les plus faibles. Un large essai sur le terrain publié dans le Quarterly Journal of Economics a trouvé que l’assistance par IA augmentait la productivité des centres de support client de 15 % en moyenne et aidait bien plus les débutants et les travailleurs peu qualifiés que les meilleurs performeurs.
Sur le plan économique, certains travaux, dont un papier du NBER, soutiennent que l’IA pourrait diffuser la performance experte à un public plus large en intégrant l’expertise dans des outils, et ainsi contribuer à restaurer des emplois de niveau intermédiaire. Les résultats de Management Science confirment cette perspective tout en ajoutant une condition : l’IA peut réduire les écarts de performance, mais pas automatiquement. L’étude montre que lorsque les gens utilisent l’IA en restant fidèles à leurs croyances imparfaites sur eux‑mêmes, l’inégalité diminue ; avec une calibration parfaite, la réduction serait beaucoup plus forte.
Cela oblige à repenser la formation. Plutôt que de se concentrer uniquement sur l’ajout de compétences techniques, les entreprises devraient entraîner les employés à estimer l’incertitude, lire les signaux et reconnaître quand ils sont face à un cas limite. Des travaux récents vont dans ce sens : une étude publiée dans Futures & Foresight Science rapporte qu’une application de formation interactive a réduit la surconfiance et amélioré la calibration en moins de 30 minutes. Des recherches classiques de Sarah Lichtenstein et Baruch Fischhoff avaient déjà montré que le feedback peut améliorer les jugements de probabilité, et des travaux plus récents sur des formations automatisées pour prévisionnistes aboutissent à des conclusions similaires. La calibration n’est ni magique ni une panacée, mais elle ne semble pas être un trait immuable.
L’agenda managérial utile devient donc clair : former les personnes à travailler avec l’IA — leur apprendre à évaluer la confiance, comparer leur jugement aux sorties du modèle, repérer des angles morts récurrents et ajuster leur comportement à partir de retours objectifs. L’objectif n’est pas une confiance aveugle dans la machine, mais un partenariat discipliné.
En pratique, ces systèmes récompensent surtout les travailleurs capables de distinguer confiance et compétence. À mesure que les entreprises multiplient les intégrations d’IA dans le travail quotidien, l’avantage le plus sous‑estimé pourrait être d’une simplicité brutale : savoir quand on a probablement tort.
Adapté de : The Psychology of AI Adoption at Work: From Resistance to Results (Georgetown University Press, 2026). https://disasteravoidanceexperts.com/aibook
Dr. Gleb Tsipursky, scientifique du comportement qualifié par The New York Times d’« Office Whisperer », aide des dirigeants technophiles à mieux investir dans l’IA tout en renforçant l’engagement et l’innovation. Il est CEO du cabinet Disaster Avoidance Experts et auteur de huit livres, dont The Psychology of AI Adoption at Work: From Resistance to Results (Georgetown University Press, 2026).
